Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
|
|
- Tero Parviainen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt, Estmaattor, Hajotakuvo, Jääöselösumma, Jääösterm, Jääösvahtelu, Leaare regressomall, Kokoasvahtelu, Mallelösumma, Nelösumma, Otos, Otoskoko, Otoskeskhajota, Otoskorrelaato, Otoskovarass, Otosvarass, Pemmä elösumma meetelmä, Pstedagramm, Regressokerro, Regressomall, Regressosuora, Resduaal, Seltettävä muuttuja, Selttäjä, Selttävä muuttuja, Selts, Seltsaste, Sovte, Varassaalshajotelma, Vrheterm 4.. Prrä kohte (a)-(c) havatoaestoh lttvät pstedagrammt (hajotakuvot). Mh kuvosta leaare hde selttäjä regressomall sop hv, mh keskkertasest ja mh huoost? (a) (b) (c) Ratkasu: (a) Leaare regressomall sop tähä aestoo keskkertasest Ilkka Mell (5) /4
2 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (b) Leaare regressomall sop tähä aestoo huoost (c) Leaare regressomall sop tähä aestoo hv Sovta jokasee tehtävä havatoaestosta hde selttäjä leaare regressomall pemmä elösumma meetelmää kättäe. Laske estmotuje malle sovtteet ja resduaalt. Totea, että jokasella estmodulla malllla sovttede summa o sama ku seltettävä muuttuja havattuje arvoje summa ja resduaale summa o =. Määrää mös estmotuje malle seltsasteet. Ratkasu: Yhde selttäjä leaare regressomall lee muoto o jossa = β + β + ε, =,,, Ilkka Mell (5) /4
3 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset = seltettävä muuttuja satuae ja havattu arvo havatokskössä = selttäjä (selttävä muuttuja) e-satuae ja havattu arvo havatokskössä ε = jääös- el vrheterm satuae ja e-havattu arvo havatokskössä β = e-satuae ja tutemato vako (vakoselttäjä regressokerro) β = selttäjä e-satuae ja tutemato regressokerro Mall jääöstermstä tehdää seuraavat stokastset oletukset: () ε, ε,, ε ovat rppumattoma () ε σ = N(, ),,,, Jos mall selttäjä arvot ovat satuasa, korvataa jääöstermä ε koskeva oletus () llä estetssä s. stadardoletuksssa seuraavalla oletuksella: () ε σ = N(, ),,,, Oletus () tarkottaa, että satuasmuuttuja ε ehdolle jakauma ehdolla o ormaale. Mall = β + β + ε, =,,, regressokertome β ja β pemmä elösumma (PNS-) estmaattort saadaa kaavolla jossa b = b s s b = r = s s = = = = s s = ( ) = ( = = s = ( )( ) r = s = ss ) Ilkka Mell (5) 3/4
4 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Jos regressokertomet joudutaa laskemaa käs ta laskmella, laskutomtukset kaattaa järjestää seuraava tauluko muotoo: ˆ e e ˆ e e ˆ e e # # # # # # # # # ˆ e e Sum = = = = = = = e Huomaa, että samaa taulukkoo o mukava laskea mös estmodu mall sovtteet ja resduaalt (ks. määrtelmä alla) sekä resduaale elösumma. Jos tarkotuksea o laskea aoastaa regressokertome β ja β PNS-estmaatt, llä olevasta taulukosta tarvtaa va -havatoje summa Σ ja elösumma Σ, - havatoje summa Σ sekä - ja -havatoje tulosumma Σ. Jos tarkotuksea o laskea mös estmodu mall seltsaste, tarvtaa edellä mattuje suurede lsäks mös -havatoje elösumma Σ sekä estmodu mall resduaale elösumma Σe. Artmeettset keskarvot ja, otosvarasst s ja s sekä otoskovarass s saadaa llä oleva tauluko sarakesummsta kaavolla = = = = s = s = = = = = s = = = = josta regressokertome estmaatt saadaa ss lasketuks kaavolla s b = s b = b Ilkka Mell (5) 4/4
5 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Estmodu mall sovtteet saadaa kaavalla ˆ = b + b, =,,, ja resduaalt kaavalla e = ˆ = b b, =,,, Huomaa, että (koska mallssa o mukaa vakoterm) aa pätee ˆ = ( b + b ) = b + b = = = = = b + b = ( b ) + b = = = ja ste resduaale summa = : = = = = e = ( ˆ ) = ˆ = Estmodu mall seltsaste vodaa laskea kaavolla jossa R = SSE SSM [Cor(, ˆ)] SST = SST = SSE = e = o estmodu mall jääöselösumma (resduaale elösumma) SST = ( ) = ( ) s = o seltettävä muuttuja arvoje vahtelua kuvaava kokoaselösumma ja SSM = SST SSE = ( ˆ ) = o estmodu mall mallelösumma. Seltsastee määrtelmä perustuu she, että (koska mallssa o mukaa vakoterm) aa pätee s. varassaalshajotelma SST = SSM + SSE jossa mallelösumma SSM kuvaa stä osaa seltettävä muuttuja arvoje kokoasvahtelusta, joka mall o selttät ja jääöselösumma SSM kuvaa stä osaa seltettävä muuttuja arvoje kokoasvahtelusta, jota mall e ole selttät. Huomaa, että hde selttäjä leaarse regressomall tapauksessa pätee R = r Ilkka Mell (5) 5/4
6 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (a) Ecel-taulukko tehtävä (a)-kohda havatoaestosta: Sovte Res Res Yht E Taulukosta saadaa: Ste = 75 = 9.67 = 5 = s = = s = = s = = 6 6 b = = b = b = = 5.63 Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = = 5.59 e = ˆ = =.4 Estmodu mall seltsasteeks saadaa R = =.897 (6 ) 49.6 Ilkka Mell (5) 6/4
7 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (b) Ecel-taulukko tehtävä (b)-kohda havatoaestosta: Sovte Res Res Yht E Taulukosta saadaa: Ste = 55 = = 49 = s = = s = = s = = b = = b = b = = Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = = 3.94 e = ˆ = 3.94 =.94 Estmodu mall seltsasteeks saadaa R = =.7 (6 ) Ilkka Mell (5) 7/4
8 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (c) Ecel-taulukko tehtävä (c)-kohda havatoaestosta: Sovte Res Res Yht E Taulukosta saadaa: Ste = 65 = 7.5 = 48 = s = = 37.5 s = = s = = b = = b = b = (.8) 7.5 = Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = (.8 5) = e = ˆ = =.7 Estmodu mall seltsasteeks saadaa.87 R = =.997 (6 ) Seuraavalla svulla o kuvot, jossa estmodut regressosuorat o prrett kohte (a)-(c) havatoaestoja kuvaav pstedagrammeh. Ilkka Mell (5) 8/4
9 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (a) 5 4 = R = (b) 4 3 (c) = R = = R = Ilkka Mell (5) 9/4
10 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset 4.3. O teht tutkmus eerga kulutukse ja kottaloude tulotaso välsestä htedestä. Seuraavassa taulukossa o aettu kottaloude tulotaso muuttujaa (kskkö: $ per vuos) ja eerga kulutus muuttujaa (kskkö: 8 Btu per vuos): Eerga kulutus Kottaloude tulotaso (a) (b) (c) (d) (e) Ratkasu: Prrä pstedagramm (hajotakuvo). Estmo hde selttäjä leaare regressomall, jossa seltettävää muuttuja o eerga kulutus (= ) ja selttäjä o tulotaso (= ) ja vakoterm. Määrää estmodu mall seltsaste sekä estä mös estmodu mall varassaalshajotelma. Estmo kottaloukse keskmääräe eergakulutus, ku = 5 (kottaloude tulotaso = 5 $). Oletetaa, että perhe A asatsee vuodessa $ eemmä ku perhe B. Kuka paljo eemmä (ta vähemmä) perhe B kuluttaa eergaa ku perhe A keskmäär vuodessa? Ks. mös tehtävää 4.. Ilkka Mell (5) /4
11 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (a) (b) Ecel-taulukko tehtävä havatoaestosta: Sovte Res Res Yht E Taulukosta saadaa: = = = = = = 46. = = s = = = = = 8 8 s = == = = = 8 8 s = = = = = = 8 8 Ilkka Mell (5) /4
12 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Ste s 7.8 b = = = s b = b = (.95733) 58.5 =.77 Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = = e = ˆ = =.375 (c) Koska ja SSE = e =.55 = ( ) ( ) (8 ) = SST = = s = = Estmodu mall mallelösummaks saadaa SSM = SST SSE = = 47.3 Estmodu mall varassaalshajotelma o ste SST = = SSM + SSE = ja estmodu mall seltsasteeks saadaa SSE.55 R = = =.969 SST = R = Ilkka Mell (5) /4
13 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (d) Estmodu regressosuora htälö o (b)-kohda mukaa = b + b = Sjotetaa suora htälöö Saadaa = 5 = = 5.44 Ste sellase kottaloude, jolla vuostulot ovat 5 $, keskmääräe eergakulutus o. 5 8 Btu per vuos. (e) Olkoo perhee A vuostulot ja perhee B + Tällö perhee A keskmääräe eergakulutus o A = b + b ja perhee B keskmääräe eergakulutus o B = b + b ( + ) = b + b + b = A + b Ste B A = b Tässä = Ste B A = b = =.947 el perhe B kuluttaa eergaa keskmäär.9 8 Btu per vuos. Ilkka Mell (5) 3/4
14 Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Huomautus: Tehtävä 3.3. kohdassa (e) o kätett hväks estmodu regressosuora kulmakertome geometrsta tulktaa. Oletetaa, että selttäjä arvo kasvaa hdellä ksköllä. Tällö seltettävä muuttuja arvo muuttuu b kskköä: Jos + b + b ( + ) = b + b + b = + b Ilkka Mell (5) 4/4
on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:
Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,
1. PARAMETRIEN ESTIMOINTI
Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6
Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys
Tilastollinen riippuvuus ja korrelaatio
Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue
Mat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
Testaa onko lämpökäsittelyllä vaikutusta tankojen keskimääräiseen vetolujuuteen.
Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset / Ratasut Aheet: Avasaat: Yssuutae varassaals Artmeette esarvo, Bartlett test, Box ja Whser
Mat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.090 Sovellettu todeäkösyyslasku A Nordlud Harotus (vko 49/003) (Ahe: Tlastollsa testeä, regressoaalyysä Lae luvut 5.5, 6) HUOM! Laskarede palautukse takaraa o pokkeuksellsest
7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä
Mat.36 Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora 7.. Suurmma uskottavuude estmotmeetelmä Akasarja,
Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:
Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,
MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN
MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset
TKK @ Ilkka Mellin (2008) 1/24
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto
TKK (c Ila Mell (004 Varassaalyys Varassaalyys: Johdato Johdatus tlastoteteesee Varassaalyys TKK (c Ila Mell (004 Varassaalyys: Mtä opmme? Tarastelemme tässä luvussa seuraavaa ysymystä: Mte tavaomae ahde
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4
MS-A Todeäkösyyslaskea ja tlastotetee peruskurss Vkko Tlastollste aestoje kerääme ja mttaame; tlastollste aestoje kuvaame; Otokset ja otosjakaumat; Estmot; Estmotmeetelmät; Vällestmot Mtä tlastotede o?
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6
Todeäkölakea ja tlatotetee perukur Emerkkkokoelma 6 Todeäkölakea ja tlatotetee perukur Emerkkkokoelma 6 Aheet: Tlatolle rppuvuu ja korrelaato Yhde elttäjä leaare regreomall Avaaat: Artmeette kekarvo Etmot
ε i = jäännös- eli virhetermin ε satunnainen ja ei-havaittu arvo havaintoyksikössä i
Mat-.60 Sovellettu todeäkölaketa B. harjotuket Mat-.60 Sovellettu todeäkölaketa B. harjotuket / Ratkaut Aheet: Yhde elttäjä leaare regreomall Avaaat: Ehdolle jakauma, Ehdolle odotuarvo, Ehdolle vara, Etmot,
Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4
TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun
Mat Koesuunnittelu ja tilastolliset mallit
Mat-.03 Koeuuttelu tlatollet mallt. harjotuket Mat-.03 Koeuuttelu tlatollet mallt. harjotuket / Ratkaut Aheet: Avaaat: Tlatollte aetoje kuvaame Oto otokaumat Etmot Etmotmeetelmät Väletmot Artmeette kekarvo,
Tilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaals Tlastollset meetelmät: Leaare regressoaals 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaals 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall
Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot
TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet
Muuttujien välisten riippuvuuksien analysointi
Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus
Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot
TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka
1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia
Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,
Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?
TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet
1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit
Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,
Suoran sovittaminen pistejoukkoon
Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.
MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt
2-suuntainen vaihtoehtoinen hypoteesi
Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,
Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.
Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot Ilkka Mell 5 Tlastollset
Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)
Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,
1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:
MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot
Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut
Yhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli
TKK (c) Ilkka Melli (4) Yhde selittää lieaarie regressiomalli Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
Ratkaisu: Kaikki tehtävän laskutoimitukset on tehty Microsoft Excel -ohjelmalla; ks. taulukkoa tehtävän lopussa.
Mat-.09 Sovellettu todeäköyylaku. harjotuket Mat-.09 Sovellettu todeäköyylaku. harjotuket / Ratkaut Aheet: Avaaat: Regreoaalyy Etmot, Jääöelöumma, Jääöterm, Jääövara, Kekhajota, Kokoaelöumma, Korrelaato,
Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet
Mat-1.361 Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto,
Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus
Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,
Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus
Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 6
MS-A Todeäkölakea ja tlatotetee perukur Vkko Tlatolle rppuvuu ja korrelaato; Yhde elttäjä leaare regreomall Rppuvuu, korrelaato ja regreoaal Tlatoteteeä kahde muuttuja väle rppuvuu vo olla Ekakta: toe
Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:
Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,
Moniulotteiset jakaumat ja havaintoaineistot
Momuuttujameetelmät: Ilkka Mell. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat.. Yhtesjakaumat.3. Reuajakaumat ja satuasmuuttuje rumattomuus.4. Ehdollset jakaumat.5. Yhtesjakaume tuusluvut.6.
1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä
Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10
Tilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä
Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi
T (c lkka Melln (005 akssuuntanen varanssanals Varanssanals: ohdanto akssuuntasen varanssanalsn mall a sen parametren estmont ohdatus tlastoteteeseen akssuuntanen varanssanals T (c lkka Melln (005 akssuuntanen
Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot
Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset
Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet
Mat.36 Tlastolle päättely 3. Pste estmot Tlastolle päättely 3. Pste estmot 3.. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste estmot, Pstetodeäkösyysfukto,
Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Estmot Estmotmeetelmät Välestmot Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, Estmaatt, Estmaattor,
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tlastollsen analyysn perusteet, evät 007. luento: Johdatus varanssanalyysn S ysteemanalyysn Laboratoro Ka Vrtanen Kertaus: ahden rppumattoman otosen t-test () () Perusjouo oostuu ahdesta ryhmästä
Yhden selittäjän lineaarinen regressiomalli
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli
9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa
13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit
68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta
9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli
Ssältö Kertausta: ykskertae lkeeteoreette mall M/M/-PS asakasta palvelja asakaspakkaa M/M/-PS asakasta palveljaa asakaspakkaa Sovellus elastse datalketee malltamsee vuotasolla M/M//k/k-PS k asakasta palvelja
Luento 6 Luotettavuus Koherentit järjestelmät
Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu
Ilkka Mellin (2006) 1/1
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten
Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi
Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot TKK @ Ilkka Mell (006)
Väliestimointi (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).
Puutteiden lukumäärän estimointi toisen asteen polynomin avulla
JOENSUUN YLIOPISTO TIETOJENKÄSITTELYTIETEEN LAITOS Raorttsarja A Puuttede lukumäärä estmot tose astee olom avulla Matt Nem Reort A-3-5 ACM D.. ISSN 789-736 ISBN 95-458-46-9 /4 Puuttede lukumäärä estmot
3.5 Generoivat funktiot ja momentit
3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä
Johdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
Raja-arvot. Osittaisderivaatat.
1 MAT-13440 LAAJA MATEMATIIKKA 4 Tamperee teklle ylopsto Rsto Slveoe Kevät 2010 Luku 3 Raja-arvot Osttasdervaatat 1 Fuktode raja-arvot Tarkastelemme fuktota f : A, jode määrttelyjoukko A T Muuttujat ovat
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tilatollie aali peruteet, kevät 7 6. lueto: Johdatu regreioaalii Regreioaali idea Tavoitteea elittää elitettävä tekiä/muuttua havaittue arvoe vaihtelu elittävie tekiöide/muuttuie havaittue arvoe
3. Datan käsittely lyhyt katsaus
3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
HASSEN-WEILIN LAUSE. Kertausta
HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten
Testit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma
KSU-430/Ten 4..2008/Prof. Seppo Vranen /3 Käyövarmuuden ja kunnossapdon perusee, KSU-430: Ten ma 4..2008 Huom. Vasaus van veen kysymykseen. Funko- ja/a ohjelmoavan laskmen, musnpanojen, luenomonseden ja
Testit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paper -harjotukset Tana Lehtnen 8.8.07 Tana I Lehtnen Helsngn ylopsto Etelä-Suomen ja Lapn lään, 400 opettajaa a. Perusjoukon (populaaton) muodostvat kakk Etelä-Suomen ja Lapn läänn peruskoulun opettajat
Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt
TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,
Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä
Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste
Jaksolliset ja toistuvat suoritukset
Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e
5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7.4.006 Thomas Hackman 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 5. Tähtteteellsten
Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LUJUUSOPPI 20/1 SESSIO 20: PINTASUUREET JOHDANTO
LUJUUPP / E : PNTUUREET JHDNT Lujuusp tehtäve ratkasussa tarvtaa erlasa gemetrsa ptasuureta kute pta-ala, staatte mmett, ptakeskö, elömmett, tulmmett ja pääelömmett. Nämä pkklekkaukse gemetrset suureet
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2
Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma Aheet: Satuasmuuttujat ja todeäkösyysjakaumat Kertymäfukto Jakaume tuusluvut Dskreettejä jakauma Jatkuva jakauma Avasaat: Bomjakauma Desl Dskreett
Mat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
Otantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
5.3 Matriisin kääntäminen adjungaatilla
Vaasa yliopisto julkaisuja 08 Sec:MatIvAdj 53 Matriisi käätämie adjugaatilla Määritelmä 3 -matriisi A adjugaatti o -matriisi adj(a) (α i j ), missä α i j ( ) i+ j det(a ji ) (, joka o siis alkioo a ji
Mat Tilastollisen analyysin perusteet, kevät 2007
Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie
Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut
Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,
Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2007) 1 Yleinen lineaarinen malli >> Usean selittäjän lineaarinen regressiomalli
4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
POIKKILEIKKAUKSEN GEOMETRISET SUUREET
KLEKKUKEN GEMETRET UUREET d Pleause gemetrset suureet määrtellää melvaltase pstee (, hdalla leva ptaelemet d avulla. Tässä ästeltävä ptasuureta lasettaessa vdaa ättää hteelasuperaatetta (mös väheslasuperaate
Tilastollisen fysiikan luennot
Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta
Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Regressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2
TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?
Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,
LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN
Oulun ylopsto Fyskan opetuslaboratoro Fyskan laboratorotyöt LIITE SUORA SOVITTAMIE HAVAITOPISTEISII Tarkastelemme fyskan tössä usen eteen tulevaa tlannetta, jossa olemme mtanneet kpl pstepareja ( X, Y
Tilastollisen 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
Äärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims
75 4 POTENSSISARJOJA 4.1 ÄÄRETTÖMÄT SARJAT Lukujoo { a k } summaa S a a a a a k 0 1 k k0 saotaa äärettömäksi sarjaksi. Summa o s. osasumma. S a a a a a k 0 1 k0 Äärettämä sarja (tai vai sarja) saotaa suppeeva