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

Koko: px
Aloita esitys sivulta:

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

Transkriptio

1 Mat Tlastolle päättely 3. Pste-estmot Tlastolle päättely 3. Pste-estmot 3.1. Johdato Estmaattor, Estmaatt, Estmot, Havato, Havatopste, Otos, Otostuusluku, Parametr, Pste-estmot, Pstetodeäkösyysfukto, Rppumattomuus, Theysfukto 3.. Estmotmeetelmät Asymptootte ormaalsuus, Beroull-jakauma, Bjekto, -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, Ilkka Mell (010) 1/9

2 Mat Tlastolle päättely 3. Ilkka Mell (010) /9

3 Mat Tlastolle päättely 3. Pste-estmot 3.1. Johdato Pste-estmot Olkoo f ( x; ) satuasmuuttuja pstetodeäkösyys- ta theysfukto, joka rppuu tutemattomasta parametrsta. Haluamme määrätä parametrlle mahdollsmma hyvä estmaat el arvo jakaumasta f ( x; ) pomtu otokse (so. havatoje) perusteella. Kutsumme tätä tehtävää estmoks. Olkoo 1,,, (ykskertae) satuasotos satuasmuuttuja jakaumasta, joka pstetodeäkösyys- ta theysfukto f(x;) rppuu parametrsta. Tällö havaot 1,,, ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys- ta theysfukto f(x;): Olkoo,,, 1 f ( x; ), 1,,, = ( 1,,, ) satuasmuuttuje (havatoje) 1,,, muodostama -vektor. Olkoot satuasmuuttuje 1,,, havatut arvot Merktää tätä: x 1, x,, x 1 = x 1, = x,, = x Satuasmuuttuje 1,,, havatut arvot x 1, x,, x määräävät havatopstee x = (x 1, x,, x ) Kutsumme satuasmuuttuje 1,,, (mtallsta) fuktota W W W 1 ( ) (,,, ) (pste-) estmaattorks. Tämä merktsee stä, että estmaattor o otostuusluku (ks. luku 1). Jos satuasmuuttuje 1,,, havatut arvot ovat x 1, x,, x, estmaattor W W W 1 ( ) (,,, ) saa havatuks arvoksee w fukto W() arvo havatopsteessä x = (x 1, x,, x ): w W x W x1 x x ( ) (,,, ) Kutsumme estmaattor W havatoarvosta x 1, x,, x määrättyä arvoa w Ilkka Mell (010) 3/9

4 Mat 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 tällasta vaatmusta e pdä lttää estmaattor määrtelmää. 3.. Estmotmeetelmät Johdato Mte todeäkösyysjakauma parametrelle löydetää estmaattort? Tarkastelemme tässä kappaleessa kahta estmotmeetelmää: momettmeetelmää ja suurmma uskottavuude meetelmää. Momettmeetelmä Satuasotos Olkoo 1,,, satuasotos jakaumasta, joka pstetodeäkösyys- ta theysfukto rppuu parametresta f(x; 1,,, p ) 1,,, p Tällö havaot 1,,, ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys- ta theysfukto f(x; 1,,, p ):,,, 1 Momettestmaattor f ( x;,,, ), 1,,, 1 p Oletetaa, että jakaumalla f(x; 1,,, p ) o kakk (orgo-) momett kertalukuu p saakka: k E( ), k 1,,, p k Oletetaa, että momette 1,,, p ja parametre 1,,, p välllä o jatkuva bjekto el käätäe ykskästtee kuvaus: (1) 1 g1( 1,,, p ) g( 1,,, p ) p g p ( 1,,, p Ilkka Mell (010) 4/9

5 Mat Tlastolle päättely 3. Pste-estmot Tällö parametrt 1,,, p vodaa esttää momette 1,,, p fuktoa: () 1 h1 ( 1,,, p ) h ( 1,,, p ) p hp ( 1,,, p ) Estmodaa momett 1,,, p vastaavlla otosmometella: 1 k a, k 1,,, p k 1 Sjottamalla estmaattort a 1, a,, a p momette 1,,, p pakalle yhtälöh (), saadaa parametre 1,,, p momettestmaattort el MM-estmaattort ˆ 1 h1 ( a1, a,, ap ) ˆ h ( a1, a,, ap ) ˆ p hp ( a1, a,, 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 tässä luvussa ja lukua 7). MM-estmaattor e välttämättä täytä yhtäkää hyvä estmaattor krteerestä, jote momettmeetelmää käytettäessä o aa erksee varmstettava tuloksea saadu estmaattor hyvyys. Esmerkk.1: Normaaljakauma parametre momettestmot Satuasmuuttuja oudattaa ormaaljakaumaa parametre E( ) Var( ) E[( ) ] jos se theysfukto o muotoa 1/ 1 f ( x;, ) ( ) exp ( x ), 0, x Parametr o ormaaljakauma odotusarvo ja parametr o ormaaljakauma Ilkka Mell (010) 5/9

6 Mat Tlastolle päättely 3. Pste-estmot Oletetaa, että havaot 1,,, muodostavat satuasotokse ormaaljakaumasta N(, ). Tällö,,, 1 N(, ), 1,,, Parametre ja MM-estmaattort ovat havatoje 1,,, artmeette keskarvo ja otosvarass Perustelu: ˆ ( ) 1 Oletetaa, että satuasmuuttuja oudattaa ormaaljakaumaa parametre ja : N(, ) Jakauma parametre ja satuasmuuttuja orgomomette välllä o seuraava bjekto: () () Parametrt ja lausuttua 1. ja. orgomomet fuktoa: E( ) 1 Var( ) E[( ) ] E( ) 1 1. ja. orgomomett lausuttua parametre ja fuktoa: 1 E( ) E( ) Olkoo 1,,, satuasotos ormaaljakaumasta N(, ). Havatoje 1,,, 1. ja. otosorgomomett saadaa kaavolla 1 k a, k 1, k 1 Ste ormaaljakauma N(, ) parametre ja MM-estmaattort ovat 1 ˆ a1 1 ˆ ( ) a a Huomaa, että ˆ o havatoje artmeette keskarvo ja ˆ o havatoje. otoskeskusmomett el havatoje otosvarass, jossa elösumma jakajaa o käytetty havatoje lukumäärää. ( Ilkka Mell (010) 6/9

7 Mat Tlastolle päättely 3. Pste-estmot Estmaattorede omasuudet: ks. esmerkkä.. Suurmma uskottavuude meetelmä Satuasotos Olkoo 1,,, satuasotos satuasmuuttuja jakaumasta, joka pstetodeäkösyys- ta theysfukto f(x;) rppuu parametrsta. Tällö havaot 1,,, ovat rppumattoma, dettsest jakautueta satuasmuuttuja, jolla o sama pstetodeäkösyys- ta theysfukto f(x;): Uskottavuusfukto,,, 1 f ( x; ), 1,,, Koska havaot 1,,, o oletettu rppumattomks, otokse (,,, ) 1 yhtesjakauma pstetodeäkösyys- ta theysfuktolla o tulomuotoe estys jossa f ( x, x,, x ; ) f ( x ; ) f ( x ; ) f ( x ; ) 1 1 f ( x ; ), 1,,, o yksttäsee havatoo, = 1,,, lttyvä pstetodeäkösyys- ta theysfukto. Otokse 1,,, uskottavuusfukto L( ; x, x,, x ) f ( x, x,, x ; ) 1 1 o havatoje 1,,, yhtesjakauma pstetodeäkösyys- ta theysfukto f arvo psteessä x 1, x,, x tulkttua parametr arvoje fuktoks. Uskottavuusfukto L ssältää kake (stokastse) formaato otoksesta. Suurmma uskottavuude estmaattor Olkoo t g x1 x x (,,, ) parametr arvo, joka maksmo otokse 1,,, uskottavuusfukto L x1 x x ( ;,,, ) parametr suhtee. Huomaa, että uskottavuusfukto L maksm atava parametr arvo t o muuttuje (havatoarvoje) x 1, x,, x Ilkka Mell (010) 7/9

8 Mat Tlastolle päättely 3. Pste-estmot Sjottamalla uskottavuusfukto L maksm parametr suhtee atavassa lausekkeessa muuttuje t t x1 x x (,,, ) x 1, x,, x pakalle satuasmuuttujat (havaot) 1,,, saadaa parametr suurmma uskottavuude estmaattor el SU-estmaattor ˆ (,,, ) g 1 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 estmotmeetelmää sovellettaessa oletetaa mplsttsest, että uskottavuusperaate pätee (ks. luku ). Suurmma uskottavuude estmaattor määrääme Parametr suurmma uskottavuude estmaattor määrätää etsmällä uskottavuusfukto L x1 x 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 1. 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,, x ) log L( ; x, x,, x ) 1 Ilkka Mell (010) 8/9

9 Mat 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 1,,, o oletettu rppumattomks, logartme uskottavuusfukto vodaa krjottaa seuraavaa muotoo: Tässä l( ) log L( ) log f ( x ; ) f ( x ; ) f ( x ; ) 1 log f ( x ; ) log f ( x ; ) log f ( x ; ) 1 l( ; x ) l( ; x ) l( ; x ) 1 l(;x ) = log f(x ;), = 1,,, o havatoarvoo x lttyvä logartme uskottavuusfukto. Suurmma uskottavuude estmaattor omasuudet Hyvä estmaattor o harhato, tyhjetävä, tehokas ja tarketuva (ks. lukua, kappaletta 3.3 tässä luvussa ja lukua 7). 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 e täytä hyvä estmaattor krteeretä (ks. kappaletta 3.3) äärellsllä havatoje lukumäärllä, SU-estmaattor käyttöä parametr estmaattora vodaa kutek use perustella sllä, että SU-estmaattorlla o hyv ylesest hyvät asymptoottset omasuudet (ks. asymptoottsta teoraa koskevaa 7. lukua). Vodaa osottaa, että hyv yles ehdo pätee: () () SU-estmaattor ˆ o tarketuva el Pr( ˆ ) 1, 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. Keskese raja-arvolausee mukaa SU-estmaattor 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. Lsäks SU-estmaattorella o hyvät asymptoottset omasuudet (ks. tarkemm lukua Ilkka Mell (010) 9/9

10 Mat Tlastolle päättely 3. Pste-estmot Esmerkk.: Normaaljakauma parametre suurmma uskottavuude estmot Satuasmuuttuja oudattaa ormaaljakaumaa parametre E( ) Var( ) E[( ) ] jos se theysfukto o muotoa 1/ 1 f ( x;, ) ( ) exp ( x ), 0, x Parametr o ormaaljakauma odotusarvo ja parametr o ormaaljakauma varass. Oletetaa, että havaot 1,,, muodostavat satuasotokse ormaaljakaumasta N(, ). Tällö,,, 1 N(, ), 1,,, Parametre ja SU-estmaattort ovat havatoje 1,,, artmeette keskarvo ja otosvarass Perustelu: ˆ ( ) 1 Olkoo 1,,, satuasotos ormaaljakaumasta N(, ). Otokse 1,,, uskottavuusfukto o L x x x (, ; 1,,, ) f ( x ;, ) f ( x ;, ) f ( x ;, ) ( ) exp ( ) x 1 Otokse 1,,, logartme uskottavuusfukto o l x x x (, ; 1,,, ) log L(, ; x1, x,, x) 1 1 log log( ) ( ) x Ilkka Mell (010) 10/9

11 Mat Tlastolle päättely 3. Pste-estmot Dervodaa logartme uskottavuusfukto l(, ) parametr suhtee ja merktää dervaatta ollaks: l (, ) 1 1 Dervaata aoa ollakohta 1 ˆ 1 ( x ) 0 x x ataa log-uskottavuusfukto maksm parametr suhtee. Sjotetaa ratkasu logartmsee uskottavuusfuktoo l(, ): Dervodaa fukto 1 1 l( x, ) log log( ) ( x x) l 1 l( x, ) (, ) Dervaata aoa ollakohta 1 ˆ ( ) parametr suhtee ja merktää dervaatta ollaks: ( x x) 0 x x 1 ataa log-uskottavuusfukto maksm parametr suhtee. Yllä estetystä seuraa, että ormaaljakauma N(, ) parametre ja SU-estmaattort ovat 1 ˆ 1 1 ˆ ( ) 1 Ste ormaaljakauma N(, ) parametre ja SU-estmaattort yhtyvät de momettestmaattoreh Vodaa osottaa, että ormaaljakauma N(, ) odotusarvo SU-estmaattorlla o seuraavat omasuudet (ks. lukuja, 3 ja 7 sekä kappaletta 3.3): () () () (v) (v) o harhato. ja ˆ ovat yhdessä tyhjetävä parametrelle ja. o tehokas el mmvarasse estmaattor. o tarketuva. oudattaa Ilkka Mell (010) 11/9

12 Mat Tlastolle päättely 3. Pste-estmot N, Vodaa osottaa, että ormaaljakauma N(, ) varass SU-estmaattorlla ˆ seuraavat omasuudet (ks. lukuja, 3 ja 7 sekä kappaletta 3.3): () () () (v) (v) ˆ o harhae, mutta estmaattor 1 s o harhato. ja ˆ ˆ ( ) ˆ ˆ ovat yhdessä tyhjetävä parametrelle ja. e ole tehokas el mmvarasse estmaattor. o tarketuva. ( 1) s / oudattaa -jakaumaa vapausaste ( 1): ( 1) s ( 1) Lsäks vodaa osottaa, että ja t t( 1) s / ˆ ovat rppumattoma ja että (ks. lukua 1) Suurmma uskottavuude estmaattor vodaa use johtaa use vetoamalla suurmma uskottavuude estmaattor varassomasuutee. Se mukaa parametr fuktode suurmma uskottavuude estmaattort saadaa soveltamalla ko. fuktota ko. parametr suurmma uskottavuude estmaattor. Ee SU-estmaattor varassomasuutta koskeva lausee todstamsta määrttelemme s. dusodu uskottavuusfukto: Olkoo ( ) jok parametr fukto. Tällö dusotu uskottavuusfukto L saadaa kaavasta (1) L ( ; x) sup L( ; x) { ( ) } Olkoo ˆ paramer arvo, joka maksmo dusodu uskottavuusfukto L. Tällö estmaattora ˆ kutsutaa parametr ( ) suurmma uskottavuude estmaattorks. Määrtelmästä (1) ähdää suoraa, että uskottavuusfuktolla L ja dusodulla uskottavuusfuktolla L o sama maksm. Lause: Olkoo ˆ parametr suurmma uskottavuude estmaattor. Tällö ( ˆ ) () suurmma uskottavuude estmaattor kaklle fuktolle (). o o Ilkka Mell (010) 1/9

13 Mat Tlastolle päättely 3. Pste-estmot Todstus: Olkoo ˆ paramer arvo, joka maksmo dusodu uskottavuusfukto L ( ; x) Lause tulee todstetuks, jos osotamme, että L ( ˆ ; x) sup sup L( ; x) { ( ) } Koska uskottavuusfuktolla L ja dusodulla uskottavuusfuktolla L o sama maksm, L ( ˆ ; x) sup sup L( ; x) fukto L määrtelmä { ( ) } sup L( ; x) L( ˆ ; x) estmaattor ˆ määrtelmä jossa toe = -merkk seuraa stä, että terotu maksmot yhtyy maksmot parametr suhtee. Edellee Ste ja ( ˆ ) L( ˆ ; x) sup L( ; x) ˆ o SU-estmaattor { ( ) ( ˆ )} sup L( ; x) ( ( ˆ L ); x) fukto L määrtelmä L ( ˆ ; x) L ( ( ˆ ); x) o parametr () 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 Ilkka Mell (010) 13/9

14 Mat Tlastolle päättely 3. Pste-estmot o estmaattor W varass ja o estmaattor W harha. Perustelu: Var ( W ) E [( W E ( W )) ] 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 )] Harhattomuus 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 1,,, satuasotos jakaumasta, joka odotusarvo o ja varass o. Määrtellää havatoje 1,,, artmeette keskarvo kaavalla ja otosvarass kaavalla s ( ) 1 1 Artmeette keskarvo ja otosvarass s ovat parametre ja harhattomat estmaattort (ks. lukua 1): E( ) E( s Ilkka Mell (010) 14/9

15 Mat Tlastolle päättely 3. Pste-estmot Jos 1,,, o satuasotos ormaaljakaumasta N(, ), yllä todetusta seuraa, että varass suurmma uskottavuude estmaattor (ta momettestmaattor) 1 1 ˆ ( ) s 1 o harhae, mutta harha hävää, jos otoskoo aetaa kasvaa rajatta. Tämä ähdää seuraavalla tavalla: Koska 1 ˆ 1 s 1 1 E( ˆ ) 1 E( s ) 1 jos. Ste ormaaljakauma varass 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 vakoarvo a: ˆ a Jos parametr todelle arvo sattus olemaa a, MSE( ˆ ) 0 mutta muullo estmaattor ˆ a o tetyst muute 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 1 ja W kaks parametr harhatota estmaattora. Tällö E( W ) E( W ) 1 ja estmaattorede W 1 ja W vertaluu vodaa käyttää de varassa: Estmaattor W 1 o paremp ku estmaattor W, jos Var( W ) Var( W ) 1 Saomme use, että estmaattor W 1 o tällö tehokkaamp ku estmaattor W. Itse asassa pätee seuraava: Olkoo W parametr estmaattor, jolle E ( W ) ( Ilkka Mell (010) 15/9

16 Mat Tlastolle päättely 3. Pste-estmot Tarkastellaa estmaattorede luokkaa Olkoot Tällö ja C { W E ( W ) ( )} W 1, W C Bas ( W ) Bas ( W ) 1 MSE( W ) MSE( W ) Var ( W ) Var ( W ) 1 1 jote estmaattorede keskelövrhevertalut vodaa luokassa C perustaa estmaattorede varasseh. Estmaattor W o parametr () paras harhato estmaattor, jos kaklle ja E ( W ) ( ) Var ( W ) Var ( W ) kaklle estmaattorelle W, jotka toteuttavat ehdo E ( W ) ( ) 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. Muotolemme ja todstamme 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( ) E( Y) Ilkka Mell (010) 16/9

17 Mat Tlastolle päättely 3. Pste-estmot Tällö Todstus: Var( ) E[( ) ] D ( ) Var( Y ) E[( Y ) ] D ( Y ) Y Y Cov(, Y) E[( )( Y )] Y Y [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) = 1 Tarkastellaa fuktota Helpost ähdää, että h t t Y ( ) E[(( ) ( Y )) ] h t t Y ( ) E[(( ) ( Y )) ] E[( ) ] t E[( )( Y Y )] t E[( Y Y ) ] t t 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, jote yhtälö dskrmat D o oltava e-postve: el Yhtälöllä D ( ) ( Y ) 4 Y 0 Y Y h(t) = 0 o yks reaaljuur, jos yhtälö dskrmatlla D o arvo olla: Koska jos ja va jos D ( Y ) 4 Y 0 (( ) t ( Y Y )) 0 h t t Y ( ) E[(( ) ( Y )) ] Ilkka Mell (010) 17/9

18 Mat Tlastolle päättely 3. Pste-estmot el jossa Pr [( ) t ( Y Y )] 0 1 Pr(Y = a + b) = 1 b t a t ja t o yhtälö h(t) = 0 juur. Tämä juur o Cov(, Y ) t 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 Y Cov(, Y ) Y D( ) D( Y ) 1 1 Y Muotollaa ja todstetaa seuraavaks tämä kappalee päätulos: Lause: Cramér ja Rao epäyhtälö Olkoo 1,,, satuasotos, joka yhtesjakauma theysfukto o f(x;) ja olkoo W W 1 ( ) (,,, ) parametr estmaattor, jolle ja Tällö d E [ W ( )] [ W ( ) f ( ; )] d d x x x Var [ W ( )] d E [ W ( )] d Var [ W ( )] E log( f ( ; )) Ilkka Mell (010) 18/9

19 Mat Tlastolle päättely 3. Pste-estmot Todstus: Sovelletaa todstuksessa Schwarz epäyhtälöä [Cov(, Y )] Var( ) Var( Y ) Epäyhtälöstä seuraa satuasmuuttuja varasslle alaraja [Cov(, Y)] Var( ) Var( Y) Cramér ja Rao epäyhtälö todstus perustuu tähä epäyhtälöö ja valtaa W ( ) Y log( f ( ; )) Todetaa es, että d E [ W ( )] W ( ) f ( ; ) d d x x x f ( x; ) W ( ) x f ( x; ) dx f ( x; ) (1) f ( ; ) E W ( ) f ( ; ) E W ( ) log( f ( ; )) Sjottamalla tähä W ( ) 1 saadaa yhtälö d d () E log( f ( ; )) E [1] 1 0 d d Yhdstämällä yhtälöt (1) ja () äemme, että Cov W ( ), log( f ( ; )) E W ( ) log( f ( ; )) E W ( ) E log( f ( ; )) (3) E W ( ) log( f ( ; )) d E [ W ( )] d ja Ilkka Mell (010) 19/9

20 Mat Tlastolle päättely 3. Ilkka Mell (010) 0/9 (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, 1 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 [ ( )] 1 d d W d d Lause: Cramér ja Rao epäyhtälö rppumattomlle havaolle Olkoot havaot 1,,, 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 Tlastolle päättely 3. Pste-estmot Todstus: jossa f(x;) o satuasmuuttuje 1,,, yhtee pstetodeäkösyys- ta theysfukto. Lause tulee todstetuks, jos äytämme, että Nyt E log( f ( ; )) E log( f ( ; )) E log( f ( ; )) E log f ( ; ) 1 E log( f ( ; )) 1 E log( f ( ; )) 1 E log( f ( ; )) log( f ( j; )) j E log( f ( ; )) 1 Vmee muoto seuraa stä, että satuasmuuttuje 1,,, rppumattomuude taka E log( f ( ; )) log( f ( j; )) E log( f ( ; )) E log( f ( j; )) 00 0 Koska satuasmuuttujat 1,,, ovat samo jakautueta vomme krjottaa 1 E log( f ( ; )) E log( f ( ; Ilkka Mell (010) 1/9

22 Mat Tlastolle päättely 3. Pste-estmot Seuraus: Todstus: Jos edellse lausee oletukset pätevät, mutta lsäks estmaattor W() o harhato parametrlle, Var [ W ( )] 1 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 ( )] 1 d d Jos theysfukto f(x;) toteuttaa ehdo Todstus: f ( x; ) dx f ( x; ) dx f f E log( ( ; )) E log( ( ; )) Lähdetää lkkeelle todstettava yhtälö vasemmasta puolesta: E log( f ( ; )) log( f ( x; )) f ( x; ) dx f ( x; ) f ( x; ) dx f ( x; ) f ( x; ) f ( x; ) [ f ( x; )] [ f ( x; )] f ( x; ) dx f ( x; ) f ( x; ) dx f ( x; ) dx f ( x; Ilkka Mell (010) /9

23 Mat Tlastolle päättely 3. Pste-estmot Väte seuraa tästä yhtälöstä, koska ja f ( x; ) dx f ( x; ) dx 1 0 f ( x; ) f ( x; ) f ( x; ) dx log( f ( x; )) f ( x; ) dx E log( f ( x; )) Vodaa osottaa, että s. ekspoettperheesee kuuluvat (jatkuvat) jakaumat toteuttavat 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, -jakauma ja beta-jakauma. Seuraava lause ataa välttämättömä ja rttävä ehdo slle, että harhato estmaattor saavuttaa Cramér ja Rao lausee alaraja. Lause: Olkoo 1,,, satuasotos satuasmuuttuja jakaumasta, joka pstetodeäkösyys- ta theysfukto f(x;) rppuu parametrsta. Olkoo L( ; x) f ( x ; ) 1 otokse 1,,, uskottavuusfukto. Olkoo W W 1 ( ) (,,, ) harhato estmaattor parametr fuktolle (). Tällö estmaattor W() saavuttaa Cramér ja Rao alaraja, jos ja va jos o olemassa fukto a() ste, että log L( ; x) a( )[ W ( x) ( Ilkka Mell (010) 3/9

24 Mat Tlastolle päättely 3. Pste-estmot Todstus: Estetää Cramér ja Rao epäyhtälö Schwarz epäyhtälö mukasessa muodossa. Koska havaot o tässä oletettu rppumattomks ja samaa jakaumaa oudattavks satuasmuuttujks, saamme epäyhtälö Cov W ( ), log f ( ; ) Var [ W ( )]Var log f ( ; ) 1 1 Koska W o oletettu harhattomaks parametrlle, E ( W ) ( ) Lsäks Cramér ja Rao epäyhtälö todstukse kaavasta () seuraa, että E log f ( ; ) 0 1 Käyttämällä hyväks edellä estettyä Schwarz epäyhtälö todstusta, äemme, että yllä estetyssä epäyhtälössä valltsee yhtäsuuruus, jos term W ( x) ( ) o (todeäkösyydellä 1) suhteessa term log f ( ; ) 1 Tyhjetävyys ja harhattomuus Seuraava lause ataa meetelmä, jolla o mahdollsta parataa sellasa harhattoma estmaattoreta, jotka evät ole (täys-) tehokkata el parhata Cramér ja Rao epäyhtälöm melessä. Rao ja Blackwell teoreema: Olkoo W harhato estmaattor parametr fuktolle () ja olkoo T tyhjetävä tuusluku parametrlle. Määrtellää tuusluku Tällö ja ( T ) E( W T ) E [ ( T)] ( ) Var [ ( T )] Var ( W ) kaklle el (T) o tasasest estmaattora W paremp harhato estmaattor parametr fuktolle Ilkka Mell (010) 4/9

25 Mat Tlastolle päättely 3. Pste-estmot Todstus: Todetaa es, että (olettae, että ko. odotusarvot ovat olemassa) (1) E( ) E[E( Y )] ja () Var( ) Var[E( Y )] E[Var( Y )] Yhtälöstä (1) seuraa, että ( ) E ( W ) E [E( W T)] E [ ( T )] jote (T) o harhato parametr fuktolle (). Soveltamalla yhtälöä () saadaa arvo Var ( W ) Var [E( W T )] E [Var( W T)] Var [ ( T )] E [Var( W T )] Ste (T) o tasasest paremp ku W. Var [ ( T)] Var( W T ) 0 Nyt o velä äytettävä, että (T) o estmaattor el että ( 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 (T) o tasasest estmaattora W paremp harhato estmaattor parametr fuktolle (). 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 harhato parametr fuktolle () el, että E [ ] ( ) Oletetaa lsäks, että perustuu tyhjetävää tuuslukuu T. Mte saamme selvlle oko paras harhato estmaattor? Jos estmaattor varass saavuttaa Cramér ja Rao alaraja, tedämme, että o paras harhato estmaattor. Etä jos ä e tapahdu? Esmerkks, jos o toe harhato estmaattor parametr fuktolle (), mte E( T ) suhtautuu Ilkka Mell (010) 5/9

26 Mat Tlastolle päättely 3. Pste-estmot Osttase ratkasu tähä ogelmaa ataa seuraava lause: Lause: Todstus: Jos W o paras harhato estmaattor parametr fuktolle (), W o ykskästtee. Olkoo W paras harhato estmaattor parametr fuktolle () ja olkoo W jok toe paras harhato estmaattor parametr fuktolle (). Tarkastellaa estmaattora 1 W ( W W ) Estmaattor W o selväst harhato parametr fuktolle (): 1 1 E ( W ) [E ( W ) E ( W )] [ ( ) ( )] ( ) Schwarz epäyhtälöstä ja stä, että seuraa epäyhtälö Var ( W ) Var ( W ) 1 1 Var ( W ) Var W W Var ( W ) Var ( W ) Cov ( W, W ) Var ( W ) Var ( W ) [Var ( W ) Var ( W )] 4 4 Var ( W ) Jos tämä epäyhtälö o ato, W e vo olla paras harhato estmaattor. Schwarz epäyhtälöstä seuraa, että tässä epäyhtälössä valltsee yhtäsuuruus va, jos o olemassa sellaset fuktot a() ja b(), että (todeäkösyydellä 1) W a( ) b( ) W Ste kovarass ylesstä omasuukssta seuraa, että Cov ( W, W ) Cov ( W, a( ) b( ) W ) Cov ( W, b( ) W ) b( ) Cov ( W, W ) b( ) Var ( W ) Koska yllä estetyssä epäyhtälössä valltsee yhtäsuuruus, välttämättä b( ) 1 Ilkka Mell (010) 6/9

27 Mat Tlastolle päättely 3. Pste-estmot Lsäks, koska välttämättä E( W ) a( ) E( W ) ( ) E( W ) a( ) 0 Koska b( ) 1 ja a( ) 0, W = W ja W o ykskästtee. Tarkastellaa velä seuraavaa ogelmaa: Oletetaa, että olemme löytäeet harhattoma estmaattor. Vommeko parataa stä? Oletetaa, että W o harhato estmaattor parametr fuktolle (), ts. E ( W ) ( ) Olkoo U jok olla harhato estmaattor, ts. E ( U ) 0 kaklle. Määrtellää estmaattor a W au jossa a o vako. Estmaattor a o harhato parametr fuktolle (), koska E ( a ) E ( W ) a E ( U ) ( ) a 0 ( ) Vosko estmaattor a olla paremp ku estmaattor W? Estmaattor a varass o Oletetaa, että jollek = 0. Tällö jos Var ( a ) Var ( W au ) Var ( W ) a Cov ( W, U ) a Var ( U ) Cov ( W, U ) 0 a Cov ( W, U ) a Var ( U ) 0 a (0, Cov ( W, U ) /Var ( U )) Ste estmaattor 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 ( W, U ) Ilkka Mell (010) 7/9

28 Mat Tlastolle päättely 3. Pste-estmot 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 ) ( ) W o paras harhato estmaattor parametr fuktolle (), jos ja va jos W korrelomato kakke olla harhattome estmaattorede kassa. Olkoo W o paras harhato estmaattor parametr fuktolle (). Yllä estystä seuraa, että tällö estmaattor W o toteutettava ehto Cov ( W, U ) 0 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 ) ( ) 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 Ilkka Mell (010) 8/9

29 Mat Tlastolle päättely 3. Pste-estmot 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. Se sjaa 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 (T) melvaltae estmaattor, joka perustuu va estmaattor T. Tällö (T) o odotusarvosa paras harhato estmaattor ja lsäks (T) o Ilkka Mell (010) 9/9

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

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

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

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

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 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

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

= 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

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

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 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

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

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

Mat Sovellettu todennäköisyyslasku A

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

Lisätiedot

Tilastollinen päättely. 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

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

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

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

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

Lisätiedot

Mat 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

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

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot Todeäkösyyslaskea ja talstotetee peruskurssesmerkkkokoelma 4 Todeäkösyyslaskea ja tlastotetee peruskurss Esmerkkkokoelma 4 Aheet: Tlastollste aestoje kerääme ja mttaame Tlastollste aestoje kuvaame Otokset

Lisätiedot

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

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

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

Lisätiedot

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

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

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

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

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

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

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 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

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

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

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

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

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

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

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

HASSEN-WEILIN LAUSE. Kertausta

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

Lisätiedot

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

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä. MS-A0205/MS-A0206 Dfferentaal- ja ntegraallaskenta 2 Luento 7: Lagrangen kertojat. Penmmän nelösumman menetelmä. Jarmo Malnen Matematkan ja systeemanalyysn latos 1 Aalto-ylopsto Kevät 2016 1 Perustuu Antt

Lisätiedot

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

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

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

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

Lisätiedot

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

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

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

Lisätiedot

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

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat: Mat-.36 Tlastollnen päättely 7. harjotukset Mat-.36 Tlastollnen päättely 7. harjotukset / Tehtävät Aheet: Avansanat: ypoteesen testaus. lajn vrhe,. lajn vrhe, arhaton test, ylkäysalue, ylkäysvrhe, ypotees,

Lisätiedot

Jaksolliset ja toistuvat suoritukset

Jaksolliset ja toistuvat suoritukset Jaksollset ja tostuvat suortukset Korkojakson välen tostuva suortuksa kutsutaan jaksollsks suortuksks. Tarkastelemme tässä myös ylesempä tlanteta jossa samansuurunen talletus tehdään tasavälen mutta e

Lisätiedot

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

Satunnaismuuttujat ja todennäköisyysjakaumat

Satunnaismuuttujat ja todennäköisyysjakaumat Satuasmuuttujat ja todeäkösyysjakaumat Todeäkösyyslasketa: Satuasmuuttujat ja todeäkösyysjakaumat 9. Satuasmuuttujat ja todeäkösyysjakaumat 0. Kertymäfukto. Jakaume tuusluvut. Moulotteset satuasmuuttujat

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

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 2: Otokset, otosjakaumat ja estimointi Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude

Lisätiedot

Turingin kone on kuin äärellinen automaatti, jolla on käytössään

Turingin 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

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

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

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

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

Lisätiedot

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Tavoitteet 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

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

Todennäköisyyslaskennan kertausta

Todennäköisyyslaskennan kertausta Todeäkösyyslaskea kertausta Todeäkösyyslaskea kertausta 1. Joukko-opp Alko, Erotus, Joukko, Komplemett, Lekkaus, Perusjoukko, Psteveraus, Tyhjä joukko, Uo, Yhdste. Todeäkösyys ja se määrtteleme Alkestapahtuma,

Lisätiedot

Ilkka Mellin (2006) 1/1

Ilkka 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,

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

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

Mat Lineaarinen ohjelmointi

Mat 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

Lisätiedot

Monte Carlo -menetelmä

Monte Carlo -menetelmä Monte Carlo -menetelmä Helumn perustlan elektron-elektron vuorovakutuksen laskemnen parametrsodulla yrteaaltofunktolla. Menetelmän käyttökohde Monen elektronn systeemen elektronkorrelaato oteuttamnen mulla

Lisätiedot

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

Johdatus 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

Lisätiedot

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Estimointi. 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

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

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

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Ilkka 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

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

Painotetun metriikan ja NBI menetelmä

Painotetun 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

Lisätiedot

ABTEKNILLINEN KORKEAKOULU

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

Lisätiedot

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

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

Mat Sovellettu todennäköisyyslasku A

Mat 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

Lisätiedot

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Lohkoasetelmat. 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

Lisätiedot

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat 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

Lisätiedot

6. Stokastiset prosessit (2)

6. Stokastiset prosessit (2) Ssältö Markov-prosesst Syntymä-kuolema-prosesst luento6.ppt S-38.45 - Lkenneteoran perusteet - Kevät 6 Markov-prosess Esmerkk Tark. atkuva-akasta a dskreetttlasta stokaststa prosessa X(t) oko tla-avaruudella

Lisätiedot

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus 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

Lisätiedot

Osa 2: Otokset, otosjakaumat ja estimointi

Osa 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

Lisätiedot

Tchebycheff-menetelmä ja STEM

Tchebycheff-menetelmä ja STEM Tchebycheff-menetelmä ja STEM Optmontopn semnaar - Kevät 2000 / 1 1. Johdanto Tchebycheff- ja STEM-menetelmät ovat vuorovakuttesa menetelmä evät perustu arvofunkton käyttämseen pyrkvät shen, että vahtoehdot

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Mat 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,

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

TILASTOMATEMATIIKKA I

TILASTOMATEMATIIKKA I TILASTOMATEMATIIKKA I Srkku Parvae 1. JOHDANTO MIHIN TILASTOTIEDETTÄ TARVITAAN? suure havatomäärä (data) keräämsee, tetoje tvstämsee ja kuvaluu (deskrptvset meetelmät, data-aalyys) johtopäätöste tekemsee

Lisätiedot

TILASTOMATEMATIIKKA I

TILASTOMATEMATIIKKA I TILASTOMATEMATIIKKA I Srkku Parvae 1. JOHDANTO MIHIN TILASTOTIEDETTÄ TARVITAAN? suure havatomäärä (data) keräämsee, tetoje tvstämsee ja kuvaluu (deskrptvset meetelmät, data-aalyys) johtopäätöste tekemsee

Lisätiedot

Mat-2.108 Sovelletun matematiikan erikoistyö. Sijoitussalkun optimointi Black-Litterman -mallilla

Mat-2.108 Sovelletun matematiikan erikoistyö. Sijoitussalkun optimointi Black-Litterman -mallilla Mat-2.8 Sovelletu matematka erkostyö Sjotussalku optmot Black-Ltterma -malllla Kar Vatae (4753V) 9.5.24 Ssällysluettelo Johdato...2 2 Sjotussalku optmot Markowtz malllla...3 2. Sjotussalku optmot...5 2.2

Lisätiedot

ARITMEETTIS-GEOMETRIS-HARMONINEN KESKIARVOEPÄYHTÄLÖ

ARITMEETTIS-GEOMETRIS-HARMONINEN KESKIARVOEPÄYHTÄLÖ ARITMEETTIS-GEOMETRIS-HARMONINEN KESKIARVOEPÄYHTÄLÖ Markus Haula Matematka Pro Gradu-tutkelma Jyväskylä ylopsto Matematka ja tlastotetee latos Kesä 2008 Ssältö. Johdato 2 2. Määrtelmä 3 2.. Artmette keskarvo

Lisätiedot

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä

Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja

Lisätiedot

10.5 Jaksolliset suoritukset

10.5 Jaksolliset suoritukset 4.5 Jaksollset suortukset Tarkastellaa tlaetta, jossa asakas tallettaa pakktllle tostuvast yhtäsuure rahasumma k aa korkojakso lopussa. Asakas suorttaa talletukse kertaa. Lasketaa tlllä oleva pääoma :e

Lisätiedot

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

Monimuuttujamenetelmät: 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

Lisätiedot

7. Menetysjärjestelmät

7. Menetysjärjestelmät lueto7.ppt S-38.45 Leeteora perusteet Kevät 25 Ssältö Kertausta: ysertae leeteoreette mall Posso-mall asaata, palvelota Sovellus vrtaava dataletee malltamsee vuotasolla Erlag-mall asaata, palvelota < Sovellus

Lisätiedot

8. laskuharjoituskierros, vko 11, ratkaisut

8. laskuharjoituskierros, vko 11, ratkaisut Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse

Lisätiedot

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia

Lisätiedot

6. Capital Asset Pricing Model

6. Capital Asset Pricing Model 6. Captal Asset cg odel Ivestotpäätökset edustavat use seuaava ogelmatyyppejä:. te sjotuspotolo kaattaa aketaa? vt. kassavtoje täsmääme ks. lueto 3. kä o sjotuskohtee okea hta? vt. abtaasvapaus jvk-hottelu

Lisätiedot

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia

Lisätiedot

Insinöörimatematiikka IA

Insinöörimatematiikka IA Isiöörimatematiikka IA Harjoitustehtäviä. Selvitä oko propositio ( p q r ( p q r kotradiktio. Ratkaisu: Kirjoitetaa totuustaulukko: p q r ( p q r p q r ( p q r ( p q r 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Lisätiedot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,

Lisätiedot

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

Kanoniset muunnokset

Kanoniset 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

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy

Lisätiedot