Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
|
|
- Teuvo Myllymäki
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 3 GREG-estimaattori Yleinen tilanne (unequal probability sampling) Komposiittiestimaattorit (Composite estimators) Estimointi SAS-proseuureilla SURVEYREG ja SURVEYMEANS Estimointi SAS-marolla EBLUPGREG Esimerejä Oheismateriaali: Lehtonen-Veijanen (2009) (eriseen jaettu paperi) HUOM: Tässä osassa merinnät uten Lehtonen & Veijanen (2009)
2 2 Tauluo 1. Estimaattorin tyypin ja osajouon tyypin tavallisimmat yhistelmät äytännön annalta Estimaattorin tyyppi Suora Direct Epäsuora Inirect Osajouon tyyppi Suunniteltu Planne Ositettu otanta HT Kiinteien teijöien D-malli D-tyypin GREG Eisuunniteltu Unplanne Mahollinen mutta ei ovin yleinen äytännössä Mahollinen mutta ei ovin yleinen äytännössä Kiinteien teijöien P-malli P-tyypin GREG Seamallin tyyppinen D-malli D-tyypin GREG
3 GREG-ESTIMAATTORI: YLEINEN TILANNE (Unequal probability sampling) 3 (1) Suunniteltujen osajouojen tilanne (Planne omains, otosoot n iinnitetty) GREG-estimaattori: (30) = yˆ + a e GREG U s Avustava regressiomalli: D-malli (omain-specific): Y = + ε x β (31) U, = (1, x1,..., x J) Var( ε ) x ja Oletetaan vaiovarianssi σ = σ = σ Osajouon U parametrivetorin B WLS-estimaattori (weighte least squares): Sovitteet: Jäännöset: 1 B ˆ = a x x a x y (32) s s y ˆ ˆ = xb e = y yˆ HUOM: a = 1/ π (asetelmapaino)
4 GREG-estimaattorin vaihtoehtoiset muoot 4 missä = + ( ˆ ) ˆ GREG HT x x = HT s a y t t B (33) ( N,,..., ) 1 t = x = x x x U U U J = x s a x Kalibrointiestimaattori missä a g y = (34) GREG s g = I + I ( ˆ 1 ) ˆ t t M x (g-painot) x x t x = ( x,..., ) 1 x ja 1 x x1 x1 t x j Mˆ t t = x ja = U j a x x i s i i i I I{ U } t ˆ = ( t ˆ,..., t ˆ ) = j a x s x j = (omain-iniaattorit) Varinssiestimaattorit V ˆ t ˆ = ( a a a ) e e. 1 ( ) 2 (35) GREG l l l s l s ( ) Vˆ = ( a a a ) g e g e GREG l l l l s l s (36) missä a l on 2. ertaluvun sisältymistoennäöisyys
5 (2) Ei-suunniteltujen osajouojen tilanne (Unplanne omains, otosoot n satunnaismuuttujia) 5 GREG-estimaattori: (37) = yˆ + a e GREG U s Avustava regressiomalli: P-malli (population level): Y = + ε x β (38) 2 U ja Var( ε ) = σ 2 2 Oletetaan tässäin vaiovarianssi σ = σ Parametrivetorin B WLS-estimaattori: 1 B ˆ = a a y x x s x (39) s Sovitteet: Jäännöset: y = xb ˆ ˆ e = y yˆ HUOM: Vertaa aavaa (39) aavaan (32)!
6 GREG-estimaattorin vaihtoehtoiset muoot 6 missä = + ( ˆ ) ˆ GREG HT x x HT s t t B (40) = a y (HT-estimaattori) ( N,,..., ) 1 t = x = x x x U U U J (apumuuttujien tunnetut populaatiototaalit) a x (totaalien HT-estimaattorit) = x s Kalibrointiestimaattori t a g y = (41) ˆGREG s missä g = I + ( ˆ 1 ) ˆ t t M x (g-painot) x x t x = ( x,..., ) 1 x ja t 1 x = x1 x1 t x j t t = x ja U j Mˆ = a i s ixix i I I{ U } ˆ ( t ˆ,..., t ˆ ) = a x j x s j = (omain-iniaattorit) HUOM. Vertaa aavaa (41) estimaattoriin (34)
7 Varinssiestimaattorit 7 ( ˆ ) (42) vt ˆ = ( aa a) g ege GREG l l l l s l s missä a l on 2. ertaluvun sisältymistn HUOM: Varianssiestimaattorissa (42) asoissumma on yli oo otosen s Vaihtoehtoja (ohjelmassa Domest): (1) Summataan yli omain-otosen s Hiiroglou, M. A. an Z. Pata (2004). Domain estimation using linear regression. Survey Methoology 30, (2) Käytetään omain-ohtaisia tulosmuuttujia y = I{ U } y mallin sovittamisessa Estevao, V. M., M. A. Hiiroglou, an C.-E. Särnal (1995). Methoological principles for a Generalize Estimation System at Statistics Canaa. Journal of Official Statistics 11, (3) Sovitetaan malli aluperäisille arvoille y ja orvataan varianssiestimaattorissa jäännöset e omain-ohtaisilla jäännösillä { } e = I U y yˆ Lehtonen, R. an E. Pahinen (2004). Practical methos for esign an analysis of complex surveys. Secon Eition. John Wiley & Sons, Chichester, p. 39. Särnal, C.-E. (2001). Design-base methoologies for omain estimation. In: R. Lehtonen an K. Djerf, es., Proceeings of the Symposium on Avances in Domain Estimation. Statistics Finlan, Reviews 2001/5, p (4) Kuten (3) mutta 0 un ja e = s U SAS-yhistelmä SURVEYREG ja SURVEYMEANS/DOMAIN-lause
8 KAKSI ESIMERKKIÄ 8 Lehtonen an Veijanen (2009), s. jaetut paperit Estimointitilanne: Käytettävissä olevien tulojen oonaismäärän alueittainen estimointi Länsi-Suomen D =12 seutuunnassa Estimoitavat omain-ohtaiset parametrit: Käytettävissä olevien tulojen oonaismäärä t = U y Osajouot (omains) U, = 1,...,12 Populaatioata: N = 431,000 otitaloutta Lisäinformaatio tilastoreistereistä: EDUC: Kotitalouen jäsenten lm joilla on orea-asteen oulutus EMP: Kotitalouen jäsenten yhteenlasettu työllisyysuuausien määrä eellisenä vuonna Lisäsi (tässä peagogisessa tilanteessa) tieetään tulosmuuttujan arvot y aiilta perusjouon alioilta
9 Esimeri 1 Suora estimointi (irect estimation) Suunnitellut osajouot (planne omains) Kotitalousotos: Ositettu πps (WOR- tyyppinen PPS) Koomuuttuja: Kotitalouen jäsenten luumäärä Ositteet: Seutuunnat (omains) HUOM: Ositteien otosoot on iinnitetty otantaasetelmassa (suhteellinen iintiöinti) 9 Estimaattorit: HT, aava (21) = HT s a y ˆ ˆ 1 V t n a y n( n 1) s ( ) = ( ) 2 A HT HT Suora GREG, aavat (30) ja (36) t ˆ = y ˆ + a ( y y ˆ ) GREG U s 2 ( ) Vˆ = ( a a a ) g e g e GREG l l l l s l s GREG-estimaattorin avustavat D-mallit: Y EMP β0 β1 ε = + + (sarae 2) Y β β EMP β EDUC ε = (sarae 3)
10 Tauluo 2. Suorien HT- ja GREG-estimaattoreien esimääräinen absoluuttinen suhteellinen virhe (Mean absolute relative error MARE ) ja esimääräinen variaatioerroin (mean coefficient of variation MCV ) pienissä, esisuurissa ja suurissa omaineissa: Suunniteltujen omainien tilanne 10 Auxiliary information Domain sample size class Minor 8 n 33 Meium 34 n 45 Major HT 1 None MARE MCV 2 Domain sizes an omain totals of EMP MARE MCV GREG 3 Domain sizes an omain totals of EMP an EDUC MARE MCV n HUOM: ARE( ) = t / t, = 1,...,12 CV( ) = s.e( ) /, = 1,...,12 MARE ja MCV ovat vastaavia esiarvoja ussain omainien ooluoassa
11 Esimeri 2 HT: Suora estimointi GREG: Epäsuora estimointi Ei-suunnitellut osajouot (unplanne omains) Kotitalousotos: πps (WOR- tyyppinen PPS) Koomuuttuja: Kotitalouen jäsenten luumäärä HUOM: Domainien otosooja ei ole iinnitetty otanta-asetelmassa (omainit eivät ole ositteina) 11 Estimaattorit: HT, aava (21) = HT s a y ˆ ˆ n V 1 ˆ / U t HT ay t n n ( ) = ( ) 2 s GREG, aavat (30) ja (42) t ˆ = y ˆ + a ( y y ˆ ) GREG U s ( ) Vˆ = ( a a a ) g e g e GREG l l l l s l s GREG-estimaattorin avustava P-malli: Y EMP β0 β1 ε = + + (sarae 2)
12 Tauluo 3. Suoran HT-estimaattorin ja epäsuoran GREGestimaattoreien esimääräinen absoluuttinen suhteellinen virhe (Mean absolute relative error MARE ) ja esimääräinen variaatioerroin (mean coefficient of variation MCV ) pienissä, esisuurissa ja suurissa omaineissa: Ei-suunniteltujen omainien tilanne 12 Auxiliary information Domain sample size class Minor 8 n 33 Meium 34 n 45 Major HT 1 None MARE MCV GREG 2 Domain sizes an omain totals of EMP MARE MCV n HUOM: ARE( ) = t / t, = 1,...,12 CV( ) = s.e( ) /, = 1,...,12 MARE ja MCV ovat vastaavia esiarvoja ussain omainien ooluoassa
13 13 KOMPOSIITTITYYPPISET ESTIMAATTORIT (Composite estimators) Yhistelmäestimaattori on muotoa λ (1 λ ) = + (43) COMB GREG SYN joa on muoostettu asetelmaperusteisen GREGestimaattorin (44) = yˆ + a ( y yˆ ) GREG U s ja malliperusteisen synteettisen estimaattorin = yˆ = xb ˆ (45) SYN U U painotettuna summana Domainohtaiset painot λ (0 λ 1) valitaan niin, että λ on suurille omaineille ( suuri n ) lähellä yöstä ja lähestyy nollaa un n on pieni Pienille omaineille t ˆCOMB on lähellä SYNestimaattoria t ˆSYN Suurille omaineille t ˆCOMB on lähellä GREGestimaattoria t ˆGREG
14 Estimaattori (45) voiaan irjoittaa muotoon (46) = + λ a ( y yˆ ) COMB SYN s 14 HUOM: GREG-estimaattori un λ = 1 SYN-estimaattori un λ = 0 Esimeri 1. ( / ˆ ) ( ) (47) = yˆ + N N a y yˆ GREG( N ) U s missä N ˆ = a s (estimoiaan N ) Esimeri 2. Dampene regression estimator (Särnal an Hiiroglou 1989) ( ) c ˆ / 1 ( ) (48) = yˆ + N N a y yˆ DRE U s missä c = 0 un N ˆ N c = 2 un N ˆ < N
15 GREG-ESTIMOINTI SAS-PROSEDUUREILLA SURVEYREG JA SURVEYMEANS Ei-suunniteltujen omainien tilanne Metoi: (1) Kiinteien vaiutusten regressiomalli (P-malli) sovitetaan proseuurilla SURVEYREG (2) Lasetaan sovitteet y ˆ ja jäännöset e = y yˆ 15 (3) Lasetaan GREG-estimaatit t ˆGREG (4) Estimoiaan GREG-estimaattorin varianssi proseuurilla SURVEYMEANS äyttämällä y-muuttujana jäännösvetoria ja varianssiestimoinnissa DOMAIN-lausetta samaan tapaan uin HT-estimoinnissa tulosmuuttujalle y Varianssiestimaattori on muotoa (SRSWOR-tilanne) 2 ˆ n 1 ( e e) vˆ srs ( tgreg ) = N (1 )( ) N n n 1 s missä e = e un U ja s e = 0 un U ja s e e / n = jäännösten esiarvo oo otosessa s HUOM: Vertaa estimaattoriin (28) SAS 9.2: SURVEYREG ja DOMAIN-lause 2
16 ESIMERKKI Vaihe (1) 16 proc surveyreg ata=omaotos total=966; moel y=x; weight samplingweight; os output ParameterEstimates=beta(eep=estimate); run; Vaiheet (2) ja (4) proc transpose ata=beta out=beta2(rop=_name_ rename=(col1=b0 col2=b1)); run; ata pj; if _n_=1 then set beta2; set pj; yhat=b0+b1*x; ehat=y-yhat; run; proc surveymeans ata=pj nobs sum total=966; where in=1; weight SamplingWeight; var ehat; omain omain; run;
17 GREG-ESTIMOINTI SAS-MAKROLLA EBLUPGREG 17 GREG-estimaattori (49) t ˆ = y ˆ + a ( y y ˆ ) GREG U s Perustuu iinteien teijöien lineaariseen malliin Malli on P-malli: Y x x = β0 + β βj J + ε = + ε x β (50) U, missä β β, β,..., β ) = ( 0 1 J Estimointi: WLS, muana painot a = 1/ π Preitiot: y ˆ ˆ = x β aiille U Varianssiestimaattori omainissa : Kaava (42)
18 ESIMERKKI 18 Ohjelmautsu: eblupgreg (sample=omaotos, population=pj, y=y, xlist=x, regionientifier=omain, test=1, estimatemeans=0, weights=samplingweight, convergencecrit=1e-8, maxiterations=200, initialsigma2=1, moules=moules.eurarea, parametersestimateby='reml', eblup=0, greg=1, synthetic=0, stratifie=0, output=greg ); HUOM: Vastaava estimointi tehään myös ohjelmalla Domest
Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen OSA 4 Laajennettu GREG-estimaattoreien perhe Avustavat mallit Yleistetty lineaarinen malli Lineaarinen
LisätiedotOtantamenetelmät (78143) Syksy 2008 OSA 2: Malliavusteinen estimointi. Risto Lehtonen
Otantamenetelmät (78143) Sysy 2008 OSA 2: Malliavusteinen estimointi Risto Lehtonen risto.lehtonen@helsini.fi Lisätiedon äyttö estimointiasetelmassa Tavoitteena estimoinnin tehostaminen poimitulle otoselle
LisätiedotOtantamenetelmät. Syksy
Otantamenetelmät (78143) Sysy 2009 TEEMA 2 risto.lehtonen@helsini.fi Teema 2 LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI 2 Lisätiedon äyttö estimointiasetelmassa i t Malliavusteiset
LisätiedotPienalue-estimointi (78189) Kevät 2011. Risto Lehtonen Helsingin yliopisto
Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen Helsingin yliopisto Pienalue-estimointi Kurssin kotisivu http://wiki.helsinki.fi/pages/viewpage.action?pagei=62430039 2 Hyöyllisiä taustatietoja Otantamenetelmät
LisätiedotPienalue-estimointi (78189) Kevät 2011 Risto Lehtonen
Helsingin yliopisto Sosiaalitieteien laitos 1 Pienalue-estimointi (78189) Kevät 2011 Risto Lehtonen 15.3.2011 OSA 1 Estimaattorin tyyppi Mallin valinta Asetelmaperusteinen estimointi Horvitz-Thompson (HT)
Lisätiedot(78143) Syksy 2009 TEEMAT 3 & 4. Risto Lehtonen Teema 3 ERITYISKYSYMYKSIÄ. Risto Lehtonen 2
Otantamenetelmät (78143) Syksy 2009 TEEMAT 3 & 4 Risto Lehtonen risto.lehtonen@helsinki.fi Teema 3 ERITYISKYSYMYKSIÄ Risto Lehtonen 2 1 Otannan erityiskysymyksiä Ryväsotanta Survey sampling reference guidelines
LisätiedotLISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI
Otatameetelmät (78143 Sysy 2010 TEEMA 2 risto.lehtoe@helsii.fi Teema 2 LISÄTIEDON KÄYTTÖ ESTIMOINTIASETELMASSA: MALLIAVUSTEINEN ESTIMOINTI 2 1 Lisätiedo äyttö estimoitiasetelmassa Malliavusteiset strategiat
LisätiedotOtanta-aineistojen analyysi
Helsingin yliopisto Otanta-aineistojen analyysi Kevät 2010 Periodi III Risto Lehtonen Teema 2 Estimaattoreiden varianssien estimointi Survey-analyysin lähestymistavat Kuvaileva survey Descriptive survey
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 4: Asetelmaperusteinen monimuuttuja-analyysi Risto Lehtonen risto.lehtonen@helsini.fi Analyysimenetelmiä ja työaluja Lineaariset mallit Regressioanalyysi
LisätiedotOtanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 3: Frekvenssiaineistojen asetelmaperusteinen analyysi: Perusteita risto.lehtonen@helsinki.fi OHC Survey Tilastollinen analyysi Kysymys: Millä
Lisätiedot, sanotaan niiden sääntöjen ja menetelmien kokonaisuutta, joilla otos poimitaan määritellystä perusjoukosta.
Y - Otatameetelmät / Sysy 009 (Risto Letoe) TEKIE YTEEVETO I Otata-asetelmat ja estimoitiasetelmat Perusjouo ja muuttujat Äärellie perusjouo U = {,...,,..., } Tulosmuuttuja y tutemattomat arvot Y,,Y,,Y
LisätiedotTilastollisten menetelmien käyttö Kelan tutkimustoiminnassa
Tilastollisten menetelmien käyttö Kelan tutkimustoiminnassa Risto Lehtonen Helsingin yliopisto Kela 1 Tilastokeskuksen SAS-seminaari 16.11.2009 Aiheita Kelan tutkimustoiminta SAS-sovellukset vaativien
LisätiedotKulutustutkimuksen alue-estimointi Pienalue-estimointimenetelmien vertailu Kulutustutkimus aineistossa
Kulutustutkimuksen alue-estimointi Pienalue-estimointimenetelmien vertailu Kulutustutkimus 2006 -aineistossa Pauliina Maria Peltonen Helsingin yliopisto Matemaattis-luonnontieteellinen tiedekunta Tilastotiede
LisätiedotJY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT
JY / METODIFESTIVAALI 2013 PRE-KURSSI: KYSELYTUTKIMUS DEMOT SPSS-ohjelmiston Complex Samples- toiminto otoksen poiminnassa ja estimaattien laskennassa Mauno Keto, lehtori Mikkelin AMK / Liiketalouden laitos
LisätiedotOtanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki
Otanta-aineistojen analyysi Kevät 2010 TEEMA 5: Tilastollinen mallinnus II Mallit, analyysimenetelmiä ja ohjelmia, PISA-esimerkki risto.lehtonen@helsinki.fi Korreloituneiden havaintojen analyysi Lineaariset
LisätiedotPIENALUE-ESTIMOINTIMENETELMÄT:
Pro gradu -tutkielma Tilastotiede PIENALUE-ESTIMOINTIMENETELMÄT: SOVELLUSKOHTEENA SUOMALAISTEN KOETTU TOIMEENTULO VUONNA 2009 Nico Maunula Toukokuu 2012 Ohjaaja: Risto Lehtonen HELSINGIN YLIOPISTO Matematiikan
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
imat-2.104 Tilastollisen analyysin perusteet / Tehtävät Aiheet: Avainsanat: Ysisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Koonaisesiarvo,
LisätiedotUudelleenpainotus ja imputointi Perusteita
Heisigi yliopisto Matematiia ja tilastotietee laitos Otatameetelmät Sysy 008 Uudelleepaiotus ja imputoiti Perusteita Prof. Risto Lehtoe, Helsigi yliopisto.1.008 Uudelleepaiotus Otostasoise tiedo äyttö
LisätiedotOtantamenetelmät. (78143) Syksy 2010 TEEMA 1. Risto Lehtonen
Otantamenetelmät (78143) Syksy 2010 TEEMA 1 Risto Lehtonen risto.lehtonen@helsinki.fi Otantamenetelmät Luennot Tiistaisin klo 14 18 2.-30.11.2010 (Exactum), yhteensä 20 tuntia. Harjoitukset Torstaisin
LisätiedotEstimaattoreiden asetelmaperusteinen
Otanta-aineistojen aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 2: Estimaattoreiden varianssin estimointi Risto Lehtonen risto.lehtonen@helsinki.fi Estimaattoreiden asetelmaperusteinen varianssien
LisätiedotTodennäköisyyden 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
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
LisätiedotOletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä
LisätiedotATH-aineiston tilastolliset analyysit SPSS/PASW SPSS analyysit / Risto Sippola 1
ATH-aineiston tilastolliset analyysit SPSS/PASW 16.2.2011 SPSS analyysit / Risto Sippola 1 Aineiston avaaminen Aineisto on saatu SPSS-muotoon ja tallennettu koneelle sijaintiin, josta sitä voidaan käyttää
LisätiedotEstimointi Laajennettu Kalman-suodin. AS , Automaation signaalinkäsittelymenetelmät Laskuharjoitus 4
Estimointi Laajennettu Kalman-suodin AS-84.2161, Automaation signaalinäsittelymenetelmät Lasuharjoitus 4 Estimointi Systeemin tilaa estimoidaan, un prosessin tilamalli tunnetaan Tilamalli voi olla lineaarinen
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotErityiskysymyksiä yleisen lineaarisen mallin soveltamisessa
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Erityiskysymyksiä yleisen lineaarisen mallin soveltamisessa TKK (c) Ilkka Mellin (2007) 1 Erityiskysymyksiä yleisen lineaarisen
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 1. viikolle /
MS-A8 Differentiaali- ja integraalilasenta, V/27 Differentiaali- ja integraalilasenta Rataisut. viiolle /. 3.4. Luujonot Tehtävä : Mitä ovat luujonon viisi ensimmäistä termiä, un luujono on a) (a n ) n=,
LisätiedotSAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009
SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää
LisätiedotMS-A0402 Diskreetin matematiikan perusteet
MS-A0402 Disreetin matematiian perusteet Osa 3: Kombinatoriia Riia Kangaslampi 2017 Matematiian ja systeemianalyysin laitos Aalto-yliopisto Kombinatoriia Summaperiaate Esimeri 1 Opetusohjelmaomiteaan valitaan
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
Lisätiedot[ ] [ 2 [ ] [ ] ( ) [ ] Tehtävä 1. ( ) ( ) ( ) ( ) ( ) ( ) 2( ) = 1. E v k 1( ) R E[ v k v k ] E e k e k e k e k. e k e k e k e k.
ehtävä. x( + ) x( y x( + e ( y x( + e ( E v E e ( ) e ( R E[ v v ] E e e e e e e e e 6 estimointivirhe: ~ x( x( x$( x( - b y ( - b y ( estimointivirheen odotusarvo: x( - b x( - b e ( - b x( - b e ( ( -
LisätiedotMatematiikan tukikurssi
Matematiian tuiurssi Kurssierta 5 Sarjojen suppeneminen Kiinnostusen ohteena on edelleen sarja a n = a + a 2 + a 3 + a 4 + n= Tämä summa on mahdollisesti äärellisenä olemassa, jolloin sanotaan että sarja
LisätiedotKaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:
Mat-.03 Koesuunnittelu ja tilastolliset mallit Mat-.03 Koesuunnittelu ja tilastolliset mallit / Ratkaisut Aiheet: Avainsanat: Kaksisuuntainen varianssianalsi Aritmeettinen keskiarvo, Estimointi, F-testi,
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 1. laskuharjoitus, ratkaisuehdotukset
Todennäöisyyslasenta IIa, syys loauu 019 / Hytönen 1. lasuharjoitus, rataisuehdotuset 1. ( Klassio ) Oloot A ja B tapahtumia. Todista lasuaavat (a) P(A B) P(A) + P(B \ A), (b) P(B) P(A B) + P(B \ A), (c)
LisätiedotOlkoot X ja Y riippumattomia satunnaismuuttujia, joiden odotusarvot, varianssit ja kovarianssi ovat
Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset Mat-.3 Koesuunnittelu ja tilastolliset mallit. harjoituset / Rataisut Aiheet: Avainsanat: Satunnaismuuttujat ja todennäöisyysjaaumat Kertymäfuntio
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotSovellettu 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
LisätiedotVakuutusteknisistä riskeistä johtuvien suureiden laskemista varten käytettävä vakuutuslajiryhmittely.
1144/2011 7 Liite 1 Vauutustenisistä riseistä johtuvien suureiden lasemista varten äytettävä vauutuslajiryhmittely. Vauutuslajiryhmä Vauutusluoat Ensivauutus 1 Laisääteinen tapaturma 1 (laisääteinen) 2
LisätiedotMatemaattinen Analyysi
Vaasan yliopisto, evät 05 / ORMS00 Matemaattinen Analyysi 6. harjoitus. Approsimoi toisen asteen polynomilla P(x) = b 0 +b x+b x oheisen tauluon muaisia havaintoja. (Teorian löydät opetusmonisteen sivuilta
LisätiedotOtanta-aineistojen analyysi
Otanta-aineistojen analyysi (78136, 78405) Kevät 2010 TEEMA 1 Risto Lehtonen risto.lehtonen@helsinki.fi Otanta-aineistojen analyysi Laajuus 6/8 op. Tyyppi 78136 Otanta-aineistojen analyysi (aineopintojen
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotM 2 M = sup E M 2 t. E X t = lim. niin martingaalikonvergenssilauseen oletukset ovat voimassa, eli löydämme satunnaismuuttujan M, joka toteuttaa ehdon
Matematiian ja tilastotieteen laitos Stoastiset differentiaaliyhtälöt Rataisuehdotelma Harjoituseen 7 1. Näytä, että uvaus M M M 2, un M 2 M = sup E M 2 t 2 t 0 on normi jouossa M 2 = { M : M on martingaali
LisätiedotHealth 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.
Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2007) 1 Yleinen lineaarinen malli >> Usean selittäjän lineaarinen regressiomalli
LisätiedotV. POTENSSISARJAT. V.1. Abelin lause ja potenssisarjan suppenemisväli. a k (x x 0 ) k M
V. POTENSSISARJAT Funtioterminen sarja V.. Abelin lause ja potenssisarjan suppenemisväli P a x x, missä a, a, a 2,... R ja x R ovat vaioita, on potenssisarja, jona ertoimet ovat luvut a, a,... ja ehitysesus
LisätiedotLuento 2. S Signaalit ja järjestelmät 5 op TKK Tietoliikenne Laboratorio 1. Jean Baptiste Joseph Fourier ( )
Luento Jasollisten signaalien Fourier-sarjat Viivaspetri S-.7. Signaalit ja järjestelmät 5 op KK ietoliienne Laboratorio Jean Baptiste Joseph Fourier (768-83) Ransalainen matemaatio ja fyysio. Esitti Fourier-sarjat
LisätiedotJohdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
LisätiedotEstimointi. 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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
Lisätiedotz z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0
TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä
LisätiedotTommi Härkänen, Teppo Juntunen, Eero Lilja Analyysiohjeita Maahanmuuttajien terveys- ja hyvinvointitutkimusaineiston käsittelemiseksi.
Tommi Härkänen, Teppo Juntunen, Eero Lilja Analyysiohjeita Maahanmuuttajien terveys- ja hyvinvointitutkimusaineiston käsittelemiseksi Taustaa Otoksen ositus kunnittain ja maahanmuuttajaryhmittäin Katso
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie
LisätiedotTodennäköisyysjakaumat 1/5 Sisältö ESITIEDOT: todennäköisyyslaskenta, määrätty integraali
Todennäöissjaaumat /5 Sisältö ESITIEDOT: lasenta, määrätt Haemisto KATSO MYÖS: tilastomatematiia P (X = )=p. Nämä ovat 0 ja niiden summa on p =. Pistetodennäöisdet voidaan graafisesti esittää pstsuorien
LisätiedotPerusestimointi 5 Analyysiä survey-datalla Tee Suomen datalla jokin oma kokeilu käyttäen tätä mallia Esimerkki PISA 2006:sta SAS:lla
Perusestimointi 5 Analyysiä survey-datalla Tee Suomen datalla jokin oma kokeilu käyttäen tätä mallia Esimerkki PISA 2006:sta SAS:lla proc surveymeans data=pisa.impuoecd; where cnt='fin' or cnt='deu' or
LisätiedotOsa 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
LisätiedotJ1 (II.6.9) J2 (X.5.5) MATRIISILASKENTA(TFM) MALLIT AV 6
MATRIISILASKENTA(TFM) MALLIT AV 6 J (II.6.9) Päättele, että avaruusvetorit a, b ja c ovat lineaarisesti riippuvat täsmälleen un vetoreiden virittämän suuntaissärmiön tilavuus =. Tuti tällä riteerillä ovato
LisätiedotOtoskoon arviointi. Tero Vahlberg
Otoskoon arviointi Tero Vahlberg Otoskoon arviointi Otoskoon arviointi (sample size calculation) ja tutkimuksen voima-analyysi (power analysis) ovat tilastollisen tutkimuksen suunnittelussa keskeisiä kysymyksiä
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
LisätiedotParametrin estimointi ja bootstrap-otanta
Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotTässä 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
LisätiedotJohdatus 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:
Lisätiedot9. 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
LisätiedotKaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1
Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu
LisätiedotJOHDATUS LUKUTEORIAAN (syksy 2017) HARJOITUS 1, MALLIRATKAISUT
JOHDATUS LUKUTEORIAAN (sysy 2017) HARJOITUS 1, MALLIRATKAISUT Tehtävä 1. (i) Etsi luvun 111312 aii teijät. (ii) Oloot a ja b positiivisia oonaisluuja joilla a b ja b a. Osoita, että silloin a = b. Rataisu
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotK-KS vakuutussumma on kiinteä euromäärä
Kesinäinen Henivauutusyhtiö IIIELLA TEKNIIKALLA LAKUPERUTE H-TUTKINTOA ARTEN HENKIAKUUTU REKURIIIELLA TEKNIIKALLA OIMAAOLO 2 AIKALAKU JA AKUUTUIKÄ Tätä lasuperustetta sovelletaan..25 alaen myönnettäviin
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
LisätiedotVäliestimointi (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).
Lisätiedotr = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
LisätiedotTehtävä 2 Todista luennoilla annettu kaava: jos lukujen n ja m alkulukuesitykset. ja m = k=1
Luuteoria Harjoitus 1 evät 2011 Alesis Kosi 1 Tehtävä 1 Näytä: jos a ja b ovat positiivisia oonaisluuja joille (a, b) = 1 ja a c, seä lisäsi b c, niin silloin ab c. Vastaus Kosa a c, niin jaollisuuden
Lisätiedot2 Taylor-polynomit ja -sarjat
2 Taylor-polynomit ja -sarjat 2. Taylor-polynomi Taylor-polynomi P n (x; x 0 ) funtion paras n-asteinen polynomiapprosimaatio (derivoinnin annalta) pisteen x 0 lähellä. Maclaurin-polynomi: tapaus x 0 0.
LisätiedotSÄÄTÖJÄRJESTELMIEN SUUNNITTELU
ENSO IKONEN PYOSYS SÄÄÖJÄRJESELMIEN SUUNNIELU Enso Ionen professori säätö- ja ssteemiteniia http://cc.oulu.fi/~io Oulun liopisto Äläät oneet ja järjestelmät helmiuu 209 ENSO IKONEN PYOSYS 2 Oppimistavoitteet
LisätiedotSYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN
SYMBOLIVIRHETODENNÄKÖISYYDESTÄ BITTIVIRHETODENNÄKÖISYYTEEN Miten modulaation P S P B? 536A Tietoliienneteniia II Osa 4 Kari Käräinen Sysy 05 SEP VS. BEP D-SIGNAALIAVARUUDESSA Kullein modulaatiolle johdetaan
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
LisätiedotHierarkkisen aineiston mallintaminen ja otanta/pre-kurssi
Hierarkkisen aineiston mallintaminen ja otanta/pre-kurssi Risto Lehtonen, Helsingin yliopisto Metodifestivaali Jyväskylän yliopisto 27.5.2009 Keskiviikko 27.5 10-12 Hierarkkisuus otanta- asetelmaperusteisessa
Lisätiedotfunktiojono. Funktiosarja f k a k (x x 0 ) k
SARJAT JA DIFFERENTIAALIYHTÄLÖT 2003 3 4. Funtiosarjat Tässä luvussa esitettävissä funtiosarjojen tulosissa yhdistämme luujen 3 teoriaa. Esimeri 4.. Geometrinen sarja x suppenee aiilla x ], [ ja hajaantuu
Lisätiedot5.7 Uskottavuusfunktioon perustuvia testejä II
5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa
LisätiedotRiemannin sarjateoreema
Riemannin sarjateoreema LuK-tutielma Sami Määttä 2368326 Matemaattisten tieteiden laitos Oulun yliopisto Sysy 206 Sisältö Johdanto 2 Luujonot 3 2 Sarjat 4 2. Vuorottelevat sarjat........................
LisätiedotFrequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
Lisätiedot