Inversio-ongelmien laskennallinen peruskurssi Luento 11 12
|
|
- Aune Melasniemi
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Iversio-ogelmie laskeallie eruskurssi Lueto Kevät Lieaarie tilastollie iversio-ogelma Tarkastellaa lieaarista ogelmaa Y = AX + E, missä Y R m, X R ja E R m ovat satuaismuuttujia ja A R m o aettu matriisi. Oletetaa, että kaikki satuaismuuttujat ovat absoluuttisesti jatkuvia, eli iide jakaumat voidaa ilmaista todeäköisyystiheyksie avulla. Satuaismuuttujaa Y kutsutaa mittaukseski ja se realisaatiota Y = y obs dataksi. Satuaismuuttuja X o tutemato. Niitä muuttujia, joita ei kyetä mittaamaa tai joista ei varsiaisesti olla kiiostueita, kutsutaa joko arametreiksi tai kohiaksi, taauksesta riiue. Oletetaa, että ee kui mitää mittaustas Y o suoritettu, meillä o jotaki eakkotietoa muuttujasta X. Bayesilaise teoria mukaa oletetaa, että tämä iformaatio voidaa koodata todeäköisyystiheytee x π r (x), jota kutsutaa rioritiheydeksi. Toisi saoe se ilmasisee, mitä tutemattomasta tiedetää a riori ee mittaukse suorittamista. Oletetaa, että meillä o myös olemassa tieto X: ja Y : yhteistodeäköisyystiheydestä, jota merkitää π(x, y). Tällöi tutemattoma X margiaalitiheyde täytyy olla R m π(x, y)dy = π r (x). Toisaalta, jos tietäisimme tutemattoma arvo X = x, ii mittaukse Y ehdollie todeäköisyystiheys ehdolla x olisi π(y x) = π(x, y) π r (x), jos π r(x) 0. 1
2 Y : ehdollista tiheyttä kutsutaa uskottavuusfuktioksi (likelihood fuctio), koska se ataa todeäköisyyde eri mittaustuloksille, ku X = x o kiiitetty. Oletetaa louksi, että data Y = y obs o aettu. Ehdollista todeäköisyystiheyttä π(x y obs ) = π(x, y obs) π(y obs ), jos π(y obs) = R π(x, y obs )dx 0, kutsutaa tutemattoma X a osteriori -tiheydeksi. Tämä tiheys kertoo, mitä tiedetää tutemattomasta, ku mittausdata Y = y obs o aettu. Bayesilaisessa viitekehyksessä tilastollie iversio-ogelma ilmaistaa seuraavasti: ku data Y = y obs o aettu, etsi tutemattoma X ehdollie todeäköisyystiheys π(x y obs ). Lause 1.1 (Bayes theorem of iverse roblems). Oletetaa, että satuaismuuttujalla X R o tuettu rioritodeäköisyystiheys π r (x) ja että data koostuu havaituista arvoista y obs mitattavissa olevasta satuaismuuttujasta Y R m site, että π(y obs ) > 0. Tällöi tutemattoma X a osteriori -tiheys aetulla datalla y obs o π ost (x) = 1 π(y obs ) π r(x)π(y obs x). Huomautus 1.2. Jatkossa kirjoitetaa y = y obs aia, ku sekaaukse mahdollisuutta ei ole. Edellä olevassa Bayesi kaavassa termi π(y) = π(x, y)dx = R π(y x)π r (x)dx R o ormitusvakio, eikä sillä yleesä ole suuremaa merkitystä. Huomaa, että eriaatteessa o mahdollista, että π(y) = 0, toisi saoe saadaa mittausdata, joka todeäköisyystiheys (löyhästi uhue) o olla. Käytäössä tämä harvoi muodostuu todelliseksi ogelmaksi. Tilastollise iversio-ogelma ratkaisemie koostuus siis kolmesta erillisestä osatehtävästä: 1. Käyttäe kaikke olemassa olevaa tietoa tutemattomasta X, etsi/kostruoi a riori -tiheys π r (x), joka kuvaa tätä tietoa. 2. Etsi/kostruoi uskottavuusfuktio π(y x), joka kuvaa havaitu mittausdata ja tutemattoma suhdetta. 3. Kehitä meetelmä a osteriori -tiheyde aalysoimiseksi. Tarkastellaa seuraavassa yo. osatehtäviä eriksee. 2
3 2 A osteriori -tiheyde estimaattoreita Nii saotut iste-estimaattorit vastaavat kysymyksee: Ku data ja a riori -tieto o aettu, mikä o todeäköisi arvo tutemattomalle X?, ku taas ii saotut leveys- ja väliestimaattorit vastaavat kysymyksee, esimerkiksi Millä välillä tutemattoma arvot ovat 95% todeäköisyydellä, ku data ja riori o aettu?. Piste-estimaattoreita Maximum A Posteriori (MAP) x MAP = arg mi x R π(x y) x MAP o siis se iste, missä a osteriori -tiheys saavuttaa maksimisa (jos maksimi o olemassa). Huomaa, että MAP-estimaatti ei ole välttämättä yksikäsitteie, ja se laskemie umeerisesti vaatii yleesä otimoitiogelma ratkaisu. Ehdollie keskiarvo (Coditioal mea) x CM = E{x y} = xπ(x y)dx R Ehdollie keskiarvo o siis a osteriori -jakauma odotusarvo. Se laskemie umeerisesti vaatii itegroititehtävä ratkaisemise. Väli- ja leveysestimaattoreita Ehdollie kovariassi cov(x y) = (x x CM )(x x CM ) T π(x y)dx R. R Bayesia credibility set Joukko D, valittu: µ(d y) π(x y)dm = /100, D π(x y) x D = vakio. Toisi saoe joukko (tai väli) D sisältää rosettia a osteriori -jakauma todeäköisyysmassasta. 3
4 3 Uskottavuusfuktio kostruoiti Takastellaa lieaarista mallia, jossa kohia o additiivita, eli Y = AX + E, missä Y R m, X R ja E R m, ja X ja E ovat toisistaa riiumattomia. Oletetaa, että E: todeäköisyysjakauma o tuettu, eli µ E (B) = P {E B} = π oise (e)de. Jos X = x o kiiitetty, seuraa X: ja E: riiumattomuudesta, että E: todeäköisyystiheys ei muutu, vaikka se ehdollistettaisii ehdolla X = x. Täte voidaa äätellä, että π(y x) = π oise (e x) = π oise (e) = π oise (y Ax). Täte, jos X: riotitiheys o π r (x), saadaa Bayesi kaavasta 3.1 Gaussiset tiheydet π(x y) π r (x)π oise (y Ax). Määritelmä 3.1. Olkoo x 0 R ja Γ R symmetrie ositiividefiiitti matriisi. -ulotteie gaussie satuaismuuttuja, joka odotusarvo o x 0 ja kovariassi Γ, o satuaismuuttuja, joka todeäköisyystiheys o ( ) /2 ( 1 π(x) = ex 1 ) 2π Γ 2 (x x 0) T Γ 1 (x x 0 ), missä Γ = det(γ). Tällöi merkitää Tarkastellaa iversio-ogelmaa B X N (x 0, Γ). Y = AX + E, missä X ja Y ovat riiumattomia, kohia E o gaussie, eli E N (e 0, Γ oise ), ja tutemattoma X riori o gaussie, X N (x 0, Γ r ). 4
5 Voidaa osoittaa, että tällöi X: osterioritiheys o gaussie, ( π ost (x) = π(x y) ex 1 ) 2 /x x)t Γ 1 ost(x x), missä ja x = x 0 + Γ r A T (AΓ r A T + Γ oise ) 1 (y Ax 0 e 0 ) Γ ost = Γ r Γ r A T (AΓ r A T + Γ oise ) 1 AΓ r. Huomautus 3.2. Toisaalta voidaa myös osoittaa, että Γ ost = (Γ 1 r + A T Γ oise A) 1 ja x = Γ ost (A T Γ 1 oise (y e 0) + Γ r x 0 ). Molemmat yllä olevat ratkaisukaavat atavat sama ratkaisu. Se, kumia kaavoja kaattaa käyttää, riiuu taauksesta. Huomaa, että vaikka jälkimmäiset kaavat vaikuttavat yksikertaisemmilla, vaativat e kuiteki useide matriisie käätämistä, mikä o umeerisesti raskasta, jos matriisit ovat isoja. Huomautus 3.3. Puhtaasti gaussiessa taauksessa x = x CM = x MAP ja osteriorikovariassi Γ ost o ehdollie kovariassi. Jälkimmäiset ratkaisukaavat voidaa alauttaa ieimmä eliösumma ogelmaksi. Tätä varte tarvitaa Lause 3.4 (Cholesky-hajotelma). Olkoo A R symmetrie ositiividefiiitti matriisi. Tällöi se voidaa esittää yksikäsitteisesti muodossa A = LL T, missä L R o alakolmiomatriisi, joka diagoaalielemetit ovat ositiivisia. Tätä hajotelmaa kutsutaa matriisi A Cholesky-hajotelmaksi. Tarkastellaa gaussista ogelmaa Y = AX + E, 5
6 missä E N (0, Γ ) ja X N (x 0, Γ ). Olkoo Γ = L L T ja Γ = L L T kovariassimatriisie Cholesky-hajotelmat. Tarkastellaa toisaalta ylidetermioitua ieimmä eliösumma ogelmaa [ ] [ ] L 1 y L 1 L 1 A = x 0 L 1 x, Tämä ogelma ieimmä eliösumma ratkaisu o ˆx = { [ A T L T = ( A T L T = (A T Γ 1 L 1 L T A + Γ 1 A + L T ] [ L 1 A L 1 ]} 1 [ A T L T L 1 ) 1 ( A T L T y + Γ 1 x 0 ). ) 1 (A T Γ 1 L 1 L T y + L T ] [ L 1 y L 1 x 0 ) L 1 x 0 Toisi saoe yllä oleva ogelma ieimmä eliösumma ratkaisu o tilastollise iversio-ogelma ratkaisu ˆx = x. ] 4 Gaussiset rorit Esimerkki 4.1 (Valkoie kohia). Tarkastellaa ogelmaa Y = AX + E, missä kohia E N (0, σ 2 I) ja riori X N (0, γ 2 I). Tällaista rioria kutsutaa valkoie kohia -rioriksi (white oise rior). Nyt käyttämällä esimmäisiä ratkaisukaavoja saadaa x = γ 2 A T (γ 2 AA T + σ 2 I) 1 y = A T (AA T + αi) 1 y, missä α = σ 2 /γ 2. Tätä kaavaa kutsutaa huoosti asetetu ogelma y = Ax + e Wieer-filtteröidyksi ratkaisuksi. Toisaalta käyttämällä jälkimmäisiä ratkaisukaavoja saadaa x = (σ 2 A T A + γ 2 I) 1 σ 2 A T y = (A T A + αi) 1 A T y, eli yllä oleva ogelma a osteriori -tiheyde keskikohta (x CM = x MAP = x) ob ogelma y = Ax Tikhoov-regularisoitu ratkaisu regularisaatioarametrilla α. Tikhoovi regularisaatioarametri α voidaa siis tulkita kohia ja 6
7 riori variassie suhteeksi. Huomaa myös, että gaussisessa taauksessa π(x y) π r (x)π(y x) ex( 1/(2γ 2 )x T x) ex( 1/(2σ 2 )(y Ax) T (y Ax)) ( ( 1 = ex 2γ 2 x )) y Ax 2 2σ2 = ex( V (x y)), missä yt V (x y) = CT α (x), eli osterioritiheyde ehdollie otetiaali V o vakiota vaille Tikhoov-fuktioaali T α. Ku Tikhoov-fuktioaali miimoidaa, maksimoidaa tällöi osterioritiheys ex( V (x y)). 4.1 Gaussiset sileysriorit Esimerkki 4.2. Tarkastellaa ogelmaa y = Ax + e klassisessa mielessä. Oletetaa, että x R kuvaa joki fuktio f : D R R diskretisoituja arvoja, ja oletetaa vielä, että tiedämme a riori, että fuktio f o kahdesti differetioituva alueessa D. Tällöi yritetää miimoida Tikhoov-fuktioaali T alha (x) = Ax y 2 + α Lx 2, missä L : R R k o Laålace-oeraattori diskreetti aroksimaatio R :ssä. Kute aiemmi, voidaa odottaa, että o olemassa joki gaussie riorijakauma site, että T α o (vakiota vaille) osterioriotetiaali V (x y). Jos oletetaa, että datassa o valkoista kohiaa variassilla σ 2, ja asetetaa V (x y) = 1 2σ 2 y Ax 2 + α 2σ 2 Lx 2 = 1 2σ 2 T α(x), ii tällöi T α : miimoiti maksimoi ehdollise jakauma x ex( V (x y)). Täte luoollie ehdolas riorijakaumaksi o ( π r (x) ex 1 ) 2γ 2 Lx 2, γ 2 = σ2 α. Olkoo yt L R aettu matriisi. Tarkastellaa riorijakaumaa π r (x) ex ( 12 ) L(x x 0) 2 ( = ex 1 ) 2 (x x 0) T L T L(x x 0 ). 7
8 Ogelmaa tässä esityksessä o, että matriisi L saattaa yleisessä taauksessa olla degeeroituut, eli rak(l) <, jolloi matriisi L T L R ei ole käätyvä, eikä siis voi määrätä gaussista kovariassimatriisia. Tällöi tulkita tehdää rajarosessi kautta. Seuraavassa asetetaa aia x 0 = 0. Määritelmä Satuaismuuttujaa W R k kutsutaa uhtaaksi (tai ortoormaaliksi) valkoiseksi kohiaksi, jos W N (0, I), missä I R k k o yksikkömatriisi. 2. Olkoo X R gasussie satuaismuuttuja, joka odotusarvo o olla. Matriisia L R k kutsutaa X: valkaisumatriisiksi (whiteig matrix), jos LX = W R k. Oletetaa,että x R o gaussie satuaismuuttuja, joka kovariassimatriisi o Γ R. Olkkoo se Cholesky-hajotelma Γ = CC T. Tällöi X: valkaisumatriisi o C 1 : olkoo Y = C 1 X. Nyt Y : kovariassi o E{Y Y T } = E{C 1 XX T C 1 } = C 1 E{XX T }C T = C 1 ΓC T = C 1 CC T C T = I. Käätäe oletetaa, että matriisi L R k o aettu, ja tarkoituksea o kostruoida satuaismuuttuja X R site, että L o mahdollisimma lähellä X: valkaisumatriisia. Olkoo L: sigulaariarvohajotelma L = UDV T, missä D = diag(d 1, d 2,..., d m ), m = mi(k, ), ja ja d 1 d 2 d d +1 = = d m = 0, V = [v 1, v 2,..., v m ]. Tällöi ker(l) = s{v +1,..., v m } ja olkoo Q = [v +1,..., v m ] R (m ). Lemma 4.4. Olkoo W R k ja W R m kaksi keskeää riiumatota valkoista kohiaa, ja olkoo X = L + W + aqw, 8
9 missä L + o L: seudoiverssi ja a > 0 o mielivaltaie vakio. Tällöi satuaismuutuja X kovariassi o ja se kääteismatriisi o ii Nyt siis jos Γ = L + (L + ) T + a 2 QQT, Γ 1 = L T L + 1 a 2 QQT. X = L + W + aqw, LX = LL + W = UU T W = P W, missä P o ortogoaalie rojektio avaruutee Ra(L), ja muuttuja X = P W kovariassi o tässä avaruudessa yksikkömatriisi. Toisi saoe vaikka L ei ole aiemma määritelmä mukaie valkaisumatriisi, o se mahdollisimma hyvä aroksimaatio sellaisesta. Edellä oleva lemma kaavasta kovariassi kääteismatriisille ähdää, että suurella a satuaismuuttujalla X o miltei haluttu jakauma.kuiteki tällöi aliavaruude ker(l) suutaa X: variassi o silloi valtava, eikä sileysriori siis aa mitää iformaatiota siiä suuassa. Itse asiassa, jos ker(l) {0}, ii L ei edes määritä oikeata todeäköisyystiheyttä: olkoo ( π r (x) ex 1 ) 2γ 2 Lx 2 ( ) = ex 1 d 2 2γ j(v T 2 j x) 2, jote asettamalla H = s{v 1,..., v } saadaa ( ex 1 ) 2γ Lx dx = (2π) /2 γ 2 2 j=1 d <, j H mutta jos >, ii R π r (x)dx =. Tällaisia rioreita kutsutaa eäaidoiksi (imroer) rioreiksi. j=1 9
10 kertaluvu differessiriori Jos tiedetää, että tutemato X o kerra differetioituvam, voidaa käyttää 1. kertasluvu differessirioria. Tällöi oletetaa, että eräkkäiste isteide erotus o ormaalijakautuut odotusarvolla olla ja variassilla σ 2, toisi saoe x i x i 1 N (0, σ 2 ), i = 1, 2,...,. Tämä riori-iformaatio voidaa esittää matriisia L =... R( 1), 1 1 ja koko riori stokastisea mallia Toisi saoe riori olisi 0 = LX + E, E N (0, σ 2 I). X N (0, σ(l T L) 1 ), mutta yt L T L ei ole käätyvä, eli L määrittelee eäaido riori! Se voidaa kuiteki laajetaa aidoksi rioriksi lisäämällä siihe reuaehto: olkoo x 1 N (0, σ), jolloi siis saadaa matriisi L = R, joka ataa aido riori. Huomaa, että tämä reuaehtovalita akottaa istee x 1 ollaksi, mikä ei välttämättä ole toivottavaa. Huomaa myös, että o mahdollista kiiittää myös joki muu iste, esimerkiksi ääteiste x. Toie vaihtoehto o ataa reuaisteelle eemmä vaautta asettamalla se variassi suureksi. Tällöi tämä lisäiformaatio voidaa tulkita ii, että meillä ei ole kovi tarkkaa tietoa istee x 1 arvosta. 10
11 kertaluvu differessiriori Jos tiedetää, että X o kahdesti differetioituva, voidaa käyttää rioria 2. kertaluvu differessi eli diskretisoitua Lalace-oeraattoria: L =... R( 2) Jällee L määrittelee eäaido riori, jota joudutaa laajetamaa reuaehdoilla. Mahdollisia laajeuksia ovat esimerkiksi x 1 N (0, σ), 2x 1 + x 2 N (0, σ), joka jällee aiaa istee x 1 ollaksi, tai symmetrie lisäiformaatio 2x 1 + x 2 N (0, σ), x 1 2x N (0, σ). Kulloiki soivat reuaehdot riiuvat tilateesta. 5 Priori sämläys Usei o hyödyllistä tietää, millaisia ratkaisuja eri riorit tuottavat. Niitä voidaa tutkia kostruoimalla realisaatioita aetusta riorijakaumasta tai riorimallista. Olkoo X gaussie satuaismuuttuja, X N (x 0, Γ), ja olkoo Γ = CC T kovariassimatriisi Cholesky-hajotelma. Tällöi ja C 1 X N (x 0, I) C 1 X x 0 N (0, I), jote realisaatio jakaumasta N (x 0, Γ) voidaa kostruoida ratkaisemalla yhtälö C 1 (W + x 0 ), W N (0, I), 11
12 eli x = C(w + x 0 ), missä W = w o valkoise kohia realisaatio. Vastaavasti riorimalli x 0 = LX + E, E N (0, Γ), taauksessa tulee ratkaista yhtälö Lx = C(w + x 0 ). 12
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
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotMS-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,
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7
Inversio-ongelmien laskennallinen peruskurssi Luento 7 Kevät 2012 1 Tilastolliset inversio-ongelmat Tilastollinen ionversio perustuu seuraaviin periaatteisiin: 1. Kaikki mallissa olevat muuttujat mallinnetaan
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
LisätiedotKaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut
Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,
Lisätiedot1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
LisätiedotInsinöörimatematiikka IA
Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
Lisätiedot5. Lineaarisen optimoinnin perusprobleemat
2 5. Lieaarise optimoii perusprobleemat Optimoitiprobleema o lieaarise optimoii tehtävä, jos kohdefuktio o lieaarie fuktio ja rajoitusehdot ovat lieaarisia yhtälöitä tai lieaarisia epäyhtälöitä. Yleisessä
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotTilastolliset luottamusvälit
Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
LisätiedotMat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
Lisätiedot4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on
4 4 KORKEAAN KERTAUVUN INEAARISET DIFFERENTIAAIYHTÄÖT Kertalukua olevassa differetiaalihtälössä F(x,,,, () ) = 0 esiit :e kertaluvu derivaatta () = d /dx ja mahdollisesti alempia derivaattoja, :tä ja x:ää.
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
LisätiedotMat 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( ) 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
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotAineaaltodynamiikka. Aikariippuva Schrödingerin yhtälö. Stationääriset tilat. Ei-stationääriset tilat
Aieaaltodyamiikka Aikariiuva Scrödigeri ytälö Aieaaltoketä aikariiuvuude määrää ytälö Aieaaltokettie riiuvuus ajasta aikariiuva Scrödigeri ytälö Statioääriset ja ei-statioääriset tilat Aaltoaketit Kvattimekaiika
LisätiedotAnalyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018
Aalyysi A Harjoitustehtäviä lukuu / kevät 208 Ellei toisi maiita, tehtävissä esiityvät muuttujat ja vakiot ovat mielivaltaisia reaalilukuja.. Aa joki ylä- ja alaraja joukoille { x R x 2 + x 6 ja B = {
LisätiedotParametrien oppiminen
38 Parametrie oppimie Tilastollise malli (Bayes-verkko rakee o kiiitetty, se umeeriste parametrie (ehdolliste todeäköisyyksie arvot pyritää määräämää Oletamme havaitoe oleva täydellisiä; s.o., okaise datapistee
LisätiedotYhden selittäjän lineaarinen regressiomalli
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli
Lisätiedot5.3 Matriisin kääntäminen adjungaatilla
Vaasa yliopisto julkaisuja 08 Sec:MatIvAdj 53 Matriisi käätämie adjugaatilla Määritelmä 3 -matriisi A adjugaatti o -matriisi adj(a) (α i j ), missä α i j ( ) i+ j det(a ji ) (, joka o siis alkioo a ji
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
Lisätiedot2 avulla. Derivaatta on nolla, kun. g( 3) = ( 3) 2 ( 3) 5 ( 3) + 6 ( 3) = 72 > 0. x =
TAMMI PYRAMIDI NUMEERISIA JA ALGEBRALLISIA MENETELMIÄ PARITTOMAT RATKAISUT 7 Tiedosto vai hekilökohtaisee käyttöö. Kaikelaie sisällö kopioiti kielletty. a) g( ) = 5 + 6 Koska g o eljäe astee polyomi, ii
LisätiedotRATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan
RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa
LisätiedotSeuraavat peruslauseet 1-8 voidaan helposti todistaa integraalin määritelmästä. Integroimisjoukko R oletetaan rajoitetuksi Jordanmitalliseksi
Laaja matematiikka 5 Kevät 200 2. Itegraali omiaisuuksia Seuraavat peruslauseet -8 voidaa helposti todistaa itegraali määritelmästä. Itegroimisjoukko oletetaa rajoitetuksi Jordamitalliseksi joukoksi. Lause
LisätiedotAlgebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)
Algebra I Matematiika ja tilastotietee laitos Ratkaisuehdotuksia harjoituksii 5 (6 sivua) 14.2. 17.2.2011 1. Määritellää kuvaus f : S 3 S 3, f(α) = (123) α. Osoita, että f o bijektio. Mikä o se kääteiskuvaukse
LisätiedotRyhmän osajoukon generoima aliryhmä ja vapaat ryhmät
Ryhmä osajouko geeroima aliryhmä ja vapaat ryhmät LuK-tutkielma Joose Heioe Matemaattiste tieteide tutkito-ohjelma Oulu yliopisto Kevät 2017 Sisältö Johdato 2 1 Ryhmät ja aliryhmät 2 1.1 Ryhmä.................................
LisätiedotLuento 7 Luotettavuus Koherentit järjestelmät
Lueto 7 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio Aalto-yliopisto perustieteide korkeakoulu PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi Määritelmä Tarkasteltava
LisätiedotLuento 6 Luotettavuus Koherentit järjestelmät
Lueto 6 Luotettavuus Koheretit järjestelmät Ja-Erik Holmberg Systeemiaalyysi laboratorio PL 00, 00076 Aalto ja-erik.holmberg@riskpilot.fi ja-erik.holmberg@aalto.fi Määritelmä Tarkasteltava yksikö luotettavuus
Lisätiedotj = I A = 108 A m 2. (1) u kg m m 3, (2) v =
764A KIINTEÄN AINEEN FYSIIKKA Ratkaisut 6 Kevät 28. Tehtävä: Aiemmi olemme laskeeet kupari johtavuuselektroie tiheydeksi 8.5 28 m. Kuparijohdossa, joka poikkipita-ala o mm 2, kulkee A: virta. Arvioi Drude
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
LisätiedotOrtogonaalisuus ja projektiot
MA-3450 LAAJA MAEMAIIKKA 5 amperee teillie yliopisto Risto Silveoie Kevät 2007 äydeämme Lama 2: lieaarialgebraa oheisella Ortogoaalisuus ja projetiot Olemme aiaisemmi jo määritelleet, että asi vetoria
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
LisätiedotMatriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ,, x1 x. Matriiseihin perehtyminen voidaan perustella useilla järkisyillä.
Vaasa yliopisto julkaisuja 71 4 MATRIISIT JA MATRIISILASKUT Ch:Matrix Sec:MatLaskut 4.1 Matriisi ja matriisilaskut Matriisi o suorakulmaie lukukaavio. Matriiseja ovat esimerkiksi: 2 0.4 8 0 a b,, x1 x
Lisätiedot9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.
Vaasa yliopisto julkaisuja 225 U = 0.1213-0.9359-0.3307-0.1005-0.3430 0.9339 0.9875 0.0801 0.1357 S = V = >> 4.5221 0 0 0 2.2793 0 0 0 1.1642 0.0537-0.8212-0.5681 0.4414-0.4908 0.7512 0.8957 0.2911-0.3361
Lisätiedot( θa,n ;Y n (ˆθn θ 0 ), a=1,...,d, J n
2.4.2 Asymptoottie ormaalisuus Ku SU estimaattori tarketuvuus o todettu, voidaa asymptoottie ormaalisuus osoittaa käyttäe pistemäärä Taylori kehitelmää tai väliarvolausetta. Tämä vaatii uskottavuusfuktio
LisätiedotEhdollinen todennäköisyys
Ehdollie todeäköisyys Kerrataa muutama todeäköisyyslaskea laskusäätö. Tapahtuma E komplemettitapahtuma E o "E ei tapahdu". Koska todeäköisyyksie summa o 1, P ( E = 1 P (E. Joskus o helpompi laskea komplemettitapahtuma
LisätiedotTehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 0, MALLIRATKAISUT Tehtävä. Voidaako seuraavat luvut esittää kahde eliö summia? Jos voidaa, ii kuika moella eri tavalla? (i) = 45 (ii) = 770. Ratkaisu. (i) Jaetaa
LisätiedotLaaja matematiikka 2 Kertaustehtäviä Viikko 17/ 2005
7303045 Laaja matematiikka Kertaustehtäviä Viikko 7/ 005 Tehtävät ovat Laaja matematiikka : ja : alueelta olevia etisiä välikoe- ja tettitehtäviä. Alkupää tehtävät liittyvät yleesä kurssii ja loppupää
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
Lisätiedot2.1. Parametrien estimointi 2.2. Regressiokertoimien estimointi kovariansseista ja korrelaatioista
Moimuuttujameetelmät: Ilkka Melli. Yleise lieaarise malli määrittelemie.. ja malli oletukset.. Yleise lieaarise malli matriisiesitys. Yleise lieaarise malli parametrie estimoiti.. Parametrie estimoiti..
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
LisätiedotTestit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot
TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi
LisätiedotKompleksilukujen alkeet
Kompleksilukuje alkeet Samuli Reuae Soja Kouva Kuva 1: Abraham De Moivre (1667-175) Sisältö 1 Kompleksiluvut ja kompleksitaso 1.1 Yhtee- ja väheyslasku...................... 1. Kertolasku ja z = x + yi
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 3 1 Lisää iduktiota Jatketaa iduktio tarkastelua esimerki avulla. Yritetää löytää kaava : esimmäise (positiivise) parittoma luvu summalle eli summalle 1 + 3 + 5 + 7 +...
LisätiedotTilastolliset menetelmät
Tilastolliset meetelmät tilastolliste meetelmie tarkoitus o: estimoida eliaika- (vikaatumisaika, korjausaika- jakaumie ja -mallie parametreja eliaikakokeide, laitteide käyttökokemustiedo yms. perusteella
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
Lisätiedot1 Eksponenttifunktion määritelmä
Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella
LisätiedotHEIJASTUMINEN JA TAITTUMINEN
S-08-0 OPTIIKKA /6 HEIJASTUMINEN JA TAITTUMINEN Laboratoriotyö S-08-0 OPTIIKKA /6 Sisällysluettelo Teoria... 3 Työ suoritus... 4. Kokoaisheijastus... 4. Brewsteri kulma... 5 3 Mittauspöytäkirja... 6 S-08-0
LisätiedotMat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit
Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,
LisätiedotDEE Sähkömagneettisten järjestelmien lämmönsiirto
DEE-54 Sähköageettiste järjestelie läösiirto Lueto 7 Sähköageettiste järjestelie läösiirto Risto Mikkoe..4 Läöjohtuise leie osittaisdiffereretiaalihtälö t E g c p Sähköageettiste järjestelie läösiirto
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotMat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:
Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6A
Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Ssteemiaalsi laboratorio Mat-2.9 Sovellettu todeäköisslasku A Nordlud Harjoitus 6 (vko 43/23) (Aihe: sekamalli, hteisjakaumia, Laiie luvut 6. 6.3, 8. 8.9). Tässä o edellise viiko laskareissa luvattu
Lisätiedot8.3. Yleinen lineaarinen malli ja yleistetty pienimmän neliösumman menetelmä
Mat-1.361 Tilastollie päättely Tilastollie päättely 8. Yleie lieaarie malli 8.1. Yleie lieaarie malli ja se parametrie estimoiti Estimoiti, Estimaattori hyvyys, Gaussi ja Markovi lause, Harhattomuus, Homoskedastisuus,
Lisätiedot2 u = 0. j=1. x 2 j=1. Siis funktio v saavuttaa suurimman arvonsa jossakin alueen Ω pisteessä x. Pisteessä x = x on 2 v. (x ) 0.
0. Maksimiperiaate Laplace-yhtälölle 0.. Maksimiperiaate. Alueessa Ω R määritelty kaksi kertaa erivoituva fuktio u o harmoie, jos u = j= = 0. 2 u x 2 j Lause 0.. Olkoot Ω R rajoitettu alue ja u C(Ω) C
LisätiedotHarjoitukset 1 : Tilastokertaus
31C99904, Capstoe: Ekoometria ja data-aalyysi TA : markku.siikae(a)aalto.fi & tuuli.vahapelto(a)aalto.fi Harjoitukset 1 : Tilastokertaus (Palautus 10.1.2017) Palautellaa mielii hiema tilasto-oppia ja todeäköisyyslasketaa.
Lisätiedot4.3.6 Eräitä diskreettejä Markov-kenttiä
0.4 0.35 Gauss l1 Cauchy 0.3 0.25 0.2 0.15 0.1 0.05 0 10 8 6 4 2 0 2 4 6 8 10 Kuva 4.20: L2-priorin tnft, Cauchy-priorin tntf kun α = α = 2. 2π π 2π ja L1-priorin tntf kun 4.3.6 Eräitä diskreettejä Markov-kenttiä
LisätiedotJohdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LisätiedotMATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai
MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
Lisätiedot2.5. Eksponenttifunktio ja eksponenttiyhtälöt
Eksoettifuktio ja -htälöt Eksoettifuktio ja eksoettihtälöt Ku otessi käsitettä laajeetaa sallimalla eksoetille muitaki arvoja kui kokoaislukuja, tämä taahtuu ii, että ii saotut otessikaavat ovat voimassa,
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 3
Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,
LisätiedotLuku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 7.1 Parametriset jakaumat Tarkastellaa tutematota datalähdettä, joka tuottaa toisistaa stokastisesti riippumattomia ja tiheysfuktio
LisätiedotDiskreetin 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,
LisätiedotEsimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).
Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
Lisätiedoty = 3x2 y 2 + sin(2x). x = ex y + e y2 y = ex y + 2xye y2
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 2 mallit Kevät 219 Tehtävä 1. Laske osittaisderivaatat f x = f/x ja f y = f/, kun f = f(x, y) on funktio a) x 2 y 3 + y sin(2x),
Lisätiedot0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 18 Harjoitus Ratkaisuehdotuksia Tehtäväsar I 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma yhteistiheysfunktiolla f
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva
LisätiedotTarkastellaan ympyräsylinterin käyttäytymistä eri muotoisilla tukipinnoilla. Oletetaan sylinterin vierintävastus merkityksettömäksi.
NURJAHDUS ERUSKÄSITTEITÄ Katava raketee mitoitusperusteet ovat ujuus jäitykset eivät ylitä iille sallittuja arvoja Jäykkyys siirtymät ja muodomuutokset pysyvät ealta määrätyissä rajoissa Stabiilius raketee
Lisätiedot811312A 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
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 019 Harjoitus 5B Rataisuehdotusia Tehtäväsarja I 1. (Jatoa Harjoitus 5A tehtävää 4). Moistee esimeri 3.3.3. muaa momettimeetelmä
Lisätiedot10 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).
LisätiedotTehtäviä 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:
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lieaarie ohjelmoiti 20.9.2007 Lueto 2 Lieaarialgebraa ja geometriaa (kirja.5, 2.) S ysteemiaalyysi Tekillie korkeakoulu Lieaarie ohjelmoiti - Syksy 2007 / Lieaarialgebraa Notaatiota Kääteismatriisi
Lisätiedot