n = 100 x = %:n luottamusväli µ:lle Vastaus:

Koko: px
Aloita esitys sivulta:

Download "n = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:"

Transkriptio

1 1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%: luottamusvälit tiivisterekaide halkaisija odotusarvolle. x=tiivisterekaa halkaisija x ( µ, σ 2) σ = 0.04 = 100 x = %: luottamusväli µ:lle x ± Z σ/ = 0.6 ± / 100 = 0.6 ± eli väli [0.592, 0.608] 99%: luottamusväli µ:lle x ± Z σ/ = 0.6 ± / 100 = 0.6 ± eli väli [0.590, 0.610] [0.592, 0.608] ja [0.590, 0.610] 2. Kuika suuri otos vähitää tarvitaa, jos halutaa, että edellise tehtävä tiivisterekaide halkaisija odotusarvo 99%: luottamusväli pituus o korkeitaa 0.02 tuumaa? 99%: lv: pituus σ/ 0.02 (2 2.58σ/0.02) 2 = Otoskoko 107 Otoskoko 107 kpl 3. Erää paperilaadu eliöpaio vaihtelee ormaalijakauma mukaa ja hajoa tiedetää oleva σ = 1.3 g/m 2. Ku halutaa estimoida odotusarvoa, ii kuika suuri otos tarvitaa, jotta odotusarvo 99%: luottamusväli pituus olisi alle 1 g/m 2? Paperi eliöpaio X N(µ, σ 2 ), missä σ = 1.3 g/m 2 Odotusarvo 99%: luottamusväli (α = 0.01) o µ = x ± z σ/ Väli pituus (yläraja - alaraja): 2 z σ/ = / < 1

2 => > => > eli otoskoko Estimoidaa ormaalijakautuee satuaismuuttuja X odotusarvoa µ tilateessa, jossa hajota σ tuetaa. Kuika suuri otos tarvittaisii, jotta odotusarvo 99%: luottamusväli pituus olisi alle a) σ, b) 0, 1σ? Ku σ tuetaa, ii µ: (1 α)100%: luottamusväli o σ x z 1 α/2 σ µ x + z 1 α/2 σ Luottamusväli pituus o 2z 1 α/2 α = 0, 01 z 1 α/2 = z 0,995 = 2, 5758 a) 2 2, 5758 σ σ (2 2, 5758) 2 = 26, 5 27 b) 2 2, 5758 σ 0, 1σ = σ 10 (10 2 2, 5758)2 = 2653, a) 27 b) Pakkauskoeella pakatuista laatikoista otettii 8 kappalee äyte, jossa paiot (kg) olivat a) Estimoi paio odotusarvo ja variassi. b) Määrää odotusarvo 99% : luottamusväli. = 8 Σx i = 40.2 Σx 2 i = a) ˆµ = x = 1 Σx i = 40.2/8 = ˆσ 2 = s 2 = 1 1 [Σx2 i 1 (Σx i) 2 ] = 1 7 [ ] = (s = ) b) Piei otos, σ tutemato => luottamusväli perustuu otossuureesee T = x µ s/ t( 1) 99%: varmuudella (α = 0.01, 1 α 2 = 0.995) t ( 1) x µ s/ t 0.995( 1) josta 99%: luottamusväliksi µ = x ± t ( 1)s/

3 Taul.arvo t ( 1) = t (7) = µ = ± / 8 = ± b) ± Jauhime toimia valvoassa tarkkaillaa jauhetu massa raekoo vaihtelua. Suoritetussa rutiiimittauksessa saatii =25 rakee otoksesta hajoaksi s=0.75 kg. Mitä arvoa pieempi raekoo todellie hajota σ o 95%: varmuudella? Oletetaa, että raekoko o ormaalijakautuut. Raekoko x N ( µ, σ 2) χ 2 = ( 1)s2 σ χ 2 ( 1) 2 P ( χ 2 χ ( 1) ) ( = 0.95 ) P ( 1)s 2 σ χ ( 1) = 0.95 =25 s=0.75 χ ( 1) = χ (24) = 13.8 ( 1)s 2 (24)0.752 = χ ( 1) 13.8 = %: varmuudella variassi σ 2 = eli hajota σ = σ = Mediatutkimuksessa poimittii suomalaisista 150 hege otos ja kysyttii mm. kuika moi katsoi sääöllisesti erästä uutta televisiosarjaa. 57 hekeä ilmoitti katsovasa kyseistä sarjaa. Laske tämä perusteella 95%: luottamusväli katsojie suhteelliselle osuudelle koko väestössä. = 150 x = 57 => ˆp = x/ = 0.38 ˆp(1 ˆp) = > 9 => orm. approksimoiti ok Z = ˆp p N(0.1) ˆp(1 ˆp) 95% varmuudella (α = 0.05, 1 α/z = 0.975) z ˆp p z ˆp(1 ˆp) josta luottamusväliksi

4 ˆp(1 ˆp) p = ˆp ± z ± = 0.38 ± 0.08 eli 38 ± 8% 38 ± 8% 8. Tutkitaa suhteellise osuude, esim. puoluekaatukse väliestimoitia 95%: varmuudella: mite suuri otoskoo olisi oltava, jotta saavutettaisii a) 5, b) 1 prosettiyksikö tarkkuus kaatusosuude p estimoiissa, ku ˆp = Kuika väliestimaatti muuttuu ˆp: muuttuessa? ˆp = % : lv. ˆp(1 ˆp) ˆp ± Z ˆp(1 ˆp) Tarkkuus Z ρ ( virhemargiaali ) ρ = 1, vast. 5%-yks = eli , vast. 1%-yks = eli 7203 Koska tarvittava verraollie termii ˆp(1 ˆp) ja termi arvo vaihtelee kuva mukaisesti, ii tarvittava otoskoko o sitä suurempi mitä lähempää ˆp o arvoa 0.5. Jos taas o kiiteä, ii lv. o laaji, ku ˆp = 0.5. a) 289 b) 7203

5 9. Halutaa selvittää, oko virvoitusjuomie pullottamoo aseettu uusi kuljetirata lyhetäyt läpimeoaikaa. Läpimeoajat (ee ja jälkee) voidaa olettaa ormaalijakautueiksi ja variassit yhtäsuuriksi. Estimoi keskimääräise läpimeoaja lyheemie µ 1 µ 2 ja määritä se 95%: luottamusväli seuraavasta koeaieistosta: ee 1 = 12 x 1 = 35.2 s 2 1 = 24.4 jälkee 2 = 10 x 2 = 31.5 s 2 2 = 20.0 Läpimeoaika ee X 1 N(µ 1, σ 2 1) jälkee X 2 N(µ 2, σ 2 2) (σ 2 1 = σ 2 2) Lyheemie ˆµ 1 ˆµ 2 = x 1 x 2 = = 3.7 Koska pieet otokset, luott.väli perustuu otossuureesee T = x 1 x 2 (µ 1 µ 2 ) t( ) 1 s p josta (1 α) 100%: luottamusväliksi µ 1 µ 2 = x 1 x 2 ± t 1 α/2 ( )s p s 2 p = ( 1 1)s ( 2 1)s = %: lv: α = 0.05 t 1 α/2 ( ) = t (20) = Kaavaa sijoituksilla => µ 1 µ 2 = 3.7 ± ( ) = 3.7 ± ± = (s = 4.735) Vertailtii kahde valmistaja polttimoide kestoikää ja havaitoaieistoista oli laskettu: Tyyppi 1: 1 = 80, x 1 = 1200, s 2 1 = Tyyppi 2: 2 = 100, x 2 = 900, s 2 2 = 35000

6 Määritä 99%: luottamusväli kestoiä odotusarvoje erolle. Koska otoskoot ovat suuria, korvataa variassit otosvariasseilla. σ 2 1 s 2 1 = σ 2 2 s 2 2 = (Variassie yhtäsuuruutta EI oikei voi olettaa: siksi ei käytetä t-otossuuretta) Erotukse x 1 x 2 variassi σ 2 = σ2 1 + σ2 2 = = 850 x 1 x 2 N(µ 1 µ 2, 850) x 1 x 2 (µ 1 µ 2 ) 850 N(0, 1) 99%: varmuudella (α = 0.01, 1 α/2 = 0.995) Z x 1 x 2 (µ 1 µ 2 ) 850 Z eli x 1 x 2 Z µ1 µ 2 x 1 x 2 + Z x 1 x 2 = = 300 Z = %: lv µ 1 µ 2 : lle 300 ± eli 300 ± 75.2 eli [224.8, 375.2] 11. Valmistetaa laakerikuulia, joide halkaisija tulisi olla mahdollisimma tarkkaa 5 mm. Halkaisija X o ormaalijakautuut odotusarvoa säätöarvo µ ja keskihajotaa σ = 0, 2 mm. Säätöarvo tarkastetaa mittaamalla = 20 satuaisesti valitu laakerikuula halkaisija ja testaamalla riskitasolla α = 0,05 hypoteeseja H 0 : µ = 5, H 1 : µ 5. Suorita testaus, ku tarkastuksessa saatii keskiarvoksi x = 5, 06 mm. Mikä o tulokse P-arvo? X N(µ, σ 2 ), σ = 0, 2mm H 0 : µ = 5 H 1 : µ 5 Testisuure Z = x µ0 µ N(0, 1), ku µ = µ 0 (koska σ tuetaa) Otos: = 20, x = 5, 06

7 Z = 5,06 5 0,2 20 = 1, 34 α = 0, 05 H 0 hylätää, jos z > z 1 α 2 = z,975 = 1, 96 z < 1, 96, jote H 0 jää voimaa Keskimääräie halkaisija µ ei poikkea merkitsevästi 5mm:stä Merkitsevyystatso eli P-arvo o P = P ( Z > 1, 34) = 2P (Z > 1, 34) = 2[1 Φ(1, 34)] = 2[1 0, 9099] = 0, , 18 P-arvo 0, Kemiallise prosessi valvoassa tarvitaa liuokse ph: mittaamista. Prosessi toimia kaalta oikea ph-arvo o 7, 90. Liia suuret poikkeamat kumpaaki suutaa ovat haitallisia. Oko ph pysyyt halutussa arvossa, jos kahdeksasta mittauksesta saadaa keskiarvoksi 7, 85 ja keskihajoaksi 0, 04? Testaa hypoteeseja H 0 :µ = 7, 90 H 1 :µ 7, 90 Käyttäe riskitasoa α = 0, 05 phx N(µ, δ 2 H 0 :µ = 7.90 H 1 :µ 7.90 Riskitaso α = 0, 05 Koska piei otos ja δ tutemato, käytetää testisuuretta T = X µ0 s/ t( 1) ku µ = µ 0 H 0 hylätää, jos t > t 1 α/2 ( 1) Otos: =8 X = 7, 85 s=0,04

8 t = 7,85 7,90 0,04/ = 3, Kriittie arvo t 1 α/2 ( 1) = t 0,975 (7) = 2, 365 Koska t = 3, 536 > 2, 365, ii H 0 hylätää riskitasolla α = 0, 05 : ph-arvo ei ole pysyyt Ei ole. 13. Määrätyillä testeillä mitattu älykkyysosamäärä o ormaalijakautuut ja se keskiarvo Suome koko väestössä o 100, keskihajotaa 24. Erää pikkukaupugi tekillise korkeakoulu opiskelijoista poimittii satuaisesti 10 testattavaa. Näide ÄO-lukemie keskiarvoksi saatii x = ja keskihajoaksi s = Mitä johtopäätöksiä tuloksista voidaa vetää? ÄO korkeakoulu opisk. joukossa X N(µ, σ 2 ) H 0 : µ = 100 (Eivät poikkea ormaaliväestöstä) H 1 : µ > 100 (Älykkäämpiä keskimääri kui ormaaliväestö) = 10 x = s = 18.1 Testisuure: T = x µ 0 s/ t( 1) ku µ = µ 0 H 0 hylätää, jos T > t 1 α ( 1) T = / 10 = Valitaa α = 0.05 t 1 α ( 1) = t 0.95 (9) = T = < H 0 jää voimaa Ei voida pitää ormaalia älykkäämpiä vaikka siltä äyttäisi. Miksi valittii yksisuutaie testi? Vaihtoehto µ < 100 a priori mahdoto! Miksi ei käytetty koko väestö hajotaa σ = 24? Otaa perusjoukko ei ole koko väestö vaa tietty opiskelijajoukko jossa hajota oletettavasti pieempi kui koko väestössä. 14. Eräässä rahapelissä koe simuloi rahaheittoa. Eräs pelaaja epäilee, että koe "vetää"kotiipäi, eivätkä kruua ja klaava ole yhtä todeäköisiä. Pidettyää kirjaa tuloksista hä havaitsi, että 100 heitolla tuli 39 kruuaa ja 61 klaavaa.

9 Voidaako päätellä, ettei rahaheito tulos ole täysi satuaie? Käytä kaksisuutaista testiä. H 0 : p = 0, 5 H 1 : p 0, 5 Koska suuri ja p 0 (1 p 0 ) = 100 0, 5 0, 5 = 18 > 9, käytetää testisuuretta Z = ˆp p0 p 0 (1 p 0 ) N(0, 1) ku p = p 0 H 0 hylätää riskitasolla α, jos Z > Z 1 α/2 Otos: =100 X=39 ˆp X( = 0, 39) Z = 0,39 0,50 0,5 0,5 = 2, Jos valittu α = 0, 05, kriittie arvo Z 0,975 = 1, 96 H 0 hylätää Jos valittu α = 0, 01, kriittie arvo Z 0,995 = 2, 58 H 0 jää voimaa Poikkeama symmetrisessä tapauksessa p=0,5 o "melkei merkitsevä". (Merkitsevyystaso o 2[1 Φ(2, 2)] = 2(1 0, 9861) = 0, 0278) Melkei merkitsevä 15. Eräässä valtiossa presidetti valitaa kaksivaiheisella kasaääestyksellä, jossa esimmäie vaihe ratkaisee vaali, mikä joku ehdokkaista saa yli 50% ääistä. Ee vaalia suoritetussa kyselyssä katasa ilmoitti 1496 hekilöä, joista 779 ilmoitti ääestäväsä ehdokasta N.N. Olkoo p kyseise ehdokkaa kaatusosuus koko ääestäjäkuassa. Testaa riskitasolla α = 0.05 hypoteesit H 0 : p 0, 5 H 1 : p > 0, 5 H 0 : p 0, 5 H 1 : p > 0, 5 = 1496 x = 779 ˆp = x/ = 0, 52 Testisuure z = ˆp p 0 p 0(1 p 0) = 0, 52 0, 5 0,5 0, = 1, 547

10 Keskitaso α = 0, 05 H 0 hylätää, jos z > z 1 α = z 0,95 = 1, 645 H 0 jää voimaa H 0 jää voimaa 16. Kahde autoregastyypi keskimääräie kesto o km. Halutaa testata oko tyypi 1 kestoaja hajota suurempi kui tyypi 2. Kestotesti suoritettii 21 tyypi 1 rekaalle ja 16 tyypi 2 rekaalle. Otoshajooiksi saatii tyypille 1 s 1 = 8400 km ja tyypille 2 s 2 = 5600 km. Suorita testaus riskitasolla α = Kestot x 1 N(µ 1, σ 2 1) x 2 N(µ 2, σ 2 2) H0: σ 1 σ 2 Hi: σ 1 > σ 2 Testisuure (F = S 2 1/S 2 2) F ( 1 1, 2 1), ku σ 1 = σ 2 H0 hylätää, jos F > F 1 α( 1 1, 2 1) Otokset: 1 = 21 s 1 = = 16 s 2 = 5600 F = / = 2.25 α = 0.05 Kriittie arvo F 0.95 (20, 15) = 2.33 H 0 jää voimaa H 0 jää voimaa: tyypi 1 hajota ei ole suurempi. Tyypi 1 kestoaja hajota ei ole suurempi kui tyypi 2 kestoaja hajota. 17. Pakkauskoeella pakatuista laatikoista otettii 6 kappalee äyte, jossa paiot (kg) olivat 4,5 5,0 5,2 5,4 5,1 5,7

11 Paio vaariassi ei saisi olla yli 0, 15kg 2. Laske otosvariassi ja testaa hypoteesit H 0 : σ 2 0, 15 H 1 : σ 2 > 0, 15 Oletetaa, että laatiko paio X N(µ, σ 2 ) N=6 s 2 = 1 1 [ΣX2 i 1 (ΣX i) 2 ] = 1 5 [159, , 92 ] = 0, 163 H 0 : σ 2 0, 15 H 1 : σ 2 > 0, 15 Testisuure X 2 = ( 1)s2 σ 2 0 = 5 0,163 0,15 = 5, 433 Valitaa riskitaso α = 0, 05 H 0 hylätää, jos X 2 > X 2 1 α( 1) = X 2 0,95(5) = 11, 07 Hylkäysehto ei päde, jote H 0 hyväksytää. Variassi ei ylitä sallittua rajaa. 18. Muovilaadu kimmoisuus saattaa riippua valmistusprosessista. Tämä sieka tutkimiseksi otettii kahdesta eri valmistusmeetelmällä tehdystä muovilaadusta 60 äytettä kummastaki ja laskettii otoskeskiarvot ja -hajoat: Meetelmä 1: 1 = 60 X 1 = 8, 08 s 1 = 1, 76 Meetelmä 2: 2 = 60 X 2 = 6, 97 s 2 = 1, 13 Testaa riskitasolla α = 0, 01, ovatko keskimääräiset kimmoisuudet yhtä- vai erisuuret. Oletetaa, että kimmoisuudet oudattavat ormaalijakaumaa, mutta hajotoja ei voida olettaa yhtäsuuriksi. H 0 : µ 1 = µ 2 H 1 : µ 1 µ 2 Koska otokset suuria, voidaa arvioida σ 1 s 1 σ 2 s 2 ja käyttää testisuuretta Z = X1 X2 σ σ2 2 2 α = 0, 01 N(0, 1) ku H 0 tosi. H 0 hylätää, jos Z > Z 1 α/2 = Z 0,995 = 2, 5758 Z = 8,08 6,97 1, , = 4, 111 > 2, 5758 jote H 0 hylätää: keskimääräiset kimmoisuudet poikkeavat toisistaa erittäi merkittävästi. Erisuuret.

12 19. Epäillää, että edellisessä tehtävässä maiitu meetelmällä 1 tehdy muovi kimmoisuus vaihtelee eemmä kui meetelmällä 2 tehdy. Testaa riskitasolla α = 0, 01 hypoteesit H 0 : σ 1 = σ 2 H 1 : σ 1 > σ 2 H 0 : σ 1 = σ 2 H 1 : σ 1 > σ 2 Testisuure F = s2 1 F ( s 2 1 1, 2 1) ku H 0 tosi 2 α = 0, 01 H 0 hylätää, jos F > F 1 α ( 1 1, 2 1) F = 1,762 1,13 2 = 2, 426 Kriittie arvo F 0,99 (59, 59) F 0,99 (60, 60) = 1, 84 F > F 0,99 H 0 hylätää: meetelmällä 1 suurempi hajota. 20. Tutkittii kahde ammatiryhmä, sairaahoitajie ja tietotekiikkaisiöörie, työperäistä stressiä. alittii kahdeksa satuaista koehekilöä kummastaki ryhmästä. Stressiarvo lasketaa paiotettua keskiarvoa eräistä fyysisistä ja psyykkisistä testeistä: mitä korkeampi arvo, sitä stressaatueempi hekilö. Tulokset olivat seuraavat: Sairaahoitajat Tietotekiikkaisiöörit Testaa sopivalla 2-suutaisella testillä, oko ammattiryhmie keskimääräisissä tuloksissa eroa. Voidaa olettaa, että perusjoukkoje variassit ovat yhtäsuuria. (Testisuuree arvo 2.0) Sairaahoitajie stressiarvo X 1 N(µ 1, σ 2 1) Tietotek. isiöörie X 2 N(µ 2, σ 2 2) H 0 : µ 1 = µ 2 H 1 : µ 1 µ 2 Riippumattomat otokset eri perusjoukoista. Koska otokset pieiä ja variassit tutemattomia mutta yhtäsuuria, käytetää testisuuretta.

13 T = X 1 X 2 s p [ 1 ]+[ 1 1 ] 2 x 1 = 81/8 = x 2 = 44/8 = 5.5 Variassit kaavalla s 2 = 1 1 [ x 2 1 ( x) 2 ] s 2 1 = 1 7 [ ] = s 1 = s 2 2 = 1 7 [ ] = 16, s 2 = s 2 p = (1 1) s2 1 +(2 1) s = 7 s s = s p = Testisuuree arvo t = s = 2.00 Valitaa α = 0.05 H 0 hylätää, jos t > t 1 α 2 ( ) = t (14) = Hylkäysehto ei toteudu, jote H 0 jää voimaa: ei merkittävää eroa 21. Testaa, oko tehtävä edellise aieisto perusteella sairaahoitajie ja tietotekiikkaisiöörie stressiarvoissa yhtä paljo vaihtelua vai vaihtelevatko sairaahoitajie arvot eemmä (variassie testaus). H 0 : σ 2 1 = σ 2 2 H 1 : σ 2 1 > σ 2 2 Testisuure F = s2 1 F ( s 2 1 1, 2 1) ku H 0 o tosi. 2 Valitaa α = 0.05 H 0 hylätää, jos F > F 1 α ( 1 1, 2 1) = F 0.95 (7.7) = 3.75 F = s2 1 = s = 1.62 < F 0.95 jote H 0 jää voimaa: variaeesissa ei eroa.

14 22. Pakissa tutkittii asiakkaa palveluaja jakautumista. 80 asiakkaa otoksessa ajat jakautuivat seuraavasti: mi: lkm: Tutki κ 2 -yhteesopivuustesti avulla, riskitasolla α = 0,001, voidaako palveluaja katsoa oudattava ekspoetiaalijakaumaa. Jakauma parametriksi o estomoitu λ = 1 x = 1 4,9. Luokkatodeäköisyydet ekpoetiaalijakaumalle lasketaa kaavalla P (a X b) = F (b) F (a) = e λa e λb, paitsi viimeise luoka todeäköisyys o P (X 8). H 0 : Exp(λ) Estimoitu λ = 1 x = 1 4,9 Exp( 1 4,9 ) -jakauma kertymäfuktio o F (x) = P (X x) = 1 e x 4,9 Odotetut frekvessit e i = π i, missä = 80 ja luokkatodeäköisyydet: π 1 = P (0 X 2) = e 0 e 2 4,9 = 0, π 2 = P (2 X 4) = e 2 4 4,9 e 4,9 = 0, π 3 = P (4 X 6) = e 4 6 4,9 e 4,9 = 0, π 4 = P (6 X 8) = e 6 8 4,9 e 4,9 = 0, π 5 = P (X 8) = 1 F (8) = e 8 4,9 = 0, f i : e i 26,81 17,83 11,85 7,88 15,63 Testisuure κ 2 = k (f i e i) 2 i=1 e i = (9 26,81)2 26,81 + (23 17,83)2 17,83 + (22 11,85)2 11,85 + (15 7,88)2 (11 15,63) 2 7,88 15,63 = 29, 83 κ 2 κ 2 (k l 1), missä k = 5 (luokkie lkm) l = 1 (estimoituje parametrie lkm) κ 2 κ 2 (3) Riskitasolla α = 0,001 kriittie arvo κ 2 1 α(k l 1) = κ 2 0,999(3) = 16, 27 Koska κ 2 > κ 2 0,999(3), H 0 hylätää riskitasolla α = 0,001 Jakauma poikkeaa erittäi merkittävästi Exp -jakaumasta 23.

15 Neljä eri koetta valmistavat samaa tuotetta. Kuki koee tuotaosta otettii 200 kappalee äyte ja saatii vialliste lukumääriksi 2, 9, 10 ja 3. Testaa 5%: merkitsevyystasolla, poikkeavatko koeide tuottamie virhekappaleide osuudet toisistaa. Homogeeisuude testaus H 0 : vialliset/kuolliset samoi jakutueet eri koeilla Koe ij i viall kuoll j = Odotetut frekvessit: e ij = i j ij Testisuure α = 0.05 χ 2 = i ( ij e ij ) 2 j e ij χ 2 ((k 1)(l 1)) = χ 2 (3) H 0 hylätää jos χ 2 χ 2 1 α(3) = χ (3) = 7.81 χ 2 = (2 6)2 6 + (9 6) ( )2 194 = 8.59 H 0 hylätää: o eroja O eroja, eli poikkeavat.

Otoskoko 107 kpl. a) 27 b) 2654

Otoskoko 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

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6

Lisätiedot

Tilastolliset menetelmät: Tilastolliset testit

Tilastolliset menetelmät: Tilastolliset testit Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.

Lisätiedot

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa. Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.

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

Otantajakauman käyttö päättelyssä

Otantajakauman käyttö päättelyssä Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat:

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat: Mat-.090 Sovellettu todeäköiyylaku A 0. harjoituket Mat-.09 Sovellettu todeäköiyylaku 0. harjoituket / Ratkaiut Aiheet: Avaiaat: Tilatolliet tetit Aritmeettie kekiarvo, Beroulli-jakauma, F-jakauma, F-teti,

Lisätiedot

Mat-2.090 Sovellettu todennäköisyyslasku A

Mat-2.090 Sovellettu todennäköisyyslasku A Mat-.090 Sovellettu todeäköiyylaku A Mat-.090 Sovellettu todeäköiyylaku A / Ratkaiut Aiheet: Avaiaat: Tilatollite aieito keräämie ja mittaamie Tilatollite aieitoje kuvaamie Oto ja otojakaumat Aritmeettie

Lisätiedot

Vastaus: Kertymäfunktio on F( x) = x, kun 0 x 20. Todennäköisyydet ovat molemmat 1. Frekvenssi f

Vastaus: Kertymäfunktio on F( x) = x, kun 0 x 20. Todennäköisyydet ovat molemmat 1. Frekvenssi f 0, ku x < 0 Vastaus: Kertymäfuktio o F( x) = x, ku 0 x 0 0, ku x > 0 Todeäköisyydet ovat molemmat 0. Laudatur MAA ratkaisut kertausharjoituksii Tilastoje esittämie 3. a) Tietty kasvi b) Kukkie lukumäärä

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

Hypoteesin testaus Alkeet

Hypoteesin testaus Alkeet Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä

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

5. Väliestimoi tehtävän 3 tilanteessa tulppien keskimääräinen kestoa.

5. Väliestimoi tehtävän 3 tilanteessa tulppien keskimääräinen kestoa. MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuiee luetomoistee lukuu 5 liittye 1. Olkoo puoluee A kaatusosuus populaatiossa 30 %. Tarkastellaa tästä populaatiosta tehtyä satuaisotosta, joka koko

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,

Lisätiedot

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,

Lisätiedot

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1

= 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,

Lisätiedot

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää

Lisätiedot

Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:

Mat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat: Mat-.04 Tilastollise aalyysi perusteet / Ratkaisut Aiheet: Avaisaat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahde riippumattoma otokse t-testit, Nollahypoteesi, p-arvo, Päätössäätö, Testi,

Lisätiedot

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria

Lisätiedot

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla. Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie

Lisätiedot

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ). HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu 1.1 Noudattakoon satunnaismuuttuja X normaalijakaumaa a) b) c) d) N(5, 15). Tällöin P (1.4 < X 12.7) on likimain

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat: Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

8. laskuharjoituskierros, vko 11, ratkaisut Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo? MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäköisyyslasketa. harjoitukset Mat-.6 Sovellettu todeäköisyyslasketa B. harjoitukset / Ratkaisut Aiheet: Tilastolliset testit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, F-jakauma,

Lisätiedot

4.7 Todennäköisyysjakaumia

4.7 Todennäköisyysjakaumia MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma

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

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. 6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla

Lisätiedot

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n = 1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista

Lisätiedot

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 16.11.2017/1 MTTTP5, luento 16.11.2017 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla ~,, ~,,. 16.11.2017/2 Esim. Tutkittiin uuden menetelmän käyttökelpoisuutta

Lisätiedot

10. laskuharjoituskierros, vko 14, ratkaisut

10. laskuharjoituskierros, vko 14, ratkaisut 10. laskuharjoituskierros, vko 14, ratkaisut D1. Eräässä kokeessa verrattiin kahta sademäärän mittaukseen käytettävää laitetta. Kummallakin laitteella mitattiin sademäärät 10 sadepäivän aikana. Mittaustulokset

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

riippumattomia ja noudattavat samaa jakaumaa.

riippumattomia ja noudattavat samaa jakaumaa. 12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma

Lisätiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi

Lisätiedot

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 5.4.2014 klo. 9.00-12.00 saleissa L1,L3 Koealue: luentojen luvut 7-11

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

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

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

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

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

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

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla 17.11.2016/1 MTTTP5, luento 17.11.2016 3.5.5 Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla likimain Jos X ~ Bin(n, p), niin X ~ N(np, np(1 p)), kun n suuri. 17.11.2016/2

Lisätiedot

Tunnuslukuja 27 III TUNNUSLUKUJA

Tunnuslukuja 27 III TUNNUSLUKUJA Tuuslukuja 27 III TUNNUSLUKUJA Tuuslukuja 28 Tuuslukuja käytetää, ku tilastoaieistoa havaiollistetaa tiivistetysti yksittäisillä luvuilla. Tuusluvut lasketaa muuttujie arvoje perusteella ja e kuvaavat

Lisätiedot

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille

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

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely 3.12.2018/1 MTTTP5, luento 3.12.2018 6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely H 0 : = 0 Oletetaan, että populaatiossa viallisia %. Olkoon X 1, X

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli

Yhden selittäjän lineaarinen regressiomalli Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli

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

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy

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

Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta?

Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Yhden otoksen suhteellisen osuuden testaus Ongelma: Poikkeaako perusjoukon suhteellinen osuus vertailuarvosta? Hypoteesit H 0 : p = p 0 H 1 : p p 0 tai H 1 : p > p 0 tai H 1 : p < p 0 Suhteellinen osuus

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi MS-A53 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Yhde otokse t-testi Testausasetelma yhde otokse t-testissä odotusarvolle Olkoo X i, i =,,, riippumato

Lisätiedot

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

Solmu 3/2010 1. toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2) Solmu 3/200 Epäyhtälöistä, osa 2 Markku Halmetoja Mätä lukio Välillä I määriteltyä fuktiota saotaa koveksiksi, jos se kuvaaja o alaspäi kupera, eli jos kuvaaja mitkä tahasa kaksi pistettä yhdistävä jaa

Lisätiedot

Harjoitukset 1 : Tilastokertaus

Harjoitukset 1 : Tilastokertaus 31C99904, Capstoe: Ekoometria ja data-aalyysi TA : markku.siikae(a)aalto.fi & tuuli.vahapelto(a)aalto.fi Harjoitukset 1 : Tilastokertaus (Palautus 10.1.2017) Palautellaa mielii hiema tilasto-oppia ja todeäköisyyslasketaa.

Lisätiedot

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen) 1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi

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

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

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut

Lisätiedot

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015 Stokastiika perusteet Harjoitukset (Todeäköisyysavaruus, -mitta ja -fuktio) 2..205. Määritä potessijoukko 2,ku (a) {0, } (b) {(0, ]} ja ku (c) (0, ]. Ratkaisu: (a) 2 {;, {0}, {}, {0, }} (b) 2 {;, {(0,

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

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden 1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma

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

Valvontakortit. Sovelletun Matematiikan Erikoistyö. Pastinen Tommi 23.4.2010

Valvontakortit. Sovelletun Matematiikan Erikoistyö. Pastinen Tommi 23.4.2010 Valvotakortit Sovelletu Matematiika Erikoistyö Pastie Tommi 3.4. Tässä työssä perehdytää valvotakortteihi tilastollisessa laaduvalvoassa perusteoria ja esimerkkitapauste kautta. Sisältö Johdato... 3 Tilastollisesta

Lisätiedot

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja

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

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme? TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:

Lisätiedot

Harjoitustehtävien ratkaisuja

Harjoitustehtävien ratkaisuja 3. Mallitamie lukujooje avulla Lukujoo määritelmä harjoituksia Harjoitustehtävie ratkaisuja 3. Laske lukujoo viisi esimmäistä jäsetä, ku a) a 6 ja b) a 6 ja 3 8 c) a ja 3 a) 6,, 8, 4, 30. b) 8,, 6, 0,

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

S Laskennallinen systeemibiologia

S Laskennallinen systeemibiologia S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.

Lisätiedot

Luottamusvälit. Normaalijakauma johnkin kohtaan

Luottamusvälit. 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

Lisätiedot

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een 031021P Tilastomatematiikka (5 op) kertausta 2. vk:een Jukka Kemppainen Mathematics Division 2. välikokeeseen Toinen välikoe on la 31.03.2012 klo. 9.00-12.00 saleissa L1,L3 Jukka Kemppainen Mathematics

Lisätiedot

Geenikartoitusmenetelmät. Kytkentäanalyysin teoriaa. Suurimman uskottavuuden menetelmä ML (maximum likelihood) Uskottavuusfunktio: koko aineisto

Geenikartoitusmenetelmät. Kytkentäanalyysin teoriaa. Suurimman uskottavuuden menetelmä ML (maximum likelihood) Uskottavuusfunktio: koko aineisto Kytkentäanalyysin teoriaa Pyritään selvittämään tiettyyn ominaisuuteen vaikuttavien eenien paikka enomissa Perustavoite: löytää markkerilokus jonka alleelit ja tutkittava ominaisuus (esim. sairaus) periytyvät

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. 9.10.2018/1 MTTTP1, luento 9.10.2018 KERTAUSTA TESTAUKSESTA, p-arvo Asetetaan H 0 H 1 Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. Lasketaan otoksesta testisuureelle arvo. 9.10.2018/2

Lisätiedot

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

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

Työ 55, Säteilysuojelu

Työ 55, Säteilysuojelu Työ 55, Säteilysuojelu Ryhmä: 18 Pari: 1 Joas Alam Atti Tehiälä Selostukse laati: Joas Alam Mittaukset tehty: 7.4.000 Selostus jätetty: 1.5.000 1. Johdato Tutkimme työssämme kolmea eri säteilylajia:, ja

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat

Lisätiedot

Nimi: Ratkaise tehtävät sivun alalaitaan. (paperi nro 1) 1. Valitse oikea toisen asteen yhtälön ratkaisukaava: (a) b ± b 4ac 2a. (b) b ± b 2 4ac 2a

Nimi: Ratkaise tehtävät sivun alalaitaan. (paperi nro 1) 1. Valitse oikea toisen asteen yhtälön ratkaisukaava: (a) b ± b 4ac 2a. (b) b ± b 2 4ac 2a paperi nro 0 a b ± b 2 4ac b b ± b 2 + 4ac c b ± b 4ac d b ± b 2 4ac 2. Ratkaise toisen asteen yhtälö x 2 + 7x 12 = 0. 3. Ratkaise epäyhtälö 3x 2 30x > 0 4. Ratkaise epäyhtälö 5x 2 + 5 < 0 paperi nro 1

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

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

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu

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

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489 Perusjoukko ja otos Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Havaitoyksikkö o empiirise mittaukse kohde Perusjoukko o kaikkie havaitoyksiköide muodostama kokoaisuus Otos o perusjoukkoa

Lisätiedot

Tilastolliset menetelmät: Varianssianalyysi

Tilastolliset menetelmät: Varianssianalyysi Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi a useampisuutaie variassiaalsi T @ Ila Melli (006) 433 Variassiaalsi T @ Ila Melli (006)

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

TILASTOT: johdantoa ja käsitteitä

TILASTOT: johdantoa ja käsitteitä TILASTOT: johdatoa ja käsitteitä TOD.NÄK JA TILASTOT, MAA10 Tilastotietee tehtävää o esittää ja tulkita tutkimuskohteesee liittyvää havaitoaieistoa eli tilastoaieistoa. Tutkitaa valittua joukkoa ja se

Lisätiedot

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Ka6710000 TILASTOLLISEN ANALYYSIN PERUSTEET 2. VÄLIKOE 9.5.2007 / Anssi Tarkiainen Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. Tehtävä 1. a) Gallupissa

Lisätiedot

Todennäköisyyslaskenta sivuaineopiskelijoille. Heikki Ruskeepää

Todennäköisyyslaskenta sivuaineopiskelijoille. Heikki Ruskeepää Todeäköisyyslasketa sivuaieopiskelijoille Heikki Ruskeepää 2012 Sisällys 2 1 Todeäköisyys 3 1.1 Klassie todeäköisyys 3 1.2 Kombiatoriikkaa 5 1.3 Aksiomaattie todeäköisyys 7 1.4 Ehdollie todeäköisyys 12

Lisätiedot

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia. Tehtävien ratkaisuja 4. Palloja yhteensä 60 kpl. a) P(molemmat vihreitä) = P((1. pallo vihreä) ja (. pallo vihreä)) = P(1. pallo vihreä) P(. pallo vihreä 1. pallo vihreä) = 0.05 (yleinen kertolaskusääntö)

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 11 (vko 48/003) (Aihe: Tilastollisia testejä, Laininen luvut 4.9, 15.1-15.4, 15.7) Nordlund 1. Kemiallisen prosessin

Lisätiedot

Sormenjälkimenetelmät

Sormenjälkimenetelmät Sormejälkimeetelmät Matti Risteli mristeli@iksula.hut.fi Semiaariesitelmä 23.4.2008 T-106.5800 Satuaisalgoritmit Tietotekiika laitos Tekillie korkeakoulu Tiivistelmä Sormejälkimeetelmät ovat satuaisuutta

Lisätiedot