Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet
|
|
- Jorma Niemelä
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 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, Rppumattomuus, Theysfukto 3.. Estmotmeetelmät Asymptootte ormaalsuus, Beroull jakauma, Bjekto, χ jakauma, Estmaattor, Estmaatt, Estmot, Harhattomuus, Havato, Havatopste, Logartme uskottavuusfukto, Maksmot, Momettestmaattor, Momettmeetelmä, Normaaljakauma, Normaalsuus, Otos, Otostuusluku, Parametr, Pstetodeäkösyysfukto, Rppumattomuus, Suurmma uskottavuude estmaattor, Suurmma uskottavuude meetelmä, Tarketuvuus, Tehokkuus, Theysfukto, t jakauma, Tyhjetävyys, Uskottavuusfukto, Yhtesjakauma 3.3. Estmaattorede omasuudet Asymptootte ormaalsuus, Cramér ja Rao alaraja, Cramér ja Rao epäyhtälö, Estmaattor, Estmaatt, Estmot, Fsher formaato, Harha, Harhattomuus, Havato, Havatopste, Iformaato, Keskelövrhe, Logartme uskottavuusfukto, Maksmot, Mmvarasssuus, Normaaljakauma, Normaalsuus, Otos, Otostuusluku, Parametr, Paras harhato estmaattor, Pstetodeäkösyysfukto, Rao ja Blackwell teoreema, Rppumattomuus, Schwarz epäyhtälö, Suurmma uskottavuude estmaattor, Suurmma uskottavuude meetelmä, Tarketuvuus, Tehokkuus, Theysfukto, Tyhjetävyys, Uskottavuusfukto, Yhtesjakauma Ilkka Mell (007) /8
2 Mat.36 Tlastolle päättely 3. Pste estmot Ilkka Mell (007) /8
3 Mat.36 Tlastolle päättely 3. Pste estmot 3.. Johdato Pste estmot Olkoo f( x; ) satuasmuuttuja pstetodeäkösyys ta theysfukto, joka rppuu tutemattomasta parametrsta. Haluamme määrätä otokse perusteella mahdollsmma hyvä arvo parametrlle. Kutsumme tätä meettelyä estmoks. Olkoo,,, satuasotos satuasmuuttuja jakaumasta, joka pstetodeäkösyys ta theysfukto f(x;) rppuu parametrsta. Tällö havaot,,, ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys ta theysfukto f(x;): Olkoo,, K, f( x; ), =,, K, = (,,, ) satuasmuuttuje,,, muodostama vektor. Olkoot satuasmuuttuje,,, havatut arvot Merktää tätä: x, x,, x = x, = x,, = x Satuasmuuttuje,,, havatut arvot x, x,, x määräävät havatopstee x = (x, x,, x ) Kutsumme satuasmuuttuje,,, (mtallsta) fuktota W = W = W K ( ) (,,, ) (pste ) estmaattorks. Tämä merktsee stä, että estmaattor o otostuusluku (ks. luku ). Jos satuasmuuttuje,,, havatut arvot ovat x, x,, x, estmaattor W = W = W K ( ) (,,, ) saa havatuks arvoksee w fukto W( ) arvo havatopsteessä x = (x, x,, x ): w= W x = W x x K x ( ) (,,, ) Kutsumme estmaattor W havatoarvosta x, x,, x määrättyä arvoa w estmaatks. Ilkka Mell (007) 3/8
4 Mat.36 Tlastolle päättely 3. Pste estmot Huomautus: Koska haluamme käyttää estmaattora W parametr arvoje estmot, tutus luoollselta ssällyttää estmaattor määrtelmää vaatmus, että estmaattor ptää jollak tavalla lttyä estmotavaa parametr. O kutek osottautuut, että estmaattor määrtelmää e ole syytä lttää tällasta vaatmusta. 3.. Estmotmeetelmät Johdato Mte todeäkösyysjakauma parametrelle löydetää estmaattort? Tarkastelemme tässä kappaleessa kahta estmotmeetelmää: momettmeetelmää ja suurmma uskottavuude meetelmää. Momettmeetelmä Satuasotos Olkoo,,, satuasotos jakaumasta, joka pstetodeäkösyys ta theysfukto rppuu parametresta f(x;,,, p ),,, p Tällö havaot,,, ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys ta theysfukto f(x;,,, p ):,, K, Momettestmaattor f( x;,, K, ), =,, K, p Oletetaa, että jakaumalla f(x;,,, p ) o kakk (orgo ) momett kertalukuu p saakka: k E( ) = α, k =,, K, p k Oletetaa, että momette α, α,, α p ja parametre,,, p välllä o jatkuva bjekto el käätäe ykskästtee kuvaus: () α = g(,, K, p) α = g(,, K, p) M αp = gp(,, K, p) Ilkka Mell (007) 4/8
5 Mat.36 Tlastolle päättely 3. Pste estmot Tällö parametrt,,, p vodaa esttää momette α, α,, α p fuktoa: () = h( α, α, K, α p) = h( α, α, K, αp) M p = hp( α, α, K, αp) Estmodaa momett α, α,, α p vastaavlla otosmometella: k a =, k =,, K, p k = Sjottamalla estmaattort a, a,, a p momette α, α,, α p pakalle yhtälöh (), saadaa parametre,,, p momettestmaattort el MM estmaattort ˆ = h ( a, a, K, ap ) ˆ = h( a, a, K, ap) M ˆ p = hp( a, a, K, ap) Moet todeäkösyysjakaumat o parametrotu jakauma (orgo ) mometella ta keskusmometella: () () Jos jakauma o parametrotu jakauma (orgo ) mometella, ko. parametre momettestmaattoreta ovat vastaavat otosorgomomett. Jos jakauma o parametrotu jakauma keskusmometella, ko. parametre momettestmaattoreta ovat vastaavat otoskeskusmomett. Momettestmaattor omasuudet Hyvä estmaattor o harhato, tyhjetävä, tehokas ja tarketuva (ks. lukua, kappaletta 3.3 ja lukua 6). MM estmaattor e välttämättä täytä yhtäkää hyvä estmaattor krteerestä, jote momettmeetelmää käytettäessä o aa erksee varmstettava tuloksea saadu estmaattor hyvyys. Esmerkk.: Normaaljakauma parametre momettestmot Satuasmuuttuja oudattaa ormaaljakaumaa parametre µ = E( ) σ = Var( ) = E[( µ ) ] jos se theysfukto o muotoa / f( x; µ, σ ) = ( πσ ) exp ( x µ ) σ < µ <+, σ > 0, < x<+ Parametr µ o ormaaljakauma odotusarvo ja parametr σ o ormaaljakauma varass. Ilkka Mell (007) 5/8
6 Mat.36 Tlastolle päättely 3. Pste estmot Oletetaa, että havaot,,, muodostavat satuasotokse ormaaljakaumasta N(µ,σ ). Tällö,, K, N( µσ, ), =,, K, Parametre µ ja σ MM estmaattort ovat havatoje,,, artmeette keskarvo ja otosvarass Perustelu: = = σˆ ( ) = = Oletetaa, että satuasmuuttuja oudattaa ormaaljakaumaa parametre µ ja σ : N( µσ, ) Jakauma parametre ja satuasmuuttuja orgomomette välllä o seuraava bjekto: () () Parametrt µ jaσ lausuttua. ja. orgomomet fuktoa: µ = E( ) = α σ = Var( ) = E[( µ ) ] = E( ) µ = α α. ja. orgomomett lausuttua parametre µ jaσ fuktoa: α = E( ) = µ α = E( ) = σ + µ Olkoo,,, satuasotos ormaaljakaumasta N(µ,σ ). Havatoje,,,. ja. otosorgomomett saadaa kaavolla k a =, k =, k = Ste ormaaljakauma N(µ,σ ) parametre µ ja σ MM estmaattort ovat ˆ µ = a = = σˆ ( ) = a a = = = = = Huomaa, että ˆµ o havatoje artmeette keskarvo ja σ ˆ o havatoje. otoskeskusmomett el havatoje otosvarass, jossa elösumma jakajaa o käytetty havatoje lukumäärää. ( ) Ilkka Mell (007) 6/8
7 Mat.36 Tlastolle päättely 3. Pste estmot Estmaattorede omasuudet: ks. esmerkkä.. Suurmma uskottavuude meetelmä Satuasotos Olkoo,,, satuasotos satuasmuuttuja jakaumasta, joka pstetodeäkösyys ta theysfukto f(x;) rppuu parametrsta. Tällö havaot,,, ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys ta theysfukto f(x;): Uskottavuusfukto,, K, f( x; ), =,, K, Koska havaot,,, muodostavat satuasotokse jakaumasta f(x;), otokse = (,, K, ) yhtesjakauma pstetodeäkösyys ta theysfukto o jossa f( x, x, K, x ; ) = f( x ; ) f( x ; ) L f( x ; ) f( x; ), =,, K, o yksttäsee havatoo, =,,, lttyvä pstetodeäkösyys ta theysfukto. Otokse,,, uskottavuusfukto L( ; x, x, K, x ) = f( x, x, K, x ; ) o havatoje,,, yhtesjakauma pstetodeäkösyys ta theysfukto f arvo psteessä x, x,, x tulkttua parametr arvoje fuktoks. Uskottavuusfukto L ssältää kake (stokastse) formaato otoksesta. Suurmma uskottavuude estmaattor Olkoo t = g( x, x, K, x ) parametr arvo, joka maksmo otokse,,, uskottavuusfukto L( ; x, x, K, x ) parametr suhtee. Huomaa, että uskottavuusfukto L maksm atava parametr arvo t o muuttuje (havatoarvoje) x, x,, x fukto. Ilkka Mell (007) 7/8
8 Mat.36 Tlastolle päättely 3. Pste estmot Sjottamalla uskottavuusfukto L maksm parametr suhtee atavassa lausekkeessa muuttuje t = t( x, x, K, x ) x, x,, x pakalle satuasmuuttujat (havaot),,, saadaa parametr suurmma uskottavuude estmaattor el SU estmaattor ˆ = g (,, K, ) Parametr suurmma uskottavuude estmaattor ˆ tuottaa parametrlle arvo, joka maksmo pomtu otokse el saatuje havatoarvoje uskottavuude (todeäkösyyde). Ste suurmma uskottavuude estmaattor otoskohtae arvo maksmo uskottavuude (todeäkösyyde) saada juur se otos, joka o saatu. Suurmma uskottavuude estmotmeetelmä ojaa vomakkaast uskottavuusperaatteesee (ks. luku ). Suurmma uskottavuude estmaattor määrääme Parametr suurmma uskottavuude estmaattor määrätää etsmällä uskottavuusfukto L x x K x ( ;,,, ) (globaal) maksm parametr suhtee. Tavallsest uskottavuusfukto o parametr fuktoa sääölle, että se äärarvot vodaa löytää dervomalla: Jos uskottavuusfuktolla o maksm jossak parametravaruude ssäpsteessä, se löydetää kakssa tavaomasssa tlatessa merktsemällä uskottavuusfukto. dervaatta L ( ) ollaks ja ratkasemalla saadusta ormaalyhtälöstä L ( ) = 0 Olkoo ˆ jok ormaalyhtälö ratkasu. Pste ˆ vastaa uskottavuusfukto (lokaala) maksma, jos uskottavuusfukto. dervaatta L ( ) o egatve: L ( ˆ ) < 0 Uskottavuusfukto käyttäytyme parametravaruude reualla o tarkstettava erksee, koska o mahdollsta, että uskottavuusfukto saavuttaa maksmsa parametravaruude reualla psteessä, jossa L ( ) 0 Logartme uskottavuusfukto Uskottavuusfukto maksm vodaa etsä maksmomalla uskottavuusfukto sjasta logartme uskottavuusfukto (uskottavuusfukto logartm) l( ; x, x, K, x ) = log L( ; x, x, K, x ) Ilkka Mell (007) 8/8
9 Mat.36 Tlastolle päättely 3. Pste estmot parametr suhtee. Tämä johtuu stä, että logartmfukto o adost mootoe, jollo uskottavuusfukto ja se logartm saavuttavat äärarvosa samossa pstessä. Koska havaot,,, o oletettu rppumattomks, logartme uskottavuusfukto vodaa krjottaa seuraavaa muotoo: Tässä l( ) = log L( ) ( f x f x L f x ) = log ( ; ) ( ; ) ( ; ) = log f( x ; ) + log f( x ; ) + L+ log f( x ; ) = l( ; x ) + l( ; x ) + L+ l( ; x ) l(;x ) = log f(x ;), =,,, o havatoarvoo x lttyvä logartme uskottavuusfukto. Suurmma uskottavuude estmaattor omasuudet Hyvä estmaattor o harhato, tyhjetävä, tehokas ja tarketuva (ks. lukua, kappaletta 3.3 ja lukua 6). SU estmaattor e välttämättä täytä yhtäkää hyvä estmaattor krteerestä, jote suurmma uskottavuude meetelmää käytettäessä o aa erksee varmstettava tuloksea saadu estmaattor hyvyys. Jos parametr SU estmaattor ˆ e täytä hyvä estmaattor krteeretä (ks. kappaletta 3.3) äärellsllä havatoje lukumäärllä, SU estmaattor ˆ käyttöä parametr estmaattora vodaa kutek use perustella sllä, että SU estmaattorlla o hyv ylesest hyvät asymptoottset omasuudet (ks. asymptoottsta teoraa koskevaa 6. lukua). Vodaa osottaa, että hyv yles ehdo pätee: () () SU estmaattor ˆ o tarketuva el Pr( ˆ ) =, ku + SU estmaattor ˆ o asymptoottsest ormaale. SU estmaattor tarketuvuus merktsee stä, että SU estmaattor toteuttaa suurte lukuje la. Suurte lukuje la mukaa SU estmaattor arvo lähestyy (melke varmast) parametr okeata arvoa, ku otoskoko kasvaa. SU estmaattor asymptootte ormaalsuus merktsee stä, että SU estmaattor toteuttaa keskese raja arvolausee. SU estmaattor asymptootte ormaalsuus merktsee stä, että SUestmaattor jakaumaa vodaa suurssa otoksssa approksmoda ormaaljakaumalla. Suurmma uskottavuude estmaattor vs momettestmaattor Mossa alkeellsssa tlatessa suurmma uskottavuude meetelmällä ja momettmeetelmällä saadaa samat estmaattort. Ylesest tämä e kutekaa ole totta. Nykyakasessa tlastoteteessä SU meetelmä o hyv ptkält syrjäyttäyt momettmeetelmä estmaattorede johtamse meetelmää. Tämä johtuu stä, että SU meetelmällä o momettmeetelmää vakemp teoreette perusta: Uskottavuusperaate (ks. luku ) tukee vomakkaast uskottavuusfuktoo perustuva meetelmä käyttämstä estmaattorede johtamsee. Lsäääe SU meetelmälle tuo se hyvät asymptoottset omasuudet (ks. luku 6). Ilkka Mell (007) 9/8
10 Mat.36 Tlastolle päättely 3. Pste estmot Esmerkk.: Normaaljakauma parametre suurmma uskottavuude estmot Satuasmuuttuja oudattaa ormaaljakaumaa parametre µ = E( ) σ = Var( ) = E[( µ ) ] jos se theysfukto o muotoa / f( x; µ, σ ) = ( πσ ) exp ( x µ ) σ < µ <+, σ > 0, < x<+ Parametr µ o ormaaljakauma odotusarvo ja parametr σ o ormaaljakauma varass. Oletetaa, että havaot,,, muodostavat satuasotokse ormaaljakaumasta N(µ,σ ). Tällö,, K, N( µσ, ), =,, K, Parametre µ ja σ SU estmaattort ovat havatoje,,, artmeette keskarvo ja otosvarass Perustelu: = = σˆ ( ) = = Olkoo,,, satuasotos ormaaljakaumasta N(µ,σ ). Otokse,,, uskottavuusfukto o ( µσ, ;,, K, ) L x x x = f( x ; µσ, ) f( x ; µσ, ) L f( x ; µσ, ) = σ ( π ) exp ( x ) µ σ = Otokse,,, logartme uskottavuusfukto o l x x K x ( µσ, ;,,, ) = L x x K x log ( µσ, ;,,, ) = logσ log( π ) ( µ ) x σ = Ilkka Mell (007) 0/8
11 Mat.36 Tlastolle päättely 3. Pste estmot Dervodaa logartme uskottavuusfukto l(µ,σ ) parametr µ suhtee ja merktää dervaatta ollaks: l ( µσ, ) µ σ = Dervaata aoa ollakohta ˆ µ = x = x = = ( x µ ) = 0 ataa log uskottavuusfukto maksm parametr µ suhtee. Sjotetaa ratkasu logartmsee uskottavuusfuktoo l(µ,σ ): Dervodaa fukto l( x, σ ) logσ log( π) ( x x) l = σ = lxσ (, ) parametr σ suhtee ja merktää dervaatta ollaks: ( µσ, ) 4 σ σ σ = Dervaata aoa ollakohta σˆ ( ) = + ( x x) = 0 = x x = ataa log uskottavuusfukto maksm parametr σ suhtee. Yllä estetystä seuraa, että ormaaljakauma N(µ,σ ) parametre µ ja σ SU estmaattort ovat ˆ µ = = σˆ = ( ) = Ste ormaaljakauma N(µ,σ ) parametre µ ja σ SU estmaattort yhtyvät de momettestmaattoreh Vodaa osottaa, että ormaaljakauma N(µ,σ ) odotusarvo µ SU estmaattorlla o seuraavat omasuudet (ks. lukuja, 3 ja 7 sekä kappaletta 4.3): () () () (v) (v) o harhato. ja σ ˆ ovat yhdessä tyhjetävä parametrelle µ ja σ. o tehokas el mmvarasse estmaattor. o tarketuva. oudattaa ormaaljakaumaa: Ilkka Mell (007) /8
12 Mat.36 Tlastolle päättely 3. Pste estmot σ N µ, Vodaa osottaa, että ormaaljakauma N(µ,σ ) varass σ SU estmaattorlla σ ˆ o seuraavat omasuudet (ks. lukuja, 3 ja 7 sekä kappaletta 4.3): () () () (v) (v) σ ˆ o harhae, mutta estmaattor s o harhato. ja σˆ = ( ) ˆ = σ = σ ˆ ovat yhdessä tyhjetävä parametrelle µ ja σ. e ole tehokas el mmvarasse estmaattor. σ ˆ o tarketuva. ( ) s /σ oudattaa χ jakaumaa vapausaste ( ): ( ) s σ χ ( ) Lsäks vodaa osottaa, että ja µ t= t ( ) s/ σ ˆ ovat rppumattoma ja että (ks. lukua ) Suurmma uskottavuude estmaattorlla o s. varassomasuus. Se mukaa estmotava parametr jok fukto suurmma uskottavuude estmaattor saadaa soveltamalla ko. fuktota ko. parametr suurmma uskottavuude estmaattor. Ee SU estmaattor varassomasuutta koskeva lausee todstamsta määrtelemme s. dusodu uskottavuusfukto: Olkoo η= τ ( ) jok parametr fukto. Tällö dusotu uskottavuusfukto L saadaa kaavasta () L ( η; x) = sup L( ; x) { τ ( ) = η} Olkoo η ˆparamer η arvo, joka maksmo dusodu uskottavuusfukto L. Tällö estmaaatora η ˆkutsutaa parametr η= τ ( ) suurmma uskottavuude estmaattorks. Määrtelmästä () ähdää suoraa, että uskottavuusfuktolla L ja dusodulla uskottavuusfuktolla L o sama maksm. Lause: Todstus: Olkoo ˆ parametr suurmma uskottavuude estmaattor. Tällö τ ( ˆ ) o parametr τ() suurmma uskottavuude estmaattor kaklle fuktolle τ( ). Olkoo ˆ η paramer η arvo, joka maksmo dusodu uskottavuusfukto Ilkka Mell (007) /8
13 Mat.36 Tlastolle päättely 3. Pste estmot L ( η; x) Lause tulee todstetuks, jos osotamme, että L ( ηˆ; x) = sup sup L( ; x) η { τ ( ) = η} Koska uskottavuusfuktolla L ja dusodulla uskottavuusfuktolla L o sama maksm, L ( ηˆ; x) = sup sup L( ; x) fukto L määrtelmä η { τ ( ) = η} = sup L( ; x) = L( ˆ; x) estmaattor ˆmäärtelmä jossa toe = merkk seuraa stä, että terotu maksmot yhtyy maksmot parametr suhtee. Edellee Ste ja L( ˆ; x) = sup L( ; x) ˆo SU estmaattor { τ ( ) = τ( ˆ )} = sup L( ; x) ( ( ˆ = L τ); x) fukto L määrtelmä L ( ηˆ ; x) = L ( τ ( ˆ); x) τ ( ˆ ) o parametr τ() SU estmaattor Estmaattorede omasuudet Johdato Tässä kappaleessa tarkastellaa estmaattorede hyvyysomasuuksa. Keskelövrhe Olkoo W parametr estmaattor. Estmaattor W keskelövrhe (egl. Mea Squared Error) o O helppo ähdä, että jossa MSE( W) = E[( W )] MSE( W) = Var ( W) + [Bas ( W)] Var ( W) = E [( W E ( W)) ] Ilkka Mell (007) 3/8
14 Mat.36 Tlastolle päättely 3. Pste estmot o estmaattor W varass ja o estmaattor W harha. Perustelu: Harhattomuus Bas ( W) = E ( W) MSE( W) = E[( W )] = + E[( W E( W) E( W) )] = E [( W E ( W)) ] + E [( W E ( W))(E ( W) )] + [E ( W) ] = E [( W E ( W)) ] + [E ( W) ] = Var ( W) + [Bas ( W)] Olkoo W parametr estmaattor. Estmaattor W harha (Bas) o Bas ( W) = E ( W) Estmaattor W o harhato parametrlle, jos jollo ja Bas ( W ) = 0 E ( W) = MSE( W) = Var ( W) Artmeettse keskarvo ja otosvarass harhattomuus Olkoo,,, satuasotos jakaumasta, joka odotusarvo o µ ja varass o σ. Määrtellää havatoje,,, artmeette keskarvo kaavalla = = ja otosvarass kaavalla s = ( ) = Artmeette keskarvo ja otosvarass s ovat parametre µ ja σ harhattomat estmaattort (ks. lukua ): E( ) = µ E( s ) = σ Jos,,, o satuasotos ormaaljakaumasta N(µ,σ ), yllä todetusta seuraa, että varass σ suurmma uskottavuude estmaattor (ta momettestmaattor) Ilkka Mell (007) 4/8
15 Mat.36 Tlastolle päättely 3. Pste estmot σˆ ( ) = = s = o harhae, mutta harha hävää, jos kasvaa rajatta. Tämä ähdää seuraavalla tavalla: Koska ˆ σ = s E( σ ˆ ) = E( s ) = σ σ jos. Ste ormaaljakauma varass σ suurmma uskottavuude estmaattor (ta momettestmaattor) o asymptoottsest harhato. Paras harhato estmaattor Saattas tutua houkuttelevalta ptää vahtoehtossta estmaattoresta parhaaa stä, joka keskelövrhe o pe. Keskelövrhettä e voda kutekaa sellaseaa käyttää parhaa estmaattor valtaa. Tästä ataa esmerk seuraava tlae: Olkoo ˆ parametr estmaattor, jolla o vakarvo a: ˆ a = Jos parametr todelle arvo o a, ˆ MSE( ) 0 = mutta muullo estmaattor ˆ = a o tetyst täys käyttökelvoto. Ogelma o sä, että kakke estmaattorede luokka o la laaja järkeve vertaluje tekemsee. Se sjaa, jos tarkasteltave estmaattorede luokkaa rajataa sopvast, saatetaa ko. luokasta löytää paras estmaattor. Olkoot W ja W kaks parametr harhatota estmaattora. Tällö E( W ) = E( W ) = ja estmaattorede W ja W vertaluu vodaa käyttää de varassa: Estmaattor W o paremp ku estmaattor W, jos Var( W ) < Var( W ) Saomme joskus myös, että estmaattor W o tehokkaamp ku estmaattor W. Itse asassa pätee seuraava: Olkoo W parametr estmaattor, jolle E ( W ) = τ( ) Tarkastellaa estmaattorede luokkaa C = { W E ( W) = ( )} τ τ Ilkka Mell (007) 5/8
16 Mat.36 Tlastolle päättely 3. Pste estmot Olkoot Tällö ja W, W C τ Bas ( W ) = Bas ( W ) MSE( W ) MSE( W ) = Var ( W) Var ( W ) jote estmaattorede keskelövrhevertalut vodaa luokassa C τ perustaa estmaattorede varasseh. Estmaattor W o parametr τ() paras harhato estmaattor, jos kaklle ja E ( W ) = τ ( ) Var ( W ) Var ( W) kaklle estmaattorelle W, jotka toteuttavat ehdo E ( W ) = τ ( ) Parasta harhatota estmaattora kutsutaa use tasasest parhaaks mmvarassseks harhattomaks estmaattorks (UMVUE, egl. Uform Mmum Varace Ubased Estmator) ta (täys ) tehokkaaks estmaattorks. Jos kakke harhattome estmaattorede varasslle vodaa löytää teoreette alaraja ja estmaattor W varass saavuttaa ko. alaraja, tedetää, että W o paras harhato estmaattor el tehokas estmaattor. Harhattome estmaattorede varasse teoreettsta alarajaa s. Cramér ja Rao alarajaa tarkastellaa seuraavassa kappaleessa. Tehokkuus Tarkastelemme tässä todeäkösyysjakauma parametr estmaattor varass teoreettsta alarajaa. Todstettavat lauseet o muotoltu pääasassa jatkuvlle jakaumlle, mutta e pätevät sopvast modfotua myös dskreetelle jakaumlle. Muotollaa ja todstetaa ee tämä kappalee päätulokse el Cramér ja Rao epäyhtälö muotolemsta ja todstamsta se todstamsessa tarvttava Schwarz epäyhtälö. Schwarz epäyhtälö: Olkoot satuasmuuttuje ja Y odotusarvot, varasst ja kovarasst E( ) = µ E( Y) = µ Y Var( ) = E[( µ ) ] = D ( ) = σ Var( Y) = E[( Y µ ) ] = D ( Y) = σ Y Y Cov(, Y) = E[( µ )( Y µ )] = σ Y Y Ilkka Mell (007) 6/8
17 Mat.36 Tlastolle päättely 3. Pste estmot Tällö Todstus: [Cov(, Y)] Var( ) Var( Y) ja lsäks yhtäsuuruus pätee, jos ja va jos o olemassa vakot a ja b ste, että Pr(Y = a + b) = Tarkastellaa fuktota Helpost ähdää, että ( ) = E[(( µ ) + ( µ Y)) ] h t t Y h t t Y ( ) = E[(( µ ) + ( µ Y)) ] = + + E[( µ ) ] t E[( µ )( Y µ Y)] t E[( Y µ Y) ] = σ t + σ t+ σ Y Y Fukto h(t) o muuttuja t fuktoa ylöspä aukeava paraabel. Koska h(t) o eegatvse satuasmuuttuja odotusarvo, h(t) 0 kaklle t. Ste yhtälöllä h(t) = 0 vo olla korketaa yks reaaljuur, jollo yhtälö dskrmatt D o e postve: el Yhtälöllä D = σ σ σ ( σ ) ( Y) 4 Y 0 σ σ Y Y h(t) = 0 o yks reaaljuur, jos yhtälö dskrmatt D o 0: Koska jos ja va jos el D = σ σ σ = ( Y) 4 Y 0 (( µ ) t+ ( Y µ Y)) 0 h t t Y ( ) = E[(( µ ) + ( µ Y)) ] = 0 ( µ t Y µ Y ) Pr [( ) + ( )] = 0 = Pr(Y = a + b) = Ilkka Mell (007) 7/8
18 Mat.36 Tlastolle päättely 3. Pste estmot jossa b= t a= µ t+ µ ja t o yhtälö h(t) = 0 juur. Tämä juur o Cov( Y, ) t = σ Y Lsäks tästä ähdää, että vakolla b ja satuasmuuttuje ja Y kovarasslla o sama merkk. Huomaa, että Schwarz epäyhtälöstä saadaa svutuotteea satuasmuuttuje ja Y Pearso (tulomomett ) korrelaatokerrota koskeva epäyhtälö ρ Y Cov( Y, ) σ Y = = D( ) D( Y) σ σ ρ Y + Muotollaa ja todstetaa seuraavaks tämä kappalee päätulos: Lause: Cramér ja Rao epäyhtälö Olkoo,,, satuasotos, joka yhtesjakauma theysfukto o f(x;) ja olkoo W( ) = W(,, K, ) parametr estmaattor, jolle ja Tällö Todstus: d E [ W( )] = [ W( ) f( ; )] d d x x x χ Var [ W ( )] < d E [ W ( )] d Var [ W ( )] E log( f ( ; )) Sovelletaa todstuksessa Schwarz epäyhtälöä [Cov(, Y)] Var( ) Var( Y) Y Ilkka Mell (007) 8/8
19 Mat.36 Tlastolle päättely 3. Pste estmot Epäyhtälöstä seuraa satuasmuuttuja varasslle alaraja [Cov( Y, )] Var( ) Var( Y) Cramér ja Rao epäyhtälö todstus perustuu tähä epäyhtälöö ja valtaa = W( ) Todetaa es, että () Sjottamalla tähä saadaa Y = log( f( ; )) d E [ W( )] = W( ) f( ; ) d d x χ x x f( x; ) W( ) = x f( x; ) dx χ f( x; ) f( ; ) E W( ) = f( ; ) = E W( ) log( f( ; )) W ( ) = d d () E log( f( ; )) = E [] = = 0 d d Yhdstämällä yhtälöt () ja () äemme, että (3) ja lsäks Cov W( ), log( f( ; )) = E W( ) log( f( ; )) E [ W( )] E log( f( ; )) = E W( ) log( f( ; )) d = E [ W( )] d Ilkka Mell (007) 9/8
20 Mat.36 Tlastolle päättely 3. Pste estmot Ilkka Mell (007) 0/8 (4) Var log( ( ; )) E log( ( ; )) E log( ( ; )) E log( ( ; )) f f f f = = Soveltamalla Schwarz epäyhtälöä ja kaavoja (3) ja (4) saadaa haluttu tulos: E [ ( )] Var [ ( )] E log( ( ; )) d W d W f Seuraus: Jos edellse lausee oletukset pätevät, mutta lsäks estmaattor W() o harhato parametrlle, Var [ ( )] E log( ( ; )) W f Todstus: Tulos seuraa suoraa Cramér ja Rao epäyhtälö ylesestä muodosta, koska estmaattor W() o harhato parametrlle, jos E [ ( )] W = ja tällö E [ ( )] d d W d d = = Lause: Cramér ja Rao epäyhtälö rppumattomlle havaolle Olkoot havaot,,, rppumattoma ja samaa jakaumaa oudattava satuasmuuttuja. Jos lsäks Cramér ja Rao epäyhtälö ylestä muotoa koskeva lausee oletukset pätevät, E [ ( )] Var [ ( )] E log( ( ; )) d W d W f
21 Mat.36 Tlastolle päättely 3. Pste estmot Todstus: jossa f(x;) o satuasmuuttuje,,, yhtee pstetodeäkösyys ta theysfukto. Lause tulee todstetuks, jos äytämme, että Nyt E log( f( ; )) = E log( f( ; )) E log( f( ; )) = E log f( ; ) = = E log( f( ; )) = = E log( f( ; )) = + E log( f( ; )) log( f( j; )) j = E log( f( ; )) = Vmee muoto seuraa stä, että satuasmuuttuje,,, rppumattomuude taka E log( f( ; )) log( f( j; )) = E log( f( ; )) E log( f( j; )) = 0 0= 0 Koska satuasmuuttujat,,, ovat samo jakautueta vomme krjottaa = E log( f( ; )) = E log( f( ; )) Ilkka Mell (007) /8
22 Mat.36 Tlastolle päättely 3. Pste estmot Seuraus: Todstus: Jos edellse lausee oletukset pätevät, mutta lsäks estmaattor W() o harhato parametrlle, Var [ W ( )] E log( f( ; )) Tulos seuraa suoraa Cramér ja Rao epäyhtälöstä rppumattomlle havaolle, koska estmaattor W() o harhato parametrlle, jos ja tällö Apulause: E [ W ( )] = d d E [ W( )] = = d d Jos theysfukto f(x;) toteuttaa ehdo Todstus: χ f ( x; ) dx = f ( x; ) dx χ f = f E log( ( ; )) E log( ( ; )) Lähdetää lkkeelle todstettava yhtälö vasemmasta puolesta: E log( f( ; )) log( f ( x; )) f ( x; ) dx = χ f ( x; ) = f ( x; ) dx f( x; ) χ f ( x; ) f( x; ) [ f ( x; )] = [ f( x; )] χ f ( x; ) dx f ( x; ) = f ( x; ) dx f ( x; ) dx f( x; ) χ χ Ilkka Mell (007) /8
23 Mat.36 Tlastolle päättely 3. Pste estmot Väte seuraa tästä yhtälöstä, koska ja χ χ f ( x; ) dx = f ( x; ) dx = = 0 f ( x; ) f( x; ) χ f ( x; ) dx = log( f ( x; )) f ( x; ) dx χ = E log( f( x; )) Vodaa osottaa, että s. ekspoettperhe toteuttaa apulausee sääöllsyysehdo. Huomautus: Suur osa tlastotetee tavaomassta jakaumsta kuuluu ekspoettperheesee. Tällasa ovat esmerkks sellaset dskreett jakaumat kute Beroull jakauma, bomjakauma, geometre jakauma, egatve bomjakauma ja Posso jakauma sekä sellaset jatkuvat jakaumat kute ekspoettjakauma, ormaaljakauma, gamma jakauma, χ jakauma ja beta jakauma. Seuraava lause ataa välttämättömä ja rttävä ehdo slle, että harhato estmaattor saavuttaa Cramér ja Rao lausee alaraja. Lause: Olkoo Todstus:,,, satuasotos satuasmuuttuja jakaumasta, joka pstetodeäkösyys ta theysfukto f(x;) rppuu parametrsta. Olkoo = = L( ; x) f( x; ) otokse,,, uskottavuusfukto. Olkoo W( ) = W(,, K, ) harhato estmaattor parametr fuktolle τ(). Tällö estmaattor W() saavuttaa Cramér ja Rao alaraja, jos ja va jos o olemassa fukto a() ste, että log L( ; x) = a( )[ W( x) τ ( )] Cramér ja Rao epäyhtälö vodaa esttää Schwarz epäyhtälö mukasessa muodossa. Ilkka Mell (007) 3/8
24 Mat.36 Tlastolle päättely 3. Pste estmot Koska havaot o tässä oletettu rppumattomks ja samaa jakaumaa oudattavks satuasmuuttujks, saamme epäyhtälö Cov W( ), log f( ; ) Var [ W( )]Var log f( ; ) = = Koska W o oletettu harhattomaks parametrlle, E ( W ) = τ ( ) Lsäks Cramér ja Rao epäyhtälö todstukse kaavasta () seuraa, että E log f( ; ) 0 = = Käyttämällä hyväks Schwarz epäyhtälö todstusta edellä, äemme, että yllä estetyssä epäyhtälössä valltsee yhtäsuuruus, jos term W ( x) τ ( ) o (todeäkösyydellä ) suhteessa term log f( ; ) = Tyhjetävyys ja harhattomuus Seuraava lause ataa meetelmä, jolla harhatota estmaattoreta o mahdollsta parataa: Rao ja Blackwell teoreema: Olkoo W harhato estmaattor parametr fuktolle τ() ja olkoo T tyhjetävä tuusluku parametrlle. Määrtellää tuusluku Tällö ja Todstus: φ ( T) = E( W T) E [ ( T )] = τ ( ) φ Var [ φ( T)] Var ( W) kaklle el φ(t) o tasasest estmaattora W paremp harhato estmaattor parametr fuktolle τ(). Todetaa es, että (olettae, että ko. odotusarvot ovat olemassa) () E( ) = E[E( Y)] ja () Var( ) = Var[E( Y)] + E[Var( Y)] Ilkka Mell (007) 4/8
25 Mat.36 Tlastolle päättely 3. Pste estmot Yhtälöstä () seuraa, että τ( ) = E ( W) = E [E( W T)] = E [ φ( T)] jote φ(t) o harhato parametr fuktolle τ(). Soveltamalla yhtälöä () saadaa arvo Var ( W) = Var [E( W T)] + E [Var( W T)] = Var [ φ( T)] + E [Var( W T)] Ste φ(t) o tasasest paremp ku W. Var [ φ( T)] Var( W T) 0 Nyt o velä äytettävä, että φ(t) o estmaattor el että φ ( T) = E( W T) o otokse fukto, joka e rpu parametrsta. Tämä seuraa stä, että W o otokse fukto, joka e rpu parametrsta ja stä, että T o tyhjetävä parametrlle, jollo satuasmuuttuja W ehdolle jakauma ehdolla T e rpu parametrsta. Ste olemme äyttäeet, että φ(t) o tasasest estmaattora W paremp harhato estmaattor parametr fuktolle τ(). Rao ja Blackwell teoreemasta seuraa, että ehdollstamalla melvaltae harhato estmaattor jok tyhjetävä tuusluvu suhtee saadaa alkuperästä estmaattora tasasest paremp estmaattor. Tämä merktsee stä, että parasta harhatota estmaattora etsttäessä rttää tarkastella tyhjetäve tuuslukuje fuktota. Tarkastellaa seuraavaa ogelmaa: Olkoo φ harhato parametr fuktolle τ() el, että E [ ] = τ ( ) φ Oletetaa lsäks, että φ perustuu tyhjetävää tuuslukuu T. Mte saamme selvlle oko φ paras harhato estmaattor? Jos estmaattor φ varass saavuttaa Cramér ja Rao alaraja, tedämme, että φ o paras harhato estmaattor. Etä jos ä e tapahdu? Esmerkks, jos φ o toe harhato estmaattor parametr fuktolle τ(), mte E( φ T ) suhtautuu estmaattor φ. Osttase ratkasu tähä ogelmaa ataa seuraava lause: Lause: Todstus: Jos W o paras harhato estmaattor parametr fuktolle τ(), W o ykskästtee. Olkoo W paras harhato estmaattor parametr fuktolle τ() ja olkoo W jok toe paras harhato estmaattor parametr fuktolle τ(). Ilkka Mell (007) 5/8
26 Mat.36 Tlastolle päättely 3. Pste estmot Tarkastellaa estmaattora W = ( W + W ) Estmaattor W o selväst harhato parametr fuktolle τ(): E ( W ) = [E ( W) + E ( W )] [ τ ( ) τ ( )] τ ( ) = + = Lsäks Schwarz epäyhtälöstä seuraa epäyhtälö Var ( W ) = Var W + W = Var ( W) + Var ( W ) + Cov ( WW, ) 4 4 Var ( W) + Var ( W ) + [Var ( W) Var ( W )] 4 4 = Var ( W) Jos tämä epäyhtälö o ato, W e vo olla paras harhato estmaattor. Ste Schwarz epäyhtälöstä seuraa, että yhtäsuuruus valltsee va, jos o olemassa fuktot a() ja b() ste, että (todeäkösyydellä ) W = a( ) + b( ) W Ste kovarass ylesstä omasuukssta seuraa, että Cov ( W, W ) = Cov ( W, a( ) + b( ) W) = Cov ( W, b( ) W) = b( )Cov ( WW, ) = b( )Var ( W) Koska yllä estetty epäyhtälössä valltsee yhtäsuuruus, Lsäks, koska Ste b( ) = Cov ( W, W ) = Var ( W) a( ) = 0 W = W ja ste W o ykskästtee. Tarkastellaa velä seuraavaa ogelmaa: Oletetaa, että olemme löytäeet harhattoma estmaattor. Mte vomme parataa stä? / Ilkka Mell (007) 6/8
27 Mat.36 Tlastolle päättely 3. Pste estmot Oletetaa, että W o harhato estmaattor parametr fuktolle τ(), ts. E ( W ) = τ ( ) Olkoo U jok olla harhato estmaattor, ts. E ( U ) = 0 kaklle. Määrtellää estmaattor φ a = W + au jossa a o vako. Estmaattor φ a o harhato parametr fuktolle τ(), koska E( φa ) = E( W) + ae( U) = τ () + a 0 = τ () Voko estmaattor φ a olla paremp ku estmaattor W? Estmaattor φ a varass o Oletetaa, että jollek = 0. Tällö jos Var ( φ a) = Var ( W + au) = Var ( W) + acov ( W, U) + a Var ( U) Cov ( WU, ) < 0 acov ( W, U) + a Var ( U) < 0 a (0, Cov ( W, U) /Var ( U)) Ste estmaattor φ a o paremp ku estmaattor W psteessä = 0 ja W e vo olla paras harhato estmaattor. Vastaavalla tavalla äytetää, että W e vo olla paras harhato estmaattor, jos Cov ( WU, ) > 0 Ste yllä kuvattu suhde estmaattor W ja olla harhattoma estmaattor U välllä ratkasee se, oko W paras harhato estmaattor. Itse asassa yllä kuvattu suhde karakterso parhaat harhattomat estmaattort. Lause: Jos Todstus: E ( W ) = τ ( ) W o paras harhato estmaattor parametr fuktolle τ(), jos ja va jos W korrelomato kakke olla harhattome estmaattorede kassa. Olkoo W o paras harhato estmaattor parametr fuktolle τ(). Yllä estystä seuraa, että tällö estmaattor W o toteutettava ehto Cov ( WU, ) = 0 Ilkka Mell (007) 7/8
28 Mat.36 Tlastolle päättely 3. Pste estmot jokaselle estmaattorlle U, joka toteuttaa ehdo E ( U ) = 0 Ste ehdo välttämättömyys o todstettu. Oletetaa yt, että W o harhato estmaattor, joka o korrelomato kakke olla harhattome estmaattorede kassa. Olkoo W melvaltae estmaattor, joka toteuttaa ehdo E( W ) = E( W) = () τ Näytämme, että estmaattor W o paremp ku estmaattor W. Krjotetaa W = W + (W W) ja määrätää estmaattor W varass: Var ( W ) = Var ( W) + Var ( W W) + Cov ( W, W W) = Var ( W) + Var ( W W) koska W W o olla harhato estmaattor ja olemme olettaeet, että kakk olla harhattomat estmaattort ovat korrelomattoma estmaattor W kassa. Koska Var ( W W) 0 Var ( W ) Var ( W) Koska W ol melvaltae harhato estmaattor, tästä seuraa, että W o paras harhato estmaattor ja ehdo rttävyys o todstettu. O syytä huomata, että edellse lausee käyttökelposuus o rajotettu, koska o use hyv vakeata äyttää, että aettu estmaattor o korrelomato kakke olla harhattome estmaattorede kassa. Tarkasteltava jakaumaperhee täydellsyys (ks. lukua ) takaa se, että ollalla e ole muta harhattoma estmaattoreta ku olla tse. Koska aa pätee, että Cov ( W,0) = 0 W o paras harhato estmaattor, jos se o harhato. Lause: Olkoo T täydelle ja tyhjetävä estmaattor parametrlle ja olkoo φ(t) melvaltae estmaattor, joka perustuu va estmaattor T. Tällö φ(t) o odotusarvosa paras harhato estmaattor ja lsäks φ(t) o ykskästtee. Ilkka Mell (007) 8/8
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,
LisätiedotTilastolliset 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
LisätiedotTilastollinen 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,
LisätiedotMat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:
Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,
LisätiedotTilastollinen 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= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2
HY / Matematka ja tlastotetee latos Tlastolle päättely II, kevät 28 Harjotus 3A Ratkasuehdotuksa Tehtäväsarja I Olkoot Y,, Y ja Nθ, ) Osota, että T T Y) Y 2 o parametr gθ) θ 2 harhato estmaattor Laske
LisätiedotTilastollinen 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,
Lisätiedot1.4. 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,
LisätiedotMat 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,
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ
Lisätiedot1.2. 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,
LisätiedotMS-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?
LisätiedotTilastollinen 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,
Lisätiedot7.5. 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,
LisätiedotKonvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?
TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.
HY, MTO / Matemaattste tetede kadohjelma Tlastolle päättely II, kevät 208 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I Olkoo Y, Y rppumato otos Pareto jakaumasta, fy; θ θc θ y θ+ { y > c } tuetulla vakolla
Lisätiedot1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on
HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla
LisätiedotTilastolliset 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)
LisätiedotMat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:
Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt,
Lisätiedot13. 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
LisätiedotTilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot
Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset
Lisätiedoton tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:
Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,
Lisätiedot2-suuntainen vaihtoehtoinen hypoteesi
Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,
LisätiedotTodennäköisyyslaskennan 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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:
MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma
LisätiedotOsa 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
LisätiedotTKK @ Ilkka Mellin (2008) 1/24
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
LisätiedotIlkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot
Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6
Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys
LisätiedotTilastollinen riippuvuus ja korrelaatio
Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame
LisätiedotKokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot
TKK (c) Ilkka Mell (2004) Kokoastodeäkösyys ja Kokoastodeäkösyys ja : Johdato Kokoastodeäkösyyde ja Bayes kaavoje systeemteoreette tulkta Johdatus todeäkösyyslasketaa Kokoastodeäkösyys ja TKK (c) Ilkka
LisätiedotMTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN
MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset
LisätiedotRaja-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
LisätiedotMoniulotteiset jakaumat ja havaintoaineistot
Momuuttujameetelmät: Ilkka Mell. Moulotteset jakaumat.. Satuasmuuttujat ja todeäkösyysjakaumat.. Yhtesjakaumat.3. Reuajakaumat ja satuasmuuttuje rumattomuus.4. Ehdollset jakaumat.5. Yhtesjakaume tuusluvut.6.
LisätiedotMuuttujien 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
LisätiedotJohdatus tilastotieteeseen Estimointimenetelmät. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Estimoitimeetelmät TKK (c) Ilkka Melli (2005) 1 Estimoitimeetelmät Todeäköisyysjakaumie parametrie estimoiti Momettimeetelmä Normaalijakauma parametrie estimoiti Ekspoettijakauma
LisätiedotJakaumien 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?
LisätiedotVarianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto
TKK (c Ila Mell (004 Varassaalyys Varassaalyys: Johdato Johdatus tlastoteteesee Varassaalyys TKK (c Ila Mell (004 Varassaalyys: Mtä opmme? Tarastelemme tässä luvussa seuraavaa ysymystä: Mte tavaomae ahde
LisätiedotMat 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,
LisätiedotTilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot
TKK (c) Ilkka Mell (4) Tlastolle rppuvuus ja korrelaato Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame Pearso korrelaatokertome estmot ja testaus Järjestyskorrelaatokertomet
LisätiedotTodennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?
TKK () Ilkka Mell (2004) 1 Todeäkösyyde aksoomat Suhteelle rekvess, klasse todeäkösyys ja ehdolle todeäkösyys Johdatus todeäkösyyslasketaa Todeäkösyyde aksoomat TKK () Ilkka Mell (2004) 2 Todeäkösyyde
Lisätiedot1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä
Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10
Lisätiedot1. 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,
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.
MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt
Lisätiedot3.5 Generoivat funktiot ja momentit
3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä
LisätiedotHASSEN-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
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat
Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat
Lisätiedot9. 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
LisätiedotLuento 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
Lisätiedot9. 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
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue
LisätiedotJaksolliset ja toistuvat suoritukset
Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e
LisätiedotMat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:
Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,
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
LisätiedotSatunnaismuuttujat ja todennäköisyysjakaumat
Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat
LisätiedotTuringin kone on kuin äärellinen automaatti, jolla on käytössään
4 TUINGIN KONEET Ala Turg 1935 36 auha Koe vo srtää auha: T U I N G auhapää: ohjausykskkö: Turg koe o ku äärelle automaatt, jolla o käytössää auhapäätä vasemmalle ta okealle; se vo myös lukea ta krjottaa
LisätiedotBernoullijakauma. 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
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotMat /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
LisätiedotGeneroidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)
Mat-2.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat Korrelaato ja assosaato Hypotees, Järjestyskorrelaatokertomet, χ 2 -rppumattomuustest, Korrelaatokerro, Pstedagramm, Päätössäätö, Nollahypotees,
LisätiedotTavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä
Tavotteet skaalaavan funkton lähestymstapa el referensspste menetelmä Optmontopn semnaar - Kevät 2000 / 1 Estelmän ssältö Panotetun metrkan ongelmen havatsemnen Referensspste menetelmän dean esttely Referensspste
LisätiedotTilastollinen 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.
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
LisätiedotTodennäköisyyslaskennan kertausta
Todeäkösyyslaskea kertausta Todeäkösyyslaskea kertausta 1. Joukko-opp Alko, Erotus, Joukko, Komplemett, Lekkaus, Perusjoukko, Psteveraus, Tyhjä joukko, Uo, Yhdste. Todeäkösyys ja se määrtteleme Alkestapahtuma,
LisätiedotIlkka Mellin (2006) 1/1
Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,
LisätiedotPainotetun metriikan ja NBI menetelmä
Panotetun metrkan ja NBI menetelmä Optmontopn semnaar - Kevät / 1 Estelmän ssältö Paretopsteden generont panotetussa metrkossa Panotettu L p -metrkka Panotettu L -metrkka el panotettu Tchebycheff -metrkka
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.204 Tlastollsen analyysn perusteet, kevät 2007 5. luento: Tlastollnen rppuvuus ja korrelaato Ka Vrtanen Muuttujen välsten rppuvuuksen analysont Tlastollsssa analyysessä tutktaan usen muuttujen välsä
LisätiedotMat Sovellettu todennäköisyyslasku A
TKK / Systeemaalyys laboratoro Mat-.090 Sovellettu todeäkösyyslasku A Nordlud Harotus (vko 49/003) (Ahe: Tlastollsa testeä, regressoaalyysä Lae luvut 5.5, 6) HUOM! Laskarede palautukse takaraa o pokkeuksellsest
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
LisätiedotLohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4
TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun
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
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:
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
LisätiedotSuoran sovittaminen pistejoukkoon
Suora sovttame pstejoukkoo Ku halutaa tutka kahde tlastollse muuttuja rppuvuutta tosstaa, käytetää use leaarsta regressota el suora sovttamsta havatojoukkoo. Sä o aettu joukko havatopareja (x, y ), ja
LisätiedotMonte Carlo -menetelmä
Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotTilastolliset menetelmät: Lineaarinen regressioanalyysi
Tlastollset meetelmät Leaare regressoaalyys Tlastollset meetelmät: Leaare regressoaalyys 3. Tlastolle rppuvuus ja korrelaato 4. Johdatus regressoaalyys 5. Yhde selttäjä leaare regressomall 6. Ylee leaare
LisätiedotSatunnaismuuttujien 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
LisätiedotBaltian Tie 2001 ratkaisuja
Balta Te 001 ratkasuja 1. Olkoot tehtävät T, = 1,,..., 8. Eräs mahdollsuus jakaa tehtävät kahdeksalle opskeljalle O j, j =1,,..., 8 o ohesessa taulukossa T 1 T T T 4 T T 6 T 7 T 8 O 1 O O O 4 O O 6 O 7
LisätiedotMS-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,
LisätiedotMat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma,
LisätiedotMat Lineaarinen ohjelmointi
Mat-.4 Lneaarnen ohelmont 8..7 Luento 6 Duaaltehtävä (kra 4.-4.4) S ysteemanalyysn Lneaarnen ohelmont - Syksy 7 / Luentorunko Motvont Duaaltehtävä Duaalteoreemat Hekko duaalsuus Vahva duaalsuus Täydentyvyysehdot
LisätiedotMonimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet
Momuuttumeetelmät Multormaalkauma Momuuttumeetelmät: Multormaalkauma Ilkka Mell. Multormaalkauma se omasuudet.. Multormaalkauma.. Multormaalkauma omasuudet.3. Multormaalkauma ehdollset kaumat.4. -ulottee
Lisätiedot8. 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
Lisätiedot3 Tilayhtälöiden numeerinen integrointi
3 Tlayhtälöden numeernen ntegront Alkuarvotehtävässä halutaan ratkasta lopputla xt f ) sten, että tlayhtälöt ẋ = fx,u, t) toteutuvat, kun alkutla x 0 on annettu Tlayhtälöden numeernen ntegront vodaan suorttaa
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
LisätiedotABTEKNILLINEN 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
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
LisätiedotAB TEKNILLINEN KORKEAKOULU
B TEKNILLINEN KORKEKOULU Tetoverkkolaboratoro luento05.ppt S-38.45 - Lkenneteoran perusteet - Kevät 00 Ssältö eruskästteet Dskreett satunnasmuuttujat Dskreett jakaumat lkm-jakaumat Jatkuvat satunnasmuuttujat
Lisätiedot6. Stokastiset prosessit (2)
Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella
LisätiedotKanoniset muunnokset
Kanonset muunnokset Koordnaatstomuunnokset Lagrangen formalsmssa pstemuunnoksa: Q = Q (q, t) nopeudet saadaan nästä dervomalla Kanonnen formalsm: p:t ja q:t samanarvosa 2n-ulottesen faasavaruuden muuttuja
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
Lisätiedot