vkp 4*(1+0)/(32-3)-1= vkp 2*(1+0)/(32-3)=

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "vkp 4*(1+0)/(32-3)-1= vkp 2*(1+0)/(32-3)="

Transkriptio

1 JÄRJESTYSKORRELAATIO 1. Hannu ja Kerttu pitävät karamelleista, mutta heidän mieltymyksensä poikkeavat hieman. Hannun mielestä punaiset karkit ovat parhaita ja keltaiset miellyttävät häntä vähiten. Kerttu pitää erityisesti vihreistä karkeista ja punaiset ovat hänestä vähiten haluttavia. Laske Hannun ja Kertun karkkimakujen korrelaatiot. puna vihreä kelta Hannu Kerttu a) Kendall: 4*(0+1)/(3 2-3)-1= Spearman: 1-6*((1-3) 2 +(2-1) 2 +(3-2) 2 )/(3 3-3)=-0.5 Pearson : ((1-2)*(3-2)+(2-2)*(1-2)+(3-2)*(2-2))/sqrt(((1-2) 2 +(2-2) 2 +(3-2) 2 )*((3-2) 2 +(1-2) 2 +(2-2) 2 ))=-0.5 Alla on laskettu korrelaatiokertoimet ja niitä vastaavat todennäköisyydet kaikilla mahdollisilla järjestyksillä. Kendallin tapauksessahan kyse on todennäköisyydestä, että saadaan kyseinen tai poikkeavampi järjestys. Vaihtoehtoisia järjestyksiä on kuusi. Ainoa poikkeavampi kuin vkp on kvp, josta seuraa, että todennäköisyys on 2/6. Spearmanin kohdalla ei ole mitään vastaavaa tulkintaa, sillä sehän on Pearsonin korrelaatiokerroin järjestysluvuille. Korrelaatiot: Kendall pvk 4*(2+1)/(3 2-3)-1=1 pkv 4*(2+0)/(3 2-3)-1= vpk 4*(1+1)/(3 2-3)-1= vkp 4*(1+0)/(3 2-3)-1= kpv 4*(0+1)/(3 2-3)-1= kvp 4*(0+0)/(3 2-3)-1=-1 Todennäköisyydet : Kendall pvk 2*(2+1)/(3 2-3)=1 pkv 2*(2+0)/(3 2-3)= vpk 2*(1+1)/(3 2-3)= vkp 2*(1+0)/(3 2-3)= kpv 2*(0+1)/(3 2-3)= kvp 2*(0+0)/(3 2-3)=0 Spearman pvk 1-6*((1-1) 2 +(2-2) 2 +(3-3) 2 )/(3 3-3)=1 pkv 1-6*((1-1) 2 +(2-3) 2 +(3-2) 2 )/(3 3-3)=0.5 vpk 1-6*((1-2) 2 +(2-1) 2 +(3-3) 2 )/(3 3-3)=0.5 vkp 1-6*((1-2) 2 +(2-3) 2 +(3-1) 2 )/(3 3-3)=-0.5 kpv 1-6*((1-3) 2 +(2-1) 2 +(3-2) 2 )/(3 3-3)=-0.5 kvp 1-6*((1-3) 2 +(2-2) 2 +(3-1) 2 )/(3 3-3)=-1 Spearman pvk 1-3*((1-1) 2 +(2-2) 2 +(3-3) 2 )/(3 3-3)=1 pkv 1-3*((1-1) 2 +(2-3) 2 +(3-2) 2 )/(3 3-3)=0.75 vpk 1-3*((1-2) 2 +(2-1) 2 +(3-3) 2 )/(3 3-3)=0.75 vkp 1-3*((1-2) 2 +(2-3) 2 +(3-1) 2 )/(3 3-3)=0.25 kpv 1-3*((1-3) 2 +(2-1) 2 +(3-2) 2 )/(3 3-3)=0.25 kvp 1-3*((1-3) 2 +(2-2) 2 +(3-1) 2 )/(3 3-3)=0 1

2 LINEAARINEN REGRESSIOMALLI, jossa pituudella selitetään painoa. Perustunnusluvut: Means, std.devs and correlations of AINEISTO N=142 Variable Mean Std.dev. PITUUS PAINO Variable=muuttuja, mean=average=keskiarvo, standard deviation=keskihajonta Korrelaatiomatriisi: Correlations: PITUUS PAINO PITUUS PAINO Regressiomallin tuloste: Linear regression analysis: Data AINEISTO, Regressand PAINO N=142 Variable Regr.coeff. Std.dev. t beta PITUUS constant Variance of regressand PAINO= df=141 Residual variance= df=140 R= R^2= regressand=selitettävä muuttuja, regression coefficent=regressiokerroin, constant=vakio Mallin yhtälö: PAINO= *PITUUS Mallin selitysaste, eli kuinka monta prosenttia selittävä muuttuja selittää selitettävän vaihtelusta ja päinvastoin: R 2 =0.366=36.6% Regressiosuora sovitettuna aineistoon: Diagram of AINEISTO 120 PAINO PITUUS Esimerkin aineistossa on henkilö, jonka pituus on 167 cm ja hän painaa 58 kiloa. Mallin antama painoennuste: Painoennuste = *167= (prediktori) Ennustevirhe on tämän henkilön kohdalla: Ennustevirhe = = -9.5 (residuaali) 2

3 Usean selittäjän malli Means, std.devs and correlations of AINEISTO N=144 Variable Mean Std.dev. Ikä Pituus Paino Kenkä Correlations: Ikä Pituus Paino Kenkä Ikä Pituus Paino Kenkä Linear regression analysis: Data AINEISTO, Regressand Paino N=144 Variable Regr.coeff. Std.dev. t beta Ikä Pituus Kenkä constant Variance of regressand Paino= df=143 Residual variance= df=140 R= R^2= Mallin yhtälö: PAINO=0.322*IKÄ+0.763*PITUUS+0.746*KENKÄ Aiemmin mainitun 167 cm pitkä ja 58 kiloa painavan henkilön ikä on 49 vuotta ja kengännumero on 38. Painoennuste = 0.322* * * =68.5 (prediktori) Ennustevirhe = = (residuaali) Yhteiskorrelaatiokerroin kolmen selittäjän mallissa: R= (multippelikorrelaatiokerroin) Malli selitysaste = R 2 =0.516=51.6% Osittaiskorrelaatio: Osittaiskorrelaatiokerroin pituuden ja kengänkoon välillä, kun halutaan jättää pois painon vaikutus: r xy.z =( (0.6299*0.5745))/sqrt(( )*( ))= Standardoidun mallin yhtälö olisi tässä tapauksessa: Z paino =0.323*Z ikä *Z pituus *Z kenkä Z paino =0.323* * *0.8389= Standardoidun mallin painoennuste olisi siis: * =68.6 3

4 TODENNÄKÖISYYSLASKENTA Seuraavat esimerkkitehtävät ovat suurelta osalta joko Juha Purasen tai Pyry-Matti Vasaman vanhoja harjoitustehtäviä. 1. Oletetaan, että perusjoukko E muodostuu alkeistapahtumista E={a,b,c,d,e,f,g}, joilla on todennäköisyydet. P(a)=0.07 P(b)=0.08 P(c)=0.10 P(d)=0.15 P(e)=0.25 P(f)=0.13 P(g)=0.22. Tarkasta, että kyseessä on mahdollinen perusjoukko ts. P(E)=1 Tarkastellaan seuraavia tapahtumia A={a,e,f} B={c,e,g} C={b,e,f}. Määrää: a) P(A), P(B), P(C) b) P(A ja B), P(B tai C), P(ei A) c) P(A ehdolla B) Kaikki todennäköisyydet ovat nolla ja yhden välillä, alkeistapahtumat ovat toisensa poissulkevia ja P(E)= =1, eli on todennäköisyyskenttä. a) P(A)= =0.45, P(B)= =0.57, P(C)= =0.46 b) P(A B)=0.25, P(BUC)=P(B)+P(C)-P(B C)= =0.78, P(A c )=1-P(A)=1-0.45=0.55 c) P(A B)=P(A B)/P(B)=0.25/0.57= Oletetaan, että P(A) = 0.5, P(B) = 0.3 ja P(A B) = 0.2. Määrää seuraavat todennäköisyydet: a) A ja B tapahtuu b) A tai B tapahtuu c) joko A tai B tapahtuu d) vain A tapahtuu e) ainakin A tapahtuu f) korkeintaan A tapahtuu g) Mikä tulisi P(A B) n, jotta A ja B olisivat riippumattomia? (Halutessasi voit konkretisoida tehtävää taustatarinalla. Teealla on mahdollisuus valita ottaako hän teetä vai kahvia. Lisäksi Teea voi halutessaan laittaa valitsemaansa juomaan maitoa. Tapahtuma A olkoon, että Teea ottaa teetä. Tapahtuma B olkoon, että Teea laittaa juomaan maitoa.) a) P(A B) = 0.2 b) P(AUB)=P(A)+P(B)-P(A B)= =0.6 c) P(AUB)-P(A B) = =0.4 d) P(A)-P(A B)= =0.3 e) P(A)=0.5 f) P(B c )=1-P(B)=1-0.3=0.7 g) P(A)=P(A B)/P(B) <=> P(A B)=P(A)*P(B)=0.5*0.3= Korissa on 4 paria sinisiä, 2 paria vihreitä sukkia sekä yksi ruskea ja yksi valkea sukka. Sukkia ei ole järjestetty pareittain. Mikä on todennäköisyys, että valitessani satunnaisesti 2 sukkaa ne ovat... a) molemmat sinisiä? b) molemmat vihreitä? c) molemmat samaa väriä? d) ruskea ja valkea sukka? e) vähintään yksi sininen sukka? a) 8/14*7/13=4/13 b) 4/14*3/13=6/91 c) 8/14*7/13+4/14*3/13=34/91 d) 2/14*1/13=1/91 (tai 1/14*1/13=1/182, jos järjestyksellä väliä) e) 1-(6/14*5/13)=76/91 4. Henkilöllä on 10 jazz-levyä ja 8 levyä klassista musiikkia. Hän valitsee kaksi levyä umpimähkään soitettavaksi. Mikä on todennäköisyys, että... a) molemmat ovat jazz-levyjä, b) ainakin toinen levyistä on jazzia, kun levyt valitaan ilman takaisinpanoa. a) P(A)=10/18*9/17=5/ b) 1-P(B)=1-(8/18*7/17)=125/ Kuten tehtävä 4, mutta levyt valitaan takaisinpanoa käyttäen. a) P(A)=10/18*10/18=25/ b) 1-P(B)=1-(8/18*8/18)=65/ Heitetään kahta harhatonta arpakuutiota. Määritellään seuraavat tapahtumat: A={silmälukujen summa > 7} B={1. Nopan silmäluku on suurempi kuin 2. nopan} C={kummankin nopan silmäluku on korkeintaan 4} Määrää: a) P(AUB) b) P(AUC) c) P(BUC) d) P(AUBUC) e) P(A B) f) P(A C) g) P(B C) h) P(C A) P(A)=15/36, P(B)=15/36, P(C)=16/36, P(A B)=6/36, P(A C)=1/36, P(B C)=6/36, P(A B C)=0/36 a) ( )/36=24/36 b) ( )/36=30/36 c) ( )/36=25/36 d) ( )/36=33/36 e) (6/36)/(15/36)=6/15 f) (1/36)/(16/36)=1/16 g) (6/36)/(16/36)=6/16 h) (1/36)/(15/36)=1/15 7. Riippumattomilla tapahtumilla on aina leikkausjoukko, eli yhteisiä alkioita. Peräkkäiset nopanheitot. 4

5 a) Jos ensimmäinen heitto on 2, niin toinen heitto voi saada edelleen minkä tahansa arvon samalla todennäköisyydellä, jos ehdollistetaan vain toisen heiton tulokseen liittyvillä ehdoilla. Tällöin tilanne on riippumaton. Asetetaan ehdoksi, että toinen noppaa on parillinen. Leikkausjoukossa on toisen heiton tuloksesta riippumatta aina vähintään yksi yhteinen alkio. b) Jos ensimmäinen heitto on 2 ja toisena ehtona on, että noppien summa on suurempi kuin kahdeksan, niin ehdot ovat toisensa poissulkevia. Summa on suurempi kuin kahdeksan ja ensimmäisen nopan tulos on kaksi, ovat siis toisensa poissulkevia. Joukoilla ei ole yhteisiä alkioita, eli ne eivät voi olla riippumattomia. c) Jos ensimmäinen heitto on 2 ja toisena ehtona on, että noppien summa on suurempi kuin kuusi, niin joukoilla on yhteisiä alkioita. Koska todennäköisyys, että heittojen summa on suurempi kuin kuusi ennen ensimmäistä heittoa ja ensimmäisen heiton jälkeen poikkeaa, niin tulokset eivät ole riippumattomia. 8. Autoilija arvioi, että todennäköisyys joutua onnettomuuteen ohitustilanteessa on hänen kohdallaan Autoilija suorittaa 1000 toisistaan riippumatonta ohitusta. Millä todennäköisyydellä hän joutuu onnettomuuteen ainakin kerran? P(O)=0.002, P(O c )= =0.998 P(ainakin yksi onnettomuus)=1-( ) 1000 = = = Kirjahyllyssä on 3 tilastotieteen, 8 kansantaloustieteen ja 6 sosiologian kirjaa. a) Monessako järjestyksessä kirjat voivat olla, jos saman pääaineen kirjojen on oltava vierekkäin? b) Monessako järjestyksessä kirjat voivat olla, jos vain kansantaloustieteen kirjojen on oltava vierekkäin? c) Monessako järjestyksessä kirjat voivat olla, jos kirjojen on oltava aakkosjärjestyksessä pääaineittain? d) Monessako järjestyksessä kirjat voivat olla, jos ei ole mitään rajoituksia? a) (3!*8!*6!)*3!= b) 8!*10!= c) 3!=6 d) 17!= 3.557* Bayesin kaavailua: (T T=teetä, T K=kahvia, S 0= ei sokeria, S 1= yksi pala sokeria, S 2= kaksi palaa sokeria) Oletetaan, että P(T T ) = 0.6 ja P(T K )= 0.4, eli todennäköisyys ottaa teetä on 60% ja lopuissa tapauksissa otetaan kahvia. Juomavalinnalla ehdollistetut todennäköisyydet laittaa juomaan joko nolla, yksi tai kaksi palaa sokeria ovat: Tee: P(S 0 T T )=0.3, P(S 1 T T )=0.5, P(S 2 T T )=0.2. Kahvi: P(S 0 T K )=0.1, P(S 1 T K )=0.4, P(S 2 T K )=0.5. a) Teetä ehdolla kaksi palaa sokeria: b) Kahvia ehdolla kaksi palaa sokeria: P(T T S 2 )=0.6*0.2/(0.6* *0.5)=0.375 P(T K S 2 )=0.4*0.5/(0.6* *0.5)= => 0.18 / tee / 0.5 => 0.30 /\ 0.6/ \ 0.2 => 0.12 / \ 0.1 => 0.04 \ / 0.4 \/ 0.4 => 0.16 kahvi\ \ 0.5 => 0.20 Muut ehdolliset todennäköisyydet: P(T T S 0 )=0.6*0.3/(0.6* *0.1)= P(T K S 0 )=0.4*0.1/(0.6* *0.1)= P(T T S 1 )=0.6*0.5/(0.6* *0.4)= P(T K S 1 )=0.4*0.4/(0.6* *0.4)=

Nämä esimerkkitehtävät ovat suurelta osalta joko Juha Purasen tai Pyry-Matti Vasaman vanhoja harjoitustehtäviä.

Nämä esimerkkitehtävät ovat suurelta osalta joko Juha Purasen tai Pyry-Matti Vasaman vanhoja harjoitustehtäviä. Nämä esimerkkitehtävät ovat suurelta osalta joko Juha Purasen tai Pyry-Matti Vasaman vanhoja harjoitustehtäviä. TODENNÄKÖISYYSLASKENTA: 1. Oletetaan, että todennäköisyyskenttä E muodostuu alkeistapahtumista

Lisätiedot

Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.

Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45. Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 8.8% 8.9%.%.% 9.7%.7% Etelä Länsi Itä Oulu Lappi Ahvenanmaa Länsi Etelä Itä Oulu Lappi Ahvenanmaa Läänien

Lisätiedot

Mat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:

Mat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,

Lisätiedot

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,

Lisätiedot

(x, y) 2. heiton tulos y

(x, y) 2. heiton tulos y Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 2, 4, 6, 8, 11 Pistetehtävät: 3, 5, 9, 12 Ylimääräiset tehtävät: 7, 10, 13 Aiheet: Joukko-oppi Todennäköisyys ja sen määritteleminen

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 13. syyskuuta 2007 Antti Rasila () TodB 13. syyskuuta 2007 1 / 21 1 Klassinen todennäköisyys 2 Kombinatoriikkaa Kombinatoriikan perusongelmat Permutaatiot

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/5

TKK @ Ilkka Mellin (2008) 1/5 Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,

Lisätiedot

Todennäköisyys (englanniksi probability)

Todennäköisyys (englanniksi probability) Todennäköisyys (englanniksi probability) Todennäköisyyslaskenta sai alkunsa 1600-luvulla uhkapeleistä Ranskassa (Pascal, Fermat). Nykyisin todennäköisyyslaskentaa käytetään hyväksi mm. vakuutustoiminnassa,

Lisätiedot

1. laskuharjoituskierros, vko 4, ratkaisut

1. laskuharjoituskierros, vko 4, ratkaisut 1. laskuharjoituskierros, vko 4, ratkaisut D1. Heitetään kahta virheetöntä noppaa, joiden kuudella tahkolla on silmäluvut 1, 2, 3, 4, 5 ja 6. Tällöin heittotuloksiin liittyvä otosavaruus on S = {(x, y)

Lisätiedot

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan

Lisätiedot

OTATKO RISKIN? peli. Heitä noppaa 3 kertaa. Tavoitteena on saada

OTATKO RISKIN? peli. Heitä noppaa 3 kertaa. Tavoitteena on saada OTATKO RISKIN? peli 1. Heitä noppaa 20 kertaa. Tavoitteena on saada vähintään 10 kertaa silmäluku 4, 5 tai 6. Jos onnistut, saat 300 pistettä. Jos et onnistu, menetät 2. Heitä noppaa 10 kertaa. Tavoitteena

Lisätiedot

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

54. 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

Lisätiedot

D ( ) E( ) E( ) 2.917

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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan

Lisätiedot

Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten

Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten Todennäköisyys Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten tietoliikennejärjestelmien ymmärtämisessä

Lisätiedot

HAVAITUT JA ODOTETUT FREKVENSSIT

HAVAITUT JA ODOTETUT FREKVENSSIT HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies

Lisätiedot

Harjoitus 9: Excel - Tilastollinen analyysi

Harjoitus 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

Lisätiedot

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

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

Lisätiedot

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet VAASAN YLIOPISTO/AVOIN YLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia 1 KURSSIKYSELYAINEISTO: 1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka

Lisätiedot

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma

Lisätiedot

9 Yhteenlaskusääntö ja komplementtitapahtuma

9 Yhteenlaskusääntö ja komplementtitapahtuma 9 Yhteenlaskusääntö ja komplementtitapahtuma Kahta joukkoa sanotaan erillisiksi, jos niillä ei ole yhtään yhteistä alkiota. Jos pysytellään edelleen korttipakassa, niin voidaan ilman muuta sanoa, että

Lisätiedot

Tuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta

Tuloperiaate. Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta Tuloperiaate Oletetaan, että eräs valintaprosessi voidaan jakaa peräkkäisiin vaiheisiin, joita on k kappaletta ja 1. vaiheessa valinta voidaan tehdä n 1 tavalla,. vaiheessa valinta voidaan tehdä n tavalla,

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

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

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015

https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 12.1.2016/1 MTTTP5, luento 12.1.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

A-osio: Ilman laskinta, MAOL:in taulukkokirja saa olla käytössä. Maksimissaan tunti aikaa.

A-osio: Ilman laskinta, MAOL:in taulukkokirja saa olla käytössä. Maksimissaan tunti aikaa. MAA6 koe 26.9.2016 Jussi Tyni Muista merkitä vastauspaperiin oma nimesi ja tee etusivulle pisteytysruudukko. Kaikkiin tehtävien ratkaisuihin välivaiheet näkyviin! A-osio: Ilman laskinta, MAOL:in taulukkokirja

Lisätiedot

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

xi = 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: 8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)

Lisätiedot

1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: 1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet Nimi Ikä v. Asema Palkka

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat: Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat

Lisätiedot

1. Tässä tehtävässä päätellään kaksilapsisen perheen lapsiin liittyviä todennäköisyyksiä.

1. Tässä tehtävässä päätellään kaksilapsisen perheen lapsiin liittyviä todennäköisyyksiä. TODENNÄKÖISYYS Aihepiirejä: Yhden ja kahden tapahtuman tuloksien käsittely ja taulukointi, ovikoodit, joukkueen valinta, bussin odotus, pelejä, urheilijoiden testaus kielletyn piristeen käytöstä, linnun

Lisätiedot

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia.

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia. 806109P TILASTOTIETEEN PERUSMENETELMÄT I 1. välikoe 11.3.2011 (Jari Päkkilä) VALITSE VIIDESTÄ TEHTÄVÄSTÄ NELJÄ JA VASTAA VAIN NIIHIN! 1. Valitse kohdissa A-F oikea (vain yksi) vaihtoehto. Oikeasta vastauksesta

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

Lisätiedot

Todennäköisyyslaskenta - tehtävät

Todennäköisyyslaskenta - tehtävät Todennäköisyyslaskenta - tehtävät Todennäköisyyslaskentaa käsitellään Pitkän matematiikan kertauskirjan sivuilla 253 276. Klassinen todennäköisyys Kombinatoriikka Binomitodennäköisyys Satunnaismuuttuja,

Lisätiedot

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas Itse arvioidun terveydentilan ja sukupuolen välinen riippuvuustarkastelu. Jyväskyläläiset 75-vuotiaat miehet ja naiset vuonna 1989.

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

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

Lisätiedot

KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!

KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä! VAASAN YLIOPISTO/KESÄYLIOPISTO TILASTOTIETEEN PERUSTEET Harjoituksia A KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi M-0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 1: Todennäköisyyslaskennan peruskäsitteet; Todennäköisyyden aksioomat; Todennäköisyyslaskennan peruslaskusäännöt; Kokonaistodennäköisyyden

Lisätiedot

Suhtautuminen Sukupuoli uudistukseen Mies Nainen Yhteensä Kannattaa Ei kannata Yhteensä

Suhtautuminen Sukupuoli uudistukseen Mies Nainen Yhteensä Kannattaa Ei kannata Yhteensä 806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2011 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Eräässä suuressa yrityksessä

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat .9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku Harjoitus 2 (vko 39/2003) (ihe: tapahtumien todennäköisyys, Laininen luvut 1.6 2.4) 1. Tarkastellaan rinnan- ja sarjaankytketyistä

Lisätiedot

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio

Tilastollisen 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

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-25 Todennäköisyyslaskenta Tentti 12.4.216 / Kimmo Vattulainen Funktiolaskin sallittu. Palauta kaavakokoelma 1. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi

Lisätiedot

Valintahetket ja pysäytetyt martingaalit

Valintahetket ja pysäytetyt martingaalit 4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien

Lisätiedot

4. laskuharjoituskierros, vko 7, ratkaisut

4. laskuharjoituskierros, vko 7, ratkaisut 4. laskuharjoituskierros, vko 7, ratkaisut D1. Kone valmistaa kuulalaakerin kuulia, joiden halkaisija vaihtelee satunnaisesti. Halkaisijan on oltava tiettyjen rajojen sisällä, jotta kuula olisi käyttökelpoinen.

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015

https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa

Lisätiedot

Moniulotteiset satunnaismuuttujat ja jakaumat

Moniulotteiset satunnaismuuttujat ja jakaumat Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset

Lisätiedot

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia. Tehtävien ratkaisuja 4. Palloja yhteensä 60 kpl. a) P(molemmat vihreitä) = P((1. pallo vihreä) ja (. pallo vihreä)) = P(1. pallo vihreä) P(. pallo vihreä 1. pallo vihreä) = 0.05 (yleinen kertolaskusääntö)

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

1. Matkalla todennäköisyyteen

1. Matkalla todennäköisyyteen 1. Matkalla todennäköisyyteen Wovon man nicht sprechen kann, darüber muss man schweigen (Ludwig Wittgenstein, Tractatus Logico-Philosophicus 1921) Miten ihmeessä tämä liittyy tähän kurssiin????!?? 1.1

Lisätiedot

Ilmoittaudu Weboodissa klo (sali L4) pidettävään 1. välikokeeseen!

Ilmoittaudu Weboodissa klo (sali L4) pidettävään 1. välikokeeseen! 8069 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2013 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOLLA 9! Ilmoittaudu Weboodissa 4.3.2013 klo

Lisätiedot

Kurssin puoliväli ja osan 2 teemat

Kurssin puoliväli ja osan 2 teemat Kurssin puoliväli ja osan 2 teemat Kurssin osa 1 keskittyi mittaukseen, tiedonkeruuseen ja kuvailevaan tilastotieteeseen. Osassa 2 painottuu tilastollinen päättely, joka puolestaan rakentuu voimakkaasti

Lisätiedot

031021P Tilastomatematiikka (5 op)

031021P Tilastomatematiikka (5 op) 031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on

Lisätiedot

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen MAT-200 Todennäköisyyslaskenta Tentti 29.04.20 / Kimmo Vattulainen Funktiolaskin sallittu.. a) Pelaajat A ja B heittävät noppaa vuorotellen ja pelin voittaa se, joka saa ensimmäiseksi kuutosen. A aloittaa

Lisätiedot

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA 26.9.2017/1 MTTTP1, luento 26.9.2017 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2017/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen

Lisätiedot

Tilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio

Tilastollisen 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

4 Riippuvuus 1. Esimerkki 4. Korrelaation laskeminen SPSS-ohjelmalla rajatusta aineistosta

4 Riippuvuus 1. Esimerkki 4. Korrelaation laskeminen SPSS-ohjelmalla rajatusta aineistosta 4 Riippuvuus 1 Esimerkki 4. Korrelaation laskeminen SPSS-ohjelmalla rajatusta aineistosta x 2 = sisaruksien luku- Tarkastellaan äidin ja lapsen pituuden välistä riippuvuutta havaintomatriisilla, joka on

Lisätiedot

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja. Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Kurssi käsittelee todennäköisyyslaskentaa ja tilastotiedettä. Laaditaan satunnaisilmiöille todennäköisyysmalleja. Miten hyvin mallit kuvaavat todellisuutta?

Lisätiedot

Johdatus regressioanalyysiin. Heliövaara 1

Johdatus regressioanalyysiin. Heliövaara 1 Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen

Lisätiedot

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

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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

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

Lisätiedot

naaraat < read.table('http://cs.joensuu.fi/pages/whamalai/dm13/naaraatvalikoitu.csv', head=t, sep=',')

naaraat < read.table('http://cs.joensuu.fi/pages/whamalai/dm13/naaraatvalikoitu.csv', head=t, sep=',') naaraat < read.table('http://cs.joensuu.fi/pages/whamalai/dm13/naaraatvalikoitu.csv', head=t, sep=',') printf < function(...) { print(sprintf(...)) c_by_method < NULL # Listataan ne muuttujaparit, joilla

Lisätiedot

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON? SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?...7 TILASTO...7 TILASTOTIEDE...8 HISTORIAA...9 TILASTOTIETEEN NYKYINEN ASEMA...9 TILASTOLLISTEN MENETELMIEN ROOLIT ERI TYYPPISET AINEISTOT JA ONGELMAT...10

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt

Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt - Satunnaiskokeet, otosavaruudet ja tapahtumat - Todennäköisyyden määritteleminen KE (2014) 1 Satunnaiskokeet, otosavaruudet ja tapahtumat

Lisätiedot

1. USEAN SELITTÄJÄN LINEAARINEN REGRESSIOMALLI JA OSITTAISKORRELAATIO

1. 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,

Lisätiedot

B. Siten A B, jos ja vain jos x A x

B. Siten A B, jos ja vain jos x A x Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,

Lisätiedot

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat Johdatus todennäköisyyslaskentaan todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat: Mitä opimme? /5 hden satunnaismuuttujan todennäköisyysjakaumat

Lisätiedot

Data-analyysi II. Sisällysluettelo. Simo Kolppo [Type the document subtitle]

Data-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

Lisätiedot

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

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

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, 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.

Lisätiedot

Lukion. Calculus. Todennäköisyys ja tilastot. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN

Lukion. Calculus. Todennäköisyys ja tilastot. Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Calculus Lukion 3 MAA Todennäköisyys ja tilastot Paavo Jäppinen Alpo Kupiainen Matti Räsänen Otava PIKATESTIN JA KERTAUSKOKEIDEN TEHTÄVÄT RATKAISUINEEN Todennäköisyys ja tilastot (MAA) Pikatesti ja kertauskokeet

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden aksioomat >> Todennäköisyyden määritteleminen Todennäköisyyden

Lisätiedot

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä

TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä J. Virtamo 38.3143 Jonoteoria / Todennäköisyyslaskenta 1 TODENNÄKÖISYYSLASKUN KERTAUS Peruskäsitteitä Otosavaruus S S on satunnaiskokeen E kaikkien mahdollisten alkeistapahtumien e joukko. Esim. 1. Noppaa

Lisätiedot

Todennäköisyyden ominaisuuksia

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

Lisätiedot

, Määrälliset tutkimusmenetelmät 2 4 op

, Määrälliset tutkimusmenetelmät 2 4 op 6206209, Määrälliset tutkimusmenetelmät 2 4 op Jyrki Reunamo, Helsingin yliopisto, Opettajankoulutuslaitos 19.2.2015 1 Varianssianalyysi (Pallant 2007, Tähtinen & Isoaho 2001) Verrataan ryhmien keskiarvoja.

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle

Lisätiedot

Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden aksioomat Todennäköisyyden määritteleminen Todennäköisyyden aksioomat äärellisissä otosavaruuksissa

Lisätiedot

3.7 Todennäköisyysjakaumia

3.7 Todennäköisyysjakaumia MAB5: Todennäköisyyden lähtökohdat 4 Luvussa 3 Tunnusluvut perehdyimme jo jakauman käsitteeseen yleensä ja normaalijakaumaan vähän tarkemmin. Lähdetään nyt tutustumaan binomijakaumaan ja otetaan sen jälkeen

Lisätiedot

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...

Lisätiedot

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012 Timo Törmäkangas KURSSIN SISÄLTÖ Johdanto Mittaaminen ja aineiston hankinta Mitta-asteikot Otanta Aineiston esittäminen ja data-analyysi Havaintomatriisi

Lisätiedot

Esim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501

Esim 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

Lisätiedot

TILASTOT JA TODENNÄKÖISYYS

TILASTOT JA TODENNÄKÖISYYS TILASTOT JA TODENNÄKÖISYYS Perusopetuksen opetussuunnitelmien perusteissa 2004 on vuosiluokille 6 9 määritelty tietyt tavoitteet koskien tilastoja ja todennäköisyyttä. Seuraavat keskeiset sisällöt tulevat

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

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

Lisätiedot

ikä (vuosia) on jo muuttanut 7 % 46 % 87 % 96 % 98 % 100 %

ikä (vuosia) on jo muuttanut 7 % 46 % 87 % 96 % 98 % 100 % Testaa taitosi 1 1. Noppaa heitetään kahdesti. Merkitse kaikki alkeistapaukset koordinaatistoon. a) Millä todennäköisyydellä ainakin toinen silmäluvuista on 3? b) Mikä on a-kohdan tapahtuman vastatapahtuma?

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava TKK (c) Ilkka Mellin (2005) 1 Kokonaistodennäköisyys ja Bayesin kaava Kokonaistodennäköisyys ja Bayesin kaava: Johdanto Kokonaistodennäköisyyden

Lisätiedot

LUKUJONOT. 1) Jatka lukujonoja. 0, 1, 2,,,, 6, 8, 10,,,, 8, 12, 16,,,, 18, 15, 12,,,, 30, 25, 20,,,, 2) Täydennä lukujonoihin puuttuvat luvut.

LUKUJONOT. 1) Jatka lukujonoja. 0, 1, 2,,,, 6, 8, 10,,,, 8, 12, 16,,,, 18, 15, 12,,,, 30, 25, 20,,,, 2) Täydennä lukujonoihin puuttuvat luvut. LUKUJONOT 2 1) Jatka lukujonoja. 0, 1, 2,,,, 6, 8, 10,,,, 8, 12, 16,,,, 18, 15, 12,,,, 30, 25, 20,,,, 2) Täydennä lukujonoihin puuttuvat luvut. 2, 4,, 8,, 12,,, 7,, 3, 1 3) Keksi oma lukujono ja kerro

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

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

Lisätiedot

Määritelmiä. Nopanheitossa taas ω 1 = saadaan 1, ω 2 = saadaan 2,..., ω 6 = saadaan

Määritelmiä. Nopanheitossa taas ω 1 = saadaan 1, ω 2 = saadaan 2,..., ω 6 = saadaan Todennäköisyys Todennäköisyys on epävarman matematiikkaa. Matemaattinen todennäköisyys mallintaa satunnaisia ilmiöitä, kuten esimerkiksi nopantai lantinheitto. Todennäköisyyttä voi lähestyä mm. tilastollisesti

Lisätiedot

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

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

Lisätiedot

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi. Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i

Lisätiedot

Kaikkiin tehtäviin laskuja, kuvia tai muita perusteluja näkyviin.

Kaikkiin tehtäviin laskuja, kuvia tai muita perusteluja näkyviin. Peruskoulun matematiikkakilpailu Loppukilpailu perjantaina 1.2.2013 OSA 1 Ratkaisuaika 30 min Pistemäärä 20 Tässä osassa ei käytetä laskinta. Kaikkiin tehtäviin laskuja, kuvia tai muita perusteluja näkyviin.

Lisätiedot

Yleistetyistä lineaarisista malleista

Yleistetyistä lineaarisista malleista Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Tilastollisen 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 ),

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot