Tilastolliset menetelmät
|
|
- Onni Hämäläinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tilastolliset meetelmät tilastolliste meetelmie tarkoitus o: estimoida eliaika- (vikaatumisaika, korjausaika- jakaumie ja -mallie parametreja eliaikakokeide, laitteide käyttökokemustiedo yms. perusteella selvittää tilastollisilla testeillä oko vika-aikatilastoissa tredejä tuistaa tilastoista erilaisia vikaatumistapoja Eustaa tulevia vikaatumisaikoja je.
2 KLASSINEN, FREKVENTISTINEN TILASTOLLINEN ANALYYSI: perustuu todeäköisyyde frekvessitulkitaa jakaumie parametrie estimoiti epäparametrie aalyysi tilastolliset testit BAYESILAINEN TILASTOLLINEN ANALYYSI: perustuu pohjimmiltaa subjektiivisee todeäköisyys tulkitaa
3 BAYESILAINEN TILASTOLLINEN ANALYYSI: jakaumie parametrie posteriorijakaumie määrittämie eustava aalyysi Bayesilaie tilastollie päättely
4 VIKAANTUMISTILASTOAINEISTOJEN MUOTO TÄYDELLINEN DATA: kaikki aieistossa olevat vikaatumisajat täydellisesti havaittuja ja tuettuja otos muotoa: T {t 1, t 2,,t } EPÄTÄYDELLINEN l. SENSUROITU DATA: osa vikaatumisajoista epätäydellisesti tuettuja otoksessa o täydellisesti tuettu osa, T lisäksi tiedetää, että jotkut eliajat ovat pitempiä kui tietyt ajat: S {s 1, s 2,,s m }, tiedetää siis, että joilleki eliajoille pätee: T i >s i lisäksi U {u 1, u 2,,u k }, tiedetää, että joilleki eliajoille T i < u i
5 EPÄPARAMETRINEN ANALYYSI: EMPIIRINEN ELINAIKAJAKAUMA toimitatodeäköisyysfuktio estimoiti havaitoje perusteella Kapla-Meier-estimaattori tavoitteea johtaa estimaattori fuktiolle P(T>t R(t 1- F(t tarkastellaa esi täydellistä aieistoa {t 1, t 2,,t } järjestetty otos: t (1 t ( 2 t
6 EPÄPARAMETRINEN ANALYYSI: EMPIIRINEN ELINAIKAJAKAUMA toimitatodeäköisyysfuktio estimaattori: I( t( i > t ( t Rt ( i 1 :tä suurempie eliaikoje lukumäärä I ( A, 1 0, ku loogie ehto A "tosi" muulloi
7 EPÄPARAMETRINEN ANALYYSI: KAPLAN-MEIER ESTIMAATTORI, epätäydellie otos. olkoo j eliaikoje lukumäärä, joide pituus o vähitää t (j olkooj t iide ideksie joukko, joille t (j < t ( Rt 1 j J t j j
8 ELINAIKAJAKAUMIEN ESTIMOINTI suurimma uskottavuude meetelmä (egl. maximum likelihood method tarkastellaa aluksi täydellistä otosta {t 1, t 2,,t } olkoo eliaikajakauma tiheysfuktio f(t θ olkoot t i, i1,2,, i.i.d satuaismuuttujia (jakaumasta f(t θ todeäköisyys havaita em. otos : P({ t dt } { t dt } { t dt } P({ t dt } i i i 1 f ( t θ dt l( t, t,, t θ dt i i 1 2 i 1 i 1 i
9 ELINAIKAJAKAUMIEN ESTIMOINTI fuktio l(t 1, t 2,,t θ o s. likelihoodfutio itse asiassa l(t 1, t 2,,t θ o i.i.d satuaismuuttujie T 1, T 2,,T yhteisjakauma suurimma uskottavuude meetelmässä parametrivektori estimaattoriksi valitaa se θ: arvo, joka maksimoi likelihoodfuktio, eli se parametrivektori arvo, joka maksimoi todeäköisyyde havaita tarkasteltava otos θ : l( t, t,, t θ l( t, t,, t θ, θ
10 ELINAIKAJAKAUMIEN ESTIMOINTI epätäydellise otokse tapauksessa likelihoodfuktio l(t 1, t 2,,t,s 1,s 2,,s m,, u 1, u 2,,u k, θ mudostuu kolmesta osasta: l( t, t,, t, s, s,, s, u, u,, u θ l( t, t,, t θ m 1 2 k 1 2 l ( s, s,, s θ l ( u, u,, u θ l( E θ, l( t, t,, t θ f ( t θ 1 2 S U i 1 m i ls( s1, s2,, sm θ R( si θ ( 1 l ( u, u,, u θ F( u θ U 1 2 k i i 1 k i m k m i 1 F( s θ i
11 ELINAIKAJAKAUMIEN ESTIMOINTI ESIMERKKI: ekspoetiaalijakauma parfametri estimoiti oletetaa, että otoksessa o vai täydellisesti havaittuja ja S-sesuroituja aikoja likelihoodfuktio: l( t, t,, t, s, s,, s λ l( t, t,, t λ l ( s, s,, s λ m 1 2 S 1 2 m λ exp( λt exp( λt λ exp( ( t + s λ i i i i 1 i 1 i 1 i 1 m i i Τ i 1 i 1 λ exp( ( t + s λ λ exp( λ m i
12 ELINAIKAJAKAUMIEN ESTIMOINTI ESIMERKKI: ekspoetiaalijakauma parfametri estimoiti ko. likelihoodfuktio maksimoituu, ku λ λ Τ
13 ELINAIKAJAKAUMIEN ESTIMOINTI ESIMERKKI: Poisso-otos vikoje lukumäärä ajassa T o poisso jakautuut likelihoodfuktio o siis ( λt l(, T λ exp( λt! Likelihoodfuktio maksimoituu, ku λ λ ˆ T
14 ELINAIKAJAKAUMIEN ESTIMOINTI ESIMERKKI: Biomiaalie-otos vikoje lukumäärä k :ssä tarvetilateessa o Biomijakautuut likelihoodfuktio l( k, p p k k k (1 p Likelihoodfuktio maksimoituu, ku k p pˆ
15 ELINAIKAJAKAUMIEN ESTIMOINTI Luottamusrajat pelkkä piste-estimaatti ei aa kuvaa éstimoitii liittyvästä epävarmuudesta klassisessa tilastotieteessä estimaati epävarmuutta arvioidaa s. luottamusrajoje avulla Määritelmä olkoox 1,x 2,...,x (i.i.d otos jakaumasta f(x θ olkoot fuktiot L(x 1,x 2,...,x ja U(x 1,x 2,...,x sellaisia, että P ( L( x1, x2,, x θ U( x1, x2,, x 1 γ satuaisväliä [L(x 1,x 2,...,x, U(x 1,x 2,...,x ] kutsutaa parametri 100(1-γ%: luottamusväliksi
16 ELINAIKAJAKAUMIEN ESTIMOINTI Luottamusrajat, esimerkki (Poisso-otata Tapahtumie lukumäärä (K ajassa t Poisso jakautuut, eli ( ( dz e k z k e t k K P k e t k K P z k i t k t k t k 0!! ( ja! ( λ λ λ λ λ eli 2 2 (2 ( ( 2 t k P k K P λ χ > + λ: arvo, jolle todeäköisyys havaita eitää k tapahtumaa o 1-γ/2 t k 2 2 (2 2 2 / 1 2 / 1 + γ γ χ λ, joka o λ: ylempi 100(1-γ/2%: luottamusraja
17 ELINAIKAJAKAUMIEN ESTIMOINTI vastaavasti P( K > k i k+ 1 ( λt k e k! λt 2 P( χ (2k < 2λt λ: arvo, jolle todeäköisyys havaita vähitää k+1 tapahtumaa o 1-γ/2 λ γ / 2 χ 2 γ / 2 (2k 2t, joka o λ: alempi 100(1-γ/2%: luottamusraja väli [λ γ/2, λ 1-γ/2 ] o siis λ: 100(1-γ%: luottamusväli
18 BAYESILAINEN ANALYYSI Bayeslaise tilastoaalyysi tavoite o päätellä tutemattomie suureide arvoja havaittuje muuttujie perusteella Bayesilaisessa tilastotieteelle o omiaista todeäköisyysmallie ekplisiittie käyttö kaike epävarmuude kuvaamisessa ja mittaamisessa Aalyysi vaiheet: kokoaistodeäköisyysmalli laatimie ehdoistamie havaitoje suhtee malli hyvyyde arvioiti
19 BAYESILAINEN ANALYYSI kokoaistodeäköisyysmalli malli tai tarkasteltava tilatee kaikkie muuttujie (havaittavie, tutemattomie ja parametrie yhteisjakauma malli o vastattava tarkasteltavaa ilmiötä koskevaa tieteellistä tietoa ja tiedokeruuprosessia ehdollistamie havaitoje suhtee tutemattomie muuttujie ehdollise jakauma määrittämie ku havaittavie muuttujie arvo tuetaa, posteriorijakauma ja eustava jakauma määrittämie
20 BAYESILAINEN ANALYYSI malli arvioiti malli sopivuude ja se seurauste arvioiti, herkkyystarkastelut, subjektiiviste oletuste eksplisiittie arvioiti omiaista Bayes-malleille o tilastolliste johtopäätöste selkeä tulkita (esim. luottamusvälit mallie joustavuus ja yleisyys epävarmuude selkeä ilmaisemie todeäköisyyksillä hierarkisuus
21 BAYESILAINEN ANALYYSI tilastolliset johtopäätökset koskevat koko populaatiota mutta e perustuvat otoksee syy-seuraussuhtee selvittämiseksi tarvitaa tilastollista päättelyä kahdelaisia estimoitavia tai arvioitavia suureita l. estimadeja: havaitsemattomat suureet (tulevat muuttujie arvot, joide arvo joko havaitaa tulevaisuudessa tai se o periaatteessa mahdollista havaita parametrit, joita ei voida suoraa havaita, mutta joita käytetää hyväksi mallissa (esim. regressiokertoimet, jakaumie parametrit
22 BAYESILAINEN ANALYYSI Parametrit, data ja eusteet havaitsemattomat muuttujat, esim. parametrit θ havaittavat muuttujat, y tutemattomat, mutta havaittavissa olevat muuttujat (esim. tulevaisuudessa havaittavat prosessimittauste arvot, y
23 BAYESILAINEN ANALYYSI Vaihdettavuus muuttujat y 1, y 2,..., y ovat vaihdettavia, jos mikä tahasa permutaatio y i, y j,..., y l yhteisjakauma p(y i, y j,..., y l o sama de Fietti esityslause: y 1, y 2,..., y ovat vaihdettavia <> kuki y i : jakauma muotoa p( y i p( yi θ p( θ dθ θ jos muuttujat ovat vaihdettavia, ii e voidaa korvata tilastollisessa päättelyssä toisillaa
24 BAYESILAINEN ANALYYSI Selittävät muuttujat selittävät muuttujat liittyvät kuhuki havaitoyksikköö, ja kuvaavat se omiaisuuksia (esim. kliiisessä kokeessa potilaa ikä, potilaa lääkitys tai hoito yms. esim. regressiomalli selittävät muuttujat i. havaitoyksikkö o muotoa (x, y i, missä x o yksikö omiaisuuksia kuvaava selittävä muuttuja, ja y o (kokeessa havaittava muuttuja vaihdettavuude tulkita: jos muuttuja y ehdollie jakauma p(y x o samalaie kaikille havaitoyksiköille, site että jos kahta tai useampaa yksikköä kuvaa sama x ii vastaava muuttuja y jakauma o sama, ii yksiköt ovat vaihdettavia
25 BAYESILAINEN ANALYYSI Hierarkiset mallit Y µ, σ Parameters hierarkisissa malleissa voidaa puhua vaihdettavuudesta usealla mallitamistasolla Θ11 Θ1L Θm1 ΘmL Hidde sample hierarkiset mallit voidaa esittää graafisesti verkkoia Y1 Observable variables Ym
26 BAYESILAINEN ANALYYSI Bayesilaie tilastollie päättely parametreja ja tutemattomia muuttujia koskevat tilastolliset väittämät esitetää todeäköisyysväittämiä todeäköisyysväittämät ovat muotoa: p(θ y tai p(y y jotta yo. muotoa olevia väittämiä voidaa esittää, o muodostettava muuttujie θ ja y yhteisjakauma, p(θ, y p(y θp(θ p(y θ o s. otosjakauma (samplig distributio p(θ o muuttuja θ o priorijakauma
27 BAYESILAINEN ANALYYSI Bayesilaie tilastollie päättely Bayesi kaavalla voidaa voidaa laskea ehdollie jakauma p(θ y p( θ, y p( θ p( y θ p( θ y p( y p( y missä p( y p( y θ p( θ dθ θ,
28 BAYESILAINEN ANALYYSI kaikki mallissa olevat tutemattomat muuttujat mallietaa todeäköisyysjakaumilla eliaikajakauma paraetri o tutemato, siis satuaismmuuttuja, jolla o priorijakauma p(θ ku o havaittu otos i.i.d. E {t 1, t 2,,t }, johdetaa posteriorijakauma p(θ E otokse yhteisjakauma, eli likelihood, o l( E θ f ( θ i 1 t i
29 BAYESILAINEN ANALYYSI posteriorijakauma, eli parametrivektori ehdollie jakauma ehdolla otos, muodostetaa Bayesi kaavalla Θ Θ θ θ θ θ θ θ θ θ θ θ θ θ θ d p t f p t f d p E l p E l E p i i i i ( ( ( ( ( ( ( ( ( 1 1 Posteriorijakauma laskemie oistuu vai harvoi aalyyttisesti kojugaattiset priori-likelihoodparit: mikäli priori ja posteriori kuuluvat saamaa jakaumaperheesee, puhutaa kojugaattiprioreista
30 BAYESILAINEN ANALYYSI kojugaattiprioreita o olemassa.s ekspoetiaalise jakaumaperhee jakaumille ekspoetiuaalijakauma - gammajakauma biomijakauma - betajakauma ormaalijakauma - ormaalijakauma
31 BAYESILAINEN ANALYYSI Epäiformatiiviset priorit tavoite ataa otokselle mahdollisimma suuri paio, ja välttää eakko-odotuste vaikutusta tasajakauma erilaisia approksimatiivisesti epäiformatiivisia jakaumia o määritelty epäoleelliset priorit MIKSI KÄYTTÄÄ EPÄINFORMATIIVISTA PRIORIA?
32 BAYESILAINEN ANALYYSI ESIMERKKI: ekspoetiaalijakauma Bayesaalyysi valitaa λ: priorijakaumaksi gammajakauma p( λ α, β β λ Γ( α α α 1 βλ e likelihoodfuktio l( t1, t2,, t λ λ exp( λ t i λ exp( λt i 1
33 BAYESILAINEN ANALYYSI ESIMERKKI: ekspoetiaalijakauma Bayesaalyysi posteriorijakauma Bayesi kaavalla: λ β α α β λ α β λ α βλ α α λ βλ α α λ λ α β λ λ λ λ λ α β λ λ α β λ λ ( 1 0 ( 1 ( ( ( ( (, ( T T T T T e T d e e d e e e e T p Γ + Γ Γ
34 BAYESILAINEN ANALYYSI ESIMERKKI: biomijakauma Bayesaalyysi: kojugaattipriori betajakauma: Γ( r Γ( s f( p r, s Γ( r + s r E( p r + s rs Var( p 2 ( r + s ( r + s+ 1 p s ( 1 p, r 1 1
35 BAYESILAINEN ANALYYSI ESIMERKKI: biomijakauma Bayesaalyysi: k k likelihood: l( k, p p (1 p k posteriorijakauma: f p k k p p ( r ( s (, ( p ( p Γ Γ 1 1 Γ( r + s ( r ( s k Γ Γ Γ( r + s f( p k, beta( k + r, k + s k k r 1 s 1 p ( 1 p k+ r 1 k+ s 1
36 BAYESILAINEN ANALYYSI Eustavat jakaumat:: tavoitteea eustaa tulevia esim. eliaja arvoja, ku o havaittu otos ({t 1, t 2,,t } oletus:{t 1, T 2,,T } o ehdollisest i.i.d. eli T i θ ~ f(t θ kaikilla i1, seuraava eliaika T +1 θ ~ f(t θ parametri priorijakauma p(θ tavoite siis laskea jakauma T +1 T 1, T 2,,T f(t +1 T 1 t 1, T 2 t 2,, T t f(t +1 E lasketaa esi paramateri posteriorijakauma, p(θ Ε
37 BAYESILAINEN ANALYYSI Eustavat jakaumat: T +1 ehdollie jakauma ehdolla paramatri o T +1 θ ~ f(t θ T +1 reuajakauma (ehdoto jakauma o eustava jakauma, eli f( t+ 1 E f( t+ 1 θ p( θ E dθ θ
38 BAYESILAISET LUOTTAMUSVÄLIT Posteriorijakauma koskee parametri arvo epävarmuutta 100(1-γ%: epävarmuusväli: [ θγ /2, θ1 γ / 2 ]: θ γ θ /2 p( θ E dθ γ/2, 1 γ /2 p( θ E dθ 1 γ /2,
39 BAYESILAISET LUOTTAMUSVÄLIT R o Highest Posterior Desity Regio of cotet 1-γ jos: a P( θ R E 1 γ b kaikilleθ1 R, θ2 R, p( θ1 E p( θ2 E
40 Reject-accept algoritmi: jos o olemassa M > 0 site, että f(θ g(θm, ii algoritmi: 1. Arvo θ jakaumasta g(θ 2. Arvo u tasajakaumasta U(0,1 3. Jos u f(θ/m g(θm, hyväksy θ, muute toista 1-3 Algoritmi mukaie hyväksytty θ oudattaa jakaumaa h( θ θ f ( θ f ( θ dθ
41 Bayesilaie tilastoaalyysi - tausta, motivoiti ja peruskäsitteet Bayesilaie tilastollie päättely; eustavat jakaumat eekui y o havaittu, sitä koskeva epävarmuus kuvataa reuajakaumalla (a priori eustava jakauma py ( py (, θ dθ py ( θ p( θ dθ θ θ
42 Bayesilaie tilastoaalyysi - tausta, motivoiti ja peruskäsitteet Bayesilaie tilastollie päättely; eustavat jakaumat ku y o havaittu samalaise tai samassa asemassa olevaa, mutta tutematota muuttujaa y* koskeva epävarmuus kuvataa (a posteriori eustavalla jakaumalla p( y* y θ θ θ p( y*, θ p( y* θ, y p( θ p( y* θ p( θ y dθ y dθ y dθ
43 Bayesilaie tilastoaalyysi - tausta, motivoiti ja peruskäsitteet Bayesilaie tilastollie päättely; likelihoodfuktio ku Bayesi kaavaa käytetää edellä esitetyllä tavalla, vaikuttaa havaittu data (y tilastollisee päättelyy aioastaa fuktio p(y θ kautta fuktiota p(y θ kutsutaa likelihood- l. uskottavuusfuktioksi Bayesilaie päättely oudattaa s. likelihoodperiaatetta, joka mukaisesti kaikki todeäköisyysmallit, joilla o (vakiokerroita vaille sama likelihoodfuktio, johtavat samoihi tilastollisii johtopäätöksii
44 Bayesilaie tilastoaalyysi - tausta, motivoiti ja peruskäsitteet Bayesilaie tilastollie päättely; likelihood- ja vedolyötisuhteet (likelihood ratio / odds ratio posterioritiheyksie suhdetta p(θ 1 y/ p(θ 2 y kutsutaa posteriori odds suhteeksi (posterior odds ratio, ja pätee p( θ 1 y p( θ 1 p( y θ 1/ p( y p( θ y p( θ p( y θ / p( y p( θ 1 p( y θ 1 p( θ p( y θ 2 2
45 Bayesilaie tilastoaalyysi - tausta, motivoiti ja peruskäsitteet Bayesilaie tilastollie päättely; likelihood- ja vedolyötisuhteet (likelihood ratio / odds ratio posteriori odds suhde o siis priori odds suhde likelihoodsuhde likelihoodsuhde määritellää kaavalla LR py ( θ 1 py ( θ 2
46 Bayesilaie tilastoaalyysi - tausta, motivoiti ja peruskäsitteet Käyttökelpoisia todeäköisyyslaskea tuloksia yhteisjakaumie esittämie ehdolliste jakaumie avulla (huom! myös graafiset esitykset pu (, u,, u pu ( pu ( u,, u ja i 1 i 2 pu (, u,, u H pu ( H pu ( u,, u, H i 1 i 2 i 1 i 1
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotMat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
Lisätiedot1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
LisätiedotTilastolliset luottamusvälit
Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Bayesläinen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotMat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit
Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Bayeslainen tilastollinen päättely Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy
LisätiedotJohda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.
Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet
LisätiedotEstimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku
Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
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
LisätiedotParametrien oppiminen
38 Parametrie oppimie Tilastollise malli (Bayes-verkko rakee o kiiitetty, se umeeriste parametrie (ehdolliste todeäköisyyksie arvot pyritää määräämää Oletamme havaitoe oleva täydellisiä; s.o., okaise datapistee
LisätiedotEstimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku
Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
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
LisätiedotTilastollinen päättely, 10 op, 4 ov
Tilastollinen päättely, 0 op, 4 ov Arto Luoma Matematiikan, tilastotieteen ja filosofian laitos Tilastotiede 3304 TAMPEREEN YLIOPISTO Syksy 2006 Kirjallisuutta Garthwaite, Jolliffe, Jones Statistical Inference,
LisätiedotSisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.
Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6A
Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi
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
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:
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
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
LisätiedotTilastotieteen kertaus. Kuusinen/Heliövaara 1
Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa
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
LisätiedotBayesilainen päätöksenteko / Bayesian decision theory
Bayesilainen päätöksenteko / Bayesian decision theory Todennäköisyysteoria voidaan perustella ilman päätösteoriaa, mutta vasta päätösteorian avulla siitä on oikeasti hyötyä Todennäköisyyteoriassa tavoitteena
Lisätiedot6.1 Riippumattomat satunnaismuuttujat
Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1
LisätiedotBayesiläinen tilastollinen vaihtelu
Bayesiläinen tilastollinen vaihtelu Janne Pitkäniemi FT, dos. (biometria), joht. til. tiet Suomen Syöpärekisteri Hjelt-instituutti /Helsingin yliopisto Periaatteet Tilastollinen vaihtelu koskee perusjoukon
Lisätiedottilastotieteen kertaus
tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla
LisätiedotLuento 2. Yksiparametrisia malleja. Binomi-malli. Posteriorijakauman esittämisestä. Informatiivisista priorijakaumista. Konjugaattipriori.
Luento 2 Binomi-malli Posteriorijakauman esittämisestä Informatiivisista priorijakaumista Konjugaattipriori Slide 1 Yksiparametrisia malleja Binomi Jacob Bernoulli (1654-1705), Bayes (1702-1761) Normaali
LisätiedotLuku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017
Luku 1 Bayesläiset estimaattorit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 217 1.1 Bayesläiset piste-estimaatit Tarkastellaan datalähdettä, joka tuottaa tiheysfunktion f(x θ) mukaan jakautuneita riippumattomia
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
LisätiedotEX1 EX 2 EX =
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var X,
LisätiedotHY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTL / Matemaattiste tieteide kadiohjelma Todeäköisyyslasketa IIb, syksy 08 Harjoitus 3 Ratkaisuehdotuksia Tehtäväsarja I Olkoot X ja X riippumattomia satuaismuuttujia, joille ja olkoo X EX, EX, var
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
LisätiedotUskottavuusperusteisten luottamusvälien korjaaminen bootstrap-menetelmällä Pro gradu -esitelmä
Uskottavuusperusteisten luottamusvlien korjaaminen bootstrap-menetelmllpro gradu -esitelm p. 1/35 Uskottavuusperusteisten luottamusvälien korjaaminen bootstrap-menetelmällä Pro gradu -esitelmä 29.4.2009
LisätiedotOsa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet
Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä
Lisätiedot4. Todennäköisyyslaskennan kertausta
Sisältö Peruskäsitteet Diskreetit satuaismuuttujat Diskreetit jakaumat (lkm-jakaumat) Jatkuvat satuaismuuttujat Jatkuvat jakaumat (aikajakaumat) Muut satuaismuuttujat lueto04.ppt S-38.45 - Liikeeteoria
Lisätiedot1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI
1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI Edellä esitelty Bayesiläinen luokittelusääntö ( Bayes Decision Theory ) on optimaalinen tapa suorittaa luokittelu, kun luokkien tnjakaumat tunnetaan Käytännössä tnjakaumia
LisätiedotJohdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1
Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II
Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6
LisätiedotTestit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot
TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille
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).
LisätiedotTestit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot
TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
Lisätiedot2. Uskottavuus ja informaatio
2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
Lisätiedot1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI
1. TODENNÄKÖISYYSJAKAUMIEN ESTIMOINTI Edellä esitelty Bayesiläinen luokittelusääntö ( Bayes Decision Theory ) on optimaalinen tapa suorittaa luokittelu, kun luokkien tnjakaumat tunnetaan Käytännössä tnjakaumia
Lisätiedot- voidaan käyttä lisämään tieteellistä ymmärrystä ilmiöstä. - joidenkin havaittavien suureiden vaikutus voi olla paljon suurempi kuin toisten
Viime kerralla Normaalijakauma tunnetulla varianssilla Normaalijakauma tunnetulla keskiarvolla Poisson-mallli Exponentiaalinen malli Slide 1 Cauchy-jakauma Ei-informatiivisista priorijakaumista Bayesilaisen
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotMat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:
Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5A Tilastollisen merkitsevyyden testaus (+ jatkuvan parametrin Bayes-päättely) Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
LisätiedotLuku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017
Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 7.1 Parametriset jakaumat Tarkastellaa tutematota datalähdettä, joka tuottaa toisistaa stokastisesti riippumattomia ja tiheysfuktio
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
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
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
LisätiedotTilastollinen testaus. Vilkkumaa / Kuusinen 1
Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
LisätiedotJohdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotTodennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.
Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.
Lisätiedotpq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489
Perusjoukko ja otos Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Havaitoyksikkö o empiirise mittaukse kohde Perusjoukko o kaikkie havaitoyksiköide muodostama kokoaisuus Otos o perusjoukkoa
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
LisätiedotPikajohdatus bayesilaiseen tilastoanalyysiin ja monimuuttuja-analyysiin
ja monimuuttuja-analyysiin Loppuseminaari: Terveydenhuollon uudet analyysimenetelmät (TERANA) Aki Vehtari AB HELSINKI UNIVERSITY OF TECHNOLOGY Department of Biomedical Engineering and Computational Science
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
Lisätiedotp(θ 1 y) on marginaalijakauma p(θ 1 θ 2, y) on ehdollinen posteriorijakauma Viime kerralla Termejä viime kerralta Marginalisointi Marginaalijakauma
Viime kerralla Marginalisointi Marginaalijakauma Posteriorijakauman faktorointi Ehdollinen posteriorijakauma Slide 1 Posteriorijakaumasta simulointi Normaalijakauma - tuntematon keskiarvo ja varianssi
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
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
LisätiedotBinomi Jacob Bernoulli ( ), Bayes ( ) Normaali de Moivre ( ), Laplace ( ), Gauss ( )
Luento 2 Binomi-malli Posteriorijakauman esittämisestä Informatiivisista priorijakaumista Konjugaattipriori Slide 1 Yksiparametrisia malleja Binomi Jacob Bernoulli (1654-1705), Bayes (1702-1761) Normaali
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
LisätiedotMat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia
Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,
LisätiedotTilastotieteen aihehakemisto
Tilastotieteen aihehakemisto hakusana ARIMA ARMA autokorrelaatio autokovarianssi autoregressiivinen malli Bayes-verkot, alkeet TILS350 Bayes-tilastotiede 2 Bayes-verkot, kausaalitulkinta bootstrap, alkeet
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Ssteemiaalsi laboratorio Mat-2.9 Sovellettu todeäköisslasku A Nordlud Harjoitus 6 (vko 43/23) (Aihe: sekamalli, hteisjakaumia, Laiie luvut 6. 6.3, 8. 8.9). Tässä o edellise viiko laskareissa luvattu
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
LisätiedotBayes-mallinnus siltana teorian ja empiirisen evidenssin välillä
Bayes-mallinnus siltana teorian ja empiirisen evidenssin välillä Antti Penttinen Jyväskylän yliopisto Matematiikan ja tilastotieteen laitos Metodifestivaalit Jyväskylän yliopisto 21.5.2013 Suunnitelma
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
Lisätiedot