Kurssin puoliväli ja osan 2 teemat
|
|
- Ilmari Keskinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Kurssin puoliväli ja osan 2 teemat Kurssin osa 1 keskittyi mittaukseen, tiedonkeruuseen ja kuvailevaan tilastotieteeseen. Osassa 2 painottuu tilastollinen päättely, joka puolestaan rakentuu voimakkaasti todennäköisyys-käsitteen varaan. Osassa 2 perehdytään seuraaviin teemoihin: Teema 6: Todennäköisyys ja satunnaisuus Teema 7: Todennäköisyyksien laskentaa Teema 8: Parametrien estimointi ja luottamusvälit Teema 9: Tilastollinen merkitsevyystestaus Teema 10: Regressio- ja varianssianalyysi Osa 2 ei ole erillinen kokonaisuus vaan se kietoutuu monilta kohdin osan 1 teemoihin. Tämä vastaa käytäntöä, sillä päättelyssä ei ole mieltä ilman aineiston perusteellista kuvailua. Teema 6: Todennäköisyys ja satunnaisuus Käsite todennäköisyys kohdataan päivittäin mm. sääennusteissa, uutisraporteissa, peliarvonnoissa, tulevaisuuden suunnitelmissa jne. Mitä todennäköisyys tarkoittaa ja miten sitä pitäisi tulkita? Todennäköisyys voidaan määritellä matemaattisena käsitteenä, mutta tällä kurssilla keskitytään todennäköisyyden tulkintoihin: 1. todennäköisyyden frekvenssitulkinta 2. subjektiivinen todennäköisyys 3. klassinen todennäköisyys Tulkinnasta riippumatta todennäköisyydelle on ominaista, että eri vaihtoehtojen toteutuminen on luonteeltaan satunnaista, ts. sattuma määrää, mikä vaihtoehto kulloinkin toteutuu. Tällaista tapahtumaa kutsutaan satunnaisilmiöksi. Se rakentuu useammista mahdollisista vaihtoehdoista (jos vaihtoehtoja on vain yksi, ilmiö ei ole satunnainen vaan deterministinen).
2 1. Todennäköisyyden frekvenssitulkinta Tarkastellaan tilannetta, jossa satunnaisilmiö esiintyy useita kertoja. Vaihtoehdon todennäköisyydeksi määritellään sen esiintymiskertojen suhteellinen frekvenssi. Esimerkki: rahanheitto vaihtoehdot kruuna tai klaava Historiaa (koesarjoja oikeilla kolikoilla): 1. Comte de Buffon (1700-luvulla) 4040 heittoa, 2048 kruunaa (2048/4040=0.5069) 2. Karl Pearson (1800-luvulla) heittoa, kruunaa (12012/24000=0.5005) 3. John Kerrich (1900-luvulla) heittoa, 5067 kruunaa (5067/10000=0.5067) Odotettu arvo on 1/2 = 0.5, kunhan raha on harhaton. (Huomaa, että yhdessäkään kokeessa suhteellinen frekvenssi ei ole tasan 0.5). Rahanheittokoe Survolla: heittoa, kruunaa 0.8 kruunan suhteellinen frekvenssi heittojen lukumäärä Heitot perustuvat (pseudo)satunnaislukugeneraattorin käyttöön, jossa aitoa satunnaisuutta jäljitellään täysin deterministisesti: Simulointikokeissa pitää luoda mahdollisimman satunnaisia lukusarjoja. Toisaalta tieteelliset kokeet on voitava toistaa täsmälleen samanlaisina. Vaikuttaako ristiriitaiselta? Sattuman jäljittely ei ole helppoa!
3 Todennäköisyyden frekvenssitulkinta: johtopäätöksiä Edellä olevissa kokeissa poikkeamat ennakko-odotusten mukaisesta arvosta 1/2 ovat tulkittavissa satunnaisvaihteluksi. Poikkeamien merkittävyyttä voidaan testata tilastollisesti (ks. Teema 9). Kurssin alussa perehdyttiin mittaamiseen ja tiedonkeruuseen, jotka molemmat tuovat tilastolliseen tutkimukseen epävarmuuksia. Osa näistä epävarmuuksista on satunnaisvaihtelua. Tilastollinen päättely edellyttää, että satunnaisilmiö noudattaa todennäköisyyden lakeja, ts. eri vaihtoehtoihin voidaan liittää todennäköisyydet, jotka kuvastavat ilmiön säännönmukaisuutta, kun sitä toistetaan. Frekvenssitulkinnan avulla määritelty todennäköisyys edellyttää useampia satunnaisilmiötä koskevia empiirisiä havaintoja. Niinpä on tapana puhua myös todennäköisyyden empiirisestä tulkinnasta. Todennäköisyyden frekvenssitulkinta: merkintätavat Oletetaan, että satunnaisilmiö on toistunut n kertaa, ja tapahtuma A on esiintynyt f kertaa. Tällöin A:n frekvenssi on f ja A:n suhteellinen frekvenssi f /n. Frekvenssitulkinnan mukaisesti A:n todennäköisyys on P(A) = f n, jossa P tulee englannin kielen sanasta probability (todennäköisyys). Koska 0 f n, niin 0 P(A) 1. Ääritapaukset: P( A on mahdoton ) = 0 P( A on varma ) = 1 Todennäköisyydestä käytetään usein myös merkintää P(A) = p.
4 Todennäköisyyden frekvenssitulkinta: tilastot Jotta suhteellisen frekvenssin tulkinta todennäköisyydeksi olisi luotettavaa, tarvitaan verrattain paljon havaintoja. Ainakaan Suomessa tämä ei ole mikään ongelma, sillä tietoja kerätään ahkerasti erilaisiin rekistereihin ja tilastoihin. Esimerkki: kuolemanvaara (todennäköisyys kuolla ko. ikävuoden aikana) Suomalaisten kuolemanvaara vuonna 2006 ( ikävuodet 0-7 erikseen: ikä vuosina Miehet Naiset Todennäköisyyden frekvenssitulkinta: perustelu Edellä käsitelty todennäköisyyden frekvenssitulkinta perustuu suurten lukujen lakiin, jonka voi sanallisesti kuvata seuraavasti: Tapahtuman suhteellinen frekvenssi f /n lähestyy tapahtuman todennäköisyyttä p, kun toistojen lukumäärä kasvaa. Tällaista lähestymistä kutsutaan stokastiseksi: todennäköisyys, että f /n eroaa p:stä tulee yhä pienemmäksi, ts. näiden poikkeama tulee yhä epätodennäköisemmäksi. Suurten lukujen laki takaa tilastollisen stabiliteetin, jonka varassa voidaan tehdä luotettavia johtopäätöksiä. Tilastojen osalta frekvenssitulkinta nojaa siihen, että tietoja on kerätty riittävän pitkältä ajalta ja että ne ovat ajallisesti tarkasteltuina vertailukelpoisia.
5 2. Subjektiivinen todennäköisyys Todennäköisyyksiä voidaan esittää myös yksittäisille tapahtumille: P( lähialueella sattuu ydinvoimalaonnettomuus ) =? P( kaksi lentokonetta törmää toisiinsa ) =? P( aurinkokunnan ulkopuolelta löytyy elämää ) =? P( Liverpool voittaa Mestarien liigan 2009 ) =? Kaikki tällaiset todennäköisyydet ovat parhaimmillaankin vain erilaisten riskiarvioiden yhdistelmiä, ja edustavat siten lopulta subjektiivisia todennäköisyyksiä. Edellä käsitelty frekvenssitulkinta sopii näihin huonosti. Sen sijaan luetellun kaltaisista tapahtumista voidaan lyödä vetoa. Vedonlyönti onkin eräs subjektiivisen todennäköisyyden ilmenemismuoto, mutta vedonlyöntisuhteella (engl. odds) on käyttöä myös tilastollisten aineistojen analysoinnissa niin epidemiologiassa kuin yhteiskuntatieteissäkin. 3. Klassinen todennäköisyys Historiallinen alkuperä: uhkapelit 1600-luvun Ranskassa satunnaisilmiö jaetaan symmetrisiin, toisensa poissulkeviin alkeistapahtumiin alkeistapahtuma: tapahtuma, jota ei voida jakaa osiin toisensa poissulkevat: eivät voi esiintyä yhtaikaa symmetria: alkeistapahtumilla sama todennäköisyys (reilu peli) todennäköisyydet selvitetään päättelemällä Esimerkki: nopanheitto silmäluvut 1, 2, 3, 4, 5, 6. P( nopanheitossa saadaan silmäluku i ) = 1/6, i = 1, 2,..., 6. Yleisesti: Oletetaan, että satunnaisilmiön alkeistapahtumia on n, ja näistä tapahtumaan A johtavia alkeistapahtumia on k kpl. A:n (klassinen) todennäköisyys on näiden A:lle suotuisten alkeistapahtumien suhteellinen osuus P(A) = k n.
6 Klassinen todennäköisyys: esimerkkejä Esimerkki: rahanheitto Rahanheittoa voidaan käsitellä myös klassisena todennäköisyytenä. Alkeistapahtumia vastaavat todennäköisyydet päätellään suoraan: P( tulee kruuna ) = P( tulee klaava ) = 1/2. Esimerkki: kahden nopan heitto (tai saman nopan kahdesti) Mahdollisia tulospareja (alkeistapahtumia) on 6 6 = 36 kpl: (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) Symmetrisyyden perusteella jokaisen todennäköisyys on 1/36. Klassinen todennäköisyys: esimerkkejä Heitetään kahta noppaa. Olkoon tarkasteltava tapahtuma A = Saadaan kummallakin nopalla sama silmäluku. Tapahtumalle A suotuisat alkeistapahtumat saadaan helposti poimittua edellä olevasta luettelosta. Suotuisia on kaikkiaan 6 kpl: (1,1) (2,2) (3,3) (4,4) (5,5) (6,6) Tällöin P(A) = 6/36 = 1/ Jos taas A = Silmälukujen summa on vähintään 9, suotuisia ovat (3,6) (4,5) (4,6) (5,4) (5,5) (5,6) (6,3) (6,4) (6,5) (6,6) ja P(A) = 10/
7 Kurssin osallistujien sukupuolijakauma tiedekunnittain Lähde: WebOodi/KV (syksy 2008) Sukupuoli Tiedekunta nainen mies yhteensä Valtiotieteellinen Matemaattis luonnontieteellinen Käyttäytymistieteellinen Biotieteellinen Humanistinen Maatalous metsätieteellinen Lääketieteellinen Oikeustieteellinen Eläinlääketieteellinen Farmasia Teologinen yhteensä Keskustakampus 2 Kumpulan kampus 3 Viikin kampus 4 Meilahden kampus Kurssin osallistujien sukupuolijakauma tiedekunnittain Seuraavissa tarkasteluissa edellä olevan taulukon esittämää kurssin osallistujien joukkoa kutsutaan perusjoukoksi. Valitaan tästä perusjoukosta opiskelija satunnaisesti ja tarkastellaan erilaisia toisensa poissulkevia alkeistapahtumia A = Satunnaisesti valittu opiskelija on x. Alkeistapahtumia on 403 kpl. Jokaisella opiskelijalla on sama mahdollisuus tulla valituksi, joten P(A) = 1/ Määritellään tarkemmin tapahtumat H ja K: H = [... ] opiskelija on humanistisesta tiedekunnasta K = [... ] on jostakin keskustakampuksen tiedekunnasta H:lle suotuisia alkeistapahtumia on 12. K:lle suotuisia on yhteensä =281 joten saadaan P(H) = 12/ ja P(K) = 281/
8 Todennäköisyyslaskennan päättely- tai laskusäännöt Monimutkaisempien tapahtumien todennäköisyyksien määräämistä voidaan olennaisesti helpottaa päättely- tai laskusääntöjen avulla. Ideana on palauttaa tarkastelu yksinkertaisempiin tapahtumiin ja niiden yhdistelmiin. Tärkeimmät käsitteet ja säännöt: 1. toisensa poissulkevat tapahtumat ja yhteenlaskusääntö 2. yhtaikaiset tapahtumat ja yhteenlaskusääntö 3. komplementtitapahtuma ja sen todennäköisyys 4. ehdollinen todennäköisyys ja tulosääntö 5. riippumattomuus ja tulosääntö Päättelysääntöihin perehdytään tässä yhteydessä edellä esitetyn klassisen todennäköisyyden avulla, koska se on käsitteellisesti yksinkertaisinta. Samat säännöt pätevät kuitenkin riippumatta todennäköisyyden tulkintatavasta. Toisensa poissulkevat tapahtumat ja yhteenlaskusääntö Tapahtuma A ja tapahtuma B ovat toisensa poissulkevia, mikäli ne eivät voi esiintyä yhtaikaa. Esiintyy siis vain A tai B (ei A ja B). Oletetaan, että opiskeluoikeuden saisi vain yhteen tiedekuntaan. Tällöin tapahtumat A = [... ] on biotieteellisestä tiedekunnasta B = [... ] on maatalous metsätieteellisestä tiedekunnasta ovat toisensa poissulkevia. Yhteenlaskusääntö toisensa poissulkeville tapahtumille: P(A tai B) = P(A) + P(B) Taulukosta nähdään, että P(A tai B) = 20/ /403 = 29/ , joka on samalla todennäköisyys yhdistetylle tapahtumalle A tai B = [... ] on jostakin Viikin kampuksen tiedekunnasta.
9 Yhtaikaiset tapahtumat ja yhteenlaskusääntö Jos tapahtuma A ja tapahtuma B eivät ole toisensa poissulkevia, niillä on yhteinen osuus (A ja B), joka tulee vähentää pois todennäköisyyksiä laskettaessa. Esimerkiksi tapahtumat A = Satunnaisesti valittu opiskelija on nainen B = [... ] on valtiotieteellisestä tiedekunnasta voivat esiintyä yhtaikaa. Yhteenlaskusääntö yhtaikaisille tapahtumille: P(A tai B) = P(A) + P(B) P(A ja B), Taulukosta nähdään, että P(A ja B) = 148/403, joten P(A tai B) = 249/ / /403 = 329/ Ilman yhteisosuuden vähennystä tulos olisi tässä järjetön (> 1)! Komplementtitapahtuma ja sen todennäköisyys Jos tapahtuma A ei esiinny tarkastellussa satunnaisilmiössä, niin tällöin esiintyy sen komplementtitapahtuma A C. Olkoon edellä olevassa kurssin osallistujien esimerkissä A = Satunnaisesti valittu opiskelija on nainen, jolloin A:n komplementtitapahtuma on A C = Satunnaisesti valittu opiskelija on mies. Komplementtitapahtuman todennäköisyys: P(A C ) = 1 P(A) Taulukosta nähdään, että P(A C ) = 1 P(A) = 1 249/403 = Samaan tulokseen päädytään suoralla päättelyllä P(A C ) = 154/
10 Ehdollinen todennäköisyys Tarkastellaan tapahtumia A ja B olettaen että B esiintyy. Käytännön tutkimuksessa tärkeän tyyppinen kysymys on: Mitä A:n todennäköisyys on, jos B otetaan huomioon? Tätä todennäköisyyttä kutsutaan A:n ehdolliseksi todennäköisyydeksi ehdolla B, ja sitä merkitään P(A B). Olkoot edellä olevassa kurssin osallistujien esimerkissä A = Satunnaisesti valittu opiskelija on nainen ja B = [... ] on valtiotieteellisestä tiedekunnasta. Taulukosta nähdään, että P(A B) = 148/ Kun B:n esiintyminen otetaan huomioon, riittää määrätä naisten suhteellinen osuus valtiotieteellisen tiedekunnan opiskelijoista. Huomaa: jos ehtotapahtumaksi vaihdetaan A, tilanne on eri: P(B A) = 148/ Ehdollinen todennäköisyys ja tulosääntö Tarkastellaan yhdistettyä tapahtumaa A ja B. Olkoot jälleen A = Satunnaisesti valittu opiskelija on nainen B = [... ] on valtiotieteellisestä tiedekunnasta jolloin A ja B = [... ] on nainen valtiotieteellisestä tiedekunnasta. Tulosääntö yhdistetylle tapahtumalle: P(A ja B) = P(A B) P(B) = P(B A) P(A) Taulukosta nähdään, että P(A ja B) = P(A B) P(B) = 148/ / , P(A ja B) = P(B A) P(A) = 148/ / Jos yhdistetyn tapahtuman A ja B todennäköisyys on helppo määrätä, sen avulla saadaan ehdollinen todennäköisyys P(A B) = P(A ja B) P(B) tai P(B A) = P(A ja B). P(A)
11 Riippumattomuus ja tulosääntö Jos ehdolliseen todennäköisyyteen P(A B) liittyvässä tilanteessa ehtotapahtumalla B ei ole vaikutusta A:n todennäköisyyteen, niin tapahtumat A ja B ovat riippumattomia, ts. tällöin A:n todennäköisyys ei muutu, otettiin B huomioon tai ei. Tapahtumat A ja B ovat siis riippumattomia, jos P(A B) = P(A) Riippumattomuus on eräs keskeisiä tilastollisia käsitteitä. Tulosääntö riippumattomille tapahtumille: P(A ja B) = P(A) P(B) Sama sääntö pätee myös toisinpäin: jos P(A ja B) = P(A) P(B), niin A ja B ovat riippumattomia. Riippumattomuuden käsitteestä Esimerkki (Ilkka Mellin: Johdatus tilastotieteeseen, 1.kirja, s. 251): Oletetaan, että uurnassa on 3 numeroitua arpaa (1, 2 ja 3), joita nostetaan satunnaisesti. Oletetaan, että on nostettu arpa nro 3. Kaksi toimintatapaa: 1. Palautetaan arpa uurnaan. Tällöin todennäköisyys saada arpa nro 1 on 1/3. Täsmällisemmin: P( nostetaan nro 1 nostetaan nro 3 ) = 1/3 = P( nostetaan nro 1 ). Ehto ei siis vaikuta, joten tapahtumat ovat toisistaan riippumattomia. 2. Ei palauteta arpaa uurnaan. Tällöin todennäköisyys saada arpa nro 1 on 1/2, koska jäljellä on enää kaksi arpaa. Täsmällisemmin: P( nostetaan nro 1 nostetaan nro 3 ) = 1/2 P( nostetaan nro 1 ). Ehto siis vaikuttaa, joten tapahtumat ovat toisistaan riippuvia. Tavat 1 ja 2 vastaavat erilaisia otoksen poimintatapoja (ks. Teema 8). Teoriatasolla täydellinen riippumattomuus on osoitettavissa vain melko yksinkertaisissa tilanteissa. Käytännössä joudutaan riippumattomuudesta tekemään oletuksia joko intuitiivisesti tai sen perusteella, mitä tutkittavasta ilmiöstä tiedetään. Tällaisten oletusten pätevyyttä voidaan (ja on syytä) testata tilastollisesti. Testaamiseen perehdytään Teemassa 9.
Todennäköisyys (englanniksi probability)
Todennäköisyys (englanniksi probability) Todennäköisyyslaskenta sai alkunsa 1600-luvulla uhkapeleistä Ranskassa (Pascal, Fermat). Nykyisin todennäköisyyslaskentaa käytetään hyväksi mm. vakuutustoiminnassa,
Lisätiedot(x, y) 2. heiton tulos y
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 2, 4, 6, 8, 11 Pistetehtävät: 3, 5, 9, 12 Ylimääräiset tehtävät: 7, 10, 13 Aiheet: Joukko-oppi Todennäköisyys ja sen määritteleminen
LisätiedotVarma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Unioni, Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Alkeistapahtuma, Ehdollinen todennäköisyys,
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Todennäköisyyslaskennan käsitteitä Satunnaisuus ja deterministisyys Deterministisessä ilmiössä alkutila määrää lopputilan yksikäsitteisesti. Satunnaisilmiö puolestaan arpoo - yhdestä alkutilasta voi päätyä
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila Kalvoissa käytetään materiaalia P. Palon vuoden 2005 kurssista. 07.09.2007 Antti Rasila () SovTodB 07.09.2007 07.09.2007 1 / 24 1 Todennäköisyyslaskennan
LisätiedotMat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:
Mat-2.091 Sovellettu todennäköisyyslasku Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma, Ehdollinen todennäköisyys, Erotustapahtuma,
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I Tehtävä 1 on klassikko. 1. Tässä tehtävässä tapahtumat A ja B eivät välttämättä
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden peruslaskusäännöt
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden peruslaskusäännöt TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden peruslaskusäännöt >> Uusien tapahtumien muodostaminen
LisätiedotMiten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Kurssi käsittelee todennäköisyyslaskentaa ja tilastotiedettä. Laaditaan satunnaisilmiöille todennäköisyysmalleja. Miten hyvin mallit kuvaavat todellisuutta?
LisätiedotTodennäköisyys. Antoine Gombaud, eli chevalier de Méré?.? Kirjailija ja matemaatikko
Todennäköisyys TOD.NÄK JA TILASTOT, MAA10 Todennäköisyyslaskennan juuret ovat ~1650-luvun uhkapeleissä. Kreivi de Mérén noppapelit: Jos noppaa heitetään 4 kertaa, niin kannattaako lyödä vetoa sen puolesta,
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyys ja sen määritteleminen. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyys ja sen määritteleminen TKK (c) Ilkka Mellin (2005) 1 Todennäköisyys ja sen määritteleminen Deterministisyys ja satunnaisuus Todennäköisyyden määritteleminen
LisätiedotIlkka Mellin Todennäköisyyslaskenta
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Johdanto: Deterministisyys ja satunnaisuus Todennäköisyyden määritteleminen Todennäköisyyslaskennan peruskäsitteet TKK (c)
Lisätiedot1. laskuharjoituskierros, vko 4, ratkaisut
1. laskuharjoituskierros, vko 4, ratkaisut D1. Heitetään kahta virheetöntä noppaa, joiden kuudella tahkolla on silmäluvut 1, 2, 3, 4, 5 ja 6. Tällöin heittotuloksiin liittyvä otosavaruus on S = {(x, y)
LisätiedotTodennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset
Todennäköisyyslaskenta I, kesä 207 Helsingin yliopisto/avoin Yliopisto Harjoitus, ratkaisuehdotukset. Kokeet ja Ω:n hahmottaminen. Mitä tarkoittaa todennäköisyys on? Olkoon satunnaiskokeena yhden nopan
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
M-0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 1: Todennäköisyyslaskennan peruskäsitteet; Todennäköisyyden aksioomat; Todennäköisyyslaskennan peruslaskusäännöt; Kokonaistodennäköisyyden
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
LisätiedotKäytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:
8.1 Satunnaismuuttuja Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella: Esim. Nopanheitossa (d6) satunnaismuuttuja X kertoo silmäluvun arvon. a) listaa kaikki satunnaismuuttujan arvot b)
LisätiedotTodennäköisyyslaskennan peruslaskusäännöt. Todennäköisyyslaskennan peruslaskusäännöt. Todennäköisyyslaskennan peruslaskusäännöt: Esitiedot
TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskennan peruslaskusäännöt Johdatus todennäköisyyslaskentaan Todennäköisyyslaskennan peruslaskusäännöt TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskennan
LisätiedotTodennäköisyyslaskenta: Todennäköisyys ja sen laskusäännöt
Todennäköisyys ja sen laskusäännöt Todennäköisyyslaskenta: Todennäköisyys ja sen laskusäännöt 1. Johdanto 2. Joukko-opin peruskäsitteet 3. Todennäköisyyslaskennan peruskäsitteet 4. Todennäköisyyslaskennan
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt
Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt - Satunnaiskokeet, otosavaruudet ja tapahtumat - Todennäköisyyden määritteleminen KE (2014) 1 Satunnaiskokeet, otosavaruudet ja tapahtumat
LisätiedotB. Siten A B, jos ja vain jos x A x
Mat-1.2600 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Johdanto Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat: Alkeistapahtuma,
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyden peruslaskusäännöt. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyden peruslaskusäännöt TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden peruslaskusäännöt Tapahtumat Peruslaskusäännöt todennäköisyydelle Ehdollinen todennäköisyys
LisätiedotKurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten
Todennäköisyys Kurssilla esitetään lyhyt katsaus niihin todennäköisyyden ja satunnaisprosessien peruskäsitteisiin ja -ominaisuuksiin, joita tarvitaan digitaalisten tietoliikennejärjestelmien ymmärtämisessä
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyden aksioomat >> Todennäköisyyden määritteleminen Todennäköisyyden
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyslaskenta ja puudiagrammit Puutodennäköisyydet Todennäköisyyslaskennan laskusääntöjen
LisätiedotJohdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat TKK (c) Ilkka Mellin (2005) 1 Todennäköisyyden aksioomat Todennäköisyyden määritteleminen Todennäköisyyden aksioomat äärellisissä otosavaruuksissa
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotTodennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit. Todennäköisyyslaskenta ja puudiagrammit: Esitiedot
TKK (c) Ilkka Mellin (2004) 1 Todennäköisyyslaskenta ja puudiagrammit iite: Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2004) 2 Todennäköisyyslaskenta ja puudiagrammit: Mitä opimme? Verkkoteoria
LisätiedotLiite 2: Verkot ja todennäköisyyslaskenta. Todennäköisyyslaskenta ja puudiagrammit
Ilkka Mellin Todennäköisyyslaskenta Liite 2: Verkot ja todennäköisyyslaskenta Todennäköisyyslaskenta ja puudiagrammit TKK (c) Ilkka Mellin (2007) 1 Todennäköisyyslaskenta ja puudiagrammit >> Puutodennäköisyydet
LisätiedotJohdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava TKK (c) Ilkka Mellin (2005) 1 Kokonaistodennäköisyys ja Bayesin kaava Kokonaistodennäköisyys ja Bayesin kaava: Johdanto Kokonaistodennäköisyyden
LisätiedotMat Sovellettu todennäköisyyslasku A
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Klassinen todennäköisyys ja kombinatoriikka Todennäköisyyden aksioomat Kokonaistodennäköisyys ja Bayesin kaava Bayesin kaava,
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemianalyysin laboratorio Nordlund Mat-2.090 Sovellettu todennäköisyyslasku Harjoitus 2 (vko 39/2003) (ihe: tapahtumien todennäköisyys, Laininen luvut 1.6 2.4) 1. Tarkastellaan rinnan- ja sarjaankytketyistä
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1 Aiheet: Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Klassinen
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
Lisätiedot&idx=2&uilang=fi&lang=fi&lvv=2015
20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotTODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS
TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS Klassinen todennäköisyys P suotuisten alkeistapausten lkm kaikkien alkeistapausten lkm P( mahdoton tapahtuma ) = 0 P( varma tapahtuma ) = 1 0 P(A) 1 Todennäköisyys
LisätiedotA. Jos A on niiden perusjoukon S alkioiden x joukko, jotka toteuttavat ehdon P(x) eli joille lause P(x) on tosi, niin merkitsemme
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 1 Aiheet: Joukko-opin peruskäsitteet Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Klassinen todennäköisyys
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015
12.1.2016/1 MTTTP5, luento 12.1.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585&i dx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTeema 8: Parametrien estimointi ja luottamusvälit
Teema 8: Parametrien estimointi ja luottamusvälit Todennäköisyyslaskennan perusteet (Teemat 6 ja 7) antavat hyvän pohjan siirtyä kurssin viimeiseen laajempaan kokonaisuuteen, nimittäin tilastolliseen päättelyyn.
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi
LisätiedotOsa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Kokonaistodennäköisyyden ja Bayesin kaavat TKK (c) Ilkka Mellin (2007) 1 Kokonaistodennäköisyys ja Bayesin kaava >> Kokonaistodennäköisyys
Lisätiedot1. Matkalla todennäköisyyteen
1. Matkalla todennäköisyyteen Wovon man nicht sprechen kann, darüber muss man schweigen (Ludwig Wittgenstein, Tractatus Logico-Philosophicus 1921) Miten ihmeessä tämä liittyy tähän kurssiin????!?? 1.1
Lisätiedot(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.
Todennäköisyyslaskenta I, kesä 7 Harjoitus 4 Ratkaisuehdotuksia. Satunnaismuuttujalla X on ns. kaksipuolinen eksponenttijakauma eli Laplacen jakauma: sen tiheysfunktio on fx = e x. a Piirrä tiheysfunktio.
LisätiedotTeema 7: Todennäköisyyksien laskentaa
Teema 7: Todennäköisyyksien laskentaa Teemassa 6 tutustuttiin todennäköisyyden ja satunnaisuuden käsitteisiin sekä todennäköisyyslaskennan perusteisiin. Seuraavaksi tätä aihepiiriä syvennetään perehtymällä
LisätiedotH0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta
22.1.2019/1 MTTTA1 Tilastomenetelmien perusteet Luento 22.1.2019 Luku 3 2 -yhteensopivuus- ja riippumattomuustestit 3.1 2 -yhteensopivuustesti H0: otos peräisin tietystä jakaumasta H1: otos ei peräisin
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
Lisätiedot5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3
Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Verkot todennäköisyyslaskennassa Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut Kertymäfunktio, Momentit, Odotusarvo,
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta
Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2005) 1 Verkot ja todennäköisyyslaskenta >> Puudiagrammit todennäköisyyslaskennassa:
Lisätiedothttps://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015
25.10.2016/1 MTTTP5, luento 25.10.2016 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa
LisätiedotSuotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä
Todennäköisyys 1 Klassinen todennäköisyys: p = Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä Esimerkkejä: Nopan heitto, kolikon heitto Satunnaismuuttuja Tilastollisesti vaihtelevaa
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 2A Satunnaismuuttujan odotusarvo Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
Lisätiedot1. Kuinka monella tavalla joukon kaikki alkiot voidaan järjestää jonoksi? Tähän antaa vastauksen: tuloperiaate ja permutaatio
TOD.NÄK JA TILASTOT, MAA10 Kombinatoriikka Todennäköisyyksiä (-laskuja) varten tarvitaan tieto tapahtumille suotuisien alkeistapausten lukumäärästä eli tapahtumaa vastaavan osajoukon alkioiden lukumäärästä.
LisätiedotTodennäköisyyslaskenta IIa, syyslokakuu 2019 / Hytönen 2. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syyslokakuu 019 / Hytönen. laskuharjoitus, ratkaisuehdotukset 1. Kurssilla on 0 opiskelijaa, näiden joukossa Jutta, Jyrki, Ilkka ja Alex. Opettaja aikoo valita umpimähkään opiskelijan
Lisätiedot9 Yhteenlaskusääntö ja komplementtitapahtuma
9 Yhteenlaskusääntö ja komplementtitapahtuma Kahta joukkoa sanotaan erillisiksi, jos niillä ei ole yhtään yhteistä alkiota. Jos pysytellään edelleen korttipakassa, niin voidaan ilman muuta sanoa, että
LisätiedotLuku 1. Johdanto. 1.1 Todennäköisyys ja tilastotiede. 1.2 Havaitut frekvenssit ja empiiriset jakaumat
Luku 1 Johdanto 1.1 Todennäköisyys ja tilastotiede Tämä kurssi käsittelee sekä todennäköisyyslaskentaa että tilastotiedettä. Uhkapelurien ongelmat inspiroivat todennäköisyyslaskennan uranuurtajien ajattelua,
LisätiedotJOHDATUS TEKOÄLYYN LUENTO 4.
2009 CBS INTERACTIVE JOHDATUS TEKOÄLYYN LUENTO 4. TODENNÄKÖISYYSMALLINNUS II: BAYESIN KAAVA TEEMU ROOS Marvin Minsky Father of Artificial Intelligence, 1927 2016 PINGVIINI(tweety) :- true. Wulffmorgenthaler
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
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotJohdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Verkot ja todennäköisyyslaskenta TKK (c) Ilkka Mellin (2004) 1 Verkot ja todennäköisyyslaskenta Puudiagrammit todennäköisyyslaskennassa: Johdatteleva esimerkki Todennäköisyyslaskenta
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotD ( ) E( ) E( ) 2.917
Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,
LisätiedotTodennäköisyyslaskenta 1/7 Sisältö ESITIEDOT: joukko-oppi, lukumäärän laskeminen, funktiokäsite Hakemisto
Todennäköisyyslaskenta /7 Sisältö ESITIEDOT: joukko-oppi, n laskeminen, käsite Hakemisto Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennassa tarkastelun kohteena ovat satunnaisilmiöt.esimerkkejä
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 14. syyskuuta 2007 Antti Rasila () TodB 14. syyskuuta 2007 1 / 21 1 Kokonaistodennäköisyys ja Bayesin kaava Otosavaruuden ositus Kokonaistodennäköisyyden
LisätiedotTilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.
Kertaus Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Luokiteltu aineisto. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo. Hajontaluvut luokittelemattomalle
Lisätiedot031021P Tilastomatematiikka (5 op)
031021P Tilastomatematiikka (5 op) Jukka Kemppainen Mathematics Division Yleinen todennäköisyys Kertausmateriaalissa esiteltiin koulusta tuttuja todennäköisyysmalleja. Tällä kurssilla todennäköisyys on
LisätiedotOTATKO RISKIN? peli. Heitä noppaa 3 kertaa. Tavoitteena on saada
OTATKO RISKIN? peli 1. Heitä noppaa 20 kertaa. Tavoitteena on saada vähintään 10 kertaa silmäluku 4, 5 tai 6. Jos onnistut, saat 300 pistettä. Jos et onnistu, menetät 2. Heitä noppaa 10 kertaa. Tavoitteena
LisätiedotFoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.
FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa Luentokuulustelujen esimerkkivastauksia Pertti Palo 30. marraskuuta 2012 Saatteeksi Näiden vastausten ei ole tarkoitus olla malleja vaan esimerkkejä.
LisätiedotD ( ) Var( ) ( ) E( ) [E( )]
Mat-.2620 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Diskreettejä jakaumia Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Eksponenttijakauma, Geometrinen jakauma, Hypergeometrinen
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
Lisätiedot6. laskuharjoitusten vastaukset (viikot 10 11)
6. laskuharjoitusten vastaukset (viikot 10 11) 1. a) Sivun 102 hypergeometrisen jakauman määritelmästä saadaan µ µ 13 39 13! 13 12 11 10 9 µ 0! 8! 1! 2 2! 2 1 0 49 48! 47!! 14440 120 31187200 120 1287
Lisätiedot30A02000 Tilastotieteen perusteet
30A02000 Tilastotieteen perusteet Kertaus 1. välikokeeseen Lauri Viitasaari Tieto- ja palvelujohtamisen laitos Kauppatieteiden korkeakoulu Aalto-yliopisto Syksy 2019 Periodi I-II Sisältö Välikokeesta Joukko-oppi
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 13. syyskuuta 2007 Antti Rasila () TodB 13. syyskuuta 2007 1 / 21 1 Klassinen todennäköisyys 2 Kombinatoriikkaa Kombinatoriikan perusongelmat Permutaatiot
LisätiedotMiten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?
21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä
LisätiedotMääritelmiä. Nopanheitossa taas ω 1 = saadaan 1, ω 2 = saadaan 2,..., ω 6 = saadaan
Todennäköisyys Todennäköisyys on epävarman matematiikkaa. Matemaattinen todennäköisyys mallintaa satunnaisia ilmiöitä, kuten esimerkiksi nopantai lantinheitto. Todennäköisyyttä voi lähestyä mm. tilastollisesti
LisätiedotLuento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja
1 Luento 23.9.2014 KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja 2 Ristiintaulukko Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) 3 Esim. 5.2.6. Markkinointisuunnitelma
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
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,
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Klassinen todennäköisyys ja kombinatoriikka Klassinen todennäköisyys Olkoon S = {s 1,s 2,...,s n } äärellinen otosavaruus. Oletetaan, että Pr(s i ) = 1, kaikille i = 1, 2,...,n n Tällöin alkeistapahtumat
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
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).
Lisätiedot11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
LisätiedotMAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen
MAT-5 Todennäköisyyslaskenta Tentti.. / Kimmo Vattulainen Vastaa jokainen tehtävä eri paperille. Funktiolaskin sallittu.. a) P A). ja P A B).6. Mitä on P A B), kun A ja B ovat riippumattomia b) Satunnaismuuttujan
LisätiedotTKK @ Ilkka Mellin (2008) 1/5
Mat-1.2620 Sovellettu todennäköisyyslaskenta B / Tehtävät Demo-tehtävät: 1, 3, 6, 7 Pistetehtävät: 2, 4, 5, 9 Ylimääräiset tehtävät: 8, 10, 11 Aiheet: Moniulotteiset jakaumat Avainsanat: Diskreetti jakauma,
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
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
LisätiedotMuu opetus- ja tutkimushenkilöstö. Muu 4. porras 3. porras 2. porras 1. porras
Henkilöstö henkilötyövuosina tiedekunnittain 2011 Opetuksen ja opetus- ja Tiedekunnan nimi 4. porras 3. porras 2. porras 1. porras Keskushallinto 1,0 0,2 0,2 10,8 1,7 2,2 424,3 1,1 9,5 450,8 Teologinen
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotHAVAITUT JA ODOTETUT FREKVENSSIT
HAVAITUT JA ODOTETUT FREKVENSSIT F: E: Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies (1) 59 28 4 91 Nainen (2) 5 14 174 193 Yhteensä 64 42 178 284 Usein Harvoin Ei tupakoi Yhteensä (1) (2) (3) Mies
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotOPETUSSUUNNITELMALOMAKE
OPETUSSUUNNITELMALOMAKE Tällä lomakkeella dokumentoit opintojaksoasi koskevaa opetussuunnitelmatyötä. Lomake on suunniteltu niin, että se palvelisi myös Oodia varten tehtävää tiedonkeruuta. Voit siis dokumentoida
LisätiedotAineistoista. Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin
Aineistoista 11.2.09 IK Laadulliset menetelmät: miksi tarpeen? Haastattelut, fokusryhmät, havainnointi, historiantutkimus, miksei videointikin Muotoilussa kehittyneet menetelmät, lähinnä luotaimet Havainnointi:
LisätiedotTodennäköisyyslaskenta - tehtävät
Todennäköisyyslaskenta - tehtävät Todennäköisyyslaskentaa käsitellään Pitkän matematiikan kertauskirjan sivuilla 253 276. Klassinen todennäköisyys Kombinatoriikka Binomitodennäköisyys Satunnaismuuttuja,
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Satunnaismuuttujat ja todennäköisyysjakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujat ja todennäköisyysjakaumat
Lisätiedot