3. Jakaumien parametrien estimointi
|
|
- Martti Kokkonen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 53 / Jakaumie parametrie estimoiti Edellisessä kappaleessa johdettii optimaalisia luokittelijoita, ku priorit ja posteriorit tuettii. Useimmissa tapauksissa äitä todeäköisyyksiä ei tueta, vaa algoritmie suuittelija käytössä o vai joukko dataa. Yksi lähestymistapa o tällöi käyttää dataäytteitä tutemattomie todeäköisyyksie ja jakaumie estimoimiseksi, ja se jälkee soveltaa aiemmi esitettyjä kaavoja ikääkui estimaatit olisivat todellisia. Estimaatit eivät luoollisestikaa ole tarkkoja, jote tämä aiheuttaa epäoptimaalisuutta luokittelijaa. Prioritodeäköisyyksie estimoiti (arvioimie) o yleesä suoraviivaista, mutta ehdolliste jakaumie estimoitia vaikeuttaa käytäössä vähäie data määrä. Ogelmaa lievetää huomattavasti mikäli jakaumie muoto tuetaa tai aiaki voidaa olettaa että tietty jakaumatyyppi kuvaa hyvi data rakeetta. Tällöi riittää jakaumie parametrie estimoiti. Esimerkiksi, mikäli ormaalijakauma äyttäisi mallitava aieisto jakaumaa hyvi, riittää laskea otoskeskiarvo ja otoskovariassimatriisi luokittai. Parametri estimoiti o klassie tilastomatemaattie ogelma ja siihe o kehitetty rusaasti meetelmiä. Tarkastelemme esimerki vuoksi paljo käytettyä suurimma uskottavuude meetelmää (maximum likelihood estimate, MLE). Lopuksi tarkastelemme ei-parametrisia estimoitimeetelmiä. Lyhyesti: MLE olettaa parametrie oleva kiiteät mutta tutemattomat, ja pyrkii löytämää iille sellaiset lukuarvot että iide kiiittämie jakaumie valossa havaitu data esiitymistodeäköisyys o suuri. Esimerkiksi Bayesi meetelmä parametrie estimoitii o seuraava: Bayesi meetelmä olettaa data jakaumaparametrit jotai arveltua priorijakaumaa oudattaviksi satuaismuuttujiksi, ja pyrkii estimoimaa data avulla tarkemmi ämä jakaumat laskemalla posteriorijakaumat. Lisättäessä data määrää posteriorijakaumie muodot terävöityvät kertoe tarkemmi satuaismuuttujie kuvaamie parametrie todelliset arvot (Bayesilaie oppimie, Bayesia learig). Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
2 54 / Suurimma uskottavuude meetelmä Jaetaa data luokkii D,...,D c, joide äytteet x o poimittu toisistaa riippumattomasti oudattae luokkaehdollisia jakaumia p( x ω j ). Näytteet ovat tällöi riippumattomia ja idettisesti jakautueita satuaismuuttujia (idepedet ad idetically distributed radom variables, i.i.d.). Oletetaa jakaumie parametriset muodot tuetuiksi, jolloi parametrivektori määrä yksikäsitteisesti jakauma p( x ω j ). Esimerkiksi ormaalijakauma tapauksesssa p( x ω j ) N( m, Σ), jolloi θ j. Jakauma riippuvuus se parametreista voidaa esittää suoraa sisällyttämällä parametrivektori tiheysfuktiomerkitää: p( x ω j, θ j ). Ogelma o yt siis seuraava: käytä data sisältämä iformaatio löytääksesi hyvät estimaatit parametreille θ,, θ c. Yksikertaistetaa ogelma käsittelyä olettamalla, että luoka D i äytteet eivät sisällä iformaatiota parametrivektorista θ j ku i j, eli eri luokkie parametrit ovat toisistaa fuktioaalisesti riippumattomia. Tällöi jokaie luokka voidaa käsitellä muista riippumattomasti. Ogelma voidaa yt ilmaista yksikertaisemmi: Käyttäe hyväksi todeäköisyystiheysjakauma p( x θ) mukaisesti riippumattomasti poimittuje dataäytteide joukkoa D, estimoi tutemato parametrivektori θ. Sisältäköö datajoukko D äytteet x,...,x. Koska äytteet ovat toisistaa riippumattomia, saadaa θ : uskottavuusfuktioksi (likelihood fuctio) suhteessa äytteisii: ( m, Σ) t Suurimma uskottavuude estimaatti o määritelmä mukaa se θ : arvo θˆ, joka maksimoi tämä fuktio. Ituitiivisesti tulkite, parametri θˆ kiiittämä jakauma selittää havaitu data uskottavimmi. θ j p( D θ) p( x k θ) Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
3 55 / 99 Allaoleva esimerkkikuva havaiollistaa MLE-estimaati löytämistä: Usei uskottavuusfuktio aalyyttise käsittely helpottamiseksi käytetää se logaritmia (log-likelihood fuctio). Logaritmifuktio kasvaa mootoisesti, jote se maksimikohta yhtyy alkuperäise uskottavuusfuktio maksimikohtaa. Maksimikohta löydetää differetiaalilaskealla, kuha fuktiot ovat hyvikäyttäytyviä ja differetoituvia. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
4 56 / 99 Olkoo θ ( θ,, θ p ) t ja θ gradiettioperaattori: Märitellää log-likelihood-fuktio: θ θ. θ p l( θ) l p( D θ) MLE-ratkaisu voidaa yt kirjoittaa muotoo: θˆ arg max l( θ) θ Nyt saadaa: l( θ) l p( x k θ) θ l θ l p( x k θ) Riittävät ehdot parametrivektori θ estimoimiseksi saadaa p:stä yhtälöstä: θ l 0 Ratkaisu θˆ saattaa esittää globaalia tai paikallista maksimia tai miimiä tai harvemmi kääepisteitä. Mikäli ratkaisuja o useita, toise derivaata avulla selvitetää kuki ratkaisu osalta oko kyseessä maksimi vai miimi. Sijoittamalla uskottavuusfuktioo selvitetää mikä iistä o globaali maksimi. Ratkaisemise yhteydessä lausekkeessa merkitää θ θˆ, ja ratkaistaa θˆ. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
5 57 / 99 Allaoleva piirros havaiollistaa useide ratkaisuje mahdollisuutta, ku uskottavuusfuktio o moimutkaie. l(theta) theta 3... Gaussi jakauma: tutemato odotusarvo m Tarkastellaa moimuuttujaista ormaalijakaumaa ja se äytteitä x k : l( θ) l p( D θ) l p( D m) l p( x k m) -- ( x 2 k m) Σ ( x k m) l e ( 2π) Σ 2 --l ( 2π) [ Σ ] -- ( x 2 2 k m) Σ ( x k m) Laskemalla osittaisderivaatta estimoitava parametri m suhtee saadaa: θm l l p( D m) θm Σ ( x k mˆ ) 0 mˆ -- x k Eli optimaalie estimaatti o tuttu otoskeskiarvo. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
6 58 / Gaussi jakauma: tutemato odotusarvo m ja kovariassi Σ Tarkastellaa esi yksimuuttujaista tapausta, jossa tulee estimoida kaksi kompoettia sisältävä parametrivektori θ, merkitää θ µ ja θ 2 σ 2. Yhde äytepistee x k tapauksessa saadaa: l( θ) l p( x k θ) -- l 2πθ ( x 2θ k θ ) 2 2 θ l l p( D θ) θ θ l p( x k θ) θ ( x θ k θ ) 2 ( x k θ ) θ 2 Sijoittamalla ämä lausekkeet koko äytejouko sisältämää osittaisderivaata lausekkeesee ja merkitsemällä lausekkeet ollaksi saadaa: x k θˆ θˆ ( x k θˆ ) θˆ 2 2 θˆ 2 0 Ratkaisemalla yhtälöpari saadaa lopulta: µˆ -- x k σˆ 2 -- x ( k µˆ ) 2 Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
7 59 / 99 Yleistämällä tulokset moiulotteise muuttuja tapauksee saadaa: mˆ -- x k Σˆ -- x ( k mˆ )( x k mˆ ) t Harhaisuus (bias) ja MLE-estimaatit Variassi MLE-estimaatti o harhaie (biased), koska se odotusarvo ei ole sama kui todellie variassi: E Biasoimato estimaatti variassille olisi otosvariassi: σˆ x ( k µˆ ) 2 Kovariassimatriisille E -- ( x k µˆ ) x ( k µˆ ) 2 --E x ( k µˆ ) σ 2 σ 2 E[( x µ ) 2 ] Σ biasoimato estimaatti o otoskovariassimatriisi: C x ( k mˆ )( x k mˆ ) t Toisaalta, ämä estimaatit ovat asymptoottisesti harhattomia, sillä e saavuttavat todellise variassi/kovariassimatriisi ku otoskoko kasvaa äärettömii. Käytäö sovelluksissa voidaa käyttää molempia määritelmiä. Mikää estimaattori ei ole optimaalie kaikilta osi. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
8 60 / Ei-parametriset meetelmät tiheysfuktioide estimoitii Edellä esiteltii MLE-meetelmä tiheysfuktioide parametrie estimoitii. Käytäössä data jakaumie muotoja ei välttämättä tueta ja oletetut fuktiomuodot saattavat sopia huoosti dataa. Data jakauma voi olla esimerkiksi moihuippuista yksihuippuise Gaussi jakauma sijasta, eikä huippuje lukumäärää tueta. Ei-parametrisiä meetelmiä käytetää ilma jakaumaoletuksia tuottamaa estimaatteja data todellise jakauma tiheysarvoista piireavaruude yksittäisissä pisteissä x. Meetelmät voivat esimerkiksi estimoida luokkaehdollisia tiheysfuktioita p( x ω j ) tai posterioritodeäköisyyksiä P( ω j x) pisteessä x, joka voidaa sitte sijoittaa aiemmi esiteltyihi lausekkeisi todelliste arvoje sijaa. Tarkastellaa aluksi tiheysfuktio estimoii periaatetta yksittäise luoka aieistossa: Todeäköisyys P, että vektori x sijoittuu tiettyy piirreavaruude alueesee R o: P p( x' ) dx' R Todeäköisyys P o siis keskiarvoistettu versio todeäköisyysfuktiosta p(x) ja tätä keskiarvoistettua arvoa p(x) voidaa estimoida estimoimalla arvoa P. Oletetaa, että äytettä x,...,x poimitaa (i.i.d.) tiheysjakauma p(x) mukaisesti. Todeäköisyys P k, että k äistä :stä sijoittuu alueesee R o biomise jakauma mukaisesti: P k P k k ( P) k Koska k: odotusarvo o: E[ k] P, saadaa P E[ k], josta edellee P: estimaatti Pˆ k. Koska biomie jakauma P k o terävähuippuie odotusarvo ympärillä, yllä oleva estimaatti o varsi hyvä, varsiki suurilla : arvoilla ku siis aieistoa o paljo. Alla oleva kuva havaiollistaa biomise jakauma muotoa : eri arvoilla: Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
9 6 / 99 Jos yt oletamme, että p(x) o jatkuva ja alue R ii piei ettei p(x) juurikaa vaihtele se sisällä, voidaa kirjoittaa: P p( x' ) dx' p( x)v R, jossa V o aluee tilavuus. Yhdistämällä ylläolevat kaavat saadaa: P P p( x) Huomaa: Jos V o liia suuri, keskiarvoistus epätarketaa estimaattia; jos V o liia piei, aluee sisää ei juuri osu dataa mikä jällee epätarketaa estimaattia se kasvava variassi vuoksi! Kompromissi sekä keskiarvoistaa että tuottaa variassia estimaattii. Sopiva kompromissi löytämie oki tärkeää sovellukse suuittelussa. k p( x)v k V Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
10 62 / 99 Kaksi usei käytettyä lähestymistapaa tiheysarvoje estimoitii ovat (ämä ovat yksikertaisimmat versiot): Parzei ikkua meetelmä, jossa tilavuus V lasketaa data määrästä tai muutoi arvioidaa sovelluksee sopivaksi, ja ikkua sisää jäävästä data osasta lasketaa suhde k/ k : lähimmä aapuri meetelmä, jossa k lasketaa datasta tai pidetää sovelluksee sopivaa vakioa, ja kasvatetaa tilavuutta V kues ikkua sisää jää k äytepistettä Allaoleva kuva havaiollistaa äitä meetelmiä: Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
11 63 / Ei-parametrie estimoiti: Parzei ikkua meetelmä Aloitetaa yksikertaisesta ja yleistetää sitte. Oletetaa, että alue R o d-ulotteie hyperkuutio. Jos h o hyperkuutio reua pituus, ii tilavuus o. Määritellää ikkuafuktio: V h d ϕ( u) u j 2, j,, d 0 muulloi Kyseessä o siis origoo sijoittuva yksikköhyperkuutio (V). Tästä seuraa että ϕ( ( x x i ) h ) saa arvo, mikäli x i sijoittuu pisteessä x sijaitseva ja tilavuude V omaava hyperkuutio sisää. Hyperkuutio sisää sijoittuvie datapisteide lukumäärä k voidaa yt ilmaista tämä ikkuafuktio avulla: k ϕ x x i h i, ku data kokoaismäärä. Tiheysfuktio estimaatiksi saadaa yt: k p ( x) ϕ x x i V V h i Tämä o varsi yksikertaie iterpoloitifuktio, koska se arvioi tiheysarvo pisteessä x laskemalla kyseise pistee ympärillä sijaitseva hyperkuutio sisää jäävie äytepisteide suhteellise osuude kaikista äytepisteistä. Muutaki ikkuafuktiota ϕ voidaa käyttää parempie iterpoloitiomiaisuuksie saavuttamiseksi, kuha se saa kaikkialla ei-egatiivisia arvoja ja itegroituu ykköseksi. Tällöi tiheysfuktiota estimoidaa äytepisteissä x i sijaitsevie ikkuafuktioide summaa pisteessä x. Seuraavalla sivulla o esitetty ympyräsymmetrisiä Gaussi ikkuafuktioita erisuuruisella keskihajotaparametrilla. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
12 64 / 99 Alla olevassa kuvassa 5 eli data sisältää vai viisi äytepistettä x i, i,2,3,4,5. Näihi pisteisii o sijoitettu ylläoleva kuva ikkuafuktioita, jolloi kulleki kolmelle vaihtoehdolle o saatu tiheysfuktiota aproksimoiva estimaatti kaikille pisteille x. Käytäössä estimaatti täytyy luoollisesti laskea vai luokiteltavie hahmoje piirrevektoreille x ja tietysti opetusdataaki o eemmä kui viisi. Kuvasta ähdää, että ikkuafuktio leveydellä o suuri merkitys hyvä estimaati tuottamisessa. Käytäössä leveysparametri joudutaa kokeilemaa site, että saavutetaa paras luokittelutulos. Seuraavilla sivuilla o lisää esimerkkejä Parzei ikkua käytöstä tiheysfuktio estimoiissa ja päätösalueide määräämisessä. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
13 Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS 65 / 99
14 Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS 66 / 99
15 Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS 67 / 99
16 68 / Ei-parametrie estimoiti: k : lähimmä aapuri meetelmä Luokiteltava hahmo piirrevektori x ympäristöö muodostetaa laajeeva hyperpallo, joka lopulta sulkee sisääsä k lähitä aapuria pisteelle x. Tällöi lasketaa: p ( x) k V, jossa o äytteide kokoaislukumäärä opetusaieistossa ja V muodostuva hyperpallo tilavuus. Suure k voidaa kiiittää sovelluskohtaisesti kokeilemalla tai laskea data määrästä, esimerkiksi. k Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
17 69 / 99 Posterioritodeäköisyyksie P( ω i x) estimoiti o myös suoraviivaista: Poimitaa pistee x ympäriltä k lähitä aapuria kaikki luokat sisältävästä aieistosta, joka koko o. Merkitää että äistä k i sijoittuu luokkaa ω i. Tällöi voidaa kirjoittaa seuraava ilmeie estimaatti yhteistodeäköisyydelle p(x,ω i ): Tästä saadaa estimaatti posteriorille P ( ω i x) p ( x, ω i ) k i V soveltamalla Bayesi kaavaa: eli lasketaa luokkaa ω i sijoittuvie äytteide suhteellie määrä ko. alueessa. P( ω i x) p ( x, ω i ) c j p ( x, ω j ) k --- i k Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
18 70 / Lähimmä aapuri säätö Olkoo { x,, x } joukko esiluokiteltuja (leimattuja) prototyyppejä d-ulotteisessa piirreavaruudessa. Nämä ovat tavallaa luokittime opetusaieisto, joka täytyy jättää muistii luokittelua varte. D Olkoo x' tuistettavaa hahmoa vastaavaa piirrevektoria x lähiä sijaitseva prototyyppivektori. Lähimmä aapuri säätö (earest-eighbor rule) kuuluu: D Päätä ω i jos x' ω i Koska kuki piirreavaruude piste x luokitellaa siihe luokkaa kuuluvaksi, mihi lähi prototyyppivektori kuuluu, jakautuu avaruus prototyyppivektorie määräämii soluihi. Solukkoa kutsutaa Vorooi tessellaatioksi (Vorooi tessellatio), ja soluja Vorooi soluiksi (Vorooi cell): Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
19 7 / 99 Lähimmä aapuri säätö o alioptimaalie, jote se tavallisesti tuottaa Bayesi virhettä suuremma luokitteluvirhee. Mutta mikäli prototyyppijoukko o rajattoma suuri, virhe ei ole koskaa suurempi kui kaksikertaie Bayesi virheesee ähde. Äärellise äytekoo tapaukse aalysoiti o vielä keske, eikä siitä pystytä ykyää vielä paljoa toteamaa ilma yksikertaistavia rajoitteita k: lähimmä aapuri säätö Suoraviivaie laajeus edellisestä päätössääöstä o tarkastella hahmovektori x k:ta lähitä aapuria. Tästä saadaa k: lähimmä aapuri säätö (k-earest eighbor rule): Päätä ω i, jos se luoka prototyyppejä esiityy k-aapurustossa eite. Seuraavassa kuvassa o esimerkki päätössääö soveltamisesta, ku k5. Suuree k valitsemie täytyy tehdä sovelluskohtaisesti esimerkiksi kokeilemalla. Käytäössä usei käytetää arvoa k3. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
20 72 / 99 Tähä päätössäätöö perustuvaa luokittelijaa kutsutaa usei knn-luokittelijaksi. knn o rusaasti käytetty luokittelija. Hyvää puolea o se, että jos aieistoa o rusaasti ja käytetää suurta k: arvoa, luokitteluvirhe lähestyy Bayesi virhettä olle aia korkeitaa kaksikertaie. Haittapuolia maiittakoo, että kaikki aieisto täytyy pitää muistissa luokittelua varte ja laskea hitaus lähimpiä aapureita etsittäessä. Laskea opeuttamiseksi o kehitetty tehokkaita hakualgoritmeja, jotka perustuvat aieisto osittamisee ja tiettyje osioide sivuuttamisee muide äyttäessä lupaavimmilta. Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
21 73 / Etäisyysmetriikoista Mitattaessa kahde vektori välistä etäisyyttä o määriteltävä sopiva metriikka (metrics). Metriikka o fuktio D(a,b), joka tuottaa skalaarise etäisyyde kahde hahmo välille. Jotta suure olisi metriikka, o seuraavie ehtoje täytyttävä: ei-egatiivisuus: refleksiivisyys: symmetrisyys: kolmioepäyhtälö: D( a, b) 0 D( a, b) 0, joss a b D( a, b) D( b, a) D( a, b) + D( b, c) D( a, c) Eräs yleie metriikkaluokka o Mikowski metriikka: d k k D k ( a, b) a i b i i Mikowski-metriikkaa imitetää myös L k -ormiksi. Alla usei esiityviä erikoistapauksia: L -ormi: Mahatta-etäisyys (myös city block): L 2 -ormi: Euklidie etäisyys: L -ormi: D ( a, b) a i b i d i d D 2 ( a, b) ( a i b i ) 2 2 i D ( a, b) max a i b i i Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
22 74 / 99 Hahmoja luoehtivie erilaiste piirteide umeroarvoilla o tyypillisesti erilaiset dyaamiset alueet. Esimerkiksi kala pituus vaihtelee kymmeissä settimetreissä, ku vaikkapa kala suukärje ja silmie välie etäisyys ehkä millimetreissä tai settimetreissä. Mikäli joki piirrevektori kompoetti sisältää huomattavasti laajemma dyamiika kui muut, se pyrkii domioimaa etäisyyslasketaa peittäe allee muide piirteide vaikutukse. Tyypillisesti sovelluksissa kuki piirre ormalisoidaa site, että jokaisella o yhtä suuri paioarvo etäisyyslaskeassa. Usei käytetty ormalisoitimeettely o ollakeskiarvoistaa kuki piirre ja skaalata se keskihajota ykköse suuruiseksi. Tämä tapahtuu seuraavasti:. Käy läpi kuki piirre x i yksitelle: 2. Laske piirrearvoje keskiarvo x i ja keskihajota s i koko äytejouko ylitse (kaikki luokat mukaa, yhteesä äytettä) x i -- x ij j s i x ( ij x i ) 2 j 3. Väheä keskiarvo x i kaikista piirrearvoista: x' ij x ij x i 4. Jaa kuki piirrearvo keskihajoalla s i : x'' ij x' ij s i Oulu yliopisto, Hahmotuistus ja euroverkot (52497S), TS
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotMat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
LisätiedotLIITTEET 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
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
LisätiedotMat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit
Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
Lisätiedot1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi
Lisätiedot1. (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
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotTilastolliset luottamusvälit
Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
LisätiedotParametrien oppiminen
38 Parametrie oppimie Tilastollise malli (Bayes-verkko rakee o kiiitetty, se umeeriste parametrie (ehdolliste todeäköisyyksie arvot pyritää määräämää Oletamme havaitoe oleva täydellisiä; s.o., okaise datapistee
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
Lisätiedot8. 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
LisätiedotTestit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot
TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi
LisätiedotJohda 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
Lisätiedot1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI
1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI Edellä esitelty Bayesiläinen luokittelusääntö ( Bayes Decision Theory ) on optimaalinen tapa suorittaa luokittelu, kun luokkien tnjakaumat tunnetaan Käytännössä tnjakaumia
Lisätiedot1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI
1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI Edellä esitelty Bayesiläinen luokittelusääntö ( Bayes Decision Theory ) on optimaalinen tapa suorittaa luokittelu, kun luokkien tnjakaumat tunnetaan Käytännössä tnjakaumia
LisätiedotSisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.
Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie
LisätiedotTilastolliset menetelmät
Tilastolliset meetelmät tilastolliste meetelmie tarkoitus o: estimoida eliaika- (vikaatumisaika, korjausaika- jakaumie ja -mallie parametreja eliaikakokeide, laitteide käyttökokemustiedo yms. perusteella
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6A
Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi
LisätiedotRATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan
RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
Lisätiedotn = 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%:
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LisätiedotTehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 0, MALLIRATKAISUT Tehtävä. Voidaako seuraavat luvut esittää kahde eliö summia? Jos voidaa, ii kuika moella eri tavalla? (i) = 45 (ii) = 770. Ratkaisu. (i) Jaetaa
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
Lisätiedot1. TILASTOLLINEN HAHMONTUNNISTUS
1. TILASTOLLINEN HAHMONTUNNISTUS Tilastollisissa hahmontunnistusmenetelmissä piirteitä tarkastellaan tilastollisina muuttujina Luokittelussa käytetään hyväksi seuraavia tietoja: luokkien a priori tn:iä,
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
Lisätiedotxe y = ye x e y + xe y y = y e x + e x y xe y y y e x = ye x e y y (xe y e x ) = ye x e y y = yex e y xe y e x = x 3 + x 2 16x + 64 = D(x)
BM20A580 Differetiaalilasketa ja sovellukset Harjoitus 3, Syksy 206. Laske seuraavat itegraalit si(4t + )dt (b) x(x 2 + 00) 000 dx (c) x exp(ix )dx 2. Mitä o y, ku (x ) 2 + y 2 = 2 2, etäpä y? Vastaukset
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 3 1 Lisää iduktiota Jatketaa iduktio tarkastelua esimerki avulla. Yritetää löytää kaava : esimmäise (positiivise) parittoma luvu summalle eli summalle 1 + 3 + 5 + 7 +...
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
Lisätiedot6.1 Riippumattomat satunnaismuuttujat
Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1
Lisätiedot1 Eksponenttifunktion määritelmä
Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
LisätiedotLuku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 7.1 Parametriset jakaumat Tarkastellaa tutematota datalähdettä, joka tuottaa toisistaa stokastisesti riippumattomia ja tiheysfuktio
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
LisätiedotHarjoitukset 1 : Tilastokertaus
31C99904, Capstoe: Ekoometria ja data-aalyysi TA : markku.siikae(a)aalto.fi & tuuli.vahapelto(a)aalto.fi Harjoitukset 1 : Tilastokertaus (Palautus 10.1.2017) Palautellaa mielii hiema tilasto-oppia ja todeäköisyyslasketaa.
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
LisätiedotTestit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot
TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Ssteemiaalsi laboratorio Mat-2.9 Sovellettu todeäköisslasku A Nordlud Harjoitus 6 (vko 43/23) (Aihe: sekamalli, hteisjakaumia, Laiie luvut 6. 6.3, 8. 8.9). Tässä o edellise viiko laskareissa luvattu
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
LisätiedotMat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia
Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,
LisätiedotYhden 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
LisätiedotMatematiikan tukikurssi. Kertausta 1. välikokeeseen. Tehtävät
Matematiika tukikurssi Kertausta. välikokeesee Tehtävät Algebraa Tämä kappale sisältää rusaasti harjoitustehtäviä. Suurimpaa osaa tehtävistä löytyy ratkaisut lopusta. Syyä rusaasee tehtävämäärää o, että
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotKaksiulotteinen 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,
LisätiedotLuento 7 Luotettavuus Koherentit järjestelmät
Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava
LisätiedotFunktioiden estimointi
Fuktioide estimoiti Lasse Holmström Matemaattiste tieteide laitos Oulu yliopisto Kevät 204 0.35 0.3 0.25 0.2 0.5 0. 0.05 0 5 4 3 2 0 2 3 4 5 Sisällys Esimerkkejä fuktio estimoiista. Tiheysfuktio................................2
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot4. Todennäköisyyslaskennan kertausta
Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S-38.45 - Liikeeteoria
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotTodennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.
Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kertauslueto. välikokeesee Algebraa Tämäkertaie kurssimoiste sisältää rusaasti harjoitustehtäviä. Syyä tähä o se, että matematiikkaa oppii parhaite itse tekemällä ja laskemalla.
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotTunnuslukuja 27 III TUNNUSLUKUJA
Tuuslukuja 27 III TUNNUSLUKUJA Tuuslukuja 28 Tuuslukuja käytetää, ku tilastoaieistoa havaiollistetaa tiivistetysti yksittäisillä luvuilla. Tuusluvut lasketaa muuttujie arvoje perusteella ja e kuvaavat
LisätiedotEhdollinen todennäköisyys
Ehdollie todeäköisyys Kerrataa muutama todeäköisyyslaskea laskusäätö. Tapahtuma E komplemettitapahtuma E o "E ei tapahdu". Koska todeäköisyyksie summa o 1, P ( E = 1 P (E. Joskus o helpompi laskea komplemettitapahtuma
Lisätiedot1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1
Epäyhtälötehtävie ratkaisuja. osa, ks. Solmu 2/200. Kahde positiivise luvu harmoie, geometrie, aritmeettie ja kotraharmoie keskiarvo määritellää yhtälöillä H = 2 +, G = uv, A = u + v 2 u v ja C = u2 +
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 11 12
Iversio-ogelmie laskeallie eruskurssi Lueto 11 12 Kevät 2011 1 Lieaarie tilastollie iversio-ogelma Tarkastellaa lieaarista ogelmaa Y = AX + E, missä Y R m, X R ja E R m ovat satuaismuuttujia ja A R m o
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
LisätiedotEstimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku
Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,
LisätiedotOsa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet
Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä
LisätiedotJohdatus 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
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
Lisätiedot2-suuntainen vaihtoehtoinen hypoteesi
Mat-.6 Sovellettu todeäköisyyslasketa. harjoitukset Mat-.6 Sovellettu todeäköisyyslasketa B. harjoitukset / Ratkaisut Aiheet: Tilastolliset testit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, F-jakauma,
LisätiedotAnalyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018
Aalyysi A Harjoitustehtäviä lukuu / kevät 208 Ellei toisi maiita, tehtävissä esiityvät muuttujat ja vakiot ovat mielivaltaisia reaalilukuja.. Aa joki ylä- ja alaraja joukoille { x R x 2 + x 6 ja B = {
LisätiedotKompleksilukujen alkeet
Kompleksilukuje alkeet Samuli Reuae Soja Kouva Kuva 1: Abraham De Moivre (1667-175) Sisältö 1 Kompleksiluvut ja kompleksitaso 1.1 Yhtee- ja väheyslasku...................... 1. Kertolasku ja z = x + yi
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille 0. Testejä järjestysasteikollisille muuttujille. Testejä laatueroasteikollisille
LisätiedotMat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:
Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTILASTOT: johdantoa ja käsitteitä
TILASTOT: johdatoa ja käsitteitä TOD.NÄK JA TILASTOT, MAA10 Tilastotietee tehtävää o esittää ja tulkita tutkimuskohteesee liittyvää havaitoaieistoa eli tilastoaieistoa. Tutkitaa valittua joukkoa ja se
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
LisätiedotSormenjälkimenetelmät
Sormejälkimeetelmät Matti Risteli mristeli@iksula.hut.fi Semiaariesitelmä 23.4.2008 T-106.5800 Satuaisalgoritmit Tietotekiika laitos Tekillie korkeakoulu Tiivistelmä Sormejälkimeetelmät ovat satuaisuutta
LisätiedotInsinöörimatematiikka IA
Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 019 Harjoitus 5B Rataisuehdotusia Tehtäväsarja I 1. (Jatoa Harjoitus 5A tehtävää 4). Moistee esimeri 3.3.3. muaa momettimeetelmä
Lisätiedottilavuudessa dr dk hetkellä t olevien elektronien
Semiklassie johtavuusmalli Metalleissa vastus aiheutuu virrakuljettajie törmäyksistä, joita karakterisoi relaksaatioaika τ Oletetaa, että ifiitesimaalisella aikavälillä dt elektroi törmäystodeäköisyys
Lisätiedot****************************************************************** ****************************************************************** 7 Esim.
8.3. Kombiaatiot MÄÄRITELMÄ 6 Merkitä k, joka luetaa yli k:, tarkoittaa lause- ketta k = k! ( k)! 6 3 2 1 6 Esim. 1 3 3! = = = = 3! ( 3)! 3 2 1 3 2 1 3 2 1 Laskimesta löydät äppäime, jolla kertomia voi
Lisätiedot4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on
4 4 KORKEAAN KERTAUVUN INEAARISET DIFFERENTIAAIYHTÄÖT Kertalukua olevassa differetiaalihtälössä F(x,,,, () ) = 0 esiit :e kertaluvu derivaatta () = d /dx ja mahdollisesti alempia derivaattoja, :tä ja x:ää.
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotViikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi
Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu
Lisätiedot