Mat Tilastollisen analyysin perusteet, kevät 2007

Koko: px
Aloita esitys sivulta:

Download "Mat Tilastollisen analyysin perusteet, kevät 2007"

Transkriptio

1 Mat-.4 Tilatollie aali peruteet, kevät 7 6. lueto: Johdatu regreioaalii Regreioaali idea Tavoitteea elittää elitettävä tekiä/muuttua havaittue arvoe vaihtelu elittävie tekiöide/muuttuie havaittue arvoe vaihtelu avulla Tilatollieti merkitevä oa elitettävä muuttua havaittue arvoe vaihteluta voidaa elittää elittävie muuttuie havaittue arvoe vaihtelu avulla => elitettävä muuttua riippuu tilatollieti elittäitä Regreioaalia tilatollielle riippuvuudelle pritää raketamaa tilatollie malli, regreiomalli Riippuvuukie aaloiti o uei tutkimuke kekeie tavoite regreioaali o eite ovellettua a tärkeimpiä tilatotietee meetelmiä Regreioaali tavoitteet Regreioaali mahdolliia tavoitteita: (i Selitettävä muuttua a elittävie muuttuie tilatollie riippuvuude luotee kuvaamie: Millaie o riippuvuude muoto? Kuika voimakata riippuvuu o? (ii Selitettävä muuttua arvoe eutamie (iii Selitettävä muuttua arvoe kotrolli Steemiaali Tekillie korkeakoulu Kai Virtae Steemiaali Tekillie korkeakoulu Kai Virtae Steemiaali Tekillie korkeakoulu Kai Virtae 3 Steemiaali Tekillie korkeakoulu Regreiomallie luokittelu Regreioaalia ovellettavat tilatolliet mallit voidaa luokitella uealla eri periaatteella Luokittelu regreiomalli fuktioaalie muodo mukaa: Lieaariet regreiomallit (tämä kuri Epälieaariet regreiomallit Luokittelu regreiomalli htälöide lukumäärä mukaa: Yhde htälö regreiomallit (tämä kuri Moihtälömallit Kai Virtae 4 Steemiaali Tekillie korkeakoulu Regreioaali lähtökohdat Regreioaalilla o kaki erilaita lähtökohtaa, oilla o kuiteki moia htmäkohtia: (i Ogelmat determiitite mallie ovittamiea havaitoihi (elittäät ei-atuaiia muuttuia - eim. puhtaat koeaetelmat (ii Moiulotteite todeäköiakaumie ehdollite odotuarvoe eli regreiofuktioide parametrie etimoiti (elittäät atuaimuuttuia Tällä kurilla kätetää opivia oletukia => Sama lakutekiikka kummalleki mallitpille!!! Kai Virtae 5 Regreiomalli a e oat Yhde htälö regreiomalli leie muoto o = f ( ; β oa = elitettävä muuttua = elitettävä muuttua f ( ; β = malli temaattie eli rakeeoa ε = malli atuaie oa Stemaattie oa f ( ; β o : fuktio, riippuu f: muodo määräävätä parametrita β Satuaie oa ε o ääötermi, oka ei tavallieti riipu :tä Pääaiallie kiiotu kohdituu regreiomalli temaattiee oaa a e muotoo Jääötermiä ε pidetää uei pelkkää virhetermiä Jääötermitä ε tehdt oletuket vaikuttavat tapaa, olla regreioaali tehdää Steemiaali Kai Virtae 6 Tekillie korkeakoulu

2 Regreioaali Regreioaali tarkoittaa mallii = f ( ; β liittvie tehtävie uorittamita: Fuktio f valita Parametri β etimoiti Parametria β kokevie hpoteeie tetaamie Etimoidu malli hvde arvioiti Mallita tehte oletute tarkitamie Selitettävä muuttua kättätmie eutamie a euteide epävarmuude arvioiti Lieaarie regreiomalli Lieaarieki regreiomalli: Rakeeoa f o parametri β uhtee lieaarie Lieaariuuoletu o kätäöä ooittautuut moia ovellutilateia hvi toimivaki Muuttuat oudattavat multiormaaliakaumaa => lieaarie regreiomalli ok, koka ko. akauma regreiofuktiot eli ehdolliet odotuarvot ovat lieaariia Lieaarie regreiomalli oveltamie ok mö moia tilateia, oia muuttuie riippuvuu o epälieaarita: (i (ii Muuttuie riippuvuutta voidaa uei approkimoida aiaki lokaaliti lieaariella mallilla Muuttuie epälieaarie riippuvuu voidaa uei liearioida opivilla muuokilla Mat-.4 Tilatollie aali peruteet, kevät 7 6. lueto: Yhde elittää lieaarie regreiomalli Steemiaali Tekillie korkeakoulu Kai Virtae 7 Steemiaali Tekillie korkeakoulu Kai Virtae 8 Steemiaali Tekillie korkeakoulu Kai Virtae 9 Yhde elittää lieaarie regreiomalli a e oat Halutaa elittää elitettävä muuttua havaittue arvoe vaihtelu elittävä muuttua havaittue arvoe vaihtelu avulla Oletuket: Selitettävä muuttua o uhdeateikollie atuaimuuttua Selittävä muuttua o kiiteä, ei-atuaie muuttua Oletetaa havaitoarvoe a välille lieaarie tilatollie riippuvuu + β, = K,,, Yhde elittää lieaarie regreiomalli: = elitettävä muuttua atuaie, havaittu arvo havaitokiköä = elittävä muuttua eli elittää ei-atuaie, havaittu arvo havaitokiköä ε = ääö- eli virhetermi ε atuaie, ei-havaittu arvo havaitokiköä β = vakioelittää regreiokerroi, ei-atuaie, tutemato vakio β = elittää regreiokerroi, ei-atuaie, tutemato vakio Stadardioletuket ääötermeitä Regreiomalli + β, = K,,, ääö- eli virhetermieε. tadardioletuket: (i E( ε =, =,, K, (ii Jääötermeillä o vakiovariai eli e ovat homokedatiia Var( ε =, =,, K, (iii Jääötermit ovat korreloimattomia Cor( ε, ε l =, l (iv Jäääötermit ovat armaaliakautueita ε N(,, =,, K, ~ Selitettävä muuttua omiaiuudet Jo ääötermeä kokevat tadardioletuket (i-(iii pätevät, elitettävä muuttua havaituilla arvoilla o tokatiet omiaiuudet: (i E( + β, =,, K, (ii Var( =, =,, K, (iii Cor(, l =, l Jo liäki ormaaliuuoletu (iv pätee, ii ~ (iv N( β + β,, =,, K, Steemiaali Tekillie korkeakoulu Kai Virtae Steemiaali Tekillie korkeakoulu Kai Virtae Steemiaali Tekillie korkeakoulu Kai Virtae

3 Malli parametrit ekä temaattie a atuaie oa Malli + β, =,, K, parametrit regreiokertoimetβ a β ääötermieε hteie variai, ääövariai Var( ε =, =,, K, Regreiokertoimet a ääövariai leeä tutemattomia => e o etimoitava havaioita Jo tadardioletu E( ε pätee, ii havaitut =, =,, K, arvot voidaa eittää kahde oatekiä ummaa = E(, =,,,, miä - E( + β o temaattie oa -ε o atuaie oa Steemiaali Tekillie korkeakoulu Kai Virtae 3 Steemiaali Tekillie korkeakoulu Regreiouora Stemaattie oa E( + β määrittelee regreiouora + β, miä β = regreiouora a -akeli leikkaupite β = regreiouora kulmakerroi Jääötermie variai kuvaa havaitopiteide vaihtelua regreiouora mpärillä Selittää arvo kavaa hdellä kiköllä => β kertoo paloko elitettävä muuttua arvo muuttuu Kai Virtae 4 Yhde elittää lieaarie regreiomalli etimoiti pieimmä eliöumma meetelmällä Eti regreiokertoimille β a β ellaiet arvot, että iide määräämä regreiouora elittäii mahdolliimma hvi elitettävä muuttua arvoe vaihtelu Ueita meetelmiä, eim. pieimmä eliöumma meetelmä miimoidaa ääötermie eliöumma ε i = ( β β = = regreiokertoimie β a β uhtee regreiokertoimie pieimmä eliöumma (PNS- etimaattorit b = b b = = r Steemiaali Kai Virtae 5 Tekillie korkeakoulu Etimoitu regreiouora PNS-etimaattorit b a b määrittelevät etimoidu regreiouora = + r ( Etimoidu regreiouora omiaiuudet: (i Suora kulkee havaitopiteide (, paiopitee kautta (ii Jo r >, uora o oueva (iii Jo r, uora o lakeva < (iv Jo r =, uora o vaakauoraa (v Suora rkkeee (loiveee, o korrelaatio iteiarvo r kavaa (pieeee kekihaota kavaa (pieeee kekihaota pieeee (kavaa Steemiaali Tekillie korkeakoulu Kai Virtae 6 Sovitteet a reiduaalit Etimoidu malli ovitteet: ˆ = b + b, =,, K, etimoidu regreiouora elitettävälle muuttualle atama arvo havaitopiteeä Etimoidu malli reiduaalit: e = ˆ = b b, =,, K, elitettävä muuttua havaitu arvo a ovittee atama arvo erotu Huomaa = ˆ + e, =,, K, Regreiomalli elittää elitettävä muuttua havaittue arvoe vaihtelu itä paremmi mitä lähempää ovitteet ovat elitettävä muuttua havaittua arvoa Regreiomalli elittää elitettävä muuttua havaittue arvoe vaihtelu itä paremmi mitä pieempiä ovat etimoidu malli reiduaalit Steemiaali Kai Virtae 7 Tekillie korkeakoulu Sovitteide a reiduaalie havaiollitu Malli: + β, =,, K, PNS-uora: = b + b Sovite: ˆ = b + b, =,, K, Reiduaali: e ˆ =, =,, K, Steemiaali Tekillie korkeakoulu e ˆ (, = b + b (, ˆ Kai Virtae 8 3

4 Jääövariai etimoiti Jo ääötermeä kokevat tadardioletuket pätevät, ääövariai Var(ε = harhato etimaattori o = e e = ˆ = b b, =,, K, = = etimoidu malli reiduaali = havaitoe lukumäärä Jääövariai etimaattori kuvaa havaitopiteide vaihtelua etimoidu regreiouora mpärillä Etimaattori o mö reiduaalie e variai, koka e = e = i = i e e e ( = = = = Variaiaalihaotelma idi Kuika hvi elitettävä muuttua havaittue arvoe vaihtelu elittävä muuttua havaittue arvoe vaihtelulla? Vatau:variaiaalihaotelma!!!! Haotelmaa elitettävä muuttua havaittue arvoe kokoaivaihtelua kuvaava. kokoaieliöumma aetaa kahde oatekiä ummaki: (i (ii Toie oatekiä kuvaa etimoidu malli elittämää oaa kokoaivaihteluta Toie oatekiä kuvaa mallilla elittämättä äättä oaa kokoaivaihteluta Kokoaieliöumma a ääöeliöumma Kokoaieliöumma SST = ( = kuvaa elitettävä muuttua havaittue arvoe vaihtelua elitettävä muuttua havaittue arvoe variai = SST = e = kuvaa reiduaalie e vaihtelua mallia vakioelittää => e = a reiduaalie e variai = SSE o ääövariai harhato etimaattori Jääöeliöumma SSE Steemiaali Tekillie korkeakoulu Kai Virtae 9 Steemiaali Tekillie korkeakoulu Kai Virtae Steemiaali Tekillie korkeakoulu Kai Virtae Kokoai- a ääöeliöumma hte Jääöeliöumma SSE a kokoaieliöumma SST toteuttaa SSE = e = ( r ( = ( r SST = = oa r o otokorrelaatiokerroi Koka r +, ii SSE SST Seuraavat ehdot ovat htäpitäviä: - SSE = e = kaikille =,,, r = ± - kaikki havaitopiteet ovat amalla uoralla - lieaarie regreiomalli elittää tädellieti elitettävä muuttua havaittue arvoe vaihtelu Seuraavat ehdot ovat htäpitäviä: - SSE = SST e = kaikille =,,, r = - elitettävä muuttua havaittue arvoe vaihtelua ei voida elittää lieaariella regreiomallilla Steemiaali Tekillie korkeakoulu Kai Virtae Steemiaali Tekillie korkeakoulu Mallieliöumma Määritellää mallieliöummaki SSM htälöllä SSM = SST SSE Voidaa ooittaa, että SSM = ( ˆ = Koka SSE SST, ii SSM Mallieliöumma SSM voidaa eittää mö muodoa SSM = ( ˆ ˆ = oa ˆ = ˆ = = = = Kai Virtae 3 Mallieliöumma a variaiaalihaotelma Määritellää mallieliöumma SSM SSM = SST SSE Variaiaalihaotelmaa SST = SST = SSM + SSE, ( = elitettävä muuttua havaittue arvoe vaihtelua kuvaava kokoaieliöumma SST o eitett kahde oatekiä ummaa: (i Mallieliöumma SSM kuvaa itä oaa elitettävä muuttua havaittue arvoe vaihteluta, oka malli o elittät SSM = ( ˆ = (ii Jääöeliöumma SSE kuvaa itä oaa elitettävä muuttua havaittue arvoe vaihteluta, ota malli ei ole elittät SSE = e = Steemiaali Tekillie korkeakoulu Kai Virtae 4 4

5 Steemiaali Tekillie korkeakoulu Selitate Variaiaalihaotelma SST=SSM+SSE avulla voidaa kuvata regreiomalli hvttä: mitä uurempi o mallieliöumma SSM ouu kokoaieliöummata SST, itä paremmi malli elittää elitettävä muuttua havaittue arvoe vaihtelu mitä pieempi o ääöeliöumma SSE ouu kokoaieliöummata SST, itä paremmi etimoitu malli elittää elitettävä muuttua havaittue arvoe vaihtelu Variaiaalihaotelma motivoi tuuluvu SSE SSM R = = kätö regreiomalli hvde mittaria SST SST Selitate R mittaa malli elittämää ouutta elitettävä muuttua havaittue arvoe kokoaivaihteluta Ilmaitaa tavallieti proetteia R % R = [ Cor(, ˆ ], oa Cor(* o elitettävä muuttua havaittue arvoe a ovitteide otokorrelaatiokerroi Yhde elittää lieaariea regreiomallia R = r Kai Virtae 5 Selitatee omiaiuudet (i R (ii Seuraavat ehdot ovat htäpitäviä: ( R = ( Kaikki reiduaalit häviävät, e = (3 Kaikki havaitopiteet (, aettuvat amalle uoralle (4 r = ± (5 Malli elittää tädellieti elitettävä muuttua havaittue arvoe vaihtelu (iii Seuraavat ehdot ovat htäpitäviä: ( R = ( b = (3 r = (4 Malli ei elitä ollekaa elitettävä muuttua havaittue arvoe vaihtelua Steemiaali Kai Virtae 6 Tekillie korkeakoulu Sekä elitettävä että elittää atuaimuuttuia Satuaimuuttuat a oudattavat -ulotteita ormaaliakaumaa N (µ, µ,,, ρ parametrit: odotuarvot, variait a korrelaatiokerroi Satuaimuuttua ehdollie akauma atuaimuuttua uhtee o ~ N ( µ, oa µ = E( = µ + ρ ( µ = Var( = ( ρ Satuaimuuttua regreiofuktio atuaimuuttua uhtee = ehdollie odotuarvo Regreiofuktio määrittelee -koordiaatitoa uora = µ + ρ ( µ Steemiaali Tekillie korkeakoulu Kai Virtae 7 -ulotteie ormaaliakauma regreiofuktiota vataava lieaarie regreiomalli Havoiot ( i, i eivät leeä toteuta regreiofuktiota = µ + ρ ( µ => liätää iihe tadarioletukia oudattavat virhetermit ε => lieaarie regreiomalli + β, = K,,, Etimoidaa regreiofuktio tutemattomat parametrit otouureilla => timallee PNS-etimaattorit => timallee amalaie variaiaalihaotelma kui determiitiellä elittäällä Determiitie a tokatie elittää ohtaa timallee amalaiee lieaariee regreiomallii!!!!!!!!!! Steemiaali Tekillie korkeakoulu Kai Virtae 8 5

Johdatus regressioanalyysiin. Johdatus regressioanalyysiin. Johdatus regressioanalyysiin: Mitä opimme? 2/3

Johdatus regressioanalyysiin. Johdatus regressioanalyysiin. Johdatus regressioanalyysiin: Mitä opimme? 2/3 TKK (c) Ilkka Melli (004) 1 Johdatus regressioaalsii Johdatus tilastotieteesee Johdatus regressioaalsii Regressioaalsi lähtökohdat a tavoitteet Determiistiset mallit a regressioaalsi Regressiofuktiot a

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

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

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

Johdatus regressioanalyysiin. Heliövaara 1

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

Lisätiedot

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

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

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

Lisätiedot

Yleinen lineaarinen malli. Yleinen lineaarinen malli. Yleinen lineaarinen malli: Mitä opimme? 2/4. Yleinen lineaarinen malli: Mitä opimme?

Yleinen lineaarinen malli. Yleinen lineaarinen malli. Yleinen lineaarinen malli: Mitä opimme? 2/4. Yleinen lineaarinen malli: Mitä opimme? TKK (c) Ila Melli (004) Yleie lieaarie malli Johdatus tilastotieteesee Yleie lieaarie malli Usea selittää lieaarie regressiomalli Yleise lieaarise malli matriisisesitys Yleise lieaarise malli estimoiti

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

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

Lisätiedot

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

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ABHELSINKI UNIVERSITY OF TECHNOLOGY Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat:

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat: Mat-.090 Sovellettu todeäköiyylaku A 0. harjoituket Mat-.09 Sovellettu todeäköiyylaku 0. harjoituket / Ratkaiut Aiheet: Avaiaat: Tilatolliet tetit Aritmeettie kekiarvo, Beroulli-jakauma, F-jakauma, F-teti,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tilastollise aalyysi perusteet, kevät 7 9. lueto: Regressiomalli validoiti Kai Virtae Regressiomalli validoiista Estimoitu hieo regressiomalli: Kuvaako malli tutkittavaa ilmiötä oikei? Kuika hyvi

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

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

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 9: Excel - Tilastollinen analyysi Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin

Lisätiedot

12. laskuharjoituskierros, vko 16, ratkaisut

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

Lisätiedot

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

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

Lisätiedot

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio

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

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

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

Lisätiedot

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n

Lisätiedot

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

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

Lisätiedot

2.1. Parametrien estimointi 2.2. Regressiokertoimien estimointi kovariansseista ja korrelaatioista

2.1. 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..

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

10 Suoran vektorimuotoinen yhtälö

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

Lisätiedot

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

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

Mat Koesuunnittelu ja tilastolliset mallit

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

Lisätiedot

= 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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 6

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

Lisätiedot

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

ε i = jäännös- eli virhetermin ε satunnainen ja ei-havaittu arvo havaintoyksikössä i Mat-.60 Sovellettu todeäkölaketa B. harjotuket Mat-.60 Sovellettu todeäkölaketa B. harjotuket / Ratkaut Aheet: Yhde elttäjä leaare regreomall Avaaat: Ehdolle jakauma, Ehdolle odotuarvo, Ehdolle vara, Etmot,

Lisätiedot

Regressiomallin valinta. Regressiomallin valinta. Regressiomallin valinta: Esitiedot. Regressiomallin valinta: Mitä opimme?

Regressiomallin valinta. Regressiomallin valinta. Regressiomallin valinta: Esitiedot. Regressiomallin valinta: Mitä opimme? TKK (c) Ilkka Melli (004) Regressiomalli valita Eälieaariste riiuvuuksie liearisoiti Johdatus tilastotieteesee Regressiomalli valita TKK (c) Ilkka Melli (004) Regressiomalli valita: Mitä oimme? Tässä luvussa

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin

Lisätiedot

Mat Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:

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

Lisätiedot

Kuva 22: Fraktaalinen kukkakaali. pituus on siis 4 AB. On selvää, että käyrän pituus kasvaa n:n kasvaessa,

Kuva 22: Fraktaalinen kukkakaali. pituus on siis 4 AB. On selvää, että käyrän pituus kasvaa n:n kasvaessa, Tortai 6..999 = Geometria o hyvä tapa kuvata ykikertaiia kappaleita, mutta kappaleie tullea äärettömä moimutkaiiki, käy iie kuvaamie klaie geometria avulla mahottomaki. Eimerkiki rataviiva pituue määrittämie

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

Regressiodiagnostiikka. Regressiodiagnostiikka. Regressiodiagnostiikka: Mitä opimme? 2/2. Regressiodiagnostiikka: Mitä opimme? 1/2

Regressiodiagnostiikka. Regressiodiagnostiikka. Regressiodiagnostiikka: Mitä opimme? 2/2. Regressiodiagnostiikka: Mitä opimme? 1/2 TKK (c) Ilkka Melli (004) Regressiodiagostiikka Jodatus tilastotieteesee Regressiodiagostiikka Yleie lieaarie malli a regressiodiagostiikka Poikkeavat avaiot Regressiokertoimie vakioisuus Multikollieaarisuus

Lisätiedot

4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on

4 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.

Lisätiedot

8.3. Yleinen lineaarinen malli ja yleistetty pienimmän neliösumman menetelmä

8.3. 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,

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Tilastolliset menetelmät: Varianssianalyysi

Tilastolliset menetelmät: Varianssianalyysi Variassiaalsi Tilastolliset meetelmät: Variassiaalsi 0. Ysisuutaie variassiaalsi. asisuutaie variassiaalsi. olmi- a useampisuutaie variassiaalsi Ila Melli 44 Variassiaalsi Ila Melli 44 Variassiaalsi Sisälls

Lisätiedot

N p Katseluavaruudessa tehtävät operaatiot. Karsinta eli takasivueliminointi. Katselutilavuus

N p Katseluavaruudessa tehtävät operaatiot. Karsinta eli takasivueliminointi. Katselutilavuus 5.2. Kateluaaruuea tehtäät operaatiot Karinta eli takaiueliminointi Karinta eli takaiueliminointi on toimenpie, joka ertaa monikulmioien uuntaa katelupiteen eli projektion kekipiteen kana. Jo näkmä käittää

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

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

DEE Sähkömagneettisten järjestelmien lämmönsiirto

DEE 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

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

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

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

TL5362DSK-algoritmit (J. Laitinen) TTE2SN4X/4Z, TTE2SN5X/5Z Välikoe 1, ratkaisut

TL5362DSK-algoritmit (J. Laitinen) TTE2SN4X/4Z, TTE2SN5X/5Z Välikoe 1, ratkaisut TL536DSK-algoritmit (J. Laitie) 4. - 5..4 TTESN4X/4Z, TTESN5X/5Z Välikoe, ratkaiut a) Maiite väitää kaki digitaalite FIR-uotimie etua verrattua IIR-uotimii. b) Mite Reme-meetelmällä uuitellu FIR-uotime

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

TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET

TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen

Lisätiedot

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

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

Lisätiedot

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

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

12. ARKISIA SOVELLUKSIA

12. ARKISIA SOVELLUKSIA MAA. Arkiia ovellukia. ARKISIA SOVELLUKSIA Oleeaan, eä kappale liikkuu ykiuloeia raaa, eimerkiki -akelia pikin. Kappaleen nopeuden vekoriluonne riiää oaa vauhdin eumerkin avulla huomioon, ja on ehkä arkoiukenmukaiina

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),

Lisätiedot

Johdatus regressioanalyysiin

Johdatus regressioanalyysiin Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet

Lisätiedot

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Vastepintamenetelmä. Kuusinen/Heliövaara 1 Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,

Lisätiedot

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset

1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat: Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva

Lisätiedot

4.3 Liikemäärän säilyminen

4.3 Liikemäärän säilyminen Tämän kappaleen aihe liikemäärän äilyminen törmäykiä. Törmäy on uora ja kekeinen, jo törmäävät kappaleet liikkuvat maakekipiteitten kautta kulkevaa uoraa pitkin ja jo törmäykohta on tällä amalla uoralla.

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

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

Lisätiedot

Kahdeksansolmuinen levyelementti

Kahdeksansolmuinen levyelementti Levy8 ja RS hm 7.. Kahdekanolminen levyelementti akatellaan kvan kahdekanolmita levyelementtiä. q 6 y (,y q 8 ( 8,y 8 8 q 7 q 6 (,y q 5 q q q 7 q q ( 7,y 7 v ( 6,y 6 P 5 ( 5,y 5 q 9 6 q 5 (,y q (,y q q

Lisätiedot

Lohkoasetelmat. Heliövaara 1

Lohkoasetelmat. Heliövaara 1 Lohkoasetelmat Heliövaara 1 Kiusatekijä Kaikissa kokeissa, kokeen tuloksiin voi vaikuttaa vaihtelu joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla mahdollisesti on vaikutusta vastemuuttujan arvoon,

Lisätiedot

Lohkoasetelmat. Kuusinen/Heliövaara 1

Lohkoasetelmat. Kuusinen/Heliövaara 1 Lohkoasetelmat Kuusinen/Heliövaara 1 Kiusatekijä Kaikissa kokeissa kokeen tuloksiin voi vaikuttaa vaihtelu, joka johtuu kiusatekijästä. Kiusatekijä on tekijä, jolla on mahdollisesti vaikutusta vastemuuttujan

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

Teoria. Tilastotietojen keruu

Teoria. Tilastotietojen keruu S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi

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

Viikkotehtävät IV, ratkaisut

Viikkotehtävät IV, ratkaisut Viikkotehtävät IV, ratkaiut. 7,40 V (pariton napajännite) I 7 ma (lampun A ähkövirta rinnankytkennää) I 5 ma (lampun B ähkövirta rinnankytkennää) a) eitani on, joten lamppujen reitanit voidaan lakea tehtävää

Lisätiedot

RATKAISUT: 8. Momentti ja tasapaino

RATKAISUT: 8. Momentti ja tasapaino Phyica 9. paino (7) : 8. Voian vari r on voian vaikutuuoran etäiyy pyöriiakelita. Pyöriiakeli on todellinen tai kuviteltu akeli, jonka ypäri kappale pyörii. Voian oentti M kuvaa voian vääntövaikututa tietyn

Lisätiedot

Intensiteettitaso ja Doplerin ilmiö

Intensiteettitaso ja Doplerin ilmiö Inteniteettitao ja Doplerin ilmiö Tehtävä Erkki työkentelee airaalaa. Sairaalalta 6,0 km päää on tapahtunut tieliikenneonnettomuu ja onnettomuupaikalta lähteneen ambulanin ireenin ääni kuuluu Erkille 60,0

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

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

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

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

RATKAISUT: 17. Tasavirtapiirit

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

Lisätiedot

Tilastollinen 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

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

Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa

Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen

Lisätiedot

Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV

Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV Mat-.4 Optimointiopin seminaari, syksy 999 Referaatti 7.0.999 Gaussinen vaikutuskaavio Tommi Gustafsson 45434f Tfy IV JOHDATO Ross D. Shachter a C. Robert Kenley (989) esittelevät artikkelissaan Gaussian

Lisätiedot

SYNKRONIKONEET RELUKTANS- SIKONEET RM RM RM + >>L q. L d >>L q. Harjalliset -pyörivä PMSM upotetu magneetit

SYNKRONIKONEET RELUKTANS- SIKONEET RM RM RM + >>L q. L d >>L q. Harjalliset -pyörivä PMSM upotetu magneetit 7.48 TY Juha Pyrhönen 7. Tahtikone Tahtikoneet muootavat kokonaien ähkökoneperheen. Päätyyppejä ovat vieramagnetoiut tahtikoneet, ynkroniet reluktanikoneet ja ketomagneettitahtikoneet. Vieramagnetoiut

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli

Yhden selittäjän lineaarinen regressiomalli Moimuuujameeelmä Yhde seliäjä lieaarie regressiomalli Moimuuujameeelmä: Yhde seliäjä lieaarie regressiomalli Ilkka Melli. Yhde seliäjä lieaarie regressiomalli, se esimoii ja esaus.. Yhde seliäjä lieaarie

Lisätiedot

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

Johdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi

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

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen

Lisätiedot

Kaksisuuntainen varianssianalyysi. Heliövaara 1

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

Lisätiedot

Kaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1

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

Lisätiedot

PD-säädin PID PID-säädin

PD-säädin PID PID-säädin -äädin - äätö on ykinkertainen äätömuoto, jota voidaan kutua myö uhteuttavaki äädöki. Sinä lähtöignaali on uoraa uhteea tuloignaalin. -äätimen uhdealue kertoo kuinka paljon mittauuure aa muuttua ennen

Lisätiedot

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n = 1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista

Lisätiedot

Johdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteesee Tilastollie riippuvuus ja korrelaatio TKK (c) Ilkka Melli (2004) 1 Tilastollie riippuvuus ja korrelaatio Tilastollie riippuvuus, korrelaatio ja regressio Kahde muuttuja havaitoaieisto

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

Inversio-ongelmien laskennallinen peruskurssi Luento 11 12

Inversio-ongelmien laskennallinen peruskurssi Luento 11 12 Iversio-ogelmie laskeallie eruskurssi Lueto 11 12 Kevät 2011 1 Lieaarie tilastollie iversio-ogelma Tarkastellaa lieaarista ogelmaa Y = AX + E, missä Y R m, X R ja E R m ovat satuaismuuttujia ja A R m o

Lisätiedot

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

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

Lisätiedot

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

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

Epäyhtälöoppia matematiikkaolympialaisten tehtäviin

Epäyhtälöoppia matematiikkaolympialaisten tehtäviin Epäyhtälöoppia matematiikkaolympialaiste tehtävii Jari Lappalaie ja Ae-Maria Ervall-Hytöe 0 Johdato Epäyhtälöitä reaaliluvuille Cauchy epäyhtälö Kaikille reaaliluvuille a, a,, a ja b, b,, b pätee Cauchy

Lisätiedot