Approksimatiivinen päättely
|
|
- Outi Halonen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 218 Approksimatiivinen päättely Koska tarkka päättely on laskennallisesti vaativaa, niin on syytä tarkastella ratkaisujen approksimointia Approksimointi perustuu satunnaiseen otantaan tunnetusta todennäköisyysjakaumasta Esim. painottamaton kolikko voidaan mieltää satunnaismuuttujaksi Lantti, jonka arvoalue on [kruuna, klaava] ja prioritodennäköisyys P(Lantti) = [0.5, 0.5] Otanta tästä jakaumasta vastaa kolikon heittoa, todennäköisyydellä 0.5 tuloksena on kruuna ja todennäköisyydellä 0.5 klaava Jos satunnaislukugeneraattori, jolta saadaan lukuja väliltä [0, 1], niin minkä tahansa yhden muuttujan jakaumasta voidaan helposti tehdä otantaa 219 P(pilveä).50 Pilveä Pilveä P(sataa) True.80 Kastelu Sataa False.20 Pilveä P(kastelu) True.10 False.50 Märkä- Ruoho Kastelu Sataa P(märkäruoho) True True.99 True False.90 False True.90 False False.00
2 220 Bayes-verkosta, johon ei liity havaintoja, otantaa voidaan tehdä muuttuja kerrallaan topologisessa järjestyksessä Kun vanhempien arvot on arvottu, niin tiedetään minkä jakauman perusteella otanta lapsessa on tehtävä Kiinnitetään esimerkkiverkon solmuille topologinen järjestys [Pilveä, Kastelu, Sataa, MärkäRuoho] 1. Vedetään jakaumasta P(Pilveä) = [0.5, 0.5] satunnainen arvo, esim. True 2. Vedetään jakaumasta P(Kastelu pilveä) = [0.1, 0.9] satunnainen arvo, esim. False 3. Vedetään jakaumasta P(Sataa pilveä) = [0.8, 0.2] satunnainen arvo, esim. True 4. Vedetään jakaumasta P(MärkäRuoho kastelu, sataa) = [0.9, 0.1] satunnainen arvo, esim. True 221 Verkon määräämästä prioriyhteisjakaumasta nyt vedetty tapahtuma siis on [True, False, True, True] Merkitään todennäköisyyttä, että prioriotanta vetää tietyn tapahtuman S PO (x 1 ) Otantamenetelmän perusteella se on i=1,,n P(x i vanhemmat(x i )) Toisaalta tämä on tapahtuman todennäköisyys Bayes-verkon esittämässä yhteisjakaumassa, joten S PO (x 1 ) = P(x 1 ) Merk. tapahtuman x 1,, x n frekvenssiä N PO (x 1 ) yhteensä N:n otospisteen joukossa
3 222 Tapahtuman otantafrekvenssi konvergoituu rajalla odotusarvoonsa lim N N PO (x 1 )/N = S PO (x 1 ) = P(x 1 ) Esim. S PO ([True, False, True, True]) = = 0.324, joten kun N on iso, niin odotamme, että 32.4% otospisteistä on tämä tapahtuma Menetelmän antama arvio on konsistentti siinä mielessä, että todennäköisyys on eksakti rajalla Osittain määrätyn tapahtuman x 1,, x m, m n, todennäköisyydelle saadaan myös konsistentti estimaatti P(x 1,, x m ) N PO (x 1,, x m )/N Otoksesta arvioitua todennäköisyyttä merk. P data ( ) 223 Ehdollisen todennäköisyyksien P(X e) arvioimiseksi voitaisiin käyttää seuraavaa otantamenetelmää 1. Vedetään otos verkon määräämästä priorijakaumasta 2. Hylätään kaikki otospisteet, jotka eivät toteuta havaintoja e 3. Arvon P data (X = x e) määräämiseksi lasketaan kuinka suuressa osassa jäljellejääneistä otospisteistä pätee X = x Menetelmän antama jakauma P data (X e) on algoritmin perusteella α N PO (X, e) = N PO (X, e) / N PO (e) Osittain määrätyn tapahtuman todennäköisyyden arviona tämä on konsistentti estimaatti P data (X e) P(X, e) / P(e) = P(X e)
4 224 Vedetään 100 otospistettä jakauman P(Sataa kastelu) estimoimiseksi Saamistamme tapahtumista 73, joilla pätee Kastelu = False, hylätään Lopuilla tapahtumilla pätee kastelu Näistä 8:ssa tapauksessa Sataa = True ja 19:ssä False Tässä tapauksessa P data (Sataa kastelu) [0.296, 0.704], kun todellinen jakauma on [0.3, 0.7] Suurempi otos tuottaa tarkemman estimaatin Tn. arvioiden virheen hajonta on suhteessa osamäärään 1/ n, missä n on otospisteiden lukumäärä Turhaan vedettyjen otospisteiden suuri määrä on ongelma: havaintojen kanssa konsistenttien otospisteiden lukumäärä putoaa eksponentiaalisesti ehtomuuttujien lkm:n kasvaessa 225 Turhaan hylättävien otospisteiden vetämisen välttämiseksi kiinnitetään havaintomuuttujien E arvot ja tehdään otanta vain muuttujien X ja Y yli Vedetyt tapahtumat eivät kuitenkaan kaikki oli samanarvoisia Tapahtumia painotetaan uskomusarvoilla (likelihood) Kuinka uskottavasti tapahtuma vastaa havaintoja mitattuna havaintomuuttujien ehdollisten todennäköisyyksien tulolla annettuna niiden vanhemmat Intuitiivisesti ajatellen tapahtumille, joissa havaintojen yhdessä esiintyminen vaikuttaa epäuskottavalta, annetaan vähemmän painoarvoa
5 226 Kyselyyn P(Sataa kastelu, märkäruoho) vastaamiseksi painoarvo w alustetaan arvoon 1.0 Vedetään otos jakaumasta P(Pilveä) = [0.5, 0.5], esim. arvo True Koska Kastelu on havaintomuuttuja, jonka arvo on True, niin painoa päivitetään w w P(kastelu pilveä) = 0.1 Vedetään otos jakaumasta P(Sataa pilveä) = [0.8, 0.2], esim. arvo True MärkäRuoho on havaintomuuttuja, jonka arvo on True w w P(märkäruoho kastelu, sataa) = Saatiin siis esimerkki [True, True, True, True] tapauksesta Sataa = True painoltaan Merkitään Z = { X } U Y Otospisteitä painottava otanta arpoo kullekin muuttujista Z arvon annettuna sen vanhempien arvot S W (z, e) = i=1,,l P(z i vanhemmat(z i )) Vanhemmat(Z i ) voi sisältää niin havainto- kuin piilomuuttujiakin Painottava otanta siis ottaa havainnot paremmin huomioon kuin priorijakauma P(z) Toisaalta S W ottaa huomioon vain kunkin muuttujan Z i esi-isiin lukeutuvat havainnot Todellinen posteriorijakauma P(z e) huomioi kaikki havainnot
6 228 Uskottavuuspainot w korjaavat jakaumien eron Olkoon otospiste x muodostunut muuttujien arvoista z ja e, jolloin w(z, e) = i=1,,m P(e i vanhemmat(e i )) Täten otospisteen painotettu todennäköisyys S W (z, e) w(z, e) on i=1,,l P(z i vanhemmat(z i )) i=1,,m P(e i vanhemmat(e i )) = P(z, e), koska tulojen muuttajat kattavat kaikki verkon muuttujat 229 Nyt voidaan osoittaa, että painotusotannan estimaatit ovat konsistentteja P data (x e) = α y N W (x, y, e) w(x, y, e) α' y S W (x, y, e) w(x, y, e) = α' y P(x, y, e) = α'p(x, e) = P(x e) Painotusotanta on tehokas menetelmä, koska kaikki vedetyt otospisteet hyödynnetään Menetelmä kuitenkin kärsii kun havaintomuuttujien lukumäärä kasvaa, koska useimpien otospisteiden paino on hyvin pieni ja harvat pisteet dominoivat estimaattia
7 230 MCMC-algoritmi Markov chain Monte Carlo Monte Carlo -algoritmi on satunnaisalgoritmi, joka voi tuottaa väärän vastauksen pienellä todennäköisyydellä (vs. Las Vegas - algoritmi) Otospisteitä vedetään tekemällä satunnainen muutos edelliseen tapahtumaan Seuraava tila valitaan arpomalla arvo yhdelle eihavaintomuuttujista X i ehdollistettuna sen Markov-peitteeseen kuuluvien muuttujien nykyisillä arvoilla Solmun Markov-peitteeseen kuuluvat sen vanhemmat, lapset ja lapsien vanhemmat MCMC tuottaa satunnaiskulun tila-avaruudessa, jossa havaintomuuttujien arvoja ei muuteta 231 YKSINKERTAISET PÄÄTÖKSET Liitetään tilaan S numeerinen hyötyarvio (utility) U(S), joka kuvaa tilan saavuttamisen haluttavuutta Epädeterministisen toiminnon A mahdollisia tulostiloja ovat Tulos i (A), missä i käy yli eri tulosten Ennen toiminnon A suorittamista sen mahdollisille tuloksille annetaan todennäköisyydet P(Tulos i (A) Suorita(A), E), missä E on agentin havainnot A:n odotettu hyöty (expected utility): EU(A E) = i P(Tulos i (A) Suorita(A), E) U(Tulos i (A))
8 232 Maksimaalisen odotetun hyödyn periaate edellyttää rationaalisen agentin valitsevan sen toiminnon, jonka odotusarvoinen hyöty on suurin Jos ideaa haluttaisiin soveltaa toimintojonojen valintaan, niin kaikki mahdolliset jonot tulisi arvottaa, mikä on käytännössä mahdotonta Jos hyötyfunktio heijastaa käytettyä tuloksellisuusmittaa, niin periaatteen mukaan toimiva agentti saavuttaa parhaan mahdollisen tuloksen yli mahdollisten toimintaympäristöjen Mallinnetaan epädeterminististä toimintoa arvonnalla (lottery) L, jossa mahdollisiin tuloksiin C 1,, C n liittyvät todennäköisyydet p 1,, p n L = [p 1, C 1 ; p 2, C 2 ; ; p n, C n ] 233 A f B Agentti preferoi arvontaa A A ~ B agentille A ja B ovat samanarvoisia A f B agentti preferoi A:ta tai A ja B ovat sille samanarvoisia Deterministinen arvonta [1,A] A Preferenssirelaatiolle asetetaan rationaalisuuden nimissä seuraavat rajoitteet Järjestyvyys: agentin on kyettävä suhtauttamaan mitkä tahansa kaksi tilaa keskenään, valitsemaan niiden väliltä (A f B) (B f A) (A ~ B) Transitiivisuus: (A f B) (B f C) (A f C)
9 234 Jatkuvuus: A f B f C p: [p, A; 1-p, C] ~ B Korvattavuus: A ~ B [p, A; 1-p, C] ~ [p, B; 1-p, C] Monotonisuus: A f B (p q [p, A; 1-p, B] f [q, A; 1-q, B]) Jaettavuus: Sisäkkäiset arvonnat voidaan todennäköisyyslaskennan sääntöjen mukaan purkaa [p, A; 1-p, [q, B; 1-q, C]] ~ [p, A; (1-p)q, B; (1-p)(1-q), C] Huom.: ei mainintaa hyödyistä Hyötyperiaate: Jos agentin preferenssit noudattavat edellä olleita aksioomia, niin on olemassa reaaliarvoinen funktio U s.e. U(A) > U(B) A f B U(A) = U(B) A ~ B 2. Odotetun hyödyn maksimoimisen periaate: Arvonnan hyöty on U([p_1,S_1; ;p_n,s_n]) = i=1,,n p i U(S i ) Täten epädeterministisen toiminnon hyöty on kuten aiemmin esitimme
10 236 Hyötyfunktioita Rahavarat vaikuttaisi suoraviivaiselta hyötymitalta Agentti preferoi monotonisesti rahaa Rahan arvonnoillekin on määrättävä toimintamalli Olemme voittaneet tietokilpailussa miljoonan Tarjolla on kolikonheitto, jossa kruuna tietää kaiken rahan häviämistä ja klaava puolestaan kolmen miljoonan voittoa Onko ainoa rationaalinen valinta odotusarvoltaan puolentoista miljoonan tarjouksen hyväksyminen? Oikeasti kyseessä onkin varallisuuden (ei voiton) maksimointi 237 Hyödyn aksioomat eivät määrää yksikäsitteistä hyötyfunktiota Voimme esim. tehdä funktiolle U(S) lineaarisen muunnoksen U'(S) = k 1 + k 2 U(S) (k 1 on vakio, k 2 on mielivaltainen positiivinen vakio) ilman, että agentin käyttäytyminen muuttuu Deterministisessä maailmassa, jossa ei ole arvontoja, mikä tahansa monotoninen muunnos säilyttää agentin käytöksen Esim. ³ (U(S)) Hyötyfunktio on tällöin ordinaalinen se antaa tiloille järjestyksen, numeerisilla arvoilla ei ole merkitystä
11 238 Hyötyarvojen skaala käy parhaasta mahdollisesta palkinnosta u pahimpaan katastrofiin u Normalisoidulla hyödyllä u = 0 ja u = 1 Ääriarvojen väliin jäävän tilan S arvottamiseksi agentti voi verrata sitä standardiarvontaan [p, u ; 1-p, u ] Todennäköisyyttä p on säädettävä kunnes kunnes agentin mielestä standardiarvonta ja S ovat samanarvoisia Jos käytössä on normalisoidut hyödyt, niin lopullinen p on S:n hyötyarvo Usein hyötyarvo on monen muuttujan (attribuutin) X = X 1,, X n arvojen x = [x 1 ] määräämä 239 Tarkastellaan tilannetta, missä muiden arvojen ollessa samat, attribuutin korkeampi arvo tietää myös korkeampaa hyötyfunktion arvoa Jos attribuuttivektoreille x ja y pätee x i y i i, niin x dominoi (aidosti) y:tä Jos esim. lentokentän mahdollinen sijoituspaikka S 1 on halvempi, tuottaa vähemmän äänisaastetta ja on turvallisempi kuin S 2, niin jälkimmäistä ei enää tarvitse harkita Epävarmuuden vallitessa aidot dominointisuhteet ovat harvinaisempia kuin deterministisessä tapauksessa Stokastinen dominanssi on usein käyttökelpoinen vertailutapa
12 240 Jos lentokentän sijoittamiskustannuksen uskotaan olevan tasaisesti jakautunut välille S 1 : 2.8 ja 4.8 miljardia euroa S 2 : 3.0 ja 5.2 miljardia euroa niin kumulatiivisia jakaumia tarkastelemalla havaitaan S 1 :n dominoivan stokastisesti S 2 :ta (koska kustannukset ovat negatiivisia) 1.0 todennäköisyys.5 S 2 S Negatiivinen kustannus 241 Kumulatiivinen jakauma on alkuperäisen jakauman integraali Olk. tapahtumien A 1 ja A 2 jakaumat attribuutille Xp 1 (x) ja p 2 (x) A 1 dominoi stokastisesti A 2 :ta, jos x: -,,x p 1 (x') dx -,,x p 2 (x') dx' Jos A 1 dominoi stokastisesti A 2 :ta ja U(x) on mv. monotonisesti ei-vähenevä hyötyfunktio, niin A 1 :n odotusarvoinen hyöty on vähintään yhtä korkea kuin A 2 :n Jos jokin toiminto on toisen dominoima kaikkien attribuuttien suhteen, niin se voidaan jättää huomiotta
13 242 Informaation arvo Öljykenttään myydään porausoikeuksia, palstoja on n kappaletta, mutta vain yhdessä niistä on C euron edestä öljyä Yhden palstan hinta on C/n euroa Seismologi tarjoaa yritykselle tutkimustietoa palstasta nro 3, joka paljastaa aukottomasti onko palstalla öljyä vai ei Paljonko yrityksen kannattaa maksaa tiedosta? Todennäköisyydellä 1/n tutkimus kertoo palstalla 3 olevan öljyä, jolloin yritys hankkii sen hintaan C/n ja ansaitsee (n-1)c/n euroa Todennäköisyydellä (n-1)/n tutkimus osoittaa, ettei palsta 3 sisällä öljyä, jolloin yhtiö hankkii jonkin muista palstoista 243 Koska palstan 3 tilanne jo tunnetaan, niin ostetulta pastalta löytyy nyt öljyä tn.:llä 1/(n-1), joten yhtiön odotusarvoinen voitto on C/(n-1) - C/n = C/n(n-1) euroa Odotusarvoinen voitto annettuna tutkimustulos on siis (1/n) ((n-1)c/n) + (n-1/n) (C/n(n-1)) = C/n Seismologille siis kannattaa maksaa aina palstan hintaan asti Lisäinformaatio on arvokasta, koska sen avulla toiminta voidaan sopeuttaa vallitsevaan tilanteeseen Ilman informaatiota on tyydyttävä kaikissa mahdollisissa tilanteissa keskimäärin parhaaseen toimintaan
14 244 Olk. E j on satunnaismuuttuja, jonka arvosta saadaan uusi tarkka havainto Agentin aiempi tietämys on E Ilman lisäinformaatiota parhaan toiminnon α arvo on EU(α E) = max A i U(Tulos i (A)) P(Tulos i (A) Suorita(A), E) Uusi havainto muuttaa parhaan toiminnon ja sen arvon Mutta toistaiseksi E j on satunnaismuuttuja, jonka arvoa ei tunneta, joten voimme vain summata yli sen kaikkien mahdollisten arvojen e jk Havainnon E j arvo on lopulta ( k P(E j = e jk E) EU(α ejk E, E j = e jk )) -EU(α E) 245 Lisäinformaatiolla on arvoa sikäli kun se voi johtaa suunnitelman muutokseen ja uusi suunnitelma on oleellisesti parempi kuin vanha Merk. VPI E (E j ) on havainnon E j arvo, kun nykyhavainnot ovat E Minkä tahansa havainnon arvo on ei-negatiivinen j, E: VPI E (E j ) 0 Arvo riippuu nykyisestä tilasta, joten se voi muuttua tietämyksen myötä Äärimmillään informaation arvo putoaa nollaan, kun tarkastellulle muuttujalle jo tunnetaan arvo Siksi informaation arvo ei ole additiivinen VPI E (E j, E k ) VPI E (E j ) + VPI E (E k )
15 246 Käytännössä tärkeää on, että informaation arvo on järjestysvapaa VPI E (E j, E k ) = VPI E (E j ) + VPI E,Ej (E k ) = VPI E,Ek (E j ) + VPI E (E k ) Tämän perusteella havainnot voidaan erottaa toiminnoista Agentin tulisi hankkia lisäinformaatiota kyselyin järkevässä järjestyksessä, irrelevantteja kysymyksiä välttäen, ottaen huomioon informaation arvon suhteessa sen kustannukseen, vain silloin kun se on järkevää Myopinen agentti tekee toimintapäätöksen heti jos mikään havaintomuuttujista ei näytä riittävän hyödylliseltä ei tutkita muuttujakombinaatioita
Muuttujien eliminointi
228 Muuttujien eliminointi Toistuvat alilauseet voidaan evaluoida kerran ja niiden arvo talletetaan käytettäväksi aina tarvittaessa Tarkastellaan muuttujien eliminointi -algoritmia lausekkeen P(Murto jussikäy,
LisätiedotInformaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät
259 Informaation arvo Öljykenttään myydään porausoikeuksia, palstoja on n kappaletta, mutta vain yhdessä niistä on C euron edestä öljyä Yhden palstan hinta on C/n euroa Seismologi tarjoaa yritykselle tutkimustietoa
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotJohdatus tn-laskentaan perjantai 17.2.2012
Johdatus tn-laskentaan perjantai 17.2.2012 Kahden diskreetin muuttujan yhteisjakauma On olemassa myös monen muuttujan yhteisjakauma, ja jatkuvien muuttujien yhteisjakauma (jota ei käsitellä tällä kurssilla;
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotP (A)P (B A). P (B) P (A B) = P (A = 0)P (B = 1 A = 0) P (B = 1) P (A = 1)P (B = 1 A = 1) P (B = 1)
Harjoitustehtäviä (erä 1) 1 1. Käytetään yksinkertaisesti Bayesin kaavaa: P (A B) = P (A)P (B A). P (B) Tapauksessa B = 1 saadaan P (A = 0 B = 1) = P (A = 1 B = 1) = P (A = 0)P (B = 1 A = 0) P (A = 1)P
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
LisätiedotReikä. Säätila. Hammassärky Osuma
190 Nuolen X Y intuitiivinen merkitys on, että X vaikuttaa suoraan Y:hyn Verkon topologia solmut ja nuolet määräävät muuttujien ehdolliset riippumattomuudet Kun topologia on kiinnitetty, pitää vielä määrätä
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 27. syyskuuta 2007 Antti Rasila () TodB 27. syyskuuta 2007 1 / 15 1 Diskreetit jakaumat Diskreetti tasainen jakauma Bernoulli-jakauma Binomijakauma Geometrinen
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
Lisätiedot(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?
6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotTILASTOLLINEN OPPIMINEN
301 TILASTOLLINEN OPPIMINEN Salmiakki- ja hedelmämakeisia on pakattu samanlaisiin käärepapereihin suurissa säkeissä, joissa on seuraavat sekoitussuhteet h 1 : 100% salmiakkia h 2 : 75% salmiakkia + 25%
Lisätiedot0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä niistä
LisätiedotORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008
ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 5 Ratkaisuehdotuksia Näissä harjoituksissa viljellään paljon sanaa paradoksi. Sana tulee ymmärtää laajassa mielessä. Suppeassa mielessähän
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
LisätiedotPelaisitko seuraavaa peliä?
Lisätehtävä 1 seuraavassa on esitetty eräs peli, joka voidaan mallintaa paramterisena tilastollisena mallina tehtävänä on selvittää, kuinka peli toimii ja näyttää mallin takana oleva apulause (Tehtävä
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
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
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
Lisätiedot4.1. 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
LisätiedotTilastollisia peruskäsitteitä ja Monte Carlo
Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotViikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotParametrin estimointi ja bootstrap-otanta
Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotBayesilainen päätöksenteko / Bayesian decision theory
Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena
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
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotLuku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017
Luku 1 Bayesläiset estimaattorit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 217 1.1 Bayesläiset piste-estimaatit Tarkastellaan datalähdettä, joka tuottaa tiheysfunktion f(x θ) mukaan jakautuneita riippumattomia
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotJYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö
JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotMS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi
MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotTODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä
J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
Lisätiedot3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4
Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ
LisätiedotLuottamusvälit. Normaalijakauma johnkin kohtaan
Luottamusvälit Normaalijakauma johnkin kohtaan Perusjoukko ja otanta Jos halutaan tutkia esimerkiksi Suomessa elävien naarashirvien painoa, se voidaan (periaatteessa) tehdä kahdella tavalla: 1. tutkimalla
LisätiedotNollasummapelit ja bayesilaiset pelit
Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1
LisätiedotPreference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi
Preference Programming viitekehys: epätäydellisen preferenssi-informaation elisitointi ja mallintaminen, dominanssi Mat-2.4142 Optimointiopin seminaari 9.2.2011 Lähteet: Salo, A. & Hämäläinen, R. P., 2010.
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotMuuttujien riippumattomuus
199 Muuttujien riippumattomuus Jos esimerkkiin lisätään muuttuja Säätila, jolla on 4 mahdollista arvoa, on edellä ollut yhteisjakauman taulukko monistettava neljästi Koska hammasongelmat eivät vaikuta
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
LisätiedotTilastollinen päättely. 5. Väliestimointi Johdanto Luottamusvälien konstruointi Luottamusvälien vertailu
ilastollinen päättely 5.. Johdanto Estimointi, Joukkoestimointi, Kriittinen alue, uottamusjoukko, uottamustaso, uottamusväli, Otos, Parametri, Peittotodennäköisyys, Piste-estimointi, Väliestimaatti, Väliestimaattori,
LisätiedotDiskreettiaikainen dynaaminen optimointi
Diskreettiaikainen dynaaminen optimointi Usean kauden tapaus 2 kauden yleistys Ääretön loppuaika Optimaalinen pysäytys Optimointiopin seminaari - Syksy 2000 / Ongelma t 0 x 0 t- t T x t- + x t + x T u
LisätiedotErilaisia Markov-ketjuja
MS-C2 Stokastiset prosessit Syksy 207 3A Erilaisia Markov-ketjuja Tuntitehtävät 3A Lepakoiden rengastaja (tai kuponkien keräilijä) Lepakkoluolassa on lepakkoa, joista jokainen lentää luolasta ulos joka
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
LisätiedotSovellettu 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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
Lisätiedot4.2.2 Uskottavuusfunktio f Y (y 0 X = x)
Kuva 4.6: Elektroniikassa esiintyvän lämpökohinan periaate. Lämpökohinaa ε mallinnetaan additiivisella häiriöllä y = Mx + ε. 4.2.2 Uskottavuusfunktio f Y (y 0 X = x) Tarkastellaan tilastollista inversio-ongelmaa,
LisätiedotTodennäköisyyslaskenta - tehtävät
Todennäköisyyslaskenta - tehtävät Todennäköisyyslaskentaa käsitellään Pitkän matematiikan kertauskirjan sivuilla 253 276. Klassinen todennäköisyys Kombinatoriikka Binomitodennäköisyys Satunnaismuuttuja,
Lisätiedotk=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu
LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto 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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotKonvergenssilauseita
LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n
LisätiedotSatunnaismuuttujan odotusarvo ja laskusäännöt
Luku 3 Satunnaismuuttujan odotusarvo ja laskusäännöt Lasse Leskelä Aalto-yliopisto 16. syyskuuta 2017 3.1 Odotusarvon käsite ja suurten lukujen laki Lukuarvoisen satunnaismuuttujan X odotusarvo määritellään
LisätiedotLuento 5: Peliteoriaa
Luento 5: Peliteoriaa Tässä kappaleessa tutustutaan hieman peliteoriaan. Keskeisiä asioita ovat Nash-tasapaino ja sekastrategia. Cournot n duopolimalli vuodelta 1838 toimii oivallisena havainnollistuksena
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
LisätiedotPoisson-prosessien ominaisuuksia ja esimerkkilaskuja
4B Poisson-prosessien ominaisuuksia ja esimerkkilaskuja Tuntitehtävät 4B1 Eksponentiaalisten odotusaikojen toistuva odottaminen. Satunnaisluvun X sanotaan noudattavan Gamma-jakaumaa parametrein k ja λ,
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
Lisätiedot11 Raja-arvolauseita ja approksimaatioita
11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden
LisätiedotJos 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
LisätiedotStokastiikan perusteet
Stokastiikan perusteet Lasse Leskelä 10. joulukuuta 2013 Tiivistelmä Tämä luentomoniste sisältää muistiinpanoja asioista, joita käsiteltiin Jyväskylän yliopiston kurssilla MATA280 Stokastiikan perusteet
LisätiedotSatunnaislukujen generointi
Satunnaislukujen generointi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Satunnaislukujen generointi 1/27 Kevät 2003 Lähteet Knuth, D., The Art of Computer Programming,
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotA. Huutokaupat ovat tärkeitä ainakin kolmesta syystä. 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä.
HUUTOKAUPOISTA A. Huutokaupat ovat tärkeitä ainakin kolmesta syystä 1. Valtava määrä taloudellisia transaktioita tapahtuu huutokauppojen välityksellä. 2. Huutokauppapelejä voidaan käyttää taloustieteen
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
LisätiedotKurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten
Todennäköisyys Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten tietoliikennejärjestelmien ymmärtämisessä
Lisätiedot3 Derivoituvan funktion ominaisuuksia
ANALYYSI B, HARJOITUSTEHTÄVIÄ, KEVÄT 2019 3 Derivoituvan funktion ominaisuuksia 31 l Hospitalin sääntö 1 Määritä 2 5 4 2 + 2 7 12 + 11, e 1 2, (c) tan sin 2 Määritä 2012 3 704 + 2 6 30 13 10 + 7, 3 2017
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.
Lisätiedot4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5)
4 Kysyntä, tarjonta ja markkinatasapaino (Mankiw & Taylor, 2 nd ed., chs 4-5) Opimme tässä ja seuraavissa luennoissa että markkinat ovat hyvä tapa koordinoida taloudellista toimintaa (mikä on yksi taloustieteen
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
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
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
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
Lisätiedot