2. Uskottavuus ja informaatio
|
|
- Asta Kivelä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 2. Uskottavuus ja informaatio Viimeksi käsittelimme uskottavuusfunktioita, log-uskottavuusfunktioita ja su-estimaatteja Seuraavaksi tarkastelemme parametrin muunnoksia ja kuinka su-estimaatit käyttäytyvät muunnoksissa Sitten rupeamme miettimään, miten aineiston koon kasvun mukanaan tuoma lisätieto voidaan ymmärtää erilaisten informaation käsitteiden avulla.
2 2.3 Su-estimaatin invarianssiominaisuus Toisinaan on tarpeellista parametroida tarkasteltava tilastollinen malli f Y (y; θ) uudelleen jollakin toisella parametrilla φ, joka voi olla esimerkiksi tulkinnallisesti luontevampi kuin parametri θ Su-estimaatin invarianssiominaisuus tarkoittaa, että su-estimaatti käyttäytyy mukavasti parametrin muunnoissa
3 2.3.1 Uudelleenparametrisointi Tarkastellaan tilastollista mallia y f Y (y; θ), θ Ω R d. Tarkastellaan toista tilastollista mallia y fy (y; φ), φ Ω eri parametriavaruudella Ω R d missä g : Ω Ω on bijektio. f Y (y; φ) = f Y(y; g 1 (φ)) Uskottavuusfunktiolla tällöin vastaavuus L (φ) = L(g 1 (φ)), φ Ω
4 2.3.1 Uudelleenparametrisointi Lause Olkoon f Y (y; θ) tilastollinen malli ja Ω sen parametriavaruus. Olkoon g : Ω Ω bijektio. Jos θ on parametrin θ Ω su-estimaatti, niin parametrin φ = g(θ) su-estimaatti on g( θ).
5 2.3.2 kestoikämalli Esimerkissä johdettiin kestoikiä kuvaava malli Y 1,..., Y n Exp(λ) sen uudelleenparametrointi µ = 1/λ. Monisteen tehtävä 2.3:n mukaan λ = 1/y Uudelleenparametrisointilauseen avulla µ = y (otoskeskiarvo). Huom. tämä saatiin siis ilmaiseksi, mitään ei tarvinnut laskea (paitsi tehtävä 2.3. :)
6 2.3.3 Esimerkki: toistopyydysotanta Halutaan estimoida järvessä elävien kalojen kokonaislukumäärä ν pyydystetään, merkitään ja palautetaan takaisin m kalaa merkittyjen kalojen sekoituttua kunnolla, pyydystetään n kalaa ja lasketaan niistä merkittyjen lukumäärä k tätä menetelmää nimitetään toistopyydystysotannaksi (engl. capture-recapture sampling).
7 2.3.3 Esimerkki: toistopyydysotanta Oletus: n on pieni verrattuna kokonaismäärään ν Tällöin voidaan olettaa, että aineistoa k vastaava sm K Bin(n, m/ν) = Bin(n, θ) Tämä on tuttu lamppuesimerkki, joten θ = k/n. Nyt uudelleenparametrisointilauseella ν = m/ θ = mn/k.
8 2.3.4 Parametrin muunnoksen su-estimaatti Invarianssiominaisuus oli todella mukava Entä jos kuvaus g ei olekaan bijektio? Mikä menee pieleen vai meneekö mikään? Osoittautuu, että voimme varsin hyvin laajentaa invarianssiominaisuuden myös muille funktioille, joten sovimme, että g( θ) on parametrin g(θ) su-estimaatti
9 2.3.5 Esimerkki: normaalimallin su-estimaatteja Laskimme esimerkissä normaalimallin (Y 1,..., Y n N(µ, σ 2 ) ) su-estimaatit µ = y = 1 n n y i, i=1 σ 2 = 1 n n (y i y) 2. i=1 Toisen momentin EYi 2 = µ 2 + σ 2 su-estimaatti on äskeisen sopimuksen mukaan µ 2 + σ 2 = 1 n 2 y 2 i. Todennäköisyyden p = P(Y i > 0) su-estimaatti on vastaavasti p = Φ( µ/ σ) missä Φ on standardinormaalijakauman kertymäfunktio
10 2.4 Informaation käsite, tapaus d = 1 Tässä luvussa esittelemme kaksi informaation käsitettä Aluksi esittelemme aineistosta y havaitun informaation j Seuraavaksi esittelemme odotetun informaation eli Fisherin informaation Pohdimme myös hieman mallien vertailua odotetun informaation avulla.
11 2.4.1 Rikkinäiset lamput ja informaatio Tarkastellaan taas mallia Y 1,..., Y n B(θ) aineistoa y = (y 1,..., y n ) vastaa log-uskottavuusfunktio l(θ) = k log θ + (n k) log(1 θ) kun k = y y n ja su-estimaatti on θ = k/n. Kuinka otoskoko n vaikuttaa päättelyyn ja kuinka tätä lisätietoa voitaisiin mitata? Tarkastellaan normitettua log-uskottavuusfunktiota l 0 (θ) = l(θ) l( θ)
12 2.4.1 Rikkinäiset lamput ja informaatio
13 2.4.1 Rikkinäiset lamput ja informaatio
14 2.4.1 Rikkinäiset lamput ja informaatio
15 2.4.1 Rikkinäiset lamput ja informaatio
16 2.4.1 Rikkinäiset lamput ja informaatio
17 2.4.1 Rikkinäiset lamput ja informaatio
18 2.4.1 Rikkinäiset lamput ja informaatio
19 2.4.1 Rikkinäiset lamput ja informaatio
20 2.4.1 Rikkinäiset lamput ja informaatio
21 2.4.1 Rikkinäiset lamput ja informaatio
22 2.4.1 Rikkinäiset lamput ja informaatio
23 2.4.1 Rikkinäiset lamput ja informaatio
24 Käytös su-estimaatin lähellä Taylorin kehitelmä kertoo l(θ; y) l( θ; y) + l ( θ; y)(θ θ) l ( θ; y)(θ θ) 2 Koska aina l ( θ; y) = 0, θ = 1 10 ja tässä l n ( θ; y) = θ(1 θ) Siispä l 0 (θ) 50n 2 9 (θ θ)
25 2.4.2 Havaitun informaation määritelmä Edellisen esimerkin motivoimana määrittelemme havaitun informaation käsitteen. Tarkastelemme tilastollista mallia f Y (y; θ), θ Ω R Oletus: log-uskottavuusfunktio l on kahdesti derivoituva Määritelmä Aineistosta y havaittu informaatio on j(θ; y) = l (θ; y), θ Ω. Huom. Pääasiassa kiinnitetään huomiota havaittuun informaatioon vain su-pisteessä θ.
26 2.4.3 Esimerkki: normaalimallin havaittu informaatio Tarkastellaan taas Y 1,..., Y n N(µ, σ0 2) kun varianssi σ0 2 > 0 on tunnettu sen log-uskottavuusfunktio on l(µ) = n 2σ0 2 (y µ) 2 ja siispä havaittu informaatio on j(µ; y) = l (µ; y) = n σ 2 0 informaatio kasvaa, kun n kasvaa ja vähenee kun varianssi kasvaa
27 log-uskottavuusfunktion normaaliapproksimaatio normaalimallin normitettu log-uskottavuusfunktio on toisen asteen polynomi l 0 (µ) = 1 2j(µ; y)(y µ)2 yleisemmin voimassa olevaa approksimaatiota l 0 (θ) 1 2 j(θ; y)( θ θ) 2 nimitetäänkin tämän takia log-uskottavuusfunktion normaaliapproksimaatioksi Tätä käytämme myöhemmin asymptoottisen päättelyn teorian kehittelyssä.
28 2.4.4 Fisherin informaatio Määritelmä Fisherin informaatio on odotettu informaatio eli odotusarvo ι(θ) = E θ j(θ; Y) = E θ ( l (θ; Y)), θ Ω. Fisherin informaation toistokoetulkinta on siis havaittujen informaatioiden keskiarvo toistetussa aineistonkeruussa. Havaittu informaatio riippuu aina aineistosta y, mutta Fisherin informaatio vain tilastollisesta mallista.
29 2.4.5 Fisherin informaatio lampputoistokokeessa Tarkastellaan taas mallia Y 1,..., Y n B(θ) Aineistosta havaittu informaatio on j(θ; y) = l (θ; y) = k θ 2 + n k (1 θ) 2 havaittu informaatio su-estimaatissa θ = k/n, kun k = y y n, on j( θ; y) = n θ(1 θ) Koska K Bin(n, θ), niin EK = nθ ja Fisherin informaatio ι(θ) = Ej(θ; Y) = n θ(1 θ).
30 Fisherin informaatio ja mallien vertailu Fisherin informaatiolla on varsin syvällinen rooli päättelyn teoriassa (tästä lisää myöhemmin, mutta se tulee vastaan kaikkialla :) Koska Fisherin informaatio ι(θ) on laskettavissa jo ennen kuin aineistonkeruuta on edes suoritettu, voi sitä käyttää myös koesuunnittelun apuna
31 informaatio ja mallien vertailu Eräästä geenistä on olemassa alleelit r ja R, jolloin populaatio jakautuu genotyyppeihin rr, rr ja RR Hardyn Weinbergin laki: suhteelliset osuudet θ 2, 2θ(1 θ) ja (1 θ) 2 kaksi vaihtoehtoista koeasetelmaa parametrin θ (0, 1) estimointiin Koetapa A Poimitaan n yksilön otos ja testataan kunkin genotyyppi. Aineisto y = (y 1, y 2, y 3 ) kunkin genotyypin lukumäärä. Koetapa B Poimitaan 3n yksilön otos (halvempi testi) Aineisto k = genotyypin rr lkm
32 informaatio ja mallien vertailu Kumpaa koejärjestelyistä (A vai B) kannattaisi tutkimuksessa käyttää? Fisherin informaatio kertoo vastauksen :) joten lasketaan kumpaankin malliin liittyvä Fisherin informaatio ι A (θ) ja ι B (θ)
33 Koejärjestelyn A Fisherin informaatio aineistoa vastaava satunnaisvektori Y = (Y 1, Y 2, Y 3 ) noudattaa multinomijakaumaa P(Y 1 = y 1, Y 2 = y 2, Y 3 = y 3 ) = c(y)θ 2y 1+y 2 (1 θ) 2y 3+y 2 Siispä log-uskottavuusfunktio on l A (θ) = (2y 1 + y 2 ) log θ + (2y 3 + y 2 ) log(1 θ) ja Fisherin informaatio ι A (θ) = E( l A (θ)) = = 2n θ(1 θ)
34 Koejärjestelyn B Fisherin informaatio aineistoa k havaitaan satunnaismuuttuja K Bin(3n, θ 2 ). Siispä log-uskottavuusfunktio on l B (θ) = 2k log θ + (3n k) ( log(1 + θ) + log(1 θ) ). ja Fisherin informaatio ι B (θ) = E( l B (θ)) = = 12n (1 θ)(1 + θ)
35 Koejärjestelyjen Fisherin informaatiot kuvana
36 Koejärjestelyjen Fisherin informaatiot kuvana
37 Koejärjestelyjen Fisherin informaatiot kuvana
38 2.5 Pistemäärä ja säännölliset mallit, kun d = 1 log-uskottavuusfunktion ensimmäisellä derivaatalla, ns. pistemäärällä, on syvällisempikin teoreettinen merkitys Esittelemme pistemäärän jälkeen säännölliset mallit ja sitten todistamme pistemäärän ja Fisherin informaation välisen yhteyden
39 2.5.1 Pistemääräfunktio Tarkastellaan mallia f Y (y; θ), parametriavaruus on Ω R (avoin väli tyypillisesti) Oletus: uskottavuusfunktio L derivoituva Ω:ssa kaikilla y Määritelmä Aineistoon y liittyvä pistemäärä tai pistemääräfunktio (engl. score, score function) on log-uskottavuusfunktion ensimmäinen derivaatta l (θ) = l (θ; y) = θf Y (y; θ) f Y (y; θ).
40 2.5.2 Säännölliset mallit Määritelmä Jatkuva malli f Y (y; θ) on säännöllinen, jos SEOV: a) jakauman kantaja (tai alusta) A = { y ; f Y (y; θ) > 0 } ei riipu parametrista θ b) θ f Y (y; θ) on kaksi kertaa jatkuvasti derivoituva jokaisella y, c) kun T = t(y) on tunnusluku ja E θ T on olemassa θ, pätee θ E θt = t(y) θ f Y(y; θ)dy A d) ja 2 E θ 2 θ 1 = 2 f θ 2 Y (y; θ)dy A
41 2.5.2 Säännölliset mallit Määritelmä Diskreetti malli f Y (y; θ) on säännöllinen, jos SEOV: a) jakauman kantaja (tai alusta) A = { y ; f Y (y; θ) > 0 } ei riipu parametrista θ b) θ f Y (y; θ) on kaksi kertaa jatkuvasti derivoituva jokaisella y, c) kun T = t(y) on tunnusluku ja E θ T on olemassa θ, pätee θ E θt = A t(y) θ f Y(y; θ) d) ja 2 θ 2 E θ 1 = A 2 θ 2 f Y (y; θ)
42 2.5.2 Säännöllisistä malliesta kurssilla yleensä oletetaan, että tarkasteltavat mallit ovat riittävän säännöllisiä säännöllisiä malleja: eksponenttiperheen jakaumiin pohjautuvat mallit: mm. Bernoulli-, binomi-, Poisson-, normaali-, gamma- ja eksponenttijakaumat ei-säännöllinen malli: esimerkiksi otos jakaumasta Tas(0, θ) kun t(y) = 1, niin c) ja d) kertovat että uskottavuusfunktion ensimmäisen sekä toisen derivaatan integraalit häviävät
43 2.5.3 Pistemäärän odotusarvosta ja varianssista Apulause Olkoon f Y (y; θ) säännöllinen tilastollinen malli ja l sen log-uskottavuusfunktio. Tällöin a) pistemäärää vastaavan sm l (θ; Y) odotusarvo on nolla, E θ ( l (θ; Y) ) = 0 b) ja toinen momentti (nyt varianssi) on Fisherin informaatio E θ (l (θ; Y) 2 ) = var θ l (θ; Y) = ι(θ).
44 Fisherin informaation määritelmästä Usein Fisherin informaatio määritellään kuten apulauseen b)-kohdassa eli ι(θ) = var θ l (θ; Y) Käytännön laskuissa kurssin määritelmä ι(θ) = E θ l (θ; Y) johtaa usein helpompiin laskuihin. Tulos ι(θ) = var θ l (θ; Y) on tärkeä teoreettisesti (palaamme tähän myöhemmin)
45 2.6 Informaatio ja pistemäärä, kun d > 1 Olemme tutustuneet käsitteisiin kun d = 1, eli θ = θ Lisätään isompaa silmään ja esitellään sama kun d > 1 eli θ = (θ 1,..., θ d )
46 2.6.1 Informaatiokäsitteet Tarkastelemme tilastollista mallia f Y (y; θ), θ Ω R d Oletus: vektorimuuttujan log-uskottavuusfunktio l(θ) on kahdesti jatkuvasti derivoituva Määritelmä Aineistosta y havaittu informaatio on d d -matriisi (eli vanha tuttu Hessen matriisi 1) ( ) ( ) j(θ; y) = j a,b (θ; y) = 2 a,b θ a θ b l(θ; y) a,b kun θ Ω.
47 2.6.1 Informaatiokäsitteet Kun aineistosta havaittu informaatio on määritelty, on Fisherin informaatio helppo määritellä Määritelmä Fisherin informaatio on odotettu informaatio eli d d-odotusarvomatriisi ( ( ) ι(θ) = E θ j(θ; Y) = ι a,b (θ) )a,b = E 2 θ θ a θ b l(θ; Y) kun θ Ω. Huom Sekä havaittu informaatio j että Fisherin informaatio ι ovat symmetrisiä matriiseja a,b
48 2.6.2 Parametrien ortogonaalisuus Määritelmä Jos θ voidaan jakaa osiin φ ja λ ja ι a,b (θ) = 0, θ Ω aina kun θ a kuuluu osaan φ ja θ b kuuluu osaa λ, niin osia φ ja λ sanotaan ortogonaalisiksi Ääritapauksessa, kun ι(θ) on diagonaalimatriisi ovat kaikki parametrin osat ortogonaalisia. Ortogonaalisuus on hyödyllistä: päätelmät toisesta osasta eivät vaikuta toisen osan päätelmiin (eräässä mielessä)
49 2.6.3 Esimerkki: informaatio normaalimallissa Normaalimallissa Y 1,..., Y n N(µ, σ 2 ) Normaalimallin log-uskottavuusfunktion määräsimme aiemmin l(θ) = n 2 log(σ2 ) 1 2σ 2 ( (n 1)s 2 + n(y µ) 2)
50 2.6.3 Esimerkki: informaatio normaalimallissa havaittu informaatio j(µ, σ 2 ; y) = ( n/σ 2 n(µ y)/σ 4 ) n(µ y)/σ 4 n/2σ 4 + ( (n 1)s 2 + n(µ y) 2) /σ 6 Fisherin informaatio puolestaan on ( ) ι(µ, σ 2 n/σ 2 0 ) = 0 n/2σ 4 (vertaa tätä havaittuun informaatioon su-pisteessä!) parametrit µ ja σ 2 ovat siis ortogonaaliset
51 2.6.4 Pistemäärä ja säännölliset mallit Pistemäärän yleistäminen on suoraviivaista :) Määritelmä Aineistoon y liittyvä pistemäärä(funktio) on log-uskottavuusfunktion gradientti ( ) l(θ) = θ 1 l(θ; y),..., θ d l(θ; y).
52 2.6.4 Pistemäärä ja säännölliset mallit Säännöliset mallit yleistetään samalla suoraviivaisella periaatteella Fisherin informaation ja pistemäärän yhteyskin voidaan säännöllisille malleille yleistää vastaavasti tilanteeseen d > 1 tiedetään siis että pistemäärän odotusarvovektori on nollavektori E θ l(θ; Y) = 0 ja vastaavasti Fisherin informaatio on pistemäärän kovarianssimatriisi Cov θ ( l(θ; Y) ) = ι(θ)
53 Ortogonaalisuus ja korreloimattomuus Koska Fisherin informaatio vastasi pistemäärän kovarianssimatriisia, niin parametrin komponettien ortogonaalisuus voidana ymmärtää vastaavien pistemäärän komponenttien korreloimattomuutena
54 Ensi viikolla Tähän mennessä olemme tarkastelleet estimointia su-estimoinnin kautta. Ensi viikolla rupeamme mietimään kysymyksiä: a) Millaisia muita menetelmiä on konstruoida estimaatteja? b) Mitä tarkoittaa, että estimaatti on hyvä? Millä kriteereillä estimaattien hyvyyttä mitataan? Mikä on optimaalinen estimaatti? c) Onko su-menetelmä hyvä tai jopa optimaalinen estimointimenetelmä?
55 3.2.1 Määritelmät Tarkastellaan tilastollista mallia f Y (y; θ), jonka parametriavaruus on Ω R d. Määritelmä Funktion g(θ) estimaattori T = t(y) on harhaton (engl. unbiased), jos on voimassa E θ T = g(θ) kaikilla θ Ω. Muutoin T on harhainen (engl. biased) ja sen harha (engl. bias) on on nollasta eroava jollain θ Θ. b(θ) = E θ T g(θ)
3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
LisätiedotTässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:
4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä
Lisätiedot2. Uskottavuus ja informaatio
2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
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
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 2A
Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten
Lisätiedot6.1.2 Luottamusjoukon määritelmä
6.1.1 Johdanto Olemme tarkastelleet piste-estimointia: tavoitteemme oli etsiä tunnuslukuja t, joilla piste t(y) hyvä arvio mallin parametrille θ (tai sen muunnokselle g(θ)). Pelkän piste-estimaatin esittäminen
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
Lisätiedot5 Hypoteesien testaaminen
5 Hypoteesien testaaminen Seuraavaksi tutustumme tilastollisiin testeihin ja niihin liittyviin peruskäsitteisiin Esittelemme aluksi hypoteesit sekä testisuureet ja puhumme p-arvosta (eli havaitusta merkitsevyystasosta)
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
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 14..2017 Ratkaisuehdotuksia 1. Olkoon θ positiivinen parametri, ja asetetaan 2θ 1 y exp y 2 /θ), kun y > 0 fy; θ) = 0, muuten
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
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
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 1A
Tilastollinen päättely II, kevät 207 Harjoitus A Heikki Korpela 23. tammikuuta 207 Tehtävä. Kertausta todennäköisyyslaskennasta. Ilmoita satunnaismuuttujan Y jakauman nimi ja pistetodennäköisyys- tai tiheysfunktio
Lisätiedot5 Hypoteesien testaaminen
5 Hypoteesien testaaminen Seuraavaksi tutustumme tilastollisiin testeihin ja niihin liittyviin peruskäsitteisiin Esittelemme aluksi hypoteesit sekä testisuureet ja puhumme p-arvosta (eli havaitusta merkitsevyystasosta)
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
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia Tehtäväsarja I 1. Jatkoa Harjoitus 8A tehtävään 3. Muodosta odotusarvolle µ approksimatiivinen
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
Lisätiedot11 Raja-arvolauseita ja approksimaatioita
11 Raja-arvolauseita ja approksimaatioita Tässä luvussa esitellään sellaisia kuuluisia todennäköisyysteorian raja-arvolauseita, joita sovelletaan usein tilastollisessa päättelyssä. Näiden raja-arvolauseiden
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
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
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
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
LisätiedotGripenberg. 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,
LisätiedotPelaisitko seuraavaa peliä?
Lisätehtävä 1 seuraavassa on esitetty eräs peli, joka voidaan mallintaa paramterisena tilastollisena mallina tehtävänä on selvittää, kuinka peli toimii ja näyttää mallin takana oleva apulause (Tehtävä
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan
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 Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
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
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:
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
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).
LisätiedotUskottavuuden ominaisuuksia
Luku 9 Uskottavuuden ominaisuuksia 9.1 Tyhjentävyys T yhjentävyys (Fisher 1922) luonnehtii täsmällisesti havaintoihin sisältyvän informaation kvantitatiivisesti. Parametrin θ estimaatti T(x) on tyhjentävä
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
LisätiedotYleistä tietoa kokeesta
Yleistä tietoa kokeesta Kurssikoe järjestetään maanantai 7.5. klo 12-15 jossakin Exactumin auditorioista. Korvaava kurssikoe keskiviikkona (yleisenä tenttipäivänä) 11.4. klo 16-19 jossakin Exactumin auditorioista.
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
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
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
LisätiedotMTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)
21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.
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
Lisätiedot806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.
806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ
LisätiedotKertausluento. Tilastollinen päättely II - 1. kurssikoe
Kertausluento Tilastollinen päättely II - 1. kurssikoe Yleistä tietoa TP II -1. kurssikokeesta 1. Kurssikoe on to 7.3 klo 12.00-14.30 (jossakin Exactumin auditorioista, salijako selvinnee tuolloin torstiana).
Lisätiedot9. laskuharjoituskierros, vko 12-13, ratkaisut
9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
Lisätiedotη i (θ)t i (x) A(θ) + c(x),
288 Luku 10. Perusmallit ja niiden sovelluksia muotoa (10.9.1) log f θ (x) = p η i (θ)t i (x) A(θ) + c(x), i=1 missä θ = (θ 1,...,θ p ) ja A(θ), c(x), η i (θ) ja T i (x) ovat tunnettuja funktioita. Lisäksi
LisätiedotTutkimustiedonhallinnan peruskurssi
Tutkimustiedonhallinnan peruskurssi Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo hannu.toivonen, marko.salmenkivi, inkeri.verkamo@cs.helsinki.fi Helsingin yliopisto Hannu Toivonen, Marko Salmenkivi,
LisätiedotTeema 8: Parametrien estimointi ja luottamusvälit
Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
LisätiedotEstimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio
17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla
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
LisätiedotTilastollisen päättelyn kurssi
Pekka Nieminen Pentti Saikkonen Tilastollisen päättelyn kurssi Helsingin yliopisto Matematiikan ja tilastotieteen laitos 2013 1. laitos 2004 2. laitos 2005 3. laitos 2006, korjattu 2007, 2009 ja 2013 http://www.iki.fi/pjniemin/paattely.pdf
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 28. syyskuuta 2007 Antti Rasila () TodB 28. syyskuuta 2007 1 / 20 1 Jatkoa diskreeteille jakaumille Negatiivinen binomijakauma Poisson-jakauma Diskreettien
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedot5. laskuharjoituskierros, vko 8, ratkaisut
Mat-.09 Sovellettu todennäköisyyslasku, kevät -05 5. laskuharjoituskierros, vko 8, ratkaisut D. Eräässä maata kiertävällä radalla olevassa satelliitissa on ilmaisin, jonka elinikä X yksikkönä vuosi noudattaa
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
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
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
Lisätiedot4.1. 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
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
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
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
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
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)
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 2 Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden
LisätiedotIlkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä
Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä TKK (c) Ilkka Mellin (2007) 1 Suurimman uskottavuuden menetelmä >> Suurimman uskottavuuden estimointimenetelmä Tarkentuvuus Asymptoottinen
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4B Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
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
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotSovellettu 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
LisätiedotKertausluento. Tilastollinen päättely II - 2. kurssikoe
Kertausluento Tilastollinen päättely II - 2. kurssikoe Yleistä tietoa TP II -2. kurssikokeesta 2. kurssikoe maanantaina 6.5.2019 klo 12.00-14.30 jossakin Exactumin auditoriossa Kurssikokeeseen ilmoittaudutaan
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 18. lokakuuta 2007 Antti Rasila () TodB 18. lokakuuta 2007 1 / 19 1 Tilastollinen aineisto 2 Tilastollinen malli Yksinkertainen satunnaisotos 3 Otostunnusluvut
LisätiedotOtoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden
1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 4
031021P Tilastomatematiikka (5 op) viikko 4 Jukka Kemppainen Mathematics Division Tilastollinen aineisto Tilastolliset menetelmät ovat eräs keino tutkia numeerista havaintoaineistoa todennäköisyyslaskentaa
Lisätiedot10 Moniulotteinen normaalijakauma
10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
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
LisätiedotAalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 017 Laskuharjoitus 4, Kotitehtävien palautus Mycourses:iin PDF-tiedostona
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
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
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
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
Lisätiedotriippumattomia ja noudattavat samaa jakaumaa.
12.11.2015/1 MTTTP5, luento 12.11.2015 Luku 4 Satunnaisotos, otossuure ja otosjakauma 4.1. Satunnaisotos X 1, X 2,, X n on satunnaisotos, jos X i :t ovat riippumattomia ja noudattavat samaa jakaumaa. Sanonta
Lisätiedot/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2
LisätiedotLause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.
Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
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
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
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