5 Diskreettejä yksiulotteisia jakaumia 111
5.1 Diskreetti satunnaismuuttuja . . . 111
5.2 Bernoullinkokeet ja binomijakauma . . . 113
5.2.1 Jakauman symmetria . . . 118
5.3 Odotusaikojenjakaumat . . . 119
5.3.1 Odotusajat Bernoullin kokeissa . . . 119
5.3.2 Geometrinenjakauma ja negatiivinen binomijakauma . 122 5.3.3 Odotusajat peräkkäisotannassa . . . 125
5.3.4 Hypergeometrinen jakauma ja negatiivinen hypergeo- metrinen jakauma. . . 127
5.3.5 Tasajakauma . . . 129
5.4 Poissonin jakauma . . . 129
5.5 Poissonin prosessi . . . 135
5.5.1 Laskuriprosessi . . . 135
5.5.2 Poissonin prosessin määritely . . . 136
5.5.3 Satunnaistapahtumattila-avaruudessa . . . 138
Yhteenveto . . . 139
Harjoituksia . . . 141
6 Jatkuvat jakaumat 145 6.1 Jatkuvatsatunnaismuuttujat. . . 145
6.2 Tasajakauma ja eksponenttijakauma . . . 153
6.2.1 Tasajakauma . . . 153
6.2.2 Eksponenttijakauma . . . 154
6.2.3 Elinaikajakauma . . . 156
6.3 Normaalijakauma . . . 157
6.3.1 Keskeinen rajaväittämä. . . 157
6.3.2 Standardimuotoinen normaalijakauma . . . 160
6.4 Muuttujienvaihto. . . 162
6.4.1 Muunnos kertymäfunktio avulla . . . 162
6.4.2 Muunnos tiheysfunktionavulla . . . 163
6.5 Yleinen normaalijakauma. . . 166
6.6 Gammajakauma ja
χ 2
-jakauma . . . . . . . . . . . . . . . . . 1696.6.1 Gammajakauma. . . 169
6.6.2
χ 2
-jakauma . . . . . . . . . . . . . . . . . . . . . . . . 1706.6.3 Normaalijakautuneensatunnaismuuttujan muunnokset . . . 171
6.7 Satunnaismuuttujan odotusarvo . . . 173
6.7.1 Momentifunktio ja momentit. . . 174
6.7.2 Vinous ja huipukkuus. . . 175
Yhteenveto . . . 177
Harjoituksia . . . 179
Jatkuvat jakaumat
Sellaisetsuureet kuten esimerkiksiaika,lämpötila,pituusjapainoajatellaan
tavallisesti jatkuviksi muuttujiksi, ts. muuttujiksi, jotka voivat saada mitä
tahansa reaaliarvoja annetulla välillä. Esimerkiksi henkilön ikä on jatkuva
satunnaismuuttuja,joka voi saada tietyllä välilläpositiivisiareaalilukuarvo-
ja.Diskreetinsatunnaismuuttujanarvojoukkoonäärellinentainumeroituva,
mutta jatkuvan satunnaismuuttujan arvojoukko on ylinumeroituva. Satun-
naismuuttuja
X
määriteltiin alaluvussa 2.6.1 jatkuvaksi, jos sen kertymä- funktioF X
onjatkuva(Määritelmä2.7).6.1 Jatkuvat satunnaismuuttujat
Jokaiseen satunnaismuuttujaanliittyy kertymäfunktio. Satunnaismuuttujan
X
kertymäfunktio määriteltiin alaluvussa 2.6 (Määritelmä 2.6(ii)
) piste-funktiona
F (x) = P (X ≤ x), x ∈ R .
Diskreetin satunnaismuuttujan kertymäfunktio on porrasfunktio, joka voi-
daan lausua hyppyfunktioiden summana (5.1.1) [ks. alaluku5.1℄.
Lauseen 2.9 mukaan funktio
F (x)
on kertymäfunktio jos ja vainjos seu- raavat kolme ehtoa toteutuvat:1.
lim
x→−∞ F (x) = 0
jalim
x→∞ F (x) = 1
.2.
F (x)
on kasvava (ei-vähenevä)funktio.3.
F (x)
on oikealta jatkuva elilim
x→x 0 + F (x) = F (x 0 )
kaikillax 0 ∈ R
.Jos meillä on jokin satunnaismuuttuja
X
, niin ominaisuudet 1.3. voidaan todeta todennäköisyysfunktionP (X ≤ x)
ominaisuuksien avulla. Jos jokin funktioF (x)
toteuttaa ehdot1
.3
., eioleaivanhelppoatodistaa, ettäF (x)
on todella jonkin satunnaismuuttujan kertymäfunktio. Todistus löytyy vaa-
tivistatodennäköisyyslaskennan oppikirjoista.
Esimerkki 6.1 Funktio
(6.1.1)
F (x) = 1
1 + e −x
on esimerkki jatkuvasta kertymäfunktiosta, joka siis toteuttaa Lauseen 2.9
ehdot
1
.3
. Koskax→−∞ lim e −x = ∞ ,
niinlim
x→−∞ F (x) = 0
ja
x→∞ lim F (x) = 1,
koskalim
x→∞ e −x = 0.
Funktio
F (x)
onkasvava,koska sen1.
derivaattaF ′ (x) = e −x
(1 + e −x ) 2 > 0.
On myös helppo todeta, että
F (x)
ei ole ainoastaan oikealta jatkuva vaanjatkuva.
Keskitymme tarkastelemaan satunnaismuuttujia, joiden kertymäfunktio
F
ei ole pelkästään jatkuva, vaan myös derivoituva.OlkoonF
jatkuvan sa-tunnaismuuttujan
X
kertymäfunktio.JoskertymäfunktiollaF
onderivaattad F
dx = F ′ (x),
paitsi mahdollisesti yksittäisissä pisteissä, joiden lukumäärä on äärellinen,
niin
X
:n tiheysfunktioonf (x) = F ′ (x),
kun
F ′ (x)
onolemassa.Vastaavallatavallakuindiskreetinsatunnaismuuttu- jankertymäfunktiovoidaanlausuatodennäköisyysfunktionavullasummana,jatkuvan satunnaismuuttujan kertymäfunktio voidaan lausua integraalina:
(6.1.2)
P (X ≤ x) = F X (x) = Z x
−∞
f X (t) dt.
Jos
f X (t)
on jatkuva,niinintegraalilaskennanperuslauseenmukaan (6.1.3)F X ′ (x) = f X (x),
missä
F X ′ (x)
onkertymäfunktionF X (x)
derivaatta.Määritelmä 6.1 Jatkuvan satunnaismuuttujan
X
tiheysfunktiof X (x)
onfunktio,jokatoteuttaa yhtälön
(6.1.4)
F X (x) = Z x
−∞
f X (t) dt
kaikillax ∈ R .
Esimerkki 6.2 Olkoon
X
tiettyynpalvelunumeroontulevienpuheluidenpi- tuus. Oletetaan, ettäX
:ntiheysfunktio onf (x) = 1
20 e −x/20 , 0 ≤ x < ∞ .
Silloin
X
noudattaans. eksponenttijakaumaa keskiarvolla20
. NytS = { x | 0 ≤ x < ∞ }
jaf (x) > 0
kunx ∈ S.
Kertymäfunktio on
F (x) = Z x
−∞
1
20 e −t/20 dx = Z x
0
1
20 e −t/20 dx
= . x
0
− e −t/20 = 1 − e −x/20 .
Silloin
F ′ (x) = d
dx 1 − e −x/20
= 1
20 e −x/20 = f(x), x ≥ 0
ja
f (x) = 0
,kunx < 0
.Huomaa, että yksittäisen pisteen
a ∈ R
todennäköisyysP (X = a)
onaina nolla, jos
X
on jatkuva satunnaismuuttuja. Silloin erityisesti kaikilla reaaliluvuillab > a
F (b) − F (a) = P (a ≤ X ≤ b) = P (a < X ≤ b)
= P (a ≤ X < b) = P (a < X < b).
Jatkuvan satunnaismuuttujan momentit määritellään vastaavasti kuin
diskreetinsatunnaismuuttujantapauksessa,muttamääritelmässäsummakor-
vataan integraalilla.Jatkuvansatunnaismuuttujan
r
. momentti onα r = E(X r ) =
Z ∞
−∞
x r f(x) dx,
missä
f(x)
onX
:ntiheysfunktio. SatunnaismuuttujanX r
. keskusmomentti onµ r = E[(X − µ) r ],
missä
µ = E(X) = α 1
onX
:nodotusarvo.SatunnaismuuttujanX
odotusarvoonsiis integraali
µ = E(X) = Z ∞
−∞
xf (x) dx
ja
X
:nvarianssiσ 2
on 2.keskusmomenttiσ 2 = µ 2 = E[(X − µ) 2 ]
= Z ∞
−∞
(x − µ) 2 f(x) dx.
Merkitsemme myös
E
(X − µ) 2
= Var(X)
,jolloinX
:nhajonta onσ = p
Var(X).
Momenttifunktio on
(6.1.5)
M(t) = E(e tx ) = Z ∞
−∞
e tx f(x) dx,
josintegraali6.1.5onolemassajollakinavoimellavälillä
( − a, a)
,missäa > 0
.Tietystiesimerkiksi tulokset
σ 2 = E(X 2 ) − µ 2 , µ = M ′ (0),
α 2 = E(X 2 ) = M ′′ (0)
pitävät edelleen paikkansa samalla tavalla kuin diskreettien satunnaismuut-
tujien tapauksessa.
Esimerkki 6.3 LasketaannytEsimerkissä2.15määritellynsatunnaismuut-
tujan
X
odotusarvo ja varianssi:µ = E(X) = Z 1
0
x(2x) dx = 2 3
. 1
0
x 3 = 2 3
ja
σ 2 = E(X 2 ) − µ 2
= Z 1
0
x 2 (2x) dx − 2
3 2
= 1 2
. 1
0
x 4 − 4 9 = 1
18 .
Kolmas momentti on
α 3 = E(X 3 ) = Z 1
0
x 3 (2x) dx = 2 5
. 1
0
x 5 = 2
5
ja 3. keskusmomenttion
µ 3 = E
(X − µ) 3
= Z 1
0
(x − µ) 3 (2x) dx
= Z 1
0
(x 3 − 3µx 2 + 3µ 2 x − µ 3 )(2x) dx
= Z 1
0
x 3 (2x) dx − 3µ Z 1
0
x 2 (2x) dx + 3µ 2 Z 1
0
x(2x) dx − µ 3 Z 1
0
2x dx
= α 3 − 3µα 2 + 3µ 3 − µ 3 = α 3 − 3µα 2 + 2µ 3
= 2
5 − 3 · 2 3 · 1
2 + 2 · 2
3 3
= − 3 5 + 16
27 = 1 15 .
Myös prosenttipisteet ovat tärkeitä jakauman tunnuslukuja. Jakauman
100p
-prosenttipisteπ p
määritelläänseuraavasti:p =
π p
Z
−∞
f (x) dx = F (π p ), 0 ≤ p ≤ 1.
Prosenttipistettä
π 0.50
kutsutaanmediaaniksi japistettäπ 0.25
jaπ 0.75
alakvar-tiiliksi ja yläkvartiiliksi. Esimerkissä 2.15 käsitellyn jakauman 36 %:n piste
on
0.6
, koskaF (π 0.36 ) = π 2 0.36 = 0.6 2 = 0.36.
Esimerkki 6.4 Olkoon satunnaismuuttujan
X
kertymäfunktio määritelty seuraavastiF (x) =
0, x < 0;
x 2
2 , 0 ≤ x ≤ 1;
1 − (2−x) 2 2 , 1 ≤ x < 2;
1, 2 ≤ x.
Tarkistamme ensin, että
F
on todella kertymäfunktio. Toteamme helposti, että1)
lim
x→−∞ F (x) = 0
jalim
x→∞ F (x) = 1
,2)
F (x)
onx
:n kasvava (ei-vähenevä) funktioja3)
F (x)
on oikealta jatkuva, koska se onjatkuva.Tiheysfunktio saadaanderivoimalla
F (x)
. Nyt siisF ′ (x) = x
välillä0 < x ≤ 1
jaF ′ (x) = 2 − x
välillä1 ≤ x ≤ 2
. Näinsiis tiheysfunktioonf(x) =
x, 0 < x ≤ 1;
2 − x, 1 ≤ x ≤ 2;
0
muualla.Tiheysfunktio voidaan kirjoittaalyhyesti muodossa
f (x) = 1 − | x − 1 | , 0 ≤ x ≤ 2.
Koska
X
:n tiheysfunktion kuvaaja on kolmion muotoinen,X
:n jakaumaakutsutaan kolmiojakaumaksi.
0.5 1.0
0.5 1.0 1.5 2.0 x f (x)
0.90
0.5 1.0 1.5 2.0 0.5
0.9 1.0
x F (x)
F (1.55) = 0.9
Kuvio 6.1. Kolmiojakauman tiheysfunktion ja kertymäfunktion ku-
vaajat.
Kolmiojakauman odotusarvo on
µ = Z 2
0
xf (x) dx = Z 1
0
x · x dx + Z 2
1
x(2 − x) dx
= . 1
0
x 3 3 +
. 2
1
x 2 − x 3 3
= 1 3 +
4 − 8
3
−
1 − 1 3
= 1.
Koskajakaumaonsymmetrinenodotusarvon
1
suhteen,on1
myösjakaumanmediaani
π 0.50
. Se voidaan todeta helposti myös määritelmän perusteella, silläF (1) = 1 2 2 = 0.5
. Jakauman 90 %:n pisteπ 0.90
saadaan ratkaisemalla yhtälö1 − (2 − π 0.90 ) 2
2 = 0.90.
Ratkaisu on
π 0.90 = 2 − √
0.2 = 1.55
.Itse asiassa relaatio (6.1.4) ei välttämättä ole voimassa kaikilla
x
:n ar-voilla,sillä
F (x)
voi ollajatkuva, mutta eiderivoituva.Josf(x)
onjatkuva,niin silloin tietysti yhtälö (6.1.4) pitää paikkansa. Huomattakoon, että jat-
kuvan satunnaismuuttujan tiheysfunktio ei välttämättä ole jatkuva, mutta
kertymäfunktio on.
Esimerkki 6.5 Tarkastellaannyt satunnaismuuttujaa
X
,jonkatiheysfunk- tioonf(x) = ( 1
2 , 0 ≤ x < 1 2 ;
3
2 , 1 2 ≤ x ≤ 1.
Vastaavasti
X
:nkertymäfunktio onF (x) =
0, x < 0;
1
2 x, 0 ≤ x < 1 2 ;
1
4 + 3 2 x − 1 2
, 1 2 ≤ x ≤ 1;
1, 1 ≤ x.
Havaitsemmenyt, että
X
:ntiheysfunktio ei olejatkuva. NytmyöskäänF
eix f (x)
1
2 1
1 2
1
3 2
b b b
x F (x)
1
2 1
1 4 1 2
1
Kuvio6.2.Satunnaismuuttujan
X
tiheysfunktionjakertymäfunktion kuvaajat.ole derivoituva pisteessä
1
2
. Pisteessäx = 1 2
ei ole voimassa, ettäF ′ (x) = f (x)
.Tässäonesimerkkijatkuvastasatunnaismuuttujasta,jonkatiheysfunk- tio ei ole jatkuva ja jonka kertymäfunktio ei ole koko määrittelyalueellaS
derivoituva.
Jatkuvan satunnaismuuttujan tiheysfunktiolla voi olla äärellinen mää-
rä epäjatkuvuuspisteitä, mutta kertymäfunktio on jatkuva. Esimerkin 6.5
satunnaismuuttujan tiheysfunktiolla on määrittelyalueellaan yksi epäjatku-
vuuspistejakertymäfunktioonjatkuva.Relaatio(6.1.3)pitääpaikkansavain
tiheysfunktion jatkuvuuspisteissä, mutta ei epäjatkuvuuspisteissä.
Esimerkki 6.6 Määritelläänsatunnaismuuttuja
X
siten, että sen kertymä-funktioon
(6.1.6)
F (x) =
0, x < 0;
1
2 , x = 0;
1
2 + x 2 , 0 < x < 1;
1, 1 ≤ x.
x F (x)
1
2 1
1 2
1
b
x f (x)
1
2 1
1 2
1
b
Kuvio 6.3. Satunnaismuuttujan
X
kertymäfunktion ja 'tiheysfunk- tion' kuvaajat.Kertymäfunktio eiolenytjatkuva,koskafunktiohyppää pisteessä
x = 0
.Kertymäfunktio ei ole myöskään porrasfunktio. Nyt myös yksittäisellä pis-
teellä
X = 0
on positiivinen todennäköisyysP (X = 0) = 1 2
, jotenf (x)
eiole tiheysfunktio.Itse asiassa kertymäfunktio (6.1.6) voidaan kirjoittaapor-
rasfunktion(kertymäfunktio)ja jatkuvankertymäfunktionsummana.Alalu-
vussa 5.1 määriteltiinhyppyfunktio
ε(x)
siten,ettäε(x) = 1
epänegatiivisil- lax
:n arvoilla jaε(x) = 0
, kunx < 0
. Funktioε(x)
on porrasfunktio ja siis diskreetin satunnaismuuttujan kertymäfunktio. Puoliavoimella välillä(0, 1]
tasajakaumaanoudattavan satunnaismuuttujan kertymäfunktio on
F c (x) =
0, x ≤ 0;
x, 0 < x < 1;
1, 1 ≤ x.
Nyt kertymäfunktio (6.1.6) voidaan kirjoittaamuodossa
F (x) = 1
2 ε(x) + 1 2 F c (x).
Esimerkiksi todennäköisyys
P
X ≤ 1 2
= 1 2 ε
1 2
+ 1
2 F c
1 2
= 1
2 · 1 + 1 2 · 1
2 = 3 4 .
Satunnaismuuttuja
X
ei olediskreetti eikäjatkuva.Yleisestijatkuvasatunnaismuuttujavoidaanmääritelläidentiteetin(6.1.4)
avulla olettamatta tiheysfunktion
f (x)
jatkuvuutta. Jos on olemassa sellai- nen epänegatiivinen funktiof (x)
[ts.f (x) ≥ 0
kaikillax ∈ R
℄, että (6.1.4)pitää paikkansa kaikilla
x ∈ R
, niin kertymäfunktionF (x)
sanotaan olevanabsoluuttisesti jatkuva. Absoluuttisesti jatkuvafunktio onjatkuva. Kaikkien
tässä luvussa käsiteltäviät jatkuvien satunnaismuuttujien kertymäfunktiot
ovatabsoluuttisestijatkuvia.
6.2 Tasajakauma ja eksponenttijakauma
6.2.1 Tasajakauma
Jatkuva satunnaismuuttuja
X
noudattaa tasajakaumaa välillä[0, 1]
,jos sentiheysfunktio on
1
tällävälilläja0
muualla:(6.2.1)
f (x) =
( 1,
kunx ∈ [0, 1]
,0
muualla.Silloinmerkitään
X ∼ Tas(0, 1)
. Onhelppotodeta,ettäf(x)
ontiheysfunk- tio,koskaf(x) ≥ 0
jaZ 1
0
f (x) dx = Z 1
0
dx = 1.
1
1 x f (x)
b b 1
1 x F (x)
Kuvio 6.4.Tasajakauman
Tas(0, 1)
tiheysfunktioja kertymäfunktio.Tasajakauman keskiarvo ja varianssiovat:
E(X) = Z 1
0
x dx = 1 2
ja
Var(X) = E(X 2 ) − [E(X)] 2 = Z 1
0
x 2 dx − 1 4 = 1
12 .
Satunnaismuuttujan
X
momenttifunktio onM X (t) = Z 1
0
e tx dx = . 1
0
1
t e tx = e t − 1 t .
Huomaa, että
M X (0) = 1
.Olkoon
[a, b]
annettu suljettu väli,a < b
. Silloin satunnaismuuttujaU = (b − a)X + a
noudattaa tasajakaumaa välillä[a, b]
. Silloin merkitäänU ∼ Tas(a, b)
. KoskaE(U ) = (b − a) E(X) + a
jaVar(U ) = (b − a) 2 Var(X)
, niinE(U ) = a + b
2
jaVar(U) = (b − a) 2 12 .
Satunnaismuuttujan
U
tiheysfunktio on(6.2.2)
f (u) =
( 1
b − a ,
kunu ∈ [a, b]
;0
muuallaja
U
:nmomenttifunktioonM U (t) =
e tb − e ta
t(b − a) , t 6 = 0;
1, t = 0.
6.2.2 Eksponenttijakauma
Poissonin prosessissa tarkastellaan, montako tapahtumaa (lisäystä) sattuu
jollainaikavälillä.Merkitään
w
:npituisellavälilläsattuvien tapahtumienlu- kumäärääsatunnaismuuttujallaX w
. JosPoissonin prosessin intensiteetti onλ
, niin Määritelmän 5.2 mukaan todennäköisyys, ettäw
:n pituisella välilläsattuu
x
tapahtumaa,on(6.2.3)
P (X w = x) = e −λw (λw) x x! .
Poissoninprosessillavoidaanmallintaaesimerkiksiasiakkaidensaapumis-
ta palvelupisteeseen, puheluiden tuloa vaihteeseen, onnettomuuksien sattu-
mistatarkasteltavallatieosuudellataiautojenkulkualiikenteentarkkailupis-
teen ohi. Tällöin ajatellaan, että yksittäiset tapahtumat sattuvat toisistaan
riippumatta täysinsatunnaisesti.
Tarkkaillaannyt Poissoninprosessia, jonka intensiteetti on
λ
. OlkoonW
odotusaika siihen hetkeen, kunnes seuraava tapahtuma sattuu. Odotusaika
onjatkuvasatunnaismuuttuja.Jostarkkailemmeprosessiahetkestä
t
hetkeent +w
eliw
:npituisenaikavälin[t, t+w]
,niintapahtuma{ W > w }
sattuujosja vainjos Poissoninprosessissa ei satu yhtään tapahtumaavälillä
[t, t + w]
.Siksi identiteetin (6.2.3)mukaan
P (W > w) = P (X w = 0) = e −λw .
× × × × × × × ×
Aika
1 2 3 4
| {z }
W 1 =0.5 | {z }
W 4 =0.88 t t + w
w=1.25
z }| { X w = 3 X w ∼ Poi(λw)
Kuvio 6.5. Kaaviokuva esittää Poissonin saapumisprosessia, esimer-
kiksi autojen kulkemista liikenteen tarkkailupisteen ohi. Esimerkiksi
W 1
on1.auton odotusaika jaW 4
on3.ja 4.auton välinen aika.Kiin-nitetyllä
w
:n pituisella välillä on kulkenut ohiX w = 3
autoa. Peräk-käisetodotusajat
W 1
,W 2
,W 3
, ... ovat toisistaan riippumattomat ja noudattavat samaa jakaumaa.Odotusajan
W
kertymäfunktio onsiisF (w) = P (W ≤ w)
= 1 − P (W > w) = 1 − P (X w = 0)
= 1 − e − λw .
Koska odotusaika
W
on epänegatiivinen,niinF (w) = 0
, kunw < 0
.Odotusajan
W
tiheysfunktio onF ′ (w) = f (w) = λe −λw
derivointisäännön (6.1.3) nojalla. Usein merkitään
λ = 1 θ
, missäθ > 0
. Sa-nomme,että
W
noudattaaeksponenttijakaumaaparametrillaθ
jamerkitsem-me
W ∼ Exp(θ)
. Parametriθ
onjakaumankeskiarvo.Eksponenttijakauman tiheysfunktio onsilloinmuotoa(6.2.4)
f(w) = 1
θ e −w/θ .
Eksponenttijakauman
Exp(θ)
momenttifunktio onM (t) = Z ∞
0
e tw 1
θ e −w/θ dw = . ∞
0
− e − (1 − θt)w/θ 1 − θt
= 1
1 − θt , t < 1 θ .
Eksponenttijakaumallaonvastaavaunohtamisominaisuus kuingeomet-
risella jakaumalla. Jos
T ∼ Exp(θ)
, niin(6.2.5)
P (T > a + b | T > a) = P (T > b)
kaikillaepänegatiivisilla
a
jab
.Tulos voidaan todistaalaskemallaehdollinentodennäköisyys
P (T > a + b | T > a) = P (T > a, T > a + b)
P (T > a) = P (T > a + b) P (T > a)
= e −(a+b)/θ
e −a/θ = e − b/θ = P (T > b).
Huomattakoon, että edellä onkäytetty tulosta
P (T > t) = 1 − P (T ≤ t) = 1 − F (t) = e −t/θ , t ≥ 0.
Esimerkki 6.7 Oletetaan,ettäasiakkaidensaapuminenliikkeeseennoudat-
taa Poissonin prosessia intensiteetillä
20
asiakasta tunnissa. Mikä on toden-näköisyys, että myyjäjoutuu odottamaan seuraavaaasiakasta yli
5
minuut-tia?Olkoon
X
odotusaika,kunnes seuraavaasiakassaapuu.Silloinprosessis- sa(6.2.3)λ = 1/3
asiakastaminuutissajaX ∼ Exp(3)
,koskaeksponenttija- kauman keskiarvoθ = 1/λ
.JakaumanExp(3)
tiheysfunktio onf (x) = 1
3 e − x/3 , 0 ≤ x < ∞
ja
P (X > 5) = Z ∞
5
1
3 e − x/3 dx = . ∞
5
− e − x/3 = e − 5/3 ≈ 0.1889.
Jatkuvan jakauman mediaani
m
on sellainen piste, ettäF (m) = 1/2
. Nytjakauman
Exp(3)
mediaaninm
tulee toteuttaa ehtoF (m) = 1 − e −m/3 = 1 2
,joten
m = 3 log(2) ≈ 2.0794.
6.2.3 Elinaikajakauma
Ominaisuuden(6.2.5) perusteella eksponenttijakaumaon sopivaelinajan ja-
kauma silloin, kun jäljellä oleva elinaika ei riipu tämänhetkisestä iästä. Ol-
koon
T
esimerkiksi jonkin elektronisen komponentin ikä tunteina. SilloinP (T > b)
ontodennäköisyys,että uusi komponenttikestää ainakinb
tuntia,kun taas
P (T > a + b | T > a)
on todennäköisyys, ettäa
tuntia käytössäollut komponentti kestää vielä
b
tuntia. Jos elinaika noudattaa eksponent-tijakaumaa, niin ominaisuuden (6.2.5) nojalla todennäköisyydet
P (T > b)
ja
P (T > a + b | T > a)
ovat samat kaikillaa
jab
. Todennäköisyys, että komponenttirikkoontuub
:nseuraavantunninaikana,eiriipu lainkaan siitä,kuinka kauan komponenttion jo ollut käytössä.
Funktiota
G(t) = P (T > t)
kutsutaan eloonjäämisfunktioksi.Eksponent- tijakauma määritteleeeloonjäämisfunktionG(t) = e −t/θ
, jollaonunohtamis-ominaisuus
(6.2.6)
G(t + s) = G(t)G(s), t > 0, s > 0.
Määritelmänsä nojalla
G(0) = 1
jaG(t) → 0
, kunt
kasvaa. Onko ekspo-nenttifunktion lisäksi muita eloonjäämisfunktioita, joilla on unohtamisomi-
naisuus (6.2.6)? Voidaan osoittaa, että ehdon (6.2.6) toteuttavat eloonjää-
misfunktiot ovat aina muotoa
e − λt
,λ > 0
.Jos elinaika
T
noudattaa eksponenttijakaumaaExp(θ)
, niinvakioλ = 1 θ
on hetkellinen kuolleisuusaste tai vaaran aste. Parametri
λ
säätelee toden-näköisyyttä kuollahetken
T = t
jälkeisellä yksikön pituisellaaikavälillä.Olkoon
∆
tarkasteltavan aikavälinpituus. Määritelläään todennäköisyysP (T ≤ t + ∆ | T > t) = 1 − P (T > t + ∆ | T > t)
= 1 − P (T > ∆) = 1 − e −λ∆ ,
missäviimeistäedellinenyhtäsuuruussaadaanunohtamisominaisuuden(6.2.6)
nojalla. Kun funktiota
e − λ∆
arvioidaan Taylorinpolynominavulla, saadaan1 − e −λ∆ = 1 − (1 − λ∆ + 1
2 λ 2 ∆ 2 − · · · )
= λ∆ − 1
2 λ 2 ∆ 2 + · · ·
≈ λ∆,
kun∆
on pieni.Arviointivirhe pienenee merkityksettömäksi verrattuna
∆
:aan, kun∆ → 0
.Silloin siis
P (T ≤ t + ∆ | t > t) ≈ λ∆
.1
2 4 6
1 2
t G(t)
f (t)
Kuvio 6.6.Eksponenttijakauman
Exp(2)
tiheysfunktiof (t) = 1 2 e −t/2
javastaava eloonjäämisfunktio
G(t) = e −t/2
.Nyt nähdään, että
∆ lim → 0
P (T ≤ t + ∆ | T > t)
∆ = λ
on riippumaton ajasta
t
. Eksponentiaalisesti jakautuneen elinajan tapauk- sessa kuolleisuusasteλ
on iästä riippumaton vakio. Yleisesti kuolleisuusasteλ(t)
ontietysti iänfunktio.6.3 Normaalijakauma
6.3.1 Keskeinen rajaväittämä
Jos
X 1 , X 2 , . . . , X n
noudattavatsamaaBernoullinjakaumaaaBer(p)
jaX i ⊥ ⊥
X j , i 6 = j
,niinsanomme,ettäX 1 , X 2 , . . . , X n
onotosBernoullinjakaumastaBer(p)
.Tiedämme, että silloinX = X 1 + X 2 + · · · + X n ∼ Bin(n, p)
. Satun-naismuuttujan
X
jakaumariippuu siisotoskoostan
. OlkoonX 1 , X 2 , . . . , X n
otos jakumasta, jonka keskiarvo on
µ
ja varianssiσ 2 > 0
. Merkitään satun-naismuuttujien
X 1
,X 2
, ...,X n
summaaS n = X n
i=1
X i
ja keskiarvoaX n = S n
n .
Otoskeskiarvon odotusarvo ja varianssi on
E(X n ) = µ
jaVar(X n ) = σ 2 n .
Satunnaismuuttujan
X n
varianssipienenee,kunn
kasvaa.Jokaistan
:narvoakohtisaadaaerijakauma.Tarkastelemme satunnaismuuttujien
(X i ; i ≥ 1) = X 1 , X 2 , X 3 , . . .
jonoa ja näidensatunnaismuuttujienjakaumienjonoa.Jos
X 1 , X 2 , . . . , X n
on otos jostain jakaumastaJ(µ, σ 2 )
, jonka keskiarvoon
µ
ja varianssiσ 2
, niin otoskeskiarvonX n
jakauman keskiarvo onµ
javarianssi
σ 2
n
, joka riippuun
:stä. Otoskoonn
kasvaessa todennäköisyysmassa keskittyy yhä pienemmälle ja pienemmälle välilleµ
:n ympäristöön. Tämä tarkoittaa, ettäX n
sattuun
:n kasvaessa yhä suuremmalla ja suuremmalla todennäköisyydellä lähellekeskiarvoaµ
.OlkootW n = X n − µ
σ/ √ n , n = 1, 2, . . .
standardoitu muuttujia, joillepätee
E(W n ) = 0
jaVar(W n ) = 1
. Satunnais-muuttujilla
W 1 , W 2 , . . .
on siis sama varianssi1
kaikillan
:n arvoilla. Lähe-neekö
W n
:njakaumajotain jakaumaa, kunn
kasvaa?Momenttifunktioidenyhteydessäesitettiinmomenttifunktionja jajakau-
man (kertymäfunktion) yksikäsitteistä vastaavuutta koskeva Lause 4.10. Sa-
massayhteydessäesitettiinmyösmomenttifunktioidensuppenemistakoskeva
Lause 4.13, jota voidaan soveltaa raja-jakaumien määrittämiseen. Kirjoite-
taan
W n = X 1 + · · · + X n − nµ
√ nσ = (X 1 − µ) + · · · + (X n − µ)
√ nσ
= 1
√ nσ (Y 1 + · · · + Y n ),
missä
Y i = X i − µ, i = 1, . . . , n
jaY i ⊥ ⊥ Y j
, kuni 6 = j
. MääritelmänmukaanW n
:n momenttifunktio onM W n (t) = E (e tW n ) = E(e √ t nσ (Y 1 +···+Y n ) )
= M Y 1 +···+Y n ( t
√ nσ ).
Koska
Y i ⊥ ⊥ Y j
, kuni 6 = j
, niinM W n (t) = M Y 1 +···+Y n ( t
√ nσ )
(6.3.1)
= Y n
i=1
M Y i ( t
√ nσ ) = [M( t
√ nσ )] n ,
missä
M ( √ t nσ )
onsatunnaismuuttujienY i
yhteisenjakaumanmomenttifunk- tio. Voidaan osoittaa, ettäM W n (t) → e t 2 2
, missäe t 2 2
on standardimuotoi- sen normaalijakaumanmomenttifunktio. KirjoitammeW n
−→ d N(0, 1)
,mikätarkoittaa, että
W n
:n jakauma lähenee standardimuotoista normaalijakau- maaN(0, 1)
otoskoonn
kasvaessa. Lévyn jatkuvuuslauseen nojalla (Lause 4.13) satunnaismuuttujienW n
kertymäfunktioF W n
lähenee normaalijakau- manN(0, 1)
kertymäfunktiotaΦ
.Lause 6.1 (Keskeinen rajaväittämä) Olkoon
X 1 , X 2 , . . . , X n
otos jakau-masta, jonka keskiarvo on
µ
ja varianssiσ 2
. MerkitäänW n = X n − µ
σ/ √
n = S n − nµ
√ nσ .
Silloin
W n
:n jakauma lähenee normaalijakaumaaN(0, 1)
, kunn → ∞
.Keskeisen rajaväittämän mukaan samaa jakaumaa noudattavien riippu-
mattomien satunnaismuuttujien summa noudattaa likimain normaalijakau-
maa, kun
n
onsuuri. MerkitsemmeW n ≃ N(0, 1),
kun
n
onsuuri.Merkki≃
tarkoittaanoudattaalikimainjakaumaa.Käytän-nössä keskeisen rajaväittämänavulla voidaan arvioida
W n
:n jakaumaa, kunn
on riittävänsuuri. SilloinP (W n ≤ w) ≈ Z w
−∞
√ 1
2π e − w 2 /2 dx = Φ(w),
missä
Φ(w)
on normaalijakaumanN(0, 1)
kertymäfunktio. Voimme merkitä saman asian myösseuraavasti:P (W n ≤ w) = F W n (w) → Φ(w),
kun
n → ∞
.SatunnaismuuttujanW n
kertymäfunktioF W n (w)
suppeneekohtinormaalijakaumankertymäfunktiota
Φ(w)
kaikissa pisteissäw ∈ R
.6.3.2 Standardimuotoinen normaalijakauma
Tarkastelemme nyt todennäköisyysteorian ja tilastotieteen tärkeintä jakau-
maa,normaalijakaumaa.Olkoon
Z
jatkuvasatunnaismuuttuja,jonkatiheys- funktioon(6.3.2)
f(z) = 1
√ 2π e −z 2 /2 − ∞ < z < ∞ .
Silloin
Z
noudattaastandardimuotoistanormaalijakaumaa.Käytetäänmyös sanontaaZ
noudattaa standardoituanormaalijakaumaa.Tarkistammenyt, että (6.3.2)on todellakin tiheysfunktio. Koska
f(z) >
0
, pitäävainosoittaa,että√ 1 2π
Z ∞
−∞
e −z 2 /2 dz = 1.
Osoitamme siis,että
(6.3.3)
Z ∞
−∞
e −z 2 /2 dz = √ 2π.
Emmepystysuoraanintegroimaanfunktiota
e −z 2 /2
,koskasenintegraalifunk- tio ei olelausuttavissa suljetussa muodossa. Osoittautuu kuitenkin, että in-tegraalin(6.3.3) neliö onhelppolaskea.
Integraalin arvo ei muutu, jos integrointimuuttuja nimetään uudelleen,
joten
I = Z ∞
−∞
e − z 2 /2 dz = Z ∞
−∞
e − x 2 /2 dx = Z ∞
−∞
e − y 2 /2 dy.
Riittää osoittaa,että
I 2 = 2π
. NytI 2 =
Z ∞
−∞
e −x 2 /2 dx
! Z ∞
−∞
e −y 2 /2 dy
!
= Z ∞
−∞
Z ∞
−∞
e − (x 2 +y 2 )/2 dx dy = Z ∞
0
re − r 2 /2 dr
! Z 2π
0
dθ
!
= 2π Z ∞
0
e − u du = 2π.
Näin siis tulos (6.3.3) pitää paikkansa. Edellä kolmas yhtäsuuruus saadaan
siirtymällänapakoordinaatteihin:
x = r cos θ
jay = r sin θ.
Silloin
x 2 + y 2 = r 2
,dx dy = r dθ dr
ja integrointirajat ovat0 < r < ∞
,0 < θ < 2π
.Integraalilla(6.3.3)on myösläheinen yhteys gammafunktioon
(6.3.4)
Γ(α) =
Z ∞
0
x α−1 e −x dx.
Jos
α > 0
, niinΓ(α)
on äärellinen. Josα
on positiivinen kokonaisluku, niinΓ(α)
voidaan lausua suljetussa muodossa, muutoin ei. Koska integraa-lissa (6.3.3) integroitava on symmetrinen nollan suhteen, niin integraalit yli
välien
( −∞ , 0)
ja(0, ∞ )
ovatyhtäsuuret. Siksi(6.3.5)
Z ∞
0
e −z 2 /2 dz = r π
2 .
Tekemällä sijoitus
x = 1 2 z 2
integraaliin (6.3.5) saadaan integraali, joka onΓ 1 2
. Silloin
(6.3.6)
Γ
1 2
= Z ∞
0
x −1/2 e −x dx = √ π.
Lause 6.2 Oletetaan, että
Z
noudattaa standardimuotoista normaalijakau- maa. Silloin1.
Z
:n momenttifunktio onM (t) = e t 2 /2 , −∞ < t < ∞ .
2.
E(Z) = 0
jaVar(Z) = 1
.Todistus. 1. Määritelmän mukaan
M (t) = Z ∞
−∞
e tz 1
√ 2π e − z 2 /2 dz.
Tehdään sijoitus
x = z − t
.Silloindz = dx
jae tz e −z 2 /2 = e (t 2 −x 2 )/2
, jotenM (t) =
Z ∞
−∞
√ 1
2π e (t 2 −x 2 )/2 dx = e t 2 /2 Z ∞
−∞
√ 1
2π e −x 2 /2 dx = e t 2 /2 .
Viimeinenyhtäsuuruus seuraasiitä, että integraaliyli normaalijakaumanti-
heysfunktion
√ 1
2π e −x 2 /2
on1
.2.Koska
M(t) = e t 2 /2
,niinM ′ (t) = te t 2 /2
jaM ′′ (t) = e t 2 /2 +t 2 e t 2 /2
.SilloinM ′ (0) = 0
,M ′′ (0) = 1
jaVar(Z) = M ′′ (0) − [M ′ (0)] 2 = 1
.Merkitään
Z ∼ N(0, 1)
, missä siisE(Z ) = 0
jaVar(Z) = 1
. Seuraavassa pykälässämääritelläännormaalijakauma,jonkakeskiarvoonµ
javarianssiσ 2
.Esimerkki 6.8 Olkoon
X 1 , X 2 , . . . , X 15
otos jakaumasta, jonkatiheysfunk- tio onf(x) = 3 2
x 2
,− 1 < x < 1
. Jakauman odotusarvoµ = 0
ja varianssiσ 2 = 3/5
.EsimerkiksitodennäköisyysP (X ≤ 0.15)
voidaanlaskeajohtamal-laensin
X
:njakaumaja määrittämälläsiitäkysyttytodennäköisyys.Keskei- sen rajaväittämän avulla saadaan tämän todennäköisyyden likiarvo ilmantietoa
X
:ntarkasta jakaumasta:P (X ≤ 0.15) = P
X − 0 p 3/5 √
15 ≤ 0.15 − 0 p 3/5 √
15
= P (Z 15 ≤ 0.75)
≈ Φ(0.75) = 0.7734.
Arviontarkkuudestakeskeinenrajaväittämäeikuitenkaanannakäsitystä.
6.4 Muuttujien vaihto
Oletetaan, että
X
on jatkuva satunnaismuuttuja, jonka kertymäfunktio onF (x)
. Lukuisissasovelluksissa tarvitaansatunnaismuuttujanX
jonkinfunk-tion
Y = h(X)
jakaumaa, kunX
:n jakauma tunnetaan. Tehtävänämme on nyt siis määrittää satunnaismuuttujanY = h(X)
jakauma, missäh(x)
onx
:n reaaliarvoinen funktio.6.4.1 Muunnos kertymäfunktio avulla
Voimmepyrkiäjohtamaan
Y
:n kertymäfunktionG(y) = P (Y ≤ y)
suoraan
X
:n kertymäfunktionF (x)
avulla.Y
:n tiheysfunktiog (y)
voidaanmäärittääsitten identiteetin(6.1.3) avulla,kun
G(y)
on derivoituva.Esimerkki 6.9 Olkoon
X
jatkuva satunnaismuuttuja, jonka tiheysfunktio onf (x) = 3x 2
2 , − 1 ≤ x ≤ 1.
Tarkastellaan satunnaismuuttujan
Y = X 2
jakaumaa. SilloinY
:n arvoava-ruus on
S Y = [0, 1]
jaY
:nkertymäfunktio onG(y) = P (Y ≤ y) = P (X 2 ≤ y) = P ( − √ y ≥ X ≥ √ y)
=
√ y
Z
− √ y
3x 2 2 dx =
√ y
.
− √ y
x 3
2 = y 3/2 , 0 ≤ y ≤ 1.
Derivoimallasaadaan
Y
:ntiheysfunktioksig(y) = G ′ (y) = 3y 1/2
2 , 0 ≤ y ≤ 1.
Esimerkki 6.10 Olkoon
X
jatkuvasatunnaismuuttuja,jonkakertymäfunk- tioonF (x) = 1 − (1 + x)e −x , x > 0.
Johdetaan satunnaismuuttujan
Y = e −X
jakauma. MerkitäänY
:n kertymä-funktiota
G
:llä.SilloinG(y) = P (Y ≤ y) = P e −X ≤ y
= P [ − X ≤ log(y)]
= P [X ≥ − log(y)] = 1 − P [X < − log(y)]
= 1 − F [ − log(y)],
missä
F (x)
onX
:n kertymäfunktio. Sijoittamallax = − log(y) X
:n kerty-mäfunktioonsaadaan
G(y) = [1 − log(y)]e log(y) = [1 − log(y)]y.
Koska
S X = (0, ∞ )
,niinS Y = (0, 1)
.Y
onjatkuvasatunnaismuuttuja,koskaG(y)
onjatkuvajasilläonjatkuvaderivaattamuuallapaitsi pisteessäy = 0
.Y
:n tiheysfunktio ong(y) = G ′ (y) =
( − log(y),
kun0 < y < 1
;0
muualla.Huomaa, että
− log(y) > 0
, kun0 < y < 1
. Nyt siisg(y) ≥ 0
kaikillay ∈ S Y = (0, 1)
.6.4.2 Muunnos tiheysfunktion avulla
Seuraavaksiesitetään yleinenmenetelmä,jonkaavullavoidaanjohtaa satun-
naismuuttujan
X
funktionY = h(X)
tiheysfunktiosuoraanX
:ntiheysfunk- tionf X (x)
avulla. Menetelmän edellyttää kuitenkin, että funktiollah(x)
ontarkasteltavallavälilläkäänteisfunktio.Esimerkiksi funktion
y = e x
käänteis-funktio on
x = log(y)
. Myös funktioy = x 2
on kääntyvä, kunx > 0
, silläsilloin
x = √ y
. Funktioy = x 2
ei olekääntyvä kokoreaaliakselilla,koskasil- loinx = ± √ y
, joka eiolefunktio. Huomattakoon, että jatkuva funktioh(x)
onkääntyvä, jos ja vainjos se onjoko aidostikasvava taiaidosti vähenevä.
Lineaarinen munnos
Tarkastellaanensin yksinkertaista lineaaristamuunnosta
Y = aX + b
, missäa
jab
ovat annettuja vakioita. Nyt siish(X) = aX + b
. Funktiony = h(x)
derivaattaon
dy
dx = h ′ (x) = a.
Funktiolla
h(x)
on käänteisfunktiog(y) = y − b
a , a 6 = 0
ja
dy
dx = g ′ (y) = 1 a .
Esimerkki 6.11 Oletetaan, että
X ∼ Tas(0.5, 1.5)
jaY = 2X
. Mitäjakau-maa
Y
noudattaa?x y = 2x
A B
f Y (y) z }| {
1 2 3
y y + ∆y
| { z }
f X (x)
} ∆x
0.5 x x + ∆x 1.5
Kuvio 6.7. Tasajakaumaa
Tas(0.5, 1.5)
noudattavan satunnaismuut- tujanX
lineaarinen muunnos.Kuviossa 6.7 on alueen
A
pinta-alaP [X ∈ (x, x + ∆x)] = f X (x) · ∆x = ∆x
ja alueen
B
pinta-alaP [Y ∈ (y, y + ∆y)] = f Y (y) · ∆y.
Tapahtumat
X ∈ (x, x + ∆x)
jaY ∈ (y, y + ∆y)
sattuvattäsmälleensaman-aikaisesti, joten
(6.4.1)
P [X ∈ (x, x + ∆x)] = P [Y ∈ (y, y + ∆y)].
Koska
y = 2x
jay + ∆y = 2(x + ∆x)
,niin∆y = 2∆x
jaidentiteetistä(6.4.1) seuraa, ettäf Y (y) = 1 2
. Koska0.5 < x < 1.5
, niin1 < y < 3
. Näin siisY ∼ Tas(1, 3)
:f Y (y) = ( 1
2 , 1 < y < 3;
0,
muualla.Olkoon
X
satunnaismuuttuja, jonka arvoavaruus onS X
. Silloin satun-naismuuttujan
Y = h(X)
arvoavaruusS Y
määräytyy siten, ettäX ∈ S X ⇔ Y ∈ S Y .
Seuraavassa lauseessaesitettävässämenetelmässäoletetaan,että funktio
y = h(x)
on tarkasteltavallaarvoalueellakääntyvä. Silloin onolemassa sellainen funktiox = g(y)
, ettäy = h(x) ⇔ x = g(y).
Lause 6.3 Olkoon
X
jatkuvasatunnaismuuttuja,jonkatiheysfunktioonf X (x)
ja arvoavaruus
S X
. OlkoonY = h(X)
sellainen funktio, että sillä on kään-teisfunktio
x = g(y)
ja käänteisfunktion derivaattag ′ (y)
onolemassa kaikillay ∈ S Y
, missäS Y
onY
:n arvoavaruus. SilloinY
:n tiheysfunktio onf Y (y) = f X g(y)
| g ′ (y) | , y ∈ S Y .
Todistus. Oletuksenmukaan
g(y)
onderivoituva,jotenseonjatkuva.Koskah
jag
ovatkääntyviä,niinh
jag
ovatmolemmatjokokasvaviataiväheneviä.Oletetaan
h
jag
ovat väheneviä. SilloinF Y (y) = P (Y ≤ y) = P (h(X) ≤ y) = P (X ≥ g(y)) = 1 − F X g(y) .
Derivoidaan
1 − F X [g(y)]
ketjusäännön avulla,jolloin saadaanf Y (y) = F Y ′ (y) = − F X ′ g (y) g ′ (y)
= − f X g(y)
g ′ (y) = f X g(y)
| g ′ (y) | .
Viimeinen yhtäsuuruus seuraa siitä, että
g ′ (y)
on negatiivinen, koskag
onvähevä.
Jos
h
jag
ovatkasvavia,niintodistus onmelkein samanlainenja sejäte-tään harjoitustehtäväksi.
Esimerkki 6.12 Olkoon
X
jatkuvasatunnaismuuttuja,jonkatiheysfunktio onf X (x) = e −x
jaS X = { x | x > 0 }
. OlkoonY = X 1/2
, jotenX = Y 2 = g(Y )
jaS Y = S X
. Koskag ′ (y) = 2y
, niinf Y (y) = f X (y 2 ) | 2y | = 2ye − y 2 , y > 0.
Tarkastellaanvielä satunnaismuuttujaa
V = e − X
. SilloinX = − log(V )
.Merkitään nyt
− log(V ) = ˜ g(V )
. SilloinS V = [0, 1]
ja˜ g ′ (v) = − 1/v
. Siksif V (v) = f X [ − log(v )] | − 1
v | = v v = 1,
joten
V
noudattaa tasajakaumaa välillä[0, 1]
.Mikälimuunnosfunktiolla
h
eiolekäänteisfunktiotaX
:narvoavaruudessaS X
, niin Lauseen 6.3 muunnosmenetelmää ei voi suoraan soveltaa. Jos kui- tenkin on olemassasellainenS X
:nositus yhteispisteettömiin osaväleihinA 1
,A 2
, ...,A m
, että(6.4.2)
S X = A 1 ∪ A 2 ∪ · · · ∪ A m
ja
h
onkääntyvä jokaisella osavälillä,voidaanmuunnos tehdäjokaisella osa- välilläerikseen. Sitä varten määritellään funktioth(x) =
( h i (x),
kunx ∈ A i
;0
muualla.Silloin
h(x)
voidaan kirjoittaa muodossah(x) = P m
i=1 h i (x)
, missä jo-kainen
h i (x)
on kääntyvä välilläA i
. Olkoot funktioidenh i
käänteisfunktiot vastaavastig i
,i = 1, 2, . . . , m
. SatunnaismuuttujanY = h(X)
tiheysfunktio voidaannyt esittääLauseen 6.3 avulla muodossa(6.4.3)
f Y (y) = X m
i=1
f X g i (y)
| g i ′ (y) | . y ∈ S Y .
Huomattakoon, että joskus tarvitaan äärellisenosituksen (6.4.2) sijastaosi-
tus, jossa jakovälejä
A 1
,A 2
, ... onääretön määrä (m = ∞
).6.5 Yleinen normaalijakauma
Satunnaismuuttuja
X
noudattaa normaalijakaumaa keskiarvollaµ
ja va-rianssilla
σ 2 > 0
,jos se voidaan esittää muodossaX = µ + σZ,
missä
Z ∼ N(0, 1)
. Silloin merkitäänX ∼ N(µ, σ 2 )
. JosX ∼ N(µ, σ 2 )
, niinvastaavasti
Z = X − µ
σ ∼ N(0, 1).
Seuraavassa lauseessa esitetään jakaumaakoskevat perustulokset.
Lause 6.4 Jos
X ∼ N(µ, σ 2 )
, niin1.
E(X) = µ
,Var(X) = σ 2
ja2.
M X (t) = E e tX
= e µt+σ 2 t 2 /2 , −∞ < t < ∞ .
3.
X
:n tiheysfunktioonf (x) = 1
√ 2πσ e − (x − µ) 2 /2σ 2 , −∞ < x < ∞ .
Todistus. 1. Koska
X ∼ N(µ, σ 2 )
, niinX = µ + σZ
, missäZ ∼ N(0, 1)
.Silloin
E(X ) = E(µ + σZ) = µ + σ E(Z) = µ
ja
Var(X) = Var(µ + σZ) = σ 2 Var(Z ) = σ 2 .
2. Määritelmänmukaan (ks.myös Lause 4.12)
M X (t) = E e tX
= E
e t(µ+σZ)
= e tµ E e tσZ
= e tµ M Z (tσ) = e tµ e t 2 σ 2 /2 = e tµ+t 2 σ 2 /2 .
3. Tehdään muunnos
x = h(z) = µ + σz
. Silloinh
:llaon käänteisfunktiog
jaz = g(x) = x−µ σ
sekäg ′ (x) = σ 1
. Alaluvussa 6.4 esitettävänmuunnostek- niikanavulla saadaanX
:n tiheysfunktioksif X (x) = f Z
x − µ
| σ | 1
| σ |
= 1
√ 2π | σ | e −(x−µ) 2 /2σ 2 .
(6.5.1)
Tavallisesti tiheysfunktiokirjoitetaan muodossa
f X (x) = 1
√ 2πσ e −(x−µ) 2 /2σ 2 ,
missä
σ = + p
Var(X) = + √ σ 2
on
X
:n hajonta.Todistuksessa ei oletettu, ettäσ > 0
.Esimerkki 6.13 Jos
X
:ntiheysfunktio onf (x) = 1
√ 32π e −(x+7) 2 /32 , −∞ < x < ∞ ,
niin
X ∼ N( − 7, 16)
jaM X (t) = e −7t+8t 2 .
Esimerkki 6.14 Jos
X
:nmomenttifunktio onM X (t) = e 5t+12t 2 ,
niin
X ∼ N(5, 24)
jaX
:ntiheysfunktio onf (x) = 1
√ 48π e −(x−5) 2 /48 , −∞ < x < ∞ .
Jos
X ∼ N(µ, σ 2 )
, niinX
:n tiheysfunktio saavuttaa maksimin pisteessäx = µ
jakäänteispisteetovatx = µ ± σ
.Todennäköisyysmassaonjakautunut siten, ettäP ( | X − µ | ≤ σ) = P ( | Z | ≤ 1) = 0.6826, P ( | X − µ | ≤ 2σ) = P ( | Z | ≤ 2) = 0.9544, P ( | X − µ | ≤ 3σ) = P ( | Z | ≤ 3) = 0.9974,
missä
Z ∼ N(0, 1)
.EsimerkiksiP ( | X − µ | ≤ σ) = P ( | Z | ≤ 1) = P ( − 1 ≤ Z ≤ 1)
= Φ(1) − Φ( − 1) = 0.8413447 − 0.1586553 = 0.6826895,
missä
Φ(z) = Z z
−∞
√ 1
2π e − v 2 /2 dv
onstandardimuotoisennormaalijakaumankertymäfunktio.Senarvotontau-
lukoitu ja se saadaan laskettua useilla ohjelmistoilla. Edellä esitettyjen to-
dennäköisyyksien kahden numeron likiarvoina käytetään tavallisesti lukuja
0.68
,0.95
ja0.99
,jotkaeivätolepyöristettyjä vaan katkaistuja arvoja.Myös yllä esitetyt neljän numeron likiarvotovat katkaistuja arvoja.Lause 6.5
1. Olkoon
X ∼ N(µ, σ 2 )
jaU = aX + b
, missäa 6 = 0
jab
ovat annettujavakioita. Silloin
U ∼ N(aµ + b, a 2 σ 2 ).
2. Olkoot
X 1
,X 2
, ...,X n
riippumattomat,X i ∼ N(µ i , σ 2 i )
,i = 1, 2, . . . , n
ja
a 1
,a 2
, ...,a n
,b
ovatannetut vakiot,joista ainakinyksia i
poikkeaanollasta. Silloin
Y = P n
i=1 a i X i + b
noudattaa normaalijakaumaaY ∼ N n
X
i=1
a i µ i + b, X n
i=1
a 2 i σ i 2
.
6.6. Gammajakaumaja
χ 2
-jakauma 169Esimerkki 6.15 Riippumattomat satunnaismuuttujat
X 1
,X 2
,X 3
noudat-tavat normaalijakaumaa siten, että
X i ∼ N(2 i , i i )
,i = 1, 2, 3
. SilloinY = X 1 + X 2 + X 3 ∼ N(14, 32)
, silläE(Y ) = 2 + 2 2 + 2 3 = 14
jaVar(Y ) = 1 + 2 2 + 3 3 = 32
ja Lauseen 6.5 mukaan
Y
noudattaa normaalijakaumaa.SatunnaismuuttujaY = X 1 + 2X 2 + 3X 3 ∼ N(34, 260)
, koskaE(Y ) = 2 + 2 · 2 2 + 3 · 2 3 = 34
ja
Var(Y ) = 1 + 2 2 · 2 2 + 3 2 · 3 3 = 260.
6.6 Gammajakauma ja
χ 2-jakauma
Gammajakaumajakauma on välillä
[0, ∞ )
määritelty jakauma tai jakauma-perhe,koskaparametrienvaihdellessasaadaanhyvinkinerinäköisiäjakaumia,
vaikkane ovat matemaattisestisamaamuotoa.Gammafunktio
Γ(α) = Z ∞
0
x α − 1 e − x dx
onäärellinen, kun
α > 0
.Gammafunktiototeuttaa rekursiivisen relaation
Γ(α + 1) = αΓ(α),
joka voidaan osoittaa osittaisintegroinnilla.Jos
α = n
on positiivinen koko- naisluku, niinΓ(n + 1) = nΓ(n) = n(n − 1) · · · 2 · 1 · Γ(1) = n!Γ(1).
Koska
Γ(1) = 1
,niinΓ(n + 1) = n!
kaikilla positiivisillakokonaisluvuilla.Myös
Γ( 1 2 ) = √
π
on tärkeä erikoista-paus.
6.6.1 Gammajakauma
Funktio
(6.6.1)
f (t) = t α−1 e −t
Γ(α) , 0 < t < ∞
määrittelee tiheysfunktion, sillä gammafunktiossa integroitava on positiivi-
nen välillä
(0, ∞ )
. Sanokaamme, että (6.6.1) on satunnaismuuttujanT
ti-heysfunktio. Kaikkien gammajakaumien perhe saadaan määrittelemällä sa-
tunnaismuuttuja
X = βT
, missäβ
on positiivinen vakio.X
:n tiheysfunktio voidaan johtaa soveltamalla Lauseen 6.3 muunnostekniikkaa. MerkitsemmeX ∼ Gamma(α, β)
ja sanomme, ettäX
noudattaa gammajakaumaa para- metreinα
jaβ
. JakaumanGamma(α, β )
tiheysfunktioksi saadaan(6.6.2)
f (x) = 1
Γ(α)β α x α − 1 e − x/β , 0 < x < ∞ , α > 0, β > 0.
Esitämme nyt gammajakauman perusominaisuudet seuraavassa lausees-
sa.
Lause 6.6 Oletetaan, että
X ∼ Gamma(α, β)
.1. Funktio (6.6.2) määrittelee tiheysfunktion kaikilla
α > 0
,β > 0
.2.
E(X) = αβ, Var(X) = αβ 2
ja
M(t) = E(e tX ) = 1
1 − βt α
, t < 1 β .
3.
E(X c ) = Γ(α + c)β c Γ(α)
kaikilla
c > − α
.4. Olkoon
U = bX
,b > 0
. SilloinU ∼ Gamma(α, bβ)
.Eksponettijakauma on gammajakauman erikoistapaus. Kun sijoitetaan
tiheysfunktioon(6.6.2)
α = 1
, saadaanf(x; β) = 1
β e −x/β , x > 0.
Havaitaansiis, että
Gamma(1, β) = Exp(β)
.6.6.2
χ 2
-jakaumaToinen tärkeä gammajakauman erikoistapaus on
χ 2
-jakauma. Jos valitaanα = r 2
, missär
on positiivinen kokonaisluku, jaβ = 2
, tulee tiheysfunk- tio(6.6.2) muotoon(6.6.3)