ε i = jäännös- eli virhetermin ε satunnainen ja ei-havaittu arvo havaintoyksikössä i

Koko: px
Aloita esitys sivulta:

Download "ε i = jäännös- eli virhetermin ε satunnainen ja ei-havaittu arvo havaintoyksikössä i"

Transkriptio

1 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Mat-.60 Sovellettu todeäkölaketa B. harjotuket / Ratkaut Aheet: Yhde elttäjä leaare regreomall Avaaat: Ehdolle jakauma, Ehdolle odotuarvo, Ehdolle vara, Etmot, F-jakauma, F-tet, Homokedatuu, Jakaumaoletu, Jääöelöumma, Jääöterm, Jääövara, Kekhajota, Kakulottee ormaaljakauma, Kokoaelöumma, Korrelaato, Korrelomattomuu, Kovara, Krtte arvo, Kulmakerro, Leaare regreomall, Luottamukerro, Luottamutao, Luottamuväl, Mallelöumma, Merktevtao, Momettmeetelmä, Nollahpotee, Normaaljakauma, Oto, Paopte, Parametr, p-arvo, Pemmä elöumma meetelmä, Rakeeoa, Regreofukto, Regreokerro, Regreomall, Regreouora, Reduaal, Rppumattomuu, Rppuvuu, Satuae oa, Seltettävä muuttuja, Selttäjä, Selttävä muuttuja, Seltate, Sovte, Suurmma ukottavuude meetelmä, Stemaatte oa, t-jakauma, t-tet, Tet, Vakoterm, Vapauateet, Varaaalhajotelma Yhde elttäjä leaare regreomall Yhde elttäjä leaare regreomall Tavaomae hde elttäjä leaare regreomall lee muoto o joa = β0 + β + ε, =,,, = eltettävä muuttuja atuae ja havattu arvo havatokköä = elttäjä (elttävä muuttuja) e-atuae ja havattu arvo havatokköä ε = jääö- el vrheterm ε atuae ja e-havattu arvo havatokköä β 0 = e-atuae ja tutemato vako (vakoelttäjä regreokerro) β = elttäjä e-atuae ja tutemato regreokerro Mall jääötermtä ε tehdää euraavat tokatet oletuket: () ε, ε,, ε ovat rppumattoma () ε σ = N(0, ),,,, Saomme, että jääöterme ε, =,,, vara σ o mall jääövara. Huomaa, että oletukta () ja () euraa, että kaklla jääötermellä ε, =,,, o ama vara el e ovat homokedata ja läk jääötermt ovat korrelomattoma. Ilkka Mell (006) /

2 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Jo mall = β0 + β + ε, =,,, ja e oat toteuttavat kakk em. oletuket, aomme että mall o tavaomae hde elttäjä leaare regreomall ta, että mall toteuttaa tavaomaet oletuket hde elttäjä leaarelle regreomalllle. Satuae elttäjä tapau Jo tavaomae hde elttäjä leaare regreomall = β0 + β + ε, =,,, elttäjä arvot ovat atuaa, mutta jääötermä ε kokeva oletu () llä vodaa korvata etetä. tadardoletuka oletukella () ε σ = N(0, ),,,, jatkoa etettävä teora pätee opvat modfotua. Oletu () tarkottaa tä, että atuamuuttuja ε ehdolle jakauma ehdolla o oletettu ormaalek. Yhde elttäjä leaare regreomall temaatte oa ja atuae oa Olkoo = β0 + β + ε, =,,, tavaomaet oletuket toteuttava hde elttäjä leaare regreomall. Tällö E( ) = β0 + β, =,,, Var( ) = σ, =,,, Saomme, että odotuarvo E( ) = β + β, =,,, 0 muodotaa mall temaatte oa el rakeeoa ja 0 ε = E( ) = β β, =,,, muodotaa mall atuae oa. Ilkka Mell (006) /

3 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Regreouora Tavaomae hde elttäjä leaare regreomall = β0 + β + ε, =,,, temaatte oa määrttelee regreouora joa E( ) = β + β, =,,, 0 0 = β + β β 0 = uora vakoterm β = uora kulmakerro Regreouora kulmakertome tulkta Oletetaa, että elttäjä arvo kavaa hdellä kköllä: + Regreokerro β kertoo paljoko eltettävä muuttuja vataava odotettava oleva arvo muuttuu: E( ) = β + β 0 E( ) = β0 + β β0 + β( + ) = β0 + β + β = E( ) + β Regreokertome etmot Mall = β0 + β + ε, =,,, regreokertome (parametre) β 0 ja β pemmä elöumma (PNS-) etmaattort aadaa mmomalla elöumma 0 = j = j 0 j = = S( β, β ) ε ( β β ) regreokertome β 0 ja β uhtee. Regreokertome β 0 ja β PNS-etmaattorek aadaa b0 = b b = r = Ilkka Mell (006) 3/3

4 Mat-.60 Sovellettu todeäkölaketa B. harjotuket PNS-etmaattorede kaavoa = = = = ovat -havatoje ja -havatoje artmeettet kekarvot, = ( ) = ( ) = = ovat -havatoje ja -havatoje otovarat, = ( )( ) = o -havatoje ja -havatoje otokovara ja läk r = o -havatoje ja -havatoje otokorrelaatokerro. Etmotu regreouora Tavaomae hde elttäjä leaare regreomall = β0 + β + ε, =,,, regreokertome β 0 ja β PNS-etmaattort b 0 ja b ja määrttelevät uora = b0 + b Sovtteet ja reduaalt Etmodu mall ovtteet aadaa kaavalla ˆ = b + b, =,,, 0 Etmodu mall reduaalt aadaa kaavalla e = ˆ = b b, =,,, 0 Mall elttää tä paremm eltettävä muuttuja kättätmtä mtä lähempää ovtteet ovat eltettävä muuttuja havattuja arvoja el mtä peempä ovat etmodu mall reduaalt. Koka malla o mukaa vako, ovttede umma ht eltettävä muuttuja havattuje arvoje ummaa: ˆ = ( b + b) = b + b 0 0 = = = = = b + b = ( b ) + b = = 0 = Ilkka Mell (006) 4/4

5 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Läk koka malla o mukaa vako, reduaale umma = 0: Varaaalhajotelma Olkoo e = ( ˆ ) = ˆ = 0 = = = = SST = ( ) = ( ) = eltettävä muuttuja arvoje vahtelua kuvaava kokoaelöumma ja olkoo SSE = e = etmodu mall PNS-reduaale vahtelua kuvaava jääöelöumma. Vodaa oottaa, että mä Koka aa pätee = = SSE = e = ( r ) ( ) = ( r ) SST r = -havatoje ja -havatoje otokorrelaatokerro r < SSE SST Määrtellää etmodu mall mall- (el regreo-) elöumma kaavalla SSM = SST SSE Vodaa oottaa, että SSM = ( ˆ ) = Kokoaelöumma SST hajotelmaa SST = SSM + SSE elöumme SSM ja SSE ummak kututaa varaaalhajotelmak. Varaaalhajotelmaa eltettävä muuttuja kokoavahtelua kuvaava elöumma SST o hajotettu kahtee oaa, jota mallelöumma SSM kuvaa tä oaa kokoaelöummata, joka etmotu mall o elttät ja jääöelöumma SSE kuvaa tä oaa kokoaelöummata, jota etmotu mall e ole elttät. Ilkka Mell (006) 5/5

6 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Seltate Varaaalhajotelma motvo määrttelemää etmodu mall eltatee kaavalla SSE SSM R = = SST SST joa SST = eltettävä muuttuja arvoje vahtelua kuvaava kokoaelöumma SSE = etmodu mall reduaale vahtelua kuvaava jääöelöumma SSM = etmodu mall mall- (el regreo-) elöumma Varaaalhajotelmata euraa, että aa pätee 0 R Seltate mttaa etmodu regreomall hvttä: Mtä uuremp o eltate, tä uuremp o mallelöumma (el etmodu mall elttämä) ouu eltettävä muuttuja kokoavahtelua kuvaavata elöummata ja tä peemp o jääöelöumma (el etmodu mall elttämättä jättämä) ouu eltettävä muuttuja kokoavahtelua kuvaavata elöummata. Vodaa oottaa, että eltate ht eltettävä muuttuja havattuje arvoje ja etmodu mall ovttede otokorrelaatokertomee: R = [Cor(, ˆ)] Huomaa, että hde elttäjä leaare regreomall tapaukea pätee läk joa R = r r = -havatoje ja -havatoje otokorrelaatokerro Seltatee omauudet Seltateella R o euraavat omauudet: () 0 R () Seuraavat ehdot ovat htäptävä: () R = () Kakk reduaalt hävävät: e = 0, kaklle =,,, (3) Kakk havatopteet (, ), =,,, aettuvat amalle uoralle. (4) r = ± (5) Määrtelt mall elttää tädellet eltettävä muuttuja havattuje arvoje vahtelu. Ilkka Mell (006) 6/6

7 Mat-.60 Sovellettu todeäkölaketa B. harjotuket () Seuraavat ehdot ovat htäptävä: () R = 0 () b = 0 (3) r = 0 (4) Määrtelt mall e ollekaa eltä eltettävä muuttuja havattuje arvoje vahtelua. Jääövara etmot Tavaomae hde elttäjä leaare regreomall jääöterme ε j, j =,,, vara σ harhato etmaattor o SSE = = e j j= joa e = ˆ = b b, j =,,, o etmodu mall reduaal. j j j j 0 j Lakutomtute järjetäme Jo regreokertomet joudutaa lakemaa kä ta lakmella, hde elttäjä leaare regreomall PNS-etmo vaatmat lakutomtuket kaattaa järjetää euraava tauluko muotoo: ˆ e e ˆ e e ˆ e e ˆ e e Summa = = = = = = = e = e Jo tarkotukea o lakea aoataa PNS-etmaatt regreokertomlle β 0 ja β, llä olevata taulukota tarvtaa va -havatoje umma Σ ja elöumma Σ, -havatoje umma Σ ekä - ja -havatoje tuloumma Σ. Jo tarkotukea o lakea läk etmodu mall eltate, tarvtaa edellä mattuje uurede läk mö -havatoje elöumma Σ ekä etmodu mall reduaale elöumma Σ e. Ilkka Mell (006) 7/7

8 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Havatoarvoje artmeettet kekarvot ja, otovarat aadaa llä oleva tauluko arakeummta kaavolla = = ja ekä otokovara = = = = = = = = = = = = jota regreokertome etmaatt aadaa laketuk kaavolla b = b = b 0 Etmodu mall ovtteet aadaa kaavalla ˆ = b + b, =,,, 0 ja reduaalt kaavalla e = ˆ = b b, =,,, 0 Etmodu mall eltate vodaa lakea kaavalla R = SSE SST joa SSE = e = o etmodu mall jääöelöumma (reduaale elöumma) ja SST = ( ) = ( ) = o eltettävä muuttuja arvoje vahtelua kuvaava kokoaelöumma. Huomaa, että hde elttäjä leaare regreomall tapaukea (koka malla o mukaa vako) pätee mö R = r Ilkka Mell (006) 8/8

9 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Regreokertome PNS-etmaattorede otojakaumat Jo tavaomaet hde elttäjä leaarta regreomalla kokevat oletuket pätevät, regreokertome β 0 ja β PNS-etmaattort b 0 ja b ovat ormaaljakautueta: σ b N β, ( ) σ j j= 0 N β0, ( ) b Ertet regreokertome β 0 ja β PNS-etmaattort b 0 ja b ovat harhattoma: E(b ) = β E(b 0 ) = β 0 Regreokertome luottamuvält Oletetaa, että tavaomaet hde elttäjä leaarta regreomalla kokevat oletuket pätevät. Regreokertome β el regreouora kulmakertome luottamuväl luottamutaolla ( α) o muotoa b ± tα / joa t α/ ja + t α/ ovat luottamutaoo ( α) lttvät luottamukertomet Studet t-jakaumata, joka vapauatede luku o ( ) ja o jääövara σ harhato etmaattor. Regreokertome β 0 el regreouora vako luottamuväl luottamutaolla ( α) o muotoa b ± t 0 α / j= j ( ) joa t α/ ja + t α/ ovat luottamutaoo ( α) lttvät luottamukertomet Studet t-jakaumata, joka vapauatede luku o ( ) ja o jääövara σ harhato etmaattor. Ilkka Mell (006) 9/9

10 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Regreokertoma kokevat tett Oletetaa, että tavaomaet hde elttäjä leaarta regreomalla kokevat oletuket pätevät. Olkoo ollahpoteea H :β = β Määrtellää t-tetuure b β t = /( ) Jo ollahpotee H 0 pätee, t t( ) Itearvoltaa uuret tetuuree t arvot vttaavat he, että ollahpotee H 0 e päde. Olkoo ollahpoteea H :β = β Määrtellää t-tetuure t b0 β0 = Jo ollahpotee H 00 pätee, j ( ( ) ) t0 t( ) Itearvoltaa uuret tetuuree t 0 arvot vttaavat he, että ollahpotee H 00 e päde. Merktevtaoa α vataava hlkäaluee (krttte arvoje) ta tetuurede havattuja arvoja vataave p-arvoje määrääme tapahtuu tämällee amalaella tekkalla ku ormaaljakauma odotuarvoa kokeva tavaomae t-tet tapaukea. Vodaa oottaa, että tet ollahpoteelle H :β = β 0 0 vodaa perutaa mö F-tetuureeee R F = ( ) R joa R o etmodu mall eltate. Huomaa, että koka malla o mukaa vako, R = r Jo ollahpotee H 0 pätee, F F(, ) Suuret tetuuree F arvot vttaavat he, että ollahpotee H 0 e päde. Ilkka Mell (006) 0/0

11 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tämä F-tet ollahpoteelle H 0 o ekvvalett edellä etet t-tet kaa: Vodaa oottaa, että F = t Kakulottee ormaaljakauma regreofuktode etmot Kakulottee ormaaljakauma ja e thefukto Oletetaa, että atuamuuttuje ja par (,) oudattaa kakulotteta ormaaljakaumaa el µ µ σ σ ρ (, ) N (,,,, ) joa µ = E( ) µ = E( ) σ = Var( ) = E[( µ ) ] σ = Var( ) = E[( µ ) ] ρ σ = Cor(, ) = σσ σ = Cov(, ) = E[( µ )( µ )] Kakulottee ormaaljakauma thefukto o muotoa f (, ) = ep Q (, ) πσ ( ρ ) σ ρ joa µ µ µ µ Q (, ) = + ρ σ σ σ σ Kakulottee ormaaljakauma ehdollet jakaumat Kakulottee ormaaljakauma ehdollet jakaumat ovat ormaala: ( )~ N( µ, σ ) ( )~ N( µ, σ ) joa σ µ = E( ) = µ + ρ ( µ ) σ σ = Var( ) = ( ρ ) σ σ µ = E( ) = µ + ρ ( µ ) σ σ = Var( ) = ( ρ ) σ Ilkka Mell (006) /

12 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Ehdollte odotuarvoje E( ) ja E( ) kaavota ähdää: () Satuamuuttuja ehdolle odotuarvo atuamuuttuja uhtee el atuamuuttuja regreofukto atuamuuttuja uhtee rppuu leaaret ehtomuuttuja arvota el o muotoa: () E( ) = α + α 0 Satuamuuttuja ehdolle odotuarvo atuamuuttuja uhtee el atuamuuttuja regreofukto atuamuuttuja uhtee rppuu leaaret ehtomuuttuja arvota el o muotoa: E( ) = β + β 0 Ehdollte varae Var( ) ja Var( ) kaavota ähdää: () Satuamuuttuja ehdolle vara atuamuuttuja uhtee e rpu ehtomuuttuja arvota. () Satuamuuttuja ehdolle vara atuamuuttuja uhtee e rpu ehtomuuttuja arvota. Ehdollte odotuarvoje kaavota ähdää edellee, että ekä atuamuuttuja regreofukto atuamuuttuja uhtee että atuamuuttuja regreofukto atuamuuttuja uhtee kulkevat atuamuuttuje ja todeäköjakauma todeäkömaa paoptee ( µ, µ ) kautta. Oto kakulotteeta ormaaljakaumata Oletetaa, että atuamuuttuje ja par (,) oudattaa kakulotteta ormaaljakaumaa el Olkoot,,, muuttuja havatut arvot ja (, ) N ( µ, µ, σ, σ, ρ),,, muuttuja havatut arvot ja oletetaa, että havatoarvoje ja part (, ), =,,, muodotavat kkertae atuaotoke kakulotteta ormaaljakaumata N ( µ, µ, σ, σ, ρ ) Tällö (, ),(, ),,(, ) (, ) N ( µ, µ, σ, σ, ρ), =,,, Ilkka Mell (006) /

13 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Kakulottee ormaaljakauma regreofuktode PNS-etmot Oletetaa, että havatoarvoje ja part (, ), =,,, muodotavat kkertae atuaotoke kakulotteta ormaaljakaumata N ( µ, µ, σ, σ, ρ ). Kakulottee ormaaljakauma regreofuktot ovat muotoa E( ) = β0 + β E( ) = α + α 0 Etmodaa regreofuktot pemmä elöumma meetelmällä. Määrtellää hde elttäjä leaaret regreomallt () = β0 + β + ε, =,,, () = α0 + α + δ, =,,, Muuttuja PNS-uora htälö muuttuja uhtee o joa (3) = b0 + b b = b b = r = 0 Muuttuja PNS-uora htälö muuttuja uhtee o (4) = a0 + a joa a = a a = r = 0 Malle () ja () regreokertome β 0, β, α 0, α PNS-etmaattorede b 0, b, a 0, a lauekkea = = = = = ( ) = ( ) = = = ( )( ) r = = Ilkka Mell (006) 3/3

14 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Muuttuja PNS-uora htälö muuttuja uhtee vodaa krjottaa muotoo (3) = r ( ) Muuttuja PNS-uora htälö muuttuja uhtee vodaa krjottaa muotoo (4) = r ( ) Yhtälötä (3) ja (4) ähdää välttömät, että molemmat PNS-uorat kulkevat havatoaeto paoptee (, ) kautta. Yhtälötä (3) ja (4) ähdää edellee, että PNS-uore kulmakertome tulo o muuttuje ja korrelaatokertome elö: ab = r r = r Vodaa oottaa, että molemp PNS-uor ltt ama eltate R ja e ht muuttuje ja havattuje arvoje korrelaatokertome elöö: R = r PNS-uoraa (3) lttvä jääövara (harhato) etmaattor o joa (3) Vodaa oottaa, että joa SSE = SSE = PNS-uoraa (3) lttvä jääöelöumma SSE r SST = ( ) = ( ) = ( ) = SST PNS-uoraa (4) lttvä jääövara (harhato) etmaattor o joa (4) SSE = SSE = PNS-uoraa (4) lttvä jääöelöumma Ilkka Mell (006) 4/4

15 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Edellee vodaa oottaa, että joa SSE r SST = ( ) = ( ) = ( ) = SST Kakulottee ormaaljakauma regreofuktode etmot momettmeetelmällä ja uurmma ukottavuude meetelmällä Vertaamalla edellä etettjä kakulottee ormaaljakauma regreofuktode PNSetmaattorede kaavoja kakulottee ormaaljakauma regreofuktode lauekke ähdää välttömät, että regreofuktode PNS-etmaattort htvät de momettetmaattoreh. Edellee vodaa oottaa, että regreofuktode PNS-etmaattort htvät mö de uurmma ukottavuude etmaattoreh. Ilkka Mell (006) 5/5

16 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.. Muuttuje ja havatut arvot ovat: (a) (b) Määrää tavaomae hde elttäjä leaare regreomall = β0 + β + ε, ε N(0, σ ), =,,, regreokertome β 0 ja β pemmä elöumma (PNS-) etmaatt. Määrää etmodu mall ovtteet ja reduaalt. (c) Määrää etmodu mall jääövara σ harhato etmaatt. (d) Määrää etmodu mall eltate. Tehtävä.. Mtä opmme? Tehtävää tarkatellaa hde elttäjä leaare regreomall etmota. Tehtävä.. Ratkau: Kakk tehtävä lakutomtuket o teht Mcrooft Ecel -ohjelmalla; k. Ecel-taulukkoa ratkau lopua. (a) Yhde elttäjä leaare regreomall = β 0 + β + ε regreokertome α ja β PNS-etmaatt aadaa laketuk euraavaa etettävällä tavalla. Määrätää e muuttuje ja havattuje arvoje ummat, elöummat ja tuloumma: = = = = = = 56 = 40 = 54 = 56 Y = 364 Muuttuje ja havattuje arvoje artmeettet kekarvot ja, otovarat ja, otokekhajoat ja, otokovara ja otokorrelaato r aadaa muuttuje ja havattuje arvoje ummta, elöummta ja tuloummata: Ilkka Mell (006) 6/6

17 Mat-.60 Sovellettu todeäkölaketa B. harjotuket = = 56 = 7 8 = = = 40 = 5 8 = = = = = = = = = 8 = = 8 8 = = = 4.34 = = 8 =.88 = = = = = = 8 8 r = = = Etmodu PNS-uora htälö o muotoa = b 0 + b joa b 0 ja b ovat mall regreokertome β 0 ja β PNS-etmaattort. Etmaattorede b 0 ja b arvot aadaa llä määrättä ototuuluvuta:.88 b = r = = b = b = = Etmodu PNS-uora htälök aadaa te = (b) Etmodu mall ovtteet ˆ ja reduaalt e aadaa euraavlla kaavolla: Sovtteet: Reduaalt: ˆ = b + b, =,,, 0 e = ˆ, =,,, Sovtteet ja reduaalt o aettu alla olevaa Ecel-taulukoa. Ilkka Mell (006) 7/7

18 Mat-.60 Sovellettu todeäkölaketa B. harjotuket (c) Mall jääövara σ harhattoma etmaattor arvok aadaa = SSE =.545 = joa SSE = e =.545 = o etmodu mall reduaale vahtelua kuvaava jääöelöumma. (d) Etmodu mall eltate R vodaa lakea uealla er tavalla. Olkoot etmodu mall ovtteet ˆ = b + b, =,,, ja reduaalt 0 e = ˆ, =,,, Seltettävä muuttuja havattuje arvoje vahtelua kuvaava kokoaelöumma o ( ) = = = 8 SST = ( ) = = = = 56 Etmodu mall reduaale vahtelua kuvaava jääöelöumma o SSE = e =.545 = Etmodu mall elttämää ouutta eltettävä muuttuja havattuje arvoje vahteluta kuvaava mallelöumma o = ( ) SSM = ˆ = SST SSE = = Seltate R o (k. alla olevaa Ecel-taulukkoa) SSE SSM R = SST = SST = 56 = 56 = Yhde elttäjä leaare regreomall tapaukea (koka malla ol mukaa vako) pätee mö R = r = = Ilkka Mell (006) 8/8

19 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Kakk tehtävä lakutomtuket o teht Mcrooft Ecel ohjelmalla; k. alla olevaa taulukkoa. hat re re Summa Mea() = 7 = = 4.34 Mea() = 5 = 8 =.88 = r = b = b 0 = SST = 56 SSE =.545 SSM = R = := - SSE /SST R = := SSM /SST R = := r = 0.44 = 0.65 t (b )=.5 (/)*l-väl ptuu = 0.39 (l-taolla 0.95) Ilkka Mell (006) 9/9

20 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.. Jatkoa tehtävälle.. Prrä tehtävää.. etmotu regreouora havatoja (, ), =,,, ettävää ptedagramm. Merkte kuvoo ovtteta vataavat pteet (, ˆ ), =,,, Prrä amaa kuvoo mö reduaaleja kuvaavat jaat. Tehtävä.. Mtä opmme? Tehtävää havaolltetaa etmodu PNS-uora prtämtä havatoaetoa kuvaavaa ptedgramm ekä etmodu mall reduaaleja. Tehtävä.. Ratkau: Ao. kuvo o tuotettu Statt-ohjelmalla: 0 X v Y 7.5 Y X Ilkka Mell (006) 0/0

21 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.3. Jatkoa tehtävälle.. (a) Tetaa tehtävä.. regreomall kerrota β kokevaa ollahpoteea H 0 : β = 0 Kätä kakuutata vahtoehtota hpoteea ja 5 %: merktevtaoa. (b) Muodota kertomelle β 95%: luottamuväl. Tehtävä.3. Mtä opmme? Tehtävää tarkatellaa tlatollta päättelä hde elttäjä leaarea regreomalla. Tehtävä.3. Ratkau: Kakk tehtävä lakutomtuket o teht Mcrooft Ecel -ohjelmalla; k. Ecel-taulukkoa tehtävä.. ratkau lopua. (a) t-tetuure ollahpoteelle H 0 : β = 0 o muotoa b t = / joa b o regreokertome β PNS-etmaattor, o mall jääövara σ harhato etmaattor ja o muuttuja havattuje arvoje otovara. Jo ollahpotee H 0 pätee, tetuure t o jakautuut Studet t-jakauma mukaa vapauate ( ): t t( ) Tehtävä tapaukea: t b = = = / 0.65/ ja tetuuree jakauma vapauateet ovat.5 df = = 6 5 %: merktevtaoa vataavk krttk arvok t 0.05 ja +t 0.05 aadaa Studet t-jakauma taulukota -uutae vahtoehtoe hpotee tapaukea (df = = 6): t 0.05 =.447 +t 0.05 = Ilkka Mell (006) /

22 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Koka t =.5 > ollahpotee H 0 hlätää. (b) Regreokertome β luottamuväl luottamutaolla ( α) o muotoa b± t α / joa b o regreokertome β PNS-etmaattor, o mall jääövara σ harhato etmaattor, o muuttuja havattuje arvoje otovara ekä t α/ ja + t α/ ovat luottamutaoo ( α) lttvät luottamukertomet Studet t-jakaumata, joka vapauatede luku o ( ). Luottamutaoa 0.95 vataavk luottamukertomk t 0.05 ja +t 0.05 aadaa Studet t-jakauma taulukota (df = = 6): t 0.05 =.447 +t 0.05 = Ste luottamuvälk aadaa 0.65 b± tα / = ± = ± 0.39 = (0.497, 0.775) Huomautu: Luottamutaoo 95 % lttvät luottamukertomet t 0.05 ja +t 0.05 ovat amat ku (a)- kohda kakuutae tet krttet rajat. Ilkka Mell (006) /

23 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.4. Meetme opoa aattaa vakuttaa vatavalmtuee alkupalkkaa. Aaa tutktt eräää USA: loptoa pommalla vatavalmtuede joukota kkertae atuaoto, joka koko ol 5. Otokee pomtulta opkeljolta ktt hedä arvoaaptedeä kekarvoa (muuttuja ) ja alkupalkkaa (muuttuja ; kkköä 000 $). Otota kuvaavat perutuuluvut olvat: = 3.04 = 8.05 = = 5.8 (a) (b) (c) (d) r = Määrää regreokertome etmaatt leaareta regreomallta = β 0 + β + ε, =,,, joa alkupalkkaa eltetää arvoaaptede kekarvolla. Määrää regreokertome etmaatt leaareta regreomallta = α 0 + α + δ, =,,, joa arvoaaptede kekarvoa eltetää alkupalkalla (. kääteregreo). Määrää etmotuje regreomalle eltateet. Määrää kohda (a) ja (b) etmotuje regreouore lekkaupte. Vertaa tulota - ja -havatoarvoje artmeett kekarvoh. Oko tulo attuma? Tehtävä.4. Mtä opmme? Tehtävää tarkatellaa kakulottee ormaaljakauma regreofuktode etmota. Tehtävä.4. Ratkau: Otota kuvaavat perutuuluvut olvat: = 3.04 = 8.05 = = 5.8 r = Ilkka Mell (006) 3/3

24 Mat-.60 Sovellettu todeäkölaketa B. harjotuket (a) Mall = β0 + β + ε, =,,, regreokertome β 0 ja β PNS-etmaatek aadaa 5.8 b = r = = b = b = = (b) Mall = α0 + α + δ, =,,, regreokertome α 0 ja α PNS-etmaatek aadaa a = r = = a = a = =.45 0 (c) Koka kohte (a) ja (b) regreomallt ovat hde elttäjä leaara regreomalleja, molemmlle regreomallelle pätee: R = r XY = = 0.79 Huomaa, että r XY = b a = = 0.79 (e) Ko. regreouorat lekkaavat aa (artmeettte kekarvoje määräämää) havatoarvoje paopteeä, jo uora o mukaa vakoterm. Ste uore lekkaupte o (, ) = (3.04,8.05) Ilkka Mell (006) 4/4

25 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.5. Muuttuje ja havatut arvot ovat: (a) (b) Määrää tavaomae hde elttäjä leaare regreomall = β0 + β + ε, ε N(0, σ ), =,,, regreokertome β 0 ja β pemmä elöumma (PNS-) etmaatt. Määrää etmodu mall ovtteet ja reduaalt. (c) Määrää etmodu mall jääövara σ harhato etmaatt. (d) Määrää etmodu mall eltate. Tehtävä.5. Mtä opmme? Tehtävää tarkatellaa hde elttäjä leaare regreomall etmota. Tehtävä.5. Ratkau: Kakk tehtävä lakutomtuket o teht Mcrooft Ecel -ohjelmalla; k. Ecel-taulukkoa ratkau lopua. (a) Yhde elttäjä leaare regreomall = β 0 + β + ε regreokertome α ja β PNS-etmaatt aadaa laketuk euraavaa etettävällä tavalla. Määrätää e muuttuje ja havattuje arvoje ummat, elöummat ja tuloumma: = = = = = = 4 = 35 = 30 = 59 = 37 Muuttuje ja havattuje arvoje artmeettet kekarvot ja, otovarat ja, otokekhajoat ja, otokovara ja otokorrelaato r aadaa muuttuje ja havattuje arvoje ummta, elöummta ja tuloummata: Ilkka Mell (006) 5/5

26 Mat-.60 Sovellettu todeäkölaketa B. harjotuket = = 4 = 6 7 = = = 35 = 5 7 = = = 30 4 =.333 = = 7 7 = = = 4 = = 7 7 = =.333 = = = 4 = 3.74 = = = = = = r = = = Etmodu PNS-uora htälö o muotoa = b 0 + b joa b 0 ja b ovat mall regreokertome β 0 ja β PNS-etmaattort. Etmaattorede b 0 ja b arvot aadaa llä määrättä ototuuluvuta: 3.74 b = r = = b = b = =.44 0 Etmodu PNS-uora htälök aadaa te = (b) Etmodu mall ovtteet ˆ ja reduaalt e aadaa euraavlla kaavolla: Sovtteet: Reduaalt: ˆ = b + b, =,,, 0 e = ˆ, =,,, Sovtteet ja reduaalt o aettu alla olevaa Ecel-taulukoa. Ilkka Mell (006) 6/6

27 Mat-.60 Sovellettu todeäkölaketa B. harjotuket (c) Mall jääövara σ harhattoma etmaattor arvok aadaa = SSE = 5.63 =.6 7 joa SSE = e = 5.63 = o etmodu mall reduaale vahtelua kuvaava jääöelöumma. (d) Etmodu mall eltate R vodaa lakea uealla er tavalla. Olkoot etmodu mall ovtteet ˆ = b + b, =,,, ja reduaalt 0 e = ˆ, =,,, Seltettävä muuttuja havattuje arvoje vahtelua kuvaava kokoaelöumma o ( ) = = = 7 SST = ( ) = = = = 84 Etmodu mall reduaale vahtelua kuvaava jääöelöumma o SSE = e = 5.63 = Etmodu mall elttämää ouutta eltettävä muuttuja havattuje arvoje vahteluta kuvaava mallelöumma o = ( ) SSM = ˆ = SST SSE = = Seltate R o (k. alla olevaa Ecel-taulukkoa) SSE SSM R = SST = SST = 84 = 84 = Yhde elttäjä leaare regreomall tapaukea (koka malla ol mukaa vako) pätee mö R = r = ( 0.965) = Ilkka Mell (006) 7/7

28 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Kakk tehtävä lakutomtuket o teht Mcrooft Ecel ohjelmalla; k. alla olevaa taulukkoa. hat re re Summa E Lakutomtuket Ecel taulukkolaketaomauuke avulla: Mea() = 6 = = = Mea() = 5 = 4 = r = b = Std Error(b ) = t(b ) = b 0 =.448 p-value = =.647 = SST = 84 SSE = SSM = R = r = alpha = 0.99 alpha/ = df = 5 t(alpha/) = lb(b) = ub(b) = Ilkka Mell (006) 8/8

29 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Lakutomtuket Ecel Data Aal Tool -tökaluje avulla: Decrptce Stattc -tökalu: Mea 6 Mea 5 Std Error.748 Std Error.444 Std Dev Std Dev Var Var 4 Correlato -tökalu: Regreo -tökalu: SUMMARY OUTPUT Regreo Stattc Multple R R Square Std Error Cout 7 ANOVA df SS MS F p-value Regreo Redual Total 6 84 Coeff Std Error t Stat p-value Lower 95% Upper 95% Lower 99% Upper 99% Itercept E RESIDUAL OUTPUT Ob Pred Re Ilkka Mell (006) 9/9

30 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.6. Jatkoa tehtävälle.5. Prrä tehtävää.5. etmotu regreouora havatoja (, ), =,,, ettävää ptedagramm. Merkte kuvoo ovtteta vataavat pteet (, ˆ ), =,,, Prrä amaa kuvoo mö reduaaleja kuvaavat jaat. Tehtävä.6. Mtä opmme? Tehtävää havaolltetaa etmodu PNS-uora prtämtä havatoaetoa kuvaavaa ptedgramm ekä etmodu mall reduaaleja. Tehtävä.6. Ratkau: Ao. kuvo o tuotettu Statt-ohjelmalla ja he o lätt Word prtotökaluja kättäe reduaaleja kuvaavta jaota e kolme, jotka o mahdollta erottaa kuvota (eljä havatoptetä o lähellä regreouoraa, että tä vataavat reduaalt ovat la peä erottuakee kuvota): 0 Scatter Plot of Y v X 8 6 Y X Ilkka Mell (006) 30/30

31 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.7. Jatkoa tehtävälle.5. (a) Tetaa tehtävä.5. regreomall kerrota β kokevaa ollahpoteea H 0 : β = 0 Kätä kakuutata vahtoehtota hpoteea ja %: merktevtaoa. (b) Muodota kertomelle β 99%: luottamuväl. Tehtävä.7. Mtä opmme? Tehtävää tarkatellaa tlatollta päättelä hde elttäjä leaarea regreomalla. Tehtävä.7. Ratkau: Kakk tehtävä lakutomtuket o teht Mcrooft Ecel -ohjelmalla; k. Ecel-taulukkoa tehtävä.5. ratkau lopua. (a) t-tetuure ollahpoteelle H 0 : β = 0 o muotoa b t = / joa b o regreokertome β PNS-etmaattor, o mall jääövara σ harhato etmaattor ja o muuttuja havattuje arvoje otovara. Jo ollahpotee H 0 pätee, tetuure t o jakautuut Studet t-jakauma mukaa vapauate ( ): t t( ) Tehtävä tapaukea: t b.074 = = = /.06/ ja tetuuree jakauma vapauateet ovat 8.34 df = = 5 %: merktevtaoa vataavk krttk arvok t ja +t aadaa Studet t-jakauma taulukota -uutae vahtoehtoe hpotee tapaukea (df = = 5): t = t 0.05 = Ilkka Mell (006) 3/3

32 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Koka t = 8.34 < 4.03 ollahpotee H 0 hlätää. (b) Regreokertome β luottamuväl luottamutaolla ( α) o muotoa b ± t α / joa b o regreokertome β PNS-etmaattor, o mall jääövara σ harhato etmaattor, o muuttuja havattuje arvoje otovara ekä t α/ ja + t α/ ovat luottamutaoo ( α) lttvät luottamukertomet Studet t-jakaumata, joka vapauatede luku o ( ). Luottamutaoa 0.99 vataavk luottamukertomk t ja +t aadaa Studet t-jakauma taulukota (df = = 5): t = t 0.05 = Ste luottamuvälk aadaa.06 b ± tα / =.074 ± =.074 ± 0.59 = (.593, 0.555) Huomautu: Luottamutaoo 99 % lttvät luottamukertomet t ja +t ovat amat ku (a)- kohda kakuutae tet krttet rajat. Ilkka Mell (006) 3/3

33 Mat-.60 Sovellettu todeäkölaketa B. harjotuket Tehtävä.8. Olkoo 5= muuttuja (etmodu) regreouora htälö muuttuja uhtee 4 = 9+ ja muuttuja (etmodu) regreouora htälö muuttuja uhteea. (a) Määrää muuttuje ja artmeettet kekarvot. (b) Määrää muuttuje ja väle korrelaato. (c) Määrää molempe malle eltateet. Tehtävä.8. Mtä opmme? Tehtävää ähdää, että muuttuja regreouora htälö muuttuja uhtee ja muuttuja regreouora htälö muuttuja uhtee hdeä ältävät tedo ekä muuttuje ja artmeettta kekarvota että de väletä korrelaatota ja te mö molempe malle eltateta. Tehtävä.8. Ratkau: Muuttuja PNS-uora htälö muuttuja uhtee o () = r ( ) ja muuttuja PNS-uora htälö muuttuja uhtee o () = r ( ) Ste PNS-uorat lekkaavat aa havatoaeto paopteeä (, ) Edellee htälötä () ja () ähdää, että muuttuje ja havattuje arvoje väle korrelaatokertome elö aadaa uore kulmakertome tuloa: r r = r Läk vodaa oottaa, että molemmlla regreomallella o ama eltate, joka ht muuttuje ja korrelaatokertome elöö: R = r Ilkka Mell (006) 33/33

34 Mat-.60 Sovellettu todeäkölaketa B. harjotuket (a) Suore 9 = ja 4 = 9+ lekkaupte o (, ) = (,) jote muuttuje ja havattuje arvoje artmeettet kekarvot ovat = = (b) Suore 9 59 = ja 9 = Kulmakertome tulo o = = = r Ste muuttuje ja havattuje arvoje korrelaato o r = 0.9 koka korrelaatokertomella ja molempe regreouore kulmakertomlla o aa ama merkk. (c) Molempe regreomalle eltate o R = r = 0.8 Ilkka Mell (006) 34/34

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6 Todeäkölakea ja tlatotetee perukur Emerkkkokoelma 6 Todeäkölakea ja tlatotetee perukur Emerkkkokoelma 6 Aheet: Tlatolle rppuvuu ja korrelaato Yhde elttäjä leaare regreomall Avaaat: Artmeette kekarvo Etmot

Lisätiedot

Ratkaisu: Kaikki tehtävän laskutoimitukset on tehty Microsoft Excel -ohjelmalla; ks. taulukkoa tehtävän lopussa.

Ratkaisu: Kaikki tehtävän laskutoimitukset on tehty Microsoft Excel -ohjelmalla; ks. taulukkoa tehtävän lopussa. Mat-.09 Sovellettu todeäköyylaku. harjotuket Mat-.09 Sovellettu todeäköyylaku. harjotuket / Ratkaut Aheet: Avaaat: Regreoaalyy Etmot, Jääöelöumma, Jääöterm, Jääövara, Kekhajota, Kokoaelöumma, Korrelaato,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 6

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 6 MS-A Todeäkölakea ja tlatotetee perukur Vkko Tlatolle rppuvuu ja korrelaato; Yhde elttäjä leaare regreomall Rppuvuu, korrelaato ja regreoaal Tlatoteteeä kahde muuttuja väle rppuvuu vo olla Ekakta: toe

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

Mat Koesuunnittelu ja tilastolliset mallit Mat-.03 Koeuuttelu tlatollet mallt. harjotuket Mat-.03 Koeuuttelu tlatollet mallt. harjotuket / Ratkaut Aheet: Avaaat: Tlatollte aetoje kuvaame Oto otokaumat Etmot Etmotmeetelmät Väletmot Artmeette kekarvo,

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat: Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,

Lisätiedot

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset: Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tilatollie aali peruteet, kevät 7 6. lueto: Johdatu regreioaalii Regreioaali idea Tavoitteea elittää elitettävä tekiä/muuttua havaittue arvoe vaihtelu elittävie tekiöide/muuttuie havaittue arvoe

Lisätiedot

1. PARAMETRIEN ESTIMOINTI

1. PARAMETRIEN ESTIMOINTI Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue

Lisätiedot

Tilastotieteen jatkokurssi 8. laskuharjoitusten ratkaisuehdotukset (viikot 13 ja 14)

Tilastotieteen jatkokurssi 8. laskuharjoitusten ratkaisuehdotukset (viikot 13 ja 14) Tilatotietee jatkokuri 8. lakuharjoitute ratkaiuehdotuket (viikot 13 ja 14) 1) Perujoukko o aluee A aukkaat ja tutkittavaa omiaiuutea ovat tulot, Tiedämme, että perujouko tulot oudattaa ormaalijakaumaa,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys

Lisätiedot

Mat-2.090 Sovellettu todennäköisyyslasku A

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

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio

Tilastollinen riippuvuus ja korrelaatio Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame

Lisätiedot

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2 HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske

Lisätiedot

Väliestimointi. Väliestimointi. Väliestimointi: Mitä opimme? 2/3. Väliestimointi: Mitä opimme? 1/3. Väliestimointi: Mitä opimme?

Väliestimointi. Väliestimointi. Väliestimointi: Mitä opimme? 2/3. Väliestimointi: Mitä opimme? 1/3. Väliestimointi: Mitä opimme? TKK (c) Ilkka Melli (004) Välietimoiti Todeäköiyyjakaumie parametrie etimoiti Normaalijakauma variai luottamuväli Beroulli-jakauma odotuarvo luottamuväli Johdatu tilatotieteeee Välietimoiti TKK (c) Ilkka

Lisätiedot

12. laskuharjoituskierros, vko 16, ratkaisut

12. laskuharjoituskierros, vko 16, ratkaisut 1. lakuharjoitukierro, vko 16, ratkaiut D1. Muuttujien x ja Y havaitut arvot ovat: x 1 3 4 6 8 9 11 14 Y 1 4 4 5 7 8 9 a) Määrää regreiomallin Y i = α +βx i +ǫ i regreiokertoimien PNS-etimaatit ja piirrä

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat: Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset

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

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan: Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ

Lisätiedot

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 4 Ratkaisuehdotuksia. Tehtäväsarja I

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 4 Ratkaisuehdotuksia. Tehtäväsarja I HY / Matematiikan ja tilatotieteen laito Tilatollinen päättely II, kevät 207 Harjoitu 4 Ratkaiuehdotukia Tehtäväarja I. (Kvantiili-kvantiili kuvion [engl. q q plot] idea.) Olkoon atunnaimuuttujalla X ellainen

Lisätiedot

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä Mat.36 Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora 7.. Suurmma uskottavuude estmotmeetelmä Akasarja,

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

Mat Koesuunnittelu ja tilastolliset mallit Mat-.03 Koeuuittelu ja tilatolliet mallit Mat-.03 Koeuuittelu ja tilatolliet mallit / Ratkaiut Aiheet: Avaiaat: Tilatolliet tetit Tetit uhdeateikolliille muuttujille Tetit laatueroateikolliille muuttujille

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat.36 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus, Perusjoukko,

Lisätiedot

Muuttujien välisten riippuvuuksien analysointi

Muuttujien välisten riippuvuuksien analysointi Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,

Lisätiedot

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa: Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,

Lisätiedot

Testaa onko lämpökäsittelyllä vaikutusta tankojen keskimääräiseen vetolujuuteen.

Testaa onko lämpökäsittelyllä vaikutusta tankojen keskimääräiseen vetolujuuteen. Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset / Ratasut Aheet: Avasaat: Yssuutae varassaals Artmeette esarvo, Bartlett test, Box ja Whser

Lisätiedot

1. välikoe

1. välikoe Jan Loto TA7 Ekonometan johdantok Nm: Opkeljanmeo: välkoe 77 Vataa alla olevn kyymykn ympäömällä okea vahtoehto Kakn tehtävää on neljä vahtoehtoa, jota yk on oken Okeata vataketa aa pteen ja vääätä vataketa

Lisätiedot

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

Kaavakokoelma, testinvalintakaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu. A30A0650 Tlatolle tutmue euteet 6o Tett, tota 8.9.06 / A Taae & Maja Hujala Kaavaooelma, tetvaltaaavot ja jaaumatauluot ltteä. E oma tauluota! La allttu. Tehtävä a Meceee valmtame F auto moottoee etäve

Lisätiedot

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto TKK (c Ila Mell (004 Varassaalyys Varassaalyys: Johdato Johdatus tlastoteteesee Varassaalyys TKK (c Ila Mell (004 Varassaalyys: Mtä opmme? Tarastelemme tässä luvussa seuraavaa ysymystä: Mte tavaomae ahde

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat: MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat-1.361 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.1. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus,

Lisätiedot

Mat Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:

Mat Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat: Mat-.04 Tilatollie aalyyi peruteet. harjoituket Mat-.04 Tilatollie aalyyi peruteet. harjoituket / Tehtävät Aiheet: Avaiaat: Tetit uhdeateikolliille muuttujille Hypoteei, Kahde riippumattoma otoke t-tetit,

Lisätiedot

KUINKA PALJON VAROISTA OSAKKEISIIN? Mika Vaihekoski, professori. Lappeenrannan teknillinen yliopisto

KUINKA PALJON VAROISTA OSAKKEISIIN? Mika Vaihekoski, professori. Lappeenrannan teknillinen yliopisto KUINKA PALJON VAROISTA OSAKKEISIIN? Mika Vaihekoki, proeori Lappeenrannan teknillinen yliopito Näin uuden vuoden alkaea ueat meitä miettivät ijoitualkkuna kootumuta. Yki kekeiitä kyymykitä on päätö eri

Lisätiedot

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

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4 TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli

Yhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli TKK (c) Ilkka Melli (4) Yhde selittää lieaarie regressiomalli Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/24

TKK @ Ilkka Mellin (2008) 1/24 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä

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

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.090 Sovellettu todeäkösyyslasku A Nordlud Harotus (vko 49/003) (Ahe: Tlastollsa testeä, regressoaalyysä Lae luvut 5.5, 6) HUOM! Laskarede palautukse takaraa o pokkeuksellsest

Lisätiedot

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat.36 Tlastolle päättely 3. Pste estmot Tlastolle päättely 3. Pste estmot 3.. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste estmot, Pstetodeäkösyysfukto,

Lisätiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka

Lisätiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

Suoran sovittaminen pistejoukkoon

Suoran sovittaminen pistejoukkoon Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja

Lisätiedot

Kaksisuuntainen varianssianalyysi. Heliövaara 1

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

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2007) 1 Yleinen lineaarinen malli >> Usean selittäjän lineaarinen regressiomalli

Lisätiedot

Kaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1

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

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tilastolliset menetelmät: Lineaarinen regressioanalyysi Tlastollset meetelmät Leaare regressoaals Tlastollset meetelmät: Leaare regressoaals 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaals 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0) Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,

Lisätiedot

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat-1.361 Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen

Lisätiedot

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme? TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet

Lisätiedot

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat 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

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia. HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla

Lisätiedot

X 2 = k 21X 1 + U 2 s + k 02 + k 12. (s + k 02 + k 12 )U 1 + k 12 U 2. s 2 + (k 01 + k 21 + k 02 + k 12 ) s + k

X 2 = k 21X 1 + U 2 s + k 02 + k 12. (s + k 02 + k 12 )U 1 + k 12 U 2. s 2 + (k 01 + k 21 + k 02 + k 12 ) s + k Aalto-yliopiton Perutieteiden korkeakoulu Matematiikan ja yteemianalyyin laito Mat-49 Syteemien Identifiointi 0 harjoituken ratkaiut äytetään enin iirtofunktiomalli Tehdään Laplace-muunno: ẋ k 0 k x +

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla

Lisätiedot

A130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala

A130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala A30A0650-K Tlatolle tutmue euteet 6 o Tett 0.5.06 / A Taae & Maja Hujala Kaavaooelma, tetvaltaaavot ja jaaumatauluot ltteä. E oma tauluota! La allttu. Tehtävä a Koeaja o hvättävä alhajalta aatu tavaaeä,

Lisätiedot

Johdatus regressioanalyysiin. Heliövaara 1

Johdatus regressioanalyysiin. Heliövaara 1 Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen

Lisätiedot

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

RATKAISUT: 17. Tasavirtapiirit

RATKAISUT: 17. Tasavirtapiirit Phyica 9. paino 1(6) ATKAST 17. Taavirtapiirit ATKAST: 17. Taavirtapiirit 17.1 a) Napajännite on laitteen navoita mitattu jännite. b) Lähdejännite on kuormittamattoman pariton napajännite. c) Jännitehäviö

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet

Lisätiedot

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

Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

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

Lisätiedot

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

Turingin kone on kuin äärellinen automaatti, jolla on käytössään 4 TUINGIN KONEET Ala Turg 1935 36 auha Koe vo srtää auha: T U I N G auhapää: ohjausykskkö: Turg koe o ku äärelle automaatt, jolla o käytössää auhapäätä vasemmalle ta okealle; se vo myös lukea ta krjottaa

Lisätiedot

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1 Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,

Lisätiedot

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3 LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi

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

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4 MS-A Todeäkösyyslaskea ja tlastotetee peruskurss Vkko Tlastollste aestoje kerääme ja mttaame; tlastollste aestoje kuvaame; Otokset ja otosjakaumat; Estmot; Estmotmeetelmät; Vällestmot Mtä tlastotede o?

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

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

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

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat: Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Estmot Estmotmeetelmät Välestmot Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, Estmaatt, Estmaattor,

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7. Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot Ilkka Mell 5 Tlastollset

Lisätiedot

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

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

Lisätiedot

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

Kertausosa. 2. Kuvaan merkityt kulmat ovat samankohtaisia kulmia. Koska suorat s ja t ovat yhdensuuntaisia, kulmat ovat yhtä suuria.

Kertausosa. 2. Kuvaan merkityt kulmat ovat samankohtaisia kulmia. Koska suorat s ja t ovat yhdensuuntaisia, kulmat ovat yhtä suuria. 5. Veitoken tilavuu on V,00 m 1,00 m,00 m 6,00 m. Pienoimallin tilavuu on 1 V malli 6,00 m 0,06m. 100 Mittakaava k aadaan tälötä. 0,06 1 k 6,00 100 1 k 0,1544... 100 Mitat ovat. 1,00m 0,408...m 100 0,41

Lisätiedot

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

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

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.04 Tlastollsen analyysn perusteet, evät 007. luento: Johdatus varanssanalyysn S ysteemanalyysn Laboratoro Ka Vrtanen Kertaus: ahden rppumattoman otosen t-test () () Perusjouo oostuu ahdesta ryhmästä

Lisätiedot

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman 4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten

Lisätiedot

Suorien ja tasojen geometriaa Suorien ja tasojen yhtälöt

Suorien ja tasojen geometriaa Suorien ja tasojen yhtälöt 6. Suorien tasojen geometriaa 6.1. Suorien tasojen yhtälöt 55. Osoita, että yhtälöt x = 3 + τ y = 1 3τ esittävät samaa tason suoraa. Yhteinen piste 1,5) suunta i 3j. x = 1 6τ y = 5 + 9τ 56. Määritä suoran

Lisätiedot

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla

Lisätiedot

10 Suoran vektorimuotoinen yhtälö

10 Suoran vektorimuotoinen yhtälö 10 Suran vektrimutinen htälö J aluki tarkatellaan -tan kuuluvaa, rign kautta kulkevaa uraa, niin ura n täin määrätt, mikäli tunnetaan en uunta. Tavallieti tämä annetaan uuntakulman tangentin = kulmakertimen

Lisätiedot

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

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

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,

Lisätiedot

Telecommunication engineering I A Exercise 3

Telecommunication engineering I A Exercise 3 Teleouao egeerg I 5359A xere 3 Proble elaodulaaor lohkokaavo o eey oppkrja kuvaa 3.63. Pulodulaaor ääuloa o aoagaal ja reeregaal erou d. Tää gaal kerroaa pulgeeraaor gaallla rajouke, el erouke erk elväe,

Lisätiedot

2. Teoriaharjoitukset

2. Teoriaharjoitukset 2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien

Lisätiedot