Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Koko: px
Aloita esitys sivulta:

Download "Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus"

Transkriptio

1 Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos, Otostuusluku, Parametr, Rppumattomuus, Svutuusluku, Todeäkösyysjakauma, Tyhjetävyys, Tyhjetävyysperaate, Täydellsyys, Yhtesjakauma.. Uskottavuus Brbaum teoreema, Data redusot, Ehdollsuusperaate, Evdess, Fdusaalsuus, Formaal tyhjetävyysperaate, Formaal uskottavuusperaate, Otos, Otostuusluku, Parametr, Rppumattomuus, Tyhjetävyys, Tyhjetävyysperaate, Uskottavuus, Uskottavuusfukto, Uskottavuusperaate, Yhtesjakauma Ilkka Mell (007) /7

2 Mat.36 Tlastolle päättely. Data reduso peraatteet Ilkka Mell (007) /7

3 Mat.36 Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Otos ja otostuusluvut Olkoo X, X,, X satuasotos jakaumasta, joka pstetodeäkösyys ta theysfukto f(x;) rppuu parametrsta. Tällö havaot X, X,, X ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys ta theysfukto f(x;): Olkoo X, X, K, X X f( x; ), =,, K, X = (X, X,, X ) satuasmuuttuje X, X,, X muodostama vektor. Kutsumme satuasmuuttuje X, X,, X (mtallsa) fuktota (otos ) tuusluvuks. T X = T X X K X ( ) (,,, ) Olkoot satuasmuuttuje X, X,, X havatut arvot Merktää tätä: x, x,, x X = x, X = x,, X = x Satuasmuuttuje X, X,, X havatut arvot x, x,, x määräävät havatopstee x = (x, x,, x ) Jos satuasmuuttujat X, X,, X ovat saaeet otaa tuloksea havatuks arvoksee havatoarvot x, x,, x, tuusluku T X = T X X K X ( ) (,,, ) saa havatuks arvoksee t fukto T( ) arvo havatopsteessä x = (x, x,, x ): t = T x = T x x K x ( ) (,,, ) Tyhjetävyysperaate Tuusluku T(X) o tyhjetävä parametrlle, jos se käyttää jossak melessä kake otoksessa oleva formaato parametrsta. Tämä o tyhjetävyyde av määrtelmä, joka kutek tavottaa tyhjetävyyde kästtee olease prtee. Määrtelmä täsmeetää seuraavassa kappaleessa. Ilkka Mell (007) 3/7

4 Mat.36 Tlastolle päättely. Data reduso peraatteet Tyhjetävyysperaate saoo, että jos T(X) o tyhjetävä parametrlle, parametra koskevat johtopäätökset rppuvat otoksesta X va tuusluvu T(X) arvoje kautta. Tos saoe, jos x ja y ovat kaks havatopstettä, jolle T(x) = T(y) e johtavat samoh johtopäätöks parametrsta. Tyhjetävyys Tuusluku T(X) o tyhjetävä parametrlle, jos otokse X ehdolle jakauma kteällä tuusluvu T(X) arvolla e rpu parametrsta. Tarkastelemme seuraavassa (ja myös jatkossa) tyhjetävyyttä ja se karaktersota va dskreette jakaume tapauksessa. Svuutamme tässä jatkuve jakaume tapaukse kästtely she lttyve tekste hakaluukse taka. Hakaluudet jatkuve jakaume tapauksessa lttyvät she, että soveltavamme ehdollse todeäkösyyde määrtelmä e sall sellaste tapahtume ehdollste todeäkösyykse kästtely, jossa ehtotapahtuma todeäkösyys = 0. Ehdollse todeäkösyyde määrtelmä vodaa kutek ylestää sellasee muotoo, että tästä e ole hattaa. Ste kakk se, mtä tässä (ja myös jatkossa) tyhjetävyydestä estetää dskreette jakaume tapauksessa pätee myös jatkuve jakaume tapauksessa. Oletetaa, että tuusluku T(X) o tyhjetävä parametrlle. Olkoo t tuusluvu T(X) mahdolle arvo el sellae arvo, jolle Pr ( T( X) = t) > 0 Tarkastellaa ehdollsta todeäkösyyttä Jos x o havatopste, jolle Pr ( X= x T( X) = t) T(x) t Pr ( X= x T( X) = t) = 0 Ste vomme rajottua tarkastelemaa ehdollsa todeäkösyyksä Pr ( X= x T( X) = T( x)) Koska olemme olettaeet, että tuusluku T(X) o tyhjetävä parametrlle, ehdolle todeäkösyys Pr ( X= x T( X) = T( x)) e rpu parametrsta suoraa tyhjetävyyde määrtelmä mukaa. Ste vomme jatkossa jättää deks pos tästä ehdollsesta todeäkösyydestä ja krjottaa Pr( X= x T( X) = T( x)) Tarkastelemme seuraavassa mssä melessä parametrlle tyhjetävä tuusluku T(X) ssältää kake otoksessa oleva formaato parametrsta. Ilkka Mell (007) 4/7

5 Mat.36 Tlastolle päättely. Data reduso peraatteet Oletetaa, että heklö A havatsee otokse X = x ja määrää tuusluvu T(X) arvo T(x). Tehdessää päätelmä parametrsta, hä vo ss käyttää tetoa sekä stä, että X = x että tetoa stä, että T(X) = T(x). Oletetaa, että heklölle B kerrotaa va se, että tuusluku T(X) o saaut arvo T(x). Heklö B pystyy tämä tedo perusteella määräämää todeäkösyydet el joukossa Pr( X= x T( X) = T( x)) { } AT( x) = y T( y) = T( x) määrtelly todeäkösyysjakauma, koska she lttyvät todeäkösyydet vodaa tyhjetävyyde määrtelmä mukaa määrätä lma tetoa parametr todellsesta arvosta. Ste A vo geeroda (esmerkks satuaslukugeeraattor avulla) havao Y, joka toteuttaa ehdo Pr( Y = y T( X) = T( x)) = Pr( X= y T( X) = T( x)) Kute alla osotetaa, satuasmuuttujlla X ja Y o sama e ehdolle todeäkösyysjakauma. Tämä merktsee stä, että A:lla ja B:llä o käytettävssää täsmällee yhtä paljo formaatota parametrsta. Koska havato Y o geerotu, B: formaato parametrsta e ole adost lsäätyyt. B: ato formaato parametrsta ssältyy she, että tuusluvulla T(X) o arvo T(x). Edellä estetystä seuraa, että B, joka tetää va se, että T(X) = T(x) omaa täsmällee yhtä paljo formaato parametrsta ku A, joka tutee myös otokse X = x Täydeetää yllä estettyä tarkastelua lopuks sllä, että äytetää, että satuasmuuttujlla X ja Y o sama e ehdolle todeäkösyysjakauma el että Pr ( X= x) = Pr ( Y= x) Huomaa, että tapahtumat {X = x} ja {Y = x} ovat tapahtuma {T(X) = T(x)} osajoukkoja. Lsäks Pr( X= x T( X) = T( x)) = Pr( Y= x T( X) = T( x)) ja ämä ehdollset todeäkösyydet evät rpu parametrsta. Ste Pr( X= x) = Pr( X= x ja T( X) = T( x)) = Pr( X= x T( X) = T( x))pr ( T( X) = T( x)) = Pr( Y = x T( X) = T( x))pr ( T( X) = T( x)) = Pr ( Y = x ja T( X) = T( x)) = Pr ( Y = x) Tyhjetävyyde karaktersot Jotta vosmme käyttää yllä estettyä tyhjetävyyde määrtelmää todstaaksemme, että tuusluku T(X) o tyhjetävä parametrlle, medä o todstettava, että ehdolle todeäkösyys Pr ( X= x T( X) = t) Ilkka Mell (007) 5/7

6 Mat.36 Tlastolle päättely. Data reduso peraatteet e rpu parametr arvosta kaklle ktelle x ja t. Lause: Olkoo Todstus: f ( x; ) otokse X yhtesjakauma pstetodeäkösyys ta theysfukto ja qt ( ; ) tuusluvu T(X) pstetodeäkösyys ta theysfukto. Tällö T(X) o tyhjetävä parametrlle, jos suhde f ( x; ) qt ( ( x); ) e rpu parametrsta. Todstamme lausee va dskreette jakaume tapauksessa. Jos x o havatopste, jolle T(x) t Pr ( X= x T( X) = t) = 0 kaklle parametr arvolle. Ste rttää todstaa, että todeäkösyys e rpu parametrsta. Pr ( X= x T( X) = T( x)) Koska tapahtuma {X = x} o tapahtuma {T(X) = T(x)} osajoukko, Tässä Pr ( X= x ja T( X) = T( x)) Pr( X= x T( X) = T( x)) = Pr ( T( X) = T( x)) f(x;) Pr ( X= x) = Pr ( T( X) = T( x)) f( x; ) = qt ( ( x); ) o otokse X yhtesjakauma pstetodeäkösyysfukto ja q(t;) o tuusluvu T(X) pstetodeäkösyysfukto. Ilkka Mell (007) 6/7

7 Mat.36 Tlastolle päättely. Data reduso peraatteet Ste tuusluku T(X) o tyhjetävä parametrlle, jos ja va jos suhde f ( x; ) qt ( ( x); ) e rpu parametrsta. Esmerkk.: Otos ormaaljakaumasta Satuasmuuttuja X oudattaa ormaaljakaumaa parametre µ = E( X) σ = Var( X) = E[( X µ ) ] jos se theysfukto o muotoa / f( x; µ ) = ( πσ ) exp ( x ),,,, µ = σ K Oletamme esmerkssä., että varass σ o tuettu. Oletetaa, että havaot X, X,, X muodostavat satuasotokse ormaaljakaumasta N(µ,σ ). Tällö X, X, K, X X N( µσ, ), =,, K, Olkoot satuasmuuttuje X, X,, X havatut arvot x, x,, x Merktää tätä: X = x, X = x,, X = x Olkoo X = (X, X,, X ) satuasmuuttuje X, X,, X muodostama vektor ja x = (x, x,, x ) de havattuje arvoje muodostama vektor. Näytetää, että havatoje artmeette keskarvo T( X) = X = X = o tyhjetävä tuusluku odotusarvoparametrlle µ. Ilkka Mell (007) 7/7

8 Mat.36 Tlastolle päättely. Data reduso peraatteet Otokse X, X,, X yhtesjakauma theysfukto vodaa krjottaa satuasmuuttuje X, X,, X rppumattomuude taka muotoo Nyt f( x; µ ) = f( x; µ ) = = ( π) σ exp ( x ) µ = σ / = ( π) σ exp ( x ) µ σ = jossa ( x µ ) = ( x x + x µ ) = = = ( x x) ( x x)( x µ ) ( x µ ) = = = = + + = ( x x) + x ( µ ) = x = x = T( x) Tämä seuraa stä, että = = ( x x)( x µ ) = ( x µ ) ( x x) = ( x µ ) x x = = = ( x µ ) x x = 0 = Ste f( x; µ ) = ( π) σ exp ( x x) + x ( µ ) / σ = Otosjakauma koskevassa luvussa o todstettu, että yllä estettyje oletukse pätessä artmeette keskarvo T( X) = X oudattaa ormaaljakaumaa parametre µ ja σ /: σ X N µ, Ste se theysfukto o muotoa / / q( T( x); µ ) = ( π) σ exp ( x µ ) σ Ilkka Mell (007) 8/7

9 Mat.36 Tlastolle päättely. Data reduso peraatteet Koska theysfuktode ( π) σ exp ( ) ( µ ) f( x; µ ) = qt ( ( x); µ ) / / ( π) σ exp ( x µ ) σ / x x x σ + = = x x / ( )/ ( ) ( π) σ exp ( ) σ = suhde e rpu parametrsta µ, tuusluku T( X ) = X o tyhjetävä parametrlle µ. Tyhjetävyyde todstame tyhjetävyyde määrtelmää ojate o use hakalaa. Todstame tapahtuu tavallsest huomattavast helpomm vetoamalla seuraavassa estettävää faktorotteoreemaa. Faktorotteoreema: Olkoo Todstus: f ( x; ) otokse X yhtesjakauma pstetodeäkösyys ta theysfukto. Tuusluku T(X) o tyhjetävä parametrlle, jos ja va jos o olemassa fuktot g(t;) ja h(x) ste, että f( x; ) = g( T( x); ) h( x) kaklle havatopstelle x ja parametr mahdollslle arvolle ja fukto g rppuu otoksesta X = x va tuusluvu T(X) kautta ja fukto h e rpu parametrsta. Todstamme lausee va dskreette jakaume tapauksessa. () Olkoo T(X) tyhjetävä. Valtaa ja g( t; ) = Pr ( T( X) = t) h( x) = Pr( X= x T( X) = T( x)) Fukto g(t;) rppuu parametrsta. Mutta koska T(X) o tyhjetävä, fukto h(x) määrttelevä ehdolle todeäkösyys e rpu parametrsta. Käyttämällä hyväks yllä estettyjä määrtelmä, otokse X yhtesjakauma pstetodeäkösyysfukto f(x;) vodaa krjottaa seuraav muotoh: f( x; ) = Pr ( X= x) = Pr ( X= x ja T( X) = T( x)) = Pr ( T( X) = T( x))pr( X= x T( X) = T( x)) = g( T( x); ) h( x) Ste otokse X yhtesjakauma pstetodeäkösyysfukto f(x;) vodaa faktoroda vaadtulla tavalla. Ilkka Mell (007) 9/7

10 Mat.36 Tlastolle päättely. Data reduso peraatteet () Oletetaa, että otokse X yhtesjakauma pstetodeäkösyysfukto f(x;) vodaa faktoroda seuraavalla tavalla: f( x; ) = g( T( X); ) h( x) Olkooq(t;) tuusluvu T(X) pstetodeäkösyysfukto. Näyttääksemme, että T(X) o tyhjetävä, tarkastelemme suhdetta f ( x; ) qt ( ( x); ) Määrtellää joukko Ste { } AT( x) = y T( y) = T( x) f( x; ) g( T( x); ) h( x) = qt ( ( x); ) qt ( ( x); ) = g( T( x); ) h( x) g( T( x); ) h( y) AT ( x) g( T( x); ) h( x) = g( T( x); ) h( y) = h( x) h( y) AT ( x) AT ( x) Koska olemme ss todstaeet, että suhde f ( x; ) qt ( ( x); ) e rpu parametrsta, tyhjetävyyde karaktersotlauseesta seuraa, että tuusluku T(X) o tyhjetävä parametrlle. Esmerkk.: Otos ormaaljakaumasta (jatkoa esmerklle.) Sovelletaa faktorotteoreemaa esmerk. tlateesee. Esmerkssä. todett, että otokse X, X,, X yhtesjakauma theysfukto vodaa krjottaa muotoo f( x; µ ) = ( π) σ exp ( x x) + x ( µ ) / σ = Ste theysfukto f(x;) vodaa faktoroda seuraavalla tavalla: / f( x; µ ) = ( π) σ exp ( x ) exp ( ) x x µ σ = σ Ilkka Mell (007) 0/7

11 Mat.36 Tlastolle päättely. Data reduso peraatteet Olkoo gt ( ; µ ) = exp x ( µ ) σ h( x) = ( π) exp ( x x) / σ σ = Fukto g(t;µ) rppuu havatoarvosta x va fukto T( x) = x kautta ja fukto h(x) e rpu tutemattomasta parametrsta µ. Ste faktorotteoreemasta seuraa, että tuusluku T( X ) = X o tyhjetävä parametrlle µ. Esmerkessä. ja. tyhjetävää tuuslukua o ollut otokse reaalarvoe fukto ja kostukse kohteea olevaa parametra koskeva formaato otoksesta o tvstetty yhtee tuuslukuu T(x). Tlastoteteessä kohdataa kutek moa tlateta, jossa parametra koskevaa formaatota e voda tvstää yhtee lukuu. Tällö tyhjetävää tuuslukua T(X) o jok vektor: T( X) = ( ( X),, ( X)) T K T r Tällae o tlae use sllo, ku myös parametra o vektor: = (, K, ) s Tavallsest r = s, mutta ä e tarvtse olla. Myös vektorarvoset tyhjetävät tuusluvut löydetää tavallsest helpote faktorotteoreemaa soveltamalla. Esmerkk.3: Otos ormaaljakaumasta (jatkoa esmerklle.) Oletetaa, että havaot X, X,, X muodostavat satuasotokse ormaaljakaumasta N(µ,σ ) kute esmerkssä., mutta oletamme yt, että sekä odotusarvoparametr µ että varassparametr σ ovat tutemattoma. Ste parametrvektora o = ( µσ, ) Esmerk. mukaa otokse X, X,, X yhtesjakauma theysfukto vodaa krjottaa muotoo f( x; µ, σ ) ( π) σ exp ( x x) x ( µ ) Määrtellää otosvarass S kaavalla jossa / = σ + = S X X = ( ) = Ilkka Mell (007) /7

12 Mat.36 Tlastolle päättely. Data reduso peraatteet Olkoo jossa X X = = s x x = ( ) = x = x = tuusluvu S havattu arvo. Ste otokse ormaaljakautuee otokse yhtesjakauma theysfukto vodaa krjottaa muotoo jossa / f( x; µ, σ ) = ( π) σ exp ( ) t + t ( µ ) σ t = T( x) = x t = T ( x) = s Määrtellää vektor Olkoo t = ( t, t) g ( ; ) = ( x;, ) h( x) f µσ Olemme ss äyttäeet, että f( x; µσ, ) = g( t, t ; µσ, ) h( x) = g( T( x), T ( x); µσ, ) h( x) jossa fukto g rppuu otoksesta X = x va tuusluvu kautta ja fukto h e rpu parametrsta = (µ,σ ). Ste faktorotteoreemasta seuraa, että tuusluku T X X X ( ) = ( T( ), T( )) = ( X, S ) o tyhjetävä parametrlle = (µ,σ ). Esmerkk.4: Otos ekspoettperheestä Oletetaa, että havaot T X X X ( ) = ( T( ), T( )) = ( X, S ) X, X,, X muodostavat satuasotokse ekspoettperheestä, joka pstetodeäkösyys ta theysfukto o muotoa k f( x; ) = h( x) c( )exp w( ) t( x) = Ilkka Mell (007) /7

13 Mat.36 Tlastolle päättely. Data reduso peraatteet jossa = (,,, d ), d k. Tällö tuusluku TX ( ) = t ( X j), K, tk( X j) j= j= o tyhjetävä parametrlle. Huomautus: Suur osa tlastotetee tavaomassta jakaumsta kuuluu ekspoettperheesee. Tällasa jakauma ovat esmerkks sellaset dskreett jakaumat kute Beroull jakauma, bomjakauma, geometre jakauma, egatve bomjakauma ja Posso jakauma sekä sellaset jatkuvat jakaumat kute ekspoettjakauma, ormaaljakauma, gamma jakauma, χ jakauma ja beta jakauma. Tyhjetävä tuusluvu fuktode tyhjetävyys Lause: Todstus: Jokae tyhjetävä tuusluvu bjekto o tyhjetävä. Olkoo fukto r bjekto, joka käätesfukto o r. Oletetaa, että T(X) o tyhjetävä tuusluku ja T ( x) = rt ( ( x)) kaklle x. Faktorotteoreema mukaa o olemassa fuktot g ja h ste, että Määrtellää Tällö f = g T h = g r T h ( x; ) ( ( X); ) ( x) ( ( ( X)); ) ( x) g t = g r t ( ; ) ( ( ); ) f( x; ) = g ( T ( X); ) h( x) jote faktorotteoreema mukaa tuusluku T (X) o tyhjetävä. Esmerkk.5: Otos ormaaljakaumasta (jatkoa esmerklle.3) Oletetaa, että havaot X, X,, X muodostavat satuasotokse ormaaljakaumasta N(µ,σ ) kute esmerkssä., mutta oletamme yt, että sekä odotusarvoparametr µ että varassparametr σ ovat tutemattoma. Esmerkssä.3 todett, että tuusluku T X X X ( ) = ( T( ), T( )) = ( X, S ) o tyhjetävä parametrlle = (µ,σ ). Ilkka Mell (007) 3/7

14 Mat.36 Tlastolle päättely. Data reduso peraatteet Koska kuvaus X, X ( X, S ) = = o bjekto, myös havatoje X, X,, X summa = ja elösumma = X X ovat yhdessä tyhjetävä parametrelle µ ja σ. Mmaale tyhjetävyys Tyhjetävä tuusluku T(X) o mmaalsest tyhjetävä, jos T(X) o jokase (muu) tyhjetävä tuusluvu fukto. Tällä tarkotetaa seuraavaa: Jos T (X) o melvaltae tyhjetävä tuusluku ja T (x) = T (y) tällö T(X) o mmaalsest tyhjetävä, jos T(x) = T(y) Mmaalse tyhjetävyyde karaktersot Lause: Olkoo Todstus: f ( x; ) otokse X yhtesjakauma pstetodeäkösyys ta theysfukto. Oletetaa, että fuktolla T(X) o seuraava omasuus: Suhde f ( x; ) f ( y; ) e rpu parametrsta (el o vako parametr fuktoa), jos ja va jos T(x) = T(y) Tällö tuusluku T(X) o mmaalsest tyhjetävä. Todstukse ykskertastamseks oletetaa, että f ( x; ) > 0 kaklle havatopstelle x ja parametr arvolle. Ilkka Mell (007) 4/7

15 Mat.36 Tlastolle päättely. Data reduso peraatteet () Näytetää es, että tuusluku T(X) o tyhjetävä. Olkoo { t t T( x) jollek x } Τ= = Χ jossa Χ o kakke mahdollste havatopstede x joukko. Ste Τ o jouko Χ kuva kuvauksessa T(x). Olkoo t { x ( x) } A = T = t kuvaukse T(x) määrttelemä ostus joukossa Χ. Valtaa jokasesta joukosta A t yks melvaltae alko x t A t. Tällö x T( x) At o jokaselle x X. Koska x ja x T ( x) kuuluvat aa samaa joukkoo A t, t T( x) ( ) = T xt ( x) ja suhde f( x; ) f( x ; ) T( x) o vako parametr fuktoa. Ste vomme määrtellä fukto h( x) = f( x; ) f( x ; ) T( x) joukossa X ja fukto h(x) e rpu parametrsta. Määrtellää velä fukto g( t; ) = f( x ; ) joukossa Τ. Yllä estetystä seuraa, että t f( x ; ) f( x; ) f h g T h f( x ; ) T( x) ( x; ) = ( x) = = ( ( x); ) ( x) T( x) () jote T(x) o tyhjetävä faktorotteoreema mukaa. Näytetää, että tuusluku T(X) o mmaalsest tyhjetävä. Olkoo T (X) melvaltae toe tyhjetävä tuusluku parametr. Faktorotteoreema mukaa o olemassa fuktot g ja h ste, että f( x; ) = g ( T ( x); ) h ( x) Olkoot x ja y kaks havatopstettä, jolle T (x) = T (y). Tällö f( x ; ) g ( T ( ); ) h ( ) h ( ) = x x = x f( y; ) g ( T ( y); ) h ( y) h ( y) Ilkka Mell (007) 5/7

16 Mat.36 Tlastolle päättely. Data reduso peraatteet Koska tämä suhde e rpu parametrsta, oletuksesta seuraa, että T(x) = T(y) jote tuusluku T(x) o tuusluvu T (X) fukto. Koska T (X) ol valttu melvaltasest, tuusluku T(x) o mmaalsest tyhjetävä. Esmerkk.6: Otos ormaaljakaumasta (jatkoa esmerkelle..3) Oletetaa, että havaot X, X,, X muodostavat satuasotokse ormaaljakaumasta N(µ,σ ) kute esmerkssä., jossa oletett, että varassparametr σ o tuettu. Esmerkessä. ja. todett, että tuusluku T( X ) = X o tyhjetävä parametrlle µ. Esmerk.3 mukaa otokse X, X,, X yhtesjakauma theysfukto vodaa krjottaa muotoo jossa f( x; µ ) = ( π) σ exp ( x x) + x ( µ ) / = ( π) σ exp ( ) t + t ( µ ) σ t = T( x) = x t = T ( x) = s / σ = Ste faktorotteoreemasta seuraa, että myös tuusluku T X = X X = ( ) ( T( ), T( )) ( X, S ) o tyhjetävä parametrlle µ. Tuusluku T( X) = X selväst reduso havatoaesto vomakkaamm ku tuusluku T X = X X = ( ) ( T( ), T( )) ( X, S ) koska emme tue otosvarass arvoa, jos tuemme tuusluvu T( X ) = X arvo. Tuusluku T(X) o tuusluvu T (X) fukto, mkä ähdää määrttelemällä fukto jollo r( a, b) = a r = r T T = r x s = x = T ( T( x)) ( ( x), ( x)) (, ) ( x) Ilkka Mell (007) 6/7

17 Mat.36 Tlastolle päättely. Data reduso peraatteet Koska tuusluvut T(X) ovat T (X) tyhjetävä parametrlle µ, e ssältävät sama formaato parametrsta µ. Ste otosvarass S ssältyvä lsäformaato e lsää tetoamme parametrsta µ, ku varass σ o tuettu. Jos varass σ o tutemato, tuusluku T( X) = X e ole tyhjetävä ja tuusluku T X = X X = ( ) ( T( ), T( )) ( X, S ) ssältää tuuslukua T( X) = X eemmä formaatota parametrsta = (µ,σ ). Esmerkk.7: Otos ormaaljakaumasta (jatkoa esmerkelle..3 ja.6) Oletetaa, että havaot X, X,, X muodostavat satuasotokse ormaaljakaumasta N(µ,σ ) kute esmerkssä., mutta oletamme yt, että sekä odotusarvoparametr µ että varassparametr σ ovat tutemattoma. Olkoot x ja y kaks melvaltasta havatopstettä ja olkoot x, y, s, s x y havatoarvosta x, x,, x ja y, y,, y määrätyt artmeettset keskarvot ja otosvarasst. Esmerk.3 mukaa vomme krjottaa Ste suhde f f f f / ( π) σ exp ( ) s ( ) x + x µ ( x; µσ, ) σ = ( y; µσ, ) / ( π) σ exp ( ) s ( ) y + y µ σ = + σ ( x; µσ, ) ( y; µσ, ) e rpu parametresta µ ja σ, jos ja va jos x = y s = s x y exp ( )( s ) ( ) ( ) x sy x y µ x y Ste mmaalse tyhjetävyyde karaktersotlauseesta seuraa, että tuusluku ( X, S ) o mmaalsest tyhjetävä parametrlle (µ,σ ). Ilkka Mell (007) 7/7

18 Mat.36 Tlastolle päättely. Data reduso peraatteet Asllaarsuus Tuusluku S(X) o asllaare tuusluku el svutuusluku, jos se jakauma e rpu parametrsta. Esmerkk.8: Asllaare tuusluku pakkaparametrperheessä Olkoof(x) theysfukto ja olkoo < µ < + parametr. Tällö parametr µ deksomaa theysfuktode perhettä f(x µ) kutsutaa pakkaparametrperheeks, joka stadardtheysfukto o f(x) ja, joka pakkaparametra o µ. Oletetaa, että havaot X, X,, X muodostavat satuasotokse pakkaparametrperheestä, joka kertymäfukto o Olkoot F(x µ), < µ < + X (), X (),, X () otoksee X, X,, X lttyvät järjestystuusluvut. Näytämme, että vahteluväl ptuus R = X () X () o asllaare tuusluku. Olkoo Z, Z,, Z otos jakaumasta F(x), jossa ss µ = 0 ja olkoot X = Z + µ, X = Z + µ,, X = Z + µ Tällö tuusluvu R kertymäfukto o F ( r; µ ) = Pr( R r) R = Pr(max X m X r) = Pr(max( Z + µ ) m( Z + µ ) r) = Pr(max( Z ) m( Z ) + µ µ r) = Pr(max( Z ) m( Z ) r) mkä e rpu pakkaparametrsta µ, koska satuasmuuttuje Z, Z,, Z jakauma e rpu pakkaparametrsta µ. Ste vahteluväl R oasllaare. Ilkka Mell (007) 8/7

19 Mat.36 Tlastolle päättely. Data reduso peraatteet Esmerkk.9: Asllaare tuusluku skaalaparametrperheessä Olkoof(x) theysfukto ja olkoo σ > 0 parametr. Tällö parametr σ deksomaa theysfuktode perhettä f(x/σ) kutsutaa skaalaparametrperheeks, joka stadardtheysfukto o f(x) ja, joka skaalaparametra o σ. Oletetaa, että havaot X, X,, X muodostavat satuasotokse pakkaparametrperheestä, joka kertymäfukto o F(x/σ), σ > 0 Näytämme, että kakk tuusluvut, jotka rppuvat otoksesta aoastaa suhtede X /X, X /X,, X /X kautta ovat asllaarsa. Olkoo Z, Z,, Z otos jakaumasta F(x), jossa ss σ = ja olkoot X = σz, X = σz,, X = σz Tällö satuasmuuttuje X /X, X /X,, X /X yhtesjakauma kertymäfukto o F( y, K, y ; σ) = Pr( X / X y, K, X / X y ) = Pr( σz /( σz ) y, K, σz /( σz ) y ) = Pr( Z / Z y, K, Z / σz y ) mkä e rpu skaalaparametrsta σ, koska satuasmuuttuje Z, Z,, Z jakauma e rpu skaalaparametrsta σ. Ste tuuslukuje X /X, X /X,, X /X jakauma o rppumato skaalaparametrsta σ ja o myös mkä tahasa tuuslukuje X /X, X /X,, X /X fukto. Täydellsyys Olkoo gt ( ; ) pstetodeäkösyys ta theysfuktode perhe tuusluvulle T(X). Jakaumaperhe o täydelle, jos stä, että kaklle seuraa, että E[ gt ( ; )] = 0 Pr( gt ( ; ) = 0) = Ilkka Mell (007) 9/7

20 Mat.36 Tlastolle päättely. Data reduso peraatteet kaklle. Tällö myös tuuslukua T(X) kutsutaa täydellseks. Basu teoreema: Todstus: Jos tuusluku T(X) o täydelle ja mmaalsest tyhjetävä, T(X) o rppumato kaksta asllaarssta tuusluvusta. Todstamme lausee va dskreette jakaume tapauksessa. Olkoo S(X) melvaltae asllaare tuusluku. Tällö todeäkösyys Pr( S( X) = s) e rpu parametrsta. Myöskää ehdolle todeäkösyys Pr( S( X) = s T( X) = t) = Pr( X { x S( x) = s} T( X) = t) e rpu parametrsta, koska tuusluku T(X) o tyhjetävä. Ste se todstamseks, että tuusluvut T(X) ja S(X) ovat rppumattoma, rttää osottaa, että Pr( S( X) = s T( X) = t) = Pr( S( x) = s) kaklle t Τ. Kokoastodeäkösyyde kaava mukaa Edellee, koska Pr( S( x) = s) = Pr( S( X) = s T( X) = t)pr ( T( X) = t) t Τ t Τ Pr ( T( X) = t) = Pr( S( x) = s) = Pr( S( X) = s)pr ( T( X) = t) t Τ Määrtellää tuusluku g( t) = Pr( S( X) = s T( X) = t) Pr( S( X) = s) Yllä estetystä seuraa, että E[ gt ()] = gt ()Pr( T( X) = t) = 0 t Τ kaklle. Koska T(X) o täydelle, g(t) = 0 kaklle t Τ, jollo Pr( S( X) = s T( X) = t) = Pr( S( X) = s) Ilkka Mell (007) 0/7

21 Mat.36 Tlastolle päättely. Data reduso peraatteet Esmerkk.0: Otos ekspoettperheestä Oletetaa, että havaot X, X,, X muodostavat satuasotokse ekspoettperheestä, joka pstetodeäkösyys ta theysfukto o k f( x; ) = h( x) c( )exp w( ) t( x) = jossa = (,,, k ). Tällö tuusluku TX ( ) = t ( X j), K, tk( X j) j= j= o täydelle, jos joukko {( w ( ), K, w ( )) Θ} k Lause: (Θ o parametr mahdollste arvoje muodostama parametravaruus) ssältää jouko avome jouko. Jos mmaalsest tyhjetävä tuusluku o olemassa, jokae täydelle tuusluku o mmaalsest tyhjetävä. k.. Uskottavuus Uskottavuusfukto Olkoo f ( x; ) otokse X= (,,, ) X X K X yhtesjakauma pstetodeäkösyys ta theysfukto. Oletetaa, että X= x= (,, K, ) x x x o otokse X havattu arvo el havatopste, tällö parametr fuktota L( ; x) = f( x; ) kutsutaa (otokse X) uskottavuusfuktoks. Jos X o dskreett satuasvektor, L( ; x) = Pr ( X= x) Ilkka Mell (007) /7

22 Mat.36 Tlastolle päättely. Data reduso peraatteet Jos vertaamme uskottavuusfukto arvoa kahdessa er parametravaruude psteessä ja havatsemme, että Pr ( X= x) = L( ; x) > L( ; x) = Pr ( X= x) otos, joka olemme havaeet o uskottavamp, jos ku sllo, ku = = Uskottavuusperaate Olkoot x ja y ovat kaks havatopstettä, jolle L( ; x) L( ; y) el, jolle o olemassa parametrsta rppumato vako C(x,y) ste, että L( ; x) = L( ; y) C( xy, ) Tällö uskottavuusperaate saoo, että havatopstestä x ja y ptää tehdä samat parametra johtopäätökset. Erkostapauksessa C(x,y) = uskottavuusperaate saoo, että jos kaks havatopstettä x ja y tuottavat sama uskottavuusfukto, e ssältävät sama formaato parametrsta. Fdusaalsuus Fdusaalsuusperaattee mukaa uskottavuudet vodaa tulkta todeäkösyyksks. Tämä merktsee stä, että jos uskottavuusfukto L( ; x) jaetaa ormeeraustekjällä + = N( x) L( ; x) d (jos parametravaruus o umerotuva, o tegraal korvattava summalla) L( ; x) N ( x) vodaa tulkta parametr todeäkösyysjakaumaks (olettae, että N(x) < ). O syytä ottaa huomoo, että houkuttelevuudestaa huolmatta usemmat tlastotetee teora edustajat evät hyväksy fdusaalsuusperaatetta. Esmerkk.: Normaal fdusaale jakauma Oletetaa, että havaot X, X,, X Ilkka Mell (007) /7

23 Mat.36 Tlastolle päättely. Data reduso peraatteet muodostavat satuasotokse ormaaljakaumasta N(µ,σ ) kute esmerkssä., jossa oletett, että varassparametr σ o tuettu. Esmerkssä. todett, että otokse yhtesjakauma theysfukto f(x;) vodaa faktoroda seuraavalla tavalla: / f( x; µ ) = ( π) σ exp ( x ) exp ( ) x x µ σ = σ Ste otokse X, X,, X uskottavuusfukto o muotoa / L( µ ; x) = ( π) σ exp ( x ) exp ( ) x x µ σ = σ Olkoot x ja y kaks havatopstettä. Tällö jos ja va jos jollo L( µ ; x) = L( µ ; y) C( xy, ) x = y C( xy, ) = exp ( x x) ( y y) σ = = Ste uskottavuusperaatteesta seuraa, että havatopstestä x ja y ptää tehdä samat johtopäätökset parametrsta µ, jos x = y Fdusaale todeäkösyysjakauma parametrlle µ saadaa jakamalla uskottavuusfukto L(;x) ormeeraustekjällä Tulokseks saadaa + N( x) = L( µ ; x) dµ ( )/ ( ) = ( π) σ exp ( x ) x σ = L( µ ; x) / = ( π) σ exp ( x µ ) N( x) σ Ste parametr µ fdusaale jakauma o ormaaljakauma N( x, / ) σ. Evdess Olkoo X satuasvektor, joka pstetodeäkösyys ta theysfukto o f(x;) ja olkoo parametravaruude Θ pste. Kutsutaa kolmkkoa tlastollseks kokeeks. E = ( X,,{ f( x; )}) Ilkka Mell (007) 3/7

24 Mat.36 Tlastolle päättely. Data reduso peraatteet Oletetaa, että o tehty tlastolle koe E, jollo o havattu otos X = x ja haluamme tehdä otokse perusteella jok parametra koskeva johtopäätökse. Olkoo tämä johtopäätös Ev(E,x) mkä tarkotetaa kokeesee E ja havatoh x ssältyvää evdessä parametrsta. Formaal tyhjetävyysperaate Formulodaa tyhjetävyysperaate uudellee. Olkoo E = ( X,,{ f( x; )}) tlastolle koe ja olkoo tuusluku T(X) tyhjetävä parametrlle. Jos x ja y ovat kaks havatopstettä, jolle Ehdollsuusperaate Olkoot ja T(X) = T(Y) Ev(E,x) = Ev(E,y) E = ( X,,{ f ( x ; )}) E = ( X,,{ f ( x ; )}) kaks tlastollsta koetta, jolla e välttämättä ole muta yhtesä elemettejä ku parametr. Olkoo J satuasmuuttuja, jolle (rppumatta parametrsta ja satuasmuuttujsta X ja X ) Pr( J = ) = Pr( J = ) = 0.5 Tarkastellaa sekotettua koetta, jossa havataa es satuasmuuttuja J arvo ja tehdää se jälkee koe E J. Tämä merktsee stä, että sekotettu koe o muotoa jossa ja E = ( X,,{ f ( x ; )}) X = ( j, X ) Ehdollsuusperaattee mukaa j f ( x ; ) = f (( j, xj); ) = f j( xj; ) Ev( E,( j, x )) = Ev( E, x ) j j j Ilkka Mell (007) 4/7

25 Mat.36 Tlastolle päättely. Data reduso peraatteet Ehdollsuusperaate saoo, että jos valtsemme kahdesta tlastollsesta kokeesta tose satuasest ja havatsemme kokee tuloksea havatopstee x, parametrsta saatava formaato rppuu aoastaa tehdystä kokeesta. Formaal uskottavuusperaate Olkoot ja E = ( X,,{ f ( x ; )}) E = ( X,,{ f ( x ; )}) kaks tlastollsta koetta, jolla e välttämättä ole muta yhtesä elemettejä ku parametr. Oletetaa, että edellee, että x o havatopste kokeesta E ja L( ; x ) = CL( ; x ) kaklle. Vako C saa rppua havatopstestä Formaal uskottavuusperaattee mukaa Ev( E, x ) = Ev( E, x ) x o havatopste kokeesta E. Oletetaa x ja Formaalsta uskottavuusperaatteesta seuraa, että jos o tlastolle koe, E = ( X,,{ f( x; )}) Ev(E,x) saa rppua kokeesta E ja havatopsteestä x va uskottavuusfukto kautta. L(; x) Brbaum teoreema: x, mutta e saa rppua parametrsta. Formaal tyhjetävyysperaate ja ehdollsuusperaate mplkovat formaal uskottavuusperaattee, ja käätäe, formaal uskottavuusperaate mplko formaal tyhjetävyysperaattee ja ehdollsuusperaattee. Todstus (luoos): () Todstetaa, että formaal tyhjetävyysperaate ja ehdollsuusperaate mplkovat formaal uskottavuusperaattee. Olkoot (kute formaalssa uskottavuusperatteessa) ja E = ( X,,{ f ( x ; )}) E = ( X,,{ f ( x ; )}) Ilkka Mell (007) 5/7

26 Mat.36 Tlastolle päättely. Data reduso peraatteet kaks tlastollsta koetta, jolla e välttämättä ole muta yhtesä elemettejä ku parametr ja olkoot lsäks x o havatopste kokeesta E ja x o havatopste kokeesta E. Olkoo (kute ehdollsuusperaatteessa) E = ( X,,{ f ( x ; )}) sekotettu koe, jossa havataa es satuasmuuttuja J arvo ja tehdää se jälkee koe E J, jossa ja X = ( j, X ) j f ( x ; ) = f (( j, xj); ) = f j( xj; ) Määrtellää kokee E otosavaruudessa tuusluku (, x ), jos j = ja x = x ta j = ja x = x T( j, xj ) = ( jx, j ), muullo Olkoo lsäks ja Koska g( t; ) = g(( j, x ); ) = f (( j, x ); ) j j j C, jos ( j, xj ) = (, x ) h( j, xj ) =, muullo g( T( j, x ); ) h( j, x ) = f (( j, x ); ) j j j j kaklle (j,x j ), faktorotteoreemasta seuraa, että (, ) T J x J o tyhjetävä tuusluku kokeessa E. Edellee formaalsta tyhjetävyysperaatteesta seuraa, että Ev( E,(, x )) = Ev( E,(, x )) ja ehdollsuusperaatteesta seuraa, että Ste Ev( E,(, x )) = Ev( E, x )) Ev( E,(, x )) = Ev( E, x )) Ev( E, x )) = Ev( E, x )) mkä merktsee stä, että formaal uskottavuusperaate o tos. Ilkka Mell (007) 6/7

27 Mat.36 Tlastolle päättely. Data reduso peraatteet () Todstetaa, että formaal uskottavuusperaate mplko formaal tyhjetävyysperaattee ja ehdollsuusperaattee. Tarkastellaa koketa E ja E j, jotka o määrtelty kute kohdassa (). Vodaa osottaa, että Ev( E,( j, x )) = Ev( E, x ) j j j mkä merktsee stä, että ehdollsuusperaate o tos. Edellee, jos T(X) o tyhjetävä ja T(x) = T(y) uskottavuusfuktot ovat proportoaalsa ja formaalsta uskottavuusperaatteesta seuraa, että Ev( E, x) = Ev( E, y) mkä merktsee stä, että ehdollsuusperaate o tos. Ilkka Mell (007) 7/7

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat: Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,

Lisätiedot

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat-1.361 Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto,

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat.36 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus, Perusjoukko,

Lisätiedot

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat.36 Tlastolle päättely 3. Pste estmot Tlastolle päättely 3. Pste estmot 3.. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste estmot, Pstetodeäkösyysfukto,

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat-1.361 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.1. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus,

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7. Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot Ilkka Mell 5 Tlastollset

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ

Lisätiedot

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2 HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske

Lisätiedot

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme? TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia. HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla

Lisätiedot

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla

Lisätiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat: Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Estmot Estmotmeetelmät Välestmot Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, Estmaatt, Estmaattor,

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat: Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma Aheet: Satuasmuuttujat ja todeäkösyysjakaumat Kertymäfukto Jakaume tuusluvut Dskreettejä jakauma Jatkuva jakauma Avasaat: Bomjakauma Desl Dskreett

Lisätiedot

Moniulotteiset jakaumat ja havaintoaineistot

Moniulotteiset jakaumat ja havaintoaineistot Momuuttujameetelmät: Ilkka Mell. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat.. Yhtesjakaumat.3. Reuajakaumat ja satuasmuuttuje rumattomuus.4. Ehdollset jakaumat.5. Yhtesjakaume tuusluvut.6.

Lisätiedot

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme? TKK () Ilkka Mell (2004) 1 Todeäkösyyde aksoomat Suhteelle rekvess, klasse todeäkösyys ja ehdolle todeäkösyys Johdatus todeäkösyyslasketaa Todeäkösyyde aksoomat TKK () Ilkka Mell (2004) 2 Todeäkösyyde

Lisätiedot

Raja-arvot. Osittaisderivaatat.

Raja-arvot. Osittaisderivaatat. 1 MAT-13440 LAAJA MATEMATIIKKA 4 Tamperee teklle ylopsto Rsto Slveoe Kevät 2010 Luku 3 Raja-arvot Osttasdervaatat 1 Fuktode raja-arvot Tarkastelemme fuktota f : A, jode määrttelyjoukko A T Muuttujat ovat

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit 68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4 MS-A Todeäkösyyslaskea ja tlastotetee peruskurss Vkko Tlastollste aestoje kerääme ja mttaame; tlastollste aestoje kuvaame; Otokset ja otosjakaumat; Estmot; Estmotmeetelmät; Vällestmot Mtä tlastotede o?

Lisätiedot

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

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

Lisätiedot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat: MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/24

TKK @ Ilkka Mellin (2008) 1/24 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä Mat.36 Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora 7.. Suurmma uskottavuude estmotmeetelmä Akasarja,

Lisätiedot

Muuttujien välisten riippuvuuksien analysointi

Muuttujien välisten riippuvuuksien analysointi Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset

Lisätiedot

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

Turingin kone on kuin äärellinen automaatti, jolla on käytössään 4 TUINGIN KONEET Ala Turg 1935 36 auha Koe vo srtää auha: T U I N G auhapää: ohjausykskkö: Turg koe o ku äärelle automaatt, jolla o käytössää auhapäätä vasemmalle ta okealle; se vo myös lukea ta krjottaa

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio

Tilastollinen riippuvuus ja korrelaatio Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot TKK @ Ilkka Mell (006)

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 Generoivat funktiot ja momentit 3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä

Lisätiedot

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2 TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?

Lisätiedot

Todennäköisyyslaskennan kertausta

Todennäköisyyslaskennan kertausta Todeäkösyyslaskea kertausta Todeäkösyyslaskea kertausta 1. Joukko-opp Alko, Erotus, Joukko, Komplemett, Lekkaus, Perusjoukko, Psteveraus, Tyhjä joukko, Uo, Yhdste. Todeäkösyys ja se määrtteleme Alkestapahtuma,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

Lisätiedot

Ilkka Mellin (2006) 1/1

Ilkka Mellin (2006) 1/1 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli Ssältö Kertausta: ykskertae lkeeteoreette mall M/M/-PS asakasta palvelja asakaspakkaa M/M/-PS asakasta palveljaa asakaspakkaa Sovellus elastse datalketee malltamsee vuotasolla M/M//k/k-PS k asakasta palvelja

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

7. Modulit Modulit ja lineaarikuvaukset.

7. Modulit Modulit ja lineaarikuvaukset. 7. Modult Vektoravaruudet ovat vahdannasa ryhmä, jossa on määrtelty jonkn kunnan skalaartomnta. Hyväksymällä kerronrakenteeks kunnan sjaan rengas saadaan rakenne nmeltä modul. Moduln käste on ss vektoravaruuden

Lisätiedot

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset: Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,

Lisätiedot

6. Stokastiset prosessit (2)

6. Stokastiset prosessit (2) Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4 TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun

Lisätiedot

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0) Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,

Lisätiedot

TILASTOMATEMATIIKKA I

TILASTOMATEMATIIKKA I TILASTOMATEMATIIKKA I Srkku Parvae 1. JOHDANTO MIHIN TILASTOTIEDETTÄ TARVITAAN? suure havatomäärä (data) keräämsee, tetoje tvstämsee ja kuvaluu (deskrptvset meetelmät, data-aalyys) johtopäätöste tekemsee

Lisätiedot

TILASTOMATEMATIIKKA I

TILASTOMATEMATIIKKA I TILASTOMATEMATIIKKA I Srkku Parvae 1. JOHDANTO MIHIN TILASTOTIEDETTÄ TARVITAAN? suure havatomäärä (data) keräämsee, tetoje tvstämsee ja kuvaluu (deskrptvset meetelmät, data-aalyys) johtopäätöste tekemsee

Lisätiedot

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tilastolliset menetelmät: Lineaarinen regressioanalyysi Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

Lisätiedot

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste

Lisätiedot

Suoran sovittaminen pistejoukkoon

Suoran sovittaminen pistejoukkoon Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut

Lisätiedot

10.5 Jaksolliset suoritukset

10.5 Jaksolliset suoritukset 4.5 Jaksollset suortukset Tarkastellaa tlaetta, jossa asakas tallettaa pakktllle tostuvast yhtäsuure rahasumma k aa korkojakso lopussa. Asakas suorttaa talletukse kertaa. Lasketaa tlllä oleva pääoma :e

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-WEILIN LAUSE. Kertausta HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä. MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut) J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät

Lisätiedot

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt FYSP103 / 1 KAASUTUTKIMUS Työn tavotteta havannollstaa deaalkaasun tlanyhtälöä oppa, mten lman kosteus vakuttaa havattavn lmöhn ja mttaustuloksn kerrata mttauspöytäkrjan ja työselostuksen laatmsta Luento-

Lisätiedot

Mat Lineaarinen ohjelmointi

Mat Lineaarinen ohjelmointi Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot

Lisätiedot

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat: Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,

Lisätiedot

Monimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet

Monimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet Momuuttumeetelmät Multormaalkauma Momuuttumeetelmät: Multormaalkauma Ilkka Mell. Multormaalkauma se omasuudet.. Multormaalkauma.. Multormaalkauma omasuudet.3. Multormaalkauma ehdollset kaumat.4. -ulottee

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-menetelmä ja STEM Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot

Lisätiedot

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

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma

Lisätiedot

1. PARAMETRIEN ESTIMOINTI

1. PARAMETRIEN ESTIMOINTI Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä

Lisätiedot

AB TEKNILLINEN KORKEAKOULU

AB TEKNILLINEN KORKEAKOULU B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat

Lisätiedot

Pro gradu -tutkielma. Whitneyn upotuslause. Teemu Saksala

Pro gradu -tutkielma. Whitneyn upotuslause. Teemu Saksala Pro gradu -tutkelma Whtneyn upotuslause Teemu Saksala Helsngn ylopsto Matematkan ja tlastoteteen latos 5. maalskuuta 2013 0.1 Johdanto Topologset monstot ovat melenkntosa, koska ne ovat määrtelmänsä nojalla

Lisätiedot

Bernoullijakauma. Binomijakauma

Bernoullijakauma. Binomijakauma Beroulljaauma Beroull oe o ahde mahdollse ulostulo oe, jossa taahtumsta äytetää mtysä ostume ja eäostume. Esmerejä: rahahetto (ruua ta laava), lase sytymä (tyttö ta oa), helö verryhmä ( ta c ), oselja

Lisätiedot

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ). HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

KUNTIEN ELÄKEVAKUUTUS 30.10.2008 VARHAISELÄKEMENOPERUSTEISESSA MAKSUSSA 1.1.2009 LÄHTIEN NOUDATETTAVAT LASKUPERUSTEET

KUNTIEN ELÄKEVAKUUTUS 30.10.2008 VARHAISELÄKEMENOPERUSTEISESSA MAKSUSSA 1.1.2009 LÄHTIEN NOUDATETTAVAT LASKUPERUSTEET KUNTIN LÄKVKUUTU 328 VRHILÄKMNORUTI MKU 29 LÄHTIN NOUDTTTVT LKURUTT Valtuusuta ahstaa arhaseläemeoperustese masu eaode yhtesmäärä uodelle euromääräsest Tämä ahstettu masu o samalla lopullste masue yhtesmäärä

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat: Mt-1.60 Sovellettu todeäkösyyslsket 8. hrjotukset Mt-1.60 Sovellettu todeäkösyyslsket B 8. hrjotukset / Rtksut Aheet: Otos j otosjkumt Avst: Artmeette keskrvo, Beroull-jkum, Beroull-koe, χ -jkum, Frekvess,

Lisätiedot

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto TKK (c Ila Mell (004 Varassaalyys Varassaalyys: Johdato Johdatus tlastoteteesee Varassaalyys TKK (c Ila Mell (004 Varassaalyys: Mtä opmme? Tarastelemme tässä luvussa seuraavaa ysymystä: Mte tavaomae ahde

Lisätiedot

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

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat

Lisätiedot

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ TTKK/Fyskan latos FYS-1640 Klassnen mekankka syksy 2009 Laskuharjotus 5, 16102009 1 Ertysessä suhteellsuusteorassa Lagrangen funkto vodaan krjottaa muodossa v L = m 2 u t 1! ṙ 2 V (r) Osota, että tämä

Lisätiedot

Baltian Tie 2001 ratkaisuja

Baltian Tie 2001 ratkaisuja Balta Te 001 ratkasuja 1. Olkoot tehtävät T, = 1,,..., 8. Eräs mahdollsuus jakaa tehtävät kahdeksalle opskeljalle O j, j =1,,..., 8 o ohesessa taulukossa T 1 T T T 4 T T 6 T 7 T 8 O 1 O O O 4 O O 6 O 7

Lisätiedot

Kanoniset muunnokset

Kanoniset muunnokset Kanonset muunnokset Koordnaatstomuunnokset Lagrangen formalsmssa pstemuunnoksa: Q = Q (q, t) nopeudet saadaan nästä dervomalla Kanonnen formalsm: p:t ja q:t samanarvosa 2n-ulottesen faasavaruuden muuttuja

Lisätiedot

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

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme? TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.090 Sovellettu todeäkösyyslasku A Nordlud Harotus (vko 49/003) (Ahe: Tlastollsa testeä, regressoaalyysä Lae luvut 5.5, 6) HUOM! Laskarede palautukse takaraa o pokkeuksellsest

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

8. laskuharjoituskierros, vko 11, ratkaisut Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse

Lisätiedot

Kokonaislukuoptimointi

Kokonaislukuoptimointi Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman

Lisätiedot

Tilastollisen fysiikan luennot

Tilastollisen fysiikan luennot Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue

Lisätiedot

Painotetun metriikan ja NBI menetelmä

Painotetun metriikan ja NBI menetelmä Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka

Lisätiedot

3 Tilayhtälöiden numeerinen integrointi

3 Tilayhtälöiden numeerinen integrointi 3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

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

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat

Lisätiedot

7. Menetysjärjestelmät

7. Menetysjärjestelmät lueto7.ppt S-38.45 Leeteora perusteet Kevät 25 Ssältö Kertausta: ysertae leeteoreette mall Posso-mall asaata, palvelota Sovellus vrtaava dataletee malltamsee vuotasolla Erlag-mall asaata, palvelota < Sovellus

Lisätiedot