Teoria. Tilastotietojen keruu

Koko: px
Aloita esitys sivulta:

Download "Teoria. Tilastotietojen keruu"

Transkriptio

1 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi Trasiettie tilateide simuloiti ja tasapaiotilatee simuloiti Tilastollie aalyysi ja luottamusvälit Variassireduktiotekiikoista 8/09/2006 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Tilastotietoje keruu Johdaossa otettii lähtökohdaksi, että simuloii tavoitteea o tarkasteltava järjestelmä suorituskyvy arvioiti. Simuloimalla siis pyritää arvioimaa joki suorituskykyy liittyvä parametri arvo α Tämä parametri voi liittyä joko järjestelmä trasiettii käyttäytymisee esim. 25 esimmäise asiakkaa kokema keskimääräie odotusaika M/M/-joossa tietyllä kuormalla, ku oletetaa, että systeemi o alussa tyhjä tai sitte s. tasapaiotilaa (steady-state) esim. asiakkaa keskimääräie odotusaika M/M/-joossa tietyllä kuormalla Ko. suorituskykyparametri voi toisaalta kuvata tilaetta järjestelmä asiakkaide kaalta (diskreetisti) esim. Saapuva asiakkaa keskimääri äkemä joopituus M/M/-joossa tietyllä kuormalla tai sitte systeemi kaalta (jatkuvasti) esim. keskimääräie joopituus M/M/-joossa tietyllä kuormalla Joka tapauksessa yksittäie simuloitiajo tuottaa yhde havaio, joka jollaki lailla kuvaa arvioitavaa parametria Tilastolliste päätelmie tekemiseksi tarvitsemme useita havaitoja (mielellää riippumattomia ja samoi jakautueita) 8/09/2006 2

2 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasiettie piirteide simuloiti () Jos kyseessä o asiakkaide kokemaa palvelu laatuu liittyvä parametri yksittäie simuloiti päättyy, ku o saatu tietty määrä asiakkaita käsiteltyä esim. oltaessa kiiostueita k: esimmäise asiakkaa odotusajasta M/M/-joossa, simuloitia jatketaa, kues viimeieki äistä k asiakkasta o saapuut ja päässyt palveluu Yksittäisestä simuloiista saatava havaito o tässä tapauksessa äide k: asiakkaa odotusaikoje W i keskiarvo ko. simuloiissa: = k k ÿ i = W keskeise raja-arvolausee perusteella ko. keskiarvoa voidaa pitää aiaki likimai ormaalijakaumaa oudattavaa (sitä paremmi, mitä eemmä havaitoja) Tilastolliste päätelmie tekemiseksi tarvitsemme riippumattomia ja samoi jakautueita havaitoja. Näitä saadaa tekemällä useita samalaisia mutta toisistaa riippumattomia simuloitiajoja (toisistaa riippumattomilla satuaisluvuilla) i 8/09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasiettie piirteide simuloiti (2) Jos taas kyseessä o systeemi suorituskykyy liittyvä suure, jota seurataa jatkuvasti, yksittäie simuloiti päättyy ealta määrätyllä ajahetkellä T esim. oltaessa kiiostueita keskimääräisestä joopituudesta aikavälillä [0,T], (tapahtumapohjaista) simuloitia jatketaa esimmäisee hetke T jälkee tapahtuvaa tapahtumaa asti Yksittäisestä simuloiista saatava havaito o tässä tapauksessa joopituude L(t) aikakeskiarvo yli väli [0,T] = T T ÿ 0 L( t) dt koska joopituus ei muutu tapahtumie välillä, ko. itegraali o helposti laskettavissa elikulmioide summaa (huomaa viimeise tapahtumaväli erityiskäsittely) Tilastolliste päätelmie tekemiseksi tarvitsemme riippumattomia ja samoi jakautueita havaitoja. Näitä saadaa tekemällä useita samalaisia mutta toisistaa riippumattomia simuloitiajoja (toisistaa riippumattomilla satuaisluvuilla) 8/09/2006 4

3 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Tasapaiotilaa liittyvie piirteide simuloiti () Tilastotietoje keruu yksittäisestä simuloiista tapahtuu periaatteessa samalla tavalla kui trasietteja piirteitä simuloitaessa. Simuloii alussa o kuiteki s. lämmittelyvaihe (ee kui systeemi o likimai tasapaiossa), joka o jätettävä pois kerättävästä datasta. Simuloititoistoje tuottamiseksi o tässä tapauksessa aiaki kolme eri tapaa: riippumattomat toistot s. batch meas -meetelmä regeeratiivie meetelmä 8/09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Tasapaiotilaa liittyvie piirteide simuloiti (2) Riippumattomie toistoje meetelmässä tilastotietoje keruu aloitetaa vasta lämmittelyvaihee jälkee. oma ogelmasa o, mite pitkäksi lämmittelyvaihe pitäisi tehdä Batch meas -meetelmässä tehdää yksi pitkä simuloitiajo, joka (keiotekoisesti) jaetaa osii, joita tietoje keruu kaalta käsitellää omia simuloitiajoiaa. tarvitaa vai yksi lämmittelyvaihe, mutta havaiot eivät ole eää täysi riippumattomia Regeeratiivisessa meetelmässä vaaditaa, että simuloitava prosessi o regeeroituva. Tällöi kuiteki saadaa riippumattomia ja samoi jakautueita havaitoja peräkkäisiltä regeeroitumisjaksoilta. ogelmaa o, että jaksoje pituudet voivat satuaisesti kasvaa hyviki pitkiksi esim. G/G/-joo regeeroituu aia uude asiakkaa saapuessa tyhjää systeemii kaikki Markov-prosessit ovat regeeroituvia 8/09/2006 6

4 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto Yleesä ollaa kiiostueita simuloitava järjestelmä tasapaiotilaa liittyvistä suureista Tällöi simuloii alkuvaihetta, trasiettia, ei tulisi sisällyttää tuloste keruusee Tasapaio o saavutettu silloi, ku systeemi alkutila o uohtuut sillä, mikä alkutila tarkkaaottae oli, ei ole eää vaikutusta ykyise tila jakaumassa Trasieti poistoo käytetää seuraavia meetelmiä pitkä ajo sopiva iitialisoiti alkudata hylkäys batch meas regeeratiivie simuloiti 8/09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto (jatkoa) Pitkä ajo karkea meetelmä jos ajo o kylli pitkä, alkutrasieti vaikutus hukkuu muu data joukossa vaaditaa hyvi pitkiä ajoja -- hukkaa resursseja vaikea tietää, mikä o riittävä pitkä Sopiva iitialisoiti se sijaa, että aloitetaa simuloiti keiotekoisesta alkutilasta (esim. joot tyhjiä), käyistetää systeemi tilasta, joka o lähempää tasapaioa aetaa eri suureille alkuarvoiksi pitkä aikaväli keskiarvot ämä voidaa likimai tutea aikaisempie simuloitie tai aalyyttiste tarkasteluje perusteella tämä vähetää alkutrasieti vaikutusta, muttei poista sitä jos tilamuuttujie tasapaiojakaumat tuetaa, alkutrasietti voidaa kokoaa poistaa arpomalla muuttujie arvot kyseisistä jakaumista erillie arvota jokaisessa toistossa useimmite jakautumia ei kuitekaa tueta 8/09/2006 8

5 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto (jatkoa) Alkudata hylkäys suoraviivaie meetelmä suoritetaa alkulämmittely ja kerätää varsiaie data vasta tämä jälkee ogelma: kuika pitkä trasietti o? a) joissaki tapauksissa se tiedetää esimerkiksi tavallisessa häviöjärjestelmässä relaksaatioaika o sama kui yhteyde (puhelu) keskimääräie pitoaika karsittava osuus o tällöi * pitoaika, missä o luokkaa alkuarvoje vaikutus o tällöi vähetyyt tekijällä e b) yleesä relaksaatioaikaa ei tueta tällöi voidaa ojautua kokeiluu toistetuissa simuloieissa kaikista ajoista karsitaa pois samapituie osuus aetaa tämä pituude kasvaa 0:sta ylöspäi ja piirretää mitatu suuree (keski)arvo muulta jaksolta karsitu jakso pituude fuktioa ku keskiarvo ei eää muutu karsitu jakso pituutta kasvatettaessa, o trasietti karsittu pois 8/09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti poisto (jatkoa) c) Keskiarvo liukuvassa ikkuassa tämä o toie kokeellie meetelmä trasieti kesto määräämiseksi toistetussa simuloiissa kustaki ajosta tuloksee kerätää vai tiettyy (suhteellise lyhyee) ikkuaa osuva pätkä realisaatiosta lasketaa halutu suuree arvo ikkua sijaii fuktioa keskiarvoistetaa toistoje yli vaihteluide vähetämiseksi (lyhye ikkua sisältä statistiikkaa kertyy vähä ja vaihtelut ovat suuria) sijaii fuktioa tarkasteltua suure yleesä muuttuu alussa ja sitte vakioituu ku vakiovaiheesee o päästy, trasietti o ohitettu usei trasietti o melko lyhyt ja o helppo toimia varma päälle: poistettava jakso voidaa valita vaikkapa kaksikertaiseksi kokeellisesti määrättyy trasieti kestoo ähde 8/09/2006 0

6 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Trasieti kesto arvioiti liukuva ikkua meetelmällä Pyritää saamaa käsitys havaittava suuree hetkellise arvo odotusarvo käyttäytymisestä aja fuktioa Odotusarvo määrätää toistokokeide keskiarvoa t t+ t Vaihteluide vähetämiseksi korvataa hetkellie arvo kussaki ajossa liukuva ikkua sisällä lasketulla keskiarvolla t Liukuva ikkua sijaii fuktioa piirretystä käyrästä voidaa arvioida, milloi trasietti loppuu trasietti 8/09/2006 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Simuloii päättämie Simuloii lopetusehdo täyttyessä suoritetaa simuloii päättämie Keskeeräiste asioide käsittelyssä o oltava huolellie Tarkasteltaessa asiakkaa äkökulmaa liittyvää s. tapahtumapohjaista suuretta tarjottuje kutsuje kokema esto, ylivuotavie pakettie osuus je o otettava huomioo vai e tapahtumat, jotka o käsitelty loppuu esim. keskimääräie odotusaika = (iide asiakkaide odotusaikoje summa, joide odotus o loppuut, ts. jotka ovat päässeet palveluu) / (iide asiakkaide lukumäärä, joide odotus o loppuut) Tarkasteltaessa systeemi äkökulmaa liittyvää (aikapohjaista) suuretta joopituus L, aikaosuus joka systeemi o estotilassa je o keskiarvo lasketa ulotettava simuloitijakso T loppuu asti esim. keskimääräie joopituus = T T ÿ o L( t) dt tavallisesti itegraalia kerätää vähetämällä saapumishetkellä saapumisaika ja lisäämällä poistumishetkellä poistumisaika eriksee o huomioitava myös e asiakkaat, jotka ovat sisällä simuloii loppuessa; käsitellää e ikää kui hetkellä T poistuvia asiakkaia 8/09/2006 2

7 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Joopituude aikaitegraali laskemie t t 2 Joopituude L(t) aikaitegraali muodostuu yksittäiste asiakkaide joossa viettämistä ajoista Yhde asiakkaa joossa viettämä aika o lähtöaja t 2 ja tuloaja t erotus t 2 -t L(t): itegraalia voidaa kerätä vähetämällä itegraali arvosta t asiakkaa tullessa jooo lisäämällä siihe arvo t 2 asiakkaa poistuessa joosta L(t) Simuloii päättyessä hetkellä T, itegraali tulee kerätyksi oikealta ajalta, jos loppuhetkellä sisällä olevie asiakkaide katsotaa poistuva järjestelmästä hetkellä T 0 T 8/09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi Trasiettie tilateide simuloiti ja tasapaiotilatee simuloiti Tilastollie aalyysi ja luottamusvälit Variassireduktiotekiikoista 8/09/2006 4

8 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Parametrie estimoiti Kute edellisessä kohdassa todettii, simuloiilla pyritää arvioimaa joki suorituskykyy liittyvä parametri arvo α (esim. asiakkaide keskimääräie systeemissäoloaika tai keskimääräie joopituus M/M/-joossa) Yksittäie simuloiti tuottaa kyseisestä parametrista havaio i,jokasiiso satuaismuuttuja. Havaitoa i saotaa harhattomaksi, jose[ i ]=α. Oletetaa, että olemme saaeet simuloimalla kpl riippumattomia ja samoi jakautueita (i.i.d.) havaitoja. Tällöi iide keskiarvo = ÿ i i= o parametri α harhato ja tarketuva estimaattori, sillä ÿ i i= ÿ i i= E[ ] = E[ ] = α D [ ] = D [ ] = D [ ] = 0 8/09/ σ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Esimerkki Pyrimme arvioimaa simuloimalla 25: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa kuormalla ρ = 0.9, ku systeemi hetkellä 0 o tyhjä. Teoreettie arvo: α = 2.24 Kymmee simuloitiajoa ovat tuottaeet seuraavat havaiot i (so. keskimääräiset odotusajat kyseisissä simuloieissa):.05, 6.438, 2.646, 0.805,.505, 0.546, 2.28, 2.822, 0.44 ja.307 Näide keskiarvo = ÿ i i= = 0 ( ÿ+.307) =.982 o simuloitikokee atama (25: esimmäise asiakkaa) keskimääräise odotusaja estimaatti. 8/09/2006 6

9 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Estimaattori luottamusväli () Edellä o todettu, että simuloitikokeissa saadut havaiot i ovat aiaki likimai ormaalijakautueita Jos simuloitikokee atamat havaiot i oudattaisivat tarkasti ormaalijakaumaa N(α,σ 2 ) ja yksittäise havaio variassi σ 2 =D 2 [] tuettaisii, oudattaisi : toisto keskiarvo ormaalijakaumaa N(α,σ 2 /). Tästä saadaa piste-estimaattoria käytety havaitoje keskiarvo luottamusväliksi (luottamustasolla - β): ± z β / 2 σ missä kerroi z p tarkoittaa stadardi ormaalijakauma N(0,) p-fraktiilia, ts. P{Z z p }=p,missäz~n(0,) Tulkita: estimoitava parametri α o t:llä - β kyseisellä välillä. Esimerkiksi 95%: luottamustasoa vastaa kerroi z /09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Estimaattori luottamusväli (2) Yleesä emme kuitekaa tue yksittäise havaio variassia σ 2 =D 2 []. Sitä voidaa kuiteki puolestaa estimoida s. otosvariassilla S 2 = ÿ( i ) i= joka o (riippumattomie ja samoi jakautueide havaitoje tapauksessa) variassi harhato estimaattori. Otoshajota o otosvariassi eliöjuuri: 2 S = S 2 8/09/2006 8

10 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Estimaattori luottamusväli (3) Jos simuloitikokee atamat havaiot i oudattaisivat tarkasti ormaalijakaumaa N(α,σ 2 ), oudattaisi otoshajoalla sopivasti ormeerattu otoskeskiarvo s. Studeti t-jakaumaa vapausastei -. Tästä saadaa piste-estimaattoria käytety havaitoje keskiarvo luottamusväliksi (luottamustasolla - β): ± t, β / 2 missä kerroi t -,p tarkoittaa t-jakauma (vapausastei -) p-fraktiilia, ts. P{T t -,p } = p, missä T oudattaa ko. t-jakaumaa Tulkita: estimoitava parametri α o t:llä - β kyseisellä välillä. Esimerkiksi 95%: luottamustasoa vastaa 0 havaio tapauksessa kerroi t 9, ja 0 havaio tapauksessa kerroi t 00, S 8/09/ S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Esimerkki (jatkoa) Pyrimme arvioimaa simuloimalla 25: esimmäise asiakkaa keskimääräistä odotusaikaa M/M/-joossa kuormalla ρ = 0.9, ku systeemi hetkellä 0 o tyhjä. Teoreettie arvo: α = 2.24 Kymmee simuloitiajoa ovat tuottaeet seuraavat havaiot i (so. keskimääräiset systeemissäoloajat kyseisissä simuloieissa):.05, 6.438, 2.646, 0.805,.505, 0.546, 2.28, 2.822, 0.44 ja.307 Otoskeskiarvoksi saatii.982 ja otoshajoaksi tulee S = (( ) ( ) ) = 78. Simuloitikokee atama 25: esimmäise asiakkaa keskimääräise odotusaja piste-estimaati luottamusväli 95%: luottamustasolla o siis S ± t, β / 2 = 982. ± = 982. ± /09/

11 S Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Havaitoja Simuloitikokee tulos tarketuu (so. piste-estimaati luottamusväli kapeee), ku simuloititoistoje eli riippumattomie havaitoje lukumäärää kasvatetaa yksittäise havaio variassia pieeetää (esim. ajamalla pitempiä yksittäisiä simuloitiajoja tai muilla s. variassi reduktiomeetelmillä) Jos o aettu haluttu simuloitituloste suhteellie tarkkuus (so. luottamusväli puolikkaa suhde otoskeskiarvoo), voidaa dyaamisesti seurata, kuika mota riippumatota simuloititoistoa o tehtävä ko. tavoitteesee pääsemiseksi 8/09/2006 2

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio

ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio 9. Simuloiti lueto09.ppt S-38.45 - Liikeeteoria perusteet - Kevät 2002 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta

Lisätiedot

11. Simulointi. Sisältö. Mitä simulointi on? Tiedote

11. Simulointi. Sisältö. Mitä simulointi on? Tiedote Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi lueto11.ppt S-38.1145 Liikeeteoria perusteet Kevät 006 1 Tiedote Mitä

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU AB TEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio lueto09.ppt S-38.45 - Liikeeteoria perusteet - Kevät 00 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tietoverkkolaboratorio Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalsi Lueto.ppt S-38.45 - Liikeeteoria

Lisätiedot

S Liikenneteorian perusteet K Simulointi. lect8.ppt Simulointi. Sisältö

S Liikenneteorian perusteet K Simulointi. lect8.ppt Simulointi. Sisältö S-38.145 Liikeeteoria perusteet K-99 lect8.ppt 1 Sisältö Johdato Prosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 2 1 Mitä simuloiti o? Simuloiti

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus 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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

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 Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Mat 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,

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen 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.

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Normaalijakaumasta 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:

Lisätiedot

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

Otantajakauma. 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

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

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

Mat 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

11. Simulointi luento11.ppt S-38.1145 Liikenneteorian perusteet Kevät 2006 1

11. Simulointi luento11.ppt S-38.1145 Liikenneteorian perusteet Kevät 2006 1 lueto.ppt S-38.45 Liikeeteoria perusteet Kevät 2006 Sisältö Johdato Liikeeprosessi reaalisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tietoje keruu Tilastollie aalyysi 2 Tiedote Lueo tavoite

Lisätiedot

S Laskennallinen systeemibiologia

S 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

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Tilastollinen 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

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

MS-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

Lisätiedot

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1

= 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,

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Tilastolliset luottamusvälit

Tilastolliset 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

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

Batch means -menetelmä

Batch means -menetelmä S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin

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

Otantajakauman käyttö päättelyssä

Otantajakauman 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

Lisätiedot

Johdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

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 todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

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

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Testit 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

Lisätiedot

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

Osa 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

Lisätiedot

6.1 Riippumattomat satunnaismuuttujat

6.1 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

Lisätiedot

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

Todennäköisyys, 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.

Lisätiedot

Tilastollinen todennäköisyys

Tilastollinen 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

Lisätiedot

4.3 Signaalin autokorrelaatio

4.3 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.

Lisätiedot

Harjoitukset 1 : Tilastokertaus

Harjoitukset 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.

Lisätiedot

2.3.1. Aritmeettinen jono

2.3.1. Aritmeettinen jono .3.1. Aritmeettie joo -joo, jossa seuraava termi saadaa edellisestä lisäämällä sama luku a, a + d, a+d, a +3d, Aritmeettisessa joossa kahde peräkkäise termi erotus o aia vakio: Siis a +1 a d (vakio Joo

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 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

Lisätiedot

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio) 2.11.2015 Stokastiika perusteet Harjoitukset (Todeäköisyysavaruus, -mitta ja -fuktio) 2..205. Määritä potessijoukko 2,ku (a) {0, } (b) {(0, ]} ja ku (c) (0, ]. Ratkaisu: (a) 2 {;, {0}, {}, {0, }} (b) 2 {;, {(0,

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat 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

Lisätiedot

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

n = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus: 1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:

Lisätiedot

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.

Sisältö. 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

Lisätiedot

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

1. 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

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien 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

Lisätiedot

Luento 7 Luotettavuus Koherentit järjestelmät

Luento 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

Lisätiedot

Tilastolliset menetelmät: Tilastolliset testit

Tilastolliset menetelmät: Tilastolliset testit Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.

Lisätiedot

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489 Perusjoukko ja otos Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Havaitoyksikkö o empiirise mittaukse kohde Perusjoukko o kaikkie havaitoyksiköide muodostama kokoaisuus Otos o perusjoukkoa

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

RATKAISUT 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 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

Lisätiedot

4. Todennäköisyyslaskennan kertausta

4. Todennäköisyyslaskennan kertausta Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S-38.45 - Liikeeteoria

Lisätiedot

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1 Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-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,

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

Tunnuslukuja 27 III TUNNUSLUKUJA

Tunnuslukuja 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

Lisätiedot

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

Testit 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

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

HY, 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

Lisätiedot

4.7 Todennäköisyysjakaumia

4.7 Todennäköisyysjakaumia MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi MS-A53 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Yhde otokse t-testi Testausasetelma yhde otokse t-testissä odotusarvolle Olkoo X i, i =,,, riippumato

Lisätiedot

Matematiikan tukikurssi

Matematiikan 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 +...

Lisätiedot

****************************************************************** ****************************************************************** 7 Esim.

****************************************************************** ****************************************************************** 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

Lisätiedot

tilavuudessa dr dk hetkellä t olevien elektronien

tilavuudessa 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

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen

T 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

Lisätiedot

10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.

10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen. 10 Kertolaskusäätö Kahta tapahtumaa tai satuaisilmiötä saotaa riippumattomiksi, jos toise tulos ei millää tavalla vaikuta toisee. Esim. 1 A = (Heitetää oppaa kerra) ja B = (vedetää yksi kortti pakasta).

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

Matematiikan tukikurssi

Matematiikan 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

Lisätiedot

Kertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.

Kertaa tarvittaessa induktiota ja rekursiota koskevia tietoja. MATEMATIIKAN JA TILASTOTIETEEN LAITOS Aalyysi I Harjoitus 5. 0. 2009 alkavalle viikolle Ratkaisuehdotuksia ( sivua) (Rami Luisto) Laskuharjoituksista saa pistettä, jos laskettu vähitää 50 tehtävää; 3 pistettä,

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

HY, 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

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 2 Aiheet: Satuaismuuttujat ja todeäköisyysjakaumat Kertymäfuktio, pistetodeäköisyysfuktio ja tiheysfuktio Jakaumie tuusluvut Tärkeimmät

Lisätiedot

Diskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =

Diskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k = Diskreeti Matematiika Paja Ratkaisuja viikolle 4. (7.4-8.4) Jeremias Berg. Osoita iduktiolla että k = ( + ) Ratkaisu: Kute kaikissa iduktiotodistuksissa meidä täytyy siis osoittaa asiaa. Ns. perustapaus,

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

Parametrien oppiminen

Parametrien 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

Lisätiedot

Tehtäviä neliöiden ei-negatiivisuudesta

Tehtäviä neliöiden ei-negatiivisuudesta Tehtäviä epäyhtälöistä Tehtäviä eliöide ei-egatiivisuudesta. Olkoo a R. Osoita, että 4a 4a. Ratkaisu. 4a 4a a) a 0 a ) 0.. Olkoot a,, R. Osoita, että a a a. Ratkaisu. Kerrotaa molemmat puolet kahdella:

Lisätiedot

Tilastolliset menetelmät: Varianssianalyysi

Tilastolliset menetelmät: Varianssianalyysi Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi a useampisuutaie variassiaalsi T @ Ila Melli (006) 433 Variassiaalsi T @ Ila Melli (006)

Lisätiedot

Markov-ketjun hetkittäinen käyttäytyminen

Markov-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

Lisätiedot

811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu

811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu 83A Tietoraketeet ja algoritmit 06-07, Harjoitus ratkaisu Harjoitukse aiheea o algoritmie oikeellisuus. Tehtävä. Kahvipurkkiogelma. Kahvipurkissa P o valkoisia ja mustia kahvipapuja, yhteesä vähitää kaksi

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

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.

( ) 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

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

Mat 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,

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

BM20A Integraalimuunnokset Harjoitus 8

BM20A Integraalimuunnokset Harjoitus 8 (b)...(d) eve + eve = eve eve eve = eve BM2A57 - Itegraalimuuokset Harjoitus 8. Vastaa jokaisessa kohdassa seuraavii kysymyksii: Oko fuktio parillie? Oko fuktio parito? Huomaatko polyomie kohdalla hyvi

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

EX1 EX 2 EX =

EX1 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,

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, 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

Lisätiedot

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin yliopisto Harjoitus 3, ratkaisuehdotuksia Todeäköisyyslasketa I, kesä 207 Helsigi yliopisto/avoi yliopisto Harjoitus 3, ratkaisuehdotuksia. Aikaisemma viiko teemaa. Edessäsi o kaksi laatikkoa A ja B. Laatikossa A o 8 palloa, joista puolet valkoisia.

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2

Lisätiedot

3.2 Sijaintiluvut. MAB5: Tunnusluvut

3.2 Sijaintiluvut. MAB5: Tunnusluvut MAB5: Tuusluvut 3.2 Sijaitiluvut Sijaitiluvut ovat imesä mukaiset: e etsivät muuttuja tyypillise arvo, jos sellaie o olemassa, tai aiaki luvu, joka lähellä muuttuja arvoja o eite. Sijaitiluvut jaetaa kahtee

Lisätiedot

Valvontakortit. Sovelletun Matematiikan Erikoistyö. Pastinen Tommi 23.4.2010

Valvontakortit. Sovelletun Matematiikan Erikoistyö. Pastinen Tommi 23.4.2010 Valvotakortit Sovelletu Matematiika Erikoistyö Pastie Tommi 3.4. Tässä työssä perehdytää valvotakortteihi tilastollisessa laaduvalvoassa perusteoria ja esimerkkitapauste kautta. Sisältö Johdato... 3 Tilastollisesta

Lisätiedot

Markov-ketjun hetkittäinen käyttäytyminen

Markov-ketjun hetkittäinen käyttäytyminen Matematiika ja systeemiaalyysi laitos B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava

Lisätiedot

3 Lukujonot matemaattisena mallina

3 Lukujonot matemaattisena mallina 3 Lukujoot matemaattisea mallia 3. Aritmeettie ja geometrie joo 64. a) Lukujoo o aritmeettie joo, joka yleie jäse o a 3 ( ) 4 34 4 4 b) Lukujoo o geometrie joo, joka yleie jäse o c) Lukujoo o geometrie

Lisätiedot

Harjoitustehtävien ratkaisuja

Harjoitustehtävien ratkaisuja 3. Mallitamie lukujooje avulla Lukujoo määritelmä harjoituksia Harjoitustehtävie ratkaisuja 3. Laske lukujoo viisi esimmäistä jäsetä, ku a) a 6 ja b) a 6 ja 3 8 c) a ja 3 a) 6,, 8, 4, 30. b) 8,, 6, 0,

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Tilastollinen 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

Lisätiedot

Esimerkki 2 (Kaupparatsuongelma eli TSP)

Esimerkki 2 (Kaupparatsuongelma eli TSP) 10 Esimerkki 2 (Kaupparatsuogelma eli TSP) Kauppamatkustaja o kierrettävä kaupukia site, että hä lähtee kaupugista 1 ja palaa sie sekä käy jokaisessa muussa kaupugissa täsmällee kerra. Matka kaupugista

Lisätiedot