Monimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet

Koko: px
Aloita esitys sivulta:

Download "Monimuuttujamenetelmät: Multinormaalijakauma. Ilkka Mellin. 1. Multinormaalijakauma ja sen ominaisuudet"

Transkriptio

1 Momuuttumeetelmät Multormaalkauma Momuuttumeetelmät: Multormaalkauma Ilkka Mell. Multormaalkauma se omasuudet.. Multormaalkauma.. Multormaalkauma omasuudet.3. Multormaalkauma ehdollset kaumat.4. -ulottee ormaalkauma. Multormaalkaumasta johdetut kaumat.. χ -, F- t-kaumat.. Nelömuotoje kaumat.3. Mahalaobs-etäsyys se kauma 3. Multormaalkauma arametre estmot 3.. Johdato 3.. Multormaale otos se uskottavuusfukto 3.3. Multormaalkauma arametre suurmma uskottavuude estmaattort 3.4. Multormaalkauma arametre suurmma uskottavuude estmaattorede kaumat 4. Multormaalkaumaa koskeva testejä 4.. Johdato 4.. Multormaale otos se arametre suurmma uskottavuude estmot 4.3. Test odotusarvolle 4.4. Kahde otokse test odotusarvolle 4.6. Kahde otokse test kovarassmatrselle 4.6. Test rumattomuudelle TKK Ilkka Mell (007) /0

2 Momuuttumeetelmät Multormaalkauma Momuuttumeetelmät: Multormaalkauma. Multormaalkauma se omasuudet.. Multormaalkauma TIHEYSFUNKTIO TIHEYSFUNKTION OMINAISUUDET.. Multormaalkauma omasuudet MULTINORMAALIJAKAUMAN KARAKTERISOINTI MULTINORMAALIJAKAUMAN KARAKTERISTINEN FUNKTIO MULTINORMAALIJAKAUMAN KARAKTERISOINTI MUUTTUJIEN VAIHTO KORRELOIMATTOMUUS JA RIIPPUMATTOMUUS REUNAJAKAUMAT.3. Multormaalkauma ehdollset kaumat EHDOLLISET JAKAUMAT REGRESSIOFUNKTIOT OSITTAISKOVARIANSSIT OSITTAISKORRELAATIOT KOVARIANSSIMATRIISIN DETERMINANTTI JA OSITTAISKOVARIANSSIMATRIISI VARIANSSIN MINIMOINTI JA REGRESSIOFUNKTIOT KORRELAATION MAKSIMOINTI JA REGRESSIOFUNKTIOT YHTEISKORRELAATIOKERROIN YHTEISKORRELAATIOKERTOIMEN OMINAISUUDET.4. -ulottee ormaalkauma -ULOTTEISEN NORMAALIJAKAUMAN TIHEYSFUNKTIO -ULOTTEISEN NORMAALIJAKAUMAN PARAMETROINTI -ULOTTEISEN NORMAALIJAKAUMAN TIHEYSFUNKTION OMINAISUUDET REUNAJAKAUMAT EHDOLLISET JAKAUMAT. Multormaalkaumasta johdetut kaumat.. χ -, F- t-kaumat OLETUKSET EPÄKESKINEN χ -JAKAUMA χ -JAKAUMA, EPÄKESKINEN F-JAKAUMA F-JAKAUMA EPÄKESKINEN t-jakauma t-jakauma TKK Ilkka Mell (007) /0

3 Momuuttumeetelmät Multormaalkauma.. Nelömuotoje kaumat COCHRANIN LAUSE MULTINORMAALIJAKAUTUNEIDEN SATUNNAISMUUTTUJIEN NELIÖMUOTOJEN JAKAUMAT SOVELLUS: TAVANOMAINEN t-testi.3. Mahalaobs-etäsyys se kauma MAHALANOBIS-ETÄISYYS MULTINORMAALIJAKAUMA JA MAHALANOBIS-ETÄISYYS SOVELLUS: MULTINORMAALISUUDEN TESTAAMINEN 3. Multormaalkauma arametre estmot 3.. Johdato USKOTTAVUUSFUNKTIO SUURIMMAN USKOTTAVUUDEN ESTIMOINTIMENETELMÄ SUURIMMAN USKOTTAVUUDEN ESTIMAATTORIN OMINAISUUDET 3.. Multormaale otos se uskottavuusfukto MULTINORMAALIJAKAUMA JA SEN TIHEYSFUNKTIO OTOS MUKTINORMAALIJAKAUMASTA OTOKSEN USKOTTAVUUSFUNKTIO 3.3. Multormaalkauma arametre suurmma uskottavuude estmaattort ODOTUSARVON JA KOVARIANSSIMATRIISIN SU-ESTIMAATTORIT PARAMETRIEN MUUNNOKSET JA SU-ESTIMOINTI KORRELAATIOKERTOIMIEN SU-ESTIMAATTORIT REGRESSIOKERTOIMIEN JA OSITTAISKOVARIANSSIEN SU-ESTIMAATTORIT MULTINORMAALIJAKAUMAN REGRESSIOFUNKTIOIDEN ESTIMOINTI JA LINEAARISET REGRESSIOMALLIT YHTEISKORRELAATIOKERTOIMEN SU-ESTIMAATTORI 3.4. Multormaalkauma arametre suurmma uskottavuude estmaattorede kaumat KESKIARVOVEKTORIN JAKAUMA MOMENTTIMATRIISIN JAKAUMA WISHART-JAKAUMA WISHART-JAKAUMAN OMINAISUUDET MOMENTTIMATRIISIN JAKAUMA JA WISHART-JAKAUMA OSITTAISKOVARIANSSIMATRIISIN JAKAUMA JA WISHART-JAKAUMA 4. Multormaalkaumaa koskeva testejä 4.. Johdato USKOTTAVUUSFUNKTIO OSAMÄÄRÄTESTI OSAMÄÄRÄTESTISUUREEN JAKAUMA TKK Ilkka Mell (007) 3/0

4 Momuuttumeetelmät Multormaalkauma 4.. Multormaale otos se arametre suurmma uskottavuude estmot 4.3. Test odotusarvolle TESTI ODOTUSARVOLLE, KUN KOVARIANSSIMATRIISI TUNNETAAN TESTI ODOTUSARVOLLE, KUN KOVARIANSSIMATRIISIA EI TUNNETA HOTELLINGIN T -TESTISUURE 4.4. Kahde otokse test odotusarvolle 4.5. Kahde otokse test kovarassmatrselle 4.5. Test rumattomuudelle RIIPPUMATTOMUUSTESTIN ERIKOISTAPAUKSIA TKK Ilkka Mell (007) 4/0

5 Momuuttumeetelmät Multormaalkauma. Multormaalkauma se omasuudet.. Multormaalkauma Multormaalkauma o -ulottese ormaalkauma ylestys useamulottesee avaruutee. Multormaalkaumalla o keskee rool momuuttumeetelme teorassa. Theysfukto Olkoo X = (X, X,, X ) -ulottee satuasmuuttu x = (x, x,, x ). Satuasvektor X oudattaa -ulottesta multormaalkaumaa, jos se theysfukto o () f ( x ) = ( π ) Σ ex{ ( x µ ) Σ ( x µ )} X / / mssä -vektor µ o satuasvektor X odotusarvo ostvsest deftt -matrs Σ o satuasvektor X kovarassmatrs el E(X) = µ Cov(X) = Σ Odotusarvovektor µ kovarassmatrs Σ ovat multormaalkauma arametrt määräävät täys multormaalkauma. Merktä: Jos satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ, merktsemme X N (µ, Σ) ta (jos emme halua korostaa ulottesuuslukua) X N(µ, Σ) Vastaavast multormaalkauma N (µ, Σ) theysfuktosta f X (x) käytetää joskus merktää N (x; µ, Σ) ta va N(x; µ, Σ) Huomautus: Iso krme käytöllä vektor merktää halutaa tässä multormaalkaumaa se omasuuksa kästtelevässä kaaleessa korostaa stä, että vektor X o (ulottee) satuasmuuttu. Theysfukto omasuudet () -ulottese multormaalkauma theysfukto f X ( x) määrttelee a y = f X ( x ) ( + )-ulottesessa avaruudessa. TKK Ilkka Mell (007) 5/0

6 Momuuttumeetelmät Multormaalkauma () Multlkatve tekjä ( ) / / π Σ multormaalkauma theysfukto lausekkeessa o elkkä skaalaustekjä, joka saa akaa se, että a y = f X ( x ) taso y = 0 rajottama kaalee tlavuus =. () Palla y = f X ( x) o ykskästtee maksm steessä µ. (v) Pa y = f X ( x) muodo määrää matrs Σ elömuoto (v) Nelömuoto ( x µ ) Σ ( x µ ) ( x µ ) Σ ( x µ ) määrttelee alle y = f X ( x ) tasa-arvoellsodt (v) Ellsode ( x µ ) Σ ( x µ ) = c ( x µ ) Σ ( x µ ) = c yhteseä kesksteeä o ste µ. (v) Ellsode ( x µ ) Σ ( x µ ) = c ääakselt saadaa kovarassmatrs Σ ääakselestyksestä BΛB Λ o matrs Σ omasarvoje muodostama dagoaalmatrs B o vastaave omasvektorede muodostama ortogoaale matrs, omasvektort ovat sarakkea. Matrs Σ omasvektort määräävät tasa-arvoellsode ääakselede suuat de tuudet ovat verraollsa matrs Σ omasarvoje elöjuur. Huomautus : Koska satuasvektor X kovarassmatrs Σ o oletettu ostvsest deftks, se o eäsgulaare sllä o käätesmatrs Σ. Tällö myös vastaavaa multormaalkaumaa saotaa eäsgulaarseks sllä o kaavalla () määrtelty theysfukto. Sgulaarste multormaalkaume kästtely svuutetaa tässä estyksessä. Huomautus : Matrsella Σ Σ o samat omasvektort de omasarvot ovat tostesa käätesluku. Jos ss matrslla Σ o ääakselestys BΛB matrslla Σ o ääakselestys BΛ B. TKK Ilkka Mell (007) 6/0

7 Momuuttumeetelmät Multormaalkauma Huomautus 3: Kovarass- ta korrelaatomatrs ääakselestys o moe momuuttumeetelme kute ääkomoettaalyys lähtökohta... Multormaalkauma omasuudet Multormaalkauma karaktersot Jokae multormaalkaumaa oudattava satuasmuuttu saadaa leaarmuuoksella rumattomsta stadardotua ormaalkaumaa oudattavsta satuasmuuttujsta. Käätäe jokae multormaalkaumaa oudattava satuasmuuttu vodaa muutaa leaarmuuoksella rumattomks stadardotua ormaalkaumaa oudattavks satuasmuuttujks. Lause... () Oletetaa, että U, =,,, rumattoma satuasmuuttu, jotka oudattavat stadardotua ormaalkaumaa: () U N(0,), =,,, Määrtellää satuasvektor U = (U, U,, U ) jollo E(U) = 0 Cov(U) = I. Olkoo C e-satuae eäsgulaare -matrs µ e-satuae - vektor olkoo X = CU + µ Tällö satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ = CC : X N (µ, Σ) Lsäks satuasvektor X kovarassmatrs Σ o ostvsest deftt. Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ > 0: olkoo X N (µ, Σ) Σ = CC kovarassmatrs Σ Cholesky-hajotelma, C o eäsgulaare yläkolmo- ta alakolmomatrs. Tällö satuasvektor U = C (X µ) alkot U, =,,, ovat rumattoma oudattavat stadardotua ormaalkaumaa: U N(0,), =,,, TKK Ilkka Mell (007) 7/0

8 Momuuttumeetelmät Multormaalkauma Perustelu: () Olkoot U, =,,, rumattoma satuasmuuttu, jotka oudattavat stadardotua ormaalkaumaa: U N(0,), =,,, Tällö de theysfuktot ovat muotoa f ( u ) = ( ) ex{ u }, =,,, / U π Määrtellää satuasvektor U = (U, U,, U ), jollo E(U) = 0 Cov(U) = I Koska satuasmuuttut U, =,,, o oletettu rumattomks, satuasvektor U theysfukto o satuasmuuttuje U, =,,, theysfuktode tulo ste vomme krjottaa: f ( u ) = f ( u ) U = = ( π ) ex{ u } = u / = ( π ) ex{ ( u + u + + u )} / / uu = ( π ) ex{ } u = (u, u,, u ). Olkoo () X = CU + µ C o e-satuae eäsgulaare -matrs µ o e-satuae -vektor. Muuokse () käätesmuuos o U = C (X µ) Todetaa es, että satuasvektor X odotusarvo o E(X) = E(CU + µ) = CE(U) + µ = µ että satuasvektor X kovarassmatrs o Cov(X) = E[(X E(X))(X E(X)) ] = E[(X µ)(x µ) ] = E[CUU C ] = CE[UU ]C = CCov(U)C = CIC = CC TKK Ilkka Mell (007) 8/0

9 Momuuttumeetelmät Multormaalkauma Merktää: Cov(X) = CC = Σ -matrs Σ o kahde eäsgulaarse matrs tuloa eäsgulaare. Lsäks matrs Σ o ostvsest deftt, sllä b Σb = b CC b = a a > 0 jos b 0. Tämä seuraa stä, että a = C b 0 jos b 0, koska C o eäsgulaare. Huomaa, että det(σ) = Σ > 0 koska Σ o ostvsest deftt. Johdetaa louks satuasvektor X theysfukto. Edellä todett, että satuasvektor U theysfukto o muotoa f ( u) = f ( u, u,, u ) = ( π ) ex{ uu } U U / Satuasvektor X = CU + µ theysfukto saadaa kaavasta ( u) fx( x) = fx( x, x,, x ) = fu( u( x)) ( x) ( u) ( x) o muuokse U = C (X µ) Jacob determat tsesarvo. Ste f ( x) = f ( x, x,, x ) X X ( u) = fu ( ux ( )) ( x) / ( u) = ( π ) ex{ uu } ( x ) / ( u) = ( π ) ex{ ( x µ ) ( C ) C ( x µ )} ( x) = ( π ) Σ ex{ ( x µ ) Σ ( x µ )} / / mkä o -ulottese ormaalkauma N (µ, Σ) theysfukto. Vmee yhtälöstä erustuu she, että ( C ) C = ( C ) C = ( CC ) = Σ she, että TKK Ilkka Mell (007) 9/0

10 Momuuttumeetelmät Multormaalkauma ( u) = det( C ( x) ) = C = Σ koska / Σ = CC = C C = C () Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ > 0. Tällö satuasvektor X theysfukto o muotoa f ( x ) = ( π ) Σ ex{ ( x µ ) Σ X ( x µ )} / / Koska satuasvektor X kovarassmatrs Cov(X) = Σ o oletettu ostvsest deftks, sllä o Cholesky-hajotelma Σ = CC C o eäsgulaare -yläkolmo- ta -alakolmomatrs. Olkoo U = C (X µ) jollo X = CU + µ Koska C Σ C= C ( CC ) C= C ( C ) C C= I f U ( x) ( u) = fx( x( u)) ( u) = ( x) / / ( π ) Σ ex{ ( x µ ) Σ ( x µ )} ( u ) / / + / ( π ) Σ Σ ex{ ucσ Cu} / ( π ) ex{ uu } / ( π ) ex{ ( u u u )} / ( π ) ex{ u } = fu ( u ) = = = = = = f ( u ) = ( ) ex{ u }, =,,, / U π o stadardodu ormaalkauma N(0,) theysfukto. TKK Ilkka Mell (007) 0/0

11 Momuuttumeetelmät Multormaalkauma Ste satuasmuuttut U, =,,, ovat rumattoma, koska de yhteskauma theysfukto o votu esttää de reuakaume theysfuktode tuloa. Multormaalkauma karakterste fukto Lause... Oletetaa, että X N (µ, Σ). Satuasvektor X karakterste fukto o muotoa ϕ ( t) = ex{ tµ tσt } X =. Perustelu: Olkoo X N (µ, Σ) olkoo lsäks Σ = CC kovarassmatrs Σ Cholesky-hajotelma, C o eäsgulaare yläkolmo- ta alakolmomatrs. Olkoo jollo U = C (X µ) X = CU + µ Lausee... mukaa satuasmuuttu U = (u, u,, u ) komoett u, =,,, ovat rumattoma oudattavat stadardotua ormaalkaumaa: u, u,, u u N(0,), =,,, Satuasmuuttu u karakterste fukto o ϕ s = s = u ( ) ex{ },,,, Satuasmuuttuje u, =,,, rumattomuude taka satuasvektor U karakterste fukto o satuasmuuttuje u, =,,, karakterstste fuktode tulo: ϕ u s s = = ϕ ( s ) = ( ) = ex{ } = ex{ ss } U s = (s, s,, s ). TKK Ilkka Mell (007) /0

12 Momuuttumeetelmät Multormaalkauma Ste Jos =, ϕ ( ) E[ex{ X t = tx}] = E[ex{ t ( Cu + µ )}] = ex{ tµ }E[ex{ tcu }] Ct = s = ex{ tµ }E[ex{ su }] E[ex{ su }] = ϕu ( s) = ex{ tµ }ex{ ss} = ex{ tµ }ex{ tcct} = ex{ tµ }ex{ tσt} = ex{ tµ tσt } ϕ t tx µ t σ t X ( ) = E[ex{ }] = ex{ } Huomaa, että satuasmuuttu karakterste fukto määrää täydellsest satuasmuuttu kauma. Tämä merktsee stä, että jos satuasmuuttu X karakterste fukto o muotoa ϕ () t = ex{ tµ tσt } X = µ o -vektor Σ o ostvsest deftt -matrs, satuasmuuttu X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ > 0 Multormaalkauma karaktersot Jos kakk satuasvektor X leaarkombaatot oudattavat (yksulottesta) ormaalkaumaa, satuasvektor X oudattaa multormaalkaumaa. Käätäe multormaalkaumaa oudattava satuasvektor kakk leaarkombaatot ovat ormaalsa. Lause..3. () Olkoo X -ulottee satuasvektor. Oletetaa, että kakk satuasvektor X leaarkombaatot a Y = a X o e-satuae -vektor, oudattavat ormaalkaumaa: Y N(a µ, a Σa) Tällö satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: X N (µ, Σ) () Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: TKK Ilkka Mell (007) /0

13 Momuuttumeetelmät Multormaalkauma Perustelu: () X N (µ, Σ) olkoo Y = a X jok satuasvektor X leaarkombaato, a o e-satuae -vektor. Tällö satuasmuuttu Y oudattaa ormaalkaumaa arametre E(Y) = a µ Var(Y) = a Σa: Y N(a µ, a Σa) Olkoo X -ulottee satuasvektor. Oletetaa, että kakk satuasvektor X leaarkombaatot a Y = a X o e-satuae -vektor, oudattavat ormaalkaumaa: Y N(a µ, a Σa) Satuasmuuttu Y karakterste fukto vodaa krjottaa muotoo ϕ () s Y = E[ex{ sy }] = E[ex{ stµ s tσt }] st = v = E[ex{ vµ vσv}] ϕ ( v) = X () ϕ X ( v ) o -ulottese multormaalkauma N (µ, Σ) karakterste fukto. Koska satuasmuuttu karakterste fukto määrää täydellsest satuasmuuttu kauma, X N (µ, Σ) Oletetaa, että X N (µ, Σ) olkoo Y = a X a o e-satuae -vektor. Satuasmuuttu Y karakterste fukto vodaa krjottaa muotoo ϕ ( t Y ) = E[ex{ ty }] = E[ex{ tax }] = ϕx( ta) = E[ex{ taµ t aσa }] joka o yksulottese ormaalkauma N(a µ, a Σa) karakterste fukto. Koska satuasmuuttu karakterste fukto määrää täydellsest satuasmuuttu kauma, Y N(a µ, a Σa) TKK Ilkka Mell (007) 3/0

14 Momuuttumeetelmät Multormaalkauma Lsäks E(Y) = a µ = a E(X) Var(Y) = a Σa = a Cov(X)a Muuttuje vahto Multormaalse satuasmuuttu eäsgulaarset leaarmuuokset oudattavat multormaalkaumaa. Lause..4. Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: X N (µ, Σ) olkoo Y = BX mssä matrs B o eäsgulaare. Tällö satuasvektor Y oudattaa - ulottesta multormaalkaumaa arametre E(Y) = Bµ Cov(Y) = BΣB : Y N (Bµ, BΣB ) Perustelu: Olkoo X N (µ, Σ) olkoo Y = BX mssä matrs B o eäsgulaare. Olkoo t Y satuasvektor Y melvaltae leaarkombaato. Ste t Y = t BX = s X s = B t Koska matrs B o eäsgulaare, t = (B ) s Lausee..3. kohda () mukaa leaarkombaato s X = t Y oudattaa yksulottesta ormaalkaumaa arametre E(t Y) = E(s X) = s E(X) = s µ = t Bµ Var(t Y) = Var(s X) = E[(s X E(s X)) ] TKK Ilkka Mell (007) 4/0

15 Momuuttumeetelmät Multormaalkauma = E[(s X s µ) ] = E[(s X s µ)(x s µ s)] = s E[(X µ)(x µ) ]s = s Σs = t B ΣBt Koska t ol melvaltae, satuasmuuttu Y oudattaa lausee..3. kohda () mukaa multormaalkaumaa arametre E(Y) = Bµ Cov(Y) = B ΣB Korrelomattomuus rumattomuus Satuasmuuttuje rumattomuudesta seuraa aa de korrelomattomuus. Se sa korrelomattomat satuasmuuttut evät välttämättä ole rumattoma. Korrelomattome satuasmuuttuje välllä saattaa olla joa eksakt (eäleaare) ruvuus. Mutta jos satuasmuuttuje yhteskaumaa o multormaalkauma, satuasmuuttut ovat rumattoma, jos va jos e ovat korrelomattoma. Lause..5. Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: X N (µ, Σ) Ostetaa vektor X = (X, X,, X ) seuraavast: X = (X (), X () ) X () = (X, X,, X q ) X () = (X q+, X q+,, X ) Tehdää vastaavat ostukset satuasvektor X odotusarvovektorlle µ kovarassmatrslle Σ: () () µ = ( µ, µ ) Σ Σ Σ = Σ Σ Σ = Σ. Tällö Σ = 0, jos va jos satuasmuuttut X() X () ovat rumattoma. TKK Ilkka Mell (007) 5/0

16 Momuuttumeetelmät Multormaalkauma Perustelu: Olkoo X N (µ, Σ) oletetaa, että satuasvektor X = (X, X,, X ) o ostettu seuraavast: X = (X (), X () ) X () = (X, X,, X q ) o q-vektor X () = (X q+, X q+,, X ) o ( q)-vektor. Tehdää vastaavat ostukset satuasvektor X odotusarvovektorlle µ kovarassmatrslle Σ: () () µ = ( µ, µ ) Σ Σ Σ = Σ Σ Σ = Σ. Aa ätee: Jos satuasmuuttut X () X () ovat rumattoma, e ovat myös korrelomattoma, jollo Σ = Σ = 0 () Oletetaa yt, että yhtälö () ätee. Tällö satuasmuuttu X karakterste fukto vodaa esttää satuasmuuttuje X () X () karakterstste fuktode tuloa: ϕ ( ) ex{ X t = tµ tσt} () () () () = ex{ [ t µ + t µ ] () () () () () () () () [ t Σt + t Σt + t Σt + t Σt ]} () () () () () () () () = ex{ t µ t Σt + t µ t Σt } () () () () ( = ex{ ) () () () t µ t Σt }ex{ t µ t Σt } () () = ϕ X ( t ) ϕ X ( t ) () () Ste satuasmuuttut X () X () ovat rumattoma. Lause..6. Olkoo X N (µ, Σ) Oletetaa, että satuasvektor X sekä satuasvektor X odotusarvovektor µ kovarassmatrs Σ o ostettu samalla tavalla ku lauseessa..5. Jos Σ = 0, X () N q (µ (), Σ ) X () N q (µ (), Σ ) lsäks satuasmuuttut X () X () ovat rumattoma. TKK Ilkka Mell (007) 6/0

17 Momuuttumeetelmät Multormaalkauma Reuakaumat Multormaalkaumaa oudattava satuasmuuttu X kakk reuakaumat oudattavat multormaalkaumaa (ta ormaalkaumaa). Lause..7. Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: X N (µ, Σ) Ostetaa satuasvektor X = (X, X,, X ) seuraavast: X = (X (), X () ) X () = (X, X,, X q ) X () = (X q+, X q+,, X ) Tehdää vastaavat ostukset satuasvektor X odotusarvovektorlle µ kovarassmatrslle Σ: () () µ = ( µ, µ ) Σ Σ Σ Σ = Σ. Tällö = Σ Σ Perustelu: Olkoo X () N(µ (), Σ ), =, X N (µ, Σ) Lausee..3. kohdasta () seuraa, että kaklle a a X N(a µ, a Σa). Olkoo yt a = (a (), 0) a () o melvaltae q-vektor 0 o ollavektor. Tällö a X = a () X () N(a () µ (), a () Σ a () ) Koska vektor a () ol melvaltae, lausee..3. kohdasta () seuraa, että X () N(µ (), Σ ) Vastaavalla tavalla todstetaa, että X () N(µ (), Σ ) TKK Ilkka Mell (007) 7/0

18 Momuuttumeetelmät Multormaalkauma Huomautus : Lauseessa..7. e ole oletettu, että Σ = 0 kute lauseessa..6. Huomautus : Lauseesta..7. seuraa ertysest, että multormaalkaumaa oudattava satuasmuuttu kakk yksulotteset reuakaumat ovat ormaalsa. Huomautus 3: Satuasmuuttu X kakke reuakaume ormaalsuus e takaa stä, että X oudattaa multormaalkaumaa. Lausee..3. mukaa vasta se, että kakk satuasmuuttu X leaarkombaatot oudattavat ormaalkaumaa takaa se, että X oudattaa multormaalkaumaa..3. Multormaalkauma ehdollset kaumat Multormaalkauma ehdollslla kaumlla o keskee rool leaarste regressomalle teorassa sllo, ku mall selttäjät ovat satuasmuuttu. Ehdollset kaumat Multormaalkaumaa oudattava satuasmuuttu kakk ehdollset kaumat ovat multormaalkauma (ta ormaalkauma). Lause.3.. Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: X N (µ, Σ) Ostetaa satuasvektor X = (X, X,, X ) seuraavast: X = (X (), X () ) X () = (X, X,, X q ) X () = (X q+, X q+,, X ) Tehdää vastaavat ostukset satuasvektor X odotusarvovektorlle µ kovarassmatrslle Σ: () () µ = ( µ, µ ) Σ Σ Σ = Σ. Σ = Σ Σ TKK Ilkka Mell (007) 8/0

19 Momuuttumeetelmät Multormaalkauma Tällö satuasmuuttu X () ehdolle kauma ehdolla X () = x () o q-ulottee multormaalkauma: ( X X = x ) N ( µ + Σ Σ ( x µ ), Σ Σ Σ Σ ) () () () () () () q Satuasmuuttu X () ehdollse kauma odotusarvo el ehdolle odotusarvo o E( X X = x ) = µ + Σ Σ ( x µ ) () () () () () () ehdollse kauma kovarassmatrs o Perustelu: Olkoo Cov( X X = x ) = Σ Σ Σ Σ () () () X N (µ, Σ) oletetaa, että satuasvektor X = (X, X,, X ) o ostettu seuraavast: X = (X (), X () ) X () = (X, X,, X q ) o q-vektor X () = (X q+, X q+,, X ) o ( q)-vektor. Tehdää vastaavat ostukset satuasvektor X odotusarvovektorlle µ kovarassmatrslle Σ: () () µ = ( µ, µ ) Σ Σ Σ = Σ Σ Σ = Σ. Määrtellää trasformaato () () () Y = X ΣΣX () () () Y = X Trasformaato () vodaa krjottaa matrse muodossa Y = AX Y = (Y (), Y () ) I Σ = Σ A 0 I Lausee..4. mukaa Y = AX N (Aµ, A ΣA) () () µ ΣΣ µ E( Y) = Aµ = () µ TKK Ilkka Mell (007) 9/0

20 Momuuttumeetelmät Multormaalkauma Cov( ) Σ ΣΣ = = Σ 0 Y AΣA 0 Σ Ste lauseesta..6. seuraa, että satuasmuuttut Y () Y () ovat rumattoma ormaalkautueta, että E( Y ) = µ Σ Σ µ () () () Cov( Y ) = Σ Σ Σ Σ () () E( Y ) = µ () Cov( ) = Merktää lyhyest () Y Σ () () () E( Y ) = µ ΣΣ µ = µ Y Cov( Y ) = Σ Σ Σ Σ = Σ () () Koska satuasmuuttut Y () Y () ovat rumattoma, satuasmuuttu Y = (Y (), Y () ) theysfukto vodaa esttää satuasmuuttuje Y () Y () reuakaume theysfuktode tuloa: f ( y) = f ( y ) f ( y ) () () () Y () () Y Y f ( y ) = ( π ) Σ ex{ [ y µ ] Σ [ y µ ]} () q / / () () () () () Y Y Y f ( ) = ( π ) ex{ [ ] [ ]} () ( q)/ / () () () () () y Σ Y y µ Σ y µ Sovelletaa trasformaatota () tuloestyksee (). Koska trasformaato () Jacob determat tsesarvo o ( y) = det( A) = ( x) satuasmuuttu X = (X (), X () ) theysfukto f X ( x ) saa muodo q / / () () f ( x ) = ( π ) Σ ex{ [ x µ ] Σ [ x µ X ]} ( q)/ / () () () () ( π ) Σ ex{ [ x µ ] Σ[ x µ ])} olemme ottaeet käyttöö merkä µ Σ Σ x µ µ Σ Σ x µ () () () () = + () = + ( ) Y Ehdollse kauma määrtelmä mukaa satuasmuuttu X () ehdolle kauma ehdolla X () = x () o TKK Ilkka Mell (007) 0/0

21 Momuuttumeetelmät Multormaalkauma f () () () X X = x = () () ( x x ) f ( x) X () f () ( x ) X = ( π ) Σ ex{ [ x µ ] Σ [ x µ ]} q / / () () mkä o q-ulottese ormaalkauma theysfukto, joka odotusarvovektor o E( X X = x ) = µ = µ + Σ Σ ( x µ ) kovarassmatrs o () () () () () () Cov( X X = x ) = Σ = Σ Σ Σ Σ () () () Regressofuktot Satuasmuuttu X () ehdolle odotusarvo E( X X = x ) = µ = µ + Σ Σ ( x µ ) () () () () () () o ehtomuuttu X () arvoje x () fuktoa satuasmuuttu X () regressofukto satuasmuuttu X () suhtee. Ste multormaalkauma regressofuktot ovat leaarsa ehtomuuttu arvoje suhtee. Tarkastellaa erkostaausta q = merktää q = = k. Tällö satuasmuuttu X ehdolle odotusarvo satuasmuuttu X () = (X, X 3,, X ) suhtee o E( X X = x ) = µ = µ + β ( x µ ) () () () () β= Σ Σ o k-vektor. Regressofukto määrttelee taso E( X X = x ) = µ = µ + β ( x µ ) () () () () x µ () () = + β ( x µ ) (k +)-ulottesessa avaruudessa. Huomautus: Vrt. vektor β lauseketta leaarse regressomall PNS-estmaattor kaavaa keskstettyje havatoarvoje taauksessa. Osttaskovarasst Satuasmuuttu X () ehdollse kauma kovarassmatrs Cov( X X = x ) = Σ = Σ Σ Σ Σ () () () TKK Ilkka Mell (007) /0

22 Momuuttumeetelmät Multormaalkauma o satuasmuuttu X () osttaskovarassmatrs satuasmuuttu X () suhtee. Osttaskovarassmatrs Σ. rv j. sarakkee alko [ Σ ] j =,, j =,,, q j q σ + o satuasmuuttuje X X j osttaskovarass osttaskovarassmatrs Σ. dagoaalalko σ σ =, =,,, q q+ q+ o satuasmuuttu X ehdolle varass. Satuasmuuttu X () osttaskovarassmatrs e ru ehtomuuttu X () saamsta arvosta. Tämä vodaa tulkta, että satuasmuuttu X () osttaskovarassmatrs kuvaa satuasmuuttu X () alkode välsä leaarsa ruvuuksa, ku ehtomuuttuje X () vakutus o elmotu. Tarkastellaa erkostaausta q = merktää q = = k. Tällö satuasmuuttu X osttaskovarassmatrs satuasmuuttu X () = (X, X 3,, X ) suhtee o () () Var( X X = x ) = σ = σ = σ βσβ o k-vektor. β= Σ Σ Osttaskorrelaatot Satuasmuuttuje X X j osttaskorrelaatot määrtellää kaavalla σ j q+ ρ =,, j =,,, j q+ σ σ q+ j q+ σ,,,,, j q + j = o satuasmuuttuje X X j osttaskovarass σ = σ, h=, j h q+ hh q+ o satuasmuuttu X h ehdolle varass. Satuasmuuttuje X X j osttaskorrelaato ρ j q + kuvaa muuttuje X X j korrelaatota, ku muuttuje X q+,, X vakutus o elmotu. Kovarassmatrs determatt osttaskovarassmatrs Lause.3.. Olkoo X -ulottee satuasvektor, joka kovarassmatrs Cov(X) = Σ > 0 o ostettu seuraavalla tavalla: TKK Ilkka Mell (007) /0

23 Momuuttumeetelmät Multormaalkauma Σ Σ = Σ Σ Σ = Σ. Tällö Σ det( Σ) = Σ = Σ Σ Σ Σ Σ = Σ Σ Σ = Σ Σ Σ Σ o satuasmuuttu X () osttaskovarassmatrs satuasmuuttu X () suhtee. Perustelu: Lause seuraa suoraa ostetu matrs determat laskusääöstä. Huomautus: Lause.3.. ätee lma multormaalsuusoletusta. Varass mmot regressofuktot Olkoo -ulottese satuasvektor X kovarassmatrs Cov(X) = Σ > 0. Ostetaa satuasvektor X = (X, X,, X ) seuraavast: X = (X, X () ) X () = (X, X 3,, X ) o ( )-vektor. Tehdää vastaava ostus kovarassmatrslle Σ: σ Σ Σ = Σ Σ σ = σ = Var( X ) Σ = Σ. Lause.3.3. ku () Var( α X ) m X = α α= β= Σ Σ Perustelu: Todetaa es, että E( X ) = µ E( X α X ) = E( X ) α E( X ) = µ α µ () () () () () E( X ) = µ. TKK Ilkka Mell (007) 3/0

24 Momuuttumeetelmät Multormaalkauma Ste Var( X α X ) = E[( X α X E( X α X )) ] () () () () () = E[( X µ α ( X µ )) ] () () = X µ X µ α X µ () () () () E[( ) ( ) ( ) + α ( X µ )( X µ ) α] () () = E[( X µ ) ] α E[( X µ )( X µ )] () () () () + α E[( X µ )( X µ )] α = σ ασ + ασ α Dervomalla saatu lauseke vektor α suhtee merktsemällä dervaatta ollaks saadaa ormaalyhtälö () Var( X α X ) = Σ+ Σα = 0 α vektor α ratkasemseks. Koska matrs Σ o ostvsest deftt ste eäsgulaare, saadaa ormaalyhtälö ratkasuks α = Σ Σ Ratkasu vastaa lausekkee mmä, koska () Var( α X ) X () Var( X α X ) = Σ > 0 αα Lausee.3.3. tulkta: Se satuasvektor X () leaarkombaato α X X α X () varass, saadaa aokertomlla α= β= Σ Σ (), joka mmo satuasmuuttu Vrt. vektor β lauseketta leaarse regressomall PNS-estmaattor kaavaa keskstettyje havatoarvoje taauksessa. Huomautus: Lause.3.3. ätee lma multormaalsuusoletusta. Korrelaato maksmot regressofuktot Olkoo -ulottese satuasmuuttu X kovarassmatrs Cov(X) = Σ > 0. Ostetaa satuasvektor X = (X, X,, X ) seuraavast: TKK Ilkka Mell (007) 4/0

25 Momuuttumeetelmät Multormaalkauma X = (X, X () ) X () = (X, X 3,, X ) o ( )-vektor. Tehdää vastaava ostus kovarassmatrslle Σ: σ Σ Σ = Σ Σ σ = σ = Var( X ) Σ = Σ. Lause.3.4. ku Perustelu: Olkoot () mssä α () Cor( X, α X ) = max α α= β= Σ Σ c melvaltasa. Lausee.3.3. mukaa Var( X β X ) Var( X cα X ) β= Σ Σ () () Eäyhtälö () vodaa krjottaa muotoo (ks. lausee.3.3. erustelua) () σ E[( X µ ) β ( X µ )] + E[( β ( X µ )) ] E[( ) ( )] E[( ( )) ] () () () () () () () () σ c X µ α X µ + c α X µ () () E( X ) = µ E( X ) = µ. Jakamalla eäyhtälö () lausekkeella saadaa eäyhtälö (3) X µ β X µ () () E[( ) ] E[( ( )) ] () () E[( X µ ) β ( X µ )] E[( () () X µ ) ] E[( β ( X µ )) ] () () E[( β ( X µ )) ] + X c () () E[( µ ) ] E[( β ( X µ )) ] () () E[( X µ ) α ( X µ )] () () X µ β X µ () () E[( α ( X µ )) ] + c () () E[( X µ ) ] E[( β X µ E[( ) ] E[( ( )) ] ( )) ] TKK Ilkka Mell (007) 5/0

26 Momuuttumeetelmät Multormaalkauma Valtsemalla () () E[( β ( X µ )) ] c = () () E[( α ( X µ )) ] saadaa eäyhtälöstä (3) eäyhtälö (4) () () E[( X µ ) β ( X µ )] E[( () () X µ ) ] E[( β ( X µ )) ] () () E[( β ( X µ )) ] + X E[( ) ( )] E[( X ) ] E[( ( )) ] E[( β ( X µ )) ] + ( E[( X µ ) ] E[( β ( X Eäyhtälö (4) seveee muotoo (5) () () E[( µ ) ] E[( β ( X µ )) ] () () X µ α X µ () () µ α X µ () () β X µ E[( ) ] E[( ( )) ] Väte seuraa, ku huomataa, että Lausee.3.4. tulkta: () () E[( X µ ) ( )] () () X µ β X µ () () E[( X µ ) α ( X µ )] () () X µ α X µ X E[( ) ] E[( ( )) ] β X µ () () E[( µ ) ( )] () () E[( X µ ) ] E[( β ( X µ )) ] X α X µ () () E[( µ ) ( )] () () E[( X µ ) ] E[( α ( X µ )) ] = = X β X () Cor(, ) X α X () Cor(, ) ) () µ )) ] Se satuasvektor X () () leaarkombaato α X, joka maksmo satuasmuuttuje X α X korrelaato, saadaa () aokertomlla α= β= Σ Σ Vrt. vektor β lauseketta leaarse regressomall PNS-estmaattor kaavaa keskstettyje havatoarvoje taauksessa. Huomautus: Lause.3.4. ätee lma multormaalsuusoletusta. TKK Ilkka Mell (007) 6/0

27 Momuuttumeetelmät Multormaalkauma Yhteskorrelaatokerro Olkoo -ulottese satuasvektor X kovarassmatrs Cov(X) = Σ > 0. Ostetaa satuasvektor X = (X, X,, X ) seuraavast: X = (X, X () ) X () = (X, X 3,, X ) o ( )-vektor. Tehdää vastaava ostus kovarassmatrslle Σ: σ Σ Σ = Σ Σ σ = σ = Var( X ) Σ = Σ. () X yhteskorrelaato- Lause.3.4. motvo määrttelemää satuasmuuttuje X kertome R kaavalla Lause.3.5. R = X β X () Cor(, ) β= Σ Σ Perustelu: R Todetaa es, että E( X ) = µ βσ β = = σ Σ Σ Σ σ Cov( X, β X ) = E[( X µ ) β ( X µ )] () () () () () = β E[( X µ )( X µ )] = βσ = βσβ = ΣΣΣ () () E( X ) = µ. Edellee Var( X ) = E[( X µ ) ] = σ β X = β X µ () () () Var( ) E[( ( )) ] = β X µ X µ β () () () () E[( ( )( ) ] () () () () = β E[( X µ )( X µ )] β = βσ β= Σ Σ Σ TKK Ilkka Mell (007) 7/0

28 Momuuttumeetelmät Multormaalkauma Ste Huomautus: R = Cor( X, β X ) = Cov( X, β X) Var( X ) Var( β X ) βσβ = = = σ βσ β βσ β σ Σ Σ Σ σ Lause.3.5. ätee lma multormaalsuusoletusta. Yhteskorrelaatokertome omasuudet Lause.3.6. () Σ 0 R = σ Σ () σ = σ ( R ) Perustelu: () Olkoo σ Σ Cov( X) = Σ = Σ Σ jollo Σ = ( σ Σ Σ Σ ) Σ σ Σ koska Σ > 0. () Ste Σ Σ Σ σ Σ Σ Σ Σ R = = = σ σ σ Σ Väte seuraa kohdasta (), koska määrtelmä mukaa σ = σ = σ Σ Σ Σ Lauseessa.3.6. σ = Var( X X = x ) () () = σ Σ Σ Σ = σ βσ β TKK Ilkka Mell (007) 8/0

29 Momuuttumeetelmät Multormaalkauma β= Σ Σ Huomautus : Lause.3.6. ätee lma multormaalsuusoletusta. Huomautus : Yhteskorrelaatokertome R elö seltysastee teoreette vaste. R o leaarse regressomall.4. -ulottee ormaalkauma -ulottese ormaalkauma theysfukto Olkoo (X, Y) -ulottee satuasvektor (x, y). Satuasmuuttu (X, Y) oudattaa -ulottesta ormaalkaumaa, jos se theysfukto o () f XY ( xy, ) = ex Qxy (, ) πσ ( ρ ) Xσ Y ρ X X Y Y x µ x µ y µ y µ Qxy (, ) = ρ + σ X σ X σy σy -ulottese ormaalkauma arametrot -ulottee ormaalkauma theysfukto () o arametrotu, että se arametrea ovat satuasmuuttuje X Y odotusarvot, varasst korrelaato. Satuasmuuttuje X Y odotusarvot ovat µ X = E( X ) µ Y = E( Y ) Satuasmuuttuje X Y varasst ovat σ X = Var( X) = E[( X µ X) ] σ Y = Var( Y) = E[( Y µ Y) ] Satuasmuuttuje X Y korrelaato o σ XY ρ = Cor( XY, ) = σ Xσ Y σ = Cov( XY, ) = E[( X µ )( Y µ )] XY X Y o satuasmuuttuje X Y kovarass. TKK Ilkka Mell (007) 9/0

30 Momuuttumeetelmät Multormaalkauma -ulottese ormaalkauma theysfukto omasuudet () -ulottese multormaalkauma theysfukto f X ( x) määrttelee a y = f X ( x ) () 3-ulottesessa avaruudessa. Multlkatve tekjä πσ XσY ρ -ulottese ormaalkauma theysfukto lausekkeessa o elkkä skaalaustekjä, joka saa akaa se, että a y = f X ( x ) taso y = 0 rajottama kaalee tlavuus =. () Palla y = f X ( x) o ykskästtee maksm steessä ( µ, µ ). (v) Pa y = f X ( x) muodo määrää elömuoto Qxy. (, ) (v) Nelömuoto Qxy (, ) määrttelee alle y = ( x ) tasa-arvoellsodt (v) Ellsode Qxy (, ) Qxy (, ) = c = c yhteseä kesksteeä o ste ( µ, µ ). (v) Ellsode Qxy (, ) = c ääakselt saadaa kovarassmatrs ääakselestyksestä σ XX σ XY σ X σ XY Σ = σyx σ = YY σ XY σ Y BΛB X Y Λ o matrs Σ omasarvoje muodostama dagoaalmatrs B o vastaave omasvektorede muodostama ortogoaale matrs, omasvektort ovat sarakkea. Matrs Σ omasvektort määräävät tasa-arvoellsode ääakselede suuat de tuudet ovat verraollsa matrs Σ omasarvoje elöjuur. f X X Y TKK Ilkka Mell (007) 30/0

31 Momuuttumeetelmät Multormaalkauma Reuakaumat -ulottese ormaalkauma reuakaumat ovat -ulottesa ormaalkauma: X µ σ N( X, X ) Y µ σ N( Y, Y) Ehdollset kaumat -ulottese ormaalkauma ehdollset kaumat ovat -ulottesa ormaalkauma: Ehdolle odotusarvo µ β µ σ ρ β σ ρ σ ( Y X = x) N( Y + YX( x X), Y( )), YX = Y / X µ β µ σ ρ β σ ρ σ ( X Y = y) N( X + XY ( y y ), X ( )), XY = X / Y E( Y X = x) = µ + β ( x µ ) Y YX X o muuttu Y regressofukto muuttu X suhtee. Ehdolle odotusarvo E( Y X = x) määrää suora y = µ + β ( x µ ) Y YX X Suora kulmakerro o β = σ ρ/ σ se kulkee stee ( µ, µ ) kautta. Ehdolle odotusarvo YX Y X E( X Y = y) = µ + β ( y µ ) X XY Y o muuttu X regressofukto muuttu Y suhtee. Ehdolle odotusarvo E( X Y = y) määrää suora x= µ + β ( y µ ) X XY Y Suora kulmakerro o β = σ ρ/ σ se kulkee stee ( µ, µ ) kautta. Huomautus: β β = ρ YX XY XY X Y -ulottese ormaalkauma taauksessa muuttuje Y X yhteskorrelaatokerro o R σ ehdollset varasst ovat ρ σ = YX XY YX σσ = = Y X σ Xσ = Y σ = σ ( ρ ) YX Y σ = σ ( ρ ) XY X Huomaa, että ehdollset varasst evät ru ehtomuuttu arvosta. R XY X X Y Y TKK Ilkka Mell (007) 3/0

32 Momuuttumeetelmät Multormaalkauma. Multormaalkaumasta johdetut kaumat.. χ -, F- t-kaumat Moet tlastollse äättely keskesstä kaumsta vodaa määrtellä multormaalkautuede satuasvektorede elömuotoje de fuktode kauma. Tällasa ovat χ -, F- t-kaumat. Oletukset Oletetaa, että satuasvektor X = (X, X,, X ) oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ = (µ, µ,, µ ) Cov(X) = I el X N (µ, I) Tällö satuasvektor X alkot X ovat rumattoma oudattavat ormaalkaumaa arametre µ : Eäkeske χ -kauma X N(µ, ), =,,, Oletetaa, että satuasmuuttu X N (µ, I). Tällö satuasmuuttu X X oudattaa eäkeskstä χ -kaumaa vaauste eäkesksyysarametrlla θ = µ µ. Merktä: X X χ (;θ ) Oletetaa, että X N (µ, σ I). Tällö χ -kauma XX µµ χ ; σ σ Oletetaa, että satuasmuuttu X N (0, I). Tällö satuasmuuttu X X oudattaa χ - kaumaa vaauste. Merktä: X X χ () Jos ss X X χ (;θ) eäkesksyysarametrlla θ = 0, satuasmuuttu X X oudattaa χ - kaumaa vaausaste. Huomautus: Jos X N (µ, σ I), TKK Ilkka Mell (007) 3/0

33 Momuuttumeetelmät Multormaalkauma ( X µ )( X µ ) χ ( ) σ Eäkeske F-kauma Olkoot satuasmuuttut U V rumattoma U χ (m;θ ) V χ () Tällö satuasmuuttu U m U F = = V m V oudattaa eäkeskstä F-kaumaa vaausaste m eäkesksyysarametrlla θ. Merktä: F-kauma F F(m,;θ) Olkoot satuasmuuttut U V rumattoma U χ (m) V χ () Tällö satuasmuuttu U m U F = = V m V oudattaa F-kaumaa vaausaste m. Merktä: F F(m,) Jos ss F F(m,;θ) eäkesksyysarametrlla θ = 0, satuasmuuttu F oudattaa F- kaumaa vaausaste m. Eäkeske t-kauma Satuasmuuttu t oudattaa eäkeskstä t-kaumaa vaausaste eäkesksyysarametrlla θ, jos Merktä: t F(,;θ) t t(;θ) TKK Ilkka Mell (007) 33/0

34 Momuuttumeetelmät Multormaalkauma t-kauma Satuasmuuttu t oudattaa (Studet) t-kaumaa vaausaste, jos Merktä: t F(,) t t() Jos ss t t(;θ) eäkesksyysarametrlla θ = 0, satuasmuuttu t oudattaa t-kaumaa vaausaste... Nelömuotoje kauma Seuraavassa tarkastellaa multormaalkautuede satuasmuuttuje elömuotoje kauma. Estettävllä kaumatulokslla o keskee merktys leaarste malle momuuttumeetelme estmot- testteorassa. Cochra lause Formulomme tässä leaarste malle teorassa tärkeä Cochra lausee. Moe (mult-) ormaalkauma, leaarste regressomalle varassaalyys malle koskeve arametrste tlastollste teste testsuurede kaumat vodaa johtaa Cochra lausee ta jok se seuraukse avulla. Oletetaa, että satuasvektor X = (X, X,, X ) oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ = (µ, µ,, µ ) Cov(X) = I el X N (µ, I) Tällö satuasvektor X alkot X ovat rumattoma oudattavat ormaalkaumaa odotusarvolla µ varasslla : Olkoot X N(µ,), =,,, A j, j =,,, k symmetrsä -matrse, jode asteet ovat r(a j ) = r j, j =,,, k Muodostetaa matrsesta A j elömuodot Q = XA X, j =,,, k j j olkoot θ j = µa jµ, j =,,, k TKK Ilkka Mell (007) 34/0

35 Momuuttumeetelmät Multormaalkauma Lause... Cochra lause. Oletetaa, että XX = Q + Q + + Q k Tällö elömuodot Q, Q,, Q k ovat rumattoma jos va jos Q χ ( r ; θ ), j =,,, k j j j = r + r + + r k Lsäks tällö µ µ = θ + θ + + θ k Perustelu: Oletetaa, että X N (µ, I) jollo eäkeskse χ -kauma määrtelmä mukaa Olkoot XX χ ( ; θ ) θ = µ µ A j, j =,,, k symmetrsä -matrse, jode asteet ovat r(a j ) = r j, j =,,, k Oletetaa yt, että XX = Q + Q + + Q k Q = XA X, j =,,, k j j () Jos elömuodot Q, j =,,, k ovat rumattoma j Q χ ( r ; θ ), j =,,, k j j j θ j = µa jµ, j =,,, k välttämättä = r + r + + r k Lsäks θ = µµ = θ + θ + + θ k TKK Ilkka Mell (007) 35/0

36 Momuuttumeetelmät Multormaalkauma () Oletetaa yt, että = r + r + + r k todstetaa, että tällö elömuodot Q, j =,,, k ovat rumattoma Q χ ( r ; θ ), j =,,, k j j j θ j = µa jµ, j =,,, k Käytämme todstuksessa hyväks seuraavaa matrslaskea tulosta: Olkoo X -vektor A symmetre -matrs, joka aste r(a) = m Tällö o olemassa eäsgulaare leaarmuuos Z = CX ste, että XAX = Z ( C ) AC Z= ZDZ D = dag( ±,, ±,0,,0) o -dagoaalmatrs, joka ollasta okkeave dagoaalelemette lukumäärä o täsmällee m. Ste saamme elömuodolle X AX estykse XAX =± z ± z ± ± z m j z = c x, k =,,, m k k k = c k = [C] k Tarkastellaa yt elömuoto Q = XA X, j =,,, k j j jode matrst A j ovat symmetrsä -matrse, jode asteet ovat r(a j ) = r j, j =,,, k Edellä steeratu matrslaskea tulokse erusteella jokasta elömuotoa Q = XA X, j =,,, k j j kohde o olemassa sellae vektor X eäsgulaare leaarmuuos, että elömuoto Q j vodaa esttää muodossa ( j) ( j) ( j) j =± l l ± l l ± ± rjl l l= l= = Q b x b x b x TKK Ilkka Mell (007) 36/0

37 Momuuttumeetelmät Multormaalkauma Koska olemme olettaeet, että r + r + + r k = ( ) vomme koota kertomsta b j l eäsgulaarse -matrs B, kertomet b, b,, b, =,,, r, j =,,, k ( ) ( ) ( ) j ovat rveä. Ste vomme krjottaa k j= Q j = XBDBX D o muotoa D = dag( ±, ±,, ± ) oleva -dagoaalmatrs. Koska k XX = Q = XBDBX j= j kaklle X, välttämättä BDB = I Koska matrs B o eäsgulaare, D= ( B ) B joka o ostvsest deftt, mkä merktsee stä, että matrs D kakke dagoaalelemette o oltava = +, jollo BB = I Ste matrs B o ortogoaale. Koska X N (µ, I) Y = BX N (Bµ, I) ste vektor Y komoett ovat rumattoma ormaalkautueta. Koska elömuoto Q o vektor Y = BX r esmmäse komoet elösumma, elömuoto Q o muotoa Q r = y = Vastaavast elömuoto Q o muotoa Q r+ r = = r + y je. Ste elömuodot Q, Q,, Q k ovat rumattoma, koska llä e ole yhtää yhtestä y -termä. TKK Ilkka Mell (007) 37/0

38 Momuuttumeetelmät Multormaalkauma Edellee, koska jokae elömuoto Q j, j =,,, k o rumattome ormaalkautuede satuasmuuttuje elösumma, Q χ ( r ; θ ), j =,,, k j j j θ j = µa jµ, j =,,, k Koska lsäks k k = Qj = j χ j= j= XX XA X (, µµ ) k µµ = θ = µa µ k j j= j= Ste olemme todstaeet ehdo j = r + r + + r k rttävyyde. Multormaalkautuede satuasmuuttuje elömuotoje kaumat Estämme tässä kaaleessa useta Cochra lausee seurauksa, jota o mossa tlatessa käteväm soveltaa ku Cochra lausetta tseää. Oletetaa aluks, että X N (µ, I) E(X) = µ Cov(X) = I Olkoot lsäks A B kaks symmetrstä -matrsa. Lause... Nelömuoto Q= XAX χ (; r θ ) jos va jos matrs A demotett. Lsäks tällö r = r(a) = tr(a) θ = µ Aµ TKK Ilkka Mell (007) 38/0

39 Momuuttumeetelmät Multormaalkauma Perustelu: Estämme todstukse taauksessa E(X) = µ = 0 jollo tarkasteltava elömuoto Q oudattaa tavallsta (so. keskstä) χ -kaumaa. () Oletetaa es, että matrs A o demotett r = r(a) = tr(a) todstetaa, että elömuoto Q= XAX χ () r () Jos matrs A o symmetre demotett, myös matrs I A demotett, koska (I A) = I A + A = I A + A = I A Lsäks r(i A) = tr(i A) = tr(i) tr(a) = r Koska XX = XAX + X ( I A) X r(a) + r(i A) = r + ( r) = = r(i) Cochra lauseesta... seuraa, että Q= XAX χ () r Oletetaa yt, että elömuoto Q= XAX χ () r todstetaa, että tällö matrs A o demotett r(a) = tr(a) = r Oletetaa, että r(a) = m Olkoo matrs A ääakselhajotelma A = QΛQ λ λ λ Λ = dag(,,, ) o matrs A omasarvoje λ λ λ 0 muodostama dagoaalmatrs Q o vastaave omasvektorede muodostama ortogoaale matrs, omasvektort ovat sarakkea. TKK Ilkka Mell (007) 39/0

40 Momuuttumeetelmät Multormaalkauma Koska olemme olettaeet, että r(a) = m, matrs A ostvste omasarvoje lukumäärä o m. Määrtellää muuos Y = Q X jollo X = QY Olkoo vektor Y komoettmuodossaa Y = ( y, y,, y ) Tällö vomme krjottaa (a) Q= XAX = YQAQY = YQQΛQQY = YΛY = λ jy m j= j (b) XX = YQQY = YY = y j= Satuasvektor Y odotusarvovektor kovarassmatrs ovat E( Y) = E( QX ) = Q E( X) = 0 Cov( Y) = E[( Y E( Y))( Y E( Y)) ] = E( YY ) = E( QXXQ ) = Q E( XX ) Q = Q Cov( X) Q = QIQ = QQ = I j Lauseesta..4. seuraa, että satuasvektor Y oudattaa multormaalkaumaa: Y N(,) 0 I jote lausee..5. mukaa vektor Y komoett yj, j =,,, ovat (samo ku vektor X komoett x j, j =,,, ) rumattoma oudattavat stadardotua ormaalkaumaa: y N(0,), j =,,, j χ -kauma määrtelmä mukaa y χ (), j =,,, j TKK Ilkka Mell (007) 40/0

41 Momuuttumeetelmät Multormaalkauma k j χ = j= y ( k), k,,, Satuasmuuttuje y, j =,,, karakterstset fuktot ovat j / ϕ j () t = ( t), =, j =,,, Koska satuasmuuttut muuttu y, j =,,, ovat rumattoma, satuas- j Q= XAX = YΛY = λ jy karakterste fukto o () m j= ϕ t = λt λ t λ t = / ( ) [( )( ) ( m )], Tosaalta oletukse mukaa Q= XAX χ () r (3) χ () r -kauma karakterste fukto o muotoa ϕ t t r / () = ( ), = j Vertaamalla kaavo () (3) ähdää, että välttämättä m = r λ j =, j =,,, m Ste kaavosta (a) (b) seuraa, että matrs QAQ o dagoaalmatrs, joka dagoaalalkot ovat ykkösä ta olla ykköste lukumäärä = m = r. Koska matrs QAQ o ste demotett, = = = QAQ QAQQAQ QAAQ QA Q mkä o mahdollsta va, jos A = A el myös matrs A o demotett. Lsäks r(a) = m = r = tr(a) Huomautus: Estmme lausee... todstukse va taauksessa E(X) = µ = 0 Jos E(X) = µ 0 satuasmuuttu y j lausee... todstuksessa kautuu eäkeskse χ - kauma mukaa, jollo elömuodo XAX karakterstse fukto kaavoh () (3) tulee ylmääräe eäkesksyysarametrsta ruva term, joka komlso todstusta jok verra, mutta e muuta johtoäätöstä. TKK Ilkka Mell (007) 4/0

42 Momuuttumeetelmät Multormaalkauma Lause..3. Olkoo X N (0, I) X X = Q + Q mssä elömuoto Q χ r () Tällö elömuoto Q χ r ( ) Perustelu: Todetaa es, että suoraa χ -kauma määrtelmä mukaa XX χ ( ) Oletetaa, että elömuoto Q o muotoa Q = XAX lsäks Q χ () r. Tällö lauseesta... seuraa, että matrs A o demotett r(a) = tr(a) = r Nyt Q = XX Q = XX XAX= X( I A) X Nelömuodo Q matrs I A o demotett, koska matrs A o demotett: (I A) = I A + A = I A + A = I A Lsäks tällö r(i A) = tr(i A) = tr(i) tr(a) = r Ste lauseesta... seuraa, että Lause..4. Oletetaa, että Q = Q + Q mssä elömuodot Q X I A X χ r = ( ) ( ) Q χ () r Q χ s () elömuoto Q 0. Tällö elömuoto Q χ r s ( ) TKK Ilkka Mell (007) 4/0

43 Momuuttumeetelmät Multormaalkauma Perustelu: Oletukssta lauseesta... seuraa, että Q = XAX Q = XAX matrst A A ovat demotette r(a) = tr(a) = r r(a ) = tr(a ) = s Ste Q = XAX XAX = X ( A A ) X Koska Q= XAX χ () r lausee... todstukse mukaa o olemassa ortogoaale leaarmuuos Y = QX = ( y, y,, y ) ste, että QQ = Q Q = I (a) Q= XAX = YQAQY = y r j= j (b) XX YY = = j= y j Soveltamalla muuosta X = QY myös elömuotoh Q Q vodaa elömuodot Q Q krjottaa muotoh Q = XAX = YQAQY = YBY B = QA Q Q = X ( A A ) X= YQ ( A A ) QY= YB Y B = Q ( A A ) Q TKK Ilkka Mell (007) 43/0

44 Momuuttumeetelmät Multormaalkauma Koska r yj YBY YB Y j= Q= = + yhtälö okea uole elömuodot vovat rua va satuasmuuttujsta y, j =,,, r j Ste lauseesta..3. seuraa, että Q χ r ( ) Huomautus: Lauseesta..4. saadaa svutuotteea seuraava matrslaskea tulos: Jos matrst A A ovat demotette, myös erotusmatrs A A o demotett. Jos tämä matrslaskea tulos oletetaa tuetuks, lause..4. seuraa suoraa lauseesta... Lause..5. Oletetaa, että XAX χ ( ) XBX χ ( m) Tällö elömuodot X AX X BX ovat rumattoma, jos va jos AB = 0 Perustelu: () Todstetaa ehdo AB = 0 rttävyys. Oletuksesta lauseesta... seuraa, että matrst A B ovat demotette el A = A B = B Ste jos A(I A B) = B(I A B) = 0 AB = 0 Tällö r(a) + r(b) + r(i A B) = = r(i ) Koska X AX + X BX + X (I A B)X = X X TKK Ilkka Mell (007) 44/0

45 Momuuttumeetelmät Multormaalkauma () Cochra lauseesta... seuraa, että elömuodot X AX X BX ovat rumattoma. Todstetaa ehdo AB = 0 välttämättömyys. Jos elömuodot X AX X BX ovat rumattoma, tällö XAX + XBX = X ( A+ B) X χ ( + m) Ste matrs A + B o demotett el (A + B) = A + AB + BA + B = A + AB + BA + B = A + B mkä o mahdollsta va, jos AB = 0 jollo myös BA = B A = (AB) = 0 Lause..6. Oletetaa, että XAX χ ( ) Tällö elömuoto X AX skalaartulo b X ovat rumattoma, jos va jos Ab = 0 Perustelu: Koska olemme olettaeet, että X N(,) 0 I bx N(0, bb ) bx = XbbX χ ( ) () Lausee..5. mukaa elömuodot X AX X bb X ovat rumattoma, jos va jos Abb = 0 Lause..6. seuraa tästä, ku huomataa, että satuasmuuttut X AX X bb X ovat rumattoma, jos va jos satuasmuuttut X AX b X ovat rumattoma Abb = 0 jos va jos Ab = 0 Olemme olettaeet edellä, että X N (µ, I) TKK Ilkka Mell (007) 45/0

46 Momuuttumeetelmät Multormaalkauma jollo satuasvektor X komoett ovat korrelomattoma ( ste rumattoma). Srrytää yt tarkastelemaa taausta X N (µ, Σ) E(X) = µ Cov(X) = Σ > 0 Olkoot lsäks A B kaks symmetrstä -matrsa. Lausede tulokset vodaa laajetaa tähä taauksee soveltamalla satuasvektor X muuosta Z = C X C o eäsgulaare matrs, joka saadaa hajotelmasta Σ = CC Tällae matrs C o aa olemassa, koska matrs o oletettu ostvsest deftks. Satuasvektor Z oudattaa -ulottesta multormaalkaumaa arametre E( ) E( ) E( ) Z = C X = C X = C µ Cov( Z) = E[( Z E( Z))( Z E( Z)) ] = C X C µ C X C µ = C E[( X µ )( X µ )]( C ) = C Cov( X)( C ) = C Σ( C ) = C CC ( C ) = I E[( )( )] Lauseta vodaa soveltaa satuasvektor Z ste lauseet vodaa muotolla uudellee, että e soveltuvat myös taauksee Cov(X) = Σ Koska lauseet evät vaad uutta muotolua, tarkastelemme alla va lausede muotolemsta uudellee. Lause..7. Nelömuoto Q = X AX χ (r;θ) jos va jos AΣA = A. Lsäks tällö r = r(a) = tr(a) θ = µ Aµ TKK Ilkka Mell (007) 46/0

47 Momuuttumeetelmät Multormaalkauma Perustelu: Koska satuasvektor X kovarassmatrs Σ o oletettu ostvsest deftks, matrslla Σ o hajotelma Σ = CC C o eäsgulaare matrs. Sovelletaa elömuotoo Q = X AX muuosta jollo Z = C X X = CZ Ste elömuoto Q vodaa krjottaa muotoo Q = X AX = Z C ACZ Lausee... mukaa Q χ (r;θ) jos va jos () (C AC) = (C AC)(C AC) = C AC Koska matrs C o eäsgulaare ehto () vodaa krjottaa muotoo () ACC A = A Koska CC = Σ ehto () saa muodo Lsäks AΣA = A r(c AC) = r(a) Lause..8. Oletetaa, että XAX χ ( ) Perustelu: XBX χ ( m) Tällö elömuodot X AX X BX ovat rumattoma, jos va jos AΣB = 0 Koska satuasvektor X kovarassmatrs Σ o oletettu ostvsest deftks, matrslla Σ o hajotelma TKK Ilkka Mell (007) 47/0

48 Momuuttumeetelmät Multormaalkauma Σ = CC C o eäsgulaare matrs. Sovelletaa elömuotoh X AX X BX muuosta jollo Z = C X X = CZ Ste elömuodot X AX X BX vodaa krjottaa muotoh X AX = Z C ACZ X BX = Z C BCZ Lausee..5. mukaa elömuodot X AX X BX ovat rumattoma, jos va jos () (C AC)(C BC) = 0 Koska matrs C o eäsgulaare ehto () vodaa krjottaa muotoo () ACC B = 0 Koska CC = Σ ehto () saa muodo AΣB = 0 Lause..9. Nelömuoto X Σ X χ (;θ) θ = µ Σ µ Perustelu: Valtaa Tällö Lsäks A = Σ AΣA = Σ ΣΣ = Σ = A r(aσ) = tr(aσ) = tr(σ Σ) = tr(i ) = µ Aµ = µ Σ µ Ste väte seuraa lauseesta..7. TKK Ilkka Mell (007) 48/0

49 Momuuttumeetelmät Multormaalkauma Lause..0. Nelömuoto (X µ) Σ (X µ) χ () Perustelu: Lause..0. seuraa lauseesta..9. Tämä ähdää stä, että E(X µ) = 0 Cov(X µ) = Σ O kutek oettavasta todstaa lause..0. oamatta lauseesee..9. ( ste lauseesee..7.). Olkoo kovarassmatrs Σ ääakselhajotelma Σ = QΛQ Λ = dag( λ, λ,, λ ) o matrs Σ omasarvoje λ λ λ > 0 muodostama dagoaalmatrs Q o vastaave omasvektorede muodostama ortogoaale matrs, omasvektort ovat sarakkea. Tällö matrs Σ ääakselhajotelma o Määrtellää Tällö Σ = QΛ Q Y = Λ Q X µ / ( ) Y = Λ Q X µ = Λ Q X µ = 0 / / E( ) E[ ( )] [E( ) ] Cov( Y) = E[( Y E( Y))( Y E( Y)) ] = E( YY ) = Λ Q X µ X µ QΛ = Λ Q E[( X µ )( X µ )] QΛ / / = Λ Q ΣQΛ / / = Λ QQΛQQΛ / / = Λ ΛΛ = I / / E[ ( )( ) ] / / TKK Ilkka Mell (007) 49/0

50 Momuuttumeetelmät Multormaalkauma Todetaa velä, että YY = X µ QΛ Λ Q X µ / / ( ) ( ) = X µ QΛ Q X µ ( ) ( ) = X µ Σ X µ ( ) ( ) Koska tosaalta χ -kauma määrtelmä mukaa YY χ ( ) väte o todstettu. Oletetaa yt, että E(X) = µ Cov(X) = Σ > 0 Olkoo lsäks A symmetre -matrs. Lause... E(X AX) = tr(aσ) + µ Aµ Perustelu: Todetaa es, että Cov( X) = Σ = E[( X µ )( X µ ) ] = E( XX Xµ µx + µµ ) = E( XX ) µµ µµ + µµ = E( XX ) µµ josta seuraa, että E( XX ) = Σ µµ Ste E( XAX ) = E[tr( XAX )] = E[tr( AXX )] = tr[ AE( XX )] = tr[ A( Σ µµ )] = tr( AΣ) tr( Aµµ ) = tr( AΣ ) µaµ Huomautus: Lause... ätee lma oletusta satuasvektor X multormaalsuudesta. TKK Ilkka Mell (007) 50/0

51 Momuuttumeetelmät Multormaalkauma Sovellus: Tavaomae t-test Johdetaa tavaomase t-test testsuuree kauma multormaalkaumaa oudattave satuasmuuttuje elömuotoje kaumateora avulla. () Tavaomae t-test she lttyvät oletukset. Olkoot X, X,, X rumattoma ormaalkautueta satuasmuuttu: X, X,, X X N(µ,σ ), =,,, Olkoo ollahyoteesa H 0 : µ = µ 0 Tavaomae t-test ollahyoteeslle H 0 erustuu testsuureesee X µ 0 t = sx / mssä X = X = sx = ( X X) = Seuraavassa osotetaa, että testsuure t o kautuut Studet t-kauma mukaa vaausaste ( ), jos ollahyotees H 0 ätee. () Muuttuje vahto testsuureessa t. Tehdää muuttuje vahto: X µ 0 Y =, =,,, σ µ 0 o ollahyoteeslla H 0 ktetty arametr µ arvo. Tällö X = µ 0 + σy, =,,, X = µ + σy 0 mssä s Y = σ s X Y Y = = sy = Y Y = ( ) TKK Ilkka Mell (007) 5/0

52 Momuuttumeetelmät Multormaalkauma Ste testsuure t vodaa esttää muodossa Y t = sy / Koska satuasmuuttut X, X,, X ovat rumattoma ormaalkautueta, myös satuasmuuttut Y, Y,, Y ovat rumattoma ormaalkautueta. Lsäks, jos ollahyotees H 0 : µ = µ 0 ätee, E(Y ) = 0 Var(Y ) = jollo ss Y N(0,), =,,, (3) Testsuuree t matrsestys. Muodostetaa satuasmuuttujsta Y, Y,, Y vektor Y = (Y, Y,, Y ) Tällö satuasmuuttuje Y, Y,, Y artmeette keskarvo vodaa esttää muodossa Y = Y de otosvarass vodaa esttää muodossa = YMY mssä = (,,, ) o -vektor M = I P P = s Y Ste testsuuree t elö t vodaa esttää kahde elömuodo suhteea: t Y = = s / Y YPY YMY Nelömuotoje Y PY Y MY matrst P = M = I P TKK Ilkka Mell (007) 5/0

53 Momuuttumeetelmät Multormaalkauma ovat symmetrsä demotette el rojektota, jote r(p) = tr(p) = r(m) = tr(m) = Lsäks PM = MP = 0 (4) Nelömuotoje Y PY Y MY kaumat. Jos ollahyotees H 0 : µ = µ 0 ätee, E(Y) = 0. Ste kohdassa (3) estetystä elömuoto Y PY Y MY koskevsta tulokssta seuraa lausee... mukaa, että Y PY χ () Y MY χ ( ) Lsäks lausee..5. mukaa elömuodot Y PY Y MY ovat rumattoma. Nelömuotoje Y PY Y MY kauma koskevat tulokset sekä de rumattomuus seuraavat myös suoraa Cochra lauseesta..., ku huomataa, että Y Y = Y PY + Y MY, että = r(p) + r(m) = + ( ) (5) Testsuuree t kauma. Edellä estetystä seuraa F-kauma määrtelmä mukaa, että ollahyotees ätessä t F(, ) josta saadaa tavaomasta t-testsuuretta koskeva kaumatulos: Jos ollahyotees H 0 : µ = µ 0 ätee, testsuure X µ 0 t = t( ) s / X.3. Mahalaobs-etäsyys se kauma Mahalaobs-etäsyys Olkoo X = (X, X,, X ) satuasvektor, jolle ätee: E(X) = µ Cov(X) = Σ TKK Ilkka Mell (007) 53/0

54 Momuuttumeetelmät Multormaalkauma Olkoo lsäks kovarassmatrs Σ ostvsest deftt, jollo se o eäsgulaare. Pstede x x j Ertysest stee x saadaa lausekkeesta Mahalaobs-etäsyys MD(x, x j ) saadaa lausekkeesta MD (x, x j ) = (x x j ) Σ (x x j ) Mahalaobs-etäsyys satuasmuuttu X odotusarvosta µ MD (x, µ) = (x µ) Σ (x µ) Multormaalkauma Mahalaobs-etäsyys Oletetaa, että satuasvektor X oudattaa -ulottesta multormaalkaumaa arametre E(X) = µ Cov(X) = Σ: X N (µ, Σ) Tällö multormaalkauma theysfukto muodo määrääve tasa-arvoellsode (x µ) Σ (x µ) = c steet x ovat sama Mahalaobs-etäsyyde äässä satuasmuuttu X odotusarvosta µ. Lausee..0. mukaa () MD (X, µ) χ () Sovellus: Multormaalsuude testaame Jos odotusarvovektor µ kovarassmatrs Σ tuetaa, moulotteste havatoje multormaalsuude testaame vodaa erustaa Mahalaobs-etäsyyttä koskevaa kaumatuloksee (). Tällö havatostede Mahalaobs-etäsyykse kaumaa verrataa χ -kaumaa jollak sovalla yhteesovuustestllä. Koska odotusarvovektora µ kovarassmatrsa Σ e kutekaa yleesä tueta, Mahalaobs-etäsyyttä koskeva kaumatulos () o sellaseaa eäoeratoaale. Jos arametrt µ Σ korvataa Mahalaobs-etäsyyde kaavassa suurmma uskottavuude estmaattorellaa (ks. lukua 3. Multormaalkauma arametre estmot), ä saatavat estmodut Mahalaobs-etäsyydet evät ole eää χ -kautueta, vaa F- kautueta (ks. lukua 4. Multormaalkaumaa koskeva testejä). Tällö havatoje multormaalsuude testaame vodaa erustaa she, että estmotuje Mahalaobs-etäsyykse kaumaa verrataa F-kaumaa (ks. lukua 4. Multormaalkaumaa koskeva testejä). Samalla meetelmällä vodaa testata myös havatoje ulkouolsuutta ta okkeavuutta. TKK Ilkka Mell (007) 54/0

55 Momuuttumeetelmät Multormaalkauma 3. Multormaalkauma arametre estmot 3.. Johdato Uskottavuusäättelyssä atellaa, että kakk otoksee ssältyvä formaato vodaa koota otokse uskottavuusfuktoo. Uskottavuusfukto Olkoo x, x,, x ( > ) rumato satuasotos -ulottesesta kaumasta, joka theysfukto o f(x; θ) θ o tutemato arametr. Otokse x, x,, x ( > ) yhteskauma theysfukto o havatoje rumattomuude taka muotoa f(x, x,, x ; θ) = f(x ; θ) f(x ; θ) f(x ; θ) f(x ; θ), =,,, o havao x theysfukto. Jos yhteskauma theysfukto tulktaa arametr θ fuktoks, stä kutsutaa otokse x, x,, x ( > ) uskottavuusfuktoks merktää L(θ) = L(θ; x, x,, x ) = L(θ; x ) L(θ; x ) L(θ; x ) L(θ; x ) = f(x ; θ), =,,, o havao x theysfukto tulkttua arametr θ fuktoks. Vastaava logartme uskottavuusfukto o l(θ) = log L(θ) = log L(θ; x, x,, x ) = l(θ; x, x,, x ) Koska havaot o tässä oletettu rumattomks, vomme krjottaa l(θ; x, x,, x ) = l(θ; x ) + l(θ; x ) + + l(θ; x ) l(θ; x ) = log f(x ; θ), =,,, o yhde havao x logartme uskottavuusfukto. Huomautus: O syytä huomata, että emme eää tee merkällstä eroa havatoje (jotka ovat ss satuasmuuttu), havatoje (e-satuaste) havattuje arvoje ta havattuje arvoje vahtelua kuvaave (e-satuaste) muuttuje välllä. TKK Ilkka Mell (007) 55/0

Moniulotteiset jakaumat ja havaintoaineistot

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

Lisätiedot

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

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

Lisätiedot

= 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

= 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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

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

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat: Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,

Lisätiedot

Moniulotteisia todennäköisyysjakaumia

Moniulotteisia todennäköisyysjakaumia Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Ilkka 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

Lisätiedot

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

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on HY MTO / Matemaattste tetede kadohjelma Tlastolle päättely II kevät 019 Harjotus 7B Ratkasuehdotuksa Tehtäväsarja I 1 Mostee teht 516 Eräde kuulalaakerede kestoa mljooaa kerrosta o totuttu kuvaamaa Webull-jakaumalla

Lisätiedot

Mat Sovellettu todennäköisyyslasku A

Mat Sovellettu todennäköisyyslasku A TKK / Systeemaalyys laboratoro Mat-.9 Sovellettu todeäkösyyslasku A Nordlud Harjotus 8 (vko 45/3) (Ahe: Raja-arvolauseta, otostuuslukuja, johdatusta estmot, Lae luvut 9.5,.-.6). Olkoo X ~ p(λ), mssä λ

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka

Lisätiedot

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

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset: Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset Mat-.03 Koesuuttelu ja tlastollset mallt 5. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Ylee leaare mall Artmeette keskarvo,

Lisätiedot

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?

Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme? TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä

Lisätiedot

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

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

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/5

TKK @ 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,

Lisätiedot

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

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

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

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

Lisätiedot

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

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

Lisätiedot

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

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

Lisätiedot

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1, Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on

Lisätiedot

10 Moniulotteinen normaalijakauma

10 Moniulotteinen normaalijakauma 10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).

Lisätiedot

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

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

Lisätiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

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

Lisätiedot

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio

Tilastollinen riippuvuus ja korrelaatio Tlastollset meetelmät Osa 4: Leaare regressoaalyys Tlastolle rppuvuus ja korrelaato KE (204) Tlastolle rppuvuus ja korrelaato >> Tlastolle rppuvuus, korrelaato ja regresso Kahde muuttuja havatoaesto kuvaame

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 6 Aheet: Tlastolle rppuvuus ja korrelaato Yhde selttäjä leaare regressomall Regressoaalyys

Lisätiedot

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

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X

Lisätiedot

1. PARAMETRIEN ESTIMOINTI

1. PARAMETRIEN ESTIMOINTI Mat-.04 Tlastollse aalyys perusteet Mat-.04 Tlastollse aalyys perusteet / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Estmaatt, Estmaattor, Estmot, Jääöselösumma, Jääösterm, Jääösvarass,

Lisätiedot

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

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme? TKK (c) Ilkka Mell (004) Kovergesskästteet ja raja-arvolauseet Kovergesskästtetä Suurte lukuje lat Keskee raja-arvolause Keskese raja-arvolausee seurauksa Johdatus todeäkösyyslasketaa Kovergesskästteet

Lisätiedot

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan: Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti

Lisätiedot

Raja-arvot. Osittaisderivaatat.

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

Lisätiedot

Suoran sovittaminen pistejoukkoon

Suoran 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

Lisätiedot

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (2005) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat Kaksiulotteiset todennäköisyysjakaumat

Lisätiedot

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

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

Lisätiedot

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

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

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja

Lisätiedot

Moniulotteiset satunnaismuuttujat ja jakaumat

Moniulotteiset satunnaismuuttujat ja jakaumat Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset

Lisätiedot

2. Multinormaalijakauma

2. Multinormaalijakauma Multinormaalijakauma 15 2. Multinormaalijakauma 2.1 Alustavaa johdattelua Monimuuttujamenetelmissä multinormaalijakaumalla on ehkä vielä keskeisempi asema kuin normaalijakaumalla yhden muuttujan tilastollisissa

Lisätiedot

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1 Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat

Lisätiedot

Mat Koesuunnittelu ja tilastolliset mallit

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

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Mat 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

Lisätiedot

10 Moniulotteinen normaalijakauma

10 Moniulotteinen normaalijakauma 10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).

Lisätiedot

4.0.2 Kuinka hyvä ennuste on?

4.0.2 Kuinka hyvä ennuste on? Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki

Lisätiedot

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

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

Lisätiedot

Luento 6 Luotettavuus Koherentit järjestelmät

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

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Ilkka 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

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.4 Tlastollse aals perusteet, evät 7 8. lueto: Usea selttää leaare regressomall Usea selttää leaare regressomall Seltettävä muuttua havattue arvoe vahtelu halutaa selttää selttäve muuttue havattue

Lisätiedot

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

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ). HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä

Lisätiedot

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

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

Lisätiedot

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi

Lisätiedot

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Kokonaistodennäköisyys 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

Lisätiedot

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

Johdatus 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

Lisätiedot

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie

Lisätiedot

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto

Varianssianalyysi. 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

Lisätiedot

TKK @ Ilkka Mellin (2008) 1/24

TKK @ Ilkka Mellin (2008) 1/24 Mat-.60 Sovellettu todeäkösyyslasketa B Mat-.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Mtta-astekot Havatoaesto kuvaame ja otostuusluvut Avasaat: Artmeette keskarvo, Frekvess, Frekvessjakauma,

Lisätiedot

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat

Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1 Moniulotteiset satunnaismuuttujat ja

Lisätiedot

Todennäköisyyden ominaisuuksia

Todennäköisyyden ominaisuuksia Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäkösyyslasketa. harjotukset Mat-.6 Sovellettu todeäkösyyslasketa B. harjotukset / Ratkasut Aheet: Tlastollset testt Avasaat: Artmeette keskarvo, Beroull-jakauma, F-jakauma, F-test,

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

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

Lisätiedot

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot

Tilastollinen 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

Lisätiedot

Muuttujien välisten riippuvuuksien analysointi

Muuttujien välisten riippuvuuksien analysointi Mat-.4 Tlastollse aalyys peusteet, kevät 7 5. lueto: Tlastolle ppuvuus ja koelaato Muuttuje välste ppuvuukse aalysot Tlastollsssa aalyysessä tutktaa use muuttuje välsä ppuvuuksa Työttömyysastee ppuvuus

Lisätiedot

3.5 Generoivat funktiot ja momentit

3.5 Generoivat funktiot ja momentit 3.5. Generovat funktot ja momentt 83 3.5 Generovat funktot ja momentt 3.5.1 Momentt Eräs tapa luonnehta satunnasmuuttujan jakaumaa, on laskea jakauman momentt. Ne määrtellään odotusarvon avulla. Määrtelmä

Lisätiedot

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1 Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen

Lisätiedot

Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe (kesto 2h 30 min)

Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe (kesto 2h 30 min) Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe 8..7 (kesto h 3 min) Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu. Ei

Lisätiedot

9. laskuharjoituskierros, vko 12-13, ratkaisut

9. laskuharjoituskierros, vko 12-13, ratkaisut 9. laskuharjoituskierros, vko 12-13, ratkaisut D1. Olkoot X i, i = 1, 2,..., n riippumattomia, samaa eksponenttijakaumaa noudattavia satunnaismuuttujia, joiden odotusarvo E(X i = β, toisin sanoen X i :t

Lisätiedot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot Mat-.09 Sovellettu todeäkösyyslasku Systeemaalyys laboratoro Teklle korkeakoulu SYKSY 00 Ilkka Mell Sovellettu todeäkösyyslasku: Kaavat ja taulukot f XY x X x X y Y ( x, y) exp XY ( XY ) XY XY X X Y Tomttaut

Lisätiedot

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Normaalijakaumasta 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:

Lisätiedot

Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä

Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä TKK (c) Ilkka Mellin (2007) 1 Suurimman uskottavuuden menetelmä >> Suurimman uskottavuuden estimointimenetelmä Tarkentuvuus Asymptoottinen

Lisätiedot

Estimointi. Vilkkumaa / Kuusinen 1

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

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1 Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n

Lisätiedot

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

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä Johdatus dskreettn matematkkaan Harjotus 3, 30.9.2015 1. Luvut 1, 10 on latettu ympyrän kehälle. Osota, että löytyy kolme verekkästä lukua, joden summa on vähntään 17. Ratkasu. Tällasa kolmkkoja on 10

Lisätiedot

Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa

Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II. kurssikoe 18.1.15 Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa

Lisätiedot

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tilastolliset 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

Lisätiedot

3. Teoriaharjoitukset

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

Lisätiedot

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?

Matriisiteoria Harjoitus 1, kevät Olkoon. cos α sin α A(α) = . sin α cos α. Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on? Harjoitus 1, kevät 007 1. Olkoon [ ] cos α sin α A(α) =. sin α cos α Osoita, että A(α + β) = A(α)A(β). Mikä matriisi A(α)A( α) on?. Olkoon a x y A = 0 b z, 0 0 c missä a, b, c 0. Määrää käänteismatriisi

Lisätiedot

Johdatus regressioanalyysiin

Johdatus regressioanalyysiin Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet

Lisätiedot

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat

Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat Johdatus todennäköisyyslaskentaan todennäköisyysjakaumat TKK (c) Ilkka Mellin (4) todennäköisyysjakaumat: Mitä opimme? /5 hden satunnaismuuttujan todennäköisyysjakaumat

Lisätiedot

Johdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Johdatus regressioanalyysiin. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2005) 1 Johdatus regressioanalyysiin Regressioanalyysin lähtökohdat ja tavoitteet Deterministiset mallit ja regressioanalyysi

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3

Lisätiedot

Regressioanalyysi. Kuusinen/Heliövaara 1

Regressioanalyysi. Kuusinen/Heliövaara 1 Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin

Lisätiedot

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1 Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin

Lisätiedot

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

Johdatus 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

Lisätiedot

Bernoullijakauma. Binomijakauma

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

Lisätiedot

Todennäköisyyden aksioomat. Todennäköisyyden aksioomat. Todennäköisyyden aksioomat: Mitä opimme? 2/2. Todennäköisyyden aksioomat: Mitä opimme?

Todennäköisyyden 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

Lisätiedot

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen

Lisätiedot

Baltian Tie 2001 ratkaisuja

Baltian 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

Lisätiedot

2. Uskottavuus ja informaatio

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

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto

Lisätiedot

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat: MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 MS-A5 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 5 Aheet: Tlastollset testt Avasaat: Artmeette keskarvo Beroull-jakauma

Lisätiedot

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Regressioanalyysi. Vilkkumaa / Kuusinen 1 Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen

Lisätiedot

Tilastomatematiikka Kevät 2008

Tilastomatematiikka Kevät 2008 Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo

Lisätiedot

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)

Generoidaan 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,

Lisätiedot

5.7 Uskottavuusfunktioon perustuvia testejä II

5.7 Uskottavuusfunktioon perustuvia testejä II 5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa

Lisätiedot

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut) J. Vrtamo Lkenneteora a lkenteenhallnta / Markov-prosesst 1 Markov-prosesst (Jatkuva-akaset Markov-ketut) Tarkastellaan (statonaarsa) Markov-prosessea, oden parametravaruus on atkuva (yleensä aka). Srtymät

Lisätiedot

6.1.2 Luottamusjoukon määritelmä

6.1.2 Luottamusjoukon määritelmä 6.1.1 Johdanto Olemme tarkastelleet piste-estimointia: tavoitteemme oli etsiä tunnuslukuja t, joilla piste t(y) hyvä arvio mallin parametrille θ (tai sen muunnokselle g(θ)). Pelkän piste-estimaatin esittäminen

Lisätiedot

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

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

Lisätiedot

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)

JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos

Lisätiedot

031021P Tilastomatematiikka (5 op) viikko 7

031021P Tilastomatematiikka (5 op) viikko 7 0302P Tilastomatematiikka (5 op) viikko 7 Jukka Kemppainen Mathematics Division Yhteisjakauma Edellä on tarkasteltu yksiulotteista satunnaismuuttujaa. Sovelluksissa joudutaan usein tarkastelemaan samanaikaisesti

Lisätiedot