Mat-2.091 Sovellettu todennäköisyyslasku Systeemianalyysin laboratorio
Teknillinen korkeakoulu SYKSY 2002
Ilkka Mellin
Sovellettu todennäköisyyslasku:
Kaavat ja taulukot
2 2
2 2
1 1
( , ) exp 2
2(1 )
2 1
X X Y
XY XY
X X Y
X Y XY XY
x x y
f x y m r m m
s s s
ps s r r
ì éæ - ö æ - ö æ - ö ùü
ï ê úï
= - íïî- - êëçè ÷ø - çè ÷ çø è+ ÷ø úûýïþ
Toimittanut Mikko Nordlund
Käytetyt merkinnät ...6
Numeroidut kaavat ja määritelmät ...7
Equation Chapter (Next) Section 1Osa 1: Todennäköisyyslaskenta .11 1. Todennäköisyyslaskennan peruskäsitteet ...12
1.1. Deterministisyys ja satunnaisuus ... 12
1.2. Todennäköisyyden määritteleminen ... 12
1.2.1. Todennäköisyyden määritteleminen: Johdanto ... 12
1.2.2. Empiirinen todennäköisyys... 12
1.2.3. Klassinen todennäköisyys... 13
1.3. Todennäköisyyden perusominaisuudet ... 13
1.3.1. Tilastolliset mallit ... 13
1.3.2. Otosavaruudet ... 13
1.3.3. Todennäköisyyden peruslait ... 14
1.3.4. Äärelliset otosavaruudet ja symmetriset alkeistapahtumat... 15
1.4. Todennäköisyyslaskennan peruslaskusäännöt ... 16
1.4.1. Todennäköisyyslaskennan peruslaskusäännöt: Johdanto ... 16
1.4.2. Komplementtitapahtuman todennäköisyys... 16
1.4.3. Toisensa poissulkevat tapahtumat ja yhteenlaskusääntö ... 16
1.4.4. Riippumattomuus ja tulosääntö ... 17
1.4.5. Yleinen yhteenlaskusääntö ja erotustapahtuman todennäköisyys ... 18
1.4.6. Ehdollinen todennäköisyys ... 19
1.4.7. Riippumattomuus ja ehdollinen todennäköisyys ... 20
1.4.8. Yleinen tulosääntö ... 20
1.5. Klassinen todennäköisyys ja kombinatoriikka ... 20
1.5.1. Klassinen todennäköisyys... 20
1.5.2. Kombinatoriikan perusperiaatteet ja perusongelmat ... 21
1.5.3. Permutaatiot ... 21
1.5.4. Kombinaatiot ja binomikertoimet... 22
1.5.5. Multinomikerroin... 23
2. Todennäköisyyden aksioomat ...23
2.1. Todennäköisyyden määritteleminen ... 23
2.2. Todennäköisyyden aksioomat äärellisessä otosavaruudessa ... 24
2.3. Todennäköisyyden aksioomat äärettömässä otosavaruudessa... 24
3. Kokonaistodennäköisyys ja Bayesin kaava ... 25
3.1. Kokonaistodennäköisyys ja Bayesin kaava: Johdanto ...25
3.2. Kokonaistodennäköisyyden kaava ...26
3.3. Bayesin kaava ...26
4. Verkot todennäköisyyslaskennassa ... 26
5. Väärinkäsityksiä todennäköisyyden luonteesta ... 27
6. Satunnaismuuttujat ja todennäköisyysjakaumat ... 27
6.1. Satunnaismuuttujat ...27
6.1.1. Diskreetit satunnaismuuttujat...27
6.1.2. Jatkuvat satunnaismuuttujat ...28
6.2. Kertymäfunktio ...28
6.2.1. Kertymäfunktion määritelmä ...28
6.2.2. Diskreetin jakauman kertymäfunktio ...29
6.2.3. Jatkuvan jakauman kertymäfunktio ...30
7. Jakaumien tunnusluvut ... 30
7.1. Odotusarvo ...30
7.1.1. Diskreetin jakauman odotusarvo...30
7.1.2. Jatkuvan jakauman odotusarvo ...31
7.1.3. Odotusarvon ominaisuuksia ...31
7.2. Varianssi ...32
7.3. Suurten lukujen laki ...34
8. Diskreettejä todennäköisyysjakaumia ... 35
8.1. Diskreetti tasainen jakauma...35
8.2. Bernoulli-jakauma X ~ Bernoulli(p)...35
8.3. Binomijakauma X ~ Bin(n, p)...36
8.4. Geometrinen jakauma X ~ Geom(p)...37
8.5. Negatiivinen binomijakauma X ~ NegBin(r, p) ...38
8.6. Hypergeometrinen jakauma X ~ HyperGeom(N, r, n) ...38
8.7. Poisson-jakauma X ~ Poisson(l)...39
9. Jatkuvia todennäköisyysjakaumia...40
9.1. Jatkuva tasainen jakauma X ~ Uniform(a, b) tai X ~ Tas(a, b) ... 40
9.2. Eksponenttijakauma X ~ Exp(l) ... 41
9.3. Normaalijakauma X ~ N(m, s2)... 41
9.4. Normaalijakaumasta johdettuja jakaumia ... 47
9.4.1. c2-jakauma X ~ c2(n) ... 47
9.4.2. Studentin t-jakauma T ~ t(n)... 48
9.4.3. F-jakauma F ~ F(m, n) ... 49
10. Yhteisjakaumat ...50
10.1. Kaksiulotteiset jakaumat ... 50
10.2. Kaksiulotteisen jakauman odotusarvo ja varianssi... 53
10.3. Kaksiulotteisen jakauman kovarianssi ja korrelaatio... 55
10.4. Ehdolliset jakaumat ja odotusarvot ... 58
10.5. Moniulotteisia jakaumia ... 59
10.5.1. Multinomijakauma... 59
10.5.2. Kaksiulotteinen normaalijakauma ... 60
Equation Section (Next)Osa 2: Tilastotiede... 65
1. Tilastollisen tutkimusaineiston kerääminen... 66
1.1. Tilastollinen aineisto ...66
2. Havaintoaineiston kuvailu... 67
2.1. Tilastollinen aineisto ...67
2.2. Havaintoaineiston kuvailu: frekvenssijakauma ja luokiteltu frekvenssijakauma ...67
2.3 Havaintoaineiston kuvailu: yhden muuttujan tunnusluvut ...67
2.3.1 Aritmeettinen keskiarvo, otosvarianssi ja otoskeskihajonta ...67
2.3.2 Järjestystunnusluvut ...68
2.4. Useampiulotteisen havaintoaineiston kuvailu: pistediagrammi ...69
2.5. Useampiulotteisen havaintoaineiston kuvailu: kahden muuttujan tunnusluvut ...69
3. Otos ja otosjakaumat ... 71
3.1. Suhteellisen frekvenssin otosjakauma...71
3.2. Aritmeettisen keskiarvon otosjakauma...72
4. Estimointi ... 73
4.1. Piste-estimointi ...73
4.2. Eräiden tavallisten jakaumien parametrien SU-estimointi...74
4.2.1. Bernoulli-jakauman parametrin SU-estimointi ...74
4.2.2. Eksponenttijakauman parametrin SU-estimointi ...75
4.2.3. Normaalijakauman parametrien SU-estimointi...75
4.3. Väliestimointi...76
4.4. Eräiden tavallisten jakaumien parametrien luottamusvälejä...76
4.4.1. Bernoulli-jakauman parametrin p luottamusväli...76
4.4.2. Luottamusväli normaalijakauman odotusarvoparametrille...78
5. Testaus... 80
5.1. Hypoteesien testaus: hypoteesit ...80
5.2. Hypoteesien testaus: testisuure ...81
5.3. Hypoteesien testaus: P-arvo ...82
5.4. Hypoteesien testaus: merkitsevyystaso ja hylkäysalue...82
5.5. Hypoteesien testaus: virheet testauksessa...83
5.6. Hypoteesien testaus: testin suoritus...84
6. Testit odotusarvoille ja variansseille...84
6.1 Testit perusjoukon odotusarvolle... 84
6.1.1. Testi perusjoukon odotusarvolle, kun otos on normaalijakaumasta ... 84
6.1.2. Testi perusjoukon odotusarvolle, kun otos ei ole normaalijakaumasta ... 85
6.2. Kahden perusjoukon odotusarvojen vertailutesti ... 86
6.2.1. Kahden perusjoukon odotusarvojen vertailutesti, kun otokset ovat riippumattomia ja normaalijakautuneita ... 86
6.2.2. Kahden perusjoukon odotusarvojen vertailutesti, kun otokset ovat riippumattomia, normaalijakautuneita ja varianssit ovat yhtä suuria ... 87
6.2.3. Kahden perusjoukon odotusarvojen vertailutesti, kun otokset eivät ole riippumattomia eli ns. parivertailutesti ... 89
6.3. Testit perusjoukon varianssille... 90
6.3.1 Perusjoukon varianssia koskeva testi... 90
6.3.2. Kahden perusjoukon varianssien vertailutesti ... 91
7. Suhteellisia osuuksia koskevat testit ...92
7.1. Testi todennäköisyydelle ... 92
7.2. Todennäköisyyksien vertailutesti ... 93
7.3. Yhteensopivuustesti ... 95
7.4. Homogeenisuustesti ... 97
7.5. Riippumattomuustesti ... 101
8. Regressioanalyysi...105
8.1. Regressioanalyysin idea... 105
8.2. Lineaarinen regressiomalli ... 106
8.3. Lineaarisen regressiomallin estimointi ... 108
8.4. Lineaarinen regressiomalli, luottamusvälit ja testit ... 112
8.5. Yhden selittäjän lineaarinen regressiomalli ... 114
8.6. Ennustaminen lineaarisella regressiomallilla... 119
8.7. Korrelaatiokerrointa koskevat testit... 120
Liitteet ...123
Käytetyt merkinnät
Alkioiden lukumäärä (tässä joukon A alkioiden lukumäärä): n(A) Aritmeettinen keskiarvo (tässä arvojen xi): x
Erotus (joukko-opissa): \
Estimaattori: ^ (esim. varianssin estimaattori sˆ2)
Joukot: A, B, ... (isoja aakkosjärjestyksen alkupään latinalaisia kirjaimia) Kertymäfunktio: F(x)
Keskihajonta: D(×), s Keskihajonta otoksessa: s
Komplementtitapahtuma (tässä tapahtuman A komplementtitapahtuma): Ac Korrelaatiokerroin (tässä satunnaismuuttujien X ja Y välillä): Cor(X, Y)=rXY
Korrelaatiokerroin otoksessa (tässä muuttujien x ja y arvojen välillä): rxy
Kovarianssi (tässä satunnaismuuttujien X ja Y välillä): Cov(X, Y)=sXY
Kovarianssi otoksessa (tässä muuttujien x ja y arvojen välillä): sxy
Merkitsevyystaso: a
Momentti origon suhteen (tässä k. momentti origon suhteen): ak
Normaalijakauma odotusarvolla m ja varianssilla s2: N(m, s2) Noudattaa jakaumaa: ~
Noudattaa jakaumaa approksimatiivisesti: ~a Odotusarvo: E(×), m
Otosavaruus: S
Pistetodennäköisyysfunktio: f(x) Regressiokertoimet: b0, b1, ...
Regressiokertoimien PNS-estimaattorit: b0, b1, ...
Residuaali havainnolle j: ej
Riippumattomuus (tässä tapahtumien A ja B riippumattomuus): A^B
Satunnaismuuttujat: x t, , , , , W X Y K (pieniä kreikkalaisia kirjaimia ja isoja aakkosjärjestyksen loppupään latinalaisia kirjaimia)
Selitysaste regressiomallille: R2 Sovite havainnolle j: ˆYj
Standardipoikkeama: D(×), s Standardipoikkeama otoksessa: s
Standardoidun normaalijakauman kertymäfunktio: F(z)
Tapahtumat: A, B, ... (isoja aakkosjärjestyksen alkupään latinalaisia kirjaimia) Tiheysfunktio: f(x)
Todennäköisyys (tässä tapahtumalle A): Pr(A) Tyhjä joukko: Æ
Vakiot: a, b, ... (pieniä aakkosjärjestyksen alkupään latinalaisia kirjaimia) Varianssi: D2(×), Var(×), s2
Varianssi otoksessa: s2
Äärettömän monen tapahtuman Ai leikkaus:
1 i i
A
¥
I
=Äärettömän monen tapahtuman Ai yhdiste:
1 i i
A
¥
U
=Numeroidut kaavat ja määritelmät
(1.1) Komplementtitapahtuman Ac todennäköisyys
(1.2) Yhteenlaskusääntö toisensa poissulkeville tapahtumille
(1.3) Yleistetty yhteenlaskusääntö pareittain toisensa poissulkeville tapahtumille (1.4) Tulosääntö riippumattomille tapahtumille
(1.5) Yleistetty tulosääntö riippumattomille tapahtumille (1.6) Yleinen yhteenlaskusääntö
(1.7) Erotustapahtuman A\B todennäköisyys
(1.8) Erotustapahtuman todennäköisyys, kun B:n tapahtumisesta seuraa A:n tapahtuminen
(1.9) Yhdisteen AÈB todennäköisyys (1.10) Ehdollinen todennäköisyys A|B
(1.11) Riippumattomuuden yhtäpitävät ehdot (1.12) Yleinen tulosääntö
(1.13) Yleistetty yleinen tulosääntö (1.14) Permutaatioiden lukumäärä (1.15) k-permutaatioiden lukumäärä (1.16) Kombinaatioiden lukumäärä (1.17) Multinomikertoimen lauseke (1.18) Kokonaistodennäköisyyden kaava (1.19) Bayesin kaava
(1.20) Diskreetin jakauman kertymäfunktio
(1.21) Diskreetin jakauman kertymäfunktion ja pistetodennäköisyysfunktion yhteys
(1.22) Diskreetin jakauman todennäköisyydet (1.23) Jatkuvan jakaumankertymäfunktio
(1.24) Jatkuvan jakauman kertymäfunktion ja tiheysfunktion yhteys (1.25) Jatkuvan jakauman todennäköisyydet
(1.26) Diskreetin jakauman odotusarvo (1.27) Jatkuvan jakauman odotusarvo (1.28) Vakion odotusarvo
(1.29) Lineaarimuunnoksen odotusarvo
(1.30) Satunnaismuuttujien summan odotusarvo (1.31) Satunnaismuuttujien erotuksen odotusarvo
(1.32) Satunnaismuuttujien painotetun summan odotusarvo (1.33) Diskreetin satunnaismuuttujan funktion odotusarvo (1.34) Jatkuvan satunnaismuuttujan funktion odotusarvo (1.35) Momentit
(1.36) Varianssin määritelmä
(1.37) Diskreetin jakauman varianssi (1.38) Jatkuvan jakauman varianssi (1.39) Standardipoikkeaman määritelmä (1.40) Vakion varianssi
(1.41) Lineaarimuunnoksen varianssi (1.42) Standardointi
(1.43) Summan varianssi riippumattomille satunnaismuuttujille (1.44) Erotuksen varianssi riippumattomille satunnaismuuttujille
(1.45) Painotetun summan varianssi riippumattomille satunnaismuuttujille
(1.46) Aritmeettinen keskiarvo riippumattomille satunnaismuuttujille (1.47) Aritmeettisen keskiarvon odotusarvo ja varianssi riippumattomille
satunnaismuuttujille
(1.48) Bernoulli-jakauman pistetodennäköisyysfunktio (1.49) Binomijakauman pistetodennäköisyysfunktio (1.50) Geometrisen jakauman pistetodennäköisyysfunktio (1.51) Geometrisen jakauman kertymäfunktio
(1.52) Negatiivisen binomijakauman pistetodennäköisyysfunktio (1.53) Hypergeometrisen jakauman pistetodennäköisyysfunktio (1.54) Poisson-jakauman pistetodennäköisyysfunktio
(1.55) Jatkuvan tasaisen jakauman tiheysfunktio (1.56) Eksponenttijakauman tiheysfunktio (1.57) Normaalijakauman tiheysfunktio
(1.58) Todennäköisyyksien määräämisen normaalijakaumasta
(1.59) Riippumattomien normaalijakautuneiden satunnaismuuttujien summan jakauma
(1.60) Samaa normaalijakaumaa noudattavien riippumattomien satunnaismuuttujien summan jakauma
(1.61) Normaalijakautuneiden riippumattomien satunnaismuuttujien aritmeettisen keskiarvon jakauma
(1.62) Keskeinen raja-arvolause
(1.63) De Moivren ja Laplacen raja-arvolause (1.64) Poisson-jakauma ja normaalijakauma
(1.65) Kaksiulotteisen diskreetin jakauman pistetodennäköisyysfunktion määritelmä
(1.66) Kaksiulotteisen jatkuvan jakauman tiheysfunktion määritelmä (1.67) Kaksiulotteisen jakauman kertymäfunktion määritelmä
(1.68) Kaksiulotteisen diskreetin jakauman kertymäfunktio (1.69) Kaksiulotteisen jatkuvan jakauman kertymäfunktio
(1.70) Kaksiulotteisen jatkuvan jakauman tiheysfunktion ja kertymäfunktion yhteys
(1.71) Kaksiulotteisen diskreetin jakauman reunajakaumat (1.72) Kaksiulotteisen diskreetin jakauman reunajakaumat (1.73) Kaksiulotteisen jatkuvan jakauman reunajakaumat (1.74) Kaksiulotteisen jatkuvan jakauman reunajakaumat (1.75) Satunnaismuuttujien riippumattomuus
(1.76) Satunnaismuuttujien riippumattomuus
(1.77) Kaksiulotteisen diskreetin jakauma odotusarvo (1.78) Kaksiulotteisen diskreetin jakauma odotusarvo (1.79) Kaksiulotteisen jatkuvan jakauman odotusarvo (1.80) Kaksiulotteisen jatkuvan jakauman odotusarvo (1.81) Kovarianssin määritelmä
(1.82) Kovarianssi diskreeteille satunnaismuuttujille (1.83) Kovarianssi jatkuville satunnaismuuttujille (1.84) Summan varianssi
(1.85) Korrelaatiokertoimen määritelmä
(1.86) Multinomijakauman pistetodennäköisyysfunktio (1.87) Kaksiulotteisen normaalijakauman tiheysfunktio
varianssi
(1.89) Kaksiulotteisen normaalijakauman ehdollisen jakauman odotusarvo ja varianssi
(1.90) Kaksiulotteisen normaalijakauman ehdollinen odotusarvo (1.91) Kaksiulotteisen normaalijakauman ehdollinen odotusarvo (1.92) Regressiosuorat kaksiulotteisessa normaalijakaumassa (1.93) Ehdollinen varianssi kaksiulotteisessa normaalijakaumassa (1.94) Ehdollinen varianssi kaksiulotteisessa normaalijakaumassa (2.1) Aritmeettinen keskiarvo
(2.2) Varianssi otoksessa (2.3) Keskihajonta otoksessa (2.4) Varianssin estimaattori (2.5) Kovarianssi otoksessa (2.6) Korrelaatiokerroin otoksessa
(2.7) Suhteellisen frekvenssin otosjakauma (2.8) Aritmeettisen keskiarvon otosjakauma
(2.9) Bernoulli-jakauman parametrin SU-estimaattori (2.10) Eksponenttijakauman parametrin SU-estimaattori
(2.11) Normaalijakauman odotusarvoparametrin SU-estimaattori (2.12) Normaalijakauman varianssiparametrin SU-estimaattori (2.13) Symmetrisen luottamusvälin määritelmä
(2.14) Bernoulli-jakauman parametrin p luottamusväli
(2.15) Tarvittava otoskoko Bernoulli-jakauman parametrin p luottamusvälin määräämiseksi, kun luottamusvälin pituus on määrätty
(2.16) Tarvittava otoskoko Bernoulli-jakauman parametrin p luottamusvälin määräämiseksi, kun luottamusvälin pituus on määrätty ja p on tuntematon (2.17) Luottamusväli normaalijakauman odotusarvoparametrille, kun varianssi ei
ole tunnettu
(2.18) Tarvittava otoskoko normaalijakauman odotusarvoparametrin
luottamusvälin määräämiseksi, kun luottamusvälin pituus on määrätty (2.19) Testi perusjoukon odotusarvolle, kun otos on normaalijakaumasta (2.20) Testi perusjoukon odotusarvolle, kun otos ei ole normaalijakaumasta (2.21) Kahden perusjoukon odotusarvojen vertailutesti, kun otokset ovat
riippumattomia ja normaalijakautuneita (2.22) Yhdistetty varianssi
(2.23) Kahden perusjoukon odotusarvojen vertailutesti, kun otokset ovat riippumattomia, normaalijakautuneita ja varianssit ovat yhtä suuria (2.24) Kahden perusjoukon odotusarvojen vertailutesti, kun otokset eivät ole
riippumattomia eli ns. parivertailutesti (2.25) Perusjoukon varianssia koskeva testi
(2.26) Kahden perusjoukon varianssien vertailutesti (2.27) Testi todennäköisyydelle
(2.28) Yhdistetyn otoksen parametrin p harhaton estimaattori (2.29) Todennäköisyyksien vertailutesti
(2.30) Yhteensopivuustesti (2.31) Homogeenisuustesti (2.32) Riippumattomuustesti
(2.33) Selitettävän muuttujan odotusarvo kiinteillä selittäjillä
(2.34) Selitettävän muuttujan ehdollinen odotusarvo satunnaisilla selittäjillä
(2.35) Residuaalien neliösumma
(2.36) Sovite lineaarisessa regressiomallissa (2.37) Residuaali
(2.38) Jäännösvarianssin estimaattori (2.39) Kokonaisneliösumma SST (2.40) Jäännösneliösumma SSE
(2.41) Jäännösneliösumma ja kokonaisneliösumma (2.42) Mallineliösumma SSM
(2.43) Kokonaisneliösumma, mallineliösumma ja jäännösneliösumma (2.45) Lineaarisen regressiomallin selitysaste
(2.46) Testi regression olemassaololle (2.47) Testi regression olemassaololle (2.48) Testi regressiokertoimelle
(2.49) Yhden selittäjän lineaarinen regressiomalli
(2.50) Yhden selittäjän lineaarisen regressiomallin otosvarianssit (2.51) Yhden selittäjän lineaarisen regressiomallin otoskovarianssi (2.52) Yhden selittäjän lineaarisen regressiomallin otoskorrelaatiokerroin
(2.53) Yhden selittäjän lineaarisen regressiomallin kertoimien PNS-estimaattorit (2.54) Sovite yhden selittäjän lineaarisessa regressiomallissa
(2.55) Residuaali yhden selittäjän lineaarisessa regressiomallissa (2.56) Jäännösvarianssin harhaton estimaattori
(2.57) t-testi yhden selittäjän lineaarisen regressiomallin kulmakertoimelle (2.58) t-testi yhden selittäjän lineaarisen regressiomallin vakiolle
(2.59) Yhden selittäjän lineaarisen regressiomallin selitysaste (2.60) Testi korrelaatiokertoimelle
(2.61) t-testi korreloimattomuuden testaamiseksi
Equation Chapter (Next) Section 1Osa 1:
Todennäköisyyslaskenta
Ensimmäinen painos, syksy 2002
Kommentit tervetulleita
1. Todennäköisyyslaskennan peruskäsitteet
1.1. Deterministisyys ja satunnaisuus
Deterministinen ilmiö
Reaalimaailman ilmiö on deterministinen, jos ilmiön alkutilan perusteella voidaan tarkasti ennustaa ilmiön lopputila eli tulos.
Deterministisen ilmiön alkuehdot määräävät tarkasti ilmiön lopputilan eli tuloksen.
Deterministisiä ilmiöitä kutsutaan usein eksakteiksi tai kausaalisiksi.
Satunnaisilmiö
Reaalimaailman ilmiö on stokastinen ilmiö eli satunnaisilmiö, jos sillä on seuraavat ominaisuudet:
(i) Ilmiö voi päätyä alkutilastaan useisiin erilaisiin lopputiloihin eli ilmiöllä on useita erilaisia vaihtoehtoisia tuloksia.
(ii) Ilmiön alkutilan perusteella ei voida tarkasti ennustaa ilmiön lopputilaa eli sitä, mikä mahdollisista tulosvaihtoehdoista realisoituu eli toteutuu.
(iii) Vaikka ilmiön lopputilaa ei voida ennustaa tarkasti, tulosvaihtoehtojen suhteellisten frekvenssien eli osuuksien nähdään ilmiön toistuessa käyttäytyvän säännönmukaisesti.
Tilastollinen stabiliteetti
Satunnaisilmiön toistuessa ilmenevää säännönmukaisuutta kutsutaan tilastotieteessä tilastolliseksi stabiliteetiksi.
1.2. Todennäköisyyden määritteleminen
1.2.1. Todennäköisyyden määritteleminen: Johdanto
Ks. luentokalvot http://www.hut.fi/Yksikot/SAL/Opinnot/Mat-2.091/ . 1.2.2. Empiirinen todennäköisyys
Määritelmä
Tarkastellaan satunnaiskoetta, jota voidaan toistaa siten, että seuraavat ehdot pätevät:
(i) Satunnaiskokeen olosuhteet säilyvät muuttumattomina koetoistosta toiseen.
(ii) Koetoistot ovat riippumattomia.
Tarkkaillaan kokeen jonkin tulosvaihtoehdon esiintymistä koetoistojen aikana.
Jos tulosvaihtoehdon suhteellinen frekvenssi lähestyy jotakin kiinteätä lukua koetoistojen lukumäärän rajatta kasvaessa, tuo luku on tulosvaihtoehdon empiirinen todennäköisyys.
Empiirinen todennäköisyys ja todennäköisyyden frekvenssitulkinta
Toistetaan satunnaiskoetta ja tarkkaillaan kokeen jonkin tulosvaihtoehdon suhteellista frekvenssiä koetoistojen aikana.
Todennäköisyyden frekvenssitulkinnan mukaan tulosvaihtoehdon suhteellinen frekvenssi vaihtelee satunnaisesti koetoistosta toiseen, mutta saa keskimäärin tulosvaihtoehdon todennäköisyyttä lähellä olevia arvoja.
1.2.3. Klassinen todennäköisyys
Määritelmä
Tarkastellaan satunnaisilmiötä, johon liittyy n yhtä todennäköistä tulosvaihtoehtoa.
Tarkastellaan satunnaisilmiön puitteissa tapahtumaa, johon liittyy k yhtä todennäköistä tulosvaihtoehtoa, joita sanotaan ko. tapahtumalle suotuisiksi.
Ko. tapahtuman klassinen todennäköisyys p on tapahtumalle suotuisien tulosvaihtoehtojen suhteellinen frekvenssi eli tapahtumalle suotuisien tulosvaihtoehtojen osuus satunnaisilmiön kaikista tulosvaihtoehdoista:
p k
= n
1.3. Todennäköisyyden perusominaisuudet
1.3.1. Tilastolliset mallit
Satunnaisilmiöiden tilastolliset mallit
Tilastotieteen tehtävänä on kehittää satunnaisilmiöille tilastollisia malleja, joiden avulla pyritään tekemään satunnaisilmiöitä koskevia johtopäätöksiä.
Satunnaisilmiöiden tilastolliset mallit perustuvat todennäköisyyslaskentaan ja siksi niitä kutsutaan usein myös todennäköisyysmalleiksi tai stokastisiksi malleiksi.
Todennäköisyysmalli tilastollisena mallina
Satunnaisilmiön tilastollisessa mallissa eli todennäköisyysmallissa tai stokastisessa mallissa on kaksi osaa:
(i) Satunnaisilmiön kaikkien mahdollisten tulosvaihtoehtojen kuvaus.
(ii) Tulosvaihtoehtojen todennäköisyyksien kuvaus.
1.3.2. Otosavaruudet
Joukko ja sen alkiot
Joukko on joidenkin olioiden kokoelma. Joukko on hyvin määritelty, jos sen alkiot tunnetaan. Merkitään sitä, että x on joukon A alkio eli kuuluu joukkoon A:
xÎA
Merkitään sitä, että x ei ole joukon A alkio eli ei kuulu joukkoon A:
xÏA
Osajoukko
Jos jokaiselle joukon B alkiolle s pätee, että sÎ Þ ÎB s A
niin sanomme, että joukko B on joukon A osajoukko tai, että joukko B sisältyy joukkoon A ja merkitään:
tai BÌA AÉB
Tyhjä joukko
Joukko on tyhjä, jos siihen ei kuulu yhtään alkiota.
Merkitään tyhjää joukkoa symbolilla Æ
Jos joukko Æ on tyhjä, ei ole olemassa oliota s, jolle sÎÆ
Tyhjä joukko Æ on jokaisen joukon osajoukko eli mielivaltaiselle joukolle A pätee:
ÆÌ A
Otosavaruus ja alkeistapahtumat
Satunnaisilmiöön liittyvä otosavaruus S on ilmiön kaikkien mahdollisten tulosvaihtoehtojen joukko. Otosavaruuden S alkioita s kutsutaan
alkeistapahtumiksi.
Merkinnät:
- Otosavaruutta (engl. sample space) merkitään tavallisesti isolla kirjaimella S.
- Otosavaruuden S alkiota merkitään vastaavalla pienellä kirjaimella s.
- Jos siis alkeistapahtuma s kuuluu otosavaruuteen S, merkitään:
sÎS
Tapahtumat
Tapahtumat ovat otosavaruuden S alkeistapahtumien muodostamia joukkoja. Siten tapahtumat ovat otosavaruuden S osajoukkoja.
Olkoon A jokin tapahtuma ja s Î A on tapahtumaan A kuuluva alkeistapahtuma.
Tällöin siis AÌS eli
sÎ Þ ÎA s S
1.3.3. Todennäköisyyden peruslait
Varma tapahtuma
Tapahtuma on varma, jos se esiintyy aina, kun satunnaisilmiö toistuu. Otosavaruus S on varma tapahtuma.
Mahdoton tapahtuma
Tapahtuma on mahdoton, jos se ei voi esiintyä koskaan, kun satunnaisilmiö toistuu. Tyhjä joukko Æ on mahdoton tapahtuma.
Todennäköisyyden perusominaisuudet
Olkoon S otosavaruus, jossa satunnaisilmiötä tarkastellaan. Jokaisen tapahtuman AÌS todennäköisyys Pr(A) on reaaliluku välillä [0, 1]:
0£Pr( )A £1
Varman tapahtuman S todennäköisyys on 1:
Pr( )S =1
Mahdottoman tapahtuman Æ todennäköisyys on 0:
Pr( )Æ =0
1.3.4. Äärelliset otosavaruudet ja symmetriset alkeistapahtumat
Äärelliset otosavaruudet
Olkoon otosavaruus S äärellinen joukko ja olkoon ( )
n=n S
otosavaruuden S alkeistapahtumien eli alkioiden lukumäärä. Merkitään alkeistapahtumia
, 1, 2, , si i= K n Tällöin
{
1, 2, , n}
S = s s K s
Äärellisen otosavaruuden alkeistapahtumien todennäköisyydet
Äärellisen otosavaruuden S = {s1, s2, … , sn}
alkeistapahtumien siÎ S todennäköisyydet Pr(si) = pi , i = 1, 2, … , n
toteuttavat ehdon
1
1
n i i
p
=
å
=Äärellisen otosavaruuden tapahtumat ja niiden todennäköisyydet
Olkoon A äärellisen otosavaruuden S tapahtuma eli A Ì S. Tällöin tapahtuman A todennäköisyys Pr(A) on
Pr( )
i
i i s A
A p
Î
=
å
Summassa lasketaan yhteen kaikki todennäköisyydet pi = Pr(si),
joille siÎ A.
Symmetriset alkeistapahtumat ja niiden todennäköisyydet
Oletetaan, että äärellisen otosavaruuden S = {s1, s2, … , sn} alkeistapahtumien si todennäköisyyksille pätee, että
Pr( )si 1, i 1, 2, ,n
=n = K
Tällöin sanotaan, että alkeistapahtumat ovat symmetrisiä.
1.4. Todennäköisyyslaskennan peruslaskusäännöt
1.4.1. Todennäköisyyslaskennan peruslaskusäännöt: Johdanto
Uusien tapahtumien johtaminen ja joukko-opin operaatiot
Olkoot A ja B otosavaruuden S tapahtumia. Jokaista operaatiota, jolla tapahtumista A ja B johdetaan uusia tapahtumia, vastaa jokin joukko-opin operaatio.
Uuden tapahtuman Vastaava joukko-opin
muodostamisoperaatio operaatio
”A ei satu” Komplementtijoukko:
Ac = {s Î S | s Ï A}
”A tai B sattuu tai Yhdiste:
molemmat sattuvat” AÈB = {s Î S | s Î A tai s Î B}
”A ja B sattuvat” Leikkaus:
AÇB = {s Î S | s Î A ja s Î B}
”A sattuu, Erotus:
mutta B ei satu” A\B = { s Î S | s Î A ja s Ï B} = AÇBc 1.4.2. Komplementtitapahtuman todennäköisyys
Komplementtitapahtuman Ac todennäköisyys
Olkoon tapahtuman A todennäköisyys Pr(A).
Tällöin on tapahtuman A komplementtitapahtuman Ac todennäköisyys:
(1.1) Pr(Ac)= -1 Pr( )A
1.4.3. Toisensa poissulkevat tapahtumat ja yhteenlaskusääntö
Toisensa poissulkevat tapahtumat
Tapahtumat A ja B ovat toisensa poissulkevia, jos A ja B eivät voi tapahtua samanaikaisesti. Tapahtumat A ja B ovat toisensa poissulkevia, jos ne ovat otosavaruuden S osajoukkoina pistevieraita eli
AÇB = Æ
Olkoot tapahtumat A ja B toisensa poissulkevia. Olkoon tapahtuman A todennäköisyys Pr(A). Olkoon tapahtuman B todennäköisyys Pr(B).
Tällöin on yhdisteen
AÈB = ”A tai B tapahtuu”
todennäköisyys:
(1.2) Pr(AÈB)=Pr( )A +Pr( )B
Yleistetty yhteenlaskusääntö pareittain toisensa poissulkeville tapahtumille
Olkoot A1, A2, … , Ak pareittain toisensa poissulkevia. Tällöin AiÇAj = Æ, kun i ¹ j.
Olkoon tapahtuman Ai todennäköisyys Pr(Ai), i = 1, 2, … , k.
Tällöin on yhdisteen ”A1 tai A2 tai … tai Ak tapahtuu” todennäköisyys:
(1.3) Pr(A1ÈA2È ÈL Ak)=Pr(A1) Pr(+ A2)+L+Pr(Ak) 1.4.4. Riippumattomuus ja tulosääntö
Riippumattomuus
Tapahtuma A on riippumaton tapahtumasta B, jos B:n tapahtuminen (tai tapahtumatta jääminen) ei vaikuta A:n tapahtumisen todennäköisyyteen.
Riippumattomuus on symmetrinen ominaisuus: Jos A on riippumaton B:stä, niin B on riippumaton A:sta.
Merkitään tapahtumien A ja B riippumattomuutta:
A^B
Tulosääntö riippumattomille tapahtumille
Olkoot A Ì S ja B Ì S otosavaruuden S tapahtumia.
AÇB = {s Î S | s Î A ja s Î B}.
Olkoon tapahtuman A todennäköisyys Pr(A). Olkoon tapahtuman B todennäköisyys Pr(B).
Tapahtumat A ja B ovat riippumattomia, jos ja vain jos leikkauksen AÇB = ”A ja B tapahtuvat”
todennäköisyydelle pätee:
(1.4) Pr(AÇB)=Pr( ) Pr( )A B
Yleistetty tulosääntö riippumattomille tapahtumille
Olkoon tapahtuman Ai todennäköisyys Pr(Ai) , i=1, 2,K,k
Tapahtumat A1, A2, … , Ak ovat riippumattomia, jos ja vain jos kaikille leikkauksille
1 2 m
i i i
A ÇA Ç ÇL A jossa
{
i i1, ,2 K,im} {
Ì 1, 2,K,k}
pätee:
(1.5)
1 2 1 2
Pr( ) Pr( ) Pr( ) Pr( )
m m
i i i i i i
A ÇA Ç ÇL A = A ´ A ´ ´L A Merkitään tapahtumien A1, A2, … , Ak riippumattomuutta:
1, 2, , k
A A K A ^
1.4.5. Yleinen yhteenlaskusääntö ja erotustapahtuman todennäköisyys
Yleinen yhteenlaskusääntö
Olkoot A Ì S ja B Ì S otosavaruuden S tapahtumia.
AÈB = {s Î S | s Î A tai s Î B} AÇB = {s Î S | s Î A ja s Î B} Olkoot tapahtumien
A, B, AÇB todennäköisyydet
Pr(A), Pr(B), Pr(AÇB).
Tällöin on yhdisteen
AÈB = ”A tai B tapahtuu”
todennäköisyys:
(1.6) Pr(AÈB)=Pr( ) Pr( ) Pr(A + B - AÇB)
Erotustapahtuman A\B todennäköisyys
Olkoot A Ì S ja B Ì S otosavaruuden S tapahtumia. Olkoon tapahtuman A todennäköisyys Pr(A). Olkoon tapahtuman AÇB todennäköisyys Pr(AÇB).
Tällöin on erotustapahtuman
A\B = ”A tapahtuu, mutta B ei tapahdu” = AÇBc todennäköisyys:
(1.7) Pr( \ )A B =Pr(AÇBc)=Pr( ) Pr(A - AÇB)
B:n tapahtumisesta seuraa A:n tapahtuminen
Olkoot A Ì S ja B Ì S otosavaruuden S tapahtumia. Oletetaan, että jos B tapahtuu, niin A tapahtuu. Tällöin B Ì A. Olkoot tapahtumien A ja B todennäköisyydet Pr(A) ja Pr(B).
Tällöin:
Pr(A) ³ Pr(B)
Erotustapahtuman todennäköisyys, kun B:n tapahtumisesta seuraa A:n tapahtuminen
Olkoot A Ì S ja B Ì S otosavaruuden S tapahtumia. Olkoon B Ì A. Olkoot tapahtumien A ja B todennäköisyydet Pr(A) ja Pr(B).
Tällöin on erotuksen
A\B = ”A tapahtuu, mutta B ei tapahdu”
todennäköisyys:
(1.8) Pr( \ )A B =Pr( ) Pr( )A - B
Yhdisteen AÈB todennäköisyys
Olkoot A Ì S ja B Ì S otosavaruuden S tapahtumia. Yhdisteen AÈB = ”A tai B tapahtuu”
todennäköisyys voidaan aina esittää muodoissa
(1.9)
Pr( )
Pr( ) Pr( \ ) Pr( ) Pr( \ )
Pr( \ ) Pr( \ ) Pr( ) A B
A B A
B A B
A B B A A B
È
= +
= +
= + + Ç
1.4.6. Ehdollinen todennäköisyys
Ehdollinen todennäköisyys A|B
Olkoon tapahtuman
”A ja B tapahtuvat”
todennäköisyys Pr(AÇB). Olkoon tapahtuman B todennäköisyys Pr(B) ¹ 0. Tällöin on tapahtuman A ehdollinen todennäköisyys ehdolla, että tapahtuma B on sattunut:
(1.10) Pr( ) Pr( )
Pr( ) A B
A B B
= Ç
1.4.7. Riippumattomuus ja ehdollinen todennäköisyys
Riippumattomuuden yhtäpitävät ehdot
Tapahtumat A ja B ovat riippumattomia, jos ja vain jos mikä tahansa seuraavista yhtäpitävistä ehdoista pätee:
(1.11)
(i) Pr( ) Pr( ) Pr( ) (ii) Pr( ) Pr( )
(iii) Pr( ) Pr( )
A B A B
A B A
B A B
Ç =
=
=
1.4.8. Yleinen tulosääntö
Yleinen tulosääntö
Olkoon tapahtuman A ehdollinen todennäköisyys ehdolla, että tapahtuma B on sattunut Pr(A|B). Olkoon tapahtuman B todennäköisyys Pr(B) ¹ 0. Tällöin on leikkauksen
AÇB = ”A ja B tapahtuvat”
todennäköisyys:
(1.12) Pr(AÇB)=Pr( ) Pr(B A B)=Pr( ) Pr(A B A)
Yleistetty yleinen tulosääntö
Tarkastellaan tapahtumia A1, A2, … , Ak . Tällöin on leikkauksen ”A1 ja A2 ja … ja Ak tapahtuvat” todennäköisyys:
(1.13)
1 2
1 2 1 3 1 2
1 2 1
Pr( )
Pr( ) Pr( ) Pr( )
Pr( )
k
k k
A A A
A A A A A A
A A A A-
Ç Ç Ç
= ´ ´ Ç ´
´ Ç Ç Ç
L
L L
1.5. Klassinen todennäköisyys ja kombinatoriikka
1.5.1. Klassinen todennäköisyys
Määritelmä
Olkoon S = {s1, s2, … , sn} äärellinen otosavaruus. Oletetaan, että alkeistapahtumat si ovat symmetrisiä.
Tällöin
Pr( )si 1 , kaikille = 1, 2,i ,n
=n K
Tarkastellaan tapahtumaa A Ì S, johon kuuluu k alkeistapahtumaa, joita kutsutaan tapahtumalle A suotuisiksi.
Tällöin tapahtuman A klassinen todennäköisyys on
=k
1.5.2. Kombinatoriikan perusperiaatteet ja perusongelmat Olkoon
S = {s1, s2, … , sn}
äärellinen joukko, jonka alkioiden lukumäärä on n = nS = n(S),
jossa nS = n(S) on lukumääräfunktio, joka kertoo joukon S alkioiden lukumäärän.
Joukko
Joukko on täysin määrätty, jos sen alkiot tunnetaan. Olkoot äärellisen joukon A alkiot a1 , a2 , … , an . Tällöin merkitään
A = {a1 , a2 , … , an}.
Joukkojen samuus
Joukot A ja B ovat samat, jos niissä on täsmälleen samat alkiot:
A = B, jos ja vain jos
x Î A Û x Î B.
Jono
Jono on täysin määrätty, jos sen alkiot ja niiden järjestys tunnetaan. Olkoon a jono, jonka i. alkio on ai , i = 1, 2, … , n. Tällöin merkitään
a = (a1 , a2 , … , an).
Jonojen samuus
Jonot a = (a1 , a2 , … , an) ja b = (b1 , b2 , … , bn) ovat samat, jos niissä on samat alkiot samassa järjestyksessä:
a = b, jos ja vain jos
ai = bi , i = 1, 2, … , n.
1.5.3. Permutaatiot
Permutaation määritelmä
Mikä tahansa joukon S kaikkien alkioiden muodostama jono on joukon S alkioiden permutaatio.
Permutaatioiden lukumäärä
Olkoon joukon S alkioiden lukumäärä n = n(S). Tällöin joukon S kaikkien alkioiden permutaatioiden lukumäärä on
(1.14) n!= ´ - ´ ´ ´n (n 1) ... 2 1
jossa n! on ns. n-kertoma. Määritellään 0! = 1
k-permutaatiot eli variaatiot
Olkoon joukon S alkioiden lukumäärä n = n(S). Mikä tahansa joukon S alkioiden osajono, jossa on k alkiota, on joukon S alkioiden k-permutaatio eli variaatio.
Merkintä:
P(n, k) = n:n alkion joukon k-permutaatioiden lukumäärä Jos k = n, saadaan joukon S kaikkien alkioiden permutaatio.
k-permutaatioiden lukumäärä
Olkoon joukon S alkioiden lukumäärä n = n(S). Tällöin joukon S alkioiden k-permutaatioiden eli variaatioiden lukumäärä on
(1.15) P( , ) !
( )!
n k n
= n k -
1.5.4. Kombinaatiot ja binomikertoimet
Kombinaatiot
Olkoon joukon S alkioiden lukumäärä n = n(S). Mikä tahansa joukon S osajoukko, jossa on k alkiota, muodostaa joukon S alkioiden k alkiota sisältävän kombinaation.
Merkintä:
C(n, k) = n:n alkion joukon k alkiota sisältävien kombinaatioiden lukumäärä
Kombinaatioiden lukumäärä
Olkoon joukon S alkioiden lukumäärä n = n(S). Tällöin joukon S alkioiden k alkiota sisältävien kombinaatioiden lukumäärä on
(1.16) C( , ) !
!( )!
n n
n k k n k k
= - = ç ÷æ öè ø
jossa luku n k æ öç ÷ è ø
on ns. binomikerroin ja se luetaan “n yli k:n”.
Koska 0! = 1, niin
! !
0 0! ! 1 !0!
n n n n
n
n n
æ ö= = = =æ ö
ç ÷ ç ÷
è ø è ø
Binomikaava
Binomikaavan mukaan n:s potenssi binomille x + y voidaan esittää muodossa
0
1 2 2 1
( )
n
n n k k
k
n n n n n
x y n x y
k
n n n n n
x x y x y xy y
-
=
- - -
+ = æ öç ÷ è ø
æ ö æ ö æ ö æ ö æ ö
=ç ÷ +ç ÷ +ç ÷ + +ç ÷ +ç ÷
å
L
Osajoukkojen lukumäärä
Olkoon joukon S alkioiden lukumäärä n = n(S). Joukon S osajoukkojen lukumäärä on
2n .
Lukumäärässä on mukana:
- Tyhjä joukko Æ
- Kaikki yhden alkion osajoukot - Kaikki kahden alkion osajoukot
M
- Kaikki (n - 1):n alkion osajoukot - Joukko S
1.5.5. Multinomikerroin
Multinomikertoimen määritelmä
Olkoon joukon S alkioiden lukumäärä n = n(S). Oletetaan, että positiiviset kokonaisluvut
ni , i = 1, 2, … , k toteuttavat ehdon
n = n1 + n2 + ××× + nk
Ositetaan joukko S pistevieraisiin osajoukkoihin Ai , i = 1, 2, … , k
siten, että joukossa Ai on n(Ai) = ni alkiota.
Joukko S, jossa on n = n(S) alkiota, voidaan osittaa (1.17)
1 2 1 2
!
! ! !
k k
n n
n n n n n n
æ ö
ç ÷=
è L ø L
tavalla pistevieraisiin osajoukkoihin Ai , i = 1, 2, … , k , joiden alkioiden lukumäärät toteuttavat ehdot:
(i) n(Ai) = ni , i = 1, 2, … , k, (ii) n = n1 + n2 + ××× + nk .
Lukumäärän antavaa lauseketta kutsutaan multinomikertoimeksi.
2. Todennäköisyyden aksioomat
2.1. Todennäköisyyden määritteleminen
Ks. luentokalvot http://www.hut.fi/Yksikot/SAL/Opinnot/Mat-2.091/ .
2.2. Todennäköisyyden aksioomat äärellisessä otosavaruudessa
Boolen algebra
Olkoot S joukko ja F jokin joukon S osajoukkojen muodostama joukkoperhe.
Siis, jos joukko A on joukkoperheen F alkio, niin A on joukon S osajoukko:
A Î F Þ A Ì S
Joukkoperhe F on Boolen algebra, jos (i)
(ii)
(iii) ,
A Ac
A B A B
ÆÎ
Î Þ Î
Î Î Þ È Î F
F F
F F F
Boolen algebrat ja joukko-opin operaatiot
Olkoot F joukossa S määritelty Boolen algebra ja ja
AÎF BÎF
Boolen algebran aksioomien mukaan ,A Bc, c,A B
Æ È ÎF
Lisäksi voidaan osoittaa, että
, , \
S AÇB A BÎF
Todennäköisyyden aksioomat
Olkoon S äärellinen otosavaruus ja F sen kaikkien osajoukkojen perheen muodostama Boolen algebra. Olkoon Pr joukkofunktio, joka liittää jokaiseen Boolen algebraan F kuuluvaan otosavaruuden S osajoukkoon A reaaliluvun Pr(A).
Jos siis AÎF, niin Pr( )A Ρ.
Joukkofunktio Pr on todennäköisyys, jos (i) Pr( ) 1
(ii) 0 Pr( ) 1 kaikille
(iii) , , Pr( ) Pr( ) Pr( )
S
A A
A B A B A B A B
=
£ £ Î
Î Î Ç = Æ Þ È = +
F
F F
2.3. Todennäköisyyden aksioomat äärettömässä otosavaruudessa
s -algebra
Olkoot S joukko ja F jokin joukon S osajoukkojen muodostama joukkoperhe.
Siis, jos joukko A on joukkoperheen F alkio, niin A on joukon S osajoukko:
Joukkoperhe F on s -algebra, jos
1 2
1
(i) (ii)
(iii) , ,
c
i i
A A
A A A
¥
=
ÆÎ
Î Þ Î
Î Þ Î
K
U
F
F F
F F
s -algebrat ja joukko-opin operaatiot
Olkoot F joukossa S määritelty s -algebra ja , 1, 2,
AiÎF i= K s-algebran aksioomien mukaan
1
, 1, 2, ja
c
i i
i
A i A
¥
=
ÎF = K
U
ÎF Lisäksi voidaan osoittaa, että1 i i
A
¥
=
I
ÎFKolmogorovin aksioomat todennäköisyydelle
Olkoon S otosavaruus ja F jokin joukon S osajoukkojen perhe, joka muodostaa s -algebran ja olkoon Pr joukkofunktio, joka liittää jokaiseen s -algebraan F kuuluvaan otosavaruuden S osajoukkoon A reaaliluvun Pr(A).
Jos siis AÎF, niin Pr( )A Ρ.
Joukkofunktio Pr on todennäköisyys, jos
1 2
1 1
(i) Pr( ) 1
(ii) 0 Pr( ) 1 kaikille
(iii) , , ja ,
Pr( ) Pr( )
i j
i i
i i
S
A A
A A A A i j
A A
¥ ¥
=
=
=
£ £ Î
Î Ç = Æ ¹ Þ
=
å
K
U
F F
3. Kokonaistodennäköisyys ja Bayesin kaava
3.1. Kokonaistodennäköisyys ja Bayesin kaava:
Johdanto
Ks. luentokalvot http://www.hut.fi/Yksikot/SAL/Opinnot/Mat-2.091/ .
3.2. Kokonaistodennäköisyyden kaava
Otosavaruuden ositus
Otosavaruuden S epätyhjät osajoukot B1, B2, … , Bn muodostavat otosavaruuden S osituksen toisensa poissulkeviin tapahtumiin, jos
(i) Bi¹Æ, i = 1, 2, … , n (ii) BiÇBj = Æ, i ¹ j (iii) S = B1ÈB2È … ÈBn
Otosavaruuden osituksen indusoima ositus
Olkoon A Ì S otosavaruuden S osajoukko. Olkoon B1, B2, … , Bn otosavaruuden S ositus. Ositus B1, B2, … , Bn indusoi osituksen joukkoon A:
(AÇBi)Ç(AÇBj) = Æ, i ¹ j ja
A = (AÇB1)È(AÇB2)È×××È(AÇBn).
Määritelmä
Olkoon A Ì S otosavaruuden S osajoukko. Olkoon B1, B2, … , Bn otosavaruuden S ositus. Olkoon (AÇB1), (AÇB2), … , (AÇBn) osituksen B1, B2, … , Bn indusoima ositus joukkoon A.
Tällöin kokonaistodennäköisyyden kaavan mukaan (1.18)
1
Pr( ) Pr( ) Pr( )
n
i i
i
A B A B
=
=
å
3.3. Bayesin kaava
Määritelmä
Olkoon A Ì S otosavaruuden S osajoukko. Olkoon B1, B2, … , Bn otosavaruuden S ositus. Ehdollisen todennäköisyyden määritelmän mukaan
Pr( ) Pr( )
Pr( )
Pr( )
Pr( ) Pr( )
i i
i i
B A B
A B
B A A A
= Ç =
Soveltamalla nimittäjään kokonaistodennäköisyyden kaavaa saadaan Bayesin kaava:
(1.19)
1
Pr( ) Pr( )
Pr( )
Pr( ) Pr( )
i i
i n
j j
j
B A B
B A
B A B
=
=
å
4. Verkot todennäköisyyslaskennassa
Ks. luentokalvot http://www.hut.fi/Yksikot/SAL/Opinnot/Mat-2.091/ .
5. Väärinkäsityksiä todennäköisyyden luonteesta
Ks. luentokalvot http://www.hut.fi/Yksikot/SAL/Opinnot/Mat-2.091/ .
6. Satunnaismuuttujat ja todennäköisyysjakaumat
6.1. Satunnaismuuttujat
6.1.1. Diskreetit satunnaismuuttujat
Satunnaismuuttuja: määritelmä
Olkoon x (mitallinen) funktio otosavaruudesta S reaalilukujen R joukkoon:
x: S ®R
Tällöin x on satunnaismuuttuja.
Diskreetit satunnaismuuttujat
Olkoon otosavaruus S äärellinen tai numeroituvasti ääretön. Tällöin reaaliarvoinen funktio
x: S ®R
joka saa äärellisen tai numeroituvasti äärettömän määrän erillisiä arvoja on diskreetti satunnaismuuttuja.
Diskreetin satunnaismuuttujan todennäköisyysjakauma: määritelmä
Olkoon otosavaruus S äärellinen tai numeroituvasti ääretön. Olkoot satunnaismuuttujan x: S ®R arvot eli numeeriset tulosvaihtoehdot
xi i = 1, 2, …, n, jos S on äärellinen tai
xi i = 1, 2, … , jos S on numeroituvasti ääretön Tulosvaihtoehdot xi ja niiden todennäköisyydet
Pr(x = xi) = pi
muodostavat diskreetin todennäköisyysjakauman (usein: jakauman), jos todennäköisyydet pi toteuttavat ehdot
1
1
(1) 0 1 kaikille
(2) 1 äärellinen
1 numeroituvasti ääretön
i n
i i
i i
p i
p S
p S
=
¥
=
£ £
=
=
å
å
Diskreetin jakauman pistetodennäköisyysfunktio
Olkoon x diskreetti satunnaismuuttuja, joka saa arvot xi i = 1, 2, …
todennäköisyyksillä
Pr(x = xi) = pi i = 1, 2, … Tällöin lukuparit
(xi, pi ) i = 1, 2, …
muodostavat diskreetin jakauman pistetodennäköisyysfunktion.
Satunnaismuuttujan x pistetodennäköisyysfunktio f voidaan määritellä myös kaavalla
{ }
{ }
1 2
1 2
, , ,
( ) Pr( )
0, , ,
pi x x x
f x x
x x x
x ìï Î
= = = í
ïî Ï
K K
6.1.2. Jatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat
Satunnaismuuttuja x on jatkuva, jos se saa kaikki arvot joltakin reaaliakselin väliltä ja todennäköisyys, että x saa minkä tahansa yksittäisen arvon on nolla.
Jatkuva todennäköisyysjakauma ja sen tiheysfunktio: määritelmä
Funktio f määrittelee satunnaismuuttujan x jatkuvan todennäköisyysjakauman (usein: jakauman), jos
(1) ( ) on :n jatkuva funktio (2) ( ) 0 kaikille
(3) ( ) 1
(4) Pr( ) ( )
b
a
f x x
f x x
f x dx
a x b f x dx
+¥
-¥
³
=
£ £ =
ò
ò
Funktiota f kutsutaan todennäköisyystiheysfunktioksi tai pelkästään tiheysfunktioksi.
6.2. Kertymäfunktio
6.2.1. Kertymäfunktion määritelmä
Kertymäfunktio
Satunnaismuuttujan x kertymäfunktio F on reaaliarvoinen funktio F(x) = Pr(x £ x)
Kaikki satunnaisilmiöön liittyvät todennäköisyydet voidaan ilmaista ilmiöön liittyvän satunnaismuuttujan kertymäfunktion F avulla.
Kertymäfunktion ominaisuudet
Funktio F: R®[0, 1] on kertymäfunktio, jos se toteuttaa seuraavat ehdot:
1 2 1 2
0
(1) lim ( ) 0
(2) lim ( ) 1
(3) on ei-vähenevä funktio:
( ) ( ), jos (4) on jatkuva oikealta:
lim ( ) ( )
h h
h
F x F x F
F x F x x x
F
F x h F x
®-¥
®+¥
® +
=
=
£ £
+ =
Jos funktio F: R®[0, 1] on kertymäfunktio, niin:
(5) Pr( ) 1 ( )
(6) Pr( ) ( ) ( )
x F x
a b F b F a
x x
> = -
< £ = -
6.2.2. Diskreetin jakauman kertymäfunktio
Diskreetin jakauman kertymäfunktio
Oletukset:
- x on diskreetti satunnaismuuttuja.
- {x1, x2, … } on x:n tulosvaihtoehtojen eli arvojen joukko.
- f(xi) = pi = Pr(x = xi), i = 1, 2, … on x:n pistetodennäköisyysfunktio.
Määritellään funktio F: R®[0, 1] (1.20) ( ) Pr( )
i
i x x
F x x x p
£
= £ =
å
F on satunnaismuuttujan x kertymäfunktio.
Diskreetin jakauman kertymäfunktion ja pistetodennäköisyysfunktion yhteys
(1.21) Pr(x =xi)= pi = f x( )i =F x( )i -F x( i-1)
Diskreetin jakauman todennäköisyydet
Diskreetin jakauman tapauksessa välin (a, b]ÌR todennäköisyys on (1.22)
( ,]
Pr( ) ( ) ( )
i
i x a b
a x b F b F a p
Î
< £ = - =
å
6.2.3. Jatkuvan jakauman kertymäfunktio
Jatkuvan jakauman kertymäfunktio
Oletukset:
- x on jatkuva satunnaismuuttuja.
- f on x:n tiheysfunktio.
Määritellään funktio F: R®[0, 1]
(1.23) ( ) Pr( ) ( )
x
F x x x f t dt
-¥
= £ =
ò
F on satunnaismuuttujan x kertymäfunktio. Jatkuvan jakauman kertymäfunktio F(x) on jatkuva ei-vähenevä funktio.
Jatkuvan jakauman kertymäfunktion ja tiheysfunktion yhteys
(1.24) ( ) d ( ) ( )
f x F x F x
dx ¢
= =
Jatkuvan jakauman todennäköisyydet
Jatkuvan jakauman tapauksessa välin [a, b]ÌR todennäköisyys on
(1.25) Pr( ) ( ) ( ) ( )
b
a
a£ £ =x b F b -F a =
ò
f x dx7. Jakaumien tunnusluvut
7.1. Odotusarvo
7.1.1. Diskreetin jakauman odotusarvo
Diskreetin jakauman odotusarvo
Oletukset:
- x on diskreetti satunnaismuuttuja.
- {x1, x2, … } on x:n tulosvaihtoehtojen eli arvojen joukko.
- f(xi) = pi = Pr(x = xi), i = 1, 2, … on x:n pistetodennäköisyysfunktio.
Tällöin vakio
(1.26) E( )x =mx =
å
x pi i =å
x f xi ( )i on satunnaismuuttujan x odotusarvo.7.1.2. Jatkuvan jakauman odotusarvo
Jatkuvan jakauman odotusarvo
Oletukset:
- x on jatkuva satunnaismuuttuja.
- f on x:n tiheysfunktio Tällöin vakio
(1.27) E( )x mx +¥xf x dx( )
-¥
= =
ò
on satunnaismuuttujan x odotusarvo.
7.1.3. Odotusarvon ominaisuuksia
Odotusarvon ominaisuuksia
Vakion a odotusarvo:
(1.28) E( )a =a
Satunnaismuuttujan x lineaarimuunnoksen t = a + bx odotusarvo:
(1.29) E( )t = +a bE( )x
Satunnaismuuttujien summan ja erotuksen odotusarvo
Satunnaismuuttujien x ja t summan x + t odotusarvo:
(1.30) E(x t+ =) E( ) E( )x + t
Satunnaismuuttujien x ja t erotuksen x-t odotusarvo:
(1.31) E(x t- =) E( ) E( )x - t
Satunnaismuuttujien painotetun summan odotusarvo
Olkoot xi , i = 1, 2, … , n satunnaismuuttujia ja ai , i = 1, 2, … , n vakioita.
Satunnaismuuttujien xi , i = 1, 2, … , n painotetun summan
1 n
i i i
ax
å
= odotusarvo on (1.32)1 1
E E( )
n n
i i i i
i i
ax a x
= =
æ ö =
ç ÷
è
å
øå
Kaava (1.32) sisältää erikoistapauksinaan kaavat (1.30) ja (1.31).
Satunnaismuuttujan funktioiden odotusarvo
Olkoon x satunnaismuuttuja ja g reaaliarvoinen funktio.
Satunnaismuuttujan g(x) odotusarvo on diskreetin jakauman tapauksessa:
(1.33) E( ( ))g x =mg( )x =
å
g x p( )i i =å
g x f x( ) ( )i i ja jatkuvan jakauman tapauksessa:(1.34) E( ( ))g x mg( )x +¥g x f x dx( ) ( )
-¥
= =
ò
Momentit
Olkoon x satunnaismuuttuja. Tällöin satunnaismuuttujan x k odotusarvo (1.35) E(xk)=ak
on satunnaismuuttujan x k. momentti (origon suhteen). Erityisesti:
0 1
1
E( ) a
a m x
=
= =
7.2. Varianssi
Varianssi: määritelmä
Olkoon satunnaismuuttujan x odotusarvo E( )x =m
Satunnaismuuttujan x varianssi on vakio
(1.36) D ( )2 x =Var( )x =sx2 =E (éëx m- )2ùû=E(x2)-
[
E( )x]
2 =a2-m2jossa
a2 = E(x 2) = x:n toinen momentti.
Satunnaismuuttujan x varianssi:
- Diskreetti jakauma:
(1.37) D ( )2 x =Var( )x =sx2 =
å
(xi-m)2pi - Jatkuva jakauma:(1.38) D ( )2 x Var( )x sx2 +¥(x m)2 f x dx( )
-¥
= = =
ò
-Standardipoikkeama: määritelmä
Satunnaismuuttujan x standardipoikkeama eli keskihajonta on varianssin neliöjuuri (1.39) D( )x = Var( )x =sx = E (éëx m- )2ùû
Varianssin ominaisuuksia
Vakion a varianssi:
(1.40) D ( )2 a =Var( )a =0
Satunnaismuuttujan x lineaarimuunnoksen t = a + bx varianssi:
(1.41) D ( )=Var( )2 t t =b2Var( )x
Standardointi
Olkoon x satunnaismuuttuja, jonka odotusarvo E(x) = m ja varianssi D2(x) = s2. Tällöin standardoidun muuttujan
(1.42) t x m s
= -
odotusarvo on E( )t =0 ja varianssi
D ( )2 t =Var( ) 1t =
Summan ja erotuksen varianssi riippumattomille satunnaismuuttujille
Oletetaan, että satunnaismuuttujat x ja t ovat riippumattomia. Satunnaismuuttujien x ja t summan x + t varianssi:
(1.43) D (2 x t+ =) Var(x t+ =) D ( )2 x +D ( )2 t Satunnaismuuttujien x ja t erotuksen x-t varianssi:
(1.44) D (2 x t- =) Var(x t- =) D ( )2 x +D ( )2 t
Satunnaismuuttujien summan varianssi yleisessä tapauksessa katso (1.84).