Laskari 1 P I T U U S
|
|
- Tero Penttilä
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Laskari 1 3. Oletetaan tässä, että muuttujien arvot ovat itse arvioituja. a) Henkilön tietojen arviointi voi olla huomattavan vaikeaa, jollei ole nähnyt häntä pitkään aikaan, joten joku tieto voi jäädä "saamatta". b) On vajaapeittävyyttä, jos esimerkiksi joillain tuntemillasi henkilöillä ei ole puhelinta tai he eivät käytä facebookia tai jotkut tuttusi eivät ole puhelimessasi tai facebook-kavereinasi. c) Tutkimusta (lyhyellä aikavälillä) toistettaessa arviot pysynevät suunnilleen samoina, joten reliabiliteetti lienee varsin hyvä. d) Muuttujat ovat suhteellisen yksinkertaisia, joten siinä mielessä validiteetti lienee kunnossa (eli mitataan siis sitä mitä pitääkin), mutta oma arviointikyky ei välttämättä ole kaikkien muuttujien kohdalla kovin hyvä (eli mittaustarkkuus ei välttämättä ole riittävän hyvä). e) Osa-aineistoihin liittyvää harhaa saattaa esiintyä esimerkiksi seuraavasti: Itseä selkeästi pidemmät henkilöt saattavat saada ylimääräistä pituutta ja vastaavasti itseä selkeästi lyhemmät henkilöt saattavat saada "alimääräistä" pituutta. Painon arvioinnissa saattaa esiintyä "kohteliaisuustekijä" tuttujen suhteen. 4. a) puolue: laatuero, (diskreetti,) diskreetti, kvali b) siv: laatuero, (diskreetti,) diskreetti, kvali c) ikä: suhde, (jatkuva,) jatkuva, kvanti d) vuosi: välimatka, (jatkuva,) diskreetti, kvanti e) väri: laatuero, (jatkuva,) diskreetti, kvali f) matka: suhde, (jatkuva,) jatkuva, kvanti g) kvero: suhde, (diskreetti,) diskreetti, kvanti h) likert: järjestys, (jatkuva,) diskreetti, kvali i) kenkä: välimatka, (jatkuva,) diskreetti, kvanti j) sp: laatuero, (diskreetti,) diskreetti, kvali 5. LUOKKA VARSINAISET KESKUS f F P it u u s j a k a u m a ( lu o k k a v ä li 1 0 c m ) P I T U U S Bonus: a) Lämpötila kelvineinä b) Lämpötila celsiuksina tai fahrenheiteina c) liian kylmä/sopiva/liian kuuma d) hyvä löyly/huono löyly, jossa huono löyly on sekä liian kuuma että liian kylmä löyly 1
2 Laskari 1. moodi, minimi, alakvartiili, mediaani, yläkvartiili, maksimi, summa(x i ), summa(x i ), keskiarvo, keskihajonta, varianssi Sukupuolelle, siviilisäädylle ja hiuksille saa laskea (tai oikeammin määrittää) vain moodin. Muuttujalle koulutus (jos se oletetaan järjestysasteikolliseksi) saa laskea vain moodin ja järjestystunnusluvut. Muille saa laskea kaiken.. HUOM: Laatueroasteikollisen muuttujan luokittelu järjestysasteikolliseksi on epätilastotiedettä! DATA HIUS Luokka 'ei osaa sanoa' jätetään täysin huomiotta järjestystunnuslukuja Väri lkm laskettaessa (n=14). Pylväsdiagrammiin sen voi kuitenkin halutessaan piirtää vaalea 49 joko viimeiseksi tai ensimmäiseksi pylvääksi. tumma 77 Moodi, eli havainto, jota on eniten, on tumma. musta 16 Alakvartiili 14/4+1/=36 -> havainto 36, joka on vaalea. eos 5 Mediaani 14/+1/=71.5 -> havainto 7, joka on tumma. Summa 147 Yläkvartiili 3*14/4+1/=107 -> havainto 107, joka on tumma. Hiusten värien jakauma Vaalea Tumma Musta EOS 3. Viisilukuiset yhteenvedot: Miehet: (166, 174.5, 180, 183, 193), Naiset: (153, 163, 167, 170, 185) P it u u s j a k a u m a t s u k u p u o li t t a i n S P m i e s n a i n e n P i t u u s Miehiä on 68. Havaintonumerot: Q1: 68/4+1/=17.5, Md: 68/+1/=34.5, Q3: 3*68/4+1/=51.5 Naisia on 79. Havaintonumerot: Q1: 79/4+1/=0.5, Md: 79/+1/=40, Q3: 3*79/4+1/=59.75
3 4. Erityishuomio kannattaa kiinnittää viimeisen luokan korkeuteen, joka saadaan jakamalla luokan frekvenssi luokan suhteellisella leveydellä: 11/3= Kuvan perusteella jakauma on vino oikealle. Epätasavälinen ikäjakauma IKÄ Luokitellun aineiston keskiarvo:(3* *4.5+3*34.5+1*44.5+* *74.5)/135= Keskikorko: 6 v.-> (1.05*1.04*1.03*1.0*1.01*1.00) 1/6 = = >.49% 5 v.-> (1.05*1.04*1.03*1.0*1.01) 1/5 = = >.99% Tuotto: = *100000= = = *100000= = Bonus: Paikka: Luokkakeskus: Tarkennettu: Moodi korkein frekvenssi (46-3)/((46-3)+(46-3))*10=7.05 Minimi varsinainen alaraja Alakvartiili 135/4+1/= (135/4-3)/46*10=6.18 Mediaani 135/+1/= (135/-49)/3*10=35.8 Yläkvartiili 3*135/4+1/= (3*135/4-81)/1*10=49.14 Maksimi varsinainen yläraja Ikäjakauma sekä tarkennetuin että luokkakeskusten mukaisin luvuin Tarkka Luokkakeskus Ikä MoMeKa: 7.05<35.8<38.7, eli selkeästi vino oikealle myös tämän säännön perusteella. 3
4 Laskari 3 Pituus Paino Pituus Paino Pituus*Paino a) Pituus: 1400/8=175 s=sqrt((45738-(1400 )/8)/7)= Paino: 595/8= s=sqrt((46659-(595 )/8)/7)= b) Pituus: s.e.=10.678/sqrt(8)= Paino: s.e.= /sqrt(8)= c) Pituus: V=10.678/175= Paino: V= /74.375= a) Miehet: 5309/68= s m =sqrt((43073-(5309 )/68)/67)= Naiset: 4461/67= s n =sqrt(( (4461 )/67)/66)= b) Miehet: = = n=68+1= /69= s m =sqrt(( (5459 )/69)/68)= =1.05 (kilogrammaa) =.866 (kilogrammaa) c) Naiset: = =33009 n=67+1= /68= s n =sqrt((33009-(4611 )/68)/67)= =1.3 (kilogrammaa) =3.36 (kilogrammaa) d) Miehet: Naiset: s.e.= /sqrt(68)= s.e.= /sqrt(69)= s.e.= /sqrt(67)= s.e.= /sqrt(68)= Miehet: V= /78.07= V= /79.1= Naiset: V= /66.58= V= /67.81= e) Miesten keskiarvo on korkeampi ja keskihajonta pienempi. Poikkeava havainto kasvattaa naisten tunnuslukuja enemmän kuin miesten, koska on poikkeavampi havainto naisten joukossa. 4
5 Paino Pituus R (paino) R (pituus) d i d i R (pituus) P Pituus Summa: Summa:.5 3. Järjestystunnuslukujen sijaintipaikat: 8/4+0.5=.5 8/+0.5=4.5 8*3/4+0.5=6.5 paino Q 1 =(59+60)/=59.5 Q =(65+70)/=67.5 Q 3 =(83+90)/=86.5 pituus Q 1 =( )/=167.5Q =( )/=175 Q 3 =(18+183)/=18.5 Painon md=67.5 kilogrammaa Pituuden md=175 senttimetriä. Painon kvartiilipoikkeama Q=( )/=13.5 Pituuden kvartiilipoikkeama Q=( )/=7.5 Spearmanin ρ= 1-(6*17.5/(8 3-8))= (tarvittava taulukko paperin ylälaidassa) R (paino) R (pituus) R (paino) R (pituus) R (paino) *R (pituus) 1 3,5 1 1,5 3, ,5 9 1,5 10, ,5 195 Tarkka arvo, kun on tasapelejä, eli järjestyslukujen Pearsonin korrelaatiokerroin: ρ=(8*195-36*36)/sqrt((8*04-36 )*(8* ))= Kedallin τ a =(**.5)/(8-8)-1= (tarvittava taulukko paperin ylälaidassa) Tarkka arvo, kun on tasapelejä, eli jakaja vaihtuu kombinaatioiden lukumäärän huomioimiseksi: τ a =(*.5)/(sqrt((C(8,)-1)*(C(8,)-0)))-1= C(8,)=(8*7*6*5*4*3**1)/((*1)*(6*5*4*3**1)) on binomikerroin, jota käsitellään todennäköisyyslaskennan/kombinatoriikan yhteydessä kurssin toisella puoliskolla. 5
6 5. havaitut arvot: TEM EM Neu SM TSM SUM EOS (+6)jätetään pois! MIES NAINEN SUM odotetut arvot: 61*40/135= *38/135= *8/135= *17/135= *3/135= *40/135= *38/135= *8/135= *17/135= *3/135= χ =( ) / ( ) / (-3.615) /3.615+( ) /7.681+( ) / ( ) /1.96+( ) /0.830+( ) /4.385+( ) /9.319+( ) /17.541=9.156 tai χ =9 / / / / / / / / / / =9.156 kontingenssikerroin C= sqrt(9.157/( ))=0.41 Cramerin V=sqrt((9.157/135)/(-1))= Teoriassa Cramerin V on parempi, koska luokkia on vähän (alle 5*5), mutta molemmat ovat heikkoja. Bonus) Järjestyskorrelaatiokertoimet antavat tiedon riippuvuuden suunnasta, eli siitä kasvaako vai pieneneekö samanmielisyys, kun sukupuoli vaihtuu. On huomattava, että etumerkillä ei ole kuin riippuvuussuunnan ilmaiseva merkitys. Sukupuolikoodausta vaihdettaessa etumerkkikin vaihtuu! P=9*( )+1*(6+14+6)+*(14+6)+3*(6)=951 Q=11*(1++3+6)+17*(+3+6)+6*(3+6)+14*(6)=677 X t =9*11+1*17+*6+3*14+6*6=886 Y t =9*(1++3+6)+1*(+3+6)+*(3+6)+3*(6)+11*( )+17*(6+14+6)+6*(14+6)+14*(6)=374 n x =40*(40-1)/+38*(38-1)/+8*(8-1)/+17*(17-1)/+3*(3-1)/=143 n y =61*(61-1)/+74*(74-1)/=4531 τ a = ( )*/( )= (Käytetään vain, kun ei tarvitse huomioida tasapelejä.) τ a = ( )/sqrt((( )/-143)*(( )/-4531))= τ b = ( )/(sqrt( )*sqrt( ))= τ c = ( )**/(135 *(-1))= γ= ( )/( )= (Ei huomioi tasapelejä mitenkään!) ρ=(135* *9180)/sqrt((135* )*(135* ))= aineisto TEM EM NEU SM TSM sum M N sum järjestysluvut TEM EM NEU SM TSM SP M N summat TEM EM NEU SM TSM SP M N summa: summat TEM EM NEU SM TSM SP M N summa: tulot TEM EM NEU SM TSM M N summa:
7 Laskari 4 1. Ikä Pituus (x) Paino (y) Pituus Paino Pituus*Paino x=1756/10=175.6 s x =sqrt(( /10)/9)= y =718/10=71.8 s y =sqrt(( /10)/9)= r xy =(10* *718)/sqrt((10* )*(10* ))= a) x =1956/11= s x =sqrt(( /11)/10)= y =758/11= s y =sqrt(( /11)/10)= r xy = (11* *758)/sqrt((11* )*(11* ))= b) x =1906/11= s x =sqrt(( /11)/10)= y =758/11= s y =sqrt(( /11)/10)= r xy =(11* *758)/sqrt((11* )*(11* ))=
8 Paino/pituus 100 Paino Pituus 3. Selitysaste on hyvin herkkä poikkeaville havainnoille: 1) r = a) r = b) r = a) 1. Md=( )/=176.5 a) Md=178 b) Md=175 b) 1 x =175.6 a) x =177.8 b) x =173.3 Mediaanit ovat hieman vakaampia, vaikkakin ero on tässä tapauksessa varsin pieni. c) 1 ρ= 1-(6*54.5/( ))= (tarkka: ) a) ρ= 1-(6*164.5/( ))= (tarkka: ) b) ρ= 1-(6*54.5/( ))= (tarkka: ) d) 1 τ a = 4*33.5/(10-10)-1= (tarkka: ) a) τ a = 4*33.5/(11-11)-1= (tarkka: ) b) τ a = 4*43.5/(11-11)-1= (tarkka: ) e) Järjestyskorrelaatiokertoimet muuttuvat, kun lisätään poikkeava havainto, mutta ovat huomattavasti vakaampia kuin Pearsonin korrelaatiokerroin. 1 r = a) r = b) r = A) B) C) -1 1 D) E) F) l) 1.0 k) c) a) -1.0 g/h) 0 i) G) H) I) J) K) L) f) d) j) b) g/h) 0 e) Bonus: r xy = s xy /(s x* s y ) <=> s xy =r xy* s x * s y 1) s xy = * * = a) s xy = * * = b) s xy = * * =
9 Laskari 5 1. x= 1756/10=175.6 s x = sqrt(( /10)/9)=9.430 y= 718/10=71.8 s y = sqrt(( /10)/9)= r xy = (10* *718)/sqrt((10* )*(10* ))=0.676 b= *11.564/9.430=0.898 a= *175.6= paino= *pituus (musta suora) ennuste: *185= residuaali: = x= 1956/11=177.8 s x = sqrt(( /11)/10)= y= 758/11=68.91 s y = sqrt(( /11)/10)= r= (11* *758)/sqrt((11* )*(11* ))= b= *14.570/11.583= a= *177.8=74.37 paino= *pituus (vihreä suora) ennuste: *185= residuaali: =1.31 x = 1906/11=173.7 s x = sqrt(( /11)/10)= y = 758/11=68.91 s y = sqrt(( /11)/10)= r= (11* *758)/sqrt((11* )*(11* ))= b= *14.570/11.816= a= *173.7= paino= *pituus (punainen suora) ennuste: *185= residuaali: = Diagram of H5T3 100 Paino Pituus Suoran piirtämiseksi tulee valita kaksi pistettä (selittävän muuttujan minimi ja maksimi ovat hyviä). 9
10 . a) b= 0.555* / = a= *17.06= paino= *pituus ennuste: *180=79.56 ennuste: *140=4.96 b) b= 0.555* / = a= *7.9= pituus= *paino ennuste: *60= ennuste: *00=14.66 c) Selitysaste: r =0.555 = Pituudella selitetään painoa 10 Paino Painolla selitetään pituutta 00 Pituus Pituus Paino 3. Selitysaste r = a) Kenkä= *Ikä b) Ikä= *Kenkä c) Tämä tehtävä on raskaasti ylikurssia! Ratkaistaan yhtälöpari: Kenkä= *Ikä Ikä= *Kenkä Kenkä= * *0.637*Kenkä Kenkä=( *10.56)/( *0.637) Kenkä= Ikä= * Ikä= Leikkauspiste on muuttujien keskiarvopiste ja samalla aineiston tasapainopiste: (36.4, 40.5) Ikä/Kenkä 48 Kenkä Ikä 4. a) P(X<157)=P(Z<(157-17)/9)=P(Z< )=1-P(Z<1.6667)=1-Φ(1.6667)= = b) P(X>181)=P(Z>(181-17)/9)=P(Z>1)=1-P(Z<1)=1-Φ(1)= = c) P(167<X<177)=P(X<177)-P(X<167)=P(Z<(177-17)/9)-P(Z<(167-17)/9) =P(Z<0.5556)-P(Z< )=Φ(0.5556)-(1-Φ(0.5556))=*Φ(0.5556)-1= * =0.446 d) P(X=17)=0 e) P(X<x p )=0.75 <=> P(Z<(x p -17)/9))=0.75 <=> Φ((x p -17)/9)=0.75 <=> 0.675=(x p -17)/9 <=> x p =0.675*9+17= f) P(X<x p )=0.5 <=> P(Z<(x p -17)/9))=0.5 <=> Φ((x p -17)/9)=0.5 <=> =(x p -17)/9 <=> x p =-0.675*9+17= Bonus: Mallin yhtälö: Kenkä= *Ikä+0.5*Pituus+0.069*Paino-.69 Selitysaste: r = = Ikä ei ole merkitsevä selittäjä, sillä sen t-testisuureen arvo on n ja n välillä. 10
11 5. a α b β c C χ d i d i i e e ij ε f i F i f ij Φ G γ γ 1 γ vakio [constant] mallin vakio (alfa) suoran kulmakerroin mallin kerroin (beta) [regression coefficent] luokkavälin pituus kontingenssikerroin khi-toiseen -tunnusluku (chi) järjestyslukujen erotus järjestyslukujen erotuksen neliö frekvenssien erotus (Delta) neperin luku odotettu frekvenssi [expected frequence] virhetermi (epsilon) [error] frekvenssi summafrekvenssi / kumulatiivinen fr. solufrekvenssi [cell frequence] normaalijakauman taulukkoarvo (Phi) geometrinen keskiarvo Goodmanin ja Kruskallin gamma (järjestyskorrelaatiokerroin) (Fisherin) vinousmitta [skewness] huipukkuus [kurtosis] H harmoninen keskiarvo H entropia [entropy] H s suhteellinen entropia ij alaindeksejä k poimintaväli k luokkien lukumäärä k sarakkeiden lukumäärä l rivien lukumäärä L i luokan varsinainen alaraja µ odotusarvo (myy) [expected value] n otoskoko [sample size] N perusjoukon koko [population size] p i suhteellinenfr./prosenttifrekvenssi P Pearsonin vinous P oikeiden järjestystenlukumäärä P i summaprosenttifrekvenssi P todennäköisyys [probability] Π tulo (Pii) π pii Q väärien järjestysten lukumäärä Q Q 1 Q Q 3 kvartiilipoikkeama [quartile deviation] alakvartiili [lower quartile] keskikvartiili/mediaani yläkvartiili [upper quartile] r r R R R ρ s s s xy S σ σ Pearsonin (tulomomentti)korrelaatiokerroin selitysaste [coefficent of determination] vaihteluvälin pituus [range] yhteiskorrelaatiokerroin [multiple correlation coefficent] selitysaste Spearmanin rho (järjestyskorrelaatiokerroin) otoskeskihajonta otosvarianssi [sample variance] kovarianssi oikeiden ja väärien järjestysten erotus keskihajonta (sigma) [standard deviation] varianssi [variance] Σ summa (Sigma) τ a,b,c Kendallin tau (järjestyskorrelaatiokerroin) V variaatiokerroin V Cramerin V w vaihteluvälin pituus W vaihteluväli W Kendallin konkordanssi x muuttuja/selittävä muuttuja [variable] X satunnaismuuttuja [random variable] y selitettävä muuttuja [dependent variable] z standardoitu muuttuja _ x keskiarvo [average / mean] Corr korrelaatiokerroin [correlation coefficent] Cov kovarianssi [covariance] IQR kvartiiliväli [interquartile range] MAD absoluuttinen keskipoikkeama Max suurin havainto [maximum] Md mediaani [median] Me mediaani Min pienin havainto [minimum] Mo moodi/tyyppiarvo [mode] R (x) järjestystunnusluku [order statistic] s.e. keskiarvon keskivirhe [standard error] Var varianssi [variance] x i i'nnes havainto [i'th observation] x (i) i'nneksi pienin havainto OO ositettu otanta [stratified sampling] RO ryväsotanta [cluster sampling] SO systemaatinen otanta [systematic s.] YSO yksinkertainen satunnaisotanta [simple random sampling] 11
12 Harjoitus 6 1. a) opinto - kvali, laatuero, diskreetti b) likert - kvali, järjestys, diskreetti c) cooper - kvanti, suhde, jatkuva d) rikos/väestö - kvanti, suhde, jatkuva e) rikokset - kvanti, suhde, diskreetti f) tulot - kvanti, suhde, diskreetti g) reaktio - kvanti, suhde, jatkuva h) pisteet - kvanti, suhde, diskreetti i) ammatti - kvali, laatuero, diskreetti j) radio - kvanti, välimatka, diskreetti (löytyy muitakin perusteltuja vaihtoehtoja) k) oppilaat - kvanti, suhde, diskreetti a) moodi, entropia b) mediaani, kvartiiliväli c) keskiarvo, keskihajonta d) keskiarvo, keskihajonta e) keskiarvo, keskihajonta f) mediaani, kvartiilipoikkeama tai ka,s g) keskiarvo, keskihajonta h) keskiarvo, keskihajonta i) moodi, entropia j) moodi, vaihteluvälinpituus k) keskiarvo, keskihajonta. Pituus Paino Pituus Paino Pituus*Paino = = *59= = =45 17*65= =75 58 = *58= = = *8= = = *80= = = *56= = = *68= = = *7= X =1385/8= s x =(( /8)/7) 0.5 =9.717 Y =540/8=67.5 s y =(( /8)/7) 0.5 =9.914 r xy =(8* *540)/((8* )*(8* )) 0.5 = b=0.9736*9.9139/9.7165= a= *173.15= Yhtälö: Paino=0.9934*Pituus * = PNS-suora 90 PAINO Pistettä (161, 56) koskeva ennuste: * =55.46 ja residuaali: =0.54 Selitysaste: = PITUUS 1
13 4. f i x i f i x i x i f i x i X =1118/14= s=(( /14)/13) 0.5 =9.115 X =( )/(14+1)= s=((( )-( ) /15)/14) 0.5 = Pituus 60 f Pituus 5. Järjestystunnuslukujen sijainnit sekä järjestystunnusluvut, kun käytetään luokkakeskuksia: minimi: alimman luokan varsinainen alaraja => alakvartiili: 15/4+0.5=31.75 => mediaani: 15/+0.5=63 => yläkvartiili: 3*15/4+0.5=94.5 => maksimi: ylimmän luokan varsinainen yläraja => Viisilukuinen yhteenveto on siis: (109.5,164.5,164.5,174.5,199.5) Tarkemmat arvot ovat: (109.5,163.3,169.4,177.0,199.5) Alakvartiili: (15/4-1)/51*10= Mediaani: (15/-1)/51*10= Yläkvartiili: (3*15/4-63)/41*10=177 13
14 Jana-laatikko -diagrammi luokitellusta pituudesta PITUUS Jana-laatikko -diagrammi tarkemmilla arvoilla PITUUS Bonus: pituus Paino R (pituus) R (paino) d i d i R (pituus) P ,5 7 0,5 0,5 7,5 0, ,5 8-0,5 0,5 7,5 summa,5 summa 6,5 Spearmanin ρ=1-6*.5/(8 3-8)= Tarkka arvo, eli Pearsonin korrelaatiokerroin järjestysluvuille: ρ= Kendallin τ a =4*6.5/(8-8)-1= Tarkka arvo: τ a =( )/sqrt((C(8,)-1)*(C(8,)-0))=
Til.yks. x y z
Tehtävien ratkaisuja. a) Tilastoyksiköitä ovat työntekijät: Vatanen, Virtanen, Virtanen ja Voutilainen; muuttujina: ikä, asema, palkka, lasten lkm (ja nimikin voidaan tulkita muuttujaksi, jos niin halutaan)
LisätiedotPylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.
Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 8.8% 8.9%.%.% 9.7%.7% Etelä Länsi Itä Oulu Lappi Ahvenanmaa Länsi Etelä Itä Oulu Lappi Ahvenanmaa Läänien
LisätiedotTil.yks. x y z 1 2 1 20.3 2 2 1 23.5 9 2 1 4.7 10 2 2 6.2 11 2 2 15.6 17 2 2 23.4 18 1 1 12.5 19 1 1 7.8 24 1 1 9.4 25 1 2 28.1 26 1 2-6.2 33 1 2 33.
Tehtävien ratkaisuja. a) Tilastoyksiköitä ovat työntekijät: Vatanen, Virtanen, Virtanen ja Voutilainen; muuttujina: ikä, asema, palkka, lasten lkm (ja nimikin voidaan tulkita muuttujaksi, jos niin halutaan)
LisätiedotMat Tilastollisen analyysin perusteet. Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi Diskreetit muuttujat,
Lisätiedot1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas TEOREETTISISTA JAKAUMISTA Usein johtopäätösten teko helpottuu huomattavasti, jos tarkasteltavan muuttujan perusjoukon jakauma noudattaa
LisätiedotKandidaatintutkielman aineistonhankinta ja analyysi
Kandidaatintutkielman aineistonhankinta ja analyysi Anna-Kaisa Ylitalo M 315, anna-kaisa.ylitalo@jyu.fi Musiikin, taiteen ja kulttuurin tutkimuksen laitos Jyväskylän yliopisto 2018 2 Havaintomatriisi Havaintomatriisi
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas f 332 = 3 Kvartiilit(302, 365, 413) Kvartiilit: missä sijaitsee keskimmäinen 50 % aineistosta? Kvartiilit(302, 365, 413) Keskiarvo (362.2) Keskiarvo
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
LisätiedotKURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!
VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
Lisätiedot1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet
VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas JAKAUMAN MUOTO Vinous, skew (g 1, γ 1 ) Kertoo jakauman symmetrisyydestä Vertailuarvona on nolla, joka vastaa symmetristä jakaumaa (mm. normaalijakauma)
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
Lisätiedot3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää?
Seuraavassa muutamia lisätehtäviä 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15, 4, 0,, 4,
LisätiedotHarjoittele tulkintoja
Harjoittele tulkintoja Syksy 9: KT (55 op) Kvantitatiivisen aineiston keruu ja analyysi SPSS tulosteiden tulkintaa/til Analyysit perustuvat aineistoon: Haavio-Mannila, Elina & Kontula, Osmo (1993): Suomalainen
LisätiedotTilastollisten aineistojen kuvaaminen
Ilkka Mellin Tilastolliset menetelmät Osa 1: Johdanto Tilastollisten aineistojen kuvaaminen TKK (c) Ilkka Mellin (2007) 1 Tilastollisten aineistojen kuvaaminen >> Havaintoarvojen jakauma Tunnusluvut Suhdeasteikollisten
LisätiedotJohdatus tilastotieteeseen Tilastollisten aineistojen kuvaaminen. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Tilastollisten aineistojen kuvaaminen TKK (c) Ilkka Mellin (2005) 1 Tilastollisten aineistojen kuvaaminen Havaintoarvojen jakauma Tunnusluvut Suhdeasteikollisten muuttujien tunnusluvut
LisätiedotHannu mies LTK 180 Johanna nainen HuTK 168 Laura nainen LuTK 173 Jere mies NA 173 Riitta nainen LTK 164
86118P JOHDATUS TILASTOTIETEESEEN Harjoituksen 3 ratkaisut, viikko 5, kevät 19 1. a) Havaintomatriisissa on viisi riviä (eli tilastoyksikköä) ja neljä saraketta (eli muuttujaa). Hannu mies LTK 18 Johanna
LisätiedotKvantitatiiviset tutkimusmenetelmät maantieteessä
Kvantitatiiviset tutkimusmenetelmät maantieteessä Harjoitukset: 2 Muuttujan normaaliuden testaaminen, merkitsevyys tasot ja yhden otoksen testit FT Joni Vainikka, Yliopisto-opettaja, GO218, joni.vainikka@oulu.fi
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas Itse arvioidun terveydentilan ja sukupuolen välinen riippuvuustarkastelu. Jyväskyläläiset 75-vuotiaat miehet ja naiset vuonna 1989.
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
LisätiedotLeikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro
Lisätehtäviä 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15, 4, 0,, 4, 3, 3, 8, 3, 9, 11, 19,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotEsim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4
18.9.2018/1 MTTTP1, luento 18.9.2018 KERTAUSTA Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4 pyöristetyt todelliset luokka- frekvenssi luokkarajat luokkarajat keskus 42 52 41,5
Lisätiedot4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa:
Lisätehtäviä (siis vanhoja tenttikysymyksiä) 1. Erään yrityksen satunnaisesti valittujen työntekijöiden poissaolopäivien määrät olivat vuonna 003: 5, 3, 16, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4, 6, 1, 15,
LisätiedotLisätehtäviä 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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 11. lokakuuta 2007 Antti Rasila () TodB 11. lokakuuta 2007 1 / 15 1 Johdantoa tilastotieteeseen Peruskäsitteitä Tilastollisen kuvailun ja päättelyn menetelmiä
LisätiedotMetsämuuronen: Tilastollisen kuvauksen perusteet ESIPUHE... 4 SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 2. AINEISTO...
Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA...9 1.2 AIHEESEEN PEREHTYMINEN...9 1.3
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas MUITA HAJONNAN TUNNUSLUKUJA Varianssi, variance (s 2, σ 2 ) Keskihajonnan neliö Käyttöä enemmän osana erilaisia menetelmiä (mm. varianssianalyysi),
LisätiedotTUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas
TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3B Tilastolliset datajoukot Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
LisätiedotSISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?
SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?...7 TILASTO...7 TILASTOTIEDE...8 HISTORIAA...9 TILASTOTIETEEN NYKYINEN ASEMA...9 TILASTOLLISTEN MENETELMIEN ROOLIT ERI TYYPPISET AINEISTOT JA ONGELMAT...10
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotHuippu Kertaus Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
8 TILASTOT ALOITA PERUSTEISTA 33A. Keskiarvo on pituuksien summan ja lukumäärän osamäärä, joten A ja III kuuluvat yhteen. Keskihajonta mittaa havaintoarvojen ryhmittymistä keskiarvon ympärille, joten B
LisätiedotTalousmatematiikan perusteet, L2 Kertaus Aiheet
Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-
Lisätiedot1. Nollahypoteesi on, että teksti on kirjoitettu lyhyemmällä murteella. Mahdollisiavaihtoehtojaonvainyksieliettäteksti
Sosiaalitieteiden laitos Tilastotieteen jatkokurssi, kevät 20 7. laskuharjoitusten ratkaisuehdotukset. Nollahypoteesi on, että teksti on kirjoitettu lyhyemmällä murteella. Mahdollisiavaihtoehtojaonvainyksieliettäteksti
Lisätiedot806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ
LisätiedotTUTKIMUSKURSSI I (407040A-02), OSA A), KVANTITATIIVISEN TUTKIMUKSEN PERUSKURSSI, TILASTOLLISET ANALYYSIMENETELMÄT
TUTKIMUSKURSSI I (407040A-02), OSA A), KVANTITATIIVISEN TUTKIMUKSEN PERUSKURSSI, TILASTOLLISET ANALYYSIMENETELMÄT Jouni Peltonen, 2016 jouni.peltonen@oulu.fi ktk331 Jouni Peltonen Miten kurssi suoritetaan,
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi Yksiulotteisen
Lisätiedotvkp 4*(1+0)/(32-3)-1= vkp 2*(1+0)/(32-3)=
JÄRJESTYSKORRELAATIO 1. Hannu ja Kerttu pitävät karamelleista, mutta heidän mieltymyksensä poikkeavat hieman. Hannun mielestä punaiset karkit ovat parhaita ja keltaiset miellyttävät häntä vähiten. Kerttu
LisätiedotMitä tilastotiede on 7 Historiaa 8 Tilastotieteen nykyinen asema 9 Tilastollisen tutkimuksen vaiheet 10
SISÄLTÖ 1 TILASTOJEN KÄYTTÖ 7 Mitä tilastotiede on 7 Historiaa 8 Tilastotieteen nykyinen asema 9 Tilastollisen tutkimuksen vaiheet 10 Tilastoaineisto 11 Peruskäsitteitä 11 Tilastoaineiston luonne 13 Mittaaminen
LisätiedotTeema 3: Tilastollisia kuvia ja tunnuslukuja
Teema 3: Tilastollisia kuvia ja tunnuslukuja Tilastoaineiston peruselementit: havainnot ja muuttujat havainto: yhtä havaintoyksikköä koskevat tiedot esim. henkilön vastaukset kyselylomakkeen kysymyksiin
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
Lisätiedot1 TILASTOJEN KÄYTTÖ 7. Mitä tilastotiede on 7 Historiaa 8 Tilastotieteen nykyinen asema 9 Tilastollisen tutkimuksen vaiheet 10
SISÄLTÖ 1 TILASTOJEN KÄYTTÖ 7 Mitä tilastotiede on 7 Historiaa 8 Tilastotieteen nykyinen asema 9 Tilastollisen tutkimuksen vaiheet 10 Tilastoaineisto 11 Peruskäsitteitä 11 Tilastoaineiston luonne 13 Mittaaminen
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi Yksiulotteisen
LisätiedotTalousmatematiikan perusteet, L2 Kertaus Aiheet
Talousmatematiikan perusteet, L2 Kertaus 1 Laskutoimitukset tehdään seuraavassa järjestyksessä 1. Sulkujen sisällä olevat lausekkeet (alkaen sisältä ulospäin) 2. potenssit ja juurilausekkeet 3. kerto-
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas KAKSIULOTTEISEN EMPIIRISEN JAKAUMAN TARKASTELU Jatkuvat muuttujat: hajontakuvio Koehenkilöiden pituus 75- ja 80-vuotiaana ID Pituus 75 Pituus 80 1 156
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
LisätiedotTUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas
TUTKIMUSAINEISTON ANALYYSI LTKY012 Timo Törmäkangas RIIPPUVUUS ALARYHMISSÄ Riippuvuus saattaa olla erilaista jos samassa aineistossa on esim. tutkittavia molemmista sukupuolista Yhteys saattaa olla erilaista
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotEsimerkki 1: auringonkukan kasvun kuvailu
GeoGebran LASKENTATAULUKKO Esimerkki 1: auringonkukan kasvun kuvailu Auringonkukka (Helianthus annuus) on yksivuotinen kasvi, jonka varren pituus voi aurinkoisina kesinä hyvissä kasvuolosuhteissa Suomessakin
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotOhjeita kvantitatiiviseen tutkimukseen
1 Metropolia ammattikorkeakoulu Liiketalouden yksikkö Pertti Vilpas Ohjeita kvantitatiiviseen tutkimukseen Osa 2 KVANTITATIIVISEN TUTKIMUSAINEISTON ANALYYSI Sisältö: 1. Frekvenssi- ja prosenttijakaumat.2
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 Vuorikadulla V0 ls Muuttujien muunnokset Usein empiirisen analyysin yhteydessä tulee tarve muuttaa aineiston muuttujia Esim. syntymävuoden
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
Lisätiedot2. Aineiston kuvailua
2. Aineiston kuvailua Avaa (File/Open/Data ) aineistoikkunaan tiedosto tilp150.sav. Aineisto on koottu Tilastomenetelmien peruskurssilla olleilta. Tiedot osallistumisesta demoihin, tenttipisteet, tenttien
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen 1 Jakaumaoletuksien testaamiseen soveltuvat testit χ 2 -yhteensopivuustesti yksi otos otoksen
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotOletetaan, 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
LisätiedotMTTTP1, luento KERTAUSTA
26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotMat 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
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
LisätiedotTehtävä 1. (a) JYVÄSKYLÄN YLIOPISTO Matematiikan ja tilastotieteen laitos Parametrittomat ja robustit menetelmät Harjoitukset 7, vastaukset
JYVÄSKYLÄN YLIOPISTO Matematiikan ja tilastotieteen laitos Parametrittomat ja robustit menetelmät Harjoitukset 7, vastaukset 12.05.2009 Tehtävä 1 (a) x
LisätiedotTilastollisen analyysin perusteet Luento 5: Jakaumaoletuksien. testaaminen
Tilastollisen analyysin perusteet Luento 5: Sisältö Tilastotieteessä tehdään usein oletuksia havaintojen jakaumasta. Useat tilastolliset menetelmät toimivat tehottomasti tai jopa virheellisesti, jos jakaumaoletukset
LisätiedotTutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)
1 MTTTP3 Luento 29.1.2015 Luku 6 Hypoteesien testaus Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? H 0 : µ = µ 0 H 1 : µ < µ 0 Nollahypoteesi Vaihtoehtoinen hypoteesi
LisätiedotMTTTP1, luento KERTAUSTA
25.9.2018/1 MTTTP1, luento 25.9.2018 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotMTTTP1, luento KERTAUSTA
19.3.2019/1 MTTTP1, luento 19.3.2019 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analyysin perusteet, kevät 007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen Jakaumaoletuksien testaamiseen soveltuvat testit χ -yhteensopivuustesti yksi otos otoksen vertaaminen
Lisätiedot4. Todennäköisyyslaskennan kertausta
luento04.ppt S-38.1145 - Liikenneteorian perusteet - Kevät 2006 1 Sisältö eruskäsitteet Diskreetit satunnaismuuttujat Diskreetit jakaumat lkm-jakaumat Jatkuvat satunnaismuuttujat Jatkuvat jakaumat aikajakaumat
Lisätiedotb6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia.
806109P TILASTOTIETEEN PERUSMENETELMÄT I 1. välikoe 11.3.2011 (Jari Päkkilä) VALITSE VIIDESTÄ TEHTÄVÄSTÄ NELJÄ JA VASTAA VAIN NIIHIN! 1. Valitse kohdissa A-F oikea (vain yksi) vaihtoehto. Oikeasta vastauksesta
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotKemometriasta. Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi Http://www.abo.fi/~mhotokka
Kemometriasta Matti Hotokka Fysikaalisen kemian laitos Åbo Akademi Http://www.abo.fi/~mhotokka Mistä puhutaan? Määritelmiä Määritys, rinnakkaismääritys Mittaustuloksen luotettavuus Kalibrointi Mittausten
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
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotGeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus
GeoGebra tutkivan oppimisen välineenä: havainto-hypoteesi-testaus Mitä jäi mieleen viime viikosta? Mitä mieltä olet tehtävistä, joissa GeoGebralla työskentely yhdistetään paperilla jaettaviin ohjeisiin
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 7.6.2011 Ratkaisut ja arvostelu 1.1 Noudattakoon satunnaismuuttuja X normaalijakaumaa a) b) c) d) N(5, 15). Tällöin P (1.4 < X 12.7) on likimain
LisätiedotTilastollisen 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
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
LisätiedotSuhtautuminen Sukupuoli uudistukseen Mies Nainen Yhteensä Kannattaa Ei kannata Yhteensä
806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2011 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Eräässä suuressa yrityksessä
Lisätiedot