MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
|
|
- Pauli Heino
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 /1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1 1 Kokonaisuudet johon opintojakso kuuluu &idx=1&uilang=fi&lang=fi&lvv=2017
2 /2 2 Osaamistavoitteet x=1&uilang=fi&lang=fi&lvv=2017 Opiskelija osaa käyttää opintojaksolla esiteltyjä tilastollisia menetelmiä sekä ymmärtää niihin liittyvän teorian. Hän osaa annetussa tutkimustilanteessa suorittaa tilastollisen päättelyn joko valmiiksi annettujen tai itse laskemiensa tulosten perusteella. Hän osaa valita asetettuun tutkimusongelmaan liittyen sopivan menetelmän, suorittaa tilanteeseen sopivalla ohjelmistolla kyseisen analyysin sekä tulkita saadut tulokset.
3 /3 Esim. Tampereella keväällä 2006 myynnissä olleita kerrostalohuoneistoja, aineisto _2006.sav sivulta a/ Tutkimuskohteita 1) Vaikuttaako sijainti neliöhintaan? y = neliöhinta x = sijainti SPSS-harj. 1 teht. 3a
4 /4 2) Vaikuttaako huoneiden lukumäärä neliöhintaan? Miten sijainti vaikuttaa tähän riippuvuuteen? y = neliöhinta x = huoneiden lukumäärä (luokiteltuna) z = sijainti SPSS-harj. 1 teht. 3b
5 /5 3) Vaikuttaako sijainti huoneiden lukumäärään? y = huoneiden lukumäärä (luokiteltuna) x = sijainti SPSS-harj. 2 teht. 3 4) Miten huoneiston koko vaikuttaa hintaan? Miten sijainti vaikuttaa tähän riippuvuuteen? y = hinta x = neliöt z = sijainti SPSS-harj. 3 teht. 2
6 /6 3 Kurssin kotisivu Kurssi-info (sisältö, tentit, harjoitushyvitys) Luennot, luentorunko, kaavat, taulukot Harjoitukset, tehtävät, ohjeet (Moodle), ratkaisut Esimerkkiaineistoja Oheiskirjallisuutta Usein kysyttyä Linkkejä
7 /7 4 Kertausta Seuraaviin kohtiin 1) 8) on koottu lyhyesti olennaisimmat asiat, jotka oletetaan opintojaksolla tunnetuiksi aiempien opintojen perusteella. 1) Empiiriset jakaumat yksiulotteiset taulukot, graafiset esitykset, tunnusluvut kaksiulotteiset ristiintaulukko, pisteparvi, korrelaatiokerroin ehdolliset jakaumat riippuvuus, ehdolliset tunnusluvut, laatikkojana-kuvio toteutus SPSS:llä (tai muulla ohjelmistolla)
8 /8 2) Satunnaismuuttuja X todennäköisyysjakauma, tiheysfunktio f(x) kertymäfunktio F(x) = P(X x) E(X) = µ, Var(X) = 2 3) Todennäköisyysjakaumia X ~ N(µ, 2 ), Z = (X - µ)/ ~ N(0, 1) P(Z z) = (z), P(Z z ) =, P(Z z /2 ) = /2 Studentin t-jakauma P(t df t,df ) =, P(t df t /2,df ) = /2
9 /9 4) Satunnaisotos X 1, X 2,..., X n Luentorunko s. 3 entorunko.pdf#page=4 5) Otossuure, otosjakauma Esim. X ~ N(µ, 2 /n), jos satunnaisotos normaalijakaumasta.
10 /10 6) Estimointi Estimointi on populaation tuntemattoman parametrin arviointia otossuureen avulla. Voidaan myös muodostaa väli (luottamusväli), jolla arvioidaan tuntemattoman parametrin olevan. Estimaattori otossuure, jolla estimoidaan tuntematonta parametria. Estimaatti on estimaattorin arvo. Harhaton estimaattori Estimaattorin keskivirhe (= estimaattorin keskihajonta)
11 /11 7) Testaus Tilastollinen hypoteesi väite populaatiosta, usein populaation jakauman parametrista. Hypoteesin testaus on väitteen tutkimista otoksen perusteella. Asetetaan nollahypoteesi (H 0 ) ja vaihtoehtoinen hypoteesi (H 1 ). Testisuure on otossuure, jota käytetään hypoteesin tutkimisessa.
12 /12 Testisuureen jakauma tunnetaan nollahypoteesin ollessa tosi. Otoksesta lasketun testisuureen arvon perusteella nollahypoteesi hyväksytään tai hylätään kiinnitetyllä riskitasolla. p-arvo on pienin riskitaso, jolla H 0 voidaan hylätä. Ks. testauksen vaiheet tarkemmin luentomoniste s entorunko.pdf#page=5
13 /13 8) Joitain testaustilanteita H 0 : µ 1 = µ 2 Jos H 0 on tosi, niin
14 /14 Esim Riippumattomien otosten t-testi odotusarvojen yhtäsuuruuden testaamiseksi. Suoritusajat testissä ryhmittäin: Normaali 204, 218, 197, 183, 227, 233, 191 Kehitysh. 243, 228, 261, 202, 343, 242, 220, 239 H 0 : = K H 1 : < K
15 /15 = = 1453 = = SS N = (1453/7) 2 = 2135,714 = = 1978 = = SS K = (1978/8) 2 = 12631,5
16 /16 -t 0,01;13 = -2,65 < t hav. < -2,16 = -t 0,025;13 H 0 voidaan hylätään 2,5 %:n riskitasolla, mutta ei 1 %:n riskitasolla.
17 SPSS-tulos /17
18 /18
19 /19 H 0 : = 0 Jos H 0 on tosi, niin Esim. Öljy-yhtiö väittää, että erään kaupungin asunnoista 20 % lämmitetään öljyllä. Onko kuitenkin syytä olettaa, että vähemmän kuin viidesosa asunnoista lämmitetään öljyllä, jos 1000 satunnaisesti valitusta kaupungin asunnosta vain 160 lämmitettiin öljyllä?
20 /20 Nyt H 0 : = 20 H 1 : < 20 Jos H 0 tosi, niin Aineiston perusteella testisuureen arvoksi saadaan. z 16 20( ) /1000 3,16 z 0,001 3,08
21 /21 H 0 hylätään 0,1 %:n riskitasolla. Päätellään, että alle viidesosa lämmitetään öljyllä. Pienin riskitaso, jolla H 0 voidaan hylätä, on P(Z < -3,16) = 1 - (3,16) = 1 0,9992 = 0,0008.
22 /22 Lisätietoja: Luentorungon luvussa 1 orunko.pdf#page=3 on lyhyt kertaus olennaisimmista asioista, jotka oletetaan opintojaksolla tunnetuiksi aiempien opintojen perusteella.
23 /23 Tarvittaessa kertaukseen ja tietojensa täydentämiseen voi käyttää kurssien MTTTP1 ( ) MTTTP5 ( ) materiaaleja.
24 /1 MTTTA1 Tilastomenetelmien perusteet Luento , osa 2 Luku 2 Varianssianalyysi 2.1 Yksisuuntainen varianssianalyysi Esim Tutkitaan golfpallojen keskimääräisiä lentomatkoja, saadaan tulokset: Merkki Keskiarvo Keskihajonta Lukumäärä A 251,28 5, B 261,06 3, C 269,95 4,501 10
25 /2 H 0 : µ A = µ B = µ C H 1 : kaikki µ:t eivät samoja F-testisuure H 0 :n testaamiseksi Annettujen lukujen perusteella voidaan laskea testisuureelle arvo, saadaan F hav. = 36,87 ja p-arvo < 0,0001. Hylätään H 0 ja päätellään odotusarvoissa olevan eroja.
26 /3 Fisherin F-jakauman tiheysfunktion kuvaajia F-jakauma määritellään kaksin vapausastein, F df1,df2
27 /4 Määritellään F ;df1, df2 siten, että P(F df1, df2 >F ;df1,df2 )=. Näitä arvoja taulukosta kun = 0,01 tai = 0,05.
28 /5 Esim Testisuure noudattaa H 0 :n ollessa tosi F-jakaumaa vapausastein 2 ja 27. F 0,01;2,27 = 5,49 < F hav. = 36,87, joten H 0 hylätään 1 %:n riskitasolla.
29 /6 Esim Tutkitaan keskimääräisiä neliöhintoja Tampereen keskustassa, Länsi- ja Itä-Tampereella H 0 : µ K = µ L = µ I H 1 : kaikki µ:t eivät samoja Aineisto sivulta
30 /7 Koska p-arvo < 0,001, hylätään ja päätellään eroja olevan. Päättely taulukkoarvon ( ) perusteella: F 0,01; 2, 226 4,61 < F hav. = 173,035, joten H 0 hylätään 1 %:n riskitasolla.
31 /8 Onko kaikkien alueiden välillä eroja? Länsi- ja Itä-Tampereen välillä ei eroja, muissa on. Tutkitaan odotusarvojen yhtäsuuruutta pareittain, päättely p-arvon tai luottamusvälin perusteella.
32 /9 Varianssianalyysin liittyvät oletukset ja laskukaavat Y 11, Y 12,, Y 1n1 satunnaisotos N(µ 1, ):sta Y 21, Y 22,, Y 2n2 satunnaisotos N(µ 2, ):sta... Y I1, Y I2,, Y InI satunnaisotos N(µ I, ):sta Oletetaan, että = = = riippumattomia. ja otokset H 0 : µ 1 = µ 2 = = µ I H 1 : kaikki µ:t eivät samoja
33 /10 SST = ( ), =, = + SSB=, = = ( ) = SST = SSB + SSW MSB = SSB/(I-1) MSW = SSW/(n-I) E(MSW) = 2 aina E(MSB) = 2, jos H 0 tosi F = MSB/MSW ~F I-1, n-i, kun H 0 tosi H 0 hylätään riskitasolla, jos F hav > F ; I-1, n-i.
34 /11 Esim Valmennusmenetelmien vaikutus urheilusuoritukseen H 0 : µ 1 = µ 2 = µ 3 H 1 : kaikki odotusarvot eivät samoja Urheilusuoritukset menetelmittäin Menetelmä 1: 6, 4, 6, 4 Menetelmä 2: 14, 9, 10, 11 Menetelmä 3: 5, 11, 8, 8
35 /12
36 /13 F 0,01; 2, 9 = 8,02 < F hav. = 9, joten H 0 hylätään 1 %:n riskitasolla. Voidaan sanoa, että p-arvo = P(F 2,9 > 9) <0,01.
37 /14
38 SPSS-tulos /15
39 /16 Jos H 0 : µ 1 = µ 2 = = µ I hylätään, niin voidaan tutkia mitkä odotusarvot poikkeavat toisistaan. Tutkitaan odotusarvoja pareittain testin tai luottamusvälin avulla. Esim Vain menetelmien 1 ja 2 välillä eroja.
40 /17 Oletusta varianssien yhtäsuuruudesta voidaan myös testata (Levenen testi). Tällöin H 0 : = =. Jos variansseja ei voida olettaa samoiksi (Levenen testin p-arvo < 0,05), niin käytetään Welchin tai Brown-Forsythen testejä odotusarvojen yhtäsuuruuden testaamisessa.
41 /18 Esim Varianssien yhtäsuuruuden testaaminen H 0 : = = Hyväksytään H 0, koska p-arvo = 0,811 > 0,05. Voidaan siis olettaa varianssit yhtä suuriksi.
42 /19 Nimitys varianssianalyysi tulee siitä, että testisuure on kahden varianssiestimaattorin osamäärä. Jos I = 2, niin H 0 : µ 1 = µ 2. Tällöin t 2 = F.
43 /1 MTTTA1 Tilastomenetelmien perusteet Luento Kertausta ja täydennystä 1-VA H 0 : µ 1 = µ 2 = = µ I H 1 : kaikki µ:t eivät samoja
44 /2 Oletetaan riippumattomat otokset: Y 11, Y 12,, Y 1n1 satunnaisotos N(µ 1, ):sta Y 21, Y 22,, Y 2n2 satunnaisotos N(µ 2, ):sta... Y I1, Y I2,, Y InI satunnaisotos N(µ I, ):sta Oletetaan lisäksi, että = = =.
45 /3 Neliösummat: ( ) = + ( ) 2 ks. kaavakokoelma
46 /4 Esim Tutkitaan autotyyppien A, B, ja C kulutusta (miles per gallon), orunko.pdf#page=15
47 /5
48 /6 Esim Tutkitaan golfpallojen keskimääräisiä lentomatkoja, saadaan tulokset: Merkki Keskiarvo Keskihajonta Lukumäärä A 251,28 5, B 261,06 3, C 269,95 4, H 0 : µ A = µ B = µ C H 1 : kaikki µ:t eivät samoja = 260,76, n = 30, I = 3, n 1 = n 2 = n 3 = 10
49 /7 = ( ) = = , , ,501 = 638,36 SSB= SSB = 10(251,28-260,76) (261,06-260,76) (269,95-260,76) 2 = 1744,17
50 /8 MSB = SSB/(I-1) MSB = 1744,17/2 = 872,08 MSW = SSW/(n-I) MSW = 638,36/27 = 23,64 F = MSB/MSW ~ F I-1, n-i, kun H 0 tosi F hav. = 872,08/23,64 = 36,87 > F 0,01;2,27 = 5,49, joten H 0 hylätään 1 %:n riskitasolla. Päätellään odotusarvoissa olevan eroja. Voidaan sanoa, että p- arvo = P(F 2,27 > 36,87) <0,01.
51 /9 Esim. Miehillä iän vaikutus kudostiheyteen Aineisto rasvaprosentti.sav sivulta
52 /10
53 /11 H 0 : µ 1 = µ 2 = µ 3 = µ 4 H 1 : kaikki odotusarvot eivät samoja Koska p-arvo <0,001, niin H 0 hylätään, päätellään eroja olevan. Monivertailusta huomataan, että kaikkien ikäryhmien välillä ei kuitenkaan ole eroja.
54 /12
55 /13 Populaatioiden varianssit voitiin olettaa samoiksi (H 0 : = = = hyväksytään, koska p-arvo 0,291>0,05), joten varianssianalyysin käyttö sallittua.
56 Varianssianalyysi nettilaskurilla: - > ANOVA -> /14
57 / Kaksisuuntainen varianssianalyysi Esim. Tutkitaan kolmen autotyypin polttoaineen kulutusta (kulutus = mailit/gallona) huomioiden kuljettajan ikä (5 ikäryhmää), aineisto oja/autotnb2va.sav Tehdään aluksi yksisuuntaiset varianssianalyysit.
58 y = kulutus x = autotyyppi /16
59 /17
60 /18
61 y= kulutus x = ikäryhmä /19
62 /20
63 /21
64 /22 Kulutuksen ehdolliset keskiarvot ryhmitellen sekä ikäryhmän että autotyypin mukaan
65 /23 Nyt y= kulutus x 1 = autotyyppi x 2 = ikäryhmä Suoritetaan kaksisuuntainen varianssianalyysi. Halutaan selvittää miten autotyyppi ja ikäryhmä yhdessä vaikuttavat kulutukseen. Tutkitaan autotyypin ikäryhmästä riippumatonta vaikutusta (omavaikutusta), ikäryhmän autotyypistä riippumatonta vaikutusta (omavaikutusta) sekä autotyypin ja ikäryhmän yhdysvaikutusta. Ks. #page=21
66 /24 Päätellään: ikäryhmittäin kuljettajien väliset erot erilaiset eri autotyypeillä. Myös molemmilla selittäjillä on omavaikutusta (p-arvot <0,01).
67 /25 SPSS-ohjeet Ehdolliset keskiarvot graafisesti Graphs-> Line-> Multiple-> Variable -> kulutus-> Category Axis-> ikaryhma -> Define line by->auto 2-VA General Linear Model -> Univariate -> Dependent -> kulutus-> Fixed Factors ->auto, ikaryhma, Model -> auto, ikaryhma, interaction
68 /26 Esim. Rakennusajan ja sijainnin vaikutus keskineliöhintaan, SPSS-monisteen esimerkki 19
69 /27 Aineisto sivulta
70 /1 MTTTA1 Tilastomenetelmien perusteet Luento Luku 3 2 -yhteensopivuus- ja riippumattomuustestit yhteensopivuustesti H 0 : otos peräisin tietystä jakaumasta H 1 : otos ei peräisin tästä jakaumasta Esim. H 0 : otos peräisin normaalijakaumasta H 0 : otos peräisin tasajakaumasta
71 /2 Esim. Eräällä kurssilla opiskelijat generoivat satunnaislukuja vastaamalla kysymyksiin: 1. Ravistele päätäsi ja arvo yksi kokonaisluku heittotulos: n=40 2. Ravistele päätäsi uudelleen ja arvo yksi kokonaisluku heittotulos: n=40
72 /3 3. Ravistele päätäsi ja heitä rahaa klaava kruuna heittotulos: 21 (52,5%) 19 n=40 4. Ravistele päätäsi uudelleen ja heitä rahaa klaava kruuna heittotulos: 13 (32,5%) 27 n=40 Voidaanko ajatella, että ensimmäinen kokonaisluvun valinta on otos diskreetistä tasajakaumasta? Jos olisi, niin jokainen numero olisi esiintynyt 4 kertaa. Voidaanko ajatella, että rahanheiton tulos on otos jakaumasta, jossa klaavoja 50 %? Jos olisi, niin klaavoja pitäisi olla 20 ja kruunia 20.
73 /4 Olkoot riippumattomat Z i ~N(0, 1), i = 1,, k. Tällöin noudattaa nk. jakaumaa vapausastein k, merkitään. Tällöin E( ) = k, Var( ) = 2k. jakauman tiheysfunktion kuvaaja, muoto riippuu vapausasteista
74 /5 Määritellään siten, että. Näitä arvoja on taulukoitu, ks.
75 /6 Tarkastellaan muuttujan frekvenssijakaumaa. Oletetaan, että jakaumassa on k kappaletta luokkia ja näiden luokkien frekvenssit f 1, f 2,, f k. Testataan sitä, ovatko havaitut frekvenssit sopusoinnussa H 0 :n mukaisten nk. teoreettisten eli odotettujen frekvenssien e 1, e 2,, e k kanssa.
76 /7 Jos H 0 : otos peräisin tietystä jakaumasta on tosi, niin = ~. H 0 hylätään riskitasolla, jos >,. Testiä voidaan käyttää, jos kaikki teoreettiset frekvenssit ovat > 1 ja enintään 20 % < 5.
77 /8 Esim. Rahanheitto H 0 : Otos peräisin jakaumasta, jossa klaavoja ja kruunia yhtä paljon 1. rahanheitto f i e i klaavoja kruunia = ( ) + ( ) = 0,1
78 /9., = 3,84 > = 0,1, H 0 hyväksytään 5%:n riskitasolla. Voidaan siis ajatella, että rahanheitto tehty satunnaisesti. 2. rahanheitto f i e i klaavoja kruunia = ( ) Koska + ( ) = 4,9., = 3,84 < = 4,9<., niin 0,025 < p-arvo < 0,05. = 5,02,
79 /10 Esim. Ystäväsi väittää, että suomalaisista 10 % on vasenkätisiä. Tutkit asiaa ja valitset satunnaisesti 400 suomalaista, joista 56 on vasenkätisiä. Uskotko ystäväsi väitteen? H 0 : 10 % suomalaisista on vasenkätisiä f i vasenkätisiä 56 0,1 400 = 40 ei-vasenkätisiä 344 0,9 400 = 360 e i = ( ) + ( ) = 7,11
80 /11 = 6,63 = 7,88,,,, H 0 hylätään 1 %:n riskitasolla, mutta ei 0,5 %:n riskitasolla, siis 0,005 < p-arvo < 0,01. Laskuri ja p- arvon arviointi p 0,008151
81 /12 Toisin H 0 : = 10 H 1 : /400 2,67 p-arvo = 2(1- (2,67)) = 2(1-0,9962) = 0,0076
82 /13 Jos 2 -yhteensopivuustestissä luokkien lukumäärä on kaksi, niin 2 = Z 2. Edellisessä esimerkissä 7,11 2,67 2.
83 /14 Esim Nopanheitto, orunko.pdf#page=26 H 0 : Otos peräisin Tasd(1, 6):sta silmäluku f i e i /6 = 20, / / / / /6
84 /15 = >., (8 20,3) 20,3 = 16, ,3 20,3 = 40,6 H 0 hylätään, nopanheitto ei ole tapahtunut satunnaisesti.
85 /16 Esim Asiakkaiden laskujen maksutavat, orunko.pdf#page=25 H 0 : ei tapahtunut muutosta H 1 : on tapahtunut muutos f i ajoissa 287 0,8x400 = kk myöhässä 49 0,1x400 = 40 2 kk myöhässä 30 0,06x400 = 24 yli 2 kk myöhässä 34 0,04x400 = 16 e i. = ( ) = 27,58 >., = 12,84 Päätellään muutosta tapahtuneen.
86 /17 Laskuri Pelkän p-arvon määrittäminen e_prob.html
87 /18 Esim Onko painoindeksi normaalisti jakautunut? orunko.pdf#page=26 H 0 : Otos peräisin N(25.58, ):sta Painoindeksi frekv. odotettu frekv. alle 20,1 9 11,5 = e 1 20,1-21,4 15 6,3 21,4-25, ,3 25,5-28, ,6 28,5-32, ,1 yli 32,2 9 7,
88 /19 e 1 = 97 P(X 20,1) = 97 ((20,1-25,58)/4,66) = 97 (-1,18) = 97 (1- (1,18)) = 97 0,119= 11,5 Vastaavalla tavalla lasketaan muidenkin luokkien odotetut frekvenssit. Saadaan = >., (9 11,5) 11,5 = 12,84 + 7,5 7,5 = 13,94
89 /20 Päätellään, että otos ei peräisin normaalijakaumasta. Huom! Vapausasteet pienenevät estimoitujen parametrien verran.
90 /21 Laskurin antama tulos, vapausasteissa ei huomioitu estimointia.
91 /22
92 /1 MTTTA1 Tilastomenetelmien perusteet Luento Kertausta ja täydennystä 2 - yhteensopivuustestistä H 0 : otos peräisin tietystä jakaumasta H 1 : otos ei peräisin tästä jakaumasta Jos H 0 : otos peräisin tietystä (väitetystä) jakaumasta on tosi, niin = ~.
93 /2 Esim. Plasma-aineisto, sivulla y = painoindeksi (paino/pituus 2 )
94 /3 H 0 : Otos peräisin N(26.16, ):sta Vaihtoehtoisia testejä normaalisuuden testaamiseksi: SPSS -> Analyze -> Descriptive Statistics -> Explore Plots -> Normality plots with tests H 0 hylätään molemmilla testeillä, koska p-arvot < 0,001. Otos ei peräisin normaalijakaumasta.
95 Esim. Generoitu 100 lukua N(0, 1):stä, SPSSfuntio RV.NORMAL(0,1) /4
96 /5 H 0 : Otos peräisin N(-0.16, 1,018 2 ):sta H 0 hyväksytään molemmilla testeillä, koska p- arvot > 0,05. Satunnaislukugeneraattori OK.
97 / riippumattomuustesti Ristiintaulukon perusteella riippumattomuuden testaaminen H 0 : X ja Y ovat riippumattomia H 1 : X ja Y ovat riippuvia
98 /7 Esim. Tampereella myydyt pienet asunnot, aineisto t_asunnot_2009.sav
99 /8 H 0 : Kunto ja sijainti ovat riippumattomia H 1 : Kunto ja sijainti ovat riippuvia H 0 hyväksytään, koska p-arvo on 0,605 > 0,05.
100 Tarkastellaan yleisesti ristiintaulukkoa /9
101 /10 Määritetään ristiintaulukkoon teoreettiset frekvenssit e ij siten, että oletetaan H 0 : X ja Y riippumattomia on tosi. Tällöin oltava Jos H 0 on tosi, niin
102 /11 Nyt H 0 hylätään riskitasolla, jos >, Jos I =2 ja J = 2 (nelikenttä), niin testisuure voidaan laskea myös kaavalla =
103 /12 Testiä voidaan käyttää: a) (I-1)(J-1) = 1 n >40 20 n 40 kaikkien teoreettisten frekvenssien oltava 5. b) (I-1)(J-1) > 1 kaikkien teoreettisten frekvenssien oltava > 1 ja enintään 20 % saa olla alle 5.
104 /13 Esim. Edellisestä ristiintaulukosta testisuureen laskeminen.
105 /14
106 /15 Esim. Monisteesta Leppälä, R., Ohjeita tilastollisen tutkimuksen toteuttamiseksi IBM SPSS Statistics - ohjelmiston avulla, , esimerkki 13 Kyselylomake eistoja/arviointi_lomake.pdf Y = Opintojakson työläys X = Opintosuunta H 0 : X ja Y ovat riippumattomia H 1 : X ja Y ovat riippuvia
107 /16
108 /17 Testin käyttöön liittyvät oletukset tällä luokituksella kunnossa, vain 16,7 % (1/6) odotetusta frekvensseistä alle 5 ja kaikki > 1. Pienin riskitaso, jolla H 0 voidaan hylätä, on 0,022. Tätä suuremmilla riskeillä H 0 hylätään, pienemmillä hyväksytään.
109 /18
110 /1 MTTTA1 Tilastomenetelmien perusteet Luento Kertausta ja täydennystä 2 -riippumattomuustesti Ristiintaulukon perusteella riippumattomuuden testaaminen H 0 : X ja Y ovat riippumattomia H 1 : X ja Y ovat riippuvia
111 /2 Ristiintaulukkoa Jos H 0 on tosi, niin
112 /3 Nyt H 0 hylätään riskitasolla, jos. >, Jos I =2 ja J = 2 (nelikenttä), niin testisuure voidaan laskea myös kaavalla =
113 /4 Esim Naisten ja miesten tenttimenestyminen orunko.pdf#page=31 Miehet Naiset Yht. Hylätty Hyväksytty Yht H 0 : ei riippuvuutta. = ( ) H 0 hyväksytään, ei riippuvuutta. = 0,09787 < 3,84 =, ;
114 /5 Esim. Tutkimuksessa vertailtiin erään kasvaimen yleisyyttä kahdella rottalajilla A ja B. Valittiin satunnaisesti molemmista ryhmistä 100 samanikäistä rottaa. Rotat pidettiin samankaltaisissa olosuhteissa vuoden ajan. Vuoden seurannan jälkeen kasvain löytyi 25:ltä lajin A rotalta ja 15:ltä lajin B rotalta. Onko kasvaimen yleisyys samanlaista molemmilla lajeilla?
115 /6 H 0 : ei riippuvuutta Laji A Laji B On kasvain Ei kasvainta = ( ) H 0 hyväksytään, yleisyys samanlaista. P( > 3,125) = 0,0771, = 3,125 < 3,84 =, ; ks.
116 /7 Laskureita _NROW_NCOLUMN_form.html
117 /8 Missä mennään? Menetelmien valinnasta ma/menetelmatyypit.html
118 /9 Luku 4 Regressioanalyysi Voidaanko y:n vaihtelua selittää samanaikaisesti useammalla muuttujalla? Voidaanko tätä riippuvuutta mallintaa? Tarkastellaan tilanteita, joissa sekä selitettävä että selittäjät ovat kvantitatiivisia.
119 /10 Esim. Erilaisia pisteparvia, tilastoyksikkönä auto
120 /11
121 /12
122 Malli Kulutus = Teho /13
123 /14 Estimoidaan mallin parametrit 0 ja 1. Saadaan = 4,435, = 0,016 Pisteparveen sovitetun suoran yhtälö = 4, ,016, y = Kulutus, x = Teho
124 /15
125 Merkitään Y = Polttonesteen kulutus (120 km/h) x = Polttonesteen kulutus (90 km/h) Malli Y = x /16
126 /17 Estimoidaan mallin parametrit 0 ja 1. Saadaan = 1,316, = 1,061 Pisteparveen sovitetun suoran yhtälö = 1, ,061
127 /18 Esim. Aineisto Jalkapalloilijat_2006 sivulta
128 Malli ja estimoinnin tulos: /19
129 /20 Esim. Aineisto Rasvaprosentti sivulta
130 Malli ja estimoinnin tulos: /21
131 /1 MTTTA1 Tilastomenetelmien perusteet Luento Regressioanalyysi 4.1 Yksi selittävä muuttuja Esim Poimittu samanikäisiä puita, mitattu poikkileikkauspinta-ala sekä puun kuutiomäärä Pinta-ala Tilavuus 2,59 0,161 3,89 0,273 9,63 0,633
132 /2
133 /3 Malli Tilavuus = Pinta-ala + Estimointi
134 /4 Jos pinta-ala on 4,60, niin arvioitu tilavuus on 0, ,066 4,60 = 0,310. Jos pinta-ala on 4, niin arvioitu tilavuus on 0, ,066 4= 0,270.
135 /5 Yhden selittäjän regressiomalli Y = x +, missä Y on satunnaismuuttuja, havaittavissa oleva, selitettävä x on selittäjä, ei-satunnainen, havaittavissa oleva on satunnaismuuttuja, ei havaittavissa 0 ja 1 mallin parametrit, estimoidaan aineiston avulla
136 /6 Malli voidaan esittää myös muodossa = + +, = 1,2,, (1) Malliin liittyvät oletukset ovat i ~ N(0, 2 ) ja i :t ovat riippumattomia
137 /7 Näistä oletuksista seuraa E(Y i ) = E( x i + i ) = E( 0 ) + E( 1 x i ) + E( i ) = x i Var(Y i ) = Var( x i + i ) = Var( i ) = 2 Lisäksi Y i ~N( x i, 2 ) Jokaista x:n arvoa kohden on olemassa Y:n todennäköisyysjakauma, joka on normaalijakauma. Havainnot näistä normaalijakaumista, graafisesti
138 /8 Mallin (1) parametrien estimointi = = 1 1 = = =
139 /9 Esim Lannoitemäärän vaikutus satoon
140 /10 x i y i x i y i 2 x i = 1 1 = = 0, = = , = 32,857
141 /11 Voidaan osoittaa, että = = Estimoidut y:n arvot saadaan = +, = 1,, Määritellään residuaalit e i = y i - i Tämä suoran on Y:n odotusarvon estimaatti
142 /12 Esim (jatkoa) x i y i i = 32,857+0,06786x i e i = y i - i ,857+0, =39, ,64 = 0, ,857+0, =46, ,43 =-1, =-3, = 5, = 3, =-3, ,857+0, =80, ,36 =-0,36
143 /13 Neliösummat ö = ö + ää ö ö SST = ( ) SSR = ( ) SSE = ( )
144 /14 Selityskerroin R 2 = SSR/SST Selitysaste, selitysprosentti 100 R 2 Korrelaatiokerroin = Mallin (1) tilanteessa (r xy ) 2 = R 2.
145 Esim (jatkoa) /15
146 /16 SST = ( ) = = SSE = ( ) = = 1350 = 0, (-0,36) 2 = 60,7 SSR = SST SSE = ,7 = 1289,3 R 2 = SSR/SST = 0,955
147 /17 = = = = 0,977 (r xy ) 2 = R 2 0,977 2 = 0,955
148 /1 MTTTA1 Tilastomenetelmien perusteet Luento Regressioanalyysi 4.1 Yksi selittävä muuttuja (kertausta ja jatkoa) Regressiomalli = + +, = 1,2,, (1) Malliin liittyvät oletukset i ~ N(0, 2 ) ja i :t ovat riippumattomia
149 /2 Mallin estimointi = = 1 1 = = = = +, e i = y i - i
150 /3 Neliösummat ö = ö + ää ö ö SST = ( ) SSR = ( ) SSE = ( ) MSE = SSE/(n-2) =
151 /4 Selityskerroin R 2 = SSR/SST Selitysaste, selitysprosentti 100 R 2 Korrelaatiokerroin = Mallin (1) tilanteessa (r xy ) 2 = R 2.
152 /5 Testaukset H 0 : 1 = 0 H 1 : 1 0 = ~,, = /
153 /6 H 0 : 0 = 0 H 1 : 0 0 = ~,, = ( 1 + )
154 /7 Esim (jatkoa) Malli: Satomäärä = Lannoitemäärä + Kertoimien testaus
155 /8 SSE = ( ) = 0, (-0,36) 2 = 60,7 SS x = /7= = 2800/7 = 400 MSE = 60,7/(7-2) = 12,143 = = 12,143/ = 0,007 = 12, = 2,
156 /9 Päättelyt taulukkoarvon perusteella: H 0 : 1 = 0 H 1 : 1 0 t 0,01/2,7-2 = 4,032 < 10,304, H 0 hylätään eli lannoitemäärä pidetään mallissa H 0 : 0 = 0 H 1 : 0 0 t 0,01/2,7-2 = 4,032 < 11,157, H 0 hylätään eli vakio syytä olla mallissa
157 /10 Regressiomalli ilman vakiokerrointa = +, = 1,2,, (2) Estimointi = =, Huom! Tällöin R 2 ei ole käytettävissä.
158 /11 Esim. Aineisto Tre_myydyt_asunnot_2009, sivulla Malli: Hinta = Neliöt +
159 /12 Hypoteesi H 0 : 0 = 0 hyväksytään, vakiokerroin voidaan jättää pois mallista.
160 /13 Estimoidaan uusi malli Hinta = Neliöt + Nyt ei voida laskea selitysprosenttia!
161 /14 Estimoinnin tulos origon kautta kulkeva suora = 2310,309 Neliöt
162 /15 Korrelaatiokertoimen testaus Populaatiossa muuttujien X ja Y välinen korrelaatiokerroin = Cov(X, Y)/ X Y. Tätä estimoidaan otoskorrelaatiokertoimella = = ( )( )
163 /16 Testaus H 0 : = 0 H 1 : 0 = 2 ~,
164 /17 Esim Esimerkin muuttujat y = satomäärä x = lannoitemäärä r = 0,977, n = 7 H 0 : = 0 H 1 : 0 0,977 = = 10,304 >, / ; = 4,032 0,977 2 H 0 hylätään 1 %:n riskitasolla. Päätellään lineaarista riippuvuutta olevan.
165 /18 Esim. Aineisto Jalkapalloilijat_2006 sivulla y = paino x = pituus r xy = 0,823679, n = 154
166 /19 H 0 : = 0 H 1 : 0 = 0, , = 17,908 >, ; = 2,617 H 0 hylätään 1 %:n riskitasolla. Päätellään lineaarista riippuvuutta olevan.
167 Regressiomalli: Paino = Pituus + H 0 : 1 = 0 H 1 : /20 t hav. = 17,908 Siis korrelaatiokertoimen testaus on sama kuin regressiomallissa (1) 1 :n testaus!
168 /21 Esim. Aineisto Jalkapalloilijat_2006 sivulla Regressioanalyysin tuloksia jalkapalloilijat.pdf
169 /1 MTTTA1 Tilastomenetelmien perusteet Luento Yksi selittävä muuttuja (täydennystä) Regressiomalli = + +, = 1,2,, (1)
170 /2 Regressiomallissa (1) oletetaan, että i ~ N(0, 2 ) ja i :t ovat riippumattomia Näiden oletusten voimassaoloa tutkitaan residuaalien avulla. Koska satunnaisvirheistä i ei ole havaintoja, niin estimoidaan niitä estimoidun mallin avulla lasketuilla residuaaleilla = = Tutkitaan normaalisuus-, vakiovarianssisuus- ja riippumattomuusoletuksia näiden residuaalien avulla. Voidaan käyttää graafisia esityksiä, esimerkiksi seuraavia:
171 Normaalisuusoletuksen tutkiminen esim. histogrammin avulla /3
172 Vakiovarianssisuuden ja riippumattomuuden tutkiminen pisteparvien avulla /4
173 Ei voida olettaa, että Var( i ) = 2, i = 1,, n (heteroskedastisuus) /5
174 /6 Mallin riittävyyden tutkiminen Esimerkki riittämättömästä mallista Pisteparvissa voidaan käyttää x-akselilla myös selittäjää.
175 /7 Esim. Autojen ominaisuuksia Y = Huippunopeus, x = Teho
176 /8 Jäännöstarkastelut Väärä mallin valinta
177 Y = Kiihtyvyys, x = Teho /9
178 /10 Jäännöstarkastelut Väärä mallin valinta
179 Y = Kulutus 120km/h, x = Kulutus 90 km/h /11
180 Jäännöstarkastelut /12
181 /13 Esim. Aineisto Rasvaprosentti sivulla y = rasvaprosentti x = vyötärön ympärys Ks. kevat2015/ra_rasvaprosentti.pdf
182 Jäännöstarkastelut /14
183 / Useampi selittävä muuttuja Kaksi selittäjää (2-RA) = + + +, = 1,2,, (2) Malliin liittyvät oletukset Estimointi i ~ N(0, 2 ) ja i :t ovat riippumattomia = + +,
184 /16 Testaukset H 0 : 1 = 0 H 1 : 1 0 = ~, H 0 : 2 = 0 H 1 : 2 0 = ~,
185 /17 H 0 : 0 = 0 H 1 : 0 0 = ~, H 0 : 1 = 2 =0 H 1 : molemmat eivät nollia = = 2 3 ~ 2, 3,
186 /18 Neliösummat SST = SSR + SSE MSR = SSR/2, MSE = SSE/(n-3) = Selityskerroin R 2 = SSR/SST
187 /19 Esim. 2 Aineisto Rasvaprosentti sivulla y = rasva% x 1 = vyötärön ympärys x 2 = ikä Regressioanalyysin tulokset /RA_rasvaprosentti.pdf
188 /20 Regressiomallissa hypoteesin = + +, = 1,2,, H 0 : 1 = 0 testaaminen voidaan tehdä joko t-testillä tai F-testillä, testisuureiden välinen yhteys = = =
189 /21 Esim. Jalkapalloilijat y = paino x = pituus t 2 = F
190 /1 MTTTA1 Tilastomenetelmien perusteet Luento Useampi selittävä muuttuja (jatkoa) Selittäjien lukumäärä k (k-ra) = Malliin liittyvät oletukset i ~ N(0, 2 ) ja i :t ovat riippumattomia Estimointi = + +
191 /2 Neliösummat SST = SSR + SSE MSR = SSR/k, MSE = SSE/(n-k-1) = Selityskerroin R 2 = SSR/SST Testaukset H 0 : i = 0 H 1 : i 0 = ~,
192 /3 H 0 : 1 = = k =0 H 1 : ainakin jokin i 0 = = 1 ~, 1,
193 /4 Esim. CTESTI-aineisto muuttujien kuvaukset 004/CTESTI_muuttujienkuvaus.pdf y = cooper x 1 = ikä x 2 = paino x 3 = hengitystilavuus
194 /5
195 /6
196 /7 Regressioanalyysin taulukko R 2 = SSR/SST SSR k MSR F=MSR/MSE SSE n-k-1 MSE ~F(k, n-k-1), kun H 0 tosi SST n-1 H 0 : 1 = = k =0 ( ) = ( ) = ( ) = ~, : = 0 ~, : = 0 ~, : = 0
197 /8 Koska SST = SSR + SSE 1 = SSR/SST + SSE/SST SSE/SST = 1 SSR/SST = 1 R 2, niin F-testisuure voidaan esittää myös R 2 :n avulla = ( 1) = = ( 1) 1
198 /9 Esim. y = kiinteistön myyntihinta (dollars) x 1 = asunnon koko (square feet) x 2 = tontin koko (square feet) x 3 = makuuhuoneiden lukumäärä x 4 = kylpyhuoneiden lukumäärä (Newbold, 1991) Regressiomalli = Estimoinnin tulos (kertoimet ja hajonnat) = 1998,5 + 22,352 x 1 + 1,4686 x ,3 x ,1 x 4 (2,5543) (1,4492) (1820,8) (1996,2) R 2 = 0,9843, n = 20, k = 4
199 /10 H 0 : 1 = 0 H 1 : 1 0 t = 22,352/2,5543 = 8,75 > t 0,05/2,15 = 2,131 H 0 hylätään H 0 : 2 = 0 H 1 : 2 0 t = 1,4686/1,4492 = 1,01< t 0,05/2,15 = 2,131 H 0 hyväksytään
200 /11 H 0 : 3 = 0 H 1 : 3 0 t= 6767,3/1820,8 = 3,72> t 0,05/2,15 = 2,131 H 0 hylätään H 0 : 4 = 0 H 1 : 4 0 t= 2701,1/1996,2 = 1,35< t 0,05/2,15 = 2,131 H 0 hyväksytään
201 /12 H 0 : 1 = = 4 =0 H 1 : ainakin jokin i 0 = 1. = 0, , = 235,1 >, ;, = 4,89 H 0 hylätään
202 /13 Jos selittävät muuttujat ovat keskenään voimakkaasti korreloituneita (multikollineaarisia), saattaa käydä niin, että H 0 : 1 = = k =0 hylätään (tehdään päättely, että ainakin jokin i 0), mutta kaikki hypoteesit H 0 : i = 0 hyväksytään.
203 / Selittävien muuttujien valinnasta ja mallin oletuksista Mallin valinnasta Tarpeeksi selittäjiä, mutta käyttötarkoitukseen sopiva, tulkittavissa oleva malli. Tarvittaessa muunnokset, jotta mallin oletuksen voimaan. Automaattiset mallinvalintamenetelmät - etenevä valinta (Forward) - taaksepäin eliminointi (Backward) - askeltava valinta (Stepwise)
204 /15 Esim Aineisto Liikennekuolemat sivulla y = liikennekuolemat x = liikennemäärät
205 /16 Malli I = + +, = 1, 2,, Mallin oletukset i ~ N(0, 2 ) ja i :t ovat riippumattomia R 2 = 0,914
206 /17 Residuaalitarkastelut: ei voi olettaa, että Var( i ) = 2, kun i = 1, 2,, n.
207 Malli II ln ( )= + ln ( )+, = 1,2,, /18
208 R 2 = 0,910, residuaalitarkastelut OK /19
209 /20 Esim. Aineisto Audi_A6 sivulla neistoja/ y = auton hinta x = vuosimalli z = ajetut kilometrit v = moottorin tilavuus Malleja: Y = x + ln(y) = ln(x) + Y = z + Y = z + 2 z 2 + Y = x + 2 v + Y = x + 2 v + 3 z +
210 /1 MTTTA1 Tilastomenetelmien perusteet Luento Useampi selittävä muuttuja (kertausta) Selittäjien lukumäärä k (k-ra) = Malliin liittyvät oletukset i ~ N(0, 2 ) ja i :t ovat riippumattomia
211 /2 Regressioanalyysin taulukko R 2 = SSR/SST SSR k MSR F=MSR/MSE SSE n-k-1 MSE ~F(k, n-k-1), kun H 0 tosi SST n-1 H 0 : 1 = = k =0 ( ) = ( ) = ( ) = ~, : = 0 ~, : = 0 ~, : = 0
212 /3 Esim. Ilmansaasteille altistumisen vaikutus kuolleisuuteen suurkaupungeissa (Devore&Peck) y = total mortality rate (deaths per 10000) x 1 = mean suspended particle reading (µg/m 3 ) x 2 = smallest sulfate reading ((µg/m 3 )x10) x 3 = population density (people/mi 2 ) x 4 = (percent nonwhite)x10 x 5 = (percent over 65)x10 Ks. myös e=2152&context=tepper
213 /4 Regressiomalli = Estimoinnin tuloksia (kertoimet ja hajontoja) = 19, ,041x 1 + 0,071x 2 + 0,001x 3 + 0,041 x 4 + 0,687x 5 (0,016) (0,007) R 2 = 0,827, n = 117, k = 5
214 /5 H 0 : 1 = 0 H 1 : 1 0 t = 0,041/0,016 = 2,5625 t 0,02/2,111 = 2,358, t 0,01/2,111 = 2,617 Siis 0,01 < p-arvo < 0,02 H 0 : 4 = 0 H 1 : 4 0 t = 0,041/0,007 = 5,86 > t 0,01/2,111 = 2,617 H 0 hylätään
215 /6 H 0 : 1 = = 5 =0 H 1 : ainakin jokin i 0 = 1 ~F k,n 1, kun tosi = 0, , = 106,124 >, ;, = 3,02 H 0 hylätään
216 /7 4.3 Selittävien muuttujien valinnasta ja mallin oletuksista (jatkoa) Esim. Polynomiregressio, y = viinin hinta, x = viinin ikä
217 /8 Malli Y = x + 2 x 2 + Malli Y = x 2 + R 2 = 0,974
218 /9 Esim. Autoregressio Tutkitaan vaikuttaako TV-mainonta tavaratalon myyntiin. Tarkastellaan viikoittaista myyntiä 20 viikon ajan, aineisto myynti_mainonta.sav sivulla y = myynti x = mainonta
219 Malli I: Y t = x t + t /10
220 Autokorreloituneet residuaalit /11
221 /12 Malli II Y t = x t + 2 y t-1 + t
222 /13 Esim Dummy-muuttuja selittäjänä mallissa y = Salary x = Years z = Sex (0 = nainen, 1 = mies)
223 Malli Y = x + 2 z + E(Y) = x, kun Sex=0 (naiset) E(Y) = x + 2, kun Sex = 1 (miehet) /14 Naisilla estimoitu Salary = 13,970+0,765 Years Miehillä estimoitu Salary = 13,970+0,765 Years+9,418 = 23,388+0,765 Years
224 4.4 Varianssianalyysimalli /15
225 /16 Luku 5 Epäparametrisista menetelmistä (ei tenttiin) Ei oletuksia populaatiosta, esim. normaalijakaumaoletusta. Mann-Witneyn testi Kahden riippumattoman otoksen t-testin epäparametrinen vastine (normaalijakaumaoletus ei voimassa) Kruskal-Wallisin testi Epäparametrinen vastine yksisuuntaiselle varianssianalyysille (normaalijakaumaoletusta ei
226 tehdä, selitettävä muuttuja voi olla järjestysasteikollinen) Welchin tai Brown-Forsythen testi Yksisuuntainen varianssianalyysi, kun oletus varianssien yhtäsuuruudesta ei voimassa /17 Ks. luentorunko s. 51, ko.pdf#page=52
227 /18 Tentit ma klo , Pinni B, ls. 3116,. voi osallistua, jos on tehnyt vähintään 30 % harjoituksista pe klo to klo , ls. D10 a+b Osaamistavoitteet o_5_3a_2018.pdf
228 /19 Mitä jatkoksi? Matematiikan ja tilastotieteen tutkinto-ohjelman opiskelijat Matematiikan ja tilastotieteen perusopinnot (tilastotieteen opintopolku) rid=14974&lang=fi&uilang=fi&lvv=2017 Tilastotieteen aineopinnot rid=14585&lang=fi&uilang=fi&lvv=2017
229 Tilastotieteen aineopintokokonaisuus valinnaisina opintoina /20 rid=14644&lang=fi&uilang=fi&lvv=2017
MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
11.1.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 11.1.2018 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017 11.1.2018/2
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
Lisätiedot4.2 Useampi selittävä muuttuja (kertausta)
14.2.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 14.2.2019 4.2 Useampi selittävä muuttuja (kertausta) Selittäjien lukumäärä k (k-ra) = + + + + Malliin liittyvät oletukset i ~ N(0, 2 ) ja i:t ovat
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotH0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta
22.1.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 22.1.2019 Luku 3 2 -yhteensopivuus- ja riippumattomuustestit 3.1 2 -yhteensopivuustesti H0: otos peräisin tietystä jakaumasta H1: otos ei peräisin
LisätiedotMTTTP5, luento Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta)
MTTTP5, luento 7.12.2017 7.12.2017/1 6.1.3 Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta) y = lepopulssi x = sukupuoli y = musikaalisuus x = sukupuoli
LisätiedotTutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)
1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,
LisätiedotMTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014
LisätiedotValitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.
9.10.2018/1 MTTTP1, luento 9.10.2018 KERTAUSTA TESTAUKSESTA, p-arvo Asetetaan H 0 H 1 Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. Lasketaan otoksesta testisuureelle arvo. 9.10.2018/2
Lisätiedot/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2
LisätiedotEsim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501
Esim. 2.1.1. Brand lkm keskiarvo keskihajonta A 10 251,28 5,977 B 10 261,06 3,866 C 10 269,95 4,501 y = 260, 76, n = 30 SS 1 = (n 1 1)s 2 1 = (10 1)5, 977 2 321, 52 SS 2 = (n 2 1)s 2 2 = (10 1)3, 8662
Lisätiedot6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely
3.12.2018/1 MTTTP5, luento 3.12.2018 6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely H 0 : = 0 Oletetaan, että populaatiossa viallisia %. Olkoon X 1, X
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
LisätiedotTilastollisten menetelmien perusteet II TILTP3 Luentorunko
Tilastollisten menetelmien perusteet II TILTP3 Luentorunko Raija Leppälä 29. helmikuuta 2012 Sisältö 1 Johdanto 2 1.1 Jatkuvista jakaumista 2 1.1.1 Normaalijakauma 2 1.1.2 Studentin t-jakauma 3 1.2 Satunnaisotos,
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
LisätiedotOtoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
Lisätiedot7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025
26.3.2019/1 MTTTP1, luento 26.3.2019 7.4 Normaalijakauma (kertausta ja täydennystä) Z ~ N(0, 1), tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96)
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTilastollisten menetelmien perusteet II TILTP3 Luentorunko, kevät 2004
Tilastollisten menetelmien perusteet II TILTP3 Luentorunko, kevät 2004 Esimerkkien ratkaisut http://mtl.uta.fi/tilasto/tiltp3/kevat2004/kaikki_esimerkit.pdf Raija Leppälä 19. joulukuuta 2003 Sisältö 1
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen 1 Jakaumaoletuksien testaamiseen soveltuvat testit χ 2 -yhteensopivuustesti yksi otos otoksen
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 5 viikko 42 6.10.2017 klo 10:42:20 Ryhmät: ke 08.30 10.00 LS C6 Paajanen ke 10.15 11.45 LS
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotMTTTP1, luento KERTAUSTA
19.3.2019/1 MTTTP1, luento 19.3.2019 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analyysin perusteet, kevät 007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen Jakaumaoletuksien testaamiseen soveltuvat testit χ -yhteensopivuustesti yksi otos otoksen vertaaminen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
LisätiedotJohdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1
Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n
LisätiedotTampereen yliopisto Matematiikan, tilastotieteen ja filosofian laitos Raija Leppälä puh , sähköposti
Tampereen yliopisto Matematiikan, tilastotieteen ja filosofian laitos Raija Leppälä puh. 03-2156301, sähköposti raija.leppala@uta.fi 3.2.01 Tilastollisten menetelmien perusteet II,TILTP3 Luentorunko, kevät
Lisätiedot/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin
30.11.2017/1 MTTTP5, luento 30.11.2017 Kertausta H 0 : µ = µ 0 Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin = / ~ 0,1. Kaava 5.1 30.11.2017/2 Esim. Tutkija
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotMTTTP1, luento KERTAUSTA JA TÄYDENNYSTÄ. Tunnusluvut. 1) Sijainnin tunnuslukuja. Keskilukuja moodi (Mo) mediaani (Md) keskiarvo, kaava (1)
20.9.2018/1 MTTTP1, luento 20.9.2018 KERTAUSTA JA TÄYDENNYSTÄ Tunnusluvut 1) Sijainnin tunnuslukuja Keskilukuja moodi (Mo) mediaani (Md) keskiarvo, kaava (1) Muita sijainnin tunnuslukuja ala- ja yläkvartiili,
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotKaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1
Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[TILTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2011 http://www.uta.fi/~strale/tiltp1/index.html 30.9.2011 klo 13:07:54 HARJOITUS 5 viikko 41 Ryhmät ke 08.30 10.00 ls. C8 Leppälä to 12.15 13.45 ls. A2a Laine
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
LisätiedotEsim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4
18.9.2018/1 MTTTP1, luento 18.9.2018 KERTAUSTA Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4 pyöristetyt todelliset luokka- frekvenssi luokkarajat luokkarajat keskus 42 52 41,5
LisätiedotTilastollisen analyysin perusteet Luento 2: Tilastolliset testit
Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015
12.1.2016/1 MTTTP5, luento 12.1.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta
Lisätiedot806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotJohdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 5
MS-A Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko Tilastollinen testaus Tilastollisten testaaminen Tilastollisen tutkimuksen kohteena olevasta perusjoukosta on esitetty jokin väite tai
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
Lisätiedotedellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾
ËØÙ ÓØÓ Ø Mitta-asteikot Nominaali- eli laatueroasteikko Ordinaali- eli järjestysasteikko Intervalli- eli välimatka-asteikko ( nolla mielivaltainen ) Suhdeasteikko ( nolla ei ole mielivaltainen ) Otos
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotTilastollisen analyysin perusteet Luento 5: Jakaumaoletuksien. testaaminen
Tilastollisen analyysin perusteet Luento 5: Sisältö Tilastotieteessä tehdään usein oletuksia havaintojen jakaumasta. Useat tilastolliset menetelmät toimivat tehottomasti tai jopa virheellisesti, jos jakaumaoletukset
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
Lisätiedot/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla
17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedot