(b) Vedonlyöntikertoimet syytetyn ihonvärin eri luokissa
|
|
- Tuulikki Ahola
- 5 vuotta sitten
- Katselukertoja:
Transkriptio
1 Oulun yliopiston matemaattisten tieteiden tutkimusyksikkö/tilastotiede A JOHDATUS MONIMUUTTUJAMENETELMIIN, sl 2017 (Jari Päkkilä) Harjoitus 3, viikko 47 ( ): kotitehtävät Ratkaisuja 1. Floridan monimurhasyyteaineisto. Merkitään 1, syytetty on saanut kuolemantuomion Y = 0, syytetty ei ole saanut kuolemantuomiota (a) Vedonlyöntikerroin ω tapahtumalle Y = 1 on ω = π, missä π = P (Y = 1). 1 π Todennäköisyys tapahtumalle Y = 1 : π = P (Y = 1) = 68/ Vedonlyöntikerroin tapahtumalle Y = 1 : ω = π 1 π = 68/ / (b) Vedonlyöntikertoimet syytetyn ihonvärin eri luokissa. Syytetyn ihonväri valkoinen: Vedonlyöntikerroin tapahtumalle Y = 1 : ω 0 = π 0 1 π 0 = 53/(467+16) 1 53/(467+16) Syytetyn ihonväri musta: Vedonlyöntikerroin tapahtumalle Y = 1 : ω 1 = π 1 1 π 1 = (11+4)/(48+143) 1 (11+4)/(48+143) Vedonlyöntikertoimien suhde OR = ω 1 ω Aineistosta laskettu OR-tunnusluvun arvo (piste-estimaatti) on pienempi kuin yksi, joka viittaa siihen, että mustaihoisilla syytetyillä on pienempi riski kuolemantuomion saamiselle kuin valkoihoisilla. Tulos on etukäteisodotukseen nähden yllättävä? Ero ryhmien välillä ei näyttäisi olevan kuitenkaan tilastollisesti merkitsevä, koska OR:n 95 %:n luottamusväli (0.380, 1.259) pitää sisällään ykkösen. (c) Mallissa ln ( π 1 π) = β0 + β 1 X 1, missä X 1 = syytetyn ihonväri, e β 1 kuvaa vastetapahtumaan Y = 1 liittyvien vedonlyöntikertoimien suhdetta eli OR:ää tilanteiden syytetty mustaihoinen ja syytetty valkoihoinen välillä. Nyt e β β 1 ln(0.691) (d) Estimaatti kuolemantuomion saamiselle, kun syytetyn ihonväri on valkoinen. P (Y = e β 0 + β 1 X 1 1 X 1 = 0) = 1 + e β 0 + β 1 X 1 = e e = e e Huom.: Havaintoaineistossa valkoihoisen syytetyn tapauksissa ( n = 483) kuolemantuomio annettiin 53 kertaa: 53/ Lasketut kaksi lukua ovat siis yhtä suuret!
2 2. R:n logistinen regressio: > malli <- glm(tuomio ~ uhri, family=binomial(link=logit)) > round(ci.lin(malli, Exp=TRUE),4) Estimate StdErr z P exp(est.) 2.5% 97.5% (Intercept) uhri musta (a) Regressiokertoimen β 1 estimaatti on ja OR:n estimaatti on OR kuvaa vastetapahtumaan Y = 1 liittyvien vedonlyöntikertoimien suhdetta eli OR:ää tilanteiden uhri mustaihoinen ja uhri valkoihoinen välillä. Piste-estimaattien perusteella kuolemantuomion saamisen riski näyttäisi olevan suurempi uhrin ollessa valkoihoinen kuin uhrin ollessa mustaihoinen. OR:n 95 %:n luottamusväli on (0.0652, ). Vertailuryhmien välinen ero on aineiston perusteella tilastollisesti merkitsevä, sillä ykkönen jää selvästi luottamusvälin ulkopuolelle. Tulos on etukäteisodotuksen mukainen. (b) Riskisuhde RR. RR = P (Y = 1 X = 1) P (Y = 1 X = 0) = 4/( ) ( )/( ) OR ja RR ovat nyt suhteellisen lähellä toisiaan, koska vastetapahtuma Y = 1 on kohtalaisen harvinainen kummassakin vertailuryhmässä. (c) Estimaatti kuolemantuomion saamiselle, kun uhrin ihonväri on musta. P (Y = e β 0 + β 1 X 1 1 X 1 = 1) = 1 + e β 0 + β 1 X 1 = e e = e e Havaintoaineistossa mustaihoisen uhrin tapauksissa (n = 159) kuolemantuomio annettiin neljä kertaa: 4/ Lasketut kaksi lukua ovat siis yhtä suuret! 3. Logistinen regressioanalyysi ln ( π 1 π) = β0 + β 1 X 1 + β 2 X 2, missä X 1 = syytetyn ihonväri ja X 2 = uhrin ihonväri. > malli2 <- glm(tuomio ~ syytetty + uhri, family=binomial(link=logit)) > round(ci.lin(malli2, Exp=FALSE),4) Estimate StdErr z P 2.5% 97.5% (Intercept) syytetty musta uhri musta (a) e ja e
3 e :n tulkinta: Kuolemantuomion saamisen vedonlyöntikerroin on noin 2.4-kertainen tilanteessa, jossa syytetyn ihonväri on musta verrattuna tilanteeseen, jossa syytetyn ihonväri on valkoinen. Ryhmien vertailu on vakioitu uhrin ihonvärin suhteen. e :n tulkinta: Kuolemantuomion saamisen vedonlyöntikerroin on noin 0.09-kertainen tilanteessa, jossa uhrin ihonväri on musta verrattuna tilanteeseen, jossa uhrin ihonväri on valkoinen. Ryhmien vertailu on vakioitu syytetyn ihonvärin suhteen. (b) Kertoimen β 1 95 %:n luottamusväli on (0.1483, 1.587) ja kertoimen β 2 luottamusväli on ( , 1.227). Kumpikaan luottamusväli ei sisällä nollaa, joten kumpikin selittäjä on tilastollisesti merkitsevä selittäjä vasteelle. Kertoimiin liittyvien OR-tunnuslukujen 95 % luottamusvälit ovat puolestaan (e , e ) = (1.16, 4.89) ja (e , e ) = (0.028, 0.29) eli ne eivät sisällä ykköstä. Kahden selittäjän mallin perusteella tehtävät johtopäätökset ovat nyt erilaiset kuin marginaalimallien eli yhden selittäjän mallien perusteella tehdyt johtopäätökset. Kahden selittäjän malli antaa realistisemman kuvan todellisesta tilanteesta. 4. Suomalaisten 318 vuotiaiden liikuntatutkimus. > str(liikunta) 'data.frame': 5505 obs. of 4 variables: $ runsasliikunta: Factor w/ 2 levels " Ei"," Kyllä": $ laani : Factor w/ 5 levels " Etelä-Suomi",..: $ ika : num $ sukup : Factor w/ 2 levels " Tyttö"," Poika": > summary(liikunta) runsasliikunta laani ika sukup Ei :3823 Etelä-Suomi:2232 Min. : 3.0 Tyttö:2749 Kyllä:1187 Länsi-Suomi:1980 1st Qu.: 7.0 Poika:2756 NA's : 495 Itä-Suomi : 600 Median :11.0 Oulun lääni: 483 Mean :10.8 Lapin lääni: 200 3rd Qu.:15.0 NA's : 10 Max. :18.0 (a) Aineistoon on sovitettu logistinen regressiomalli, jossa vasteena on ollut runsas liikunnan harrastaminen (vähintään 6 krt viikossa) ja selittäjinä 318 -vuotiaan asuinlääni, sukupuoli ja ikä. Mallissa ikä on jatkuva muuttuja, kun taas lääni ja sukupuoli ovat faktoroituja muuttujia. Faktorimuuttujia varten käytössä ova seuraavat dummy-muuttujat: Lääni: 1, kun kotilääni on Etelä-Suomen lääni X 10 = 0, kun kotilääni ei ole Etelä-Suomen lääni 1, kun kotilääni on Länsi-Suomen lääni X 11 = 0, kun kotilääni ei ole Länsi-Suomen lääni 1, kun kotilääni on Itä-Suomen lääni X 12 = 0, kun kotilääni ei ole Itä-Suomen lääni
4 1, kun kotilääni on Oulun lääni X 13 = 0, kun kotilääni ei ole Oulun lääni 1, kun kotilääni on Lapin lääni X 14 = 0, kun kotilääni ei ole Lapin lääni Mallituksessa näistä muuttujista käytetään selittäjinä muuttujia X 11, X 12, X 13 ja X 14 Etelä-Suomen toimiessa tämän muuttujan kohdalla vertailuluokkana. Sukupuoli: 1, kun sukupuoli on tyttö X 20 = 0, kun sukupuoli ei ole tyttö 1, kun sukupuoli on poika X 21 = 0, kun sukupuoli ei ole poika Mallituksessa näistä muuttujista käytetään selittäjinä muuttujaa X 21 tyttöjen toimiessa vertailuluokkana. (b) Analyysin tulokset: > malli3 <- glm(runsasliikunta ~ laani + sukup + ika, family=binomial(link=logit)) > round(ci.lin(malli3, Exp=TRUE),4) Estimate StdErr z P exp(est.) 2.5% 97.5% (Intercept) laani Länsi-Suomi laani Itä-Suomi laani Oulun lääni laani Lapin lääni sukup Poika ika Voidaanko mallituksen tulosten perusteella sanoa runsaan liikunnan harrastuksen olevan yhtä yleistä (b1) maan eri osien (vanhojen läänien) välillä? Mallissa muiden läänien tilannetta vertaillaan Etelä-Suomeen. Kaikissa parittaisissa vertailuissa (Länsi-Suomi vs. Etelä-Suomi, Itä-Suomi vs. Etelä-Suomi jne.) OR:en 95 % luottamusvälit pitävät sisällään ykkösen, joten eroa ei näyttäisi olevan. (b2) eri sukupuolten välillä? Mallissa poikien tilannetta vertaillaan tyttöjen tilanteeseen. OR:n estimaatti on 1.28 ja 95 % luottamusväli on (1.12, 1.46). Pojat näyttäisivät siis harrastavan runsasta liikuntaa tyttöjä useammin. (b3) eri ikäisten välillä? Ikään liittyvä OR:n piste-estimaatti on 0.93 ja 95 % luottamusväli on (0.91, 0.94). Runsaan liikunnan harrastaminen näyttäisi siis vähenevän iän lisääntymisen myötä.
5 (c) Estimaatti runsaan liikunnan harrastamisen todennäköisyydelle, kun vasteen kohtaamisen todennäköisyyttä ennustetaan (c1) entisessä Etelä-Suomen läänissä asuvalle 13-vuotiaalle tytölle: P (Y e β 0 + β 3 X 3 = 1 X) = 1 + e β 0 + β 3 X 3 = e e = (c2) entisessä Oulun läänissä asuvalle 10-vuotiaalle pojalle: P (Y e β 0 + β 13 X 13 + β 21 X 21 + β 3 X 3 = 1 X) = 1 + e β 0 + β 13 X 13 + β 21 X 21 + β 3 X 3 = e e = 0.281
805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Logistinen regressioanalyysi Vastemuuttuja Y on luokiteltu muuttuja Pyritään mallittamaan havaintoyksikön todennäköisyyttä kuulua
Lisätiedotpisteet Frekvenssi frekvenssi Yhteensä
806118P JOHDATUS TILASTOTIETEESEEN Loppukoe 15.3.2018 (Jari Päkkilä) 1. Kevään -17 Johdaus tilastotieteeseen -kurssin opiskelijoiden harjoitusaktiivisuudesta saatujen pisteiden frekvenssijakauma: Harjoitus-
LisätiedotOpiskelija viipymisaika pistemäärä
806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2012 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Jatkoa harjoituksen 5 tehtävään
Lisätiedot(d) Laske selittäjään paino liittyvälle regressiokertoimelle 95 %:n luottamusväli ja tulkitse tulos lyhyesti.
2. VÄLIKOE vuodelta -14 1. Liitteessä 1 on esitetty R-ohjelmalla saatuja tuloksia aineistosta, johon on talletettu kahdenkymmenen satunnaisesti valitun miehen paino (kg), vyötärön ympärysmitta (cm) ja
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
LisätiedotSuhtautuminen Sukupuoli uudistukseen Mies Nainen Yhteensä Kannattaa Ei kannata Yhteensä
806109 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2011 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOILLA 8 JA 9! 1. Eräässä suuressa yrityksessä
Lisätiedot1. Tutkitaan tavallista kahden selittäjän regressiomallia
TA7, Ekonometrian johdantokurssi HARJOITUS 5 RATKAISUEHDOTUKSET 232215 1 Tutkitaan tavallista kahden selittäjän regressiomallia Y i = β + β 1 X 1,i + β 2 X 2,i + u i (a) Kirjoita regressiomalli muodossa
LisätiedotKansallinen LIIKUNTATUTKIMUS 2009-2010
Tutkimusaineisto koottu puhelinhaastatteluina helmikuun 2009 ja tammikuun 2010 aikana Kohteena 3 18-vuotiaat (vanhemmat vastanneet 3 11-vuotiaiden puolesta ja 12 18- vuotiaat vastanneet itse kysymyksiin)
LisätiedotTässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)
R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n
LisätiedotIlmoittaudu Weboodissa klo (sali L4) pidettävään 1. välikokeeseen!
8069 TILASTOTIETEEN PERUSMENETELMÄT I Harjoitus 7, viikko 9, kevät 2013 (Muut kuin taloustieteiden tiedekunnan opiskelijat) MUISTA MIKROLUOKKAHARJOITUKSET VIIKOLLA 9! Ilmoittaudu Weboodissa 4.3.2013 klo
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Käytännön järjestelyt Luennot: Luennot maanantaisin (sali E) ja keskiviikkoisin (sali U4) klo 10-12 Luennoitsija: (lauri.viitasaari@aalto.fi)
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, kevät 2019 https://coursepages.uta.fi/mtttp1/kevat-2019/ HARJOITUS 3 Joitain ratkaisuja 1. x =(8+9+6+7+10)/5 = 8, s 2 = ((8 8) 2 + (9 8) 2 +(6 8) 2 + (7 8) 2 ) +
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
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
LisätiedotHarjoitukset 4 : Paneelidata (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä
LisätiedotNäistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.
[MTTTP1] TILASTOTIETEEN JOHDANTOKURSSI, Syksy 2017 http://www.uta.fi/sis/mtt/mtttp1/syksy_2017.html HARJOITUS 3 viikko 40 Joitain ratkaisuja 1. Suoritetaan standardointi. Standardoidut arvot ovat z 1 =
LisätiedotAalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi,
Aalto-yliopisto, Matematiikan ja systeemianalyysin laitos /Malmivuori MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi, kesä 2016 Laskuharjoitus 5, Kotitehtävien palautus laskuharjoitusten
LisätiedotKvantitatiiviset menetelmät
Kvantitatiiviset menetelmät HUOM! Tentti pidetään tiistaina.. klo 6-8 V ls. Uusintamahdollisuus on rästitentissä.. ke 6 PR sali. Siihen tulee ilmoittautua WebOodissa 9. 8.. välisenä aikana. Soveltuvan
LisätiedotHirsitaloasukkaiden terveys ja
Hirsitaloasukkaiden terveys ja tyytyväisyys y Altti-tutkimukseen perustuva selvitys Fil. yo. Mira Anttila, FM Maria Pekkonen, Dos. Ulla Haverinen-Shaughnessy Asumisterveyden ja rakennusten terveellisyyden
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2016 Käytannön järjestelyt Luennot: Luennot ma 4.1. (sali E) ja ti 5.1 klo 10-12 (sali C) Luennot 11.1.-10.2. ke 10-12 ja ma 10-12
LisätiedotFacebookin käyttäjien iän, sukupuolen ja asuinpaikan vaikutus. matkailumotivaatioihin ja aktiviteetteihin Juho Pesonen
ASIAKKAAN ODOTTAMA ARVO MAASEUTUMATKAILUN SEGMENTOINNIN JA TUOTEKEHITYKSEN PERUSTANA Facebookin käyttäjien iän, sukupuolen ja asuinpaikan vaikutus matkailumotivaatioihin ja aktiviteetteihin 25.11.2011
LisätiedotMiten se meitä liikuttaa? Suomalaisten liikunta- ja urheiluharrastukset Päivi Berg
Miten se meitä liikuttaa? Suomalaisten liikunta- ja urheiluharrastukset 1981 2002 Päivi Berg Vuonna 2002 talvella vähintään kerran viikossa liikkui 87 %, kesällä 88 % väestöstä Nuorten kokonaan liikuntaa
LisätiedotViherseinien efekti Tilastoanalyysi
Viherseinien efekti Tilastoanalyysi Risto Heikkinen Tutkimuskysymykset Seinän vaikutus koettuun haittoihin työympäristössä? Seinän vaikutus oireiden määrään? Mitkä tekijät selittävät viherseinän jatkokäytön
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotYleistetyistä lineaarisista malleista
Yleistetyistä lineaarisista malleista Tilastotiede käytännön tutkimuksessa -kurssi, kesä 2001 Reijo Sund Klassinen lineaarinen malli y = Xb + e eli E(Y) = m, jossa m = Xb Satunnaiskomponentti: Y:n komponentit
LisätiedotYleinen lineaarinen malli eli usean selittäjän lineaarinen regressiomalli
MS-C2128 Ennustaminen ja aikasarja-analyysi 1. harjoitukset / Tehtävät Kotitehtävät: 2 Aiheet: Aluksi Yleinen lineaarinen malli eli usean selittäjän lineaarinen regressiomalli Tällä kurssilla käytetään
LisätiedotSisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4
Sisällysluettelo ESIPUHE KIRJAN 1. PAINOKSEEN...3 ESIPUHE KIRJAN 2. PAINOKSEEN...3 SISÄLLYSLUETTELO...4 1. JOHDANTO TILASTOLLISEEN PÄÄTTELYYN...6 1.1 INDUKTIO JA DEDUKTIO...7 1.2 SYYT JA VAIKUTUKSET...9
LisätiedotLumipallo regressioanalyysista. Logistinen regressioanalyysi. Soveltuvan menetelmän valinta. Regressioanalyysi. Logistinen regressioanalyysi I
Lumipallo regressioanalyysista jokainen kirjoittaa lapulle yhden lauseen regressioanalyysista ja antaa sen seuraavalle Logistinen regressioanalyysi Y250. Kvantitatiiviset menetelmät (6 op) Hanna Wass tutkijatohtori
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
Lisätiedot2. Jatkoa HT 4.5:teen ja edelliseen tehtavään: Määrää X:n kertymäfunktio F (x) ja laske sen avulla todennäköisyydet
Tilastotieteen jatkokurssi Sosiaalitieteiden laitos Harjoitus 5 (viikko 9) Ratkaisuehdotuksia (Laura Tuohilampi). Jatkoa HT 4.5:teen. Määrää E(X) ja D (X). E(X) = 5X p i x i =0.8 0+0.39 +0.4 +0.4 3+0.04
LisätiedotHyvinvointikysely 2017 Yläkoulu ja toinen aste Joensuun kaupunki
Hyvinvointikysely 2017 Yläkoulu ja toinen aste Joensuun kaupunki Tulkintaohjeita Tässä raportissa käytetty seuraavia värikoodeja: - Suorat jakaumat (kaikki vastaajat), keskiarvot 1,0 2,99 Heikko taso 3,0
LisätiedotKäsityön Tutkimushanke Vanhempien käsityksiä 7.-luokkalaisten käsityön opiskelusta
Käsityön Tutkimushanke 2013-2014 Vanhempien käsityksiä 7.-luokkalaisten käsityön opiskelusta www.helsinki.fi/yliopisto 21.11.2014 1 Tutkimuksen lähtökohtia Käsityön kansallinen arviointi 2010 Arviointitulosten
LisätiedotPylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.
Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 8.8% 8.9%.%.% 9.7%.7% Etelä Länsi Itä Oulu Lappi Ahvenanmaa Länsi Etelä Itä Oulu Lappi Ahvenanmaa Läänien
Lisätiedotxi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =
1. Tutkitaan paperin ominaispainon X(kg/dm 3 ) ja puhkaisulujuuden Y (m 2 ) välistä korrelaatiota. Tiettyä laatua olevasta paperierästä on otettu satunnaisesti 10 arkkia ja määritetty jokaisesta arkista
Lisätiedot54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):
Tilastollinen tietojenkäsittely / SPSS Harjoitus 5 Tarkastellaan ensin aineistoa KUNNAT. Kyseessähän on siis kokonaistutkimusaineisto, joten tilastollisia testejä ja niiden merkitsevyystarkasteluja ei
LisätiedotTurvaa tulevaisuutesi liikkumalla Tapaturmapäivä 13.5.2011
Turvaa tulevaisuutesi liikkumalla Tapaturmapäivä 13.5.211 Pauliina Husu TtT, tutkija UKK-instituutti, Terveysliikuntayksikkö 16.5.211 1 Lasten ja nuorten vapaa-ajan liikunnan riittävyys. Suomalaisten
LisätiedotAlakoululaisten hyvinvointikysely 2017 Joensuun kaupunki
Alakoululaisten hyvinvointikysely 2017 Joensuun kaupunki Tulkintaohjeita Tässä raportissa käytetty seuraavia värikoodeja: - Suorat jakaumat (kaikki vastaajat), keskiarvot 1,0 2,99 Heikko taso 3,0 3,19
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Johdatus monimuuttujamenetelmiin Luennot 30.10.13.12.-18 Tiistaina klo 12-14 (30.10., BF119-1) Keskiviikkoisin klo 10-12 (MA101,
LisätiedotHarjoitukset 2 : Monimuuttujaregressio (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 2 : Monimuuttujaregressio (Palautus 24.1.2017) Tämän harjoituskerran tarkoitus
LisätiedotKynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto
Kynä-paperi -harjoitukset Taina Lehtinen 43 Loput ratkaisut harjoitustehtäviin 44 Stressitestin = 40 s = 8 Kalle = 34 pistettä Ville = 5 pistettä Z Kalle 34 8 40 0.75 Z Ville 5 8 40 1.5 Kalle sijoittuu
LisätiedotMS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op)
MS-C2103 Koesuunnittelu ja tilastolliset mallit (5 op) Aalto-yliopisto 2017 Todennäköisyyslaskennan kertaus Satunnaismuuttujat ja tn-jakaumat Tunnusluvut χ 2 -, F- ja t-jakauma Riippumattomuus Tilastotieteen
LisätiedotLogistinen regressio, separoivat hypertasot
Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen
Lisätiedot1. Tietokoneharjoitukset
1. Tietokoneharjoitukset Aluksi Tällä kurssilla käytetään R-ohjelmistoa, jonka käyttämisestä lienee muutama sana paikallaan. R-ohjelmisto on laajasti käytetty vapaassa levityksessä oleva ammattimaiseen
LisätiedotLiito-oravan elinympäristöjen mallittaminen Tampereen seudulla
Liito-oravan elinympäristöjen mallittaminen Tampereen seudulla Ari Nikula Metsäntutkimuslaitos Rovaniemen toimintayksikkö Ari.Nikula@metla.fi / Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest
LisätiedotMITÄ VOIMME OPPIA KANSALAISKYSELYSTÄ?
TURUN YLIOPISTO MITÄ VOIMME OPPIA KANSALAISKYSELYSTÄ? Sirkka-Liisa Kivelä professori, ylilääkäri KYSELYTUTKIMUS Suoritettiin heinäkuussa 2008 puhelinkyselyinä Osallistujat: 35 55 vuotiaat (N=501) 65 70
LisätiedotENNUSTAVATKO MOTORISET TAIDOT JA LIIKUNNALLISET LEIKIT LAPSUUDESSA LIIKUNTA-AKTIIVISUUTTA JA KESTÄVYYSKUNTOA NUORUUDESSA?
ENNUSTAVATKO MOTORISET TAIDOT JA LIIKUNNALLISET LEIKIT LAPSUUDESSA LIIKUNTA-AKTIIVISUUTTA JA KESTÄVYYSKUNTOA NUORUUDESSA? Soveli Messut 2011 Jarno Purtsi esittäjänä Marko Kantomaan tutkimus Liiku, opi,
LisätiedotKuvio 1. Matematiikan seuranta-arvioinnin kaikkien tehtävien yhteenlaskkettu pistejakauma
TIIVISTELMÄ Opetushallitus arvioi keväällä 2011 matematiikan oppimistuloksia peruskoulun päättövaiheessa. Tiedot kerättiin otoksella, joka edusti kattavasti eri alueita ja kuntaryhmiä koko Suomessa. Mukana
LisätiedotSHKY Laske+elijatutkimus. Toukokuu 2016
SHKY Laske+elijatutkimus Toukokuu Johdanto Tutkimuksen tavoite Tutkimuksen tarkoituksena oli selvi+ää, miten saada jo laske+elua harrastavat henkilöt/taloudet vie+ämään useampia päiviä rinteessä? Lisäksi
LisätiedotTilastollisen tutkimuksen vaiheet
Tilastollisen tutkimuksen vaiheet Jari Päkkilä Johdatus tilastotieteeseen Matemaattisten tieteiden laitos TILASTOLLISEN TUTKIMUKSEN TARKOITUS Muodostaa mahdollisimman hyvä mielikuva havaintoaineistosta,
LisätiedotPäivähoidon asiakaskysely 2017 Joensuun kaupunki
Päivähoidon asiakaskysely 2017 Joensuun kaupunki Tulkintaohjeita Tässä raportissa käytetty seuraavia värikoodeja: - Suorat jakaumat (kaikki vastaajat), keskiarvot 1,0 3,59 Heikko taso 3,6 3,99 Hyvä taso
LisätiedotTaulukko 87b/1. Tarve käyttää rahaa pelaamiseen yhä enemmän opiskelun keston, opiskelupaikkakunnan ja koulutusalan mukaan (%) (YO)
Taulukko 87b/1. Tarve käyttää rahaa pelaamiseen yhä enemmän opiskelun keston, opiskelupaikkakunnan ja koulutusalan mukaan (%) (YO) en kyllä N % % 1. vuosi 381 97.9 2.1 2.-4. vuosi 838 96.7 3.3 5.-7. vuosi
LisätiedotALAKOULUN VIIDENNEN LUOKAN OPPILAIDEN HYVINVOINTI LÄNSI- JA KESKI-UUDENMAAN NELJÄSSÄ KUNNASSA SYYSLUKUKAUDELLA 2010
ALAKOULUN VIIDENNEN LUOKAN OPPILAIDEN HYVINVOINTI LÄNSI- JA KESKI-UUDENMAAN NELJÄSSÄ KUNNASSA SYYSLUKUKAUDELLA 2010 8.8.2011 Sisällys Johdanto... 2 1 Aineisto ja sen analysointi... 2 2 Tulokset... 2 2.1
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotMONISTE 2 Kirjoittanut Elina Katainen
MONISTE 2 Kirjoittanut Elina Katainen TILASTOLLISTEN MUUTTUJIEN TYYPIT 1 Mitta-asteikot Tilastolliset muuttujat voidaan jakaa kahteen päätyyppiin: kategorisiin ja numeerisiin muuttujiin. Tämän lisäksi
LisätiedotHarjoitukset 3 : Monimuuttujaregressio 2 (Palautus )
31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 3 : Monimuuttujaregressio 2 (Palautus 7.2.2017) Tämän harjoituskerran tehtävät
LisätiedotUsean selittävän muuttujan regressioanalyysi
Tarja Heikkilä Usean selittävän muuttujan regressioanalyysi Yhden selittävän muuttujan regressioanalyysia on selvitetty kirjan luvussa 11, jonka esimerkissä18 muodostettiin lapsen syntymäpainolle lineaarinen
Lisätiedot, c) x = 0 tai x = 2. = x 3. 9 = 2 3, = eli kun x = 5 tai x = 1. Näistä
Pitkä matematiikka 8.9.0, ratkaisut:. a) ( x + x ) = ( + x + x ) 6x + 6x = + 6x + 6x x = x =. b) Jos x > 0, on x = + x x = + x. Tällä ei ole ratkaisua. Jos x 0, on x = + x x = + x x =. c) x = x ( x) =
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,
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) SCI-C0200 Fysiikan ja matematiikan menetelmien studio SCI-C0200 Fysiikan ja matematiikan menetelmien studio 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä
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
LisätiedotKyselytutkimus suomalaisten näkemyksistä uhanalaisiin kaloihin, särkikaloihin ja kalan ympäristösertifiointiin
Olli Toivonen / WWF Kyselytutkimus suomalaisten näkemyksistä uhanalaisiin kaloihin, särkikaloihin ja kalan ympäristösertifiointiin Think If Laboratories / WWF Suomi Kestävällä kalalla -hanke 1 Kohderyhmä
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
LisätiedotUlkona liikkumista houkuttelevien ja estävien ympäristötekijöiden yhteydet kävelymodifikaatioihin kotona-asuvilla iäkkäillä ihmisillä
Ulkona liikkumista houkuttelevien ja estävien ympäristötekijöiden yhteydet kävelymodifikaatioihin kotona-asuvilla iäkkäillä ihmisillä Heidi Skantz 1, Taina Rantanen 1, Kirsi E. Keskinen 1, Timo Rantalainen
LisätiedotHyväksyttekö, että lehdellä on julkihomo tai -lesbo päätoimittaja?
TALOUSTUTKIMUS OY 20081010 08:52:55 TYÖ 2341.12 TAULUKKO 3010 ss VER % Kaikki Sukupuoli Ikä Ammatti Ruokakunta nainen mies 15-24 25-34 35-49 50-79 työn toimi eläke muu aikuis lapsi vuotta vuotta vuotta
Lisätiedotr = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.
A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät
Lisätiedot1. Tässä tehtävässä päätellään kaksilapsisen perheen lapsiin liittyviä todennäköisyyksiä.
TODENNÄKÖISYYS Aihepiirejä: Yhden ja kahden tapahtuman tuloksien käsittely ja taulukointi, ovikoodit, joukkueen valinta, bussin odotus, pelejä, urheilijoiden testaus kielletyn piristeen käytöstä, linnun
LisätiedotSegregaation eri ilmenemismuodot ja sukupuolten palkkaerot
Segregaation eri ilmenemismuodot ja sukupuolten palkkaerot Segregaatio ja sukupuolten väliset palkkaerot tutkimushankkeen päätösseminaari Valkoinen Sali, 25.04.2008 Reija Lilja (yhteistyössä Rita Asplundin,
LisätiedotSuosituimmat liikuntalajit Suomessa vuosina 2009 2010 3 18-vuotiaiden harrastajien lukumäärät
Suosituimmat liikuntalajit Suomessa vuosina 9 1 3 18-vuotiaiden harrastajien lukumäärät Jalkapallo Pyöräily Uinti Juoksulenkkeily Hiihto 217 18 166 149 147 Muutoksia eri lajien harrastajien lukumäärissä
LisätiedotHarjoitus 3: Regressiomallit (Matlab)
Harjoitus 3: Regressiomallit (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt MS-C2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Pienimmän neliösumman menetelmä mallin sovittamisessa
LisätiedotTilastollisia peruskäsitteitä ja Monte Carlo
Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia
LisätiedotSisällysluettelo 6 REGRESSIOANALYYSI. Metsämuuronen: Monimuuttujamenetelmien perusteet SPSS-ympäristössä ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...
Sisällysluettelo ALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON...5 SISÄLLYSLUETTELO... 6 LYHYT SANASTO VASTA-ALKAJILLE... 7 1. MONIMUUTTUJAMENETELMÄT IHMISTIETEISSÄ... 9 1.1 MONIMUUTTUJA-AINEISTON ERITYISPIIRTEITÄ...
LisätiedotKertaus. MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 1: Yleinen lineaarinen malli 1 Määritelmä
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
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
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotSHKY Laske+elijatutkimus. Toukokuu 2016
SHKY Laske+elijatutkimus Toukokuu 20 Johdanto Tutkimuksen tavoite Tutkimuksen tarkoituksena oli selvi+ää, miten saada jo laske+elua harrastavat henkilöt/taloudet vie+ämään useampia päiviä rinteessä? Lisäksi
LisätiedotPISA 2012 ENSITULOKSIA Pekka Kupari Jouni Välijärvi Koulutuksen tutkimuslaitos Jyväskylän yliopisto
PISA 2012 ENSITULOKSIA Pekka Kupari Jouni Välijärvi Koulutuksen tutkimuslaitos Jyväskylän yliopisto PISA 2012 Programme for International Student Assessment Viides tutkimus PISA-ohjelmassa: pääalueena
Lisätiedot805305A JOHDATUS REGRESSIO- JA VARIANSSIANALYYSIIN, sl 2017
Oulun yliopiston matemaattisten tieteiden tutkimusyksikkö/tilastotiede 805305A JOHDATUS REGRESSIO- JA VARIANSSIANALYYSIIN, sl 2017 (Esa Läärä & Jari Päkkilä) Harjoitus 5, viikko 40 (2. 6.10.): mikroluokkatehtävät
LisätiedotTAPAUS-VERROKKITUTKIMUS
TAPAUS-VERROKKI TUTKIMUKSEN TYYPIT JA TULOSTEN ANALYYSI Simo Näyhä Jari Jokelainen Kansanterveystieteen ja yleislääketieteen laitoksen jatkokoulutusmeeting.3.4.2007 TAPAUS-VERROKKITUTKIMUS Idea Tutkimusryhmät
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
LisätiedotLiikuntajärjestöjen rooli terveyden edistämisessä ja lihavuuden ehkäisyssä
Liikuntajärjestöjen rooli terveyden edistämisessä ja lihavuuden ehkäisyssä Lihavuus laskuun seminaari 26.10.2012 Jukka Karvinen, Nuori Suomi ry www.nuorisuomi.fi Miksi liikuntaa? Liikkumaan oppiminen on
LisätiedotKansallispuistojen luokitus
Kansallispuistojen luokitus Tuija Sievänen, Jenni Puustinen, Marjo Neuvonen ja Eija Pouta 10.3.2008 1 Taustaa Suojelualueiden virkistyskäytön tutkimus Suojelualueiden virkistyskäyttö ja aluetaloudelliset
LisätiedotJuuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri 0 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 9..08 Kertaus K. a) Alapaineiden pienin arvo on ja suurin arvo 74, joten vaihteluväli on [, 74]. b) Alapaineiden keskiarvo on 6676870774
LisätiedotEsimerkki 1: auringonkukan kasvun kuvailu
GeoGebran LASKENTATAULUKKO Esimerkki 1: auringonkukan kasvun kuvailu Auringonkukka (Helianthus annuus) on yksivuotinen kasvi, jonka varren pituus voi aurinkoisina kesinä hyvissä kasvuolosuhteissa Suomessakin
LisätiedotTaulukko 122b/1. Omien lasten lukumäärä opiskelun keston, opiskelupaikkakunnan ja koulutusalan mukaan (%) (YO)
Taulukko 122b/1. Omien lasten lukumäärä opiskelun keston, opiskelupaikkakunnan ja koulutusalan mukaan (%) (YO) Ei yhtään 1 lapsi 2 lasta 3 lasta tai enemmä n N % % % % 1. vuosi 379 96.6 1.6 1.8 0.0 2.-4.
LisätiedotHelsinkiläisten toimeentulotuen asiakkaiden terveyspalvelujen käyttö v. 2014
Helsinkiläisten toimeentulotuen asiakkaiden terveyspalvelujen käyttö v. 2014 Keskeiset tulokset: Terveyspalveluja käyttäneillä toimeentulotuen asiakkailla on ikävakioituna muita terveyspalveluja käyttäneitä
Lisätiedotkaupungit <- read.table("http://users.jyu.fi/~nataanko/kaupunkidata.txt", header=true)
TILP260 8. demot kevät 2012 Tehtävä 6. PISA-tutkimuksen monivaiheinen otanta Ositettu otanta Ositteina Ahvenanmaa, Uusimaa, Etelä-, Väli-, Itä- ja Pohjois-Suomi. Ositetun otannan avulla varmistetaan, että
LisätiedotTilastollisen analyysin perusteet Luento 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotNuorten aikuisten suhde uskontoon muuttuu entistä herkemmin
Kaikki Nainen Mies 1 Raportti ISSP 2018 kyselystä / Kirkon tutkimuskeskus Julkaisuvapaa 13.3.2019 klo 7.00. Nuorten aikuisten suhde uskontoon muuttuu entistä herkemmin Suomalaisten uskonnollisuutta kartoittaneesta
LisätiedotHarjoitus 9: Excel - Tilastollinen analyysi
Harjoitus 9: Excel - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen regressioanalyysiin
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.
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa 9. luento Pertti Palo 22.11.2012 Käytännön asioita Eihän kukaan paikallaolijoista tee 3 op kurssia? 2. seminaarin ilmoittautuminen. 2. harjoitustyön
Lisätiedot(b) Testaa valmistajan väitettä komponenttien keskimääräisestä 40 viikon elinajasta normaalijakaumamallin puitteissa (yhden otoksen t-testi).
Oulun yliopiston matemaattisten tieteiden tutkimusyksikkö/tilastotiede 805305A JOHDATUS REGRESSIO- JA VARIANSSIANALYYSIIN, sl 2018 (Jari Päkkilä) Harjoitus 3, viikko 37 (20. 21.9.): kotitehtävät 1. Erään
LisätiedotKorrelaatiokertoinen määrittely 165
kertoinen määrittely 165 Olkoot X ja Y välimatka- tai suhdeasteikollisia satunnaismuuttujia. Havaintoaineistona on n:n suuruisesta otoksesta mitatut muuttuja-arvoparit (x 1, y 1 ), (x 2, y 2 ),..., (x
LisätiedotKouluyhteisö liikunnallisuuden turvaajana. Minna Paajanen valtion liikuntaneuvoston pääsihteeri
Kouluyhteisö liikunnallisuuden turvaajana Minna Paajanen valtion liikuntaneuvoston pääsihteeri Esityksen sisältö Tuorein tieto lasten ja nuorten liikunnan tilasta Havaintoja lasten ja nuorten liikunnan
LisätiedotEpävarmuuden hallinta bootstrap-menetelmillä
1/17 Epävarmuuden hallinta bootstrap-menetelmillä Esimerkkinä taloudellinen arviointi Jaakko Nevalainen Tampereen yliopisto Metodifestivaalit 2015 2/17 Sisältö 1 Johdanto 2 Tavanomainen bootstrap Bootstrap-menettelyn
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
LisätiedotLASTEN JA NUORTEN VAPAA-AIKATUTKIMUS 2018:
LASTEN JA NUORTEN VAPAA-AIKATUTKIMUS : OIKEUS LIIKKUA Harrastukset ovat tärkeä osa lasten ja nuorten elämää. Suurimmalla osalla lapsista ja nuorista on jokin harrastus, ja he kokevat olevansa varsin tyytyväisiä
Lisätiedot