1. PARAMETRIEN ESTIMOINTI
|
|
- Aarne Heino
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass, Jääösvarass estmot, Kteät selttäjät, Kokoaselösumma, Leaare regressomall, Mallelösumma, Pemmä elösumma meetelmä, Rakeeosa, Regressokerro, Regressokertome estmot, Regressomall, Regressosuora, Resduaal, Satuae osa, Seltettävä muuttuja, Selttäjä, Selttävä muuttuja, Seltysaste, Sovte, Suora kulmakerro, Systemaatte osa, Vakoselttäjä, Varassaalyyshajotelma, Vrheterm, Yhde selttäjä Leaare regressomall. PARAMETRIEN ESTIMOINTI Usede teollsuustuottede odotettavssa oleva kestokä o ptkä, että tuottee kestokää testataa s. khdytetyllä rastustestllä. Tällö test tehdää testausaja lyhetämseks tavallsta akarammssa olosuhtessa. STATISTIX-tedostoo o talletettu tedot teststä, jossa o tutkttu sähkölämmttme kuumeuskerukode kestokää käyttölämpötla fuktoa. Tedosto muuttujat ovat: (a) (b) (c) (d) TEMP = Käyttölämpötla (Fahrehet-astessa) LIFETIME = Kestoaka (tuessa) Tutustu aestoo prtämällä pstedagramm (TEMP, LIFETIME) ja arvo muuttuje välse korrelaato merkk ja suuruusluokka. Estmo STATISTIX-ohjelma regressoaalyysohjelmalla yhde selttäjä leaare regressomall LIFETIME.= β 0 + β TEMP + ε regressokertomet. Pom (b)-kohda tulostuksesta seuraavat suureet: () () Regressokertome estmaatt. Vertaa regressosuora kulmakertome β estmaatta kohdassa (a) saatuu tuloksee. Kokoaselösumma SST, mallelösumma SSM ja jääöselösumma SSE. Totea, että elösummat toteuttavat varass-aalyyshajotelma SST = SSM + SSE () Jääösvarass σ estmaatt. (v) Seltysaste R. Laske seltysaste myös varassaalyyshajotelmasta ja totea, että tulos o sama. Prrä estmotu regressosuora kohda (a) pstedagramm. TKK Ilkka Mell (005) /8
2 Mat-.04 Tlastollse aalyys perusteet RATKAISU: (a) PISTEDIAGRAMMI Statstcs > Summary Statstcs > Scatter Plot X Axs Varables = TEMP Y Axs Varables = LIFETIME 80 Scatter Plot of LIFETIME vs TEMP 760 LIFETIME TEMP Muuttujat TEMP ja LIFETIME äyttävät vomakkaast egatvsest korrelotuelta: Mtä korkeamp o käyttölämpötla stä lyhyemmä aja kerukka kestää. (b) REGRESSIOMALLIN ESTIMOINTI Regressomall Estmotava yhde selttäjä leaare regressomall o LIFETIME.= β 0 + β TEMP + ε jossa Seltettävä muuttuja = Depedet Varable = LIFETIME Selttävä muuttuja el selttäjä = Idepedet Varable = TEMP TKK Ilkka Mell (005) /8
3 Mat-.04 Tlastollse aalyys perusteet Statstcs > Lear Models > Lear Regresso Depedet Varable = LIFETIME Idepedet Varables = TEMP UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF LIFETIME PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT TEMP R-SQUARED RESID. MEAN SQUARE (MSE) ADJUSTED R-SQUARED STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL TOTAL CASES INCLUDED 5 MISSING CASES 0 (c) ESTIMOINTITULOSTEN TULKINTA Regressokertome estmaatt PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT TEMP Kerro b = TEMP COEFFICIENT = Kerro b 0 = CONSTANT COEFFICIENT = 56 Regressosuora yhtälö: LIFETIME.= TEMP Regressosuora kulmakertome merkk vastaa (a)-kohda pstedagramm perusteella arvotua muuttuje TEMP ja LIFETIME suhdetta: Mtä korkeamp o käyttölämpötla stä lyhyemmä aja kerukka kestää. TKK Ilkka Mell (005) 3/8
4 Mat-.04 Tlastollse aalyys perusteet Regressosuora kulmakertome tulkta: Jos keruka A käyttölämpötla o F korkeamp ku keruka B, keruka A käyttökä o (keskmäär) h lyhemp ku keruka B. Jos keruka A käyttölämpötla o 0 F korkeamp ku keruka B, keruka A käyttökä o (keskmäär) 6.76 h lyhemp ku keruka B. Jos keruka A käyttölämpötla o 00 F korkeamp ku keruka B, keruka A käyttökä o (keskmäär) h lyhemp ku keruka B. Varassaalyyshajotelma SOURCE DF SS MS F P REGRESSION RESIDUAL TOTAL Kokoaselösumma SST = TOTAL SS = Mallelösumma SSM = REGRESSION SS = Jääöselösumma SSE = RESIDUAL SS = 99.0 Nelösummat toteuttavat varassaalyyshajotelma: SST = SSM + SSE el = Jääösvarass harhato estmaatt R-SQUARED RESID. MEAN SQUARE (MSE) s = RESID. MEAN SQUARE (MSE) = Jääösvarass estmaatt vodaa laskea kaavalla SSE 99. s = = 5 = 00 Huomaa, että estmaatt löytyy myös varassaalyystaulukosta. TKK Ilkka Mell (005) 4/8
5 Mat-.04 Tlastollse aalyys perusteet Seltysaste R-SQUARED RESID. MEAN SQUARE (MSE) R = R-SQUARED = Estmotu mall o ste selttäyt % seltettävä muuttuja vahtelusta. Seltysaste vodaa laskea varassaalyyshajotelmasta kaavolla R SSE SSM = = SST SST Esmerkks SSM R = = = SST (d) REGRESSIOSUORAN PIIRTÄMINEN PISTEDIAGRAMMIIN Statstcs > Summary Statstcs > Scatter Plot X Axs Varables = TEMP Y Axs Varables = LIFETIME Dsplay Regresso Le 80 Scatter Plot of LIFETIME vs TEMP 760 LIFETIME TEMP TKK Ilkka Mell (005) 5/8
6 Mat-.04 Tlastollse aalyys perusteet. PARAMETRIEN ESTIMOINTI Jatkoa tehtävälle. (a) (b) RATKAISU: (a) Määrää estmaatt kertomlle β 0 ja β käyttämällä tehtäve lopussa oleva kaavoja ja laskemalla havatoarvoje summat, elösummat ja tulosumma. Käytä apua STATISTIX-ohjelma trasformaatota. Summat saat lasketuks valtsemalla Statstcs > Summary Statstcs > Descrptve Statstcs Vertaa tuloksa tehtävä tuloks. REGRESSIOKERTOIMIEN ESTIMOINTI Trasformaatot Muodostetaa muuttuje TEMP ja LIFETIME arvoje elöt ja tulot. Data > Trasformatos Trasformato Expresso XX = TEMP * TEMP Data > Trasformatos Trasformato Expresso YY = LIFETIME * LIFETIME Data > Trasformatos Trasformato Expresso XY = TEMP * LIFETIME Trasformaatode jälkee tedosto äyttää seuraavalta: CASE TEMP LIFETIME XX YY XY TKK Ilkka Mell (005) 6/8
7 Mat-.04 Tlastollse aalyys perusteet Muuttuje summat Statstcs > Summary Statstcs > Descrptve Statstcs Descrptve Varables = TEMP, LIFETIME, XX, YY, XY DESCRIPTIVE STATISTICS VARIABLE SUM TEMP 3500 LIFETIME 344 XX YY XY 300 x = 3500 y = 344 x = y = x y = 300 Otostuusluvut Lasketaa otostuusluvut havatoarvoje summsta, elösummsta ja tulosummasta: x = Σ x = = 700 y = Σ y = = sx = ( Σx x ) = ( ) = s x = s = 58. x sy = ( Σy y ) = ( ) = s y = s = 0.6 y sxy = ( Σx y x y) = ( ) = sxy 6900 rxy = = = ss x y TKK Ilkka Mell (005) 7/8
8 Mat-.04 Tlastollse aalyys perusteet Tarkstetaa tulokset STATISTIX-ohjelmalla: Lasketaa summat, artmeettset keskarvot, otoskeskhajoat ja otosvarasst. Statstcs > Summary Statstcs > Desrptve Statstcs Descrptve Varables = TEMP, LIFETIME DESCRIPTIVE STATISTICS VARIABLE SUM MEAN SD VARIANCE TEMP LIFETIME Lasketaa otosvarasst ja otoskovarass. Statstcs > Lear Models > Varace-Covarace Var-Covar Varables = TEMP, LIFETIME VARIANCE - COVARIANCE MATRIX TEMP LIFETIME TEMP LIFETIME CASES INCLUDED 5 MISSING CASES 0 Lasketaa otoskorrelaatokerro. Statstcs > Lear Models > Correlatos (Pearso) Correlato Varables = TEMP, LIFETIME CORRELATIONS (PEARSON) TEMP LIFETIME CASES INCLUDED 5 MISSING CASES 0 TKK Ilkka Mell (005) 8/8
9 Mat-.04 Tlastollse aalyys perusteet Regressokertomet Lasketaa regressokertome PNS-estmaattort korrelaatosta, otoshajoosta ja artmeettssta keskarvosta: sy 0.6 b = rxy = = s 58. x b = y bx = = 56 0 (b) VERTAILU TEHTÄVÄN TULOKSIIN Tulokset ovat samat ku tehtävässä saadut tulokset. 3. SOVITE JA RESIDUAALI Jatkoa tehtävälle. (a) Määrää estmodusta mallsta sovtteet yˆ ja resduaalt e STATISTIX-ohjelma regressoaalyysohjelmalla ja tallettamalla e tedostoo muuttujks FIT (= sovte) ja RES (= resduaal). (b) Määrää estmodusta mallsta sovtteet yˆ ja resduaalt e käyttämällä STATISTIXohjelma trasformaatota. Vertaa tulosta (a)-kohda tuloks. (c) RATKAISU: Prrä pstedagrammt (LIFETIME, FIT) ja (FIT, RES). Kuvota käytetää estmodu mall hyvyyde tutkmsessa. (a) SOVITTEET JA RESIDUAALIT Määrätää tehtävä estmodu regressomall sovtteet ja resduaalt. Statstcs > Lear Models > Lear Regresso Depedet Varable = LIFETIME Idepedet Varables = TEMP Results > Save Resduals Ftted Value = FIT Resdual = RES CASE LIFETIME FIT RES TKK Ilkka Mell (005) 9/8
10 Mat-.04 Tlastollse aalyys perusteet (b) SOVITTEET JA RESIDUAALIT Määrätää tehtävä estmodu regressomall sovtteet ja resduaalt trasformaatode avulla. Data > Trasformatos Trasformato Expresso FIT = * TEMP Data > Trasformatos Trasformato Expresso RES = LIFETIME - FIT CASE LIFETIME FIT RES Tulokset ovat samat ku (a)-kohdassa saadut tulokset. TKK Ilkka Mell (005) 0/8
11 Mat-.04 Tlastollse aalyys perusteet (c) PISTEDIAGRAMMIT ESTIMOINTITULOKSISTA Statstcs > Summary Statstcs > Scatter Plot X Axs Varables = LIFETIME Y Axs Varables = FIT 80 Scatter Plot of FIT vs LIFETIME 750 FIT LIFETIME Estmotu mall o stä paremp mtä lähempää psteet ( y, ˆ y), =,,, ovat suoraa vvaa. Ks. myös tehtävää 4 (d). TKK Ilkka Mell (005) /8
12 Mat-.04 Tlastollse aalyys perusteet Statstcs > Summary Statstcs > Scatter Plot X Axs Varables = FIT Y Axs Varables = RES 50 Scatter Plot of RES vs FIT 30 RES FIT Tämä pstedagramm ja se muuelmat ovat keskesä työväletä regressomall hyvyyttä tutkttaessa. Dagramm avulla vodaa tutka malla koskeva oletuksa: () () Oko mall rakeeosa okeata muotoa? Ovatko jääöstermt homoskedastsa? () Ovatko jääöstermt korrelomattoma? (v) Oko havatoje joukossa ulkopuolsa havatoja? Ks. esmerkkejä myöhemmssä harjotustehtäväsarjossa. TKK Ilkka Mell (005) /8
13 Mat-.04 Tlastollse aalyys perusteet 4. VARIANSSINALYYSIHAJOTELMA JA SELITYSASTE Jatkoa tehtävälle. (a) Määrää mallelösumma SSM laskemalla tehtävä tulokssta kokoaselösumma SST ja tehtävässä 3 lasketusta resduaalesta jääöselösumma SSE. (b) Määrää mallelösumma laskemalla sovttede yˆ varass. (c) Määrää seltysaste tehtävässä lasketusta otoskorrelaatokertomesta r xy. (d) RATKAISU: Laske [Cor(LIFETIME, FIT)]. Vertaa tulosta estmodu mall seltysasteesee. (a) MALLINELIÖSUMMAN LASKEMINEN Tehtävä mukaa s = 56.7 y Ste SST = s y = = ( ) mkä yhtyy tehtävässä saatuu tuloksee. Lasketaa tehtävässä 3 määrättyje resduaale elösumma: Data > Trasformatos Trasformato Expresso RESRES = RES * RES Statstcs > Summary Statstcs > Desrptve Statstcs Descrptve Varables = RESRES DESCRIPTIVE STATISTICS VARIABLE SUM RESRES 99. Josta saadaa suoraa SSE = 99. Ste SSM = SST SSE = = mkä yhtyy tehtävässä saatuu tuloksee. TKK Ilkka Mell (005) 3/8
14 Mat-.04 Tlastollse aalyys perusteet (b) MALLINELIÖSUMMAN LASKEMINEN Määrätää sovttede varass tavaomasella otosvarass kaavalla: Statstcs > Summary Statstcs > Desrptve Statstcs Descrptve Varables = FIT DESCRIPTIVE STATISTICS VARIABLE VARIANCE FIT 44 Tästä tuloksesta mallelösumma SSM saadaa seuraavalla laskutomtuksella: SSM = ( ) s y ˆ = 4 44 = Pe ero tehtävä tuloksee ähde johtuu pyörstysvrhestä. (c) SELITYSASTEEN LASKEMINEN Yhde selttäjä leaarse regressomallssa R = r xy Tehtävä tulokssta saadaa [ ] R = = mkä yhtyy tehtävässä saatuu tuloksee. Huomaa, että kaava R = r xy mahdollstaa yhde selttäjä leaarse regressomall seltysastee määräämse lma mall regressokertome estmaatte sekä estmodu mall sovttede ja resduaale määräämstä. TKK Ilkka Mell (005) 4/8
15 Mat-.04 Tlastollse aalyys perusteet (d) SELITYSASTEEN LASKEMINEN Leaarsessa regressomallssa R = Määrätää Cor( yy, ˆ) : [ Cor( yy, ˆ) ] Statstcs > Lear Models > Correlatos (Pearso) Correlato Varables = LIFETIME, FIT CORRELATIONS (PEARSON) LIFETIME FIT CASES INCLUDED 5 MISSING CASES 0 Tästä saadaa R [ y yˆ ] = Cor(, ) = = mkä yhtyy tehtävässä saatuu tuloksee. TKK Ilkka Mell (005) 5/8
16 Mat-.04 Tlastollse aalyys perusteet KAAVOJA Olkoo y = β0 + β x + ε, =,,, yhde selttäjä leaare regressomall, jossa y = seltettävä muuttuja satuae ja havattu arvo havatoykskössä x = selttävä muuttuja satuae ja havattu arvo havatoykskössä β 0 = e-satuae ja tutemato vakoselttäjä regressokerro β = e-satuae ja tutemato selttäjä x regressokerro ε = satuae ja e-havattu jääösterm havatoykskössä Oletamme, että jääöstermllä ε o seuraavat stokastset omasuudet: () () () (v) E(ε ) = 0, =,,, Var(ε ) = σ, =,,, Cor(ε, ε j ), j ε N(0, σ ), =,,, Havatoje (x, y ), =,,, tavaomaset otostuusluvut vodaa laskea seuraavlla kaavolla: x = = sx = ( x x) = x x = = y = = sy = ( y y) = y y = = sxy = ( x x)( y y) = x y = xy = sxy rxy = ss Regressokertome β 0 ja β PNS-estmaattort: x y x y s s b = r = y xy xy sx sx b = y bx 0 TKK Ilkka Mell (005) 6/8
17 Mat-.04 Tlastollse aalyys perusteet Sovte ja resduaal: Huomaa, että yˆ = b + bx 0 e = y yˆ = = = y = e = 0 Varassaalyyshajotelma: Kokoaselösumma: Mallelösumma: jossa Jääöselösumma: yˆ SST = SSM + SSE = SST = ( y y) = ( ) s y (ˆ ) (ˆ ˆ) = = SSM = y y = y y yˆ = yˆ = y = y = = SSE = e = ( r ) SST = xy Jääösvarass σ harhato estmaattor: Seltysaste: Aa pätee: s R R = SSE SSE SSM = = SST SST = [ Cor( yy, )] ˆ Yhde selttäjä leaarsessa regressomallssa pätee lsäks: R = r xy TKK Ilkka Mell (005) 7/8
18 Mat-.04 Tlastollse aalyys perusteet Huomautus: Jos yhde selttäjä leaare regressomall y = β0 + β x + ε, =,,, regressokertome β ja 0 β PNS-estmaatt b ja 0 b joudutaa laskemaa käs ta laskmella, kaattaa käyttää hyväks stä, että x- ja y-havatoje artmeettset keskarvot x ja y, otosvarasst s x ja s y, otoskovarass sxy ja otoskorrelaato r xy vodaa määrätä laskemalla havatoarvoje summat, elösummat ja tulosumma: Summat: Nelösummat: Tulosumma: x = = y x y = = = x y TKK Ilkka Mell (005) 8/8
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,
Lisätiedoton 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,
LisätiedotTilastollinen 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
LisätiedotTodennäköisyyslaskennan 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
LisätiedotGeneroidaan 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,
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,
LisätiedotMat 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
Lisätiedot1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Usean selittäjän lineaarinen regressiomalli Estimaatti, Estimaattori, Estimointi, Jäännösneliösumma, Jäännöstermi, Jäännösvarianssi,
Lisätiedot1. REGRESSIOMALLIN SYSTEMAATTISEN OSAN MUOTO
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Regressiodiagnostiikka Cooken etäisyys, Funktionaalinen muoto, Diagnostinen grafiikka, Diagnostiset testit, Heteroskedastisuus,
LisätiedotMat 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
LisätiedotMat Tilastollisen analyysin perusteet. Painotettu PNS-menetelmä. Avainsanat:
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Mallin valinta Painotettu PNS-menetelmä Alaspäin askellus, Askellus, Askeltava valikointi, Diagnostinen grafiikka, Diagnostiset
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotYhden selittäjän lineaarinen regressiomalli
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli
LisätiedotTestaa onko lämpökäsittelyllä vaikutusta tankojen keskimääräiseen vetolujuuteen.
Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset Mat-.03 Koesuuttelu ja tlastollset mallt 6. harjotuset / Ratasut Aheet: Avasaat: Yssuutae varassaals Artmeette esarvo, Bartlett test, Box ja Whser
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
Lisätiedot7.5. 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= 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
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
Lisätiedot1. YKSISUUNTAINEN VARIANSSIANALYYSI: AINEISTON ESITYSMUODOT
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Yksisuuntainen varianssianalyysi Bartlettin testi, Bonferronin menetelmä, F-testi, Jäännösneliösumma, χ 2 -testi, Kokonaiskeskiarvo,
LisätiedotTilastollinen 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
LisätiedotMat 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
LisätiedotMat 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,
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotJohdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
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,
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
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
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaals Tlastollset meetelmät: Leaare regressoaals 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaals 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall
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
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]
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
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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
LisätiedotMat Tilastollisen analyysin perusteet
/ Mat-2.21 04 Tilastollisen analyysin perusteet Tentti 24.5.2013/Virtanen Kirjoita selvasti jokaiseen koepaperiin alia mainitussa jarjestyksessa: Mat-2.2104 Tap 24.5.2013 opiskelijanumero kirjain TEKSTATEN
LisätiedotMS-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
LisätiedotMenestyminen valintakokeissa ja todennäköisyyslaskussa
21.5.21 Menestyminen valintakokeissa ja todennäköisyyslaskussa Esa Pursiheimo 45761L 1 JOHDANTO...2 2 LÄHTÖTIEDOT JA OTOS...3 3 PÄÄSYKOETULOKSIEN YHTEISJAKAUMA...4 4 REGRESSIOANALYYSI...9 4.1 MALLI JA
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
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
LisätiedotMS-C2{04 Tilastollisen analyysin perusteet
MS-C2{04 Tilastollisen analyysin perusteet Tentti 7.4.20 4A/irtanen Kirjoita selvästi jokaiseen koepaperiin alla mainitussa järjestyksessä: OHlprrn (i) (ii) MS-C204 TAP 7.4.204 opiskelijanumero + kirjain
LisätiedotTKK @ 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,
LisätiedotVarianssianalyysi. 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
LisätiedotMTTTP1 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
LisätiedotTilastolliset 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
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
LisätiedotEsim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501
Esim. 2.1.1. Brand lkm keskiarvo keskihajonta A 10 251,28 5,977 B 10 261,06 3,866 C 10 269,95 4,501 y = 260, 76, n = 30 SS 1 = (n 1 1)s 2 1 = (10 1)5, 977 2 321, 52 SS 2 = (n 2 1)s 2 2 = (10 1)3, 8662
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
LisätiedotLohkoasetelmat. 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
LisätiedotMat 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
LisätiedotA B DIFFERENCE
I Mat-2.21 04 Tilastollisen analyysin perusteet Tentti 10.5.2013Nirtanen Ki~oita selvasti jokaiseen koepaperiin alia mainitussa ja~estyksessa: 0HJEITA Mat-2.2104 Tap 10.5.2013 opiskelijanumero ki~ain TEKSTATEN
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
LisätiedotMS-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?
LisätiedotTilastolliset 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
LisätiedotData-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]
Data-analyysi II [Type the document subtitle] Simo Kolppo 26.3.2014 Sisällysluettelo Johdanto... 1 Tutkimuskysymykset... 1 Aineistojen esikäsittely... 1 Economic Freedom... 1 Nuorisobarometri... 2 Aineistojen
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 ),
LisätiedotYhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli
TKK (c) Ilkka Melli (4) Yhde selittää lieaarie regressiomalli Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
Lisätiedot2. Yhden selittäajäan lineaarinen regressiomalli. 2.1 Malli ja parametrien estimointi. Malli:
2. Yhden selittäajäan lineaarinen regressiomalli Regressio-termi peräaisin Galtonilta. IsÄan ja pojan pituus: PitkÄa isäa lyhyempi poika, lyhyt isäa pidempi poika. Son height (cm) 21 2 19 18 17 16 15 15
LisätiedotMat Tilastollisen analyysin perusteet. Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat: Tilastollisten aineistojen kerääminen ja mittaaminen Tilastollisten aineistojen kuvaaminen Väliestimointi Diskreetit muuttujat,
LisätiedotSuoran 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
LisätiedotHarjoitus 6 -- Ratkaisut
Harjoitus 6 -- Ratkaisut 1 Ei kommenttia. 2 Haetaan data tiedostosta. SetDirectory"homeofysjmattas" SetDirectory "c:documents and settingsmattasdesktopteachingatk2harjoitukseth06" netnfstuhome4ofysjmattas
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
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotHY, 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(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
LisätiedotJohdatus tilastotieteeseen Regressiomallin valinta. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Regressiomallin valinta TKK (c) Ilkka Mellin (2004) 1 Regressiomallin valinta Regressiomallin valinta: Johdanto Mallinvalintatestit Mallinvalintakriteerit Epälineaaristen riippuvuuksien
LisätiedotKokonaistodennäköisyys 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
Lisätiedotε i = jäännös- eli virhetermin ε satunnainen ja ei-havaittu arvo havaintoyksikössä i
Mat-.60 Sovellettu todeäkölaketa B. harjotuket Mat-.60 Sovellettu todeäkölaketa B. harjotuket / Ratkaut Aheet: Yhde elttäjä leaare regreomall Avaaat: Ehdolle jakauma, Ehdolle odotuarvo, Ehdolle vara, Etmot,
Lisätiedotvoidaan hylätä, pienempi vai suurempi kuin 1 %?
[TILTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2011 http://www.uta.fi/~strale/tiltp1/index.html 30.9.2011 klo 13:07:54 HARJOITUS 5 viikko 41 Ryhmät ke 08.30 10.00 ls. C8 Leppälä to 12.15 13.45 ls. A2a Laine
LisätiedotMTTTP5, luento Luottamusväli, määritelmä
23.11.2017/1 MTTTP5, luento 23.11.2017 Luottamusväli, määritelmä Olkoot A ja B satunnaisotoksen perusteella määriteltyjä satunnaismuuttujia. Väli (A, B) on parametrin 100(1 - ) %:n luottamusväli, jos P(A
LisätiedotMat 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,
Lisätiedot2-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,
LisätiedotAalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 2016 Laskuharjoitus 5, Kotitehtävien palautus laskuharjoitusten
LisätiedotLatinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt
TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,
LisätiedotTilastollinen 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,
LisätiedotIlkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Regressiomallin valinta. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Regressiomallin valinta TKK (c) Ilkka Mellin (2007) 1 Regressiomallin valinta >> Regressiomallin valinta: Johdanto Mallinvalintatestit
LisätiedotPerusnäkymä yksisuuntaiseen ANOVAaan
Metsämuuronen 2006. TTP Tutkimuksen tekemisen perusteet ihmistieteissä Taulukko.51.1 Analyysiin mukaan tulevat muuttujat Mja selite Merkitys mallissa F1 Ensimmäinen faktoripistemuuttuja Selitettävä muuttuja
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6
Todeäkölakea ja tlatotetee perukur Emerkkkokoelma 6 Todeäkölakea ja tlatotetee perukur Emerkkkokoelma 6 Aheet: Tlatolle rppuvuu ja korrelaato Yhde elttäjä leaare regreomall Avaaat: Artmeette kekarvo Etmot
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
LisätiedotJohdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1
Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n
LisätiedotTilastollinen 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,
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
Lisätiedot5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7.4.006 Thomas Hackman 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 5. Tähtteteellsten
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
LisätiedotMuuttujien 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
Lisätiedot2. Tietokoneharjoitukset
2. Tietokoneharjoitukset Demotehtävät 2.1 Jatkoa kotitehtävälle. a) Piirrä aineistosta pistediagrammi (KULUTUS, SAIRAST) ja siihen estimoitu regressiosuora. KULUTUS on selitettävä muuttuja. b) Määrää estimoidusta
Lisätiedot4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
LisätiedotKvantitatiivinen genetiikka moniste s. 56
Kvantitatiivinen genetiikka moniste s. 56 - määrällisten ominaisuuksien periytymisen hallinta - mendelismi oli aluksi vastatuulessa siksi että darwinistit, joilla oli paljon valtaa Britanniassa, olivat
Lisätiedot1. (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
Lisätiedot3. Datan käsittely lyhyt katsaus
3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
LisätiedotMS-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
LisätiedotLuento 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
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotE80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering
Lecture 2 Data Uncertainty, Data Fitting, Error Propagation Jan. 23, 2014 Jon Roberts Purpose & Outline Data Uncertainty & Confidence in Measurements Data Fitting - Linear Regression Error Propagation
LisätiedotYleinen lineaarinen malli. Yleinen lineaarinen malli. Yleinen lineaarinen malli: Mitä opimme? 2/4. Yleinen lineaarinen malli: Mitä opimme?
TKK (c) Ila Melli (004) Yleie lieaarie malli Johdatus tilastotieteesee Yleie lieaarie malli Usea selittää lieaarie regressiomalli Yleise lieaarise malli matriisisesitys Yleise lieaarise malli estimoiti
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
LisätiedotMat-2.104 Tilastollisen analyysin perusteet. Testit suhdeasteikollisille muuttujille. Avainsanat:
Mat-.04 Tilastollise aalyysi perusteet / Ratkaisut Aiheet: Avaisaat: Testit suhdeasteikollisille muuttujille Hypoteesi, Kahde riippumattoma otokse t-testit, Nollahypoteesi, p-arvo, Päätössäätö, Testi,
LisätiedotOpiskelija viipymisaika pistemäärä
806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2012 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Jatkoa harjoituksen 5 tehtävään
LisätiedotIlkka 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
LisätiedotVARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
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
Lisätiedot