Testejä suhdeasteikollisille muuttujille

Koko: px
Aloita esitys sivulta:

Download "Testejä suhdeasteikollisille muuttujille"

Transkriptio

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

2 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testi parivertailuille Yhden otoksen testi varianssille Varianssien vertailutesti TKK (c) Ilkka Mellin (007)

3 Testit normaalijakauman parametreille Normaalijakauman parametrien tilastolliset testit 1/ Normaalijakauma on tilastotieteen tärkein jakauma. Oletetaan, että satunnaismuuttuja X noudattaa normaalijakaumaa parametrein µ ja σ : X N( µ, σ ) Tällöin E(X) = µ on normaalijakauman odotusarvo ja Var(X) = σ on normaalijakauman varianssi. Parametrit µ ja σ määräävät täysin normaalijakauman. TKK (c) Ilkka Mellin (007) 3

4 Testit normaalijakauman parametreille Normaalijakauman parametrien tilastolliset testit / Normaalijakauman parametreja koskevat testit voidaan jakaa kahteen ryhmään: Yhden otoksen testit Kahden otoksen testit eli vertailutestit Yhden otoksen testeissä testataan yksinkertaisia nollahypoteeseja, jotka koskevat normaalijakauman odotusarvo- tai varianssiparametria. Kahden otoksen testit ovat vertailutestejä, joilla verrataan kahden normaalijakauman odotusarvo- tai varianssiparametreja toisiinsa. TKK (c) Ilkka Mellin (007) 4

5 Testit normaalijakauman parametreille Normaalijakauman parametreille tarkoitettujen testien yleinen soveltuvuus 1/ Testejä normaalijakauman odotusarvolle sovelletaan usein myös sellaisissa tilanteissa, joissa havainnot eivät noudata normaalijakaumaa. Tämä perustuu seuraaviin seikkoihin: (i) Esitettävät testit odotusarvolle perustuvat havaintojen aritmeettisiin keskiarvoihin. (ii) Keskeisen raja-arvolauseen mukaan myös einormaalisten havaintojen aritmeettiset keskiarvot noudattavat tietyin ehdoin suurissa otoksissa approksimatiivisesti normaalijakaumaa. TKK (c) Ilkka Mellin (007) 5

6 Testit normaalijakauman parametreille Normaalijakauman parametreille tarkoitettujen testien yleinen soveltuvuus / Sen sijaan testit normaalijakauman varianssille eivät yleensä ole käyttökelpoisia ei-normaalisille havainnoille ja tilanne ei välttämättä parane suurillakaan havaintojen lukumäärillä. TKK (c) Ilkka Mellin (007) 6

7 Testit normaalijakauman parametreille Tavanomaiset testit normaalijakauman parametreille Tarkastelemme seuraavia testejä normaalijakauman parametreille: Yhden otoksen t-testi odotusarvolle Kahden riippumattoman otoksen t-testi A odotusarvoille: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: odotusarvoille: Yhtä suurten varianssien tapaus t-testi parivertailuille Yhden otoksen χ -testi varianssille Kahden riippumattoman otoksen F-testi variansseille eli varianssien vertailutesti TKK (c) Ilkka Mellin (007) 7

8 Testejä suhdeasteikollisille muuttujille Testit normaalijakauman parametreille >> Yhden otoksen t-testi Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testi parivertailuille Yhden otoksen testi varianssille Varianssien vertailutesti TKK (c) Ilkka Mellin (007) 8

9 Yhden otoksen t-testi Testausasetelma 1/ Olkoon X 1, X,, X n yksinkertainen satunnaisotos perusjoukosta S, joka noudattaa normaalijakaumaa N( µ, σ ) Jakauma riippuu seuraavista parametreista: µ = jakauman odotusarvo σ = jakauman varianssi TKK (c) Ilkka Mellin (007) 9

10 Yhden otoksen t-testi Testausasetelma / Asetetaan normaalijakauman N( µ, σ ) odotusarvo- eli paikkaparametrille µ nollahypoteesi H 0 :µ = µ 0 Testausongelma: Ovatko havainnot sopusoinnussa nollahypoteesin H 0 kanssa? Ongelman ratkaisuna on yhden otoksen t-testi. TKK (c) Ilkka Mellin (007) 10

11 Yhden otoksen t-testi Hypoteesit Yleinen hypoteesi H : (i) Havainnot Xi N( µ, σ ), i= 1,,, n (ii) Havainnot X 1, X,, X n ovat riippumattomia Nollahypoteesi H 0 : H 0 :µ = µ 0 Vaihtoehtoinen hypoteesi H 1 : H: 1 µ > µ 0 1-suuntaiset vaihtoehtoiset hypoteesit H: 1 µ < µ 0 H : µ µ -suuntainen vaihtoehtoinen hypoteesi 1 0 TKK (c) Ilkka Mellin (007) 11

12 Yhden otoksen t-testi Parametrien estimointi Olkoot X ja 1 n Xi n i = 1 = 1 s X X n = ( i ) n 1 i= 1 tavanomaiset harhattomat estimaattorit parametreille E(X i ) = µ, i = 1,,, n ja Var(X i ) = σ, i = 1,,, n TKK (c) Ilkka Mellin (007) 1

13 Yhden otoksen t-testi Testisuure ja sen jakauma Määritellään t-testisuure X µ 0 t = s/ n Jos nollahypoteesi H 0 :µ = µ 0 pätee, niin testisuure t noudattaa Studentin t-jakaumaa vapausastein (n 1): t t( n 1) TKK (c) Ilkka Mellin (007) 13

14 Yhden otoksen t-testi Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 1/ Oletetaan, että testin yleinen hypoteesi H ja nollahypoteesi H 0 pätevät: X 1, X,, X n X i N( µ 0, σ ), i = 1,,, n Koska tällöin (ks. lukua Otokset ja otosjakaumat) niin X 1 σ n = Xi N µ 0, n i= 1 n X µ 0 z = N(0,1) σ / n Koska standardipoikkeama σ on tuntematon, satunnaismuuttujan z lauseke on testisuureena epäoperationaalinen. TKK (c) Ilkka Mellin (007) 14

15 Yhden otoksen t-testi Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu / Jos standardipoikkeama σ korvataan satunnaismuuttujan z lausekkeessa vastaavalla otossuureella n 1 s = ( Xi X) n 1 i= 1 niin saadaan t-testisuure X µ 0 t = s / n joka nollahypoteesin H 0 pätiessä noudattaa t-jakaumaa vapausastein (n 1): t t(n 1) Todistus: ks. lukua Otokset ja otosjakaumat. TKK (c) Ilkka Mellin (007) 15

16 Yhden otoksen t-testi t-testisuure mittaa tilastollista etäisyyttä Testisuure X µ 0 t = s/ n mittaa havaintoarvojen aritmeettisen keskiarvon ja nollahypoteesin H 0 :µ = µ 0 kiinnittämän odotusarvoparametrin µ arvon µ 0 tilastollista etäisyyttä. Mittayksikkönä on erotuksen X µ 0 standardipoikkeaman σ / n estimaattori, jota määrättäessä on oletettu, että nollahypoteesi H 0 pätee. TKK (c) Ilkka Mellin (007) 16

17 Yhden otoksen t-testi Testi Testisuureen X µ 0 t = s/ n normaaliarvo = 0, koska nollahypoteesin pätiessä E(t) = 0 H 0 :µ = µ 0 Siten itseisarvoltaan suuret testisuureen t arvot viittaavat siihen, että nollahypoteesi H 0 ei päde. Nollahypoteesi H 0 hylätään, jos testin p-arvo on kyllin pieni. TKK (c) Ilkka Mellin (007) 17

18 Yhden otoksen t-testi Testin hylkäysalueen määrääminen 1/4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 1 : µ > µ 0 niin kriittinen arvo +t α saadaan ehdosta Pr(t +t α ) = α jossa t t(n 1) Testin hylkäysalue on tällöin muotoa (+t α, + ) TKK (c) Ilkka Mellin (007) 18

19 Yhden otoksen t-testi Testin hylkäysalueen määrääminen /4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 1 : µ < µ 0 niin kriittinen arvo t α saadaan ehdosta Pr(t t α ) = α jossa t t(n 1) Testin hylkäysalue on tällöin muotoa (, t α ) TKK (c) Ilkka Mellin (007) 19

20 Yhden otoksen t-testi Testin hylkäysalueen määrääminen 3/4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 1 : µ µ 0 niin kriittiset arvot t α/ ja +t α/ saadaan ehdoista Pr(t t α/ ) = α/ Pr(t +t α/ ) = α/ jossa t t(n 1) Testin hylkäysalue on tällöin muotoa (, t α ) (+t α, + ) TKK (c) Ilkka Mellin (007) 0

21 Yhden otoksen t-testi Testin hylkäysalueen määrääminen 4/4 Oletetaan, että testin merkitsevyystasoksi on valittu α. Testin hylkäysalueen määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:µ 1 µ 0 H:µ µ > H:µ 1 < µ tn ( 1) tn ( 1) tn ( 1) 1 α α α 1 α 1 α 1 α 1 α + t α t α t α / +t α / Hylkäysalue Hylkäysalue Hylkäysalue Hylkäysalue TKK (c) Ilkka Mellin (007) 1

22 Yhden otoksen t-testi Testin p-arvo Olkoon t-testisuureen havaittu arvo t 0. Testin p-arvon määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:µ 1 µ 0 H:µ µ > H:µ 1 < µ tn ( 1) tn ( 1) tn ( 1) p p p p 1 p 1 p 1 p t + t t0 t0 0 0 Testin p-arvo = p Testin p-arvo = p Testin p-arvo = p TKK (c) Ilkka Mellin (007)

23 Yhden otoksen t-testi Normaalisuusoletuksen merkitys 1/ Yhden otoksen t-testin yleisessä hypoteesissa oletetaan, että havainnot ovat normaalijakautuneita. t-testi ei kuitenkaan ole herkkä poikkeamille normaalisuudesta, jos havaintojen lukumäärä n on kyllin suuri. TKK (c) Ilkka Mellin (007) 3

24 Yhden otoksen t-testi Normaalisuusoletuksen merkitys / Testiä on melko turvallista käyttää, kun havaintojen lukumäärä n > 15 ellei havaintojen jakauma ole kovin vino ja havaintojen joukossa ole poikkeavia havaintoja. Jos havaintojen lukumäärä n > 40 testiä voidaan melko turvallisesti käyttää jopa selvästi vinoille havaintojen jakaumille. TKK (c) Ilkka Mellin (007) 4

25 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus 1/6 Tarkastellaan t-testin hyväksymisvirheen todennäköisyyttä ja voimakkuutta tilanteessa, jossa normaalijakauman N( µ, σ ) varianssi σ oletetaan tunnetuksi. Olkoon nollahypoteesi muotoa H 0 :µ = µ 0 ja vaihtoehtoinen hypoteesi muotoa H:µ 1 < µ 0 Huomautus: Jos normaalijakauman varianssia σ ei oleteta tunnetuksi, vaatii t-testin voimakkuuden määrääminen ns. epäkeskisen t-jakauman määrittelemistä. Tämän yleisen tapauksen käsittely sivuutetaan tässä esityksessä. TKK (c) Ilkka Mellin (007) 5

26 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus /6 t-testisuure X µ 0 t = σ / n noudattaa nollahypoteesin H 0 :µ = µ 0 pätiessä standardoitua normaalijakaumaa (ks. lukua Otokset ja otosjakaumat): t N(0, 1) TKK (c) Ilkka Mellin (007) 6

27 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus 3/6 Vaihtoehtoisen hypoteesin H:µ 1 < µ 0 tapauksessa t-testin päätössääntö on muotoa: Hylkää nollahypoteesi H 0 :µ = µ 0 jos X µ 0 t = < zα σ / n Kriittinen arvo z α saadaan ehdosta Pr(z z α ) = α jossa z N(0, 1). TKK (c) Ilkka Mellin (007) 7

28 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus 4/6 Vaihtoehtoisen hypoteesin H:µ 1 < µ 0 tapauksessa t-testin päätössääntö voidaan kirjoittaa myös seuraavaan muotoon: Hylkää nollahypoteesi H 0 :µ = µ 0 jos X < µ 0 zασ / n = Xc Kriittinen arvo z α saadaan ehdosta Pr(z z α ) = α jossa z N(0, 1). TKK (c) Ilkka Mellin (007) 8

29 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus 5/6 Vaihtoehtoisen hypoteesin H:µ 1 < µ 0 tapauksessa t-testin hyväksymisvirheen todennäköisyys β on ehdollinen todennäköisyys jossa β = Pr(H0 jätetään voimaan H0ei ole tosi) = Pr( X X µ = µ ) = Pr z µ µ 0 c X c µ σ / n TKK (c) Ilkka Mellin (007) 9

30 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus 6/6 Vaihtoehtoisen hypoteesin H:µ 1 < µ 0 tapauksessa t-testin voimakkuus 1 β on ehdollinen todennäköisyys 1 β = Pr(H0hylätään H0ei ole tosi) = Pr( X < X µ = µ ) jossa µ µ 0 = Pr z < c X c µ σ / n TKK (c) Ilkka Mellin (007) 30

31 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus: Havainnollistus 1/3 Kuvio oikealla havainnollistaa t- testin hyväksymisvirheen todennäköisyyttä β ja voimakkuutta 1 β. Yleinen hypoteesi H : X 1, X,, X n X i ~ N(µ, σ ), i = 1,,, n Nollahypoteesi H 0 : µ = µ 0 Vaihtoehtoinen hypoteesi H 1 : µ < µ 0 N(µ,σ /n ) N(µ 0,σ /n) α β µ µ 0 X c TKK (c) Ilkka Mellin (007) 31

32 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus: Havainnollistus /3 Valitaan merkitsevyystasoksi α. Kriittinen raja z α : Pr(z z α ) = α z N(0, 1) Kriittinen raja X c : X c = µ 0 zασ / n Päätössääntö: Hylkää nollahypoteesi H 0, jos X < X c N(µ,σ /n ) α N(µ 0,σ /n) β µ µ 0 X c TKK (c) Ilkka Mellin (007) 3

33 Yhden otoksen t-testi Testin hyväksymisvirheen todennäköisyys ja voimakkuus: Havainnollistus 3/3 Hyväksymisvirheen todennäköisyys β : β = Pr( X X c µ = µ ) Voimakkuus 1 β : 1 β = Pr( X < X c µ = µ ) N(µ,σ /n ) N(µ 0,σ /n) α β µ µ 0 X c TKK (c) Ilkka Mellin (007) 33

34 Testejä suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi >> Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testi parivertailuille Yhden otoksen testi varianssille Varianssien vertailutesti TKK (c) Ilkka Mellin (007) 34

35 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testausasetelma 1/4 Olkoon X11, X1,, Xn 11 yksinkertainen satunnaisotos perusjoukosta S 1, joka noudattaa normaalijakaumaa N( µ 1, σ1) Jakauma riippuu seuraavista parametreista: µ 1 = jakauman odotusarvo σ 1 = jakauman varianssi TKK (c) Ilkka Mellin (007) 35

36 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testausasetelma /4 Olkoon X1, X,, Xn yksinkertainen satunnaisotos perusjoukosta S, joka noudattaa normaalijakaumaa N( µ, σ ) Jakauma riippuu seuraavista parametreista: µ = jakauman odotusarvo σ = jakauman varianssi TKK (c) Ilkka Mellin (007) 36

37 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testausasetelma 3/4 Oletetaan lisäksi, että perusjoukosta S 1 poimittu otos X11, X1,, Xn 11 ja perusjoukosta S poimittu otos X1, X,, Xn ovat toisistaan riippumattomia. Otosten riippumattomuus merkitsee sitä, että se mikä alkio poimitaan perusjoukosta S 1 ei vaikuta siihen mikä alkioista poimitaan perusjoukosta S ja kääntäen. TKK (c) Ilkka Mellin (007) 37

38 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testausasetelma 4/4 Asetetaan normaalijakaumien N( µ 1, σ1) ja N( µ, σ ) odotusarvo-eli paikkaparametreille µ 1 ja µ nollahypoteesi H 0:µ 1 = µ = µ Testausongelma: Ovatko havainnot sopusoinnussa nollahypoteesin H 0 kanssa? Ongelman ratkaisuna on kahden riippumattoman otoksen t-testi A. Huomautus: Jos voidaan olettaa, että σ1 = σ, testauksessa kannattaa käyttää kahden riippumattoman otoksen t-testiä B. TKK (c) Ilkka Mellin (007) 38

39 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Yleinen hypoteesi Yleinen hypoteesi H : (1) Havainnot Xi1 N( µ 1, σ 1), i= 1,,, n1 () Havainnot X j N( µ, σ ), j = 1,,, n (3) Havainnot X i1 ja X j ovat riippumattomia kaikille i ja j. Huomautuksia: Oletus (3) sisältää kolme riippumattomuusoletusta: Havainnot ovat riippumattomia otoksien 1 ja sisällä. Havainnot ovat riippumattomia otoksien 1 ja välillä. Jakaumien varianssit saavat (mutta ei tarvitse) erota toisistaan; vrt. kahden otoksen t-testi B. TKK (c) Ilkka Mellin (007) 39

40 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Nollahypoteesi ja vaihtoehtoiset hypoteesit Nollahypoteesi H 0 : H 0:µ 1 = µ = µ Vaihtoehtoinen hypoteesi H 1 : H: 1 µ 1 > µ 1-suuntaiset vaihtoehtoiset hypoteesit H: 1 µ 1 < µ H : µ µ -suuntainen vaihtoehtoinen hypoteesi 1 1 TKK (c) Ilkka Mellin (007) 40

41 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Parametrien estimointi Olkoot ja n 1 k Xk = Xik, k = 1, n k i = 1 n 1 k s = ( X X ), k = 1, k ik k n k 1 i= 1 tavanomaiset harhattomat estimaattorit parametreille E(X ik ) = µ k, i = 1,,, n k, k = 1, ja Var(X ik ) = σ k, i = 1,,, n k, k = 1, TKK (c) Ilkka Mellin (007) 41

42 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testisuure ja sen asymptoottinen jakauma Määritellään t-testisuure X1 X t = s1 s + n1 n Jos nollahypoteesi H 0:µ 1 = µ = µ pätee, niin testisuure t noudattaa suurissa otoksissa approksimatiivisesti standardoitua normaalijakaumaa N(0,1): t a N(0,1) TKK (c) Ilkka Mellin (007) 4

43 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 1/3 Oletetaan, että testin yleinen hypoteesi H ja nollahypoteesi H 0 pätevät: X, X,, X, X, X,, X 11 1 n 1 1 n 1 X N( µσ, ), i = 1,,, n i1 1 1 X j N( µσ, ), j = 1,,, n Tällöin (ks. lukua Otos ja otosjakaumat) n1 1 σ 1 X1 = Xi1 N µ, n1 i= 1 n1 n 1 σ X = X j N µ, n j= 1 n Koska X1 X, niin σ1 σ X1 X N 0, + n1 n TKK (c) Ilkka Mellin (007) 43

44 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu /3 Edellä esitetystä seuraa, että X1 X z = N(0,1) σ1 σ + n1 n Koska varianssit σ ovat tuntemattomia, satunnaismuuttujan z 1 ja σ lauseke on testisuureena epäoperationaalinen. TKK (c) Ilkka Mellin (007) 44

45 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 3/3 Jos satunnaismuuttujan z lausekkeessa varianssit σ1 ja σ korvataan vastaavilla otossuureilla n 1 k sk = ( Xik Xk), k = 1, n k 1 i= 1 niin saadaan t-testisuure X1 X t = s1 s + n n 1 joka nollahypoteesin H 0 pätiessä noudattaa suurissa otoksissa approksimatiivisesti standardoitua normaalijakaumaa N(0, 1): t a N(0, 1) Todistus sivuutetaan. TKK (c) Ilkka Mellin (007) 45

46 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testisuureen jakauman approksimointi 1/ Pienissä otoksissa saadaan testisuureen t jakaumalle parempi approksimaatio käyttämällä approksimaationa Studentin t-jakaumaa vapausastein (ns. Satterthwaiten approksimaatio) ν = s n s + n s 1 s 1 + n1 1 n 1 n 1 n TKK (c) Ilkka Mellin (007) 46

47 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testisuureen jakauman approksimointi / Joskus testisuureen t jakaumaa approksimoidaan myös Studentin t-jakaumalla vapausastein v= min{ n1 1, n 1} Tämä approksimaatio ei kuitenkaan ole yhtä hyvä kuin Satterthwaiten approksimaatio. TKK (c) Ilkka Mellin (007) 47

48 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus t-testisuure mittaa tilastollista etäisyyttä Testisuure X X t = s s + n n mittaa otoksien 1 ja aritmeettisten keskiarvojen tilastollista etäisyyttä. Mittayksikkönä on erotuksen X1 Xstandardipoikkeaman σ1 σ + n1 n estimaattori, jota määrättäessä on oletettu, että nollahypoteesi H 0 pätee. TKK (c) Ilkka Mellin (007) 48

49 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testi Testisuureen X X t = s s + n n normaaliarvo = 0, koska nollahypoteesin pätiessä E(t) = 0 H 0:µ 1 = µ = µ Siten itseisarvoltaan suuret testisuureen t arvot viittaavat siihen, että nollahypoteesi H 0 ei päde. Nollahypoteesi H 0 hylätään, jos testin p-arvo on kyllin pieni. TKK (c) Ilkka Mellin (007) 49

50 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testin hylkäysalueen määrääminen 1/5 Käsittelemme seuraavassa kahden otoksen t-testin A hylkäysalueen valintaa, jos testisuureen approksimoidaan standardoidulla normaalijakaumalla N(0, 1). Jos kahden otoksen t-testin A testisuuretta approksimoidaan t-jakaumalla, jossa vapausasteiden lukumäärä ν lasketaan Satterthwaiten kaavan mukaan, testin hylkäysalue määrätään samalla tavalla kuin yhden otoksen t-testin tapauksessa. TKK (c) Ilkka Mellin (007) 50

51 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testin hylkäysalueen määrääminen /5 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 1 : µ > µ 0 niin kriittinen arvo +t α saadaan ehdosta Pr(t +t α ) = α jossa t a N(0, 1) Testin hylkäysalue on tällöin muotoa (+t α, + ) TKK (c) Ilkka Mellin (007) 51

52 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testin hylkäysalueen määrääminen 3/5 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 1 : µ < µ 0 niin kriittinen arvo t α saadaan ehdosta Pr(t t α ) = α jossa t a N(0, 1) Testin hylkäysalue on tällöin muotoa (, t α ) TKK (c) Ilkka Mellin (007) 5

53 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testin hylkäysalueen määrääminen 4/5 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 1 : µ µ 0 niin kriittiset arvot t α/ ja +t α/ saadaan ehdoista Pr(t t α/ ) = α/ Pr(t +t α/ ) = α/ jossa t a N(0,1) Testin hylkäysalue on tällöin muotoa (, t α ) (+t α, + ) TKK (c) Ilkka Mellin (007) 53

54 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testin hylkäysalueen määrääminen 5/5 Oletetaan, että testin merkitsevyystasoksi on valittu α. Testin hylkäysalueen määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:µ 1 1 µ > H:µ 1 1 < µ H:µ 1 1 µ N(0,1) N(0,1) N(0,1) 1 α α α 1 α 1 α 1 α 1 α + t α t α t α / +t α / Hylkäysalue Hylkäysalue Hylkäysalue Hylkäysalue TKK (c) Ilkka Mellin (007) 54

55 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Testin p-arvo Olkoon t-testisuureen havaittu arvo t 0. Testin p-arvon määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:µ 1 1 µ > H:µ 1 1 < µ H:µ 1 1 µ N(0,1) N(0,1) N(0,1) p p p p 1 p 1 p 1 p t + t t0 t0 0 0 Testin p-arvo = p Testin p-arvo = p Testin p-arvo = p TKK (c) Ilkka Mellin (007) 55

56 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Normaalisuusoletuksen merkitys 1/ Kahden otoksen t-testin A yleisen hypoteesin mukaan havainnot ovat molemmissa otoksissa normaalijakautuneita. Testi ei kuitenkaan ole herkkä poikkeamille normaalisuudesta, jos molempien otosten otoskoot ovat kyllin suuria. TKK (c) Ilkka Mellin (007) 56

57 Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Normaalisuusoletuksen merkitys / Testiä on melko turvallista käyttää, kun n 1 > 15 ja n > 15 ja n 1 ja n eivät eroa toisistaan kovin paljon, elleivät havaintojen jakaumat ole kovin vinoja ja ellei havaintojen joukossa ole poikkeavia havaintoja. Jos n 1 > 40 ja n > 40 testiä voidaan melko turvallisesti käyttää jopa selvästi vinoille havaintojen jakaumille. TKK (c) Ilkka Mellin (007) 57

58 Testejä suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden riippumattoman otoksen t-testi A: Yleinen tapaus >> Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testi parivertailuille Yhden otoksen testi varianssille Varianssien vertailutesti TKK (c) Ilkka Mellin (007) 58

59 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testausasetelma 1/4 Olkoon X11, X1,, Xn 11 yksinkertainen satunnaisotos perusjoukosta S 1, joka noudattaa normaalijakaumaa N( µ 1, σ ) Jakauma riippuu seuraavista parametreista: µ 1 = jakauman odotusarvo σ = jakauman varianssi TKK (c) Ilkka Mellin (007) 59

60 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testausasetelma /4 Olkoon X1, X,, Xn yksinkertainen satunnaisotos perusjoukosta S, joka noudattaa normaalijakaumaa N( µ, σ ) Jakauma riippuu seuraavista parametreista: µ = jakauman odotusarvo σ = jakauman varianssi TKK (c) Ilkka Mellin (007) 60

61 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testausasetelma 3/4 Oletetaan lisäksi, että perusjoukosta S 1 poimittu otos X11, X1,, Xn 11 ja perusjoukosta S poimittu otos X1, X,, Xn ovat toisistaan riippumattomia. Otosten riippumattomuus merkitsee sitä, että se mikä alkio poimitaan perusjoukosta S 1 ei vaikuta siihen mikä alkioista poimitaan perusjoukosta S ja kääntäen. TKK (c) Ilkka Mellin (007) 61

62 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testausasetelma 4/4 Asetetaan normaalijakaumien N( µ 1, σ ) ja N( µ, σ ) odotusarvo-eli paikkaparametreille µ 1 ja µ nollahypoteesi H 0:µ 1 = µ = µ Testausongelma: Ovatko havainnot sopusoinnussa nollahypoteesin H 0 kanssa? Ongelman ratkaisuna on kahden riippumattoman otoksen t-testi yhtä suurten varianssien tapauksessa. Huomautus: Jos jakaumien varianssit eivät ole yhtä suuret, testauksessa pitää käyttää kahden riippumattoman otoksen t-testiä A. TKK (c) Ilkka Mellin (007) 6

63 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Yleinen hypoteesi Yleinen hypoteesi H : (1) Xi1 N( µ 1, σ ), i= 1,,, n1 () X j N( µ, σ ), j = 1,,, n (3) Havainnot X i1 ja X j ovat riippumattomia kaikille i ja j Huomautuksia: Oletus (3) sisältää kolme riippumattomuusoletusta: Havainnot ovat riippumattomia otoksien 1 ja sisällä. Havainnot ovat riippumattomia otoksien 1 ja välillä. Jakaumien varianssit on tässä oletettu yhtä suuriksi; vrt. kahden otoksen t-testi A. TKK (c) Ilkka Mellin (007) 63

64 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Nollahypoteesi ja vaihtoehtoiset hypoteesit Nollahypoteesi H 0 : H 0:µ 1 = µ = µ Vaihtoehtoinen hypoteesi H 1 : H: 1 µ 1 > µ 1-suuntaiset vaihtoehtoiset hypoteesit H: 1 µ 1 < µ H : µ µ -suuntainen vaihtoehtoinen hypoteesi 1 1 TKK (c) Ilkka Mellin (007) 64

65 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Parametrien estimointi Olkoot ja n 1 k Xk = Xik, k = 1, n k i = 1 n 1 k s = ( X X ), k = 1, k ik k n k 1 i= 1 tavanomaiset harhattomat estimaattorit parametreille E(X ik ) = µ k, i = 1,,, n k, k = 1, ja Var(X ik ) = σ, i = 1,,, n k, k = 1, TKK (c) Ilkka Mellin (007) 65

66 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Yhdistetty varianssiestimaattori Määritellään ns. yhdistetty varianssiestimaattori s Yhdistetty varianssiestimaattori s P on harhaton estimaattori varianssiparametrille σ, jos nollahypoteesi H :µ = µ = µ pätee. Huomautus: ( n 1) s + ( n 1) s 1 1 P = n1+ n 0 1 Yhdistetty varianssiestimaattori s P ei ole sama kuin yhdistetyn otoksen varianssi, koska otoskeskiarvot X1 ja X eivät (yleensä) ole yhtä suuria. TKK (c) Ilkka Mellin (007) 66

67 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testisuure ja sen jakauma Määritellään t-testisuure X1 X t = 1 1 sp + n1 n Jos nollahypoteesi H 0:µ 1 = µ = µ pätee, niin testisuure t noudattaa Studentin t-jakaumaa vapausastein (n 1 + n ): t t( n + n ) 1 TKK (c) Ilkka Mellin (007) 67

68 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 1/3 Oletetaan, että testin yleinen hypoteesi H ja nollahypoteesi H 0 pätevät: X, X,, X, X, X,, X Tällöin (ks. lukua Otos ja otosjakaumat) X 11 1 n 1 1 n X N 0, σ 1 X N( µσ, ), i = 1,,, n i1 1 j N( µσ, ), = 1,,, X j n n1 1 σ X1 = Xi1 N µ, n1 i= 1 n1 n 1 σ X = X j N µ, n j= 1 n Koska X X, niin n1 n TKK (c) Ilkka Mellin (007) 68

69 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu /3 Edellä esitetystä seuraa, että X1 X z = N(0,1) 1 1 σ + n n 1 Koska standardipoikkeama σ on tuntematon, satunnaismuuttujan z lauseke on testisuureena epäoperationaalinen. Määritellään otosvarianssit n 1 k sk = ( Xik Xk), k = 1, 1 n k i= 1 TKK (c) Ilkka Mellin (007) 69

70 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 3/3 Jos satunnaismuuttujan z lausekkeessa standardipoikkeama σ korvataan otossuureella ( n1 1) s1 + ( n 1) s sp = n + n niin saadaan t-testisuure X1 X t = 1 1 sp + n n 1 1 joka nollahypoteesin H 0 pätiessä noudattaa t-jakaumaa vapausastein (n 1 + n ): t t(n 1 + n ) Todistus sivuutetaan; ks. kuitenkin vastaavaa todistusta yhden otoksen t-testin tapauksessa ja siellä esitettyjä viittauksia. TKK (c) Ilkka Mellin (007) 70

71 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testisuure mittaa tilastollista etäisyyttä Testisuure X t = s P n n mittaa otoksien 1 ja aritmeettisten keskiarvojen tilastollista etäisyyttä. Mittayksikkönä on erotuksen X1 Xstandardipoikkeaman 1 1 σ + n n 1 X 1 estimaattori, jota määrättäessä on oletettu, että nollahypoteesi H 0 pätee. TKK (c) Ilkka Mellin (007) 71

72 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testi Testisuureen X1 X t = 1 1 sp + n n 1 normaaliarvo = 0, koska nollahypoteesin pätiessä E(t) = 0 H 0:µ 1 = µ = µ Siten itseisarvoltaan suuret testisuureen t arvot viittaavat siihen, että nollahypoteesi H 0 ei päde. Nollahypoteesi H 0 hylätään, jos testin p-arvo on kyllin pieni. TKK (c) Ilkka Mellin (007) 7

73 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Testin hylkäysalueen määrääminen ja testin p-arvo Kahden otoksen t-testin B hylkäysalueen valinta tapahtuu samalla tavalla kuin yhden otoksen t-testin tapauksessa paitsi, että t-testi-suure noudattaa tässä t-jakaumaa vapausastein (n 1 + n ). Kahden otoksen t-testin B testisuureen arvoa vastaavan p- arvon määrääminen tapahtuu kuten yhden otoksen t-testin tapauksessa paitsi, että t-testisuure noudattaa tässä t- jakaumaa vapausastein (n 1 + n ). TKK (c) Ilkka Mellin (007) 73

74 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Normaalisuusoletuksen merkitys 1/ Kahden otoksen t-testin B yleisen hypoteesin mukaan havainnot ovat molemmissa otoksissa normaalijakautuneita. Testi ei kuitenkaan ole herkkä poikkeamille normaalisuudesta, jos molempien otosten otoskoot ovat kyllin suuria. TKK (c) Ilkka Mellin (007) 74

75 Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus Normaalisuusoletuksen merkitys / Testiä on melko turvallista käyttää, kun n 1 > 15 ja n > 15 ja n 1 ja n eivät eroa toisistaan kovin paljon, elleivät havaintojen jakaumat ole kovin vinoja ja ellei havaintojen joukossa ole poikkeavia havaintoja. Jos n 1 > 40 ja n > 40 testiä voidaan melko turvallisesti käyttää jopa selvästi vinoille havaintojen jakaumille. TKK (c) Ilkka Mellin (007) 75

76 Testejä suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus >> t-testi parivertailuille Yhden otoksen testi varianssille Varianssien vertailutesti TKK (c) Ilkka Mellin (007) 76

77 t-testi parivertailuille Parivertailuasetelma Parivertailuasetelma syntyy tilastollisessa tutkimuksessa esimerkiksi seuraavissa tilanteissa: (i) Päämääränä on verrata kahta mittaria mittaamalla molemmilla mittareilla samat kohteet samoissa olosuhteissa. (ii) Päämääränä on tutkia jonkin käsittelyn vaikutusta mittaamalla samat kohteet ennen käsittelyä ja käsittelyn jälkeen. (iii) Päämääränä on vertailla kahta perusjoukkoa mittaamalla saman muuttujan arvot perusjoukkojen alkioiden sovitetuissa pareissa. TKK (c) Ilkka Mellin (007) 77

78 t-testi parivertailuille Testausasetelma 1/ Oletetaan, että havainnot muodostuvat muuttujaa X koskevista mittaustuloksien pareista (X i1, X i ), i = 1,,, n jotka ovat riippumattomia. Päämääränä on verrata mittauksia toisiinsa: Antavatko mittaukset keskimäärin saman tuloksen? Tällaisissa parivertailuasetelmissa ei saa käyttää riippumattomien otoksien t-testiä A tai B, koska mittaustulokset X i1 ja X i eivät yleensä ole riippumattomia. TKK (c) Ilkka Mellin (007) 78

79 t-testi parivertailuille Testausasetelma / Muodostetaan mittaustuloksien X i1 ja X i erotukset D, 1,,, i = Xi1 Xi i = n Mittaukset 1 ja antavat keskimäärin saman tuloksen, jos erotukset D i saavat keskimäärin arvon nolla. Parivertailuasetelman testausongelman ratkaisuna on tavanomainen yhden otoksen t-testi mittaustuloksien X i1 ja X i erotuksien D i odotusarvolle. TKK (c) Ilkka Mellin (007) 79

80 t-testi parivertailuille Hypoteesit Yleinen hypoteesi H : (1) Erotukset () Erotukset D 1, D,, D n ovat riippumattomia Nollahypoteesi H 0 : H : µ = 0 0 D i N( µ D, σ D), = 1,,, D i n Vaihtoehtoinen hypoteesi H 1 : H: 1 µ D 0 1-suuntaiset vaihtoehtoiset hypoteesit > H: 1 µ D < 0 H : µ 0 -suuntainen vaihtoehtoinen hypoteesi 1 D TKK (c) Ilkka Mellin (007) 80

81 t-testi parivertailuille Parametrien estimointi Olkoot 1 n Di n i = 1 D= ja 1 s D D n D = ( i ) n 1 i= 1 tavanomaiset harhattomat estimaattorit parametreille E(D i ) = µ D, i = 1,,, n ja Var(D i ) = σ D, i = 1,,, n TKK (c) Ilkka Mellin (007) 81

82 t-testi parivertailuille Testisuure ja sen jakauma Määritellään t-testisuure D t = sd / n Jos nollahypoteesi H 0 : µ D = 0 pätee, niin testisuure t noudattaa Studentin t-jakaumaa vapausastein (n 1): t t( n 1) TKK (c) Ilkka Mellin (007) 8

83 t-testi parivertailuille Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 1/ Oletetaan, että testin yleinen hypoteesi H ja nollahypoteesi H 0 pätevät: D 1, D,, D n Di N(0, σ D), i = 1,,, n Koska tällöin (ks. lukua Otokset ja otosjakaumat) n 1 σ D D= Di N 0, n i= 1 n niin D z = N(0,1) σ D / n Koska standardipoikkeama σ D on tuntematon, satunnaismuuttujan z lauseke on testisuureena epäoperationaalinen. TKK (c) Ilkka Mellin (007) 83

84 t-testi parivertailuille Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu / Jos satunnaismuuttujan z lausekkeessa standardipoikkeama σ D korvataan vastaavalla otossuureella n 1 sd = ( Di D) n 1 i= 1 niin saadaan t-testisuure D t = sd / n joka nollahypoteesin H 0 pätiessä noudattaa t-jakaumaa vapausastein (n 1): t t(n 1) Todistus: ks. kappaletta Yhden otoksen t-testi. TKK (c) Ilkka Mellin (007) 84

85 t-testi parivertailuille t-testisuure mittaa tilastollista etäisyyttä Testisuure D t = s / D n mittaa havaintoarvojen erotuksien aritmeettisen keskiarvon tilastollista etäisyyttä nollasta. Mittayksikkönä on erotuksien D i aritmeettisen keskiarvon D standardipoikkeaman σ D n estimaattori, jota määrättäessä on oletettu, että nollahypoteesi H 0 pätee. TKK (c) Ilkka Mellin (007) 85

86 t-testi parivertailuille Testi Testisuureen D t = s / D n normaaliarvo = 0, koska nollahypoteesin H 0 : µ D = 0 pätiessä E(t) = 0 Siten itseisarvoltaan suuret testisuureen t arvot viittaavat siihen, että nollahypoteesi H 0 ei päde. Nollahypoteesi H 0 hylätään, jos testin p-arvo on kyllin pieni. TKK (c) Ilkka Mellin (007) 86

87 t-testi parivertailuille Testin hylkäysalueen määrääminen ja testin p-arvo Parivertailutestin hylkäysalueen valinta tapahtuu kuten yhden otoksen t-testin tapauksessa. Parivertailutestin testisuureen arvoa vastaavan p-arvon määrääminen tapahtuu kuten yhden otoksen t-testin tapauksessa. TKK (c) Ilkka Mellin (007) 87

88 t-testi parivertailuille Normaalisuusoletuksen merkitys 1/ Parivertailuasetelman t-testin yleisessä hypoteesissa oletetaan, että havaintoarvojen erotukset ovat normaalijakautuneita. Testi ei kuitenkaan ole herkkä poikkeamille normaalisuudesta, jos havaintojen lukumäärä n on kyllin suuri. TKK (c) Ilkka Mellin (007) 88

89 t-testi parivertailuille Normaalisuusoletuksen merkitys / Testiä on melko turvallista käyttää, kun n > 15 ellei erotusten jakauma ole kovin vino ja erotuksien joukossa ole poikkeavia erotuksia. Jos havaintojen lukumäärä n > 40 testiä voidaan melko turvallisesti käyttää jopa selvästi vinoille erotuksien jakaumille. TKK (c) Ilkka Mellin (007) 89

90 Testejä suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testi parivertailuille >> Yhden otoksen testi varianssille Varianssien vertailutesti TKK (c) Ilkka Mellin (007) 90

91 Yhden otoksen testi varianssille Testausasetelma 1/ Olkoon X 1, X,, X n yksinkertainen satunnaisotos perusjoukosta S, joka noudattaa normaalijakaumaa N( µ, σ ) Jakauma riippuu seuraavista parametreista: µ = jakauman odotusarvo σ = jakauman varianssi TKK (c) Ilkka Mellin (007) 91

92 Yhden otoksen testi varianssille Testausasetelma / Asetetaan normaalijakauman N( µ, σ ) varianssiparametrille σ nollahypoteesi H 0 :σ = σ0 Testausongelma: Ovatko havainnot sopusoinnussa nollahypoteesin H 0 kanssa? Ongelman ratkaisuna on yhden otoksen χ -testi varianssille. TKK (c) Ilkka Mellin (007) 9

93 Yhden otoksen testi varianssille Hypoteesit Yleinen hypoteesi H : (1) Havainnot () Havainnot X 1, X,, X n ovat riippumattomia. Nollahypoteesi H 0 : H :σ = σ 0 0 Vaihtoehtoinen hypoteesi H 1 : H: σ 1 0 H: σ 1 0 H : σ 1 0 i > σ < σ σ N( µ, σ ), = 1,,, X i n 1-suuntaiset vaihtoehtoiset hypoteesit -suuntainen vaihtoehtoinen hypoteesi TKK (c) Ilkka Mellin (007) 93

94 Yhden otoksen testi varianssille Parametrien estimointi Olkoot X ja 1 n Xi n i = 1 = 1 s X X n = ( i ) n 1 i= 1 tavanomaiset harhattomat estimaattorit parametreille E(X i ) = µ, i = 1,,, n ja Var(X i ) = σ, i = 1,,, n TKK (c) Ilkka Mellin (007) 94

95 Yhden otoksen testi varianssille Testisuure ja sen jakauma Määritellään χ -testisuure ( n 1) s χ = σ 0 Jos nollahypoteesi H 0 :σ = σ0 pätee, niin testisuure χ noudattaa χ -jakaumaa vapausastein (n 1): χ χ ( n 1) TKK (c) Ilkka Mellin (007) 95

96 Yhden otoksen testi varianssille Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 1/3 Oletetaan, että testin yleinen hypoteesi H ja nollahypoteesi H 0 pätevät: X 1, X,, X n X i N( µ, σ 0 ), i = 1,,, n Tällöin (ks. lukua Otokset ja otosjakaumat) n X i µ Y = χ ( n) i 1 σ = 0 Koska odotusarvo µ on tuntematon, satunnaismuuttujan Y lauseke on testisuureena epäoperationaalinen. TKK (c) Ilkka Mellin (007) 96

97 Yhden otoksen testi varianssille Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu /3 Jos satunnaismuuttujan z lausekkeessa odotusarvo µ korvataan vastaavalla otossuureella X 1 n X i n i = 1 = niin saadaan χ -testisuure n Xi X ( n 1) s χ = i= 1 σ = 0 σ0 jossa n 1 s = ( Xi X) 1 n i= 1 TKK (c) Ilkka Mellin (007) 97

98 Yhden otoksen testi varianssille Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 3/3 Jos nollahypoteesi H 0 pätee, testisuure χ noudattaa χ -jakaumaa vapausastein (n 1): χ χ (n 1) Todistus: ks. lukua Otokset ja otosjakaumat. TKK (c) Ilkka Mellin (007) 98

99 Yhden otoksen testi varianssille Testi Testisuureen ( n 1) s χ = σ 0 normaaliarvo = (n 1), koska nollahypoteesin H pätiessä E(s 0 :σ = σ0 ) = σ 0, jolloin E(χ ) = n 1 Siten sekä pienet että suuret testisuureen χ arvot sen normaaliarvoon (n 1) nähden viittaavat siihen, että nollahypoteesi ei päde. Nollahypoteesi H 0 hylätään, jos testin p-arvo on kyllin pieni. TKK (c) Ilkka Mellin (007) 99

100 Yhden otoksen testi varianssille Testin hylkäysalueen määrääminen 1/4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H:σ 1 > σ0 niin kriittinen raja χ α saadaan ehdosta Pr(χ χ α ) = α jossa χ χ (n 1) Testin hylkäysalue on tällöin muotoa (, + ) χ α TKK (c) Ilkka Mellin (007) 100

101 Yhden otoksen testi varianssille Testin hylkäysalueen määrääminen /4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H:σ 1 < σ0 niin kriittinen raja χ1 α saadaan ehdosta Pr(χ χ1 α ) = α jossa χ χ (n 1) Testin hylkäysalue on tällöin muotoa (0, ) χ1 α TKK (c) Ilkka Mellin (007) 101

102 Yhden otoksen testi varianssille Testin hylkäysalueen määrääminen 3/4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H:σ σ 1 0 χ1 α niin kriittiset rajat ja χ α saadaan ehdoista Pr(χ χ ) = α/ 1 α Pr(χ χ α ) = α/ jossa χ χ (n 1) Testin hylkäysalue on tällöin muotoa (0, ) (, + ) χ1 α χ α TKK (c) Ilkka Mellin (007) 10

103 Yhden otoksen testi varianssille Testin hylkäysalueen määrääminen 4/4 Oletetaan, että testin merkitsevyystasoksi on valittu α. Testin hylkäysalueen määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:σ > σ 1 0 H:σ < σ 1 0 H:σ σ 1 0 χ ( n 1) χ ( n 1) χ ( n 1) 1 α α α 1 α 1 1 α 1 α χα χ1 χ α χ1 α α α Hylkäysalue Hylkäysalue Hylkäysalue Hylkäysalue TKK (c) Ilkka Mellin (007) 103

104 Yhden otoksen testi varianssille Testin p-arvo 1/ Olkoon χ -testisuureen havaittu arvo. Jos vaihtoehtoinen hypoteesi on 1-suuntainen, testin p- arvon määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:σ > σ 1 0 H:σ < σ 1 0 χ 0 χ ( n 1) χ ( n 1) p 1 p 1 p Testin p-arvo = p χ0 χ 0 p Testin p-arvo = p TKK (c) Ilkka Mellin (007) 104

105 Yhden otoksen testi varianssille Testin p-arvo / Olkoon vaihtoehtoinen hypoteesi -suuntainen: H:σ σ 1 0 Tällöin testin p-arvo on { } p = min Pr( χ χ0),pr( χ χ0) jossa χ χ ( n 1) TKK (c) Ilkka Mellin (007) 105

106 Yhden otoksen testi varianssille Normaalisuusoletuksen merkitys Tässä esitetyn varianssitestin yleisessä hypoteesissa oletetaan, että havainnot ovat normaalijakautuneita. Testi on herkkä poikkeamille normaalisuudesta ja testi ei toimi kovinkaan hyvin, jos havaintojen jakauma on vino tai havaintojen joukossa on poikkeavia havaintoja. Suuretkaan havaintojen lukumäärät eivät yleensä paranna tilannetta. TKK (c) Ilkka Mellin (007) 106

107 Testejä suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden riippumattoman otoksen t-testi A: Yleinen tapaus Kahden riippumattoman otoksen t-testi B: Yhtä suurten varianssien tapaus t-testi parivertailuille Yhden otoksen testi varianssille >> Varianssien vertailutesti TKK (c) Ilkka Mellin (007) 107

108 Varianssien vertailutesti Testausasetelma 1/4 Olkoon X11, X1,, Xn 11 yksinkertainen satunnaisotos perusjoukosta S 1, joka noudattaa normaalijakaumaa N( µ 1, σ1) Jakauma riippuu seuraavista parametreista: µ 1 = jakauman odotusarvo σ 1 = jakauman varianssi TKK (c) Ilkka Mellin (007) 108

109 Varianssien vertailutesti Testausasetelma /4 Olkoon X1, X,, Xn yksinkertainen satunnaisotos perusjoukosta S, joka noudattaa normaalijakaumaa N( µ, σ ) Jakauma riippuu seuraavista parametreista: µ = jakauman odotusarvo σ = jakauman varianssi TKK (c) Ilkka Mellin (007) 109

110 Varianssien vertailutesti Testausasetelma 3/4 Oletetaan lisäksi, että perusjoukosta S 1 poimittu otos X11, X1,, Xn 11 ja perusjoukosta S poimittu otos X1, X,, Xn ovat toisistaan riippumattomia. Otosten riippumattomuus merkitsee sitä, että se mikä alkio poimitaan perusjoukosta S 1 ei vaikuta siihen mikä alkioista poimitaan perusjoukosta S ja kääntäen. TKK (c) Ilkka Mellin (007) 110

111 Varianssien vertailutesti Testausasetelma 4/4 Asetetaan normaalijakaumien N( µ 1, σ1) ja N( µ, σ ) varianssiparametreille σ 1 ja σ nollahypoteesi H 0 :σ1 = σ = σ Testausongelma: Ovatko havainnot sopusoinnussa nollahypoteesin H 0 kanssa? Ongelman ratkaisuna on kahden riippumattoman otoksen F-testi variansseille eli varianssien vertailutesti. TKK (c) Ilkka Mellin (007) 111

112 Varianssien vertailutesti Yleinen hypoteesi Yleinen hypoteesi H : (1) Havainnot Xi1 N( µ 1, σ 1), i= 1,,, n1 () Havainnot X j N( µ, σ ), j = 1,,, n (3) Havainnot X i1 ja X j ovat riippumattomia kaikille i ja j Huomautus: Oletus (3) sisältää kolme riippumattomuusoletusta: Havainnot ovat riippumattomia otoksien 1 ja sisällä. Havainnot ovat riippumattomia otoksien 1 ja välillä. TKK (c) Ilkka Mellin (007) 11

113 Varianssien vertailutesti Nollahypoteesi ja vaihtoehtoiset hypoteesit Nollahypoteesi H 0 : H :σ = σ = σ 0 1 Vaihtoehtoinen hypoteesi H 1 : H: σ 1 1 H: σ 1 1 H : σ > σ < σ σ suuntaiset vaihtoehtoiset hypoteesit -suuntainen vaihtoehtoinen hypoteesi TKK (c) Ilkka Mellin (007) 113

114 Varianssien vertailutesti Parametrien estimointi Olkoot ja n 1 k Xk = Xik, k = 1, n k i = 1 n 1 k s = ( X X ), k = 1, k ik k n k 1 i= 1 tavanomaiset harhattomat estimaattorit parametreille E(X ik ) = µ k, i = 1,,, n k, k = 1, ja Var(X ik ) = σ k, i = 1,,, n k, k = 1, TKK (c) Ilkka Mellin (007) 114

115 Varianssien vertailutesti Testisuure ja sen jakauma Määritellään F-testisuure s1 F = s Jos nollahypoteesi H 0 :σ1 = σ = σ pätee, niin testisuure F noudattaa Fisherin F-jakaumaa vapausastein (n 1 1) ja (n 1): F F( n 1, n 1) 1 TKK (c) Ilkka Mellin (007) 115

116 Varianssien vertailutesti Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 1/4 Oletetaan, että testin yleinen hypoteesi H ja nollahypoteesi H 0 pätevät: X, X,, X, X, X,, X 11 1 n 1 1 n Tällöin (ks. lukua Otokset ja otosjakaumat) n 1 X i1 µ 1 Y1 = χ ( n1) i= 1 σ n X j µ Y = χ ( n) j 1 σ = Koska Y 1 Y, niin Y1/ n1 Y = F( n1, n) Y / n 1 X N( µ, σ ), i = 1,,, n i1 1 1 j N( µ, σ ), = 1,,, X j n TKK (c) Ilkka Mellin (007) 116

117 Varianssien vertailutesti Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu /4 Koska odotusarvot µ 1 ja µ ovat tuntemattomia, satunnaismuuttujan Y1/ n1 Y = Y/ n lauseke on testisuureena epäoperationaalinen. Korvataan satunnaismuuttujien Y 1 ja Y lausekkeissa odotusarvot µ 1 ja µ vastaavilla otossuureilla n 1 k X = X, k = 1, k n k i = 1 ik TKK (c) Ilkka Mellin (007) 117

118 Varianssien vertailutesti Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 3/4 Saamme satunnaismuuttujat (ks. lukua Otokset ja otosjakaumat) n 1 ( n1 1) s1 Xi 1 X1 V1 = = χ ( n1 1) σ i= 1 σ n ( n 1) s X j X V = = χ ( n 1) σ j 1 σ = jossa n 1 k sk = ( Xik Xk), k = 1, n k 1 i= 1 Lisäksi satunnaismuuttujat V 1 ja V ovat riippumattomia: V V 1 TKK (c) Ilkka Mellin (007) 118

119 Varianssien vertailutesti Testisuureen jakauma nollahypoteesin H 0 pätiessä: Perustelu 4/4 Määritellään F-testisuure F V1/( n1 1) s1 = = V /( n 1) s Jos nollahypoteesi H 0 pätee, testisuure F noudattaa F-jakaumaa vapausastein (n 1 1) ja (n 1): F F( n 1, n 1) 1 TKK (c) Ilkka Mellin (007) 119

120 Varianssien vertailutesti Testi Testisuureen s1 F = s normaaliarvo 1, koska nollahypoteesin H 0 :σ1 = σ = σ pätiessä (ja jos n on kyllin suuri) n 1 E( F) = 1 n 3 Siten sekä pienet että suuret testisuureen F arvot sen normaaliarvoon 1 nähden viittaavat siihen, että nollahypoteesi ei päde. Nollahypoteesi H 0 hylätään, jos testin p-arvo on kyllin pieni. TKK (c) Ilkka Mellin (007) 10

121 Varianssien vertailutesti Testin hylkäysalueen määrääminen 1/4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 0:σ1 > σ niin kriittinen raja F α saadaan ehdosta Pr(F F α ) = α jossa F F(n 1 1,n 1) Testin hylkäysalue on tällöin muotoa (F α, + ) TKK (c) Ilkka Mellin (007) 11

122 Varianssien vertailutesti Testin hylkäysalueen määrääminen /4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 0:σ1 < σ niin kriittinen raja F 1 α saadaan ehdosta Pr(F F 1 α ) = α jossa F F(n 1 1,n 1) Testin hylkäysalue on tällöin muotoa (0, F 1 α ) TKK (c) Ilkka Mellin (007) 1

123 Varianssien vertailutesti Testin hylkäysalueen määrääminen 3/4 Valitaan testin merkitsevyystasoksi α. Jos vaihtoehtoinen hypoteesi on muotoa H 0:σ1 σ niin kriittiset rajat F 1 α/ ja F α/ saadaan ehdoista Pr(F F 1 α/ ) = α/ Pr(F F α/ ) = α/ jossa F F(n 1 1,n 1) Testin hylkäysalue on tällöin muotoa (0, F 1 α/ ) (F α/, + ) TKK (c) Ilkka Mellin (007) 13

124 Varianssien vertailutesti Testin hylkäysalueen määrääminen 4/4 Oletetaan, että testin merkitsevyystasoksi on valittu α. Testin hylkäysalueen määräämistä voidaan havainnollistaa olevilla kuvioilla. H:σ > σ 1 1 H:σ < σ 1 1 H:σ σ 1 1 F( n 1, n 1) 1 F( n1 1, n 1) F( n1 1, n 1) α α 1 α 1 α 1 α 1 α 1 α F α F 1 α F 1 α F α Hylkäysalue Hylkäysalue Hylkäysalue Hylkäysalue TKK (c) Ilkka Mellin (007) 14

125 Varianssien vertailutesti Testin p-arvo 1/ Olkoon F-testisuureen havaittu arvo F 0. Jos vaihtoehtoinen hypoteesi on 1-suuntainen, testin p- arvon määräämistä voidaan havainnollistaa alla olevilla kuvioilla. H:σ > σ 1 1 H:σ < σ 1 1 F( n 1, n 1) 1 F( n 1, n 1) 1 p p 1 p 1 p F 0 Testin p-arvo = p F 0 Testin p-arvo = p TKK (c) Ilkka Mellin (007) 15

126 Varianssien vertailutesti Testin p-arvo / Olkoon vaihtoehtoinen hypoteesi -suuntainen: Tällöin testin p-arvo on p = min Pr( F F ),Pr( F F ) jossa H:σ σ 1 1 F F(n 1 1,n 1) { } 0 0 TKK (c) Ilkka Mellin (007) 16

127 Varianssien vertailutesti Normaalisuusoletuksen merkitys Tässä esitetyn varianssien vertailutestin yleisessä hypoteesissa oletetaan, että havainnot ovat molemmissa otoksissa normaalijakautuneita. Testi on herkkä poikkeamille normaalisuudesta ja testi ei toimi kovinkaan hyvin, jos havaintojen jakauma on vino tai havaintojen joukossa on poikkeavia havaintoja. Suuretkaan havaintojen lukumäärät eivät yleensä paranna tilannetta. TKK (c) Ilkka Mellin (007) 17

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

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

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit

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

Lisätiedot

Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset.

Tavanomaisten otostunnuslukujen, odotusarvon luottamusvälin ja Box ja Whisker -kuvion määritelmät: ks. 1. harjoitukset. Mat-.04 Tilastollisen analyysin perusteet Mat-.04 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahden riippumattoman otoksen t-testit,

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

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

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

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen 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

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

TILASTOMATEMATIIKKA. Keijo Ruohonen

TILASTOMATEMATIIKKA. Keijo Ruohonen TILASTOMATEMATIIKKA Keijo Ruohonen 20 Sisältö I PERUSOTOSJAKAUMAT JA DATAN KUVAUKSET. Satunnaisotanta.2 Tärkeitä otossuureita 2.3 Datan esitykset ja graafiset metodit 6.4 Otosjakaumat 6.4. Otoskeskiarvon

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen 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

Lisätiedot

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty 30.11.2012

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty 30.11.2012 Luentokalvoja tilastollisesta päättelystä Kalvot laatinut Aki Taanila Päivitetty 30.11.2012 Otanta Otantamenetelmiä Näyte Tilastollinen päättely Otantavirhe Otanta Tavoitteena edustava otos = perusjoukko

Lisätiedot

Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4

Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN...6 1.1 INDUKTIO JA DEDUKTIO...7 1.2 SYYT JA VAIKUTUKSET...9

Lisätiedot

Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 2. TODENNÄKÖISYYS...

Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 2. TODENNÄKÖISYYS... Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN... 8 1.1 INDUKTIO JA DEDUKTIO... 9 1.2 SYYT JA VAIKUTUKSET... 11 TEHTÄVIÄ... 13

Lisätiedot

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

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

Lisätiedot

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi

1. Normaalisuuden tutkiminen, Bowmanin ja Shentonin testi, Rankit Plot, Wilkin ja Shapiron testi Mat-2.2104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yhteensopivuuden ja homogeenisuden testaaminen Bowmanin ja Shentonin testi, Hypoteesi, 2 -homogeenisuustesti, 2 -yhteensopivuustesti,

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2007) 1 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin

Lisätiedot

7. laskuharjoituskierros, vko 10, ratkaisut

7. 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,

Lisätiedot

1 TILASTOMENETELMIEN PERUSTEITA

1 TILASTOMENETELMIEN PERUSTEITA 1 TILASTOMENETELMIEN PERUSTEITA Insinööritieteissä suoritetaan usein erilaisia mittauksia tai kokeita, joiden tuloksena saadaan numeerisia havaintoaineistoja tutkittavasta ilmiöstä. Hyvinvointiteknologiassa

Lisätiedot

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto

Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto Mitä tarvitsee tietää biostatistiikasta ja miksi? Matti Uhari Lastentautien klinikka Oulun yliopisto Tutkimusaineistomme otantoja Hyödyt Ei tarvitse tutkia kaikkia Oikein tehty otanta mahdollistaa yleistämisen

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/5

TKK @ 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,

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

Tilastollisten aineistojen kerääminen ja mittaaminen

Tilastollisten aineistojen kerääminen ja mittaaminen Ilkka Mellin Tilastolliset menetelmät Osa 1: Johdanto Tilastollisten aineistojen kerääminen ja mittaaminen TKK (c) Ilkka Mellin (2007) 1 ja mittaaminen >> Tilastollisten aineistojen kerääminen Mittaaminen

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

1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA

1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,

Lisätiedot

Todennäköisyysjakaumia

Todennäköisyysjakaumia 8.9.26 Kimmo Vattulainen Todennäköisyysjakaumia Seuraavassa esitellään kurssilla MAT-25 Todennäköisyyslaskenta esille tulleita diskreettejä todennäköisyysjakaumia Diskreetti tasajakauma Bernoullijakauma

Lisätiedot

Altisteiden ja sairauksien mittaaminen. Biostatistiikan näkökulmasta EPIDEMIOLOGIAN JA BIOSTATISTIIKAN PERUSTEET. L2 kevät 2007

Altisteiden ja sairauksien mittaaminen. Biostatistiikan näkökulmasta EPIDEMIOLOGIAN JA BIOSTATISTIIKAN PERUSTEET. L2 kevät 2007 EPIDEMIOLOGIAN JA BIOSTATISTIIKAN PERUSTEET L2 kevät 2007 mittaaminen Biostatistiikan näkökulmasta Janne Pitkäniemi VTM, MSc (biometry) HY, Kansanterveystieteen laitos 1 Perusjoukon ja otoksen käsitteet

Lisätiedot

Todennäköisyyslaskenta sivuaineopiskelijoille

Todennäköisyyslaskenta sivuaineopiskelijoille Todennäköisyyslaskenta sivuaineopiskelijoille Tentit: 4.11.2013 ja 2.12.2013. Loput kaksi tenttiä (vuonna 2014) ilmoitetaan myöhemmin. Tentissä on 4 tehtävää á 8 pistettä, aikaa 4 tuntia. Arvostelu 0 5.

Lisätiedot

Maatalouden tutkimuskeskuksen julkaisuja

Maatalouden tutkimuskeskuksen julkaisuja Maatalouden tutkimuskeskuksen julkaisuja S A RJ A Lauri Jauhiainen Virallisten lajikekokeiden tulosten laskentaperusteet lir>, Maatalouden 100 tutkimuskeskus Lauri Jauhiainen Virallisten lajikekokeiden

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

1. JOHDANTO. SIS LLYSLUETTELO sivu 1. JOHDANTO 3

1. JOHDANTO. SIS LLYSLUETTELO sivu 1. JOHDANTO 3 1 2 22.10.2001 Tilastollisten menetelmien perusteet I Syksy 2001 Opintojakson www-sivu: http://www.uta.fi/~strale/p2syksy.html Huom. 1. Luentomateriaali on tarkoitettu ko. opintojakson opiskelijoille.

Lisätiedot

4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa:

4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa: Lisätehtäviä (siis vanhoja tenttikysymyksiä) 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15,

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

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET

Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET Aki Taanila TILASTOLLISEN PÄÄTTELYN ALKEET 21.5.2014 SISÄLLYS 0 JOHDANTO... 1 1 TILASTOLLINEN PÄÄTTELY... 2 1.1 Tiekartta... 4 2 YHTÄ MUUTTUJAA KOSKEVA PÄÄTTELY... 5 2.1 Keskiarvon luottamusväli... 5 2.2

Lisätiedot

USEAN MUUTTUJAN REGRESSIOMALLIT JA NIIDEN ANA- LYYSI

USEAN MUUTTUJAN REGRESSIOMALLIT JA NIIDEN ANA- LYYSI TEORIA USEAN MUUTTUJAN REGRESSIOMALLIT JA NIIDEN ANA- LYYSI Regressiomalleilla kuvataan tilanteita, jossa suureen y arvot riippuvat joukosta ns selittäviä muuttujia x 1, x 2,..., x p oletetun funktiomuotoisen

Lisätiedot

Otanta ilman takaisinpanoa

Otanta ilman takaisinpanoa Otanta ilman takaisinpanoa Populaatio, jossa N alkiota (palloa, ihmistä tms.), kahdenlaisia ( valkoinen, musta ) Poimitaan umpimähkään (= symmetrisesti) n-osajoukko eli otos Merkitään tapahtuma A k = otoksessa

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

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1 2 k -faktorikokeet Vilkkumaa / Kuusinen 1 Motivointi 2 k -faktorikoe on k-suuntaisen varianssianalyysin erikoistapaus, jossa kaikilla tekijöillä on vain kaksi tasoa, matala (-) ja korkea (+). 2 k -faktorikoetta

Lisätiedot

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...

Lisätiedot

Tilastomatematiikka TUDI

Tilastomatematiikka TUDI Miika Tolonen http://www.mafy.lut.fi/tilmattudi Laboratory of Applied Mathematics Lappeenranta University of Technology 10. syyskuuta 2014 Sisältö I Johdanto 1 Johdanto 2 Satunnaiskokeet ja satunnaismuuttujat

Lisätiedot

Tilastollisten menetelmien perusteet II TILTP3 Luentorunko

Tilastollisten menetelmien perusteet II TILTP3 Luentorunko Tilastollisten menetelmien perusteet II TILTP3 Luentorunko Raija Leppälä 29. helmikuuta 2012 Sisältö 1 Johdanto 2 1.1 Jatkuvista jakaumista 2 1.1.1 Normaalijakauma 2 1.1.2 Studentin t-jakauma 3 1.2 Satunnaisotos,

Lisätiedot

031021P Tilastomatematiikka (5 op) viikot 5 6

031021P Tilastomatematiikka (5 op) viikot 5 6 031021P Tilastomatematiikka (5 op) viikot 5 6 Jukka Kemppainen Mathematics Division Jakauman tunnusluvut Jakauman tärkeimmät tunnusluvut ovat odotusarvo ja varianssi. Odotusarvo ilmoittaa jakauman keskikohdan

Lisätiedot

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4

3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4 Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1

Lisätiedot

KAHDEN RYHMÄN VERTAILU

KAHDEN RYHMÄN VERTAILU 10.3.2015 KAHDEN RYHMÄN VERTAILU Jouko Miettunen Center for Life-Course and Systems Epidemiology jouko.miettunen@oulu.fi Luennon sisältö Luokitellut muuttujat Ristiintaulukko, prosentit Khiin neliötesti

Lisätiedot

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita

Lisätiedot

Aki Taanila VARIANSSIANALYYSI

Aki Taanila VARIANSSIANALYYSI Aki Taanila VARIANSSIANALYYSI 18.5.2007 VARIANSSIANALYYSI 1 JOHDANTO...2 VARIANSSIANALYYSI...3 Yksisuuntainen varianssianalyysi...3 Kaksisuuntainen varianssianalyysi ilman toistoja...6 Kaksisuuntainen

Lisätiedot

Tilastollisen päättelyn kurssi

Tilastollisen päättelyn kurssi Pekka Nieminen Pentti Saikkonen Tilastollisen päättelyn kurssi Helsingin yliopisto Matematiikan ja tilastotieteen laitos 2013 1. laitos 2004 2. laitos 2005 3. laitos 2006, korjattu 2007, 2009 ja 2013 http://www.iki.fi/pjniemin/paattely.pdf

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

Aki Taanila TILASTOLLINEN PÄÄTTELY

Aki Taanila TILASTOLLINEN PÄÄTTELY Aki Taanila TILASTOLLINEN PÄÄTTELY 17.6.2010 SISÄLLYS 0 JOHDANTO... 1 1 TILASTOLLINEN PÄÄTTELY... 2 2 YHTÄ MUUTTUJAA KOSKEVA PÄÄTTELY... 7 2.1 Normaalijakautuneisuuden testaaminen... 7 2.2 Keskiarvon luottamusväli...

Lisätiedot

Heidi Kainulainen. Klusteroitunut aineisto kahden ryhmän vertailussa

Heidi Kainulainen. Klusteroitunut aineisto kahden ryhmän vertailussa PRO GRADU -TUTKIELMA Matematiikan ja tilastotieteen laitos Tilastotiede Helmikuu 2008 TAMPEREEN Y L I O P I S T O Heidi Kainulainen Klusteroitunut aineisto kahden ryhmän vertailussa Tampereen yliopisto

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Klassinen todennäköisyys ja kombinatoriikka

Osa 1: Todennäköisyys ja sen laskusäännöt. Klassinen todennäköisyys ja kombinatoriikka Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Klassinen todennäköisyys ja kombinatoriikka TKK (c) Ilkka Mellin (2007) 1 Klassinen todennäköisyys ja kombinatoriikka >> Klassinen

Lisätiedot

PSYKOLOGIAN VALINTAKOE TILASTOMATEMATIIKAN LISÄMATERIAALI 2016

PSYKOLOGIAN VALINTAKOE TILASTOMATEMATIIKAN LISÄMATERIAALI 2016 PSYKOLOGIAN VALINTAKOE TILASTOMATEMATIIKAN LISÄMATERIAALI 06 HELSINGIN YLIOPISTO PSYKOLOGIAN VALINTAKOE 06 Tilastomatematiikan lisämateriaali Copyright Helsingin yliopisto, käyttäytymistieteiden laitos

Lisätiedot

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös): Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei

Lisätiedot

Ekonometria: Tavoite: PerehdyttÄaÄa (empiirisen) ekonometrisen tutkimuksen periaatteisiin, mallintamiseen, tekniikkaan ja käaytäannäon toteuttamiseen.

Ekonometria: Tavoite: PerehdyttÄaÄa (empiirisen) ekonometrisen tutkimuksen periaatteisiin, mallintamiseen, tekniikkaan ja käaytäannäon toteuttamiseen. Ekonometria: Tavoite: PerehdyttÄaÄa (empiirisen) ekonometrisen tutkimuksen periaatteisiin, mallintamiseen, tekniikkaan ja käaytäannäon toteuttamiseen. Ekonometria (STAT.2020) Syksy 2005 Seppo PynnÄonen

Lisätiedot

B. Siten A B, jos ja vain jos x A x

B. Siten A B, jos ja vain jos x A x Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,

Lisätiedot

Ohjeita kvantitatiiviseen tutkimukseen

Ohjeita kvantitatiiviseen tutkimukseen 1 Metropolia ammattikorkeakoulu Liiketalouden yksikkö Pertti Vilpas Ohjeita kvantitatiiviseen tutkimukseen Osa 2 KVANTITATIIVISEN TUTKIMUSAINEISTON ANALYYSI Sisältö: 1. Frekvenssi- ja prosenttijakaumat.2

Lisätiedot

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen

ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI. Mikko Kylliäinen ASUINKERROSTALON ÄÄNITEKNISEN LAADUN ARVIOINTI Mikko Kylliäinen Insinööritoimisto Heikki Helimäki Oy Dagmarinkatu 8 B 18, 00100 Helsinki kylliainen@kotiposti.net 1 JOHDANTO Suomen rakentamismääräyskokoelman

Lisätiedot

Määritelmä 3.1 (Ehdollinen todennäköisyys) Olkoot A ja B otosavaruuden Ω tapahtumia. Jos P(A) > 0, niin tapahtuman B ehdollinen todennäköisyys

Määritelmä 3.1 (Ehdollinen todennäköisyys) Olkoot A ja B otosavaruuden Ω tapahtumia. Jos P(A) > 0, niin tapahtuman B ehdollinen todennäköisyys Luku 3 Satunnaismuuttujat, ehdollistaminen ja riippumattomuus Tässä luvussa käsitellään satunnaismuuttujien ominaisuuksia ja täydennetään todennäköisyyslaskennan tietoja. Erityisesti satunnaismuuttujien

Lisätiedot

Matemaatikot ja tilastotieteilijät

Matemaatikot ja tilastotieteilijät Matemaatikot ja tilastotieteilijät Matematiikka/tilastotiede ammattina Tilastotiede on matematiikan osa-alue, lähinnä todennäköisyyslaskentaa, mutta se on myös itsenäinen tieteenala. Tilastotieteen tutkijat

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

0.08 bussimatkustajaa. 0.92 ei-bussimatkustajaa

0.08 bussimatkustajaa. 0.92 ei-bussimatkustajaa 141216 1 Riski R f C (a) Tarkastellaan kuolemaan johtaneita onnettomuuksia f bussi 13 onnettomuutta f muut 13 onnettomuutta 3 tulipalokuolemaa onnettomus 3 tulipalokuolemaa onnettomus 8 bussimatkustajaa

Lisätiedot

TURVALLISUUDELLE TÄRKEIDEN LAITTEIDEN KOESTUSTEN MERKITYS VIKOJEN HAVAITSEMISESSA

TURVALLISUUDELLE TÄRKEIDEN LAITTEIDEN KOESTUSTEN MERKITYS VIKOJEN HAVAITSEMISESSA Aalto Yliopisto Perustieteiden korkeakoulu Raul Kleinberg TURVALLISUUDELLE TÄRKEIDEN LAITTEIDEN KOESTUSTEN MERKITYS VIKOJEN HAVAITSEMISESSA Kandidaatintyö Espoo 23. maaliskuuta 2012 Työn valvoja: Työn

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Kokonaistodennäköisyyden ja Bayesin kaavat TKK (c) Ilkka Mellin (2007) 1 Kokonaistodennäköisyys ja Bayesin kaava >> Kokonaistodennäköisyys

Lisätiedot

a b c d + + + + + + + + +

a b c d + + + + + + + + + 28. 10. 2010!"$#&%(')'+*(#-,.*/1032/465$*784 /(9:*;9."$ *;5> *@9 a b c d 1. + + + 2. 3. 4. 5. 6. + + + + + + + + + + P1. Valitaan kannaksi sivu, jonka pituus on 4. Koska toinen jäljelle jäävistä sivuista

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

Verkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa

Verkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa Mat-.6 Sovellettu todennäköisyyslaskenta B Mat-.6 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Verkot ja todennäköisyyslaskenta Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Jakaumien

Lisätiedot

Johdatus tn-laskentaan perjantai 17.2.2012

Johdatus 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;

Lisätiedot

Verkot ja todennäköisyyslaskenta. Verkot ja todennäköisyyslaskenta. Verkot ja todennäköisyyslaskenta: Esitiedot

Verkot ja todennäköisyyslaskenta. Verkot ja todennäköisyyslaskenta. Verkot ja todennäköisyyslaskenta: Esitiedot T (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan T (c) Ilkka Mellin (2004) 2 : Mitä oimme? Verkkoteoria on hyödyllinen sovelletun matematiikan osa-alue, jolla on sovelluksia esimerkiksi logiikassa,

Lisätiedot

5 Osa 5: Ohjelmointikielen perusteita

5 Osa 5: Ohjelmointikielen perusteita 5 Osa 5: Ohjelmointikielen perusteita 5.1 Omat funktiot R on lausekekieli: Kaikki komennot kuten funktiokutsut ja sijoitusoperaatiot ovat lausekkeita. Lausekkeet palauttavat jonkin arvon. Lausekkeita voidaan

Lisätiedot

1.1 Tilastomenetelmät luotettavan tutkimuksen perustana 1 1.1.1 Otos vs. näyte 1 1.1.2 Tilastollinen päättely ja tieteellisyyden kriteerit 2

1.1 Tilastomenetelmät luotettavan tutkimuksen perustana 1 1.1.1 Otos vs. näyte 1 1.1.2 Tilastollinen päättely ja tieteellisyyden kriteerit 2 Sisältö 1 JOHDANTO 1 1.1 Tilastomenetelmät luotettavan tutkimuksen perustana 1 1.1.1 Otos vs. näyte 1 1.1. Tilastollinen päättely ja tieteellisyyden kriteerit TEOREETTINEN JAKAUMA 3.1 Satunnaismuuttuja

Lisätiedot

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON? SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?...7 TILASTO...7 TILASTOTIEDE...8 HISTORIAA...9 TILASTOTIETEEN NYKYINEN ASEMA...9 TILASTOLLISTEN MENETELMIEN ROOLIT ERI TYYPPISET AINEISTOT JA ONGELMAT...10

Lisätiedot

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3

OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi. Luento 3 OHJ-7600 Ihminen ja tekniikka -seminaari, 4 op Käyttäjäkokemuksen kvantitatiivinen analyysi Luento 3 Tutkimussuunnitelman rakenne-ehdotus Otsikko 1. Motivaatio/tausta 2. Tutkimusaihe/ -tavoitteet ja kysymykset

Lisätiedot

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Diskreetit todennäköisyysjakaumat Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma Satunnaismuuttuja Satunnaisilmiö on ilmiö, jonka lopputulokseen sattuma vaikuttaa Satunnaismuuttuja on muuttuja,

Lisätiedot

Mitä tilastollinen analyysi on?

Mitä tilastollinen analyysi on? Mitä tilastollinen analyysi on? Tilastotiede (engl. statistics) on tieteenala, jonka kohteena ovat numeerisen tilastoaineiston keräämiseen ja muokkaamiseen, esittämiseen, tilastolliseen analyysiin ja tulosten

Lisätiedot

TASAVIRTAPIIRI - VASTAUSLOMAKE

TASAVIRTAPIIRI - VASTAUSLOMAKE TASAVIRTAPIIRI - VASTAUSLOMAKE Ryhmä Tekijä 1 Pari Tekijä 2 Päiväys Assistentti Täytä mittauslomake lyijykynällä. Muista erityisesti virhearviot ja suureiden yksiköt! 4 Esitehtävät 1. Mitä tarkoitetaan

Lisätiedot

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu

Lisätiedot

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012 Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi 2011-2012 Raija Leppälä 17. lokakuuta 2011 Sisältö 1 Johdanto 3 2 Todennäköisyyslaskentaa 5 2.1 Satunnaisilmiö ja tapahtuma 5 2.2 Klassinen

Lisätiedot

BIOSTATISTIIKKAA ESIMERKKIEN AVULLA. Kurssimoniste (luku 2) Janne Pitkäniemi. Helsingin Yliopisto Kansanterveystieteen laitos

BIOSTATISTIIKKAA ESIMERKKIEN AVULLA. Kurssimoniste (luku 2) Janne Pitkäniemi. Helsingin Yliopisto Kansanterveystieteen laitos BIOSTATISTIIKKAA ESIMERKKIEN AVULLA Kurssimoniste (luku 2) Janne Pitkäniemi Helsingin Yliopisto Kansanterveystieteen laitos Helsinki, 2005 Biostatistiikkaa esimerkkien avulla 1 Janne Pitkäniemi, syksy

Lisätiedot

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

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

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen. Pekka Leskinen ja Tuomo Kainulainen Metla

Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen. Pekka Leskinen ja Tuomo Kainulainen Metla \esitelm\hki0506.ppt 18.5.2006 Tilastotieteellisiä malleja välimatka- ja suhdeasteikollisten preferenssien mittaamiseen Pekka Leskinen ja Tuomo Kainulainen Metla FORS-iltapäiväseminaari 24.5.2006: Operaatiotutkimus

Lisätiedot

Aki Taanila TILASTOLLINEN PÄÄTTELY

Aki Taanila TILASTOLLINEN PÄÄTTELY Aki Taanila TILASTOLLINEN PÄÄTTELY 14.4.2012 SISÄLLYS 0 JOHDANTO... 1 1 TILASTOLLINEN PÄÄTTELY... 2 2 YHTÄ MUUTTUJAA KOSKEVA PÄÄTTELY... 7 2.1 Normaalijakautuneisuuden testaaminen... 7 2.2 Keskiarvon luottamusväli...

Lisätiedot

Aineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin

Aineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:

Lisätiedot

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia.

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia. 806109P TILASTOTIETEEN PERUSMENETELMÄT I 1. välikoe 11.3.2011 (Jari Päkkilä) VALITSE VIIDESTÄ TEHTÄVÄSTÄ NELJÄ JA VASTAA VAIN NIIHIN! 1. Valitse kohdissa A-F oikea (vain yksi) vaihtoehto. Oikeasta vastauksesta

Lisätiedot

Matematiikan mestariluokka, syksy 2009 7

Matematiikan mestariluokka, syksy 2009 7 Matematiikan mestariluokka, syksy 2009 7 2 Alkuluvuista 2.1 Alkuluvut Määritelmä 2.1 Positiivinen luku a 2 on alkuluku, jos sen ainoat positiiviset tekijät ovat 1 ja a. Jos a 2 ei ole alkuluku, se on yhdistetty

Lisätiedot

Matematiikan opiskelun esteiden analysointi logistisella regressioanalyysillä

Matematiikan opiskelun esteiden analysointi logistisella regressioanalyysillä TAMPEREEN TEKNILLINEN YLIOPISTO Teknis-luonnontieteellinen osasto HELI RAASSINA Matematiikan opiskelun esteiden analysointi logistisella regressioanalyysillä DIPLOMITYÖ Aihe hyväksytty Teknis-luonnontieteellisen

Lisätiedot

Todennäköisyyslaskenta

Todennäköisyyslaskenta Todennäköisyyslaskenta Opintomoniste kurssille MAT-25 Todennäköisyyslaskenta, Tampereen teknillinen yliopisto Antti Perttula, Kimmo Vattulainen, Tia Suurhasko Versio 9/212 Sisältö 1 Todennäköisyys 3 1.1

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

Mittausjärjestelmän kalibrointi ja mittausepävarmuus

Mittausjärjestelmän kalibrointi ja mittausepävarmuus Mittausjärjestelmän kalibrointi ja mittausepävarmuus Kalibrointi kalibroinnin merkitys kansainvälinen ja kansallinen mittanormaalijärjestelmä kalibroinnin määritelmä mittausjärjestelmän kalibrointivaihtoehdot

Lisätiedot

Ilkka Mellin Aikasarja-analyysi ARMA-mallit

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

Lisätiedot

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas LUENNOT Luento Paikka Vko Päivä Pvm Klo 1 L 304 8 Pe 21.2. 08:15-10:00 2 L 304 9 To 27.2. 12:15-14:00 3 L 304 9 Pe 28.2. 08:15-10:00 4 L 304 10 Ke 5.3.

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

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

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

Lisätiedot

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

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut

Lisätiedot

SELVITTÄJÄN KOMPETENSSISTA

SELVITTÄJÄN KOMPETENSSISTA OTM, KTM, Mikko Hakola, Vaasan yliopisto, Laskentatoimen ja rahoituksen laitos Helsinki 20.11.200, Helsingin kauppakorkeakoulu Projekti: Yrityksen maksukyky ja strateginen johtaminen SELVITTÄJÄN KOMPETENSSISTA

Lisätiedot

110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3

110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3 4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5

Lisätiedot

Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet

Johdatus todennäköisyyslaskentaan ja tilastotieteeseen. Stefan Emet Johdatus todennäköisyyslaskentaan ja tilastotieteeseen Stefan Emet Matematiikan ja tilastotieteen lts Turun yliopisto 24 Sisältö Johdanto. Todennäköisyys..................................2 Peruskäsitteitä.................................

Lisätiedot

Aineistokoko ja voima-analyysi

Aineistokoko ja voima-analyysi TUTKIMUSOPAS Aineistokoko ja voima-analyysi Johdanto Aineisto- eli otoskoon arviointi ja tutkimuksen voima-analyysi ovat tilastollisen tutkimuksen suunnittelussa keskeisimpiä asioita. Otoskoon arvioinnilla

Lisätiedot