ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2016 Harjoitusten 4 ja 5 ratkaisuehdotuksia

Koko: px
Aloita esitys sivulta:

Download "ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2016 Harjoitusten 4 ja 5 ratkaisuehdotuksia"

Transkriptio

1 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2016 Harjoitusten 4 ja 5 ratkaisuehdotuksia 4 Harjoitukset Harjoitustehtävä 4.1 Tarkastelemme esimerkin leipuri Pullaa. Kuinka monta pullaa tulee leipuri Pullan paistaa aamuisin, kun hän on riskineutraali, ja uskoo että (potentiaalisesti) myytyjen pullien lukumäärä lounastauolla on (a) binomijakautunut parametrein n = 10 ja p = 0,5, (b) Poisson-jakautunut parametrilla 5, (c) Pearson Tukey-jakautunut fraktiiliparametrein 1, 5, 10? Ratkaisuehdotus: (a) Leipuri Pullan arvotukset vaihtoehdoille i = 0, 1,..., 10 ovat V (a i ) = E(a i ) = 10 j=0 (min(i, j) 0,2i) ( ) 10 0,5 10. j Siten, esimerkiksi ja, esimerkiksi V (a 0 ) = 0,0000 V (a 1 ) = = = 10 j=0 10 j=0 10 j=0 (selvästi ilman laskujakin) (min(1, j) 0,2) (1 0,2) ( 10 0,8 j = 0, ( ) 10 0,5 10 j ) 0,5 10 ( ) 10 0,5 10 j Laskemalla samalla tavalla saamme V (a 2 ) = 1,58828, V (a 3 ) = 2,33359, V (a 4 ) = 2,96172, V (a 5 ) = 3,38477, V (a 6 ) = 3,56172, V (a 7 ) = 3,53359, V (a 8 ) = 3,38828, V (a 9 ) = 3,19902, V (a 10 ) = 3, Optimaalinen ratkaisu on siis paistaa 6 pullaa. 1

2 (b) Leipuri Pullan arvotukset vaihtoehdoille i = 0, 1,... ovat V (a i ) = E(a i ) = 5 5j (min(i, j) 0,2i) e j!. j=0 Laskemalla yllä olevan kaavan mukaan (esim. tietokoneella, korvaamalla riittävän isolla luvulla) saamme V (a 0 ) = 0,00000, V (a 1 ) = 0,76092, V (a 2 ) = 1,43762, V (a 3 ) = 1,97394, V (a 4 ) = 2,33479, V (a 5 ) = 2,52018, V (a 6 ) = 2,55934, V (a 7 ) = 2,49406, V (a 8 ) = 2,36350, V (a 9 ) = 2,19668, V (a 10 ) = 2,01172, V (a 11 ) = 1,81852, V (a 12 ) = 1,62189, V (a 13 ) = 1, Selvästikään ei tarvitse laskea suurempia i:n arvoja. Itse asiassa i = 7 näytti jo kuvion. Optimaalinen ratkaisu on siis paistaa 6 pullaa. (c) Nyt arvotukset ovat ( ) V (a i ) = min(i, 1) 0,2i 0,185 ( ) + min(i, 5) 0,2i 0,630 ( ) + min(i, 10) 0,2i 0,185. Saamme V (a 0 ) = 0,00000, V (a 1 ) = 0,80000, V (a 2 ) = 1,41500, V (a 3 ) = 2,03000, V (a 4 ) = 2,64500, V (a 5 ) = 3,26000, V (a 6 ) = 3,24500, V (a 7 ) = 3,23000, V (a 8 ) = 3,21500, V (a 9 ) = 3,20000, V (a 10 ) = 3, Näemme, että nyt kannattaa paistaa 5 pullaa. Harjoitustehtävä 4.2 Tarkastelemme esimerkin leipuri Pullaa. Oletamme, että leipuri Pullalla on vain lokakuun 2009 data käytettävissään. Oletamme lisäksi, että leipuri Pulla on riskineutraali päätöksenteossaan. Kuinka monta pullaa leipuri Pullan tulee paistaa aamuisin, kun hän estimoi pullanmyyntitodennäköisyydet (a) suhteellisten frekvenssien menetelmällä, (b) binomimallilla käyttäen suurimman uskottavuuden periaatetta, (c) Poisson-mallilla käyttäen suurimman uskottavuuden periaatetta, (d) Pearson Tukey-menetelmällä? (Tässä malliratkaisussa ei piilotella sitä, että laskuissa on käytetty GNU Oc- Ratkaisuehdotus: tavea.) (a) Lokakuun 2009 data on 2

3 x = Suhteelliset frekvenssit eri pullanmyynneille ovat p_emp = histc(x,0:10); p_emp = p_emp/sum(p_emp) = Palkkiomatriisi (indeksöinti alkaa luvusta 1 eikä luvusta 0) muodostetaan vaikkapa parilla sisäkkäiselle silmukalla näin: for i=1:11 for j=1:11 R(i,j) = min(i-1,j-i) - 0.2*(i-1); endfor endfor Tällöin riskineutraalit arvostukset eri pullanpaistomäärille saadaan kaavalla (R*p_emp ) = Näemme, että kannattaa paistaa 7 pullaa. (b) Lokakuun 2009 datassa on 22 havaintoa ja yhteensä 112 myytyä pullaa. Siten pullia myytiin 5,09 pullan päivävauhtia. päivittäinen pullanmyynti on siis binomijakautunut parametrein 10 ja 0,509. Näin ollen todennäköisyydet ovat p_bin = binopdf(0:10, 10, 0.509) = e e e e e e e e e e e-03 Tällöin riskineutraalit arvostukset eri pullanpaistomäärille saadaan kaavalla (R*p_bin ) = Näemme, että kannattaa paistaa 6 pullaa. (c) Poisson-mallissa ensimmäiset 11 pistetodennäköisyytta ovat 3

4 p_poi = poisspdf(0:10, 5.09) = Tämä sisältää jo 98,46% todennäköisyysmassasta, mikä lienee riittävästi. Emme siis laajenna palkkiomatriisia R yli 10 pullan. Tällöin riskineutraalit arvostukset eri pullanpaistomäärille saadaan kaavalla (R*p_poi ) = Näemme, että kannattaa paistaa 6 pullaa. (d) Datapisteitä on 22. Siten 0,05-fraktiili on pienin arvo, mikä on 0. Vastaavasti 0,95-fraktiili on suurin arvo, mikä on 10. Mediaani on 11 suurin arvo, mikä on 5. Siten p_pt = [ ]; ja (R*p_pt ) = Kannattaa siis paistaa 5 pullaa. Harjoitustehtävä 4.3 Satunnaismuuttuja X on geometrisesti jakautunut parametrilla θ, jos P(X = n) = (1 θ) n θ, n = 0, 1, 2,.... (a) Millaista tilannetta geometrisesti jakautunut satunnaismuuttuja kuvaa? (b) Johda parametrin θ suurimman uskottavuuden estimaattori. Ratkaisuehdotus: (a) Geometrinen jakauma on dikotomisen (onnistuminen/epäonnistuminen) riippumattoman toistokokeen ensimmäistä onnistunutta koetta edeltävien epäonnistuneiden kokeiden lukumäärän jakauma. (b) Log-uskottavuus on (kun on havaittu n epäonnistumista ennen onnistumista) l(θ) = ln(1 θ) n θ = n ln(1 θ) + ln θ. 4

5 Siten dl dθ (θ) = n d dθ ln(1 θ) + d dθ ln θ = n 1 θ + 1 θ = 1 θ nθ (1 θ)θ = 1 (n 1)θ (1 θ)θ = 0, kun θ = ˆθ = 1 n 1. Harjoitustehtävä 4.5 Sijoittaja S.:llä on =C sijoitettavaa. Hän ei halua hajauttaa sijoitustaan, vaan haluaa sijoittaa joko Riskiin, Varmaan, tai Säästöön. Säästö antaa varmasti 1% tuoton. Hillosanomista sijoittaja S. on lukenut, että Varman ja Riskin odotetut tuotot (µ) ja tuottojen volatiliteetit (σ) ovat µ Varma = 3%, σ Varma = 10%, µ Riski = 5%, σ Riski = 20%. Sijoittaja S. on antanut itselleen kertoa, että tämä tarkoittaa sitä, että tuotto on normaalisti jakautunut satunnaismuuttuja odotusarvolla µ ja varianssilla σ 2. Mihin kohteeseen tulisi sijoittaja S.:n sijoittaa rahansa, kun hän on (a) riskineutraali, (b) hyödyn maksimoija hyötyfunktiolla u(r) = ln r. Käytä analyysissäsi laajennettua Pearson Tukey-menetelmää, ja vertaa sitä todelliseen normaalijakaumaan. Ratkaisuehdotus: Määrittelemme aluksi fraktiilit. Tuotot ovat normaalijakautuneita. Siten normeeratut tuotot ovat standardinormaalijakautuneita. Olkoon X normaalisti jakautunut parametrein µ ja σ. Tällöin (X µ)/σ on standradinormaalisti jakautunut ja sen x-fraktiilit saadaan lausekkeesta q = P (X x) ( X µ = P x µ ) σ σ ( ) x µ = Φ σ 5

6 Siis mistä saamme Tarvitsemme tiedot seuraavista fraktiileista q: Φ 1 (q) = x µ σ, x = µ + σφ 1 (q). Φ 1 (0,05) = 1,64, Φ 1 (0,50) = 0, Φ 1 (0,95) = 1,64. Siten Pearson Tukey-approksimaatio normaalijakautuneille tuotoille r = [r 1, r 2, r 3 ] parametrein µ ja σ on r 1 = µ σ 1,64, r 2 = µ, r 3 = µ + σ 1,64. (a) Yltä näemme riskineutraalit varmuusvastineet (1 + r 1 ) 0, (1 + r 2 ) 0, (1 + r 3 ) 0,185 = (1 + µ σ 1,64) 0, (1 + µ) 0, (1 + µ + σ 1,64) 0,185 Sijoittamalla µ ja σ Varmalle ja Riskille (sekä Säästölle) saamme Säästö: Varma: Riski: Siten riskineutraali päätöksentekijä valitsee Riskin Peason Tukey-approksimaatiossa. Jos Pearson Tukey-approksimaatio korvataan todellisella normaalijakaumalla, niin tällöin varmuusvastineet ovat (1 + µ σr)φ(r) dr [ = φ(r) dr + µ = [1 + µ]. ] φ(r) dr + σ rφ(r) dr Tämä lauseke on sitä suurempi, mitä suurempi µ on taysin riippumatta parametrin σ arvosta. Siten päätös on edelleen Riski. (b) Logaritmisen utiliteetin tapauksessa Pearson Tukey-approksimaation varmuusvastineet ovat ln ( (1 + µ σ 1,64)) 0,185 + ln ( (1 + µ)) 0,630 + ln ( (1 + µ + σ 1,64)) 0,185 6

7 Sijoittamalla µ ja σ Varmalle ja Riskille (sekä Säästölle) saamme Säästö: 9,2203 Varma: 9,2351 Riski: 9,2401 Siten logaritminen päätöksentekijä valitsee myös Riskin Peason Tukey-approksimaatiossa. Jos Pearson Tukey-approksimaatio korvataan todellisella normaalijakaumalla, niin tällöin logaritmiset varmuusvastineet ovat ln ( (1 + µ σr)) φ(r) dr. Tämä lauseke on formaalisti (tai kompleksinen), jos σ > 0. Siten log-päättäjä valitsee Säästön. (Muutkin tulkinnat ovat toki mahdollisia. Jos esim. tulkitaan, että loppuvarallisuus ei voi olla negatiivinen, niin tällöin valinta on edelleen Riski). 5 Harjoitukset Harjoitustehtävä 5.4 Pekka Päättäjä on päättänyt itselleen seuraavat indifferenssit: L(1, 10) 0,5L(1, 0) + 0,5L(1, 20), L(1, 12) 0,4L(1, 10) + 0,6L(1, 20), L(1, 15) 0,2L(1, 10) + 0,8L(1, 20). (a) Mitä pystyt sanomaan Pekka Päättäjän hyötyfunktiosta? (b) Onko Pekka Päättäjä riskinrakastaja vai riskinkaihtaja? Ratkaisuehdotus: Pekka Päättäjä arvottamissa arpajaisissa esiintyy palkkiot 0, 10, 12, 15 ja 20. Saamme siis tietoa Pekan hyötyfunktiosta näissä pisteissä, yleisemmin välillä [0, 20]. (a) Normeeraamalla voimme sanoa, että u(20) = 1 ja u(0) = 0. Indifferenssistä seuraa, että Huomioimalla tämä indifferenssistä seuraa, että L(1, 10) 0,5 L(1, 0) + 0,5 L(1, 20) u(10) = 0, , 1 = 0,5. L(1, 12) 0,4L(1, 10) + 0,6L(1, 20) u(12) = 0,4 0,5 + 0,6 = 0,8. 7

8 Lopuksi, huomioimalla edelliset, indifferenssistä L(1, 15) 0,2L(1, 10) + 0,8L(1, 20) seuraa, että u(15) = 0,2 0,5 + 0,8 = 0,9. Hyötyfunktio on siis jotakuinkin seuraavan kuvan esittämän kaltainen: u r (b) Ei kumpaakaan, kuten (a)-kohdan kuvasta näkyy (hyötyfunktio ei ole konkaavi eikä konveksi). Harjoitustehtävä 5.5 Oiva Opiskelijan on päätettävä osallistuako kurssille Operaatioanalyysi vai Johdatus tilastotieteeseen. Oiva arvioi, että jos hän osallistuu kurssille Operaatioanalyysi, niin todennäköisyydellä 10% hän saa arvosanan 5, todennäköisyydellä 40% arvosanan 4 ja todennäköisyydellä 50% arvosanan 3. Samoin Oiva arvelee, että jos hän osallistuu kurssille Johdatus tilastotieteeseen, niin todennäköisyydet arvosanoille ovat: 70% arvosanalle 4, 25% arvosanalle 3 ja 5% arvosanalle 2. Oiva on indifferentti arpajaisten L(1, 3) ja L(0,25, 5 ; 0,75, 2) suhteen, sekä arpajaisten L(1, 4) ja L(0,70, 5 ; 0,30, 2) suhteen. Jos Oiva Opiskelija haluaa optimoida arvosanasta saadun keskimääräisen (eli odotetun) hyödyn, niin kumman kursseista Operaatioanalyysi vai Tilastotieteen johdantokurssi hän valitsee? 8

9 Ratkaisuehdotus: Huomaamme aluksi, että Oiva Opiskelija tarkastelee vain arvosanoja 5, 4, 3 ja 2. Hän siis ei pidä mahdollisena arvosanoja 1 tai hylätty. Rakennamme Oivan hyötyfunktion. Ääriarvoissa asetamme u(5) = 1 ja u(2) = 0. Indifferessistä L(1, 3) L(0,25, 5 ; 0,75, 2) päättelemme, että u(3) = 0,25. Samoin indifferenssistä L(1, 4) L(0,7, 5 ; 0,3, 2) päättelemme, että u(4) = 0,7. Kuvallisesti voimme hahmotella (joskaan se ei ole tarpeen) u r Nyt hyötyfunktio on tiedossamme. Voimme siis laskea odotetut hyödyt arpajaisille L OR ja L IS : E ( u ( L OR )) = u(5) 0,1 + u(4) 0,4 + u(3) 0,5 = 1 0,1 + 0,7 0,4 + 0,25 0,5 = 0,505, E ( u ( L IS )) = u(4) 0,7 + u(3) 0,25 + u(2) 0,05 = 0,7 0,7 + 0,25 0, ,05 = 0,

10 Oiva Opiskelija valitsee siis kurssin Tilastotieteen johdantokurssi. Harjoitustehtävä 6.1 Sinun on valmistauduttava possuköhän etenemiseen Suomessa. Oletetavaa on, että possuköhä tappaa 600 ihmistä. Voit valita kahdesta rokotusohjelmasta: Ohjelma I 200 ihmistä säästyy. Ohjelma II Todennäköisyydellä 1/3 600 ihmistä säästyy. Kumman rokotusohjelman valitset? Entä kumman rokotusohjelman valitset, jos vaihtoehdot ovat Ohjelma I 400 ihmistä kuolee. Ohjelma II Todennäköisyydellä 2/3 600 ihmistä kuolee. Ratkaisuehdotus: Tässä on keskeistä huomata, että ohjelmat I ja I ovat täsmälleen samoja. Myös ohjelmat II ja II ovat täsmälleen samoja. Usein ihmiset kuitenkin valitsevat ohjelman I ja ohjelman II, koska ne on muotoiltu kauniimmin. Harjoitustehtävä 6.3 Tarkastelemme Tverskyn ja Kahnemanin paradoksia. Olkoon arpajaiset tappioineen tai voittoineen L 1 = L(0,001, 5.000$ ; 0,999, 0$), L 2 = L(1, 5$), L 3 = L(0,001, 5.000$; 0,999, 0$), L 4 = L(1, 5$). Tversky ja Kahneman pyysivät 72 henkilöä valitsemaan arpajaisten L 1 ja L 2 sekä L 3 ja L 4 väliltä. Yli 75% valitsi arpajaiset L 1 mieluummin kuin arpajaiset L 2 ja arpajaiset L 4 mieluummin kuin arpajaiset L 3. (a) Miten riskineutraali päätöksentekijä arvottaisi arpajaiset? (b) Miten riskiä rakastava päätöksentekijä arvottaisi arpajaiset? (c) Miten riskiä kaihtava päätöksentekijä arvottaisi arpajaiset? (d) Miten sinä järjestäisit arpajaiset? (e) Miksi Tverskyn ja Kahnemanin koe on ristiriidassa Von Neumann Morgenstern -hyötyteorian kanssa? (f) Miten prospektiteoria tai ankkurointiefekti voi selittää Tverskyn ja Kahnemanin kokeen? Ratkaisuehdotus: (a) Riskineutraalit arvot ovat E(L 1 ) = 0, $ + 0,999 0$ = 5$, E(L 2 ) = 5$, E(L 3 ) = 0,001 ( 5.000$) + 0,999 0$, = 5$, E(L 4 ) = 5$. 10

11 Riskineutraali arvotus on siis L 3 L 4 L 1 L 2. (b) Riskinrakastajan rajahyöty on aina kasvava. Toinen tapa sanoa tämä on, että hyötyfuntion derivaatta on kasvava. Kolmas tapa sanoa tämä on, että u (pr 1 + (1 p)r 2 ) pu(r 1 ) + (1 p)u(r 2 ) kaikilla p (0, 1) ja r. Valitsemalla r 1 = 0$, r 2 = 5.000$ ja p = 0,999 näemme, että E(u(L 1 )) = 0,999u(0$) + 0,001u(5.000$) u (0,999 0$ + 0, $) = u(5$) = E(L 2 ). Siten riskinrakastajalle L 2 L 1. Samalla tavalla näemme, valitsemalla r 1 = 0$, r 2 = 5.000$ ja p = 0,999, että Siten riskinrakastajalle L 4 L 2. Lopputulos on, että riskinrakastajalle E(u(L 3 )) = 0,999u(0$) + 0,001u( 5.000$) u (0,999 0$ 0, $) = u( 5$) = E(u(L 4 )). L 4 L 3 L 2 L 1. (c) Tämä kohta menee kuten kohta (c), mutta sillä muutoksella, että nyt u (pr 1 + (1 p)r 2 ) pu(r 1 ) + (1 p)u(r 2 ). Siten riskinkaihtajalle L 3 L 4 L 2 L 1. (d) Luennoija preferoisi seuraavasti: Tämä tekee luennoijasta epärationaalisen. L 3 L 4 L 2 L 1. (e) Epärationaalisuus tulee siitä, että tarkastelemme tappioita ja voittoja. Siten ankkurointipiste on mielivaltainen ja luennoijan tapaan epärationaalinen ihminen on riskiä rakastava voitoille ja riskiä kaihtava tappioille. Tästä seuraa, että hyötyfunktio on samanaikaisesti sekä konveksi että konkaavi (olematta kuitenkaan riskineutraali). Tämä on yksinkertaisesti mahdotonta: sellaista hyötyfunktiota ei ole! Luennoija on siis epärationaalinen Von Neumannin ja Morgensternin mielessä. (f) Paras selitys lienee ankkurointiefekti: ollaan ankkuroitu nollaan, jolloin voitot ja tappiot tuntuvat erilaisilta. Samankaltainen ilmiö tapahtui Harjoitustehtävässä

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 4 Ratkaisuehdotuksia 1. Olkoon herra K.:n hyötyfunktio u(x) = ln x. (a) Onko herra K. riskinkaihtaja, riskinrakastaja vai riskineutraali?

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti)

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 5 (Koetentti) ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 200 Harjoitus 5 (Koetentti) Ratkaisuehdotuksia. Öljy-Yhtiö Oy on tehnyt herra K.:n maapalasta ostotarjouksen 200kC. Herra K. voi joko myydä maapalan

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 4 Ratkaisuehdotuksia 1. Omppukone Oy valmistaa liukuhihnalla muistipiirejä kymmenen piirin sarjoissa. Omppukone arvioi, että keskimäärin

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Harjoitus 5 Ratkaisuehdotuksia Näissä harjoituksissa viljellään paljon sanaa paradoksi. Sana tulee ymmärtää laajassa mielessä. Suppeassa mielessähän

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3

Lisätiedot

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1) HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS00 Päätöksenteko epävarmuuden vallitessa Syksy 008 Harjoitus 3 Ratkaisuehdotuksia 1. Penan Grilli ja Jaskan Grilli ovat kilpailijoita. Molempien täytyy päättää samanaikaisesti ja toisistaan tietämättä

Lisätiedot

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

Lisätiedot

Maximum likelihood-estimointi Alkeet

Maximum likelihood-estimointi Alkeet Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta:

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008. Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: RMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 8 Ratkaisuehdotuksia Tehtävissä 1, 2, ja 3 tarkastelemme seuraavaa tilannetta: Pankki harkitsee myöntääkö 5. euron lainan asiakkaalle 12%

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen

Lisätiedot

Tilastollinen aineisto Luottamusväli

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

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS22 Päätöksenteko epävarmuuden vallitessa Syksy 28 Harjoitus 7 Ratkaisuehdotuksia. Liukuhihnafirma Oy tuottaa jipposensoreita liukuhihnalla. Liukuhihnalla on kuitenkin ylikapasiteettia. Siten Liukuhihnafirma

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi

Lisätiedot

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu 1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin

Lisätiedot

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾. 24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Tilastollinen päättely II, kevät 2017 Harjoitus 2A Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten

Lisätiedot

3.6 Su-estimaattorien asymptotiikka

3.6 Su-estimaattorien asymptotiikka 3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä

Lisätiedot

6. laskuharjoitusten vastaukset (viikot 10 11)

6. laskuharjoitusten vastaukset (viikot 10 11) 6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287

Lisätiedot

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tilastotieteen kertaus. Kuusinen/Heliövaara 1 Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa

Lisätiedot

2. Uskottavuus ja informaatio

2. Uskottavuus ja informaatio 2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden 1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella

Lisätiedot

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että

Lisätiedot

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

tilastotieteen kertaus

tilastotieteen kertaus tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla

Lisätiedot

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: 4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä

Lisätiedot

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet

2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita

Lisätiedot

5. laskuharjoituskierros, vko 8, ratkaisut

5. laskuharjoituskierros, vko 8, ratkaisut Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

Lisätiedot

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa.

b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa. 2.9. Epävarmuus ja odotetun hyödyn teoria Testi. Kumman valitset a) 10 euroa varmasti. b) Arvonnan, jossa 50 % mahdollisuus saada 15 euroa ja 50 % mahdollisuus saada 5 euroa. Odotettu arvo 0,5* 15 + 0,5*5

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus 3 Ratkaisuehdotuksia 1. (a) Päätöspuu on matala, jos mitään sattumasolmua ei välittömästi seuraa sattumasolmu eikä mitään päätössolmua

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio

Lisätiedot

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta MS-A00 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta 7.. Gripenberg Kirjoita jokaiseen koepaperiin nimesi, opiskelijanumerosi ym. tiedot ja minkä kokeen suoritat! Laskin,

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia. HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia Tehtäväsarja I 1. Jatkoa Harjoitus 8A tehtävään 3. Muodosta odotusarvolle µ approksimatiivinen

Lisätiedot

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio. Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170 VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi TOD.NÄK JA TILASTOT, MAA0 Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi Kuten tilastojakaumia voitiin esittää tunnuslukujen (keskiarvo, moodi, mediaani, jne.) avulla, niin vastaavasti

Lisätiedot

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2 HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi

Lisätiedot

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire

Lisätiedot

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

Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman

Lisätiedot

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774

Lisätiedot

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen MTTTP5, kevät 2016 4.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen 1. Laitosneuvostoon valitaan 2 professoria, 4 muuta henkilökuntaan kuuluvaa jäsentä sekä 4 opiskelijaa. Laitosneuvostoon

Lisätiedot

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan 17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten

Lisätiedot

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot Sievin lukio Tehtävien ratkaisut tulee olla esim. Libre officen -writer ohjelmalla tehtyjä. Liitä vastauksiisi kuvia GeoGebrasta ja esim. TI-nSpire

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2008 Haroitus 2 Ratkaisuehdotuksia 1. Työpaikalla ärestetään huumetesti. Testi on 99% varma. Toisin sanoen vain 1% huumeenkäyttäistä ää palastumatta

Lisätiedot

Harjoitus 2: Matlab - Statistical Toolbox

Harjoitus 2: Matlab - Statistical Toolbox Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat

Lisätiedot

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

30A02000 Tilastotieteen perusteet

30A02000 Tilastotieteen perusteet 30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi

Lisätiedot

T Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1

T Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti , 8:30-10:00 Kollokaatiot, Versio 1.1 T-61.281 Luonnollisen kielen tilastollinen käsittely Vastaukset 3, ti 10.2.2004, 8:30-10:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman

Lisätiedot

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia

Lisätiedot

6.1.2 Luottamusjoukon määritelmä

6.1.2 Luottamusjoukon määritelmä 6.1.1 Johdanto Olemme tarkastelleet piste-estimointia: tavoitteemme oli etsiä tunnuslukuja t, joilla piste t(y) hyvä arvio mallin parametrille θ (tai sen muunnokselle g(θ)). Pelkän piste-estimaatin esittäminen

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-.090 Sovellettu todennäköisyyslasku A Harjoitus 7 (vko 44/003) (Aihe: odotusarvon ja varianssin ominaisuuksia, satunnaismuuttujien lineaarikombinaatioita,

Lisätiedot

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla?

(b) Onko hyvä idea laske pinta-alan odotusarvo lähetmällä oletuksesta, että keppi katkeaa katkaisukohdan odotusarvon kohdalla? 6.10.2006 1. Keppi, jonka pituus on m, taitetaan kahtia täysin satunnaisesti valitusta kohdasta ja muodostetaan kolmio, jonka kateetteina ovat syntyneet palaset. Kolmion pinta-ala on satunnaismuuttuja.

Lisätiedot

805306A Johdatus monimuuttujamenetelmiin, 5 op

805306A Johdatus monimuuttujamenetelmiin, 5 op monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme? TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman

Lisätiedot

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista

Epäyhtälöt ovat yksi matemaatikon voimakkaimmista 6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 14..2017 Ratkaisuehdotuksia 1. Olkoon θ positiivinen parametri, ja asetetaan 2θ 1 y exp y 2 /θ), kun y > 0 fy; θ) = 0, muuten

Lisätiedot

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin?

ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 2010 Harjoitus Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin? ORMS2020 Päätöksenteko epävarmuuden vallitessa Syksy 200 Harjoitus Ratkaisuehdotuksia. Mitkä todennäköisyystulkinnat sopivat seuraaviin väitteisiin? (a) Todennäköisyys että kolikonheitossa saadaan lopulta

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014 1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kertausluento 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat:. Potenssisarjojen suppenemissäde, suppenemisväli ja suppenemisjoukko. 2. Derivaatan

Lisätiedot

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 1A

Tilastollinen päättely II, kevät 2017 Harjoitus 1A Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

T Luonnollisten kielten tilastollinen käsittely

T Luonnollisten kielten tilastollinen käsittely T-61.281 Luonnollisten kielten tilastollinen käsittely Vastaukset 3, ti 11.2.2003, 16:15-18:00 Kollokaatiot, Versio 1.1 1. Lasketaan ensin tulokset sanaparille valkoinen, talo käsin: Frekvenssimenetelmä:

Lisätiedot

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4.

1. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden heittojen lukumäärä, joilla tuli 1, 2, 3 tai 4. HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II, syksy 206 Kurssikoe 28.0.206 Ratkaisuehdotuksia. Kuusisivuista noppaa heitetään, kunnes saadaan silmäluku 5 tai 6. Olkoon X niiden

Lisätiedot

Yleistä tietoa kokeesta

Yleistä tietoa kokeesta Yleistä tietoa kokeesta Kurssikoe on pe 27.10. klo 12.00-14.30 (jossakin auditorioista). Huomaa tasatunti! Seuraava erilliskoe on ke 1.11 klo 16-20, johon ilmoittaudutaan Oodissa (ilmoittautumisaika erilliskokeeseen

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Jatkuvia jakaumia TKK (c) Ilkka Mellin (2006) 1 Jatkuvia jakaumia >> Jatkuva tasainen jakauma Eksponenttijakauma Normaalijakauma Keskeinen

Lisätiedot

Teema 8: Parametrien estimointi ja luottamusvälit

Teema 8: Parametrien estimointi ja luottamusvälit Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

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

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:

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

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku A Harjoitus 4 (vko 41/2003) (Aihe: diskreettejä satunnaismuuttujia ja jakaumia, Laininen luvut 4.1 4.7) 1. Kone tekee

Lisätiedot

Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,

Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 017 Laskuharjoitus 4, Kotitehtävien palautus Mycourses:iin PDF-tiedostona

Lisätiedot

D ( ) E( ) E( ) 2.917

D ( ) E( ) E( ) 2.917 Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,

Lisätiedot

2. Uskottavuus ja informaatio

2. Uskottavuus ja informaatio 2. Uskottavuus ja informaatio Viimeksi käsittelimme uskottavuusfunktioita, log-uskottavuusfunktioita ja su-estimaatteja Seuraavaksi tarkastelemme parametrin muunnoksia ja kuinka su-estimaatit käyttäytyvät

Lisätiedot

Luento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori.

Luento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori. Luento 2 Binomi-malli Posteriorijakauman esittämisestä Informatiivisista priorijakaumista Konjugaattipriori Slide 1 Yksiparametrisia malleja Binomi Jacob Bernoulli (1654-1705), Bayes (1702-1761) Normaali

Lisätiedot