Mat Tilastollisen analyysin perusteet, kevät 2007
|
|
- Santeri Honkanen
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Mat Tlastollsen analyysn perusteet, kevät luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen
2 Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä rppuvuuksa Työttömyysasteen rppuvuus BKT kasvuvauhdsta Suomessa, Suomen vennn volyymsta, vaallupaukssta, yms. Alkoholn kulutuksen rppuvuus hntatasosta, hmsten tulosta, alkoholn saatavuudesta, varotuslapusta, yms. Keuhkosyövän todennäkösyyden rppuvuus tupakonnn määrästä ja kestosta Yhden muuttujan tlastollset menetelmät kuvaavat rajottuneest lmötä Mten kuvataan ja mallnnetaan kahden ta useamman muuttujan välsä rppuvuuksa? Ka Vrtanen 2
3 Tlastollnen rppuvuus, korrelaato ja regresso Kahden muuttujan välnen eksakt rppuvuus: tosen arvot vodaan ennustaa tarkast tosen saamen arvojen perusteella Kahden muuttujan välnen tlastollnen rppuvuus: tosen arvoja vodaan käyttää apuna tosen arvojen ennustamsessa Tlastollsta rppuvuutta kutsutaan korrelaatoks Korrelaaton vomakkuutta mttaavat tunnusluvut korrelaatokertomet Regressoanalyys: seltettävän muuttujan tlastollsen rppuvuuden mall selttävstä muuttujsta Ka Vrtanen 3
4 Mat Tlastollsen analyysn perusteet, kevät luento: Kahden muuttujan havantoaneston kuvaamnen Ka Vrtanen 4
5 Pstedagramm Havantoja kahdesta järjestys-, välmatka- ta suhdeastekollsesta muuttujasta Havantoanestoa kuvataan graafsest pstedagrammlla Hooken lak: jousen ptuus rppuu lneaarsest jouseen rpustetusta panosta Tulokset kokeesta, jossa jouseen rpustettn 6 er panoa Perytyykö sän ptuus hedän pojlleen? Yhtä ptkllä sllä näyttää olevan monen mttasa poka Lyhyllä sllä näyttää olevan keskmäärn lyhyempä poka kun ptkllä sllä ja pänvaston Jousen ptuus (cm) Kerrejousen ptuuden rppuvuus jouseen rpustetusta panosta S42.50 ysteemanalyysn Pano (kg) Pojan ptuus (cm) Isen ja poken ptuudet Ka Vrtanen 5 Isän ptuus (cm)
6 Tunnusluvut Kahden välmatka- ta suhdeastekollsen muuttujan havantoarvojen muodostamaa jakaumaa karaktersovat tunnusluvut: Havantoarvojen keskmääränen sjant artmeettnen keskarvo x n x + x2 + L+ xn x n = n = = Havantoarvojen hajaantunesuus (otos)varanss n 2 sx = x x n = n 2 = ( ) ( ) 2 Havantoarvojen hajaantunesuus (otos)keskhajonta sx x x n = Havantoarvojen lneaarnen rppuvuus otoskovaranss ta otoskorrelaatokerron Ka Vrtanen 6
7 Otoskovaranss Havantoarvosta (x, y ), =, 2,, n laskettu otoskovaranss: n s = x x y y ( )( ) xy n = jossa x = x-havantoarvojen artmeettnen keskarvo y = y-havantoarvojen artmeettnen keskarvo x- ja y-havantoarvojen otoskovaransst tsensä kanssa varansst: s s xx yy = = s s 2 x 2 y Ka Vrtanen 7
8 Otoskovaranssn merkn määräytymnen Otoskovaranssn s xy merkn määrää summalauseke ( x x )( y y ) Otoskovaranss saa postvsa (negatvsa) arvoja, jos havantopsteden muodostama psteparv nouseva (laskeva) ( x x )( y y ) 0 ( x x )( y y ) 0 ( x, y ) ( x, y ) ( x, y ) ( x x )( y y ) 0 ( x x )( y y ) 0 ( x, y ) ( x, y ) Ka Vrtanen 8
9 Pearsonn otoskorrelaatokerron x- ja y-havantoarvojen lneaarsen tlastollsen rppuvuuden vomakkuuden mttar: Pearsonn otoskorrelaatokerron r xy = jossa s xy s x xy s s s x ja s y ja x y y r xy = = = otoskovaranss = keskhajonnat = artmeettset keskarvot n ( x x)( y y) n n 2 2 ( x x) ( y y) = = Ka Vrtanen 9
10 Otoskorrelaatokertomen omnasuuksa () r + () r xy xy =±, jos ja van jos y = α + β x jossa α ja β ovat reaalsa vakota ja β 0. () Korrelaatokertomella rxy ja kovaransslla on ana sama merkk. r xy = ± => eksakt el funktonaalnen lneaarnen rppuvuus => havantopsteet suoralla r xy = 0 => e eksakta ekä tlastollsta lneaarsta rppuvuutta Vakka r xy = 0, havantoarvojen välllä saattaa slt olla jopa eksakt epälneaarnen rppuvuus s xy Ka Vrtanen 0
11 Esmerkkejä otoskorrelaatokertomesta r xy = 0.8 r xy = 0.62 r xy = 0.48 r xy = 0.43 r xy = 0.83 r xy = Ka Vrtanen
12 Mat Tlastollsen analyysn perusteet, kevät luento: Pearsonn korrelaatokertomen estmont ja testaus Ka Vrtanen 2
13 Korrelaaton estmont ja testaus Kaks välmatka- ta suhdeastekollsta satunnasmuuttujaa X ja Y oletus: X ja Y noudattavat 2-ulottesta normaaljakaumaa tuntemattomat parametrt: odotusarvot, varansst ja korrelaatokerron Pearsonn korrelaatokertomen estmont ja luottamusväl normaaljakauman tuntemattoman korrelaatokerronparametrn estmont vrt. yksulottesn normaaljakauman odotusarvon ja varanssn estmont Yhden otoksen test korrelaatokertomelle korrelaatokertomen vertaamnen vakoon Korrelaatokertomen vertalutest kaks tosstaan rppumatonta satunnasotosta korrelaatokertomen vertaamnen Korrelomattomuuden testaamnen yks satunnasotos korrelaatokertomen vertaamnen nollaan Ka Vrtanen 3
14 Satunnasmuuttujen korrelaato Satunnasmuuttujat X ja Y Odotusarvot Varansst Kovaranss µ µ E( X ) E( Y ) Korrelaato ρ = Cor(X, Y) X Y = = σ = Var( X ) = D ( X ) = E[( X µ ) ] X X σ = Var( Y ) = D ( Y ) = E[( Y µ ) ] Y Y σ = Cov( X, Y ) = E[( X µ )( Y µ )] ρ X Y σ = Cor( X, Y ) = σ σ Satunnasmuuttujen korrelaatota kutsutaan tavallsest Pearsonn (tulomomentt)korrelaatokertomeks Korrelaatokerron mttaa satunnasmuuttujen X ja Y lneaarsen rppuvuuden vomakkuutta X Y Ka Vrtanen 4
15 Korrelaatokertomen estmont Oletetaan, että satunnasmuuttujat X ja Y noudattavat 2-ulottesta normaaljakaumaa N 2 (µ X, µ Y, σ X 2, σ Y 2, ρ ), Olkoon rppumaton satunnasotos satunnasmuuttujen X ja Y jakaumasta Satunnasmuuttujen X ja Y korrelaatokerron estmodaan otoskorrelaatokertomella ( X, Y ), =, 2, K, n ρ r σ = Cor( X, Y ) = σ σ = s s s X Y X Y Ka Vrtanen 5
16 Korrelaatokertomen luottamusväl Korrelaatokertomelle ρ vodaan konstruoda luottamusväl ja testt samassa hengessä (Fshern z-muunnos) kun luottamusväl ja testt konstruodaan normaaljakauman odotusarvolle Approksmatvseks luottamusvälks (lb, ub) saadaan (jee, jee) lb = ( α / 2 ) ( α / 2 ) ( + r ) ( r )exp + 2z n 3 ( + r ) + ( r )exp + 2z n 3 ub = ( α / 2 ) ( α / 2 ) ( + r ) ( r )exp 2z n 3 ( + r ) + ( r )exp 2z n 3 Nyt luottamustaso on α ja ( lb ρ ub) Pr = α Luottamusväl pettää korrelaatokertomenρ okean arvon todennäkösyydellä ( α) ja se e petä okeata arvoa todennäkösyydelläα a Ka Vrtanen 6
17 Yhden otoksen test korrelaatokertomelle, hypoteest Korrelaatokertomen vertaamnen annettuun vakoon Ylenen hypotees H : () () H : ρ Satunnasmuuttujen X ja Y par noudattaa 2-ulottesta normaaljakaumaa Rppumaton satunnasotos ( X, Y ), =, 2, K, n Nollahypotees H 0 : H : ρ = ρ 0 0 Vahtoehtonen hypotees H : H : ρ > ρ 0 -suuntaset vahtoehtoset hypoteest H : ρ < ρ 0 2-suuntanen vahtoehtonen hypotees ρ 0 Ka Vrtanen 7
18 Yhden otoksen test korrelaatokertomelle, testsuure ja p-arvo Testsuure v = + r + ρ log 2 r 2 n 3 0 log ρ 0 H 0 ok => testsuure noudattaa approksmatvsest standardotua normaaljakaumaa Testsuureen normaalarvo = 0 Suuret testsuureen arvot => nollahypotees e päde p-arvo pen => H 0 hylkyyn Ka Vrtanen 8
19 Korrelaatokertomen vertalutest, hypoteest Kahden korrelaatokertomen vertaamnen Ylenen hypotees H : Kaks tosstaan rppumatonta satunnasotosta perusjoukosta, jotka noudattavat 2-ulottesa normaaljakauma, korrelaatokertomet ρ ja ρ 2 Nollahypotees H 0 : H 0 : ρ = ρ 2 = ρ 0 Vahtoehtonen hypotees H : H : ρ > ρ 2 H : ρ < ρ 2 H : ρ ρ 2 -suuntaset vahtoehtoset hypoteest 2-suuntanen vahtoehtonen hypotees Ka Vrtanen 9
20 Korrelaatokertomen vertalutest, testsuure ja p-arvo Testsuure v = + r + r log log r r 2 n + 3 n 3 2 jossa n, n 2 otoskoot ja r, r 2 otoskorrelaatokertomet Testsuureen normaalarvo = 0 H 0 ok => testsuure approksmatvsest normaaljakautunut tsesarvoltaan penet testsuureen arvot suur p-arvo Ka Vrtanen 20
21 Korrelomattomuuden testaamnen, hypoteest Ovatko satunnasmuuttujat X ja Y korrelomattoma va e? Huom : Korrelomattomuudesta e välttämättä seuraa rppumattomuus, vakka rppumattomuudesta seuraa ana korrelomattomuus!!!!!! Huom 2: X ja Y noudattavat 2-ulottesta normaaljakaumaa => korrelomattomuus rppumattomuus Ylenen hypotees H : X ja Y noudattaa 2-ulottesta normaaljakaumaa rppumaton satunnasotos ( X, Y ), =, 2, K, n Nollahypotees H 0 : H 0 : ρ = 0 Vahtoehtonen hypotees H : H : ρ > 0 -suuntaset vahtoehtoset hypoteest H : ρ < 0 H : ρ 0 2-suuntanen vahtoehtonen hypotees Ka Vrtanen 2
22 Korrelomattomuuden testaamnen, testsuure ja p-arvo T-testsuure H 0 ok => t = n testsuure noudattaa Studentn t-jakaumaa vapausasten n-2 testsuureen normaalarvo = 0 penet testsuureen arvot r 2 r 2 p-arvo pen => nollahypotees hylkyyn Ka Vrtanen 22
23 Mat Tlastollsen analyysn perusteet, kevät luento: Järjestyskorrelaatokertomet Ka Vrtanen 23
24 Spearmann järjestyskorrelaatokerron Myös järjestysastekollslle muuttujlle on korrelaatokertoma ja korrelomattomuuden testejä ok myös välmatka- ja suhdeastekollslle muuttujlle vrt. keskarvo ja medaan sekä nähn lttyvät testt Spearmann järjestyskorrelaatokerron kahden muuttujan havantoarvojen suuruusjärjestyksen yhteensopvuus kahden muuttujan välsen lneaarsen tlastollsen rppuvuuden vomakkuus ja suunta e jakaumaoletusta => e-parametrnen test Ka Vrtanen 24
25 Spearmann järjestyskorrelaatokerron, määrtelmä /2 Olkoot X ja Y j satunnasmuuttujen X ja Y havattuja arvoja Oletetaan, että havannot X ja Y lttyvät samaan havantoykskköön kaklle Järjestetään sekä X- että Y-muuttujan havatut arvot suuruusjärjestykseen penmmästä suurmpaan Ltetään sekä X- että Y-muuttujan havattuhn arvohn nden suuruusjärjestyksen mukaset rankt: R(X ) R(Y ) = havannon X rank parssa = havannon Y rank parssa sekä määrtellään erotukset D = R(X ) R(Y ) Ka Vrtanen 25
26 Spearmann järjestyskorrelaatokerron, määrtelmä 2/2 Spearmann järjestyskorrelaatokerron ρ S el Spearmann rho = 6 = ρ S 3 Spearmann järjestyskorrelaatokerron = Pearsonn otoskorrelaatokerron ranken paresta (R(X ), R(Y )) n n D n 2 Ka Vrtanen 26
27 Spearmann järjestyskorrelaatokertomen omnasuudet ρ S + Muuttujen X ja Y rankt ovat jokasessa havantoparssa samat => ρ S = + Muuttujen X ja Y rankt lttyvät tosnsa täysn satunnasest => ρ S 0, => muuttujat korrelomattoma Sekä suuret että penet muuttujen X ja Y rankt lttyvät havantoparessa tosnsa => ρ S saa postvsa arvoja Suuret ja penet muuttujen X ja Y rankt lttyvät havantoparessa tosnsa => ρ S saa negatvsa arvoja Ka Vrtanen 27
28 Spearmann järjestyskorrelaatokerron, korrelomattomuuden testaamnen H 0 : Cor( X, Y ) = 0 Testsuure ρ S 2 ρ H 0 ok => testsuure suurssa otoksssa approksmatvsest normaaljakautunut approksmaato on melko hyvä, kun n > 0 ja rttävä, kun n > 30 Testsuureen normaalarvo = 0 z = n Itsesarvoltaan suuret testsuureen arvot => H 0 e päde Nollahypotees hylkyyn, jos p-arvo on kylln pen 2 S Ka Vrtanen 28
Muuttujien välisten riippuvuuksien analysointi
Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus
LisätiedotTilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot
TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet
LisätiedotMat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:
Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tlastollsen analyysn perusteet, evät 007. luento: Johdatus varanssanalyysn S ysteemanalyysn Laboratoro Ka Vrtanen Kertaus: ahden rppumattoman otosen t-test () () Perusjouo oostuu ahdesta ryhmästä
LisätiedotTilastollinen riippuvuus ja korrelaatio
Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame
Lisätiedot3.5 Generoivat funktiot ja momentit
3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paper -harjotukset Tana Lehtnen 8.8.07 Tana I Lehtnen Helsngn ylopsto Etelä-Suomen ja Lapn lään, 400 opettajaa a. Perusjoukon (populaaton) muodostvat kakk Etelä-Suomen ja Lapn läänn peruskoulun opettajat
LisätiedotLohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4
TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare
Lisätiedot4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
4. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7..008 Thomas Hackman 4. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 4. Tähtteteellsten
Lisätiedot5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 7.4.006 Thomas Hackman 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus Akasarja-anals 5. Tähtteteellsten
Lisätiedot3. Datan käsittely lyhyt katsaus
3. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento..0 Thomas Hackman HTTPK I, kevät 0, luento 3 3. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
LisätiedotGeneroidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)
Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,
LisätiedotMTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN
MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaals Tlastollset meetelmät: Leaare regressoaals 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaals 5. Yhde selttäjä leaare regressomall 6. Ylee leaare mall
LisätiedotLeikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro
Lsätehtävä 1. Erään yrtyksen satunnasest valttujen työntekjöden possaolopäven määrät olvat vuonna 003: 5, 3, 1, 9, 0, 1, 3,, 19, 5, 19, 11,, 0, 4,, 1, 15, 4, 0,, 4, 3, 3, 8, 3, 9, 11, 19, 17, 14, 7 a)
LisätiedotAB TEKNILLINEN KORKEAKOULU
B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat
LisätiedotJohdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Tilastollinen riippuvuus ja korrelaatio TKK (c) Ilkka Mellin (2005) 1 Tilastollinen riippuvuus ja korrelaatio Tilastollinen riippuvuus, korrelaatio ja regressio Kahden muuttujan
Lisätiedoton tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:
Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.090 Sovellettu todeäkösyyslasku A Nordlud Harotus (vko 49/003) (Ahe: Tlastollsa testeä, regressoaalyysä Lae luvut 5.5, 6) HUOM! Laskarede palautukse takaraa o pokkeuksellsest
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
LisätiedotMat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue
LisätiedotIlkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot
Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut
LisätiedotTilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.
MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt
LisätiedotMat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:
Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6
Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
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).
Lisätiedot5. Datan käsittely lyhyt katsaus
5. Datan kästtel lht katsaus Havatsevan tähtteteen peruskurss I, luento 4..0 Thomas Hackman HTTPK I, kevät 0, luento 5 5. Datan kästtel Ssältö Tähtteteellsten havantojen vrheet Korrelaato Funkton sovtus
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
Lisätiedot1. PARAMETRIEN ESTIMOINTI
Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,
Lisätiedot2-suuntainen vaihtoehtoinen hypoteesi
Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,
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
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
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 6. luento Pertti Palo 1.11.2012 Käytännön asioita Harjoitustöiden palautus sittenkin sähköpostilla. PalautusDL:n jälkeen tiistaina netistä löytyy
LisätiedotTilastollisen analyysin perusteet Luento 2: Tilastolliset testit
Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:
MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma
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
Lisätiedot1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä
Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10
Lisätiedot1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
LisätiedotKokonaislukuoptimointi
Kokonaslukuotmont Robust dskreett otmont ysteemanalyysn Laboratoro Teknllnen korkeakoulu Ar-Pekka Perkkö ovelletun matematkan tutkasemnaar Kevät 28 sältö Robustn lneaarsen kokonasluku- sekä sekalukuotmontongelman
LisätiedotMat Lineaarinen ohjelmointi
Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotMittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa
Mttausteknkan perusteet / luento 6 Mttausepävarmuus ja shen lttyvää termnologaa Mttausepävarmuus = mttaustulokseen lttyvä parametr, joka kuvaa mttaussuureen arvojen odotettua vahtelua Mttauksn lttyvä kästtetä
Lisätiedot= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.340 Lneaarnen ohjelmont 3.9.2007 Luento Johdanto (krja.-.4) S ysteemanalyysn Laboratoro eknllnen korkeakoulu Eeva Vlkkumaa Lneaarnen ohjelmont - Syksy 2007 / Luentorunko Hstoraa Lneaarnen optmonttehtävä
LisätiedotCOULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT
COUOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT SISÄTÖ: Coulombn voma Sähkökenttä Coulombn voman a sähkökentän laskemnen pstevaaukslle Jatkuvan vaauksen palottelemnen pstevaauksks
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
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotTilastollisen fysiikan luennot
Tlastollsen fyskan luennot Tvstelmät luvuttan I PERUSKÄSITTEITÄ JA MÄÄRITELMIÄ Lämpö on systeemen mkroskooppsten osen satunnasta lkettä Lämpöenerga vrtaa kuumemmasta kappaleesta kylmempään Jos kaks kappaletta
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
LisätiedotEpälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)
Epälneaarsten penmmän nelösumman tehtäven ratkasemnen numeerslla optmontmenetelmllä valmn työn esttely Lar Pelkola 9.9.014 Ohjaaja/valvoja: Prof. Harr Ehtamo yön saa tallentaa ja julkstaa Aalto-ylopston
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
Lisätiedot3 Tilayhtälöiden numeerinen integrointi
3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
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.
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotKuluttajahintojen muutokset
Kuluttajahntojen muutokset Samu Kurr, ekonomst, rahapoltkka- ja tutkmusosasto Tutkmuksen tausta ja tavotteet Tavaroden ja palveluden hnnat evät muutu jatkuvast, vaan ovat ana jossan määrn jäykkä lyhyellä
LisätiedotSuoran sovittaminen pistejoukkoon
Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja
LisätiedotMat Sovelletun matematiikan erikoistyöt Spatiaalinen autokorrelaatio viljelykokeiden havainnoissa
Mat-.108 Sovelletun matematkan erkostyöt Spataalnen autokorrelaato vljelykokeden havannossa 5.5.004 Emla Suomalanen emla.suomalanen@hut.f 54755U Ssällys 1 Johdanto 1 Vljelykokeden satodata 3 Spataalsen
LisätiedotTilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle
Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle - Sisältö - - - Varianssianalyysi Varianssianalyysissä (ANOVA) testataan oletusta normaalijakautuneiden otosten odotusarvojen
LisätiedotTKK @ Ilkka Mellin (2008) 1/24
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät
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
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
5.10.2017/1 MTTTP1, luento 5.10.2017 KERTAUSTA Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä,
LisätiedotMonte Carlo -menetelmä
Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla
LisätiedotJaksolliset ja toistuvat suoritukset
Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e
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
LisätiedotModerni portfolioteoria
Modern portfoloteora Helsngn Ylopsto Kansantalousteteen Kanddaatntutkelma 4.12.2006 Juho Kostanen (013297143) juho.kostanen@helsnk.f 2 1. Johdanto... 3 2. Sjotusmarkknat... 4 2.1. Osakemarkknat... 4 2.2.
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
LisätiedotLIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN
Oulun ylopsto Fyskan opetuslaboratoro Fyskan laboratorotyöt LIITE SUORA SOVITTAMIE HAVAITOPISTEISII Tarkastelemme fyskan tössä usen eteen tulevaa tlannetta, jossa olemme mtanneet kpl pstepareja ( X, Y
LisätiedotKaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi
T (c lkka Melln (005 akssuuntanen varanssanals Varanssanals: ohdanto akssuuntasen varanssanalsn mall a sen parametren estmont ohdatus tlastoteteeseen akssuuntanen varanssanals T (c lkka Melln (005 akssuuntanen
LisätiedotTilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1
Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus KE (2014) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset testit ja testisuureet Virheet
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
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematkkaan Informaatoteknologan tedekunta Jyväskylän ylopsto 4. luento 24.11.2017 Neuroverkon opettamnen - gradenttmenetelmä Neuroverkkoa opetetaan syöte-tavote-parella
Lisätiedot10. laskuharjoituskierros, vko 14, ratkaisut
10. laskuharjoituskierros, vko 14, ratkaisut D1. Eräässä kokeessa verrattiin kahta sademäärän mittaukseen käytettävää laitetta. Kummallakin laitteella mitattiin sademäärät 10 sadepäivän aikana. Mittaustulokset
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 5 Tilastollisten hypoteesien testaaminen Lasse Leskelä, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
LisätiedotTilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot
Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset
LisätiedotMaanhintojen vikasietoisesta mallintamisesta
Maanmttaus 8:-2 (2006) 5 Maanmttaus 8:-2 (2006) Saapunut 0.8.2005 ja tarkstettuna.4.2006 Hyväksytty 30.6.2006 Maanhntojen vkasetosesta mallntamsesta Marko Hannonen Teknllnen korkeakoulu, Kntestöopn laboratoro
LisätiedotLisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?
MTTTP5, kevät 2016 15.2.2016/RL Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen 1. Valitaan 25 alkion satunnaisotos jakaumasta N(µ, 25). Olkoon H 0 : µ = 12. Hylätään H 0, jos otoskeskiarvo
LisätiedotVALTIOTIETEELLINEN 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
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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotFYSA220/2 (FYS222/2) VALON POLARISAATIO
FYSA220/2 (FYS222/2) VALON POLARSAATO Työssä tutktaan valoaallon tulotason suuntasen ja stä vastaan kohtsuoran komponentn hejastumsta lasn pnnasta. Havannosta lasketaan Brewstern lan perusteella lasn tatekerron
LisätiedotJohdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle
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
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
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
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
LisätiedotW Hz. kohinageneraattori. H(f) W Hz. W Hz. ELEC-A7200 Signaalit ja järjestelmät Laskuharjoitukset. LASKUHARJOITUS 5 Sivu 1/7
ELEC-A700 LASKUHARJOIUS 5 Svu /7. Satunnassgnaaln x ( t ) keskarvo on V ja keskhajonta 4 V. Mttaukslla on todettu, että x ( t ) ja x ( t + τ ) ovat rppumattoma, kun τ 5µ s. Lsäks tedetään, että x ( t )
Lisätiedot6. Stokastiset prosessit (2)
Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
LisätiedotKonvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?
TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet
Lisätiedot