7.1. Suurimman uskottavuuden estimointimenetelmä: Johdanto
|
|
- Anni-Kristiina Salo
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria 7.1. Suurimma uskoavuude esimoiimeeelmä: Johdao Aikasarja, Asympooie ormaalisuus, Derivaaa, Ergodisuus, Esimaaori, Esimoii, Harhaomuus, Havaio, Havaioarvo, Logarimie uskoavuusfukio, Maksimoii, Marigaalidifferessi, Oos, Parameri, Realisaaio, Riippumaomuus, Sauaismuuuja, Saioaarisuus, Sokasie prosessi, Suurimma uskoavuude esimaaori, Suurimma uskoavuude meeelmä, Tarkeuvuus, Uskoavuusfukio, Yheisjakauma 7.. Suurimma uskoavuude esimaaori ja se asympooise omiaisuude Asympooie ormaalisuus, Craméri ja Rao alaraja, Derivaaa, Esimaaori, Esimoii, Fisheri iformaaiomariisi, Gradiei, Harhaomuus, Havaio, Havaioarvo, Hesse mariisi, Kovariassimariisi, Logarimie uskoavuusfukio, Luoamusaso, Luoamusväli, Maksimoii, Normaali jakauma, Oos, Parameri, Suurimma uskoavuude esimaaori, Suurimma uskoavuude meeelmä, Tarkeuvuus, Tehokas pisemäärä, Tehokkuus, Tesi, Tyhjeävyys, Uskoavuusfukio, Yheisjakauma 7.3. Asympooise esi Asympooie ormaalisuus, Derivaaa, Diagosie esi, Esimaaori, Esimoii, Havaio, Havaioarvo, Hesse mariisi, Hylkäysalue, Khi -jakauma, Kovariassimariisi, Kriiie arvo, Lagrage kerojaesi, Logarimie uskoavuusfukio, Maksimoii, Nollahypoeesi, Normaalijakauma, Osamääräesi, Oos, Parameri, Rajoius, Side-eho, Suurimma uskoavuude esimaaori, Suurimma uskoavuude meeelmä, Tarkeuvuus, Tehokas pisemäärä, Tehokkuus, Tesi, Tyhjeävyys, Uskoavuusfukio, Vaihoehoie hypoeesi, Waldi esi, Yheisjakauma 7.4. Numeerie opimoii Apuregressio, Askelpiuus, Esimaaori, Fisheri iformaaiomariisi, Gaussi ja Newoi meeelmä, Gradiei, Ieraaioaskel, Ieraiivie meeelmä, Maksimoii, Miimoii, Pieimmä eliösumma meeelmä, Suuavekori, Suurimma uskoavuude meeelmä, Hesse mariisi, Newoi ja Raphsoi Ilkka Melli (010) 1/4
2 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie Ilkka Melli (010) /4
3 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria 7.1. Suurimma uskoavuude esimoiimeeelmä: Johdao Oos ja se jakauma Olkoo X 1, X,, X sauaismuuujia, joide yheisjakauma piseodeäköisyys- ai iheysfukio f(x 1, x,, x ; ) riippuu uemaomasa paramerisa joukko o parameriavaruus eli mahdollise parameri arvoje joukko. Oleeaa, eä sauaismuuujie X 1, X,, X havaiu arvo ova x 1, x,, x Kusumme sauaismuuujia X 1, X,, X havaioiksi ja iide havaiuja arvoja x 1, x,, x havaioarvoiksi. Sauaismuuuja X 1, X,, X muodosava ookse, joka jakauma määrielee iide yheisjakauma piseodeäköisyys- ai iheysfukio Havaioarvo f(x 1, x,, x ; ) x 1, x,, x ova kiieiä eli ei-sauaisia reaalilukuja, mua e vaiheleva sauaisesi ooksesa oisee sauaismuuujie X 1, X,, X yheisjakauma f määräämi odeäköisyyksi. Uskoavuusfukio Ookse X 1, X,, X uskoavuusfukio o sauaismuuujie X 1, X,, X yheisjakauma piseodeäköisyysai iheysfukio f(x 1, x,, x ; ) arvo havaiopiseessä x = (x 1, x,, x ) ulkiua parameri fukioksi. Merkisemme uskoavuusfukioa seuraavalla avalla: L() = L(; x 1, x,, x ) = f(x 1, x,, x ; ) Uskoavuusperiaaee mukaa uskoavuusfukio iivisää yhee kaike oleaise parameria koskeva iformaaio Ilkka Melli (010) 3/4
4 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Suurimma uskoavuude esimaaori Olkoo L() = L(; x 1, x,, x ) ookse X 1, X,, X uskoavuusfukio ja olkoo = g(x 1, x,, x ) sellaie parameri arvo, joka maksimoi uskoavuusfukio L() arvo eli L( ) max L( ) Uskoavuusfukio L() maksimi aava parameri arvo o havaioarvoje x 1, x,, x fukio. Valiaa parameri esimaaoriksi sauaismuuuja ˆ (,,, ) g X1 X X Esimaaoria ˆ kusuaa parameri suurimma uskoavuude esimaaoriksi eli SUesimaaoriksi. Suurimma uskoavuude esimaaori ˆ uoaa paramerille arvo, joka ekevä saadu havaioarvo x 1, x,, x mahdollisimma uskoaviksi ( odeäköisiksi). Parameri suurimma SU-esimaaori määräää siis maksimoimalla uskoavuusfukio L() = L(; x 1, x,, x ) parameri suhee. Sääöllisissä apauksissa maksimi löydeää merkisemällä uskoavuusfukio L() derivaaa L () ollaksi ja rakaisemalla saadusa ormaaliyhälösä L () = 0 Olkoo = g(x 1, x,, x ) ormaaliyhälö L () = 0 ollakoha. Pise vasaa uskoavuusfukio maksimia, jos L () < 0 Uskoavuusfukio maksimi aava parameri arvo voidaa esiä myös maksimoimalla logarimie uskoavuusfukio eli uskoavuusfukio logarimi l() = log L(; x 1, x,, x ) parameri suhee. Logarimise uskoavuusfukio maksimoii o usei yksikeraisempaa kui uskoavuusfukio isesä maksimoii. Huomauus: Logarimie uskoavuusfukio ja uskoavuusfukio saavuava maksimisa samassa Ilkka Melli (010) 4/4
5 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Uskoavuusfukio ja riippumaoma havaio Olkoo X 1, X,, X yksikeraise sauaisoos jakaumasa f X (x; ), o jakauma muodo määräävä parameri. Tällöi sauaismuuuja X 1, X,, X ova riippumaomia ja oudaava samaa jakaumaa f X (x; ): X, X,, X 1 X f ( x; ), i 1,,, i X Koska sauaismuuuja X 1, X,, X oleeii riippumaomiksi, ookse X 1, X,, X uskoavuusfukio voidaa esiää muodossa L(; x 1, x,, x ) = f(x 1 ; )f(x ; ) f(x ; ) f(x i ; ), i = 1,,, o havaioarvoo x i liiyvä piseodeäköisyys- ai iheysfukio. Sie vasaava logarimie uskoavuusfukio voidaa esiää muodossa l( ) log L( ) log f ( x ; ) f ( x ; ) f ( x ; ) 1 log f ( x ; ) log f ( x ; ) log f ( x ; ) 1 l( ; x ) l( ; x ) l( ; x ) 1 l(; x i ) = log f(; x i ), i = 1,,, o havaioarvo x i logarimie uskoavuusfukio. Eeki riippumaomie havaioje apauksessa logarimise uskoavuusfukio summaesiykse maksimoii o avallisesi helpompaa kui uskoavuusfukio isesä maksimoii. Suurimma uskoavuude esimaaori omiaisuude Suurimma uskoavuude esimaaori ei välämää oeua avaomaisia hyvä esimaaori krieereiä, ku ooskoko o äärellie eikä suurimma uskoavuude esimaaori äärellise ooskoo omiaisuuksia välämää uea: (i) (ii) SU-esimaaori ei välämää ole harhao. SU-esimaaori jakaumaa ei välämää uea. Oeksi suurimma uskoavuude esimaaorilla o kuieki hyvi yleisi ehdoi hyvä asympooise Ilkka Melli (010) 5/4
6 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Suurimma uskoavuude esimaaori asympooise omiaisuude Suurimma uskoavuude esimaaorilla o hyvi yleisi ehdoi seuraava asympooise omiaisuude (ks. arkemmi kappalea 7..). (i) (ii) SU-esimaaori o arkeuva. SU-esimaaori o asympooisesi ormaalie. SU-esimaaori arkeuvuus merkisee siä, eä SU-esimaaori oeuaa suure lukuje lai. Sie esimaaori arvo kovergoi (ki mielessä) kohde parameri oikeaa arvoa, ku havaioje lukumäärä aeaa kasvaa rajaa. SU-esimaaori asympooie ormaalisuus merkisee siä, eä SU-esimaaori oeuaa keskeise raja-arvolausee. Sie SU-esimaaori jakaumaa voidaa suurissa ooksissa approksimoida ormaalijakaumalla, jolloi parameri luoamusväli ja paramereja koskeva esi voidaa perusaa ormaalijakaumaa (ai -jakaumaa). O suheellise yksikeraisa odisaa SU-esimaaori arkeuvuus ja asympooie ormaalisuus, jos oos muodosuu riippumaomisa, samaa jakaumaa oudaavisa havaioisa. Oleuksia havaioje riippumaomuudesa ja samasa jakaumasa voidaa ieyi edellyyksi lieveää, millä o suuri merkiys esimerkiksi aikasarjamallie SU-esimoiissa. Tilasollie aikasarja-aalyysi perusuu siihe, eä havaiu aikasarja ulkiaa joki sokasise prosessi realisaaioksi. Sokasise prosessi ova ilasollisia malleja havaiuille aikasarjoille. Aikasarjamallie paramerie SU-esimaaoreide arkeuvuus ja asympooie ormaalisuus voidaa odisaa esimerkiksi silloi, ku aikasarja geeroiu sokasie prosessi o joaki seuraavisa yypeisä: ergodie saioaarie marigaalidifferessi 7.. Suurimma uskoavuude esimaaori ja se asympooise omiaisuude 1. keraluvu osiaisderivaaoje vekori ja. keraluvu osiaisderivaaoje mariisi Olkoo p-vekori. Tällöi = ( 1,, p ) 1 D,, 1 p Ilkka Melli (010) 6/4
7 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria o 1. keraluvu osiaisderivaaaoperaaoreide muodosama p-vekori ja D i, i 1,,, p 1 1 p DD p1 p o. keraluvu osiaisderivaaaoperaaoreide muodosama pp-mariisi. Oos ja se jakauma Olkoo, i 1,,, p, j 1,,, p i j X 1, X,, X sauaismuuujia, joide yheisjakauma piseodeäköisyys- ai iheysfukio riippuu paramerisa f(x 1, x,, x ; ) = ( 1,,, p ) Olkoo sauaismuuujie X 1, X,, X havaiu arvo Uskoavuusfukio Ookse uskoavuusfukio x 1, x,, x X 1, X,, X L() = L(; x 1, x,, x ) = f(x 1, x,, x ; ) o sauaismuuujie X 1, X,, X yheisjakauma piseodeäköisyys- ai iheysfukio f(x 1, x,, x ; ) arvo havaiopiseessä x = (x 1, x,, x ) ulkiua parameri = ( 1,,, p ) fukioksi. Olkoo l() = log L(; x 1, x,, x ) vasaava logarimie Ilkka Melli (010) 7/4
8 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Suurimma uskoavuude esimaaori Olkoo L() = L(; x 1, x,, x ) ookse X 1, X,, X uskoavuusfukio ja olkoo = g(x 1, x,, x ) sellaie parameri = ( 1,,, p ) arvo, joka maksimoi uskoavuusfukio L() arvo. Uskoavuusfukio L() maksimi aava parameri arvo o havaioarvoje x 1, x,, x fukio. Valiaa parameri esimaaoriksi sauaismuuuja θˆ T (,,, ) g X1 X X Esimaaoria ˆθ kusuaa parameri suurimma uskoavuude esimaaoriksi eli SUesimaaoriksi. Koska uskoavuusfukio L() maksimoii o yhäpiävää logarimise uskoavuusfukio l() = log L() maksimoii kassa, ii uskoavuusfukiolla L() o lokaali maksimi piseessä ˆθ, jos ja Huomauus: Merkiä Dl( θˆ ) 0 D l( θ) 0 ˆ A > 0 arkoiaa siä, eä mariisi A o posiiivisesi defiiii eli eä zaz 0 kaikille z 0. Vasaavasi merkiä A 0 arkoiaa siä, eä mariisi A o ei-egaiivisesi defiiii eli eä kaikille z. zaz 0 Tehokas pisemäärä ja Fisheri iformaaiomariisi Maemaaisessa ilasoieeessä vekoria Dl( θ) kusuaa ehokkaaksi pisemääräksi (egl. score) ja mariisia I θ D l θ Dl θ Dl θ ( ) E[ ( )] E[( ( ))( ( )) Ilkka Melli (010) 8/4
9 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria kusuaa Fisheri iformaaiomariisiksi. Voidaa osoiaa, eä Fisheri iformaaiomariisi I() kääeismariisi muodosaa alaraja harhaomie esimaaoreide kovariassimariisille seuraavassa mielessä: Olkoo ˆθ mielivalaie harhao esimaaori paramerille. Tällöi Cov( θˆ ) [ I( θ)] 1 Mariisi [ I( θ)] 1 o Craméri ja Rao alaraja esimaaori ˆθ kovariassimariisille Cov( θ ˆ). Jos harhaoma esimaaori ˆθ kovariassimariisi oeuaa yhälö Cov( θˆ ) [ I( θ)] saomme, eä esimaaori ˆθ o (äys-) ehokas. Suurimma uskoavuude esimaaori ja yhjeävyys Olkoo f ( x; θ) 1 ookse X = (X 1, X,, X ) yheisjakauma piseodeäköisyys- ai iheysfukio, joka riippuu paramerisa = ( 1,,, p ). Fakoroiieoreema mukaa uusluku T(X) o yhjeävä paramerille, jos ja vai jos o olemassa fukio g(;) ja h(x) sie, eä f ( x; θ) g( T( x); θ) h( x) kaikille havaiopiseille x = (x 1, x,, x ) ja parameri mahdollisille arvoille ja fukio g riippuu ooksesa X = x vai uusluvu T(X) kaua ja fukio h ei riipu paramerisa. Ookse X yheisjakauma iheysfukio fakoroiisa ähdää suoraa, eä parameri suurimma uskoavuude esimaaori ˆθ o yhjeävä uusluvu T(X) fukio (oleae siis, eä yhjeävä uusluku o olemassa). Suurimma uskoavuude esimaaori ja ehokkuus Olkoo ˆθ harhao ja ehokas esimaaori paramerille = ( 1,,, p ). Voidaa osoiaa, eä ällöi esimaaori ˆθ yhyy parameri suurimma uskoavuude esimaaorii. Suurimma uskoavuude esimaaori arkeuvuus Suurimma uskoavuude esimaaoreide sokasisia omiaisuuksia ei useikaa uea ai iide omiaisuude ova aiaki vaikeasi halliavissa, jos ooskoko o äärellie. Se sijaa moie esimaaoreide asympooise sokasise omiaisuude ueaa hyvi. Esimaaoreide asympooisilla sokasisilla omiaisuuksilla arkoieaa esimaaoreide käyäyymisä sauaismuuujia, ku ooskoo aeaa hypoeeisesi kasvaa rajaa. Puhumme usei esimaaoreide suure oose omiaisuuksisa arkoiaessamme esimaaoreide asympooisia Ilkka Melli (010) 9/4
10 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Perusavaa laaua oleva vaaimus esimaaoreide asympooiselle käyäyymiselle o se, eä esimaaori arvo piää kovergoida sokasisesi (ai melkei varmasi) kohi oikeaa parameri arvoa, ku havaioje lukumäärä aeaa kasvaa rajaa. Tuuslukuje W W ( X, X,, X ), 1,,3, 1 joo muodosaa (heikosi) arkeuva joo esimaaoreia paramerille, jos lim Pr ( W ) 1 kaikille > 0 ja kaikille. Saomme ällöi avallisesi, eä uusluku W o (heikosi) arkeuva esimaaori paramerille. Ekvivalei eho esimaaori W arkeuvuudelle o se, eä lim Pr ( W ) 0 kaikille > 0 ja kaikille. Tavallisesi arkeuvuude odisamisessa ei arvise eksplisiiisesi vedoa arkeuvuude määrielmää, sillä odisamisessa voidaa usei sovelaa Tshebyshevi epäyhälöä. Tshebyshevi epäyhälö mukaa E [( W ) ] Pr ( W ) Sie esimaaori W o arkeuva paramerille, jos Koska lim E [( W ) ] 0 E [( W ) ] E [( W E ( W )) ] [(E ( W ) ) ] Var ( W ) [Bias ( W )] äemme, eä esimaaori W o arkeuva paramerille, jos lim Var ( W ) 0 ja lim Bias ( W ) 0 Tarkeuvie esimaaoreide joo eivä ole yksikäsieisiä. Tämä ähdää seuraavasa: Olkoo uuslukuje W, = 1,, arkeuva joo esimaaoreia paramerille ja olkoo a 1, a, a 3, ja b 1, b, b 3, kaksi jooa ei-sauaisia vakioia, joille päee lim a 1 lim b Ilkka Melli (010) 10/4
11 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Tällöi myös uuslukuje joo U a W b, 1,,3, muodosaa arkeuva joo esimaaoreia paramerille. Voidaa osoiaa, eä suurimma uskoavuude esimaaori ova hyvi yleisi ehdoi arkeuvia. Lause: Olkoo ˆ parameri suurimma uskoavuude esimaaori ja olkoo () parameri jakuva fukio. Tällöi uusluku ( ˆ ) o hyvi yleisi ehdoi arkeuva esimaaori paramerille (): lim Pr ( ( ˆ ) ( ) ) 0 kaikille > 0 ja kaikille. Olkoo arkaselu koheea olevaa parameria p-vekori = ( 1,,, p ) ja olkoo parameri esimaaoria p-vekori θˆ ( ˆ, ˆ,, ˆ ) 1 p Esimaaori ˆθ arkeuvuus voidaa määriellä se kompoeie arkeuvuude kaua. ˆ i, i 1,,, p Suurimma uskoavuude esimaaori asympooie ehokkuus ja ormaalisuus Tarkeuvuua voidaa piää järkevyysvaaimuksea esimaaoreide käyäyymiselle suurissa ooksissa. Tilasollise pääely kaala o kuieki ärkeää uea myös esimaaori variassi ai yleisemmi esimaaori jakauma suurissa ooksissa. Saaaa uua houkuelevala yriää määriellä esimaaori suure oose variassi esimaaori variassi raja-arvoa, ku ooskoo aeaa kasvaa rajaa. Olkoo uusluku T esimaaori paramerille ja olkoo k, = 1,, 3, joo ei-sauaisia vakioia. Jos lim k Var( T ) ii saomme, eä o uusluvu T variassi raja-arvo. Variassi raja-arvo ei kuiekaa ole osoiauuu samalla avalla hyödylliseksi käsieeksi kui seuraavassa määrielävä asympooise variassi Ilkka Melli (010) 11/4
12 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Olkoo uusluku T parameri esimaaori, olkoo () parameri jakuva fukio ja olkoo k, = 1,, 3, joo ei-sauaisia vakioia. Jos lim k[ T ( )] N(0, ) jakaumakovergessi mielessä, ii saomme, eä o uusluvu T asympooie variassi. Tämä merkisee siä, eä uusluvu T rajajakaumaa o ooskoo kasvaessa rajaa ormaalijakauma ja o ämä rajajakauma variassi. Moissa ilaeissa uusluvu asympooie variassi o se variassi raja-arvo. Seuraavassa määrielmässä esieää Craméri ja Rao alarajaa vasaava asympooie käsie. Tuuslukuje W, = 1,, joo o asympooisesi ehokas paramerille (), jos lim [ W ( )] N(0, v( )) jakaumakovergessi mielessä ja [ ( )] v( ) E log f ( X ) Tällöi uusluku W o asympooisesi ormaalie ja se asympooie variassi saavuaa Craméri ja Rao alaraja. Seuraava lausee mukaa suure uskoavuude esimaaori o asympooisesi ormaalie ja ehokas. Lause: Merkiä: Olkoo ˆ parameri suurimma uskoavuude esimaaori ja olkoo ( ) parameri jakuva fukio. Tällöi uusluku ( ˆ ) o hyvi yleisi ehdoi arkeuva, asympooisesi ormaalie ja ehokas esimaaori paramerille ( ) : v( ) lim [ ( ˆ ) ( )] N(0, v( )) o Craméri ja Rao alaraja. ( ˆ ) N( ( ˆ a ), v( ) / ) Olkoo arkaselu koheea olevaa parameria y p-vekori = ( 1,,, p ) ja olkoo parameri esimaaoria p-vekori θˆ ( ˆ, ˆ,, ˆ ) 1 p Tällöi parameri = ( 1,,, p ) suurimma uskoavuude esimaaori ˆθ asympooisesa ormaalisuua ja ehokkuua koskeva ulos voidaa esiää seuraavassa Ilkka Melli (010) 1/4
13 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria ˆ 1 θ a N p θ, [ IA( θ)] 1 IA( θ) lim I( θ) o Fisheri iformaaiomariisi I() asympooie arvo. 1 Jos parameri = ( 1,,, p ) suurimma uskoavuude esimaaori o asympooisesi ormaalie, ii paramereja i, i = 1,,, p koskevassa ilasollisessa pääelyssä voidaa ojaa suurimma uskoavuude esimaaori approksimaiivisee ormaalisuuee suurissa ooksissa: (i) (ii) Paramereille i, i = 1,,, p voidaa kosruoida luoamusväli samalaisella ekiikalla kui ormaalijakauma odousarvolle. Luoamuskeroime määräää joko ormaalijakaumasa ai -jakaumasa. Paramerie i, i = 1,,, p arvoja koskeville ollahypoeeseille voidaa kosruoida esi samaa apaa kui ormaalijakauma odousarvolle. Tesie hylkäysaluee ai esisuuree arvoja vasaava p-arvo määräää joko ormaalijakaumasa ai -jakaumasa. O syyä huomaa, eä SU-esimaaori ormaalisuua koskeva ulos o luoeelaa asympooie, mua käyäö sovellusilaeissa ooskoo ova aia äärellisiä. Sie SUesimaaori ormaalisuuee perusuva luoamusväli ja esi eivä ole eksakeja, vaa aioasaa approksimaiivisia. Siksi luoamuskeroimia ja esie hylkäysalueia ai p-arvoja määrääessä SUpääelyssä ei avallisesi käyeä ormaalijakaumaa, vaa -jakaumaa. Tämä johuu siiä, eä - jakauma käyö johaa koservaiivisempii luoamusväleihi ja eseihi kui ormaalijakauma käyö: (i) (ii) Oleeaa, eä kosruoimme luoamusväli arkaselu koheea olevalle paramerille samalla luoamusasolla (1 ) sekä -jakaumasa eä ormaalijakaumasa. Tällöi - jakaumaa perusuva luoamusväli o aia leveämpi kui vasaava ormaalijakaumaa perusuva luoamusväli. Oleeaa, eä kosruoimme esi arkaselu koheea olevaa parameri arvoa koskevalle ollahypoeesille määräämällä esie hyväksymisaluee samalla merkisevyysasolla sekä -jakaumasa eä ormaalijakaumasa. Tällöi -jakaumaa perusuva hyväksymisalue o aia suurempi kui vasaava ormaalijakaumaa perusuva hyväksymisalue. Oleeaa, eä olemme määräee esisuuree arvo parameria koskevalle ollahypoeesille. Tällöi esisuuree arvoa vasaava -jakaumasa määräy p-arvo o aia suurempi kui ormaalijakaumasa määräy Ilkka Melli (010) 13/4
14 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria 7.3. Asympooise esi Tesiprobleema Olkoo S H H 0 = kaikkie mahdollise havaiopiseide x = (x 1, x,, x ) joukko = yleie hypoeesi, joka kiiiää ookse jakauma = ollahypoeesi, joka kiiiää joki yleisessä hypoeesissa kiiiey jakauma paramereisa Tilasollisella esillä arkoieaa pääössääöä, joka keroo milloi ollahypoeesi jäeää voimaa ja milloi ollahypoeesi hyläää. Tesi pääössääö jakaa kaikkie mahdollise havaiopiseide jouko S hyväksymisalueesee ja hylkäysalueesee. Jos havaiopise x = (x 1, x,, x ) jouuu hylkäys- eli kriiiselle alueelle silloi, ku ollahypoeesi päee, ehdää 1. laji virhe eli hylkäysvirhe. Jos havaiopise x = (x 1, x,, x ) jouuu hyväksymisalueelle silloi, ku ollahypoeesi ei päde, ehdää. laji virhe eli hyväksymisvirhe. Tesi merkisevyysaso valia arkoiaa 1. laji virhee odeäköisyyde kiiiämisä eukäee, ee esi ekemisä. Jos merkisevyysaso o valiu eukäee, voidaa iide esie joukosa, joilla o sama 1. laji virhee odeäköisyys, pyrkiä löyämää se, joka miimoi. laji virhee odeäköisyyde. Jos ällaie esi o olemassa, siä kusuaa asaisesi voimakkaimmaksi esiksi. Osamääräesi Olkoo ˆθ L( θ ˆ) = parameri SU-esimaaori, joka o määräy oleae, eä esi yleie hypoeesi H päee = ookse uskoavuusfukio arvo piseessä ˆθ ˆθ 0 Tällöi sauaismuuuja ˆ = parameri rajoieu SU-esimaaori, joka o määräy oleae, eä esi ollahypoeesi H 0 päee L( θ 0) = ookse uskoavuusfukio arvo piseessä 0 L( θˆ 0) L( θˆ ) o (uskoavuus-) osamääräesisuure ollahypoeesille H 0. Huomaa, eä 0 1 Osamääräesisuurea muodoseaessa malli parameri jouduaa esimoimaa suurimma uskoavuude meeelmällä kahdella eri avalla: Ilkka Melli (010) 14/4
15 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria (i) (ii) Osamääräesisuuree imiäjä saadaa esimällä uskoavuusfukio maksimi yleise hypoeesi H päiessä. Tämä merkisee vapaa ääriarvoehävä rakaisemisa. Osamääräesisuuree osoiaja saadaa esimällä uskoavuusfukio maksimi ollahypoeesi H 0 päiessä. Tämä merkisee sidou ääriarvoehävä rakaisemisa. Koska osamääräesisuureella o aipumus saada pieiä arvoja, jos ollahypoeesi H 0 ei päde, osamääräesi hylkäysalueeksi valiaa kaikkie mahdollise havaiopiseide jouko S alue { x S ( )} kriiie arvo () valiaa sie, eä Pr( x S ( )) jos ollahypoeesi H 0 päee. Jos osamääräesisuuree arvo jouuu hylkäysalueelle, ollahypoeesi H 0 hyläää. Osamääräesi käyössä o kuieki usei se käyäö ogelma, eä osamääräesisuuree jakauma ei välämää ole miää ueua yyppiä. Osamääräesisuureelle päee kuieki ieyje (melko lievie) ehoje valliessa ja ollahypoeesi H 0 päiessä seuraava asympooie jakaumaulos: L( θˆ ) ˆ L( θˆ ) 0 log log l( θ) l( θ0 ) a ( m) m = ollahypoeesi kiiiämie paramerie lukumäärä Jos ollahypoeesi H 0 ei päde, esisuureella log o aipumus saada suuria arvoja. Tesi hylkäysalueeksi valiaa kaikkie mahdollise havaiopiseide jouko S alue { x S log ( m)} ˆ kriiie arvo ( m) valiaa sie, eä Pr( S log ( m)) x jos ollahypoeesi H 0 päee. Jos esisuuree log arvo jouuu hylkäysalueelle, ollahypoeesi H 0 hyläää. Osamääräesisuurea muodoseaessa jouduaa malli parameri esimoimaa, so. uskoavuusfukio jouduaa maksimoimaa sekä yleise hypoeesi H eä ollahypoeesi H 0 päiessä. Moissa esausaseelmissa oie äisä ääriarvoehävisä o vaikea, mua oie o helppo rakaisa. Tämä havaio o johau seuraavie (asympooise) esie kosruoiii: (i) (ii) Waldi esissä parameri esimoidaa oleae, eä yleie hypoeesi H päee. Lagrage kerojaesissä parameri esimoidaa oleae, eä ollahypoeesi H 0 Ilkka Melli (010) 15/4
16 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Waldi esi lieaarisille rajoiuksille Olkoo ˆθ = parameri SU-esimaaori, joka o määräy oleae, eä esi yleie hypoeesi H päee Olkoo ollahypoeesia lieaarie hypoeesi H : Rθ r R o mp-mariisi, jolle 0 r(r) = m Määriellää sauaismuuuja mariisi ˆ 1 ˆ 1 ˆ W ( Rθ r) [ RI (θ)r] ( Rθ r) I θ D θ D θ D θ ( ) E[ l( )] E[( l( ))( l( )) ] o Fisheri iformaaiomariisi. Sauaismuuuja W o Waldi esisuure ollahypoeesille H 0. Jos ollahypoeesi H 0 ei päde, Waldi esisuureella W o aipumus saada suuria arvoja. Waldi esisuureelle W päee ieyje (hyvi lievie) ehoje valliessa ja ollahypoeesi H 0 päiessä seuraava asympooie jakaumaulos: W a ( m) m = ollahypoeesi kiiiämie paramerie lukumäärä Tesi hylkäysalueeksi valiaa kaikkie mahdollise havaiopiseide jouko S alue { S W ( m)} x kriiie arvo ( m) valiaa sie, eä Pr( S W ( m)) x jos ollahypoeesi H 0 päee. Jos Waldi esisuuree W arvo jouuu hylkäysalueelle, ollahypoeesi H 0 hyläää. Waldi esi epälieaarisille rajoiuksille Olkoo Olkoo ollahypoeesia ˆθ = parameri SU-esimaaori, joka o määräy oleae, eä esi yleie hypoeesi H päee H 0 : h( θ) h1 ( θ),, h m ( θ) 0 fukio h i ova epälieaarisia reaaliarvoisia Ilkka Melli (010) 16/4
17 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Määriellää pm-mariisi H h ij hj ( θ) i Määriellää sauaismuuuja mariisi ˆ 1 ˆ 1 ˆ W [ h( θ)] [ Hˆ I ( θ) Hˆ ] [ h( θ)] I θ D θ ( ) E[ l( )] o Fisheri iformaaiomariisi ja ( ) ˆ hj θ H i θ θ ˆ Sauaismuuuja W o Waldi esisuure ollahypoeesille H 0. Jos ollahypoeesi H 0 ei päde, Waldi esisuureella W o aipumus saada suuria arvoja. Waldi esisuureelle W päee ieyje (melko lievie) ehoje valliessa ja ollahypoeesi H 0 päiessä seuraava asympooie jakaumaulos: W a ( m) m = ollahypoeesi kiiiämie paramerie lukumäärä Tesi hylkäysalueeksi valiaa kaikkie mahdollise havaiopiseide jouko S alue { S W ( m)} x kriiie arvo ( m) valiaa sie, eä Pr( S W ( m)) x jos ollahypoeesi H 0 päee. Jos Waldi esisuuree W arvo jouuu hylkäysalueelle, ollahypoeesi H 0 hyläää. Lagrage kerojaesi Olkoo Määriellää sauaismuuuja mariisi ˆθ 0 = parameri rajoieu SU-esimaaori, joka o määräy oleae, eä esi ollahypoeesi H 0 päee LM [ D( θˆ )] I ( θˆ )[ D( θˆ )] o Fisheri iformaaiomariisi ja I θ D l θ Dl θ Dl θ ( ) E[ ( )] E[( ( ))( ( )) Ilkka Melli (010) 17/4
18 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria D( θ) o ehokkaa pisemäärä vekori. Sauaismuuuja LM o Lagrage kerojaesisuure ollahypoeesille H 0. Lagrage kerojaesisuureelle LM päee ieyje (melko lievie) ehoje valliessa ja ollahypoeesi H 0 päiessä seuraava asympooie jakaumaulos: LM a ( m) m = ollahypoeesi kiiiämie paramerie lukumäärä Tesi hylkäysalueeksi valiaa kaikkie mahdollise havaiopiseide jouko S alue { S LM ( m)} x kriiie arvo ( m) valiaa sie, eä Pr( S LM ( m)) x jos ollahypoeesi H 0 päee. Jos Lagrage kerojaesisuuree LM arvo jouuu hylkäysalueelle, ollahypoeesi H 0 hyläää. Lagrage kerojaesi ja pieimmä eliösumma meeelmä Oleeaa, eä logarimie uskoavuusfukio l() = log L() o verraollie eliösummaa: l 1 ( θ) ( ) i θ i 1 Tällöi parameri suurimma uskoavuude esimaaori voidaa määrää pieimmä eliösumma meeelmällä. Tämä o avaomaie ilae sekä lieaarise eä epälieaarise regressiomallie sovelamise yheydessä. Muodoseaa apuregressio ˆ 0i zˆ 0 iγ i, i 1,,, ( θ) i z z ( θ) D ( θ) ˆ ( θˆ ) i i i i 0i i 0 zˆ z ( θˆ ) 0i i 0 ja ˆθ 0 o parameri rajoieu suurimma uskoavuude esimaaori, joka o siis määräy maksimoimalla (logarimie) uskoavuusfukio, ku ollahypoeesi H 0 aseama rajoiukse parameriavaruudelle o oeu Ilkka Melli (010) 18/4
19 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Lagrage kerojaesisuure LM voidaa määrää ämä apuregressio seliysasee avulla: LM R 0 Kuvau apa muodosaa LM-esisuure o eriyise käevä silloi, ku ollahypoeesi mukaise rajoiukse ova ollarajoiuksia, joka yksikeraisava yleise hypoeesi kiiiämää mallia. Toie apa käyää yo. apuregressioa hyväksi o esaa avaomaisella lieaarise mallie (ks. lukua 8) yheydessä sovelleavalla F-esillä ollahypoeesia H : γ 0 0 Näi saaava esi o asympooisesi ekvivalei ym. apuregressio seliysaseesee perusava esi kassa. Kirjallisuudessa esieyje ieoje mukaa LM-esi F-esimuoo oimii kuieki pieissä ooksissa paremmi kui seliysaseesee perusuva muoo. Moe ilasollise mallie diagosisisa eseisä voidaa ulkia LM-eseiksi. Tällaisia ova esimerkiksi avaomaise esi regressiomallie jääösermie homoskedasisuudelle, auokorreloimaomuudelle ja ormaalisuudelle ai ARMA-mallie jääösermie auokorreloimaomuudelle. Osamääräesi, Waldi esi ja Lagrage kerojaesi verailua Kue edellä o odeu osamääräesisuurea muodoseaessa jouduaa malli parameri esimoimaa (s. uskoavuusfukio ai se logarimi maksimoimaa) sekä yleise hypoeesi H eä ollahypoeesi H 0 päiessä. Moissa esausaseelmissa oie äisä ääriarvoehävisä o vaikea, mua oie o helppo rakaisa. Juuri ämä havaio o johau Waldi esi ja Lagrage kerojaesi kosruoiii: (i) Waldi esissä malli parameri esimoidaa oleae, eä yleie hypoeesi H päee. (ii) Lagrage kerojaesissä malli parameri esimoidaa oleae, eä ollahypoeesi H 0 päee. Oleeaa, eä sovellamme osamääräesiä, Waldi esiä ja Lagrage kerojaesiä samassa esausaseelmassa (so. sama ollahypoeesi esaamisee). Olkoo Aia päee: LR W LM 0 LR 1 Jos ollahypoeesi H 0 päee, ii = osamääräesisuure = Waldi esisuure = Lagrage esisuure log LR W LM a ( Ilkka Melli (010) 19/4
20 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria m = ollahypoeesi H 0 kiiiämie paramerie lukumäärä Sie osamääräesi, Waldi esi ja Lagrage kerojaesi johava asympooisesi (suurissa ooksissa) samaa johopääöksee ollahypoeesi hylkäämisesä. Pieissä ooksissa esi saaava kuieki johaa erilaisii johopääöksii. Tesi valiaa yleesä käyäöllise aspekie, kue laskuyö helppoude, peruseella. Juuri äsä syysä moe ilasollise mallie käyö yheydessä sovelleavisa diagosisisa eseisä ova Lagrage kerojaesejä Numeerie opimoii Fukio miimoii Oleeaa, eä haluamme miimoida reaaliarvoise krieerifukio g() muuuja = ( 1,,, p ) suhee. Fukio g() saavuaa (ieyi ehdoi) lokaali miimi piseessä ˆθ, jos ja Dg( θˆ ) 0 D g( θ) 0 ˆ Dg( θ ˆ) = fukio g() gradiei piseessä ˆθ D g( θ ˆ) = fukio g() Hesse mariisi piseessä ˆθ Fukio g() miimi voidaa pyrkiä määräämää rakaisemalla ormaaliyhälö Dg( θ) 0 Jos ormaaliyhälö rakaisemie ei oisu suljeussa muodossa, fukio g() miimoiissa o urvauduava umeerisii opimoiimeeelmii. Huomauus: Moissa ilasollisissa ogelmissa ormaaliyhälö rakaisemie suljeussa muodossa o mahdollisa. Täsä o ärkeää esimerkkiä yleise lieaarise malli pieimmä eliösumma esimoiissa syyvä ormaaliyhälö rakaisemie. Fukio miimoii ieraiivise meeelmie avulla Tilaeessa, ormaaliyhälöä Dg( θ) 0 ei pysyä rakaisemaa suljeussa muodossa, fukio g() miimi aava pise voidaa pyrkiä löyämää ieraiivisesi algorimilla θ ˆ θ ˆ d ˆ 1 ( θ Ilkka Melli (010) 0/4
21 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria θ ˆ d( θ ˆ ) = miimipisee approksimaaio ieraaioaskeleessa = askelpiuus = suuavekori arvo piseessä θˆ θ ˆ 1 = miimipisee approksimaaio ieraaioaskeleessa +1 Ieraaioaskeleessa saau arvio θˆ miimi paikasa päivieää askeleessa +1 oamalla : miaie askel suuavekori d( θ ) suuaa. Jos suuavekori d( θ ) valiaa sopivasi (ja fukiolla g() o sopiva omiaisuude) kuvau ieraaioprosessi kovergoi kohi fukio g() miimiä. Erilaise valia suuavekoriksi d( θ ) johava erilaisii miimoiialgorimeihi. Opimaalise askelpiuude määräämisessä käyeää avallisesi joaki erillisä hakumeeelmää. Nämä hakumeeelmä perusuva avallisesi fukio ( ) g( θ d( θ )) miimoiii askelpiuude suhee. Jyrkimmä lasku meeelmä Jyrkimmä lasku meeelmä perusuu ieraaioo θ ˆ θ ˆ D ˆ 1 ( θ ) D( θ ˆ ) = fukio g() gradiei piseessä θˆ Jyrkimmä lasku meeelmä perusuu siihe, eä fukio väheee opeimmi gradieivekori vasavekori suuaa. Koska jyrkimmä lasku meeelmä kovergoi usei hyvi hiaasi, siä ei avallisesi käyeä ääriarvoje esiää. Se muodosaa kuieki perusa useille kohdefukio derivaaoihi perusuville opimoiimeeelmille. Newoi ja Raphsoi algorimi Newoi ja Raphsoi algorimi perusuu ieraaioo θ ˆ θ ˆ ˆ 1 ˆ 1 D θ D θ D( θ ˆ ) D ( θ ) ˆ [ ( )] ( ) = fukio g() gradiei piseessä θˆ = fukio g() Hesse mariisi piseessä θˆ Newoi ja Raphsoi algorimi kovergoi, jos miimoiava fukio g() o kupera alaspäi, mikä akaa se, eä mariisi D ( θ ) Ilkka Melli (010) 1/4
22 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria kaikille. Newoi ja Raphsoi algorimi kovergoi yleesä paljo opeammi kui jyrkimmä lasku algorimi. Newoi ja Raphsoi algorimisa o kehiey muuoksia, joissa ei haiaa, vaikka fukio g() ei olisikaa kaikkialla kupera alaspäi, kuha se o kupera alaspäi miimipisee lähellä. Ehkä ueui ällaie algorimi ( Hesse mariisi D ( θ ) diagoaalille lisäää sopiva, ieraaioaskeleesa oisee muuuva vakio) o Marquardi algorimi. Newoi ja Raphsoi algorimi ja suurimma uskoavuude esimoii Olkoo X 1, X,, X joukko sauaismuuujia, joide yheisjakauma piseodeäköisyys- ai iheysfukio riippuu paramerisa. f(x 1, x,, x ; ) Ookse X 1, X,, X uskoavuusfukio L() = f(x 1, x,, x ; ) maksimi voidaa löyää esimällä logarimise uskoavuusfukio vasaluvu l( θ) log L( θ) g( θ) miimi. Tällöi Newoi ja Raphsoi algorimi saa muodo Olkoo θ ˆ θ ˆ ˆ 1 ˆ 1 D l θ D l θ [ ( )] ( ) θ θ ( x, x,, x ) Max Max 1 uskoavuusfukio maksimi aava pise. Tällöi parameri suurimma uskoavuude esimaaori o θˆ θ ( X, X,, X ) Max Max 1 Huomaa, eä esimaaori ˆθ kovariassimariisia voidaa käyää mariisia [ D l( θˆ )] 1 mikä saadaa sivuuoeea Newoi ja Raphsoi algorimisa. Scorig-algorimi ja suurimma uskoavuude esimoii Korvaaa Newoi ja Raphsoi algorimissa mariisi D l( θ) Fisheri iformaaiomariisilla I(): I θ D l θ Dl θ Dl θ ( ) E[ ( )] E[( ( ))( ( )) Ilkka Melli (010) /4
23 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria Scorig-algorimi perusuu ieraaioo θ ˆ θ ˆ ˆ 1 ˆ 1 I θ D l θ D( θ ˆ ) I( θ ˆ ) [ ( )] ( ) = fukio g() gradiei piseessä θˆ = Fisheri iformaaiomariisi piseessä θˆ Scorig-algorimi kovergoi yleesä opeammi kui Newoi ja Raphsoi algorimi, mikä johuu siiä, eä mariisi I θ D θ ( ) E[ l( )] o parameri fukioa avallisesi paljo yksikeraisempaa muooa kui mariisi D l( θ) ja vaaii sie vähemmä prosessoiia. Huomaa, eä esimaaori ˆθ kovariassimariisia voidaa käyää mariisia [ I( θˆ )] 1 mikä saadaa sivuuoeea Scorig-algorimisa. Gaussi ja Newoi algorimi ja pieimmä eliösumma esimoii Parameri suurimma uskoavuude esimaaori voidaa moissa ilaeissa määrää pieimmä eliösumma meeelmällä miimoimalla eliösummaa ( θ) ( θ) j ( θ) j1 f S Tällöi Newoi ja Raphsoi algorimi voidaa muokaa s. Gaussi ja Newoi algorimiksi. Gaussi ja Newoi algorimi perusuu ieraaioo Oeaa käyöö merkiä 1 ( ˆ ) ( ˆ ) ( ˆ j θ j θ j θ ) 1 j1 θ θ j1 θ θˆ θˆ ( θˆ ) ( ˆ j θ ) z j θ ( θˆ ) j j Tällöi Gaussi ja Newoi algorimi saa muodo 1 θ ˆ ˆ θ z z z 1 j j j j j1 j1 mikä voidaa ulkia sarjaksi peräkkäisiä Ilkka Melli (010) 3/4
24 Ma Tilasollie pääely 7. Suurimma uskoavuude meeelmä ja asympooie eoria z γ, 1,,, joide avulla miimipisee approksimaaioa θˆ päivieää. Tämä ähdää siiä, eä apuregressio regressiokeroimie pieimmä eliösumma esimaaori c o muooa 1 c z z z j j j j j1 j1 Huomaa, eä esimaaori ˆθ kovariassimariisia voidaa käyää mariisia 1 ( ˆ ) ( ˆ j j ) z jzj θ θ j1 j1 θ θ mikä saadaa sivuuoeea Gaussi ja Newoi algorimisa. Ilkka Melli (010) 4/4
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
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
/ Raaisu Aihee: Avaisaa: Momeiemäfuio Sauaismuuujie muuose ja iide jaauma Kovergessiäsiee ja raja-arvolausee Biomijaauma, Espoeijaauma, Geomerie jaauma, Jaaumaovergessi, Jauva asaie jaauma, Kolmiojaauma,
LisätiedotLineaaristen järjestelmien teoriaa II
Lieaarise järjeselmie eoriaa II Ohjaavuus Tarkkailavuus havaiavuus Lisää sabiilisuudesa Tilaesimoii, Kalma-suodi TKK/Syseemiaalyysi laboraorio Mielekiioisia kysymyksiä Oko syseemi rakeeelaa sellaie, eä
LisätiedotKojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto
Kojemeeorologia Sami Haapaala syksy 03 Fysiika laios, Ilmakehäieeide osaso Mialaieide dyaamise omiaisuude Dyaamise uusluvu määriävä mie mialaie käyäyyy syöeide muuuessa Apua käyeää differeiaaliyhälöiä,
LisätiedotJuuri 13 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Kertaus. K1. A: III, B: I, C: II ja IV.
Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 Keraus K. A: III, B: I, C: II ja IV Kuvaaja: I II III IV Juuri Tehävie rakaisu Kusausosakeyhiö Oava päiviey 9.8.8 K. a) lim ( ) Nimiäjä ( ) o aia
Lisätiedotb) Ei ole. Todistus samaan tyyliin kuin edellinen. Olkoon C > 0 ja valitaan x = 2C sekä y = 0. Tällöin pätee f(x) f(y)
Maemaiikan ja ilasoieeen osaso/hy Differeniaaliyhälö II Laskuharjoius 1 malli Kevä 19 Tehävä 1. Ovako seuraava funkio Lipschiz-jakuvia reaaliakselilla: a) f(x) = x 1/3, b) f(x) = x, c) f(x) = x? a) Ei
LisätiedotKULMAMODULOITUJEN SIGNAALIEN SPEKTRIN LASKEMINEN
KULMMODULOITUJEN SIGNLIEN SPEKTRIN LSKEMINEN 1 (3) (3) Spekri laskeie siisaoalle Kulaoduloidu sigaali spekri johaie o yöläsä epälieaarisuudesa johue (epälieaarise aalyysi ova yleesä hakalia). Se voidaa
Lisätiedot5. Vakiokertoiminen lineaarinen normaaliryhmä
1 MAT-145 LAAJA MATEMATIIKKA 5 Tampereen eknillinen yliopiso Riso Silvennoinen Kevä 21 5. Vakiokeroiminen lineaarinen normaaliryhmä Todeaan ensin ilman odisuksia (ulos on syvällinen) rakaisujen olemassaoloa
LisätiedotTiedonhakumenetelmät Tiedonhakumenetelmät Helsingin yliopisto / TKTL. H.Laine 1. Todennäköisyyspohjainen rankkaus
Tieonhakumeneelmä Helsingin yliopiso / TKTL.4.04 Toennäköisyyeen perusuva rankkaus Tieonhakumeneelmä Toennäköisyyspohjainen rankkaus Dokumenien haussa ongelmana on löyää käyäjän kyselynä ilmaiseman ieoarpeen
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:
Lisätiedot9. Epäoleelliset integraalit; integraalin derivointi parametrin suhteen. (x + y)e x y dxdy. e (ax+by)2 da. xy 2 r 4 da; r = x 2 + y 2. b) A.
9. Epäoleellise inegraali; inegraalin derivoini paramerin suheen 9.. Epäoleellise aso- ja avaruusinegraali 27. Olkoon = {(x, y) x, y }. Osoia hajaanuminen ai laske arvo epäoleelliselle asoinegraalille
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
Lisätiedotf x dx y dy t dt f x y t dx dy dt O , (4b) . (4c) f f x = ja x (4d)
Tehävä 1. Oleeaan, eä on käössä jakuva kuva, jossa (,, ) keroo harmaasävn arvon paikassa (, ) ajanhekenä. Dnaaminen kuva voidaan esiää Talor sarjana: d d d d d d O ( +, +, + ) = (,, ) + + + + ( ). (4a)
LisätiedotDEE Lineaariset järjestelmät Harjoitus 4, ratkaisuehdotukset
D-00 ineaarise järjeselmä Harjoius 4, rakaisuehdoukse nnen kuin mennään ämän harjoiuksen aihepiireihin, käydään läpi yksi huomionarvoinen juu. Piirianalyysin juuri suorianee opiskelija saaava ihmeellä,
LisätiedotLUKU 6 KOHINAN VAIKUTUS ANALOGISTEN MODULAATIOIDEN SUORITUSKYKYYN
LUKU 6 KOHINN VIKUUS NLOGISEN MOULIOIEN SUORIUSKYKYYN ieoliikeeekiikka I 5359 Kari Kärkkäie Osa 6 Luku 6 Kohia vaikuus aalogisii odulaaioihi Johdao aalyysieeelii Sigaali-kohiasuhee ääriäie Kaaaajuie järjeselä
LisätiedotW dt dt t J.
DEE-11 Piirianalyysi Harjoius 1 / viikko 3.1 RC-auon akku (8.4 V, 17 mah) on ladau äyeen. Kuinka suuri osa akun energiasa kuluu ensimmäisen 5 min aikana, kun oleeaan mooorin kuluavan vakiovirran 5 A? Oleeaan
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
LisätiedotRobusti tilastollinen päättely ensimmäisen ja toisen ehdollisen momentin mallintamisessa
Robusi ilasollinen pääely ensimmäisen ja oisen ehdollisen momenin mallinamisessa ilasoieeen pro gradu ukielma Jarmo Mika Rafael Mikkola Marraskuu SISÄLLYS JOHDANO EORIAA. Robusi kvasiuskoavuusesimoinimeneelmä.
LisätiedotTasaantumisilmiöt eli transientit
uku 12 Tasaanumisilmiö eli ransieni 12.1 Kelan kykeminen asajännieeseen Kappaleessa 11.2 kykeiin reaalinen kela asajännieeseen ja ukiiin energian varasoiumisa kelan magneeikenään. Tilanne on esiey uudelleen
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
LisätiedotOsa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet
Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä
LisätiedotPuolijohdekomponenttien perusteet A Ratkaisut 2, Kevät 2017
OY/PJKOMP R 017 Puolijohdekomoeie erusee 571A Rakaisu, Kevä 017 1. Massavaikuuslai mukaisesi eemmisö- ja vähemmisövarauksekuljeajie ulo o vakio i, joka riiuu uolijohdemaeriaalisa ja lämöilasa. Kuvasa 1
LisätiedotKULMAMODULOITUJEN SIGNAALIEN SPEKTRIN LASKEMINEN
1 KULMMODULOITUEN SIGNLIEN SPEKTRIN LSKEMINEN Mie laskea eroaa lieaarise odulaaioide apauksesa? Milä spekri äyää epälieaarise prosessi jälkee? 51357 Tieoliikeeekiikka I Osa 15 Kari Kärkkäie Kevä 015 SPEKTRIN
LisätiedotSysteemimallit: sisältö
Syseemimalli: sisälö Malliyypi ja muuuja Inpu-oupu -kuvaus ja ilayhälömalli, ila Linearisoini Jakuva-aikaisen lineaarisen järjeselmän siirofunkio, sabiilisuus Laplace-muunnos Diskreeiaikaisen lineaarisen
LisätiedotRahoitusriskit ja johdannaiset Matti Estola. luento 12 Stokastisista prosesseista
Rahoiusriski ja johdannaise Mai Esola lueno Sokasisisa prosesseisa . Markov ominaisuus Markov -prosessi on sokasinen prosessi, missä ainoasaan muuujan viimeinen havaino on relevani muuujan seuraavaa arvoa
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
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
LisätiedotLUKU 7 KOHINAN VAIKUTUS ANALOGISTEN MODULAATIOIDEN SUORITUSKYKYYN A Tietoliikennetekniikka I Osa 24 Kari Kärkkäinen Kevät 2015
1 LUKU 7 KOHINAN VAIKUUS ANALOGISEN MODULAAIOIDEN SUORIUSKYKYYN 51357A ieoliikeeekiikka I Osa 4 Kari Kärkkäie Kevä 15 LUKU 7 KOHINA ANALOGISISSA MODULAAIOISSA Johdao aalyysieeelii Sigaali-kohiasuhee ääriäie
Lisätiedot1. Todista/Prove (b) Lause 2.4. käyttäen Lausetta 2.3./by using Theorem b 1 ; 1 b + 1 ; 1 b 1 1
KETJUMURTOLUVUT Harjoiuksia 209. Todisa/Prove Lause 2.2. käyäen Lausea 2.3./by using Theorem 2.3. Lause 2.4. käyäen Lausea 2.3./by using Theorem 2.3. 2. Määrää Canorin kehielmä luvuille 0,, 2, 3, 4, 5,
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
LisätiedotAikasarja-analyysi I Syksy 2005 Tampereen yliopisto Arto Luoma
Aikasara-aalyysi I Syksy 5 Tamperee yliopiso Aro Luoma Pääasiallise lähee: Brockwell, Davis: Iroducio o Time Series ad Forecasig Brockwell, Davis: Time Series: Theory ad Mehods (lyh. TSTM).. Johdao. Yleisä
LisätiedotDynaaminen optimointi ja ehdollisten vaateiden menetelmä
Dynaaminen opimoini ja ehdollisen vaaeiden meneelmä Meneelmien keskinäinen yheys S yseemianalyysin Laboraorio Esielmä 10 - Peni Säynäjoki Opimoiniopin seminaari - Syksy 2000 / 1 Meneelmien yhäläisyyksiä
Lisätiedot2. Systeemi- ja signaalimallit
2. Syseemi- ja signaalimalli Malliyyppejä: maemaainen malli: muuujien välise suhee kuvau maemaaisesi yhälöin lohkokaaviomalli: syseemin oiminojen looginen jako lohkoihin, joiden välisiä vuorovaikuuksia
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
LisätiedotJohdatus 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
LisätiedotPUOMIN NOSTOLIIKKEEN MALLINNUKSESTA
PUOMIN NOSOLIIKKEEN MALLINNUKSESA H. MARJAMÄKI, J. MÄKINEN amperee ekillie yliopiso PL 589, 33 AMPERE s-posi: heikki.marjamaki@u.fi s-posi: jari.m.makie@u.fi IIVISELMÄ Koeerakeuksessa käyeää rusaasi osopuomeja,
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
LisätiedotMat Sovellettu todennäköisyyslasku 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,
LisätiedotIlkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä
Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä TKK (c) Ilkka Mellin (2007) 1 Suurimman uskottavuuden menetelmä >> Suurimman uskottavuuden estimointimenetelmä Tarkentuvuus Asymptoottinen
Lisätiedot2. Taloudessa käytettyjä yksinkertaisia ennustemalleja. ja tarkasteltavaa muuttujan arvoa hetkellä t kirjaimella y t
Tilasollinen ennusaminen Seppo Pynnönen Tilasoieeen professori, Meneelmäieeiden laios, Vaasan yliopiso. Tausaa Tulevaisuuden ennusaminen on ehkä yksi luoneenomaisimpia piireiä ihmiselle. On ilmeisesi aina
LisätiedotHuomaa, että aika tulee ilmoittaa SI-yksikössä, eli sekunteina (1 h = 3600 s).
DEE- Piirianalyysi Ykkösharkan ehävien rakaisuehdoukse. askeaan ensin, kuinka paljon äyeen ladaussa akussa on energiaa. Tämä saadaan laskeua ehäväpaperissa anneujen akun ieojen 8.4 V ja 7 mah avulla. 8.4
Lisätiedotjoka on separoituva yhtälö, jolla ei ole reaalisia triviaaliratkaisuja. Ratkaistaan: z z(x) dx =
HY / Maemaiikan ja ilasoieeen laios Differeniaalihälö I kevä 09 Harjois 4 Rakaisehdoksia. Rakaise differeniaalihälö = (x + + Rakais: Tehdään differeniaalihälöön lineaarinen mnnos z(x = x + (x + jolloin
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.
LisätiedotLyhyiden ja pitkien korkojen tilastollinen vaihtelu
Lyhyiden ja pikien korkojen ilasollinen vaihelu Tomi Pekka Juhani Marikainen Joensuun Yliopiso Maemaais-luonnonieeellinen iedekuna / Tieojenkäsielyieeen ja ilasoieeen laios / Tilasoiede Pro Gradu -ukielma
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
Lisätiedot6.1 Riippumattomat satunnaismuuttujat
Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1
LisätiedotRahoitusriskit ja johdannaiset Matti Estola. luento 13 Black-Scholes malli optioiden hinnoille
Rahoiusriski ja johannaise Mai Esola lueno 3 Black-choles malli opioien hinnoille . Ion lemma Japanilainen maemaaikko Kiyoshi Iō oisi seuraavana esieävän lemman vuonna 95 arikkelissaan: On sochasic ifferenial
LisätiedotVÄRÄHTELYMEKANIIKKA SESSIO 18: Yhden vapausasteen pakkovärähtely, transienttikuormituksia
8/ VÄRÄHTELYMEKANIIKKA SESSIO 8: Yhen vapausaseen paovärähely, ransieniuormiusia JOHDANTO c m x () Kuva. Syseemi. Transieniuormiusella aroieaan uormiusheräeä, joa aiheuaa syseemiin lyhyaiaisen liieilan.
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
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
LisätiedotÄärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims
75 4 POTENSSISARJOJA 4.1 ÄÄRETTÖMÄT SARJAT Lukujoo { a k } summaa S a a a a a k 0 1 k k0 saotaa äärettömäksi sarjaksi. Summa o s. osasumma. S a a a a a k 0 1 k0 Äärettämä sarja (tai vai sarja) saotaa suppeeva
LisätiedotMallivastaukset KA5-kurssin laskareihin, kevät 2009
Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 2 (viikko 6) Tehävä 1 Sovelleaan luenokalvojen sivulla 46 anneua kaavaa: A A Y Y K α ( 1 α ) 0,025 0,5 0,03 0,5 0,01 0,005 K Siis kysyy Solowin
Lisätiedot8 USEAN VAPAUSASTEEN SYSTEEMIN VAIMENEMATON PAKKOVÄRÄHTELY
Värähelymeaa 8. 8 USEAN VAPAUSASEEN SYSEEMIN VAIMENEMAON PAKKOVÄRÄHELY 8. Normaalmuoomeeelmä Usea vapausasee syseem leyhälöde (7.) raaseme vaa aava (7.7) a (7.8) homogeese yhälö ylese raasu { } lsäs paovomaveora
LisätiedotLuento 11. tietoverkkotekniikan laitos
Lueno Lueno Sokasise signaali ja prosessi II. Sokasise prosessi Pruju Saionaarisuus, ergodisuus Auo ja risikorrelaaio ehospekri.3 Kohinan suodaaminen Sokasinen raja arvo ja derivaaa Winer Khinchin eoreema.3
LisätiedotKANTATAAJUINEN BINÄÄRINEN SIIRTOJÄRJESTELMÄ AWGN-KANAVASSA
KJUI BIÄÄRI SIIROJÄRJSLMÄ WG-KVSS Kaajaajui siiro iformaaio siiro johdossa sllaisaa ilma kaoaalo- ai pulssimodulaaioa 536 ioliikkiikka II Osa 3 Kari Kärkkäi Syksy 5 JÄRJSLMÄMLLI Bii kso. Symboli {} ja
LisätiedotAsuntojen huomiointi varallisuusportfolion valinnassa ja hinnoittelussa
TAMPEREEN YLIOPISTO Johamiskorkeakoulu Asunojen huomioini varallisuusporfolion valinnassa ja hinnoielussa Kansanalousiede Pro gradu -ukielma Elokuu 2012 Ohjaaja: Hannu Laurila Tuomo Sola TIIVISTELMÄ Tampereen
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
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
LisätiedotSopimuksenteon dynamiikka: johdanto ja haitallinen valikoituminen
Soimukseneon dynamiikka: johdano ja haiallinen valikoiuminen Ma-2.442 Oimoinioin seminaari Elise Kolola 8.4.2008 S yseemianalyysin Laboraorio Esielmä 4 Elise Kolola Oimoinioin seminaari - Kevä 2008 Esiyksen
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,
LisätiedotÖljyn hinnan ja Yhdysvaltojen dollarin riippuvuussuhde
Öljyn hinnan ja Yhdysvalojen dollarin riippuvuussuhde Kansanalousiede Pro gradu -ukielma Talousieeiden laios Tampereen yliopiso Toukokuu 2010 Jari Hännikäinen TIIVISTLMÄ Tampereen yliopiso Talousieeiden
Lisätiedot1. Johdanto. Sisältö. Jaettu media liityntäverkkona. Tietoliikenneverkot
Sisälö Tieoliikeeverko ja väliysperiaaee Liikeeeoria ehävä Liikeeeoreeise malli Lile kaava lueo0.pp S-38.45 - Liikeeeoria perusee - Kevä 2006 2 Tieoliikeeverko Jaeu media liiyäverkkoa Yksikeraie ieoliikeeverko
LisätiedotMomenttiemäfunktio ja karakteristinen funktio. Momenttiemäfunktio ja karakteristinen funktio
TKK (c) Ila Melli (4) Momeiemäfuio ja aaeisie fuio Momeiemäfuio Diseeie jaaumie momeiemäfuioia Jauvie jaaumie momeiemäfuioia Kaaeisie fuio Johdaus odeäöisyyslaseaa Momeiemäfuio ja aaeisie fuio TKK (c)
Lisätiedot9. Parametriset mallit, estimointi
9. Paramerise malli, esimoini Rakeneellise malli paramereillä a priori ulkina & merkiys Black box-malli parameri vain laskennan/soviuksen apuvälineiä Tarkasellaan pääosin diskreeiaikaisia malleja 3. harjoiusyössä
LisätiedotRakennusosien rakennusfysikaalinen toiminta Ralf Lindberg Professori, Tampereen teknillinen yliopisto ralf.lindberg@tut.fi
Rakennusosien rakennusfysikaalinen oimina Ralf Lindber Professori, Tampereen eknillinen yliopiso ralf.lindber@u.fi Rakenneosien rakennusfysikaalisen oiminnan ymmärämiseksi on välämäönä piirää kolme eri
Lisätiedot6 JÄYKÄN KAPPALEEN TASOKINETIIKKA
Dyamiia 6. 6 JÄYKÄN KAPPALEEN TASKINETIIKKA 6. Yleisä Jäyä appalee ieiiassa arasellaa appaleesee aiuaie uloise oimie ja seurausea olea liiee (raslaaio ja roaaio) älisiä yheysiä. Voimie äsielyssä ariaa
LisätiedotCopyright Isto Jokinen MATEMATIIKKA. Matematiikkaa pintakäsittelijöille Ongelmanratkaisu Isto Jokinen 2017
AEAKKA aeaiikkaa piakäsielijöille Ogelarakaisu so Jokie 207 SSÄLÖ. aeaaise ogelie rakaisu laskukaaoilla 2. ekijäyhälö 3. Laskukaaoje yhdisäie 4. Yhälöide uodosaie aeaaisee ogelaa Käyöoikeus opeuksessa
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
LisätiedotJÄYKÄN KAPPALEEN TASOKINEMATIIKKA
JÄYKÄN KLEEN TSKINEMTIIKK TSLIIKKEEN LUKITTELU Liikkee yyppi Esimerkki ( Suoriiie rslio (b Käyräiiie rslio (c Roio (d Yleie soliike TRNSLTI Trslioss kikki pisee liikku smll ll eli kpplee liikeil uemisee
LisätiedotXII RADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA
II ADIOAKTIIVISUUSMITTAUSTEN TILASTOMATEMATIIKKAA Laskenaaajuus akiivisuus Määrieäessä radioakiivisen näyeen akiivisuua (A) uloksena saadaan käyeyn miausyseemin anama laskenaaajuus (). = [II.I] jossa =
LisätiedotMATA172 Sami Yrjänheikki Harjoitus Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki!
MATA17 Sami Yrjäheikki Harjoitus 7 1.1.018 Tehtävä 1 Totta vai Tarua? Lyhyt perustelu tai vastaesimerkki! (a) Jokaie jatkuva fuktio f : R R o tasaisesti jatkuva. (b) Jokaie jatkuva fuktio f : [0, 1[ R
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.
Lisätiedotẍ(t) q(t)x(t) = f(t) 0 1 z(t) +.
Diffrniaaliyhälö II, harjoius 3, 8 228, rakaisu JL, kuusi sivua a On muunnava linaarinn oisn kraluvun diffrniaaliyhälö ẍ qx f yhäpiäväksi nsimmäisn kraluvun linaarisksi kahdn skalaariyhälön sysmiksi Rak
LisätiedotDiskreetillä puolella impulssi oli yksinkertainen lukujono:
DEE-00 ineaarise järjeselmä Harjoius 5, rakaisuehdoukse [johdano impulssivaseeseen] Jakuva-aikaisen järjeselmän impulssivase on vasaavanlainen järjeselmäyökalu kuin diskreeillä puolellakin: impulssivase
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
LisätiedotA-osio. Ei laskinta! Valitse seuraavista kolmesta tehtävästä vain kaksi joihin vastaat!
MAA Koe 7..03 A-osio. Ei laskina! Valise seuraavisa kolmesa ehäväsä vain kaksi joihin vasaa! A. a) Mikä on funkion f(x) määrieljoukko, jos f( x) x b) Muua ulomuooon: 4a 8a 4 A. a) Rakaise hälö: x 4x b)
LisätiedotKYNNYSILMIÖ JA SILTÄ VÄLTTYMINEN KYNNYKSEN SIIRTOA (LAAJENNUSTA) HYVÄKSI KÄYTTÄEN
YYSILMIÖ J SILÄ VÄLYMIE YYSE SIIRO LJEUS HYVÄSI ÄYÄE ieoliikenneekniikka I 559 ari ärkkäinen Osa 5 4 MILLOI? Milloin ja missä kynnysilmiö esiinyy? un vasaanoimen ulon SR siis esi-ilmaisusuodaimen lähdössä
LisätiedotTestit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot
TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille
LisätiedotLuento 3. Fourier-sarja
Fourier muuos Rayleigh eoreema Spekriiheys Lueo 3 4..6 Fourier-sarja Fourier-sarja avulla pysyii esiämää jaksollie sigaali, joka jaksoaika o. Fourier-sarja Fourier-kompoei Eäpä aperiodise sigaali, joilla
LisätiedotTKK Tietoliikennelaboratorio Seppo Saastamoinen Sivu 1/5 Konvoluution laskeminen vaihe vaiheelta
KK ieoliikennelaboraorio 7.2.27 Seppo Saasamoinen Sivu /5 Konvoluuion laskeminen vaihe vaiheela Konvoluuion avulla saadaan laskeua aika-alueessa järjeselmän lähösignaali, kun ulosignaali ja järjeselmän
Lisätiedot(x) (tasaisesti suppeneva sarja)
6.3 MATEMAATTISET OPERAATIOT SARJOIE Jos srjss o äärellie äärä erejä, void derivoii i iegroii suori huole ereiäi. Ääreöä srj puksess ereiäi operoii o slliu, jos srj suppeee sisesi. Esi. Trksell ääreöä
LisätiedotMallivastaukset KA5-kurssin laskareihin, kevät 2009
Mallivasaukse KA5-kurssin laskareihin, kevä 2009 Harjoiukse 8 (viikko 14) Tehävä 1 LAD-käyrä siiryy ylöspäin. Ulkomaisen hinojen nousessa oman maan reaalinen vaihokurssi heikkenee 1 vaihoase vahvisuu IS-käyrä
LisätiedotVATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS. JULKISEN TALOUDEN PITKÄN AIKAVÄLIN LASKENTAMALLIT Katsaus kirjallisuuteen
VATT-KESKUSTELUALOITTEITA VATT DISCUSSION PAPERS 445 JULKISEN TALOUDEN PITKÄN AIKAVÄLIN LASKENTAMALLIT Kasaus kirjallisuueen Juho Kosiainen Valion aloudellinen ukimuskeskus Governmen Insiue for Economic
LisätiedotRiskienhallinnan peruskäsitteitä
Rskenhallnnan peruskäseä Juss Kangaspuna 7. Syyskuua 2011 Työn saa allenaa ja julksaa Aalo-ylopson avomlla verkkosvulla. Mula osn kakk okeude pdäeään. Esyksen ssälö Todennäkösyyspohjanen vekehys aloudellsen
Lisätiedot6.4 Variaatiolaskennan oletusten rajoitukset. 6.5 Eulerin yhtälön ratkaisuiden erikoistapauksia
6.4 Variaaiolaskennan oleusen rajoiukse Sivu ss. 27 31 läheien Kirk, ss. 13 143] ja KS, Ch. 5] pohjala Lähökoha oli: jos J:llä on eksremaali (), niin J:n variaaio δj( (), δ()) ():ä pikin on nolla. 1. Välämäön
Lisätiedot1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1
Epäyhtälötehtävie ratkaisuja. osa, ks. Solmu 2/200. Kahde positiivise luvu harmoie, geometrie, aritmeettie ja kotraharmoie keskiarvo määritellää yhtälöillä H = 2 +, G = uv, A = u + v 2 u v ja C = u2 +
LisätiedotHELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekunta/Osasto Fakultet/Sektion Faculty
HELSINGIN YLIOPISTO HELSINGFORS UNIVERSITET UNIVERSITY OF HELSINKI Tiedekuna/Osaso Fakule/Sekion Faculy Laios Insiuion Deparmen Maemaais-luonnonieeellinen Tekijä Förfaare Auhor Miriam Hägele Työn nimi
LisätiedotMATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ
MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ 4.9.4 HYVÄN VASTAUKSEN PIIRTEITÄ Alla oleva vasausen piireiden, sisälöjen ja piseiysen luonnehdina ei sido ylioppilasukinolauakunnan arvoselua. Lopullisessa arvoselussa
Lisätiedot1 Excel-sovelluksen ohje
1 (11) 1 Excel-sovelluksen ohje Seuraavassa kuvaaan jakeluverkonhalijan kohuullisen konrolloiavien operaiivisen kusannusen (SKOPEX 1 ) arvioimiseen arkoieun Excel-sovelluksen oimina, mukaan lukien sovelluksen
LisätiedotTilausohjatun tuotannon karkeasuunnittelu. Tilausohjatun tuotannon karkeasuunnittelu
Tilausohjaun uoannon areasuunnielu Tilausohjaussa uoannossa sarjojen muodosaminen ei yleensä ole relevani ongelma, osa uoevaihelu on suura, mä juuri onin peruse MTO-uoannolle Tuoe- ja valmisusraenee ova
LisätiedotRatkaisu. Virittäviä puita on kahdeksan erilaista, kun solmut pidetään nimettyinä. Esitetään aluksi verkko kaaviona:
Diskreei maemaiikka, sks 00 Harjoius 0, rakaisuisa. Esi viriävä puu suunaamaomalle verkolle G = (X, E, Ψ), kun X := {,,, }, E := { {, }, {, }, {, }, {, }, {, }}, ja Ψ on ieninen kuvaus. Rakaisu. Viriäviä
Lisätiedot12. 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
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
Lisätiedot811312A Tietorakenteet ja algoritmit II Algoritmien analyysi
811312A Tietoraketeet ja algoritmit 2016-2017 II Algoritmie aalyysi Sisältö 1. Algoritmie oikeellisuus 2. Algoritmie suorituskyvy aalyysi 3. Master Theorem 811312A TRA, Algoritmie aalyysi 2 II.1. Algoritmie
LisätiedotMIKROTEORIA, HARJOITUS 7 MONOPOLI JA OLIGOPOLI
MIKROTEORIA, HARJOIT 7 MONOPOLI JA OLIGOPOLI. Amerikkalainen lääkeehdas m lääkeä koimarkkinoilla ja Kanadassa paenin urvin. Yriksen markkinoiniosaso on arvioinu, eä kääneis-ksnäkärä ova p p = = 5 Kaikki
LisätiedotEsimerkki 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( ) ( ) x t. 2. Esitä kuvassa annetun signaalin x(t) yhtälö aikaalueessa. Laske signaalin Fourier-muunnos ja hahmottele amplitudispektri.
ELEC-A7 Signaali ja järjeselmä Laskuharjoiukse LASKUHARJOIUS Sivu 1/11 1. Johda anneun pulssin Fourier-muunnos ja hahmoele ampliudispekri. Käyä esim. derivoinieoreemaa, ja älä unohda 1. derivaaan epäjakuvuuskohia!
Lisätiedot4 YHDEN VAPAUSASTEEN HARMONINEN PAKKOVÄ- RÄHTELY
Väähelyekaiikka 4. 4 YHDEN VAPAUSASTEEN HARMONINEN PAKKOVÄ- RÄHTELY 4. Johdao Mekaaise syseei ulkoisisa kuoiuksisa aiheuuvaa väähelyä saoaa akkoväähelyksi. Jos syseeissä o vaieusa, o kyseessä vaieeva akkoväähely,
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,
LisätiedotTakaperäiset stokastiset dierentiaaliyhtälöt, niiden rahoitusteoreettisia sovelluskohteita ja johdatus Itô-analyysiin
Takaperäise sokasise diereniaaliyhälö, niiden rahoiuseoreeisia sovelluskoheia ja johdaus Iô-analyysiin Topias Tolonen 13. joulukuua 217 Pro gradu -ukielma Maemaiikan ja ilasoieeen laios Ohjaaja: Dario
Lisätiedot