2 k -faktorikokeet. Vilkkumaa / Kuusinen 1

Koko: px
Aloita esitys sivulta:

Download "2 k -faktorikokeet. Vilkkumaa / Kuusinen 1"

Transkriptio

1 2 k -faktorikokeet Vilkkumaa / Kuusinen 1

2 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta käytetään usein tutkimuksen alkuvaiheessa, jossa tutkittavia faktoreita on yleensä paljon - 2 k -faktorikoe vaatii pienimmän mahdollisen havaintomäärän k:n tekijän vaikutusten tutkimisessa - Kokeen perusteella voidaan tunnistaa tärkeimmät tekijät, joiden tasojen määrää voidaan lisätä Vilkkumaa / Kuusinen 2

3 2 2 -faktorikokeet Vilkkumaa / Kuusinen 3

4 2 2 -faktorikokeet Oletetaan, että haluamme tutkia, miten kaksi faktoria eli tekijää A ja B, joilla molemmilla on kaksi tasoa: matala (-) ja korkea (+) vaikuttavat vastemuuttujan y keskimääräisiin arvoihin. Kokeen kohteisiin voidaan kohdistaa 2 2 = 4 käsittelykombinaatiota: A B Käsittelykombinaatio Merkintä - - A =matala, B =matala (1) + - A =korkea, B =matala a - + A =matala, B =korkea b + + A =korkea, B =korkea ab Vilkkumaa / Kuusinen 4

5 Havaintoarvojen summat Oletetaan, että jokaista käsittelykombinaatiota on kokeessa toistettu n kertaa, jolloin havaintojen kokonaislukumäärä on 2 2 n = 2 2 n = 4n Merkitään vastemuuttujan y havaittujen arvojen summaa jokaiselle käsittelykombinaatiolle samalla tavalla kuin itse käsittelykombinaatiota: (1) = Havaintoarvojen summa, kun A = ( ), B = ( ) a = Havaintoarvojen summa, kun A = (+), B = ( ) b = Havaintoarvojen summa, kun A = ( ), B = (+) ab = Havaintoarvojen summa, kun A = (+), B = (+) Vilkkumaa / Kuusinen 5

6 Tekijän A päävaikutus Tekijän A vaikutus, kun tekijän B taso on matala (-): + b ab (a (1))/n B Tekijän A vaikutus, kun tekijän B taso on korkea (+): (1) a (ab b)/n A + Tekijän A päävaikutus saadaan edellisten keskiarvona: A = 1 2 [ a (1) n + ab b n ] = 1 [ab + a b (1)] 2n Vilkkumaa / Kuusinen 6

7 Tekijän B päävaikutus Tekijän B vaikutus, kun tekijän A taso on matala (-): + b ab (b (1))/n B Tekijän B vaikutus, kun tekijän A taso on korkea (+): (1) a (ab a)/n A + Tekijän B päävaikutus saadaan edellisten keskiarvona: B = 1 2 [ b (1) n + ab a n ] = 1 [ab + b a (1)] 2n Vilkkumaa / Kuusinen 7

8 Tekijöiden A ja B yhdysvaikutus Tekijöiden A ja B interaktio eli yhdysvaikutus: AB = 1 [ ab b a (1) ] = 1 [ ab a 2 n n 2 n = 1 [ab a b + (1)] 2n b (1) n ] + b ab B (1) a A + Vilkkumaa / Kuusinen 8

9 Neliösummia 1/3 Tekijöiden A ja B päävaikutukset ja yhdysvaikutus ovat käsittelykombinaatioiden (ab, a, b, (1)) ortogonaalisia kontrasteja: A = 1 [ab + a b (1)] 2n B = 1 [ab a + b (1)] 2n AB = 1 [ab a b + (1)] 2n Vilkkumaa / Kuusinen 9

10 Neliösummia 2/3 Koska tekijöiden A ja B päävaikutukset ja yhdysvaikutus ovat käsittelykombinaatioiden (ab, a, b, (1)) ortogonaalisia kontrasteja, niitä vastaavat neliösummat saadaan kaavoilla: SSA = 1 [ab + a b (1)]2 4n SSB = 1 [ab a + b (1)]2 4n SSAB = 1 [ab a b + (1)]2 4n Vilkkumaa / Kuusinen 10

11 Neliösummia 3/3 Olkoon y kij k. havainto tekijän A tason i ja tekijän B tason j määräämässä ryhmässä (i, j). Kokonaisneliösumma SST ja jäännösneliösumma SSE määritetään kuten kaksisuuntaisessa varianssianalyysissa: SST = 2 2 n (y kij ȳ ) 2 i=1 j=1 k=1 SSE = 2 2 n (y kij ȳ ij ) 2 i=1 j=1 k=1 Neliösummat toteuttavat kaksisuuntaisen varianssianalyysin varianssianalyysihajotelman SST = SSA + SSB + SSAB + SSE. Vilkkumaa / Kuusinen 11

12 2 2 -faktorikokeen nollahypoteesit 2 2 -faktorikokeessa kiinnostuksen kohteena olevat nollahypoteesit ovat: H AB : Ei yhdysvaikutusta H A : Ei A-vaikutusta H B : Ei B-vaikutusta Vilkkumaa / Kuusinen 12

13 Varianssianalyysitaulukko 2 2 -faktorikokeessa testit nollahypoteeseille H AB, H A ja H B perustuvat seuraavaan varianssianalyysitaulukkoon: Vaihtelun SS df M S F lähde A SSA 1 MSA = SSA/df F A = MSA/MSE B SSB 1 MSB = SSB/df F B = MSB/MSE AB SSAB 1 MSAB = SSAB/df F AB = MSAB/MSE Jäännös SSE 4(n 1) M SE = SSE/df Kokonais- SST 4n 1 vaihtelu Vilkkumaa / Kuusinen 13

14 Klikkeri-kysely Tutkitaan reaktantin konsentraation (A) ja katalyytin määrän (B) vaikutusta kemiallisen prosessin vasteeseen. Minkä johtopäätöksen voit tehdä? 1. Tekijöillä A ja B on yhdysvaikutusta, muttei itsenäisiä vaikutuksia 2. Tekijöillä A ja B on itsenäistä vaikutusta, muttei yhdysvaikutusta 3. Tekijöillä A ja B on sekä itsenäistä vaikutusta että yhdysvaikutusta Source SS df M S F p-value A F A = B F B = AB F AB = Within Total Vilkkumaa / Kuusinen 14

15 2 k -faktorikokeet Vilkkumaa / Kuusinen 15

16 2 k -faktorikokeet Oletetaan, että haluamme tutkia, miten k faktoria eli tekijää A, B,..., K, joilla kaikilla on kaksi tasoa: matala ( ) ja korkea (+) vaikuttavat vastemuuttujan y keskimääräisiin arvoihin. 2 k -faktorikokeen tilastollinen malli sisältää k päävaikutusta, ( k 2) kahden tekijän yhdysvaikutusta, ( k 3) kolmen tekijän yhdysvaikutusta,..., yhden k:n tekijän yhdysvaikutuksen. Vilkkumaa / Kuusinen 16

17 2 k -faktorikokeet 2 k -faktorikokeen kohteisiin voidaan kohdistaa 2 k käsittelykombinaatiota. Esim koe: Tekijä Merkintä A B C (1) a + b + ab + + c + ac + + bc + + abc Vilkkumaa / Kuusinen 17

18 Havaintoarvojen summat Oletetaan, että jokaista käsittelykombinaatiota on kokeessa toistettu n kertaa, jolloin havaintojen kokonaislukumäärä on 2 k n. Merkitään vastemuuttujan y havaittujen arvojen summaa jokaiselle käsittelykombinaatiolle samalla tavalla kuin itse käsittelykombinaatiota. Esim koe: (1) = Havaintoarvojen summa, kun A =, B =, C = a = Havaintoarvojen summa, kun A = +, B =, C = b = Havaintoarvojen summa, kun A =, B = +, C = ab = Havaintoarvojen summa, kun A = +, B = +, C = c = Havaintoarvojen summa, kun A =, B =, C = + ac = Havaintoarvojen summa, kun A = +, B =, C = + bc = Havaintoarvojen summa, kun A =, B = +, C = + abc = Havaintoarvojen summa, kun A = +, B = +, C = + Vilkkumaa / Kuusinen 18

19 2 k -faktorikokeen vaikutusten estimointi Tekijöiden A, B, C,..., K pää- ja yhdysvaikutukset voidaan estimoida kaavalla X = (a ± 1)(b ± 1) (k ± 1) n2 k 1, missä X viittaa estimoitavaan vaikutukseen ja sulkeiden sisällä käytetään miinus-merkkiä ( ), jos tekijä on mukana vaikutuksessa ja plus-merkkiä (+), jos tekijä ei ole mukana vaikutuksessa. Lopullisessa lausekkeessa 1 korvataan merkinnällä (1). Esim koe: tekijöiden A ja C yhdysvaikutus AC = (a 1)(b + 1)(c 1)/n2 3 1 = (abc ab + ac a bc + b c + (1))/4n Vilkkumaa / Kuusinen 19

20 2 k -faktorikokeen vaikutusten neliösummien määrääminen Koska tekijöiden A, B, C,..., K pää- ja yhdysvaikutukset ovat käsittelykombinaatioiden ortogonaalisia kontrasteja, niitä vastaavat neliösummat saadaan kaavalla SSX = n2 k 2 X 2, missä X viittaa kiinnostuksen kohteena olevaan vaikutukseen. Vilkkumaa / Kuusinen 20

21 Kokonaisneliösumma Olkoon y lij k l. havainto tekijän A tason i, tekijän B tason j,..., tekijän K tason k määräämässä ryhmässä (i, j,..., k). Tällöin havaintoarvojen kokonaisneliösumma on SST = n (y lij k ȳ ) 2. i=1 j=1 k=1 l=1 Vilkkumaa / Kuusinen 21

22 Jäännösneliösumma Määritellään ryhmien sisäistä vaihtelua kuvaava jäännösneliösumma kaavalla missä SSE = ȳ ij k = 1 n 2 i=1 2 j=1 2 k=1 n (y lij k ȳ ij k ) 2, l=1 n y lij k, i = 1, 2, j = 1, 2,..., k = 1, 2 l=1 on ryhmän (i, j,..., k) havaintoarvojen aritmeettinen keskiarvo. Neliösummat toteuttavat varianssianalyysihajotelman SST = SSA + SSB + + SSK + SSAB + SSAC + + SSJK + SSABC + SSABD + + SSIJK + + SSAB K + SSE Vilkkumaa / Kuusinen 22

23 2 k -faktorikokeen testit Jos nollahypoteesi H X : Ei X-vaikutusta pätee, testisuure F X = 2 k (n 1) SSX SSE noudattaa F-jakaumaa vapausastein (1, 2 k (n 1)). Suuret testisuureen arvot johtavat nollahypoteesin hylkäämiseen. Vilkkumaa / Kuusinen 23

24 Yhden toiston 2 k -faktorikoe Kun faktorien määrä 2 k -faktorikokeessa kasvaa, tarvittavien havaintojen määrä (2 k+1 kpl) voi ylittää kokeen tekijän resurssit. Suurin osa havainnoista käytetään korkean asteen yhdysvaikutustermien estimointiin, vaikka ko. termit ovat harvoin merkityksellisiä Koe voidaan aloittaa vain yhdellä toistolla eli 2 k havainnolla Näiden havaintojen perusteella ei voida muodostaa jäännösneliösummaa SSE, eikä täten testata tekijöiden vaikutuksia Vaikutusten neliösummien perusteella voidaan kuitenkin arvioida, mitkä vaikutukset ovat merkityksettömiä, ja muodostaa SSE näitä vastaavista neliösummista Vilkkumaa / Kuusinen 24

25 Esimerkki Vilkkumaa / Kuusinen 25

26 Yhden toiston 2 k -faktorikoe Vilkkumaa / Kuusinen 26

27 Yhden toiston 2 k -faktorikoe Vaikutusta B vastaavat summat pieniä asetetaan satunnaisvaihteluksi SSE = SSB + SSAB + SSBC SSABCD Source SS df M S F p-value A C D AC AD CD ACD Within Total Vilkkumaa / Kuusinen 27

28 Yhteenveto: 2 k -faktorikokeet 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa 2 k -faktorikoetta käytetään usein tutkimuksen alkuvaiheessa, sillä - Havaintoja tarvitaan minimaalinen määrä k:n tekijän vaikutuksen tutkimiseen (2 k+1 kpl; tai yhden toiston kokeessa 2 k kpl) - Neliösummat saadaan helposti laskettua kontrastien kautta - Kokeen avulla voidaan tunnistaa kiinnostavimmat tekijät, joiden tasojen määrää voidaan jatkotutkimuksissa lisätä Vilkkumaa / Kuusinen 28

29 Osafaktorikokeet Vilkkumaa / Kuusinen 29

30 Motivointi Jos tutkittavia tekijöitä on paljon, voi yhteen toistoon vaadittava 2 k havaintoakin olla liikaa Esim. täyden 2 6 -faktorikokeen yksi toisto edellyttää 64 havainnon poimimista. Kyseinen koe sisältää 63 vapausastetta: - 6 vapausastetta liittyy päävaikutuksiin - 15 vapausastetta liittyy kahden faktorin yhdysvaikutuksiin - 42 vapausastetta liittyy kolmen tai useamman faktorin yhdysvaikutuksiin Vilkkumaa / Kuusinen 30

31 Motivointi Jos voidaan olettaa, että tietyt korkeamman asteen yhdysvaikutukset ovat merkityksettömiä, on kiinnostavien vaikutusten selvittäminen mahdollista ottamalla vain 1/2, 1/4, 1/8 jne. täyden 2 k -faktorikokeen havainnoista, eli 2 k p havaintoa. Tällaista koesuunnitelmaa kutsutaan osafaktorikokeeksi (eng. fractional factorial experiment). Myöhemmässä vaiheessa merkityksellisiä tekijöitä voidaan tutkia tarkemmin uusilla koejärjestelyillä. Vilkkumaa / Kuusinen 31

32 2 k 1 -osafaktorikokeet 2 k 1 -osafaktorikokeessa poimitaan puolet täyden 2 k -faktorikokeen havainnoista. Poimittavat havainnot valitaan siten, että saadusta datasta voidaan estimoida mahdollisimman hyvin päävaikutukset ja matalan asteen yhdysvaikutukset, ts. kokeen resoluutio on mahdollisimman korkea. Vilkkumaa / Kuusinen 32

33 2 k 1 -osafaktorikoesuunnitelman muodostaminen 2 k 1 -osafaktorikoesuunnitelma voidaan muodostaa seuraavasti: 1. Muodostetaan täysi faktorikoesuunnitelma (k 1):lle faktorille 2. Asetetaan k:nnen faktorin tasoiksi kussakin havainnossa sama kuin on korkeimman asteen yhdysvaikutuksen ABC (K 1) merkki: K = ABC (K 1) Tällä menetelmällä saadaan korkeimman mahdollisen resoluution 2 k 1 -osafaktorikoesuunnitelma. Saman resoluution osafaktorikoesuunnitelma saadaan myös asettamalla K = ABC (K 1) Vilkkumaa / Kuusinen 33

34 Esimerkki: koesuunnitelman muodostaminen 1/2 Muodostetaan ensin täysi 2 2 -koesuunnitelma: Käsittely A B a + b + (1) ab + + Vilkkumaa / Kuusinen 34

35 Esimerkki: koesuunnitelman muodostaminen 2/2 Asetetaan kolmannen faktorin C tasoksi kussakin havainnossa C = AB: Käsittely A B C = AB a + b + c + abc Nämä käsittelykombinaatiot muodostavat koesuunnitelman. Vilkkumaa / Kuusinen 35

36 2 3 - ja koesuunnitelmat Koko taulukko muodostaa 2 3 -koesuunnitelman, ja taulukon yläpuolikas koesuunnitelman. Vaikutus Käsittely I A B C AB AC BC ABC a b c abc ab ac bc (1) Vilkkumaa / Kuusinen 36

37 2 k 1 -osafaktorikoe: määrittelevä relaatio Kokeen määrittelevä relaatio on niiden yhdysvaikutusten joukko, jotka ovat aina korkealla (+) tasolla. Koska myös identiteettisarake I on aina korkealla tasolla, merkitään edellisen kalvon yläpuolikkaan kokeen määrittelevää relaatiota I = ABC Tämä tarkoittaa, että kokeen kaikissa havainnoissa yhdysvaikutus ABC on korkealla (+) tasolla. Toinen mahdollinen koesuunnitelma saadaan määrittelevällä relaatiolla I = ABC (taulukon alapuolikas). Vilkkumaa / Kuusinen 37

38 Aliakset 1/2 Kun osafaktorikokeessa ei poimita kaikkia 2 k havaintoa, ei datasta voida laskea omia estimaatteja kaikille mahdollisille pää- ja yhdysvaikutuksille. Käytettävissä olevien havaintojen osalta eri vaikutukset saavat saman laskukaavan. Esim kokeessa A-vaikutus ja BC-yhdysvaikutus lasketaan samalla kaavalla: - Vaikutuksia A ja BC on mahdotonta erottaa toisistaan. - Kun datasta lasketaan estimaatti A-vaikutukselle, estimoidaankin oikeasti vaikutusta A + BC. Kahta tai useampaa vaikutusta, joilla on tämä ominaisuus, kutsutaan toistensa aliaksiksi. Vilkkumaa / Kuusinen 38

39 Aliakset 2/2 Minkä tahansa vaikutuksen aliakset saadaan määrättyä kertomalla vaikutuksella kokeen määrittelevää relaatiota. Esim kokeessa, jossa I = ABC, A:n alias on: A ABC = A 2 BC Koska minkä tahansa vaikutuksen neliö on aina I (pelkkää plussaa), saadaan A = BC Vastaavasti B = AC ja C = AB. Vilkkumaa / Kuusinen 39

40 Kokeen resoluutio Kokeen resoluutio on R, jos yksikään p:n tekijän vaikutus ei ole alias vaikutuksen kanssa, jossa on vähemmän kuin R p tekijää. Kokeen resoluutiota merkitään yleensä roomalaisilla numeroilla tyyliin III. Mitä korkeampi resoluutio, sitä korkeamman asteen yhdysvaikutukset saadaan erotettua toisistaan Vain kalvon 33 tapa muodostaa 2 k 1 -osafaktorikoe tuottaa kokeelle korkeimman mahdollisen resoluution k. Vilkkumaa / Kuusinen 40

41 Esimerkki Vilkkumaa / Kuusinen 41

42 Esimerkki Esim. tekijän A vaikutus: A = 1 ( (1) + ad bd + ab cd + ac bc + abcd) = 1 ( ) = Koska A = A ABCD = A 2 BCD = BCD, estimoidaan itse asiassa vaikutusta A + BCD Vilkkumaa / Kuusinen 42

43 Esimerkki Vaikutus A = B = 1.50 C = D = AB = 1.00 AC = AD = Alias-rakenne A A + BCD B B + ACD C C + ABD D D + ABC AB AB + CD AC AC + BD AD AD + BC Havainnot muodostavat merkittäville tekijöille A, C ja D yhden otoksen 2 3 -faktorikokeen. Vilkkumaa / Kuusinen 43

44 Klikkeri-kysely Olkoon kokeen määrittelevä relaatio I = ABC. Mikä on vaikutuksen AB alias? 1. BC 2. A 3. C Vilkkumaa / Kuusinen 44

45 Yhteenveto: osafaktorikokeet 2 k -faktorikokeeseen tarvittavien havaintojen määrää voidaan vähentää merkittävästi käyttämällä osafaktorikoetta 2 k p Koska kaikkia tarvittavia havaintoja ei hankita, ei kaikkia vaikutuksia voida estimoida - Vaikutukset sekoittuvat alias-vaikutustensa kanssa Osafaktorikokeissa oletus onkin, etteivät korkeamman tason yhdysvaikutukset ole merkittäviä Muodostamalla korkeimman mahdollisimman resoluution koe voidaan estää päävaikutusten ja matalan tason yhdysvaikutusten sekoittuminen keskenään Vilkkumaa / Kuusinen 45

Osafaktorikokeet. Kurssipalautetta voi antaa Oodissa Kuusinen/Heliövaara 1

Osafaktorikokeet. Kurssipalautetta voi antaa Oodissa Kuusinen/Heliövaara 1 Osafaktorikokeet Kurssipalautetta voi antaa Oodissa 27.4.-25.5. Kuusinen/Heliövaara 1 Osafaktorikokeet Kun faktorien määrä 2 k -faktorikokeessa kasvaa, tarvittavien havaintojen määrä voi ylittää kokeen

Lisätiedot

Osafaktorikokeet. Heliövaara 1

Osafaktorikokeet. Heliövaara 1 Osafaktorikokeet Heliövaara 1 Osafaktorikokeet Kun faktorien määrä 2 k -faktorikokeessa kasvaa, tarvittavien havaintojen määrä voi ylittää kokeentekijän resurssit. Myös estimoitavien korkean asteen yhdysvaikutustermien

Lisätiedot

Koesuunnittelu 2 k -faktorikokeet. TKK (c) Ilkka Mellin (2005) 1

Koesuunnittelu 2 k -faktorikokeet. TKK (c) Ilkka Mellin (2005) 1 Koesuunnittelu 2 k -faktorikokeet TKK (c) Ilkka Mellin (2005) 2 k -faktorikokeet 2 2 -faktorikokeet 2 3 -faktorikokeet 2 k -faktorikokeet TKK (c) Ilkka Mellin (2005) 2 2 k -faktorikokeet: Mitä opimme?

Lisätiedot

Hierarkkiset koeasetelmat. Heliövaara 1

Hierarkkiset koeasetelmat. Heliövaara 1 Hierarkkiset koeasetelmat Heliövaara 1 Hierarkkiset koeasetelmat Kaksiasteista hierarkkista koeasetelmaa käytetään tarkasteltaessa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan kahden tekijän

Lisätiedot

Kaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1

Kaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1 Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu

Lisätiedot

Kaksisuuntainen varianssianalyysi. Heliövaara 1

Kaksisuuntainen varianssianalyysi. Heliövaara 1 Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän

Lisätiedot

Kertausluento. Vilkkumaa / Kuusinen 1

Kertausluento. Vilkkumaa / Kuusinen 1 Kertausluento Vilkkumaa / Kuusinen 1 Kokeellinen tutkimus Kokeellisessa tutkimuksessa on tavoitteena selvittää, miten erilaiset käsittelyt vaikuttavat tutkimuksen kohteisiin - Esim. miten lämpötila ja

Lisätiedot

Lohkoasetelmat. Vilkkumaa / Kuusinen 1

Lohkoasetelmat. Vilkkumaa / Kuusinen 1 Lohkoasetelmat Vilkkumaa / Kuusinen 1 Motivointi 1/3 Kaksisuuntaisella varianssianalyysilla voidaan tutkia kahden tekijän A ja B vaikutusta sekä niiden yhdysvaikutusta tutkimuksen kohteeseen Kaksisuuntaisessa

Lisätiedot

Lohkoasetelmat. Heliövaara 1

Lohkoasetelmat. Heliövaara 1 Lohkoasetelmat Heliövaara 1 Kiusatekijä Kaikissa kokeissa, kokeen tuloksiin voi vaikuttaa vaihtelu joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla mahdollisesti on vaikutusta vastemuuttujan arvoon,

Lisätiedot

Lohkoasetelmat. Kuusinen/Heliövaara 1

Lohkoasetelmat. Kuusinen/Heliövaara 1 Lohkoasetelmat Kuusinen/Heliövaara 1 Kiusatekijä Kaikissa kokeissa kokeen tuloksiin voi vaikuttaa vaihtelu, joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla on mahdollisesti vaikutusta vastemuuttujan

Lisätiedot

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

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,

Lisätiedot

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Vastepintamenetelmä. Kuusinen/Heliövaara 1 Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,

Lisätiedot

7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)

7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking) 7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät

Lisätiedot

2 2 -faktorikokeen määritelmä

2 2 -faktorikokeen määritelmä TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan kahden tai useamman tekijän vaikutusta

Lisätiedot

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1 Vastepintamenetelmä Vilkkumaa / Kuusinen 1 Motivointi Varianssianalyysissa tutkitaan tekijöiden vaikutusta vasteeseen siten, että tekijöiden tasot on ennalta valittu. - Esim. tutkitaan kemiallisen prosessin

Lisätiedot

Vastepintamenetelmä. Heliövaara 1

Vastepintamenetelmä. Heliövaara 1 Vastepintamenetelmä Kurssipalautteen antamisesta saa hyvityksenä yhden tenttipisteen. Palautelomakkeeseen tulee lähiaikoina linkki kurssin kotisivuille. Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä

Lisätiedot

Koesuunnittelu Vastepintamenetelmä. TKK (c) Ilkka Mellin (2005) 1

Koesuunnittelu Vastepintamenetelmä. TKK (c) Ilkka Mellin (2005) 1 Koesuunnittelu Vastepintamenetelmä TKK (c) Ilkka Mellin (2005) 1 Vastepintamenetelmä Vastepintamenetelmä: Johdanto 2 k -faktorikokeet Vastefunktion kaarevuuden testaaminen 1. asteen vastepintamallin varianssianalyysihajotelma

Lisätiedot

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1

Johdatus 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

Lisätiedot

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:

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,

Lisätiedot

Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi

Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi (c) lkka Mellin (005) Useampisuuntainen varianssianalsi ohdatus tilastotieteeseen Useampisuuntainen varianssianalsi (c) lkka Mellin (005) Useampisuuntainen varianssianalsi: Mitä opimme? arkastelemme tässä

Lisätiedot

7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking)

7. Lohkominen ja sulautus 2 k kokeissa. Lohkominen (Blocking) 7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät

Lisätiedot

Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista.

Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. 7. Lohkominen ja sulautus 2 k kokeissa Lohkominen (Blocking) Lohkotekijät muodostuvat faktoreista, joiden suhteen ei voida tehdä (täydellistä) satunnaistamista. Esimerkiksi faktorikokeessa raaka-aine-erät

Lisätiedot

Johdatus tilastotieteeseen Kaksisuuntainen varianssianalyysi. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Kaksisuuntainen varianssianalyysi. TKK (c) Ilkka Mellin (2005) 1 ohdatus tilastotieteeseen Kaksisuuntainen varianssianalyysi TKK (c) Ilkka Mellin (2005) Kaksisuuntainen varianssianalyysi Varianssianalyysi: ohdanto Kaksisuuntainen varianssianalyysi ja sen suorittaminen

Lisätiedot

Toimittaja 1 2 3 Erä 1 2 3 4 1 2 3 4 1 2 3 4 1 2 2 1 1 0 1 0 2 2 1 3 1 3 0 4 2 4 0 3 4 0 1 2 0 4 1 0 3 2 2 2 0 2 2 1

Toimittaja 1 2 3 Erä 1 2 3 4 1 2 3 4 1 2 3 4 1 2 2 1 1 0 1 0 2 2 1 3 1 3 0 4 2 4 0 3 4 0 1 2 0 4 1 0 3 2 2 2 0 2 2 1 Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Hierarkkiset koeasetelmat -faktorikokeet Vastepintamenetelmä Aritmeettinen keskiarvo, Estimaatti, Estimaattori, -testi, aktorikokeet,

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen 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

Lisätiedot

proc glm data = ex61; Title2 "Aliasing Structure of the 2_IV^(5-1) design"; model y = A B C D E /Aliasing; run; quit;

proc glm data = ex61; Title2 Aliasing Structure of the 2_IV^(5-1) design; model y = A B C D E /Aliasing; run; quit; Title "Exercises 6"; Data ex61; input A B C D E y @@; Label A = "Furnance Temperature" B = "Heating Time" C = "Transfer Time" D = "Hold Down Time" E = "Quench of Oil Temperature" y = "Free Height of Leaf

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.04 Tilastollisen analsin perusteet, kevät 007. luento: Kaksisuuntainen varianssianalsi Kai Virtanen Kaksisuuntaisen varianssianalsin perusasetelma Jaetaan perusjoukko rhmiin kahden tekän A ja B suhteen

Lisätiedot

Koesuunnittelu Latinalaiset neliöt. TKK (c) Ilkka Mellin (2005) 1

Koesuunnittelu Latinalaiset neliöt. TKK (c) Ilkka Mellin (2005) 1 Koesuunnittelu Latinalaiset neliöt TKK (c) Ilkka Mellin (2005) 1 Latinalaiset neliöt Latinalaisten neliöiden koeasetelma ja sen malli Latinalaisten neliöiden koeasetelman analysointi Laskutoimitusten suorittaminen

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Odotusarvoparien 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

Lisätiedot

8. Osittaiset 2 k faktorikokeet. Niinpä, jos voidaan olettaa, että korekeamman

8. Osittaiset 2 k faktorikokeet. Niinpä, jos voidaan olettaa, että korekeamman 8. Osittaiset 2 k faktorikokeet Faktoreiden lukumäärän k kasvaessa 2 k koeasetelmassa kasvaa koetoistojen (runs) määrää nopeasti täydessä toteutuksessa (complete replicate). Esimerkiksi 2 6 asetelman täysi

Lisätiedot

Altistusaika 1 kk 2 kk 3 kk 1.35 1.53 1.38 1.35 1.63 1.51 1.60 1.40 2.18 1.77 1.66 1.98 1.73 1.76 1.60 1.72

Altistusaika 1 kk 2 kk 3 kk 1.35 1.53 1.38 1.35 1.63 1.51 1.60 1.40 2.18 1.77 1.66 1.98 1.73 1.76 1.60 1.72 Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut iheet: vainsanat: Kaksisuuntainen varianssianalsi Lohkoasetelmat Latinalaiset neliöt ritmeettinen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

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).

Lisätiedot

Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). tulee katettua (complete replicate). Havaintojen

Lähtökohta: k faktoria, kullakin kaksi tasoa (high, low). tulee katettua (complete replicate). Havaintojen 6. 2 k faktorikokeet Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). Vähintään 2 k havaintoa, jotta kaikki vaihtoehdot tulee katettua (complete replicate). Havaintojen kokonaismäärä N = 2

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6) Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai

Lisätiedot

nopeasti täydessä toteutuksessa (complete replicate).

nopeasti täydessä toteutuksessa (complete replicate). 8. Osittaiset 2 k faktorikokeet Faktoreiden lukumäärän k kasvaessa 2 k koeasetelmassa kasvaa koetoistojen (runs) määrää nopeasti täydessä toteutuksessa (complete replicate). Esimerkiksi 2 6 asetelman täysi

Lisätiedot

6. 2 k faktorikokeet. Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). määrä per faktoritasokombinaatio (balansoidussa)kokeessa.

6. 2 k faktorikokeet. Lähtökohta: k faktoria, kullakin kaksi tasoa (high, low). määrä per faktoritasokombinaatio (balansoidussa)kokeessa. 6. 2 k faktorikokeet Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). Vähintään 2 k havaintoa, jotta kaikki vaihtoehdot tulee katettua (complete replicate). Havaintojen kokonaismäärä N =2

Lisätiedot

1. KAKSISUUNTAINEN VARIANSSIANALYYSI: TULOSTEN TULKINTA

1. KAKSISUUNTAINEN VARIANSSIANALYYSI: TULOSTEN TULKINTA Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalyysi Bonferronin menetelmä, F-testi, Jäännösneliösumma, Kaksisuuntainen varianssianalyysi Kokonaiskeskiarvo,

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.04 Tilastollisen analsin perusteet, kevät 007. luento: Kaksisuuntainen varianssianalsi Kai Virtanen Kaksisuuntaisen varianssianalsin perusasetelma aetaan perusoukko rhmiin kahden tekän A a B suhteen

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 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

Lisätiedot

Testit järjestysasteikollisille muuttujille

Testit järjestysasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,

Lisätiedot

Testaa onko myrkkypitoisuus eri ryhmissä sama. RATK. Lasketaan kaikkien havaintoarvojen summa: k T i = = 486.

Testaa onko myrkkypitoisuus eri ryhmissä sama. RATK. Lasketaan kaikkien havaintoarvojen summa: k T i = = 486. Mat-.103 Koesuunnittelu ja tilastolliset mallit Harjoitus 8, kevät 004 Esimerkkiratkaisut. 1. Myrkyllistä ainetta oli kaadettu jokeen, joka johtaa suurelle kalastusalueelle. Tie- ja vesirakennusinsinöörit

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

11. laskuharjoituskierros, vko 15, ratkaisut

11. laskuharjoituskierros, vko 15, ratkaisut 11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa

Lisätiedot

Lukumäärän laskeminen 1/7 Sisältö ESITIEDOT:

Lukumäärän laskeminen 1/7 Sisältö ESITIEDOT: Lukumäärän laskeminen 1/7 Sisältö Samapituisten merkkijonojen lukumäärä I Olkoon tehtävänä muodostaa annetuista merkeistä (olioista, alkioista) a 1,a 2,a 3,..., a n jonoja, joissa on p kappaletta merkkejä.

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Yksisuuntainen 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

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Yksisuuntainen 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

Lisätiedot

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan 17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten

Lisätiedot

6. 2 k faktorikokeet. Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). määrä per faktoritasokombinaatio (balansoidussa)kokeessa.

6. 2 k faktorikokeet. Lähtökohta: k faktoria, kullakin kaksi tasoa (high, low). määrä per faktoritasokombinaatio (balansoidussa)kokeessa. 6. 2 k faktorikokeet Lähtökohta: k faktoria, kullakin kaksi tasoa ("high", "low"). Vähintään 2 k havaintoa, jotta kaikki vaihtoehdot tulee katettua (complete replicate). Havaintojen kokonaismäärä N =2

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

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

Lisätiedot

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

r = 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

Lisätiedot

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

MTTTA1 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

Lisätiedot

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

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit s t ja t kahden Sisältö t ja t t ja t kahden kahden t ja t kahden t ja t Tällä luennolla käsitellään epäparametrisia eli

Lisätiedot

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

Tilastollisen 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

Lisätiedot

Testit laatueroasteikollisille muuttujille

Testit laatueroasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten

Lisätiedot

5. Johdatus faktorikokeisiin. Tekijän omaa vaikutusta vastemuuttujaan sanotaan. 5.1 Taustaa

5. Johdatus faktorikokeisiin. Tekijän omaa vaikutusta vastemuuttujaan sanotaan. 5.1 Taustaa 5. Johdatus faktorikokeisiin 5.1 Taustaa Faktorikokeilla tarkoitetaan koesuunnitelmaa, jossa koe toistetaan kaikilla faktoreiden tasojen kombninaatioilla. Täten, jos faktorilla A on a tasoa ja faktorilla

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. 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

Lisätiedot

Hilbertin aksioomat ja tarvittavat määritelmät Tiivistelmä Geometria-luentomonisteesta Heikki Pitkänen

Hilbertin aksioomat ja tarvittavat määritelmät Tiivistelmä Geometria-luentomonisteesta Heikki Pitkänen Hilbertin aksioomat ja tarvittavat määritelmät Tiivistelmä Geometria-luentomonisteesta Heikki Pitkänen 1. Hilbertin aksioomat 1-3 Oletetaan tunnetuiksi peruskäsitteet: piste, suora ja suora kulkee pisteen

Lisätiedot

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Todennäköisyyslaskennan kertaus Satunnaismuuttujat ja tn-jakaumat Tunnusluvut χ 2 -, F- ja t-jakauma Riippumattomuus Tilastotieteen

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

VALTIOTIETEELLINEN 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

Lisätiedot

VARIANSSIANALYYSI ANALYSIS OF VARIANCE

VARIANSSIANALYYSI ANALYSIS OF VARIANCE VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.

Lisätiedot

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tilastotieteen 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

Lisätiedot

Faktorikokeilla tarkoitetaan koesuunnitelmaa, jossa koe toistetaan kaikilla faktoreiden tasojen kombninaatioilla.

Faktorikokeilla tarkoitetaan koesuunnitelmaa, jossa koe toistetaan kaikilla faktoreiden tasojen kombninaatioilla. 5. Johdatus faktorikokeisiin 5.1 Taustaa Faktorikokeilla tarkoitetaan koesuunnitelmaa, jossa koe toistetaan kaikilla faktoreiden tasojen kombninaatioilla. Täten, jos faktorilla A on a tasoa ja faktorilla

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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:

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka 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

Lisätiedot

5. Johdatus faktorikokeisiin. Tekijän omaa vaikutusta vastemuuttujaan sanotaan. 5.1 Taustaa

5. Johdatus faktorikokeisiin. Tekijän omaa vaikutusta vastemuuttujaan sanotaan. 5.1 Taustaa 5. Johdatus faktorikokeisiin 5.1 Taustaa Faktorikokeilla tarkoitetaan koesuunnitelmaa, jossa koe toistetaan kaikilla faktoreiden tasojen kombninaatioilla. Täten, jos faktorilla A on a tasoa ja faktorilla

Lisätiedot

ARVIOINTIPERIAATTEET

ARVIOINTIPERIAATTEET PSYKOLOGIAN YHTEISVALINNAN VALINTAKOE 2012 ARVIOINTIPERIAATTEET Copyright Helsingin yliopisto, käyttäytymistieteiden laitos, Materiaalin luvaton kopiointi kielletty. TEHTÄVÄ 1. (max. 34.5 pistettä) 1 a.i)

Lisätiedot

33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut

33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut 33. pohjoismainen matematiikkakilpailu 2019 Ratkaisut 1. Kutsutaan (eri) positiivisten kokonaislukujen joukkoa merkitykselliseksi, jos sen jokaisen äärellisen epätyhjän osajoukon aritmeettinen ja geometrinen

Lisätiedot

1. Tilastollinen malli??

1. Tilastollinen malli?? 1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen

Lisätiedot

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen

Lisätiedot

Ilkka 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 Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1 Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n

Lisätiedot

LAUSEKKEET JA NIIDEN MUUNTAMINEN

LAUSEKKEET JA NIIDEN MUUNTAMINEN LAUSEKKEET JA NIIDEN MUUNTAMINEN 1 LUKULAUSEKKEITA Ratkaise seuraava tehtävä: Retkeilijät ajoivat kahden tunnin ajan polkupyörällä maantietä pitkin 16 km/h nopeudella, ja sitten vielä kävelivät metsäpolkua

Lisätiedot

χ 2 -yhteensopivuustestissä käytetään χ 2 -testisuuretta χ = Mat Sovellettu todennäköisyyslasku A

χ 2 -yhteensopivuustestissä käytetään χ 2 -testisuuretta χ = Mat Sovellettu todennäköisyyslasku A Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Estimointi, Havaittu frekvenssi, Heterogeenisuus,

Lisätiedot

edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾

edellyttää 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

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

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

Lisätiedot

tilastotieteen kertaus

tilastotieteen 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

Lisätiedot

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

Johdatus 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

Lisätiedot

Tilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003

Tilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003 Nimi Opiskelijanumero Tilastotieteen jatkokurssi syksy 2003 Välikoe 2 11.12.2003 Normaalisti jakautuneiden yhdistyksessä on useita tuhansia jäseniä. Yhdistyksen sääntöjen mukaan sääntöihin tehtävää muutosta

Lisätiedot

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

Johdatus 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

Lisätiedot

MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu

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

Lisätiedot

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Käytännön järjestelyt Luennot: Luennot maanantaisin (sali E) ja keskiviikkoisin (sali U4) klo 10-12 Luennoitsija: (lauri.viitasaari@aalto.fi)

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, 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.

Lisätiedot

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)

MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2016 Käytannön järjestelyt Luennot: Luennot ma 4.1. (sali E) ja ti 5.1 klo 10-12 (sali C) Luennot 11.1.-10.2. ke 10-12 ja ma 10-12

Lisätiedot