= 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

Koko: px
Aloita esitys sivulta:

Download "= 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"

Transkriptio

1 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 estmaator T varass ja äytä, että se o suuremp ku formaatoepäyhtälo atama alaraja Vhje Y 2 : varass laskemsee o mota tapaa, mutta ehkä suoravvas o seuraava: Y oudattaa ormaaljakaumaa perustele mks) Tämä jälkee varass laskeme palautuu ormaaljakautuee satuasmuuttuja 2 ja 4 momet laskemsee Nämä vo laskea vakka momettemäfuktota dervomalla ta katsomalla ormaaljakauma momett wkpedasta wk/normal_dstrbuto) Ratkasu: Koska Y,, Y ovat rppumattoma ormaaljakautueta satuasmuuttuja, Nθ, ), Todeäkösyyslasketa II -kurss tetoje ojalla Y N θ, ) 2 }{{}}{{} θ Normaaljakautueea tämä orgomomett 2 EY 2 ) θ 2 + ja EY 4 ) θ 4 +6θ Estmaattor T Y 2 odotusarvo ET ) E Y 2 ) EY 2 ) θ2 + θ2, jote T o parametr θ 2 harhato estmaattor Estmaattor T varass vart ) var Y 2 ) vary 2 ) EY 4 ) EY 2 ) θ 4 + 6θ θ θ Materaal esmerk 27 b) ojalla log-uskottavuusfukto o lθ; y) y θ)2 2 Se toe dervaatta l θ; y) ja ste Fsher formaato θ) E l θ; Y)) E) Kute formaatoepäyhtälö 32b) mukaa ptäsk, kaklla θ pätee 4θ vart ) g θ 2 θ) 2θ)2 4θ2 Rppumattome ormaaljakautuede satuasmuuttuje summa o ormaaljakautuut, ja ormaaljakautuee satuasmuuttuja aff muuos o ormaaljakautuut Normaaljakauma parametrt saadaa sm: odotusarvosta ja varasssta 2

2 2 Jatkoa Harjotukse 3A tehtävää 3 Luetomateraal pohjalta tedämme, että tasajakaumasta havatoje tekeme e ole sääölle Sääöllslle mallelle osotettu formaatoepäyhtälo parametr θ harhattomlle estmaattorlle T vodaa krjottaa var θ T ιθ) E θ l θ; Y)) 2 Näytä että ˇθ + θ o parametr θ harhato estmaattor Laske estmaattor ˇθ varass ja vertaa tätä osamäärää /E θ l θ; Y ) Mtä tämä melestäs kertoo? Ratkasu: Harjotuksessa 3A ratkasmme, että Eˆθ θ θ Ss estmaattor o harhato + + θ, jote Eˇθ E + ˆθ +Eˆθ + Lasketaa yt estmaattor ˆθ varass käyttämällä tetoa varx) EX 2 EX jote ˆθ: varassks saadaa Eˆθ 2 ) Tästä vodaa laskea ˇθ: varass: θ t 2 ft) dt t 2 t θ dt θ t + dt θ θ / θ + 2 t+2 θ + 2 θ θ2, +2 θ2 2 + θ 2 θ ) varˇθ) + )2 2 varˆθ) + )2 θ ) ) + )2 2 θ ) ) θ Lasketaa velä E θ l θ; Y ) lθ; Y) log θ ) log θ ) logθ) l θ; Y) θ E θ l θ; Y ) 2 θ 2 Tästä ähdää, että sääöllste malle formaatoepäyhtälö alaraja hajoaa, sllä varˇθ) θ2 θ ιθ) Ss selvästk formaatoepäyhtälö tuottama alaraja harhattoma estmaattor varasslle pätee va sääöllslle mallelle

3 3 Mostee tehtävä 39) Erää elektrose kompoet kestokä oudattaa ekspoettjakaumaa, joka odotusarvo o θ/t, jossa t > o kompoet käyttölämpötla ja θ > o tutemato parametr Parametr θ estmomseks testataa kompoetta tosstaa rppumattomast lämpötlossa t,, t ja mtataa de kestoät Y,, Y Osota,että T t o parametr θ harhato mutte täystehokas estmaattor Ratkasu: Lasketaa es estmaattor odotusarvo: ET ) t E t θ t θ θ, t t jote selväst estmaattor o harhato Täystehokkuude arvomsee tarvtsemme es mall Fsher formaatota Tehdää uudelleeparametrot λ gθ) θ, jollo saadaa uskottavuusfukto ja se logartm: Lθ, y) t λexp λt y ) λ exp λ t y ) t ) lθ, y) logλ) + logt ) λ t y, josta λ: suhtee dervomalla saadaa l θ, y) λ t y l θ, y) λ 2 λ) E l θ, y)) λ 2 θ) θ 2 θ 2 )2 θ 2, mssä vmesessä yhtälössä käytett laskuharjotuksessa 2b todstettua parametr muuokse Fsher formaato kaavaa Lasketaa seuraavaks varass: vart ) var ) t vart ) θ 2 t t 2 ) t 2 t λ λ 2 t ) var Y 2 ) t 2 t θ2 vary t ) t 2 t θ2 θ) jolla {t } I jote estmaattor e ole täystehokas, sllä vodaa löytää arvot jolla vart ) > θ), esm 2, t 3, t 2 2

4 4 Jatkoa Harjotukse 3A tehtävää 4 a) Näytä, että suurmma uskottavuude estmaattor β o täystehokas b) Oletetaa, että x c kaklla, ku c > o vako Näytä, että β, T ja T 2 ovat tarketuva c) Pohd, päteekö tarketuvuus ym estmaattorelle, jos x / 2? Vmese kysymykse perustelu e tarvtse olla mtekää täsmälle, sopva äpptutumaperustelu käy maost) Ratkasu: Tehtävssä 2 b ratkast mall suurmma uskottavuude estmaatt ˆβ ˆβy) y x ) x 2 Kute samossa tehtävssä äht, havattu formaato o ja Fsher formaato jβ; y) l β; y) 2 x 2 2σ 2 x 2 σ 2 β) E[jβ; Y)] E[ l β; Y)] x 2 σ 2 Estmaattor varass o var ˆβ) ) x ) var var x ) vary x 2 x )) x 2 x 2 x 2 var ) x 2 σ 2 ) x 2 x 2 ) σ2 x 2 2 x 2 σ2, x 2 joka o mall Fsher formaato β) käätesluku Estmaattor o ste täystehokas, sllä se varass saavuttaa formaatoepäyhtälö 32 c) atama alaraja jokasella β b-kohdassa tutktaa estmaattore varassa, ss: var ˆβ) σ2 x 2 σ2 c 2 σ2 c 2, ja vart ) var ) x x ) vary 2 ) σ 2 x σ2 c σ2 c 2, /x vart 2 ) var ) var ) 2 x 2 σ2 2 x 2 ) σ2 c 2, var x ) 2 x 2 var )

5 ku Ss kakk estmaattort ovat tarketuva C-kohdassa tutktaa edellä johdettuja varasseja lma oletusta x c > Selväst yt kakssa kohdssa käytettyä epäyhtälöä e voda perustella, vaa x 2 x a < ja /x 2 x 2 2 / 2 Sjottamalla ämä arvot edells yhtälöh, saadaa lm vart Y)) >,, mssä T o -ptusesta satuasvektorsta Y laskettu estmaattor T, T 2 ta ˆβ Ss luopumalla oletuksesta x > c > jolla c R väte tarketuvuudeta e eää päde ylesest

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

1. (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

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia. HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat 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

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen 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.

Lisätiedot

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat-1.361 Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto,

Lisätiedot

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet Mat.36 Tlastolle päättely 3. Pste estmot Tlastolle päättely 3. Pste estmot 3.. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste estmot, Pstetodeäkösyysfukto,

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

Mat 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,

Lisätiedot

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

l (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

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat: Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4 MS-A Todeäkösyyslaskea ja tlastotetee peruskurss Vkko Tlastollste aestoje kerääme ja mttaame; tlastollste aestoje kuvaame; Otokset ja otosjakaumat; Estmot; Estmotmeetelmät; Vällestmot Mtä tlastotede o?

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 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

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7. Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot Ilkka Mell 5 Tlastollset

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat: Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Estmot Estmotmeetelmät Välestmot Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, Estmaatt, Estmaattor,

Lisätiedot

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

1. (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

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit 68 3. Leaarset esmmäse kertaluvu dfferetaalsysteemt Tarkastelemme systeemejä () x () t = A() t x() t + b () t, jossa matrs A kertomet ja b ovat välllä I jatkuva. Jatkuve vektorarvoste fuktode avaruutta

Lisätiedot

Jaksolliset ja toistuvat suoritukset

Jaksolliset 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

Lisätiedot

Bernoullijakauma. Binomijakauma

Bernoullijakauma. Binomijakauma Beroulljaauma Beroull oe o ahde mahdollse ulostulo oe, jossa taahtumsta äytetää mtysä ostume ja eäostume. Esmerejä: rahahetto (ruua ta laava), lase sytymä (tyttö ta oa), helö verryhmä ( ta c ), oselja

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Todennäköisyyslaskennan 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

Lisätiedot

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä Mat.36 Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora Tlastolle päättely 7. Suurmma uskottavuude meetelmä ja asymptootte teora 7.. Suurmma uskottavuude estmotmeetelmä Akasarja,

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat.36 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys, Otos,

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

Luento 6 Luotettavuus Koherentit järjestelmät Aalto-ylosto erustetede korkeakoulu Matematka a systeemaalyys latos Lueto 6 Luotettavuus Koherett ärestelmät Aht Salo Systeemaalyys laboratoro Matematka a systeemaalyys latos Aalto-ylosto erustetede korkeakoulu

Lisätiedot

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 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

MS-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

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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,

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus Mat-1.361 Tlastolle päättely. Data reduso peraatteet Tlastolle päättely. Data reduso peraatteet.1. Tyhjetävyys Asllaarsuus, Basu teoreema, Data redusot, Faktorotteoreema, Iformaato, Mmaale tyhjetävyys,

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat.36 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus, Perusjoukko,

Lisätiedot

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Konvergenssikäsitteet 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

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x

1. 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

Lisätiedot

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

on 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,

Lisätiedot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

1. 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

Lisätiedot

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia Tlastolle päättely. Otosjakaumat Tlastolle päättely. Otosjakaumat.. Otos, otostuusluvut ja de otosjakaumat Arvota, Havato, Havatoarvo, Otos, Otosjakauma, Otostuusluku, Rppumattomuus, Satuasmuuttuja, Satuasotos,

Lisätiedot

3.6 Su-estimaattorien asymptotiikka

3.6 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

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

HY, 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

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Tilastollinen 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

Lisätiedot

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut Harjotus, esmerkkratkasut K 1. Olkoon f : C C, f(z) z z. Tutk, mssä pstessä f on dervotuva. Ratkasu 1. Jotta funkto on dervotuva, on sen erotusosamäärän f(z + ) f(z) raja-arvon 0 oltava olemassa ja ss

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-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,

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

MS-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

Lisätiedot

Raja-arvot. Osittaisderivaatat.

Raja-arvot. Osittaisderivaatat. 1 MAT-13440 LAAJA MATEMATIIKKA 4 Tamperee teklle ylopsto Rsto Slveoe Kevät 2010 Luku 3 Raja-arvot Osttasdervaatat 1 Fuktode raja-arvot Tarkastelemme fuktota f : A, jode määrttelyjoukko A T Muuttujat ovat

Lisätiedot

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 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia

Lisätiedot

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi Tlastollset meetelmät Otokset, otosjakaumat ja estmot Tlastollset meetelmät: Otokset, otosjakaumat ja estmot 4. Otokset ja otosjakaumat 5. Estmot 6. Estmotmeetelmät 7. Välestmot TKK @ Ilkka Mell (006)

Lisätiedot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka 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

Lisätiedot

EX1 EX 2 EX =

EX1 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,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli lueto9.ppt S-38.45 Lkeeteora perusteet Kevät 5 Ykskertae lkeeteoreette mall Puhdas jakojärjestelmä Asakkata saapuu keskmäär opeudella asakasta per akayks. / keskmääräe asakkade välaka Asakkata palvellaa

Lisätiedot

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia

HY / 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

Lisätiedot

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu Mat-1.361 Tlastolle päättely 4. Hypoteese testaus Tlastolle päättely 4. Hypoteese testaus 4.1. Johdato Hylkäysalue, Hypotees, Hyväksymsalue, Krtte alue, Nollahypotees, Otos, Parametr, Parametravaruus,

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Tilastollinen 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

Lisätiedot

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli Ssältö Kertausta: ykskertae lkeeteoreette mall M/M/-PS asakasta palvelja asakaspakkaa M/M/-PS asakasta palveljaa asakaspakkaa Sovellus elastse datalketee malltamsee vuotasolla M/M//k/k-PS k asakasta palvelja

Lisätiedot

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot

Tilastollisten 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

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. 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

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

Mat Koesuunnittelu ja tilastolliset mallit Mat-.03 Koeuuttelu tlatollet mallt. harjotuket Mat-.03 Koeuuttelu tlatollet mallt. harjotuket / Ratkaut Aheet: Avaaat: Tlatollte aetoje kuvaame Oto otokaumat Etmot Etmotmeetelmät Väletmot Artmeette kekarvo,

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 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

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma Aheet: Satuasmuuttujat ja todeäkösyysjakaumat Kertymäfukto Jakaume tuusluvut Dskreettejä jakauma Jatkuva jakauma Avasaat: Bomjakauma Desl Dskreett

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

8. 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

Lisätiedot

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2 TKK (c) Ila Mell (4) Jaaume tuusluvut Johdatus todeäösyyslasetaa Jaaume tuusluvut Marov ja Tshebyshev epäyhtälöt Momett Vous ja hupuuus Suurte luuje la TKK (c) Ila Mell (4) Jaaume tuusluvut: Mtä opmme?

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Tilastollinen 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

Lisätiedot

3. Teoriaharjoitukset

3. Teoriaharjoitukset 3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x

Lisätiedot

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon

S , FYSIIKKA III (ES), Syksy 2002, LH 4, Loppuviikko 39. Partitiofunktiota käyttäen keskiarvo voidaan kirjoittaa muotoon S-11435, FYSIIKKA III (ES), Syksy 00, LH 4, Loppuvkko 39 LH4-1* Käyttän Maxwll-Boltzmann-jakauman parttofunktota määrtä a) nrgan nlön kskarvo (E ) skä b) nrgan nlöllnn kskpokkama kskarvosta l nrgan varanss,

Lisätiedot

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Mat 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,

Lisätiedot

Muuttujien välisten riippuvuuksien analysointi

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

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus 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

Lisätiedot

3 Tilayhtälöiden numeerinen integrointi

3 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

6.1 Riippumattomat satunnaismuuttujat

6.1 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

Lisätiedot

HASSEN-WEILIN LAUSE. Kertausta

HASSEN-WEILIN LAUSE. Kertausta HASSEN-WEILIN LAUSE Kertausta Käytetään seuraava merkntjä F = F/F q on sukua g oleva funktokunta Z F (t = L F (t (1 t(1 qt on funktokunnan F/F q Z-funkto. α 1, α 2,..., α 2g ovat polynomn L F (t nollakohten

Lisätiedot

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Differentiaaliyhtälöt, osa 1 Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 20 R. Kangaslampi Matriisihajotelmista

Lisätiedot

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Tässä 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

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/24

TKK @ 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,

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-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

Lisätiedot

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

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

Lisätiedot

6. Stokastiset prosessit (2)

6. 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

Lisätiedot

HY, 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. 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

Lisätiedot

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0.

1 0 2 x 1 a. x 1 2x c b 2a c a. Alimmalta riviltä nähdään että yhtälöyhmällä on ratkaisu jos ja vain jos b 3a + c = 0. BM20A5800 - Funktot, lneaaralgebra, vektort Tentt, 26.0.206. (a) Krjota yhtälöryhmä x + 2x 3 = a 2x + x 2 + 5x 3 = b x x 2 + x 3 = c matrsmuodossa Ax = b ja ratkase x snä erkostapauksessa kun b = 0. Mllä

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien 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

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

ABTEKNILLINEN KORKEAKOULU ABTEKNILLINEN KORKEAKOULU Tetoverkkolaboratoro 6. Stokastset prosesst () Luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 5 6. Stokastset prosesst () Ssältö Markov-prosesst Syntymä-kuolema-prosesst

Lisätiedot

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

x 4 e 2x dx Γ(r) = x r 1 e x dx (1) HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1

Lisätiedot

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä

Lisätiedot

1. PARAMETRIEN ESTIMOINTI

1. 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,

Lisätiedot

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (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).

Lisätiedot

2. Uskottavuus ja informaatio

2. Uskottavuus ja informaatio 2. Uskottavuus ja informaatio Viimeksi käsittelimme uskottavuusfunktioita, log-uskottavuusfunktioita ja su-estimaatteja Seuraavaksi tarkastelemme parametrin muunnoksia ja kuinka su-estimaatit käyttäytyvät

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda 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

Lisätiedot

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ

d L q i = V = mc 2 q i 1 γ = = p i. = V = γm q i + QA i. ṗ i + Q A i + Q da i t + j + V + Q φ TTKK/Fyskan latos FYS-1640 Klassnen mekankka syksy 2009 Laskuharjotus 5, 16102009 1 Ertysessä suhteellsuusteorassa Lagrangen funkto vodaan krjottaa muodossa v L = m 2 u t 1! ṙ 2 V (r) Osota, että tämä

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia. HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1 Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman

Lisätiedot

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 07 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Osa tämän viikon tehtävistä ovat varsin haastavia, joten ei todellakaan

Lisätiedot

Maximum likelihood-estimointi Alkeet

Maximum 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

Sovellettu todennäköisyyslaskenta B

Sovellettu 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

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:

Mat 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,

Lisätiedot

Kaksisuuntainen varianssianalyysi. Heliövaara 1

Kaksisuuntainen varianssianalyysi. Heliövaara 1 Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän

Lisätiedot

2. Teoriaharjoitukset

2. Teoriaharjoitukset 2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien

Lisätiedot

Algebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)

Algebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua) Algebra I Matematiika ja tilastotietee laitos Ratkaisuehdotuksia harjoituksii 5 (6 sivua) 14.2. 17.2.2011 1. Määritellää kuvaus f : S 3 S 3, f(α) = (123) α. Osoita, että f o bijektio. Mikä o se kääteiskuvaukse

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Moniulotteiset jakaumat ja havaintoaineistot

Moniulotteiset jakaumat ja havaintoaineistot Momuuttujameetelmät: Ilkka Mell. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat.. Yhtesjakaumat.3. Reuajakaumat ja satuasmuuttuje rumattomuus.4. Ehdollset jakaumat.5. Yhtesjakaume tuusluvut.6.

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien 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

Lisätiedot

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k. Olkoot A R n n ja T R n n sten, että on olemassa ndeks p N jolle T p = Tällästä matrsa kutsutaa nlpotentks Näytä, että () () () Olkoot Määrtä matrs B n (λi + A) n = (λi + T ) n = B = n mn n,p ( ) n λ n

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio

Tilastollinen 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

Lisätiedot

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen 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

Lisätiedot

2. Uskottavuus ja informaatio

2. Uskottavuus ja informaatio 2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö

Lisätiedot