STOKASTISET PROSESSIT
|
|
- Riikka Laaksonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan syntymekanismia kuvaavia teoreettista malleja kutsutaan aikasarjamalleiksi. Stokastiset prosessit ovat aikasarjan todennäköisyysteoreettisia kuvaus- ja selitystapoja. {z 1, z 2, z 3,...} jono sat. muuttujia. Näiden muodostama jono yhdessä niitä koskevan todennäköisyysinformaation kanssa muodostaa stokastisen prosessin. Prosessi voi olla myös jatkuvan muuttujan t indeksoima {z(t), t T } Stokastisen prosessin todennäköisyysrakenteen määräävät satunnaismuuttujien {z k } jakaumat sekä niiden välisiä kytkentöjä kuvaavat satunnaisvektoreiden {z i, z i+1,... z j } yhteisjakaumat. Moniulotteisen satunnaismuuttujan jakaumista lue kirjallisuudesta. Kovarianssi Aikasarjojen analyysissä tärkeä käsite on kovarianssi, jolla kuvataan kahden satunnaismuuttujan välisen tn-kytkennän voimakkuutta. Jos X, Y ovat satunnaismuuttujia, määritellään kovarianssi, varianssi ja korrelaatio cov(x, Y ) = E[(X EX)(Y EY )] var(x) = cov(x, X) = E(X EX) 2 ρ(x, Y ) = cov(x,y ) cov(x,x) cov(y,y ) Odotusarvon ominaisuuksista seuraa laskusäännöt cov(x + Y, Z) = cov(x, Z) + cov(y, Z) cov(ax, Z) = a cov(x, Z) cov(x, Z) = cov(z, X) Tunnusluvut Stokastisen prosessin todennäköisyysrakennetta kuvaavat tunnusluvut µ t = E(Z t ) odotusarvo γ t,s = cov(z t, Z s ) autokovarianssifunktio Näistä johdetaan edelleen σ 2 t = γ t,t varianssi ρ t,s = γ t,s γt,t γ s,s korrelaatio Stationaarisuus Aikasarjaa tai stokastista prosessia, jonka satunnaisuuden rakenne säilyy samanlaisena ajan mukana, sanotaan stationaariseksi. Tarkemmin sanoen aikasarja on vahvasti stationaarinen, jos vektorin {Z j, Z j+1, Z j+2,..., Z j+k } yhteisjakauma on riippumaton j:sta. Aikasarjaa sanotaan stationaariseksi, jos
2 1. µ t = vakio 2. γ t,t+k = vakio = γ k ts. ei riipu t:stä Stationaariselle aikasarjalle määritellään autokorrelaatiofunktio ρ k, jota havainnollistaa autokorrelogrammi. ρ k 0 k Seuraavassa esitellään tärkeitä perustapauksia Valkoinen kohina (White Noise) Olkoon {a t } = jono identtisesti jakautuneita riippumattomia n(0, σ 2 )-satunnaismuuttujia (normaalijakauma, vakiovarianssi) Jono {Z 1, Z 2,...}, missä Z t = a t, on silloin stokastinen prosessi, ns valkoinen kohina. Jos t s, niin riippumattomuusoletuksen mukaan cov(z t, Z s ) = 0 ja cov(z t, Z t ) = var(z t ) = σ 2 joten prosessin autokovarianssifunktio on { σ 2 t = s γ t,s = 0 t s Satunnaissysäykset a t voivat edustaa tuotantoprosessiin kohdistuvia kysyntä-sysäyksiä, varastotilanteen muutoksia, rahoitushyödykkeiden kurssiheilahduksia, mekaanisen laitteen värähteleviä asentomuutoksia tai säätöpoikkeamia. Valkoineen kohina soveltuu kuvaamaan "täysin satunnaista"prosessia, jossa havaintoon eivät vaikuta aikaisemat arvot lainkaan. Random Walk Olkoon {a t } valkoinen kohina, jolle siis µ t = E(a t ) = 0 Määritellään jono Z t seuraavasti
3 Z 1 = a 1 Z 2 = a 1 + a 2 Z 3 = a 1 + a 2 + a 3. Z t = Z t 1 + a t Tämä on ns Random walk prosessi. Se kuvaa satunnaissysäysten kumuloituvaa vaikutusta. Autokovarianssifunktio voidaan johtaa kovarianssin laskusääntöjen avulla γ t,s = tσ 2, kun 1 t s Seuraavassa kuviossa on simuloitu satunnaiskulkuja. 2 1,5 1 0,5 0-0,5-1 -1,5-2 -2,5-3 -3,5 Moving average Johdantona niinsanottujen ARMA-mallien tarkasteluun tarkastellaan esimerkkiä, jossa aikasarjan ajatellaan syntyvän satunnaisten sykäysten a t yhteisvaikutuksena siten, että prosessin arvo muodostuu nykyisen sysäyksen ja edellisellä ajanhetkellä vaikuttaneen sysäyksen yhteisvaikutuksena. Olettakaamme, että Z t on tuotantomäärä, a t kysyntä jaksolla t ja jostain tuotantotavan aiheuttamasta syystä keskimäärin puolet edellisen jakson kysynnän arvosta katsotaan "jäävän varastoon"ja siten vähentävän tuotantotarvetta jaksolla t. Johdetaan tämän prosessin autokovarianssifunktio. Z t = a t 1 2 a t 1 µ = E(Z t ) = E(a t ) 1 2 E(a t 1) = 0 D 2 (Z t ) = D 2 (a t ) + ( 1 2 )2 D 2 (a t ) = σ σ2 = 1.25σ 2 cov(z t, Z t 1 ) = cov(a t 1 2 a t 1, a t a t 2) = cov(a t, a t 1 ) 1 2 cov(a t, a t 2 ) 1 2 cov(a t 1, a t 1 ) cov(a t 1, a t 2 ) = 1 2 cov(a t 1, a t 1 ) = 1 2 σ2 cov(z t, Z t 2 ) = cov(a t 1 2 a t 1, a t a t 3) = 0
4 Autokovarianssifuntio on siten { 1 γ t,s = 2 σ2 t s = 1 0 t s > 1 Autokorrelaatiofunktio on { 0.4 t s = 1 ρ t,s = 0 t s > 1 Matti Poutiainen
5 TEORIA AR-, MA- ja ARMA-MALLIT MA(1) prosessi Edellisessä kappaleessa esitelty stokastinen prosessi on esimerkki MA(1) aikasarjasta, jonka yleinen muoto on Z t = a t θa t 1 Stokastiset tunnusluvut MA(1) prosessille johdetaan edellisen esimerkin tapaan. µ t = E(Z t ) = 0 γ 0 = D 2 (Z t ) = σ 2 (1 + θ 2 ) γ 1 = θσ 2 θ 1+θ 2 ρ 1 = γ k = ρ k = 0 kun k > 0 Prosessin todennäköisyysrakenteen määrää parametri θ. Mallin käyttäytymistä voi havainnollistaa Excel-työkalun avulla kokeilemalla eri parametriarvojen vaikutusta. Huomaa: 0.5 ρ ja ρ 1 ( 1 θ ) = ρ 1(θ) Havainnollistetaan simulaation avulla. MA(1) θ=0,6 3 2 Z(t) 1 t
6 MA(1) θ=-0,4 3 2 Z(t) 1 0 t MA(2) prosessi Joskus on aihetta olettaa, että aikasarjan nykyhetkiseen arvoon vaikuttaa edellisen satunnaissysäyksen a t 1 lisäksi myös sitä edellinen ajanhetki, ts termi a t 2. Tilannetta voisi kuvata MA(2) mallilla, jonka muoto on seuraava Z t = a t θ 1 a t 1 θ 2 a t 2 Stokastiset tunnusluvut tälle mallille johdetaan kovarianssin laskusääntöjen perustella. Soveltuu harjoitustehtäväksi. γ 0 = D 2 (a t θ 1 a t 1 θ 2 a t 2 ) = (1 + θ θ 2 2)σ 2 γ 1 = ( θ 1 + θ 1 θ 2 )σ 2 γ 2 = θ 2 σ 2 γ 3 = γ 4 =... = 0 ρ 1 = θ1+θ1θ2 1+θ 2 1 +θ2 2 ρ 2 = θ2 1+θ1 2+θ2 2 ρ k = 0, kun k 3 Esim. Jos θ 1 = 1 ja θ 2 = 0.6 saadaan seuraava aikasarjamalli, ja sille autorrelaatiorakenne. Z t = a t a t a t 2 ρ 1 = ρ 2 = MA(1) ja MA(2) aikasarjamallien käyttäytymistä voi jäljitellä laskennallisen simuloinnin avulla kokeilemalla parametrien arvojen vaikutusta.
7 Ohessa kaksi MA(2)-simulaatiota. MA(2) θ1=1,2 θ2=-0,4 6 4 Z(t) t -4-6 MA(2) θ1=-1,2 θ2=0,3 6 5 Z(t) t -3-4 MA(q) prosessi
8 Jos aikasarjan arvoon kytkeytyvät satunnaissysäykset viiveillä 1,2,...,q saadaan tulokseksi MA(q)prosessi. Sen autokorrelaatiofunktio on ρ k = θ k+θ 1θ 1+k +θ 2θ 2+k +...+θ q k θ q 1+θ 2 1 +θ θ2 q = 0 kun k > q k q Seuraava kuvio esittää MA(q) autokorrelogrammia q:n eri arvoilla. MA(1) MA(2) 1 k 1 2 k MA(q) 1 q k AR(1) prosessi Aikaisempien ajanhetkien kytkentävaikutus voidaan kuvata myös toisella tavalla. Joskus voidaan ajatella, että stokastisen prosessin nykyinen arvo Z t selittyy sarjan edellisen toteutuneen arvon ja nykyhetkisen satunnais-sysäyksen yhteisvaikutuksena φz t 1 + a t. Tässä parametin φ avulla ilmaistaan paino, jolla edellinen arvo vaikuttaa. Ohessa AR(1) mallin havainnollistus simulaationa.
9 AR(1) φ=0, Z(t) t -4-6 Johdetaan tämän prosessin tunnusluvut. Huomaa: aina jos EX = EY = 0 niin cov(x, Y ) = E[(X EX)(Y EY )] = E(XY ). Koska E(Z t ) = 0 jokaisella t, niin E(Z t Z t k ) = cov(z t Z t k ) = γ k Z t = φz t 1 + a t ( ) D 2 Z t = φ 2 D 2 Z t 1 + D 2 (a t ) γ 0 = φ 2 γ o + σ 2 γ 0 = σ2 1 φ 2 Kerrotaan (*) puolittain Z t k :lla ja otetaan od.arvo E(Z t Z t k ) = φe(z t 1 Z t k ) + E(a t Z t k ) γ k = φγ k 1 = ρ k = φk 1 φ σ 2 2 cov(z k,z 0) cov(z k,z k ) cov(z = γ k 0,Z 0) γ 0 Mallissa käytetään edellisen ajanhetken arvoa nykyhetken arvon selittäjänä. Tätä ajatusta kutsutaan autoregressioksi ja mallia AR(1) prosessiksi. Ohessa AR(1) autokorrelogrammi. = φ k
10 ρ k = φ k 1 k ρ k = φ k, φ<0
11 Huomaa, että kaikkien aikaisempien ajanhetkien satunnaissysäysten vaikutus suodattuu nykyhetkeen: Z t = φz t 1 + a t = φ(φz t 2 + a t 1 ) + a t = a t + θa t 1 + θ 2 a t 2. = a t + θa t 1 + θ 2 a t θ k a t k + Voidaan osoittaa, että sarja on stationaarinen vain jos φ < 1. Tästä johtuen aikaisempien termien vaikutus pienenee eksponentiaalisesti ja käytännössä menneisyys "unohtuu"pian. AR(2) prosessi KUn selittäjiksi valitaan sarjan kaksi edellistä arvoa, sadaan AR(2) malli. Z t = φ 1 Z t 1 + φ 2 Z t 2 + a t Ohessa AR(2) simulaatio. AR(2) φ1=0,7 φ2=0, Z(t) 0-2 t Tutkimalla ns karakteristisen polynomin 1 φ 1 x φ 2 x 2 juuria tälle prosessille voidaa johtaa stationaarisuusehto: φ 1 + φ 2 < 1, φ 2 φ 1 < 1, φ 2 < 1 Kertomalla mallin yhtälö puolittain Z t k :lla ja ottamalla puolittain kovarianssi saadaan. Alempi pätee, koska ρ k = γ/γ 0 γ k = φ 1 γ k 1 + φ 2 γ k 2 ρ k = φ 1 ρ k 1 + φ 2 ρ k 2
12 Indeksin arvoilla k = 1, 2 saadaan yhtälöpari, ns Yule-Walker yhtälöt (huomaa, että ρ k = ρ k ). Tätä yhtälöparia hyödynnetaan aikasarjamallin kertoimien φ 1, φ 2 arvojen estimoinnissa. AR(p) prosessi ρ 1 = φ 1 ρ 0 + φ 2 ρ 1 ρ 2 = φ 1 ρ 1 + φ 2 ρ 0 Kun aikasarjan nykyarvon selittäjiksi otetaan aikaisemmat termit viiveillä k = 1, 2,..., p saadaan AR(p) malli Määritellään ns karakteristinen yhtälö Z t = φ 1 Z t 1 + φ 2 Z t φ p Z t p a t 1 φ 1 x φ 2 x 2 c φ p x p = 0 Voidan osoittaa, että stationaarisuusehto määräytyy yhtälön juurista x i. Prosessi on stationaarinen, jos x i < 1 i Autokorrelaatiofunktio saa vaihtelevia muotoja. ρ k 0 k Kertomalla mallin yhtälö puolittain Z t k :lla ja ottamalla puolittain kovarianssi saadaan Yule-Walker yhtälöryhmä. Tätä hyödynnetaan kertoimien φ 1,, φ p arvojen estimoinnissa. ρ 1 = φ 1 + φ 2 ρ φ p ρ p 1 ρ 2 = φ 1 ρ 1 + φ φ p ρ p 2. ρ p = φ 1 ρ p 1 + φ 2 ρ p φ p
13 ARMA(p,q) Jos malliin sisällytetään sekä AR- että MA-tyyppisen mallin termejä, päädytään ns ARMA-prosessiin. Z t = φ 1 Z t 1 +φ 2 Z t φ p Z t p a t θ 1 a t 1 θ 2 a t 2 θ q a t q Yksinkertaisin tällainen olisi ARMA(1,1) prosessi Ohessa ARMA(1,1) simulaatio. Z t = φz t 1 + a t θa t 1 ARMA(1,1) 8 6 Z(t) 4 2 t MA(1) sarjan invertointi Seuraava päättely näyttää, miten MA(1) sarja voidaan myös tulkita "päättymättömäksi"autoregressiiviseksi sarjaksi Z t = a t θa t 1 a t = Z t + θa t 1 sijoitus = Z t + θ([z t 1 + θa t 2 ]. = Z t + θz t 1 + θ 2 Z t 2 + Z t = θz t 1 θ 2 Z t 2 + a t MA(q) sarjan invertointi
14 Edellä kuvattu invertointi voidaan tehdä myös MA(q) mallille tietyin ehdoin. Z t = a t θ 1 a t 1 θ 2 a t 2 θ q a t q Prosessin karakeristinen yhtälö on 1 θ 1 x θ 2 x 2 θ q x q = 0 Jos sen kaikki juuret x i > 1, voidaan ratkaista kertoimet π j sitten, että Z t = π 1 Z t 1 + π 2 S t a t = 1 π jz t j + a t Matti Poutiainen
15 TEORIA PACF JA MALLIN IDENTIFIONTI Osittaisautokorrelaatiofunktio PACF Aikasarjan peräkkäisten termien välinen riippuvuus aiheuttaa "ketjun", jossa termistä Z t termiin Z t+k kohdistuu vaikutus riippuvuksien (Z t Z t+1 ), (Z t+1 Z t+2 ), välityksellä. Tämän lisäksi termi Z t voi vaikuttaa termiin Z t+k myös suoraan. Tämän suoran vaikutuksen arviointiin liittyy käsite osittaisautokorrelaatio. φ kk = corr(z t, Z t k Z t 1,, Z t k+1 ) Z t Z t+k φ kk φ kk kuvaa havaintojen Z t k, Z t välistä kytkentää josta väliin jäävien muuttujien vaikutus on eliminoitu. Osittaisautokorrelaatiofunktio PACF on autokorrellatiofunktion ACF ohella prosessille ominainen ja sitä karakterisoiva ominaisuus. Otosautokorrelaatio Aikasarjan synnyttävä satunnaismekanismi on havaitsijan kannalta tuntematon. Tämän stokastisen ilmön rakenne, sen tilastolliset tunnusluvut, kuten odotusarvo µ t ja autokorrelaatiot ρ k jne ovat suureita, joiden tarkkoja arvoja ei voida yleensä tietää.
16 Olkoon aikasarjan havaittu data: Y 1, Y 2, Y 3,, Y t. Tästä aineistosta voidaan laskea seuraavat empiiriset kertoimet, joita kutsutaan otos-autokorrelaatioiksi. r k = n k 1 (Y t Y )(Y t+k Y ) n 1 (Yt Y )2 Havaittu r k on todellisen tuntemattoman korrelaation ρ k estimaatti. [Vrt. x ja µ, s ja σ, r ja ρ] Havaittu autokorrelaatiofunktio (otos-acf) poikkeaa siten jonkin verran ARMA-mallin teoreettisesta ACF:stä. MA(3) ACF Otos ACF Havaitun aikasarjan ja sen rakenteen selittämiseen valitun teoreettisen mallin (stokastisen prosessin) välinen yhteys ja samalla niiden eroavuus on tärkeä asia. Jos oletus valitusta selitysmallista pitää paikkasta tarkasti, silloin aikasarjan autokorrelaatiofunktio tiedetään. Käytännössä vastaavuus on vain osittaista. Havaintojen ja mallin yhteensopivuutta voidaan arvioida vertaamalla miten toteutuneesta mittaussarjasta lasketut otos-autokorrelaatiot osuvat yhteen teoreettisen mallin mukaisen autokorrelaatiofunktion kanssa. ACF, PACF JA MALLIN IDENTIFIOINTI Eräät ACF- ja PACF proilin tyypilliset piirteet voivat auttaa mallin identioinnissa MA(q) prosessin ACF sisältää tyypillisesti q kappaletta 0:sta eroavia arvoja ja autokorrrelatiot viiveillä q + 1 ovat kaikki nollia. MA(q) prosessin PACF sen sijaan kostuu päättymättömästä jonosta 0:sta eroavia piikkejä. AR(p) prosessin ACF on tyypillisesti päättymätön jono autokorrelaatio-kertoimia, PACF sisältää max p kappaletta 0:sta eroavia arvoja ja viiveitä p + 1 vastaavat arvot ovat nollia.
17 MA(3) AR(2) Diagnostiikkaa Havaitun aikasarjan taustalla olevan stokastisen prosessin rakenteen "arvailua"sanotaan mallin identi- oinniksi. Datan diagnostinen tarkastelu sisältää mm seuraavia osia muodosta otos ACF ja otos PACF tutki, muistuttavatko nämä tunnettuja esimerkkejä tarkista stationaarisuus-oletus suorita tarvittaessa dierointi ARMA-malli olettaa, että aikasarja on stationaarinen. Jos näin ei ole, ARMA-malli ei sovellu aikasarjan selittämiseen. Ei-stationaarisuus saattaa ilmeta ACF proilia tutkimalla. Matti Poutiainen
18 ARMA-mallin sovittaminen empiiriseen havaintoaineistoon tarkoittaa mallin kertoimien θ k ja φ j arvojen määrittämistä siten, että malli ja havainto-data sopivat yhteen niin tarkasti kuin mahdollista. Mallin kertoimien estimointiin on kehitetty erilaisia likimääräisiä menetelmiä. TEORIA MALLIN SOVITUS PARAMETRIEN ESTIMOINNILLA Momenttimenetelmä AR(1)-tapauksessa Data annettu, estimoi φ! Z t = φz t 1 + a t Tiedetään, että MA(1) prosessille φ = ρ 1 estimatti todelliselle korrelaatiolle eli ˆρ 1 = r 1. Lisäksi datasta laskettu otos-autokorrelaatio on hyvä Tämän vuoksi asetetaan ˆφ = r 1 ja MA(1) mallin parametrille on saatu datasta johdettu estimaatti. Momenttimenetelmä AR(2)-tapauksessa Jos sovitetaan MA(2) mallia annettuun havaintodataan, tehtävänä estimoida kertimet φ 1, φ 2. Estimoinnissa lähdetään Yule-Walker yhtälöistä. Tiedetään { ρ1 = φ 1 + ρ 1 φ 2 ρ 2 = ρ 1 φ 1 + φ 2 Estimointi: Asetetaan ρ r 1, ρ 2 r 2 eli korvataan autokorrelaatio-kertoimet niiden estimaateilla ja ratkaistaan yhtälöparista φ 1, φ 2. Vastaava Yule-Walker yhtälöryhmään perustuva menetelmä soveltuu myös AR(p) mallin kertoimien estimointiin. PNS-menetelmä AR(1)-tapauksessa AR(p) mallin kertoimien määritykseen soveltuu myös tunnettu pienimmän neliösumman menetelmä. Tästä havainnolistuksena seuraava Z t µ = φ[z t 1 µ] + a t Muodostetaan virheneliösumma SS(φ, µ) = n 2 [(Z t µ) φ(z t 3 µ)] 2 Minimoidaan virheneliösumma, ratkaisuna saadaan PNS-estimointi MA(1)-tapauksessa ˆµ = Z, ˆφ = pns estimaatti PNS-menetelmän soveltaminen johtaa yleensä haastavaan numeeriseen tehtävään. Tästä esimerkkinä MA(1) mallin identiointi. Z t = a t θa t 1
19 Invertointi Z t = θz t 1 θ 2 Z t 2 + a t Virheneliösumma SS(θ) = a 2 t = [Z t + θz t 1 + θ 2 Z t 2 + ] 2 Oletetaan a 0 = 0, jolloin a 1 = Z 1 a 2 = Z 2 + θa 1 a 3 = Z 3 + θa 2. a n = Z n + θa n 1 Etsitään numeerisella optimihakumenetelmällä θ:lle arvo jolle SS(θ) MIN! Tilastolliset ohjelmakirjastot (mm Statgraphics) sisältävät laskentatyökalut, jotka suorittavat ARMA(p,q)- mallin kertoimien numeerisen ratkaisemisen yllä kuvattujen esimerkkien tapaan. Matti Poutiainen
Ilkka Mellin Aikasarja-analyysi ARMA-mallit
Ilkka Mellin Aikasarja-analyysi ARMA-mallit TKK (c) Ilkka Mellin (007) 1 ARMA-mallit >> ARMA-mallit ja niiden ominaisuudet ARMA-mallien auto- ja osittaisautokorrelaatiofunktiot ARMA-mallien spektri ARMA-mallien
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
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
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
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
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
LisätiedotARMA mallien ominaisuudet ja rakentaminen
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotMoniulotteiset aikasarjat
Moniulotteiset aikasarjat Pentti Saikkonen Syksy 2011 Päivitetty versio 17.1.2016 Sisältö 1. Johdanto 1 1.1. Taustaa 1 1.2. Stokastinen prosessi 2 2. Stationaariset prosessit 4 2.1. Määritelmiä 4 2.2.
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;
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotStationaariset stokastiset prosessit ja ARMA-mallit
Stationaariset stokastiset prosessit ja ARMA-mallit MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
Lisätiedot4. Tietokoneharjoitukset
4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume
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
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
LisätiedotARIMA- ja GARCH-mallit sekä mallin sovittaminen osakeaineistoon
TAMPEREEN YLIOPISTO Pro gradu -tutkielma Laura Lizana Bister ARIMA- ja GARCH-mallit sekä mallin sovittaminen osakeaineistoon Informaatiotieteiden laitos Matematiikka Syyskuu 2011 Tampereen yliopisto Informaatiotieteiden
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
Lisätiedot031021P 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
Lisätiedotpitkittäisaineistoissa
Puuttuvan tiedon ongelma p. 1/18 Puuttuvan tiedon ongelma pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto mtl.uta.fi/tilasto/sekamallit/puupitkit.pdf
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
LisätiedotLause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.
Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
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
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotKeskihajonta ja korrelaatio
Luku 4 Keskihajonta ja korrelaatio Lasse Leskelä Aalto-yliopisto 19. syyskuuta 2017 4.1 Jakauman varianssi ja keskihajonta Edellisessä luvussa opittiin, että satunnaismuuttujan odotusarvo on X:n jakauman
LisätiedotAikasarjamallit. Pekka Hjelt
Pekka Hjelt Aikasarjamallit Aikasarja koostuu järjestyksessä olevista havainnoista, ja yleensä se on tasavälinen ja diskreetti eli havaintopisteet ovat erillisiä. Lisäksi aikasarjassa on yleensä autokorrelaatiota
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
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
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
LisätiedotIlkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit
Ilkka Mellin Aikasarja-analyysi Stationaariset stokastiset prosessit TKK (c) Ilkka Mellin (2007) 1 Stationaariset stokastiset prosessit >> Stationaariset stokastiset prosessit Integroituvuus Korrelaatiofunktioiden
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotBatch means -menetelmä
S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin
Lisätiedot1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
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,
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
LisätiedotVastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
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
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
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
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
Lisätiedot6.1 Autokovarianssifunktion karakterisaatio aikatasossa
6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio
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
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
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
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
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-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotJohdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
LisätiedotNämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan
Mitä pitäisi vähintään osata Tässäkäydään läpi asiat jotka olisi hyvä osata Nämä ovat siis minimivaatimukset, enemmänkin saa ja suositellaan osattavan 333 Kurssin sisältö Todennäköisyyden, satunnaismuuttujien
Lisätiedot10 Moniulotteinen normaalijakauma
10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).
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
LisätiedotS-114.3812 Laskennallinen Neurotiede
S-114.381 Laskennallinen Neurotiede Projektityö 30.1.007 Heikki Hyyti 60451P Tehtävä 1: Virityskäyrästön laskeminen Luokitellaan neuroni ensin sen mukaan, miten se vastaa sinimuotoisiin syötteisiin. Syöte
LisätiedotHypoteesin testaus Alkeet
Hypoteesin testaus Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Johdanto Kokeellinen tutkimus: Varmennetaan teoreettista olettamusta fysikaalisen systeemin käyttäytymisestä
LisätiedotJohdatus tn-laskentaan torstai 16.2.2012
Johdatus tn-laskentaan torstai 16.2.2012 Muunnoksen jakauma (ei pelkkä odotusarvo ja hajonta) Satunnaismuuttujien summa; Tas ja N Vakiokerroin (ax) ja vakiolisäys (X+b) Yleinen muunnos: neulanheittoesimerkki
LisätiedotTodennäköisyyslaskun kertaus. Heliövaara 1
Todennäköisyyslaskun kertaus Heliövaara 1 Satunnaismuuttujat ja todennäköisyysjakaumat Heliövaara 2 Stunnaismuuttujat ja todennäköisyysjakaumat Jos satunnaisilmiötä halutaan mallintaa matemaattisesti,
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
LisätiedotMat-2.091 Sovellettu todennäköisyyslasku 5. harjoitukset/ratkaisut. Jatkuvat jakaumat
Mat-2.09 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Jatkuvat jakaumat Avainsanat: Binomijakauma, Eksponenttijakauma, Jatkuva tasainen jakauma, Kertymäfunktio, Mediaani, Normaaliapproksimaatio, Normaalijakauma,
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
LisätiedotGeenikartoitusmenetelmät. 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