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

Koko: px
Aloita esitys sivulta:

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

Transkriptio

1 Mat-.090 Sovellettu todeäköisyyslasku A Mat-.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Otos- ja otosjakaumat Estimoiti Estimoitimeetelmät Väliestimoiti Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe, Estimaatti, Estimaattori, Frekvessi, Frekvessitulkita, Harhato estimaattori, Keskeie raja-arvolause, χ -jakauma, Luottamuskerroi, Luottamustaso, Luottamusväli, Maksimoiti, Mometti, Momettiestimaattori, Momettimeetelmä, Normaalijakauma, Odotusarvo, Otos, Otosjakauma, Otoskoko, Otosvariassi, Riippumattomuus, Stadardoitu ormaalijakauma, Suhteellie frekvessi, Suhteellie osuus, Suurimma uskottavuude estimaattori, Suurimma uskottavuude meetelmä, Todeäköisyys, Uskottavuusfuktio, Variassi, Yksikertaie satuaisotos 9.. Olkoot i, i =,,, riippumattomia ormaalijakautueita satuaismuuttujia, joide odotusarvo E( i ) = µ ja variassi Var( i ) =. Tarkastellaa seuraavia todeäköisyyksiä: () Pr( i > µ + ) () Pr( > (µ + )) (3) Pr( > µ + ) Tehtävät: (a) Määrää todeäköisyys (). (b) Todista, että todeäköisyys () o pieempi kui todeäköisyys (), jos >. (c) Todista, että todeäköisyys () pieeee, ku +. (d) Todista, että todeäköisyys (3) o sama kui todeäköisyys (). (e) Määrää todeäköisyys (), ku = 0. Ratkaisu: Oletukse mukaa,,, i ~ N(µ, ), i =,,, Ilkka Melli (004) /

2 Mat-.090 Sovellettu todeäköisyyslasku A (a) Helposti ähdää, että i µ Pr( i > µ + ) = Pr > = Pr( Z > ) jossa stadardoitu satuaismuuttuja Z = i µ oudattaa stadardoitua ormaalijakaumaa: Z N(0,) Normaalijakauma taulukoide mukaa Pr( Z ) = jote komplemettitapahtuma todeäköisyyde kaava mukaa kysytty todeäköisyys o Pr( Z > ) = Pr( Z ) = (b)&(c) Merkitää Tällöi Y = i= E(Y) = µ i Koska satuaismuuttujat i, i =,,, o lisäksi oletettu riippumattomiksi, ii Var(Y) = Site kaikille > pätee Y µ Pr( Y > ( µ + )) = Pr > = Pr( Z > ) < Pr( Z > ) jossa stadardoitu satuaismuuttuja Z = i µ oudattaa stadardoitua ormaalijakaumaa: Z N(0,) Ilkka Melli (004) /

3 Mat-.090 Sovellettu todeäköisyyslasku A Todeäköisyydet Pr( Z > ) muodostavat aidosti väheevä lukujoo, jos + (d) Tulos o triviaalisti sama kui kohdassa (c), koska Pr( > µ + ) = Pr( Y > ( µ + )) (e) Jos = 0, ii kohda (c) mukaa Pr( > 0( µ + )) = Pr( Z > 0) = Pr( Z > 3.6) jossa stadardoitu satuaismuuttuja Z = i 0µ 0 oudattaa stadardoitua ormaalijakaumaa: Z N(0,) Normaalijakauma taulukoide mukaa Pr( Z 3.6) = jote komplemettitapahtuma todeäköisyyde kaava mukaa kysytty todeäköisyys o Pr( Z > 3.6) = Pr( Z 3.6) = Oletetaa, että havaiot i, i =,,, 00 muodostavat yksikertaise satuaisotokse ormaalijakaumasta N(, 4). Määrää todeäköisyys, että havaitoje aritmeettie keskiarvo saa suurempia arvoja kui.. Ratkaisu: Oletetaa, että havaiot i, i =,,, 00 muodostavat yksikertaise satuaisotokse ormaalijakaumasta N(µ, ), jossa µ = = 4 Ilkka Melli (004) 3/

4 Mat-.090 Sovellettu todeäköisyyslasku A Tällöi havaiot i, i =,,, 00 ovat riippumattomia satuaismuuttujia, joide odotusarvot ja variassit ovat E( i ) = µ =, i =,,, 00 Var( i ) = = 4, i =,,, 00 Oletuksista seuraa, että havaitoje i, i =,,, 00 aritmeettise keskiarvo i i = = otatajakauma o ormaalie: jossa siis Site N µ, µ = = 4 = 00 (= otoskoko) N, 5 Tehtävää o määrätä todeäköisyys Selvästi Pr( >.) µ. µ Pr( >.) = Pr > / /. = Pr Z > / 00 = Pr > 0.5 ( Z ) jossa stadardoitu satuaismuuttuja Z = µ / oudattaa stadardoitua ormaalijakaumaa: Z N(0,) Ilkka Melli (004) 4/

5 Mat-.090 Sovellettu todeäköisyyslasku A Normaalijakauma taulukoide mukaa Pr(Z 0.5) = jote komplemettitapahtuma todeäköisyyde kaava mukaa kysytty todeäköisyys o Pr( >.) = Pr( Z > 0.5) = Pr( Z 0.5) = = Oletetaa, että suomalaiste mieste pituus o ormaalijakautuut parametrei µ = 75 cm ja = 5 cm. Poimitaa mieste joukosta yksikertaie satuaisotos, joka koko o 0. Määrää lukuarvo, jota suurempia arvoja otosvariassi saa todeäköisyydellä Ratkaisu: Havaiot i, i =,,, 0 muodostavat yksikertaise satuaisotokse ormaalijakaumasta N(µ, ), jossa µ = 75 = 5 Tällöi havaiot i, i =,,, 0 ovat riippumattomia satuaismuuttujia, joide odotusarvot ja variassit ovat Olkoo E( i ) = µ = 75, i =,,, 0 Var( i ) = = 5, i =,,, 0 s = ( i ) i= havaitoje i, i =,,, 0 otosvariassi. Oletuksista seuraa, että satuaismuuttuja jossa ( ) s V = = 5 = 0 (= otoskoko) oudattaa χ -jakaumaa vapausastei ( ): V χ ( ) Ilkka Melli (004) 5/

6 Mat-.090 Sovellettu todeäköisyyslasku A Määrätää piste, joka erottaa χ -jakauma oikealle häälle todeäköisyysmassa, joka koko o 0.05: χ -jakauma taulukoista ähdää, että ku Koska Pr(V 4.34) = 0.05 V χ (00) ( ) s V = 00s = 5 = 4s saamme epäyhtälö 4s 4.34 joka ratkaisua saadaa otosvariassille ehto Site s Pr( s 3.086) = Oletetaa, että 30 % suomalaisista kaattaa NATO:o liittymistä. Poimitaa suomalaiste joukosta yksikertaie satuaisotos, joka koko o 00. Määrää todeäköisyys, että NATO: kaattajie suhteellie osuus otoksessa o pieempi kui 0 %. Ratkaisu: Olkoo f = NATO: kaattajie frekvessi otoksessa f pˆ = = NATO: kaattajie suhteellie frekvessi otoksessa = otoskoko Ilkka Melli (004) 6/

7 Mat-.090 Sovellettu todeäköisyyslasku A Koska otoskoko = 00 o melko suuri, voimme approksimoida suhteellise frekvessi ˆp otatajakaumaa ormaalijakaumalla: jossa p pq ˆ a N p, p = 0.3 q = p = 0.7 = 00 Site stadardoitu satuaismuuttuja Z = pˆ p pq/ oudattaa approksimatiivisesti stadardoitua ormaalijakaumaa: Z a N(0,) Tehtävää o määrätä todeäköisyys Selvästi Pr( p ˆ < 0.0) pˆ p 0.0 p Pr( pˆ < 0.0) = Pr < pq/ pq/ = Pr Z < /00 = Pr <.8 ( Z ) jossa stadardoitu satuaismuuttuja Z = pˆ p pq/ oudattaa approksimatiivisesti stadardoitua ormaalijakaumaa: Z a N(0,) Normaalijakauma taulukoide mukaa kysytty todeäköisyys o Pr(Z.8) = Ilkka Melli (004) 7/

8 Mat-.090 Sovellettu todeäköisyyslasku A 9.5. Kolme tutkijaa A, B ja C ovat määrittäeet erää teollisuuslaitokse jätevesistä ph-arvoja tavoitteeaa estimoida jätevesie keskimääräie ph-arvo µ havaitoje perusteella. Määritykset tehtii ottamalla useita toisistaa riippumattomia vesiäytteitä ja määräämällä äytekohtaiste ph-arvoje keskiarvot. Tutkijoide saamat tulokset: Tutkija Näytteide lukumäärä ph-lukuje aritmeettie keskiarvo A B C (a) (b) Näytä, että estimaattorit,, ja A B C ABC A + B + = C 3 ovat harhattomia keskimääräiselle ph-arvolle µ. Mikä estimaattoreista o luotettavi siiä mielessä, että se variassi o piei? (c) Näytä, että vielä pieempi variassi kui yhdelläkää ym. estimaattorilla o sellaisella estimaattorilla, joka saadaa laskemalla äytteide lukumäärillä paiotettu aritmeettie keskiarvo (ts. aritmeettie keskiarvo, joka saadaa yhdistämällä tutkijoide aieistot ja laskemalla yhdistety aieisto ph-lukuje aritmeettie keskiarvo). Ratkaisu: Jos,,, o yksikertaie satuaisotos jakaumasta, joka odotusarvo o µ ja variassi o, ii havaiot i, i =,,, 00 ovat riippumattomia satuaismuuttujia, joide odotusarvot ja variassit ovat Olkoo E( i ) = µ, i =,,, Var( i ) =, i =,,, i i = = havaitoje,,, aritmeettie keskiarvo. Ilkka Melli (004) 8/

9 Mat-.090 Sovellettu todeäköisyyslasku A Tällöi E( ) = µ Var( ) = (a)&(b) Estimaattorit,, ja ovat harhattomia, koska ja A B C ABC E( ) = E( ) = E( ) = µ A B C E( ABC ) = E ( A + B + C ) 3 = E( A ) E( B ) E( ) C = ( µ + µ + µ ) = µ 3 Estimaattoreide A, B, C variassit ovat Var( A) = = 0. 0 Var( B) = = Var( C ) = = Näistä estimaattoreista luotettavi o suurimpaa äytteide lukumäärää. C, mikä johtuu siitä, että se perustuu Aritmeettiste keskiarvoje A, B, C riippumattomuude takia Var( ABC ) = Var ( A + B + C ) 3 = Var( A ) Var( B ) Var( ) C = + + = Site estimaattori ABC variassi o suurempi kui estimaattori C : Tämä johtuu siitä, että luotettavita estimaattoria A ja B saavat estimaattorissa C epäluotettavammat estimaattorit. ABC yhtä suure paio kui estimaattori C Ilkka Melli (004) 9/

10 Mat-.090 Sovellettu todeäköisyyslasku A (c) Määritellää äytteide lukumäärillä paiotettu aritmeettie keskiarvo kaavalla = A B C Estimaattori o harhato parametrille µ, koska E( ) = E( A) + E( B) + E( C) = µ + µ + µ = µ Estimaattori variassiksi saadaa aritmeettiste keskiarvoje A, B, C riippumattomuude takia: = + + Var( ) = 0 Var( ) 5 Var( ) 00 Var( ) A + B + C = = Estimaattori variassi o pieempi kui estimaattoreide A, B, C ja ABC. Tämä johtuu siitä, että estimaattorissa estimaattorit A, B, C o paiotettu sopivasti iihi liittyvie havaitoje lukumäärillä. Huomautus: Parametrilla saattaa olla useita erilaisia harhattomia estimaattoreita, joide odotusarvot ovat siis yhtä suuria, mutta variassit eivät ole. Jos parametrilla o useita erilaisista harhattomista estimaattoreita, iistä parhaimpaa voidaa pitää sitä, joka variassi o piei. Tätä vaatimusta kutsutaa miimivariassisuuskriteeriksi. Ilkka Melli (004) 0/

11 Mat-.090 Sovellettu todeäköisyyslasku A 9.6. Olkoot i, i =,,, riippumattomia, samaa ekspoettijakaumaa oudattavia satuaismuuttujia, joide odotusarvo E( i ) = β, ts. satuaismuuttujat i muodostavat yksikertaise satuaisotokse ekspoettijakaumasta, joka parametri o /β. Määrää parametri β suurimma uskottavuude estimaattori. Ratkaisu: Olkoo satuaismuuttuja i tiheysfuktio f(x i ; β) ja otokse,,, yhteisjakauma tiheysfuktio: f(x, x,, x ; β) Tällöi otokse,,, uskottavuusfuktio o L(β ; x, x,, x ) = f(x, x,, x ; β) ja logaritmie uskottavuusfuktio o l(β ; x, x,, x ) = log L(β ; x, x,, x ) Parametri β suurimma uskottavuude estimaattori saadaa maksimoimalla uskottavuusfuktio parametri β suhtee. Koska logaritmifuktio o mootoie fuktio, voidaa maksimi atava parametri β arvo etsiä yhtäpitävästi logaritmoidusta uskottavuusfuktiosta. Maksimi löydetää etsimällä logaritmise uskottavuusfuktio derivaata ollakohdat: f( xi; β ) = exp xi, i=,,, β β L( x, x,, x; β) = f( x; β) f( x; β) f( x; β) = exp xi β β i= l( x, x,, x ; β) = log L( x, x,, x ; β) = x log( β) i β i= lx (, x,, x; β ) = = 0 ˆ β = xi = x i= xi β β i= β mikä o uskottavuusfuktio maksimi atava parametri β arvo, mikä voidaa ähdä esim. sijoittamalla saatu ratkaisu logaritmise uskottavuusfuktio. derivaata lausekkeesee. Ilkka Melli (004) /

12 Mat-.090 Sovellettu todeäköisyyslasku A 9.7. Satuaismuuttuja tiheysfuktio o f(x) = ( + θ)x θ, 0 < x < Kysymys: Miksi parametri θ pitää toteuttaa ehto θ >? Oletetaa, että satuaismuuttujasta o saatu havaiot (a) (b) (c) (d) 0.5, 0.3, 0., 0., 0. Hahmottele tiheysfuktio kuvaaja parametri θ arvoilla 0.5, 0,, ja arvioi mikä arvoista sopisi parhaite havaitoihi. Estimoi parametri θ momettimeetelmällä. Estimoi parametri θ suurimma uskottavuude meetelmällä. Vertaa parametri θ momettiestimaatoria ja suurimma uskottavuude estimaattoria toisiisa. Ratkaisu: Koska f(x) o tiheysfuktio, se pitää toteuttaa ehto θ θ f( x) dx= ( + θ ) x dx= x = mikä o mahdollista vai, jos + θ > 0 Site parametri θ o toteutettava ehto θ > 0 (a) Kuvio alla esittää tiheysfuktiota ku f(x) = ( + θ)x θ, 0 < x < θ = 0.5, 0,, Kuviosta ähdää, että havaiot sopivat selvästi parhaite jakaumaa, jossa θ < 0, koska tällöi suuri osa jakauma todeäköisyysmassasta keskittyy väli (0,) vasemmapuoleisee päähä kute havaiot. Ilkka Melli (004) /

13 Mat-.090 Sovellettu todeäköisyyslasku A 5 4 θ = f(x) 3 θ = 0.5 θ = x θ = 0 (b) Estimoidaa parametri θ momettimeetelmällä. Määrätää esi satuaismuuttuja odotusarvo: θ θ + θ + θ E( ) = xf ( x) dx = x( + θ ) x dx = x = + θ + θ Parametri θ momettiestimaattori ˆMM θ toteuttaa yhtälö 0 jossa E( ) = i i = = o havaitoje aritmeettie keskiarvo. Site + ˆ θ = + ˆ θ MM MM Ilkka Melli (004) 3/

14 Mat-.090 Sovellettu todeäköisyyslasku A Koska tarkastellussa otoksessa = 0.4 ii saadaa yhtälö + ˆ θ 0.4 = + ˆ θ josta edellee MM MM ˆ θ MM = (c) Estimoidaa parametri θ suurimma uskottavuude meetelmällä. Riippumattoma otokse,,, uskottavuusfuktio o missä L( θ; x, x,, x ) = f( x, x,, x ; θ) u = xx x = ( + θ) x ( + θ) x ( + θ) x = ( + θ ) u θ θ θ θ Parametri θ suurimma uskottavuude estimaattori ˆML θ saadaa maksimoimalla uskottavuusfuktio L(θ) parametri θ suhtee. Tämä tapahtuu etsimällä fuktio L derivaata ollakohdat: Site θ ( θ) = 0 ( + θ) ( + ( + θ)log ) = 0 + ( + θ)logu =0 L u u ˆ θ ML = log u josta saadaa ˆ θ ML = koska = 5 ja u = (d) Momettimeetelmä ja suurimma uskottavuude meetelmä tuottavat tässä eri tulokse. Ilkka Melli (004) 4/

15 Mat-.090 Sovellettu todeäköisyyslasku A Huomautus: Momettimeetelmä ja suurimma uskottavuude meetelmä saattavat tuottaa todeäköisyysjakauma parametreille eri estimaattorit. Hyvä estimaattori valita o vaikea ogelma; juuri se takia estimaattoreide vertailuu käytetää iide hyvyysomiaisuuksia kute harhattomuus, miimivariassisuus, tyhjetävyys ja tarketuvuus. Suurimma uskottavuude estimaattorille voidaa hyvi yleisi ehdoi todistaa tyhjetävyys ja tarketuvuus sekä asymptoottie ormaalisuus Tehdas väittää, että se valmistamista tuotteista korkeitaa 5 % o viallisia. Asiakas poimii tuotteide joukosta yksikertaise satuaisotokse, joka koko o 50 ja löytää 5 viallista tuotetta. Voidaako tehtaa väitettä vialliste suhteellisesta osuudesta pitää oikeutettua? Ohje: Määrää otoksesta 95 %: ja 99 %: luottamusvälit tehtaa väittämälle vialliste suhteelliselle osuudelle ja tee johtopäätös iide perusteella. Lisäkysymys: Mite valittu luottamustaso vaikuttaa luottamusväli pituutee? Ratkaisu: Olkoo tapahtuma A = {Satuaisesti valittu tuote o viallie} ja olkoo tapahtuma A todeäköisyys Pr(A) = p Määritellää satuaismuuttuja = Tapahtuma A havaittu frekvessi otoksessa, joka koko o Tiedämme, että (aiaki approksimatiivisesti) ~ Bi(, p) Määritellää tapahtuma A havaittu suhteellie frekvessi (osuus): P = / Parametri p (= tapahtuma A todeäköisyys) luottamusväli saadaa käyttämällä hyväksi sitä, että keskeise raja-arvolausee mukaa P o suurissa otoksissa approksimatiivisesti ormaalijakautuut: jossa q = p. P a N(p, pq/) Ilkka Melli (004) 5/

16 Mat-.090 Sovellettu todeäköisyyslasku A Todeäköisyyde p approksimatiivie luottamusväli o muotoa P± z α / PQ jossa luottamuskerroi z α/ saadaa ehdosta jossa Pr(Z > z α/ ) = α/ Z ~ N(0, ) ja α o valittu luottamustaso. Tehtävässä jote = 50 P = 5/50 = 0. Q = P = 0. = 0.9 PQ = 0.04 Jos luottamustasoksi valitaa α = 0.95 ii sitä vastaava luottamuskerroi o ormaalijakauma taulukoide mukaa z α/ =.96 koska (Z ~ N(0, )) jolloi Pr(Z.96) = Pr(.96 Z.96) = 0.95 Jos luottamustasoksi valitaa α = 0.99 ii sitä vastaava luottamuskerroi o ormaalijakauma taulukoide mukaa z α/ =.58 koska (Z ~ N(0, )) jolloi Pr(Z.58) = Pr(.58 Z.58) = 0.99 Ilkka Melli (004) 6/

17 Mat-.090 Sovellettu todeäköisyyslasku A 95 %: luottamusväli parametrille p o site muotoa PQ P± zα / = 0.± = 0.± = (0.05,0.48) Väli ei peitä parametri p oletettua arvoa %: luottamusväli parametrille p o site muotoa PQ P± zα / = 0.± = 0.± = (0.037,0.63) Väli peittää parametri p oletetu arvo Jos otataa toistetaa, otoksista kostruoidut luottamusvälit peittävät luottamustaso frekvessitulkia mukaa (keskimääri) ( α) %:ssa otoksia parametri p tutemattoma arvo ja (keskimääri) α %:ssa otoksia ei sitä tee. Otoksesta saatu evidessi viittaa siihe suutaa, että valmistaja väitteesee voidaa kohdistaa joki verra epäilyjä. Asiaa tarkastellaa lisää tilastollise testaukse yhteydessä. Huomautus: Luottamusväli leveee, ku luottamustasoa kasvatetaa. Jos siis haluamme kasvattaa (kiiteälle otoskoolle ) todeäköisyyttä, että parametri o luottamusväli sisällä, luottamusväli samalla piteee, jolloi siitä tulee epäiformatiivisempi Tehdas valmistaa ruuveja. Ruuvie paio vaihtelee satuaisesti oudattae ormaalijakaumaa. Ruuvie joukosta poimittii yksikertaie satuaisotos. Otoskeskiarvoksi saatii tällöi 5 g. Oletetaa (epärealistisesti), että ormaalijakauma variassi 0.5 g o tuettu. Määrää 99 %: luottamusvälit paio odotusarvolle, jos otoskokoa oli (a) (b) 00 (c) 0000 Vertaa saatuje luottamusvälie pituuksia toisiisa. Mite luottamusväli pituus käyttäytyy otoskoo fuktioa? Ilkka Melli (004) 7/

18 Mat-.090 Sovellettu todeäköisyyslasku A Ratkaisu: Normaalijakauma odotusarvo luottamusväli, ku variassi o oletettu (epärealistiseksi) tuetuksi perustuu siihe, että ormaalijakautueesta perusjoukosta poimitusta riippumattomassa satuaisotoksessa otoskeskiarvo otosjakauma o ormaalie. Jos i ~ N(µ, ), i =,,, ja havaiot i ovat riippumattomia, ii otoskeskiarvo N µ, Jos variassi oletetaa tuetuksi, odotusarvo µ luottamusväli o muotoa ± z α / jossa luottamuskerroi z α/ saadaa ehdosta jossa Pr(Z > z α/ ) = α/ Z ~ N(0, ) ja α o valittu luottamustaso. Tehtävässä = 5 = 0.5 α = 0.0 Normaalijakauma taulukoide mukaa z α / =.58 koska (Z ~ N(0, )) jolloi Pr(Z.58) = Pr(.58 Z.58) = 0.99 (a) = : Luottamusväliksi saadaa 0.5 ± zα / = 5 ±.58 = 5 ±.9 = (3.7, 6.9) 0 Ilkka Melli (004) 8/

19 Mat-.090 Sovellettu todeäköisyyslasku A (b) = 00: Luottamusväliksi saadaa 0.5 ± zα / = 5 ±.58 = 5 ± 0.9 = (4.87, 5.9) 00 (c) = 0000: Luottamusväliksi saadaa 0.5 ± z α / = 5 ±.58 = 5 ± 0.09 = (4.987, 5.09) Jos otataa toistetaa, otoksista kostruoidut luottamusvälit peittävät luottamustaso frekvessitulkia mukaa (keskimääri) ( α) %:ssa otoksia parametri µ tutemattoma arvo ja (keskimääri) α %:ssa otoksia ei sitä tee. Huomautus: Luottamusväli kapeee, ku otoskokoa kasvatetaa. Luottamusväki kapeee vai /0-osaa, ku otoskoko kasvaa 00-kertaiseksi. Jos luottamusväli pituus halutaa puolittaa, pitää havaitoje lukumäärä elikertaistaa. Ym. jakaumatulos ei ole voimassa, jos joudutaa estimoimaa otoksesta. Suurissa otoksissa luottamusväliä voidaa kuiteki käyttää ym. ormaalijakaumaa perustuvaa väliä myös tilateessa, jossa korvataa vastaavalla otossuureella. Tämä perustuu keskeisee raja-arvolauseesee, joka mukaa otoskeskiarvo o hyvi yleisi ehdoi ormaalijakautuut myös tilateissa, joissa perusjoukko ei ole ormaalijakautuut Tehdas valmistaa auloja. Nauloje pituus vaihtelee satuaisesti oudattae ormaalijakaumaa. Nauloje joukosta poimittii yksikertaie satuaisotos, joka koko oli 30. Otoskeskiarvoksi saatii 9.99 cm ja otosvariassiksi 0.0 cm. (a) (b) Määrää 95 %: luottamusväli auloje pituude odotusarvolle. Määrää 90 %: luottamusväli auloje pituude variassille. Ilkka Melli (004) 9/

20 Mat-.090 Sovellettu todeäköisyyslasku A Ratkaisu: (a) Jos i ~ N(µ, ), i =,,, ja havaiot i ovat riippumattomia, ii otoskeskiarvo N µ, Koska variassi o tutemato ja se pitää estimoida, odotusarvo µ luottamusväli o muotoa ± t α / s jossa luottamuskerroi t α/ saadaa ehdosta jossa Pr(t > t α/ ) = α/ t ~ t( ) ja α o valittu luottamustaso. Tehtävässä = 9.99 s = 0. α = 0.05 = 30 t-jakauma taulukoide mukaa t α / =.045 koska (t ~ t(9)) jolloi Pr(t.045) = Pr(.045 Z.045) = 0.95 Site luottamusväliksi saadaa 0. ± zα / = 9.99 ±.045 = 9.99 ± = (9.953,0.07) 30 Ilkka Melli (004) 0/

21 Mat-.090 Sovellettu todeäköisyyslasku A Jos otataa toistetaa, otoksista kostruoidut luottamusvälit peittävät luottamustaso frekvessitulkia mukaa (keskimääri) ( α) %:ssa otoksia parametri µ tutemattoma arvo ja (keskimääri) α %:ssa otoksia ei sitä tee. (b) Jos i ~ N(µ, ), i =,,, ja havaiot i ovat riippumattomia, ii otosvariassille pätee: ( ) s χ ( ) Variassi luottamusväli o muotoa ( ) s ( ) s, χα/ χ α/ Luottamuskertoimet χ α Pr( χα / χ ) = α Pr( χ α / χ ) = jossa χ χ ( ) α/ ja χ α / saadaa ehdoista ja α o valittu luottamustaso. Tehtävässä s = 0.0 α = 0.0 = 30 χ -jakauma taulukoide mukaa χ α / α / χ == koska (χ ~ χ (9)) Pr(χ 4.557) = 0.95 Pr(χ 7.708) = 0.05 Ilkka Melli (004) /

22 Mat-.090 Sovellettu todeäköisyyslasku A jolloi Pr(7.708 χ 4.557) = 0.90 Site luottamusväliksi saadaa: ( ) s ( ) s ,, (0.0068,0.064) = = χα/ χ α/ Jos otataa toistetaa, otoksista kostruoidut luottamusvälit peittävät luottamustaso frekvessitulkia mukaa (keskimääri) ( α) %:ssa otoksia parametri tutemattoma arvo ja (keskimääri) α %:ssa otoksia ei sitä tee. Ilkka Melli (004) /

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit Mat-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,

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

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 todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,

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

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

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

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat

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

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot TKK (c) Ilkka Melli (4) Testit suhdeasteikollisille muuttujille Johdatus tilastotieteesee Testit suhdeasteikollisille muuttujille Testit ormaalikauma parametreille Yhde otokse t-testi Kahde otokse t-testi

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mitä tilastotiede o? Mat-.04 Tilastollise aalyysi perusteet, kevät 007. lueto: Johdato Tilastotiede kehittää ja soveltaa meetelmiä: reaalimaailma ilmiöistä johtopäätökset ilmiöitä kuvaavie tietoje perusteella

Lisätiedot

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi Mat-.6 Sovellettu todeäköisyyslasketa. harjoitukset Mat-.6 Sovellettu todeäköisyyslasketa B. harjoitukset / Ratkaisut Aiheet: Tilastolliset testit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, F-jakauma,

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

2-suuntainen vaihtoehtoinen hypoteesi

2-suuntainen vaihtoehtoinen hypoteesi MS-A53 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Yhde otokse t-testi Testausasetelma yhde otokse t-testissä odotusarvolle Olkoo X i, i =,,, riippumato

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

Tilastolliset menetelmät: Tilastolliset testit

Tilastolliset menetelmät: Tilastolliset testit Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.

Lisätiedot

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

Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Väliestimointi TKK (c) Ilkka Mellin (2005) 1 Väliestimointi Todennäköisyysjakaumien parametrien estimointi Luottamusväli Normaalijakauman odotusarvon luottamusväli Normaalijakauman

Lisätiedot

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1 Johdatus todeäköisyyslasketaa Kovergessikäsitteet ja raja-arvolauseet TKK (c) Ilkka Melli (2004) 1 Kovergessikäsitteet ja raja-arvolauseet Kovergessikäsitteitä Suurte lukuje lait Keskeie raja-arvolause

Lisätiedot

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet Ilkka Melli Todeäköisyyslasketa Osa 2: Satuaismuuttujat ja todeäköisyysjakaumat Kovergessikäsitteet ja raja arvolauseet TKK (c) Ilkka Melli (2006) 1 Kovergessikäsitteet ja raja arvolauseet >> Kovergessikäsitteitä

Lisätiedot

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi. Mat-2.090 Sovellettu todeäköisyyslasku A Mat-2.090 Sovellettu todeäköisyyslasku A / Pistetehtävät 2, 4, 6, 8, 0 Aiheet: Avaisaat: Momettiemäfuktio Satuaismuuttujie muuokset ja iide jakaumat Kovergessikäsitteet

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

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot TKK (c Ilkka Melli (004 Johdatus tilastotieteesee TKK (c Ilkka Melli (004 : Mitä opimme? Tarkastelemme tässä luvussa seuraavia järjestysasteikolliste muuttujie testejä: ja merkkitesti parivertailuille

Lisätiedot

Otantajakauman käyttö päättelyssä

Otantajakauman käyttö päättelyssä Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus

Lisätiedot

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit). Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 2. lokakuuta 2017 7.1 Tilastollie päättely Tähä meessä o opittu eustamaa tapahtumie todeäköisyyksiä aetu stokastise malli pohjalta. Eusteide laskemiseksi

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

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

Tilastolliset luottamusvälit

Tilastolliset luottamusvälit Luku 8 Tilastolliset luottamusvälit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017 8.1 Piste-estimaatti ja väliestimaatti Edellisessä luvussa opittii määrittämää parametreille estimaatteja suurimma uskottavuude

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

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

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

Väliestimointi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1 Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).

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

S Laskennallinen systeemibiologia

S Laskennallinen systeemibiologia S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude

Lisätiedot

Yhden selittäjän lineaarinen regressiomalli

Yhden selittäjän lineaarinen regressiomalli Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli

Lisätiedot

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Jatkuvia jakaumia Avaisaat: Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Kertymäfuktio, Keskeie raja-arvolause, Mediaai, Normaaliapproksimaatio,

Lisätiedot

Tilastolliset menetelmät: Tilastolliset testit

Tilastolliset menetelmät: Tilastolliset testit Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille 0. Testejä järjestysasteikollisille muuttujille. Testejä laatueroasteikollisille

Lisätiedot

6.1 Riippumattomat satunnaismuuttujat

6.1 Riippumattomat satunnaismuuttujat Luku 6 Otatajakaumie teoria 6.1 Riippumattomat satuaismuuttujat Muistamme edellisistä luvuista, että satuaismuuttujat X 1 ja X 2 ovat riippumattomat (määritelmät 4.6 ja 5.5), jos f(x 1, x 2 ) f 1 (x 1

Lisätiedot

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (005) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden

Lisätiedot

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria

Lisätiedot

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat: Mat-2.090 Sovellettu todeäköisyyslasku A / Ratkaisut Aiheet: Avaisaat: Diskeetit jakaumat Jatkuvat jakaumat Biomijakauma, Ekspoettijakauma, Jatkuva tasaie jakauma, Ketymäfuktio, Mediaai, Negatiivie biomijakauma,

Lisätiedot

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo

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

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

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa. Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.

Lisätiedot

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tilastotieteen kertaus. Kuusinen/Heliövaara 1 Tilastotieteen kertaus Kuusinen/Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla reaalimaailman ilmiöistä voidaan tehdä johtopäätöksiä tilanteissa, joissa

Lisätiedot

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat:

Mat-2.091 Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat: Mat-.090 Sovellettu todeäköiyylaku A 0. harjoituket Mat-.09 Sovellettu todeäköiyylaku 0. harjoituket / Ratkaiut Aiheet: Avaiaat: Tilatolliet tetit Aritmeettie kekiarvo, Beroulli-jakauma, F-jakauma, F-teti,

Lisätiedot

Väliestimointi. Väliestimointi. Väliestimointi: Mitä opimme? 2/3. Väliestimointi: Mitä opimme? 1/3. Väliestimointi: Mitä opimme?

Väliestimointi. Väliestimointi. Väliestimointi: Mitä opimme? 2/3. Väliestimointi: Mitä opimme? 1/3. Väliestimointi: Mitä opimme? TKK (c) Ilkka Melli (004) Välietimoiti Todeäköiyyjakaumie parametrie etimoiti Normaalijakauma variai luottamuväli Beroulli-jakauma odotuarvo luottamuväli Johdatu tilatotieteeee Välietimoiti TKK (c) Ilkka

Lisätiedot

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu) 21.11.2017/1 MTTTP5, luento 21.11.2017 Otossuureita ja niiden jakaumia (jatkuu) 4) Olkoot X 1, X 2,..., X n satunnaisotos (, ):sta ja Y 1, Y 2,..., Y m satunnaisotos (, ):sta sekä otokset riippumattomia.

Lisätiedot

tilastotieteen kertaus

tilastotieteen kertaus tilastotieteen kertaus Keskiviikon 24.1. harjoitukset pidetään poikkeuksellisesti klo 14-16 luokassa Y228. Heliövaara 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä, joiden avulla

Lisätiedot

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää

Lisätiedot

n = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:

n = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus: 1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman

Lisätiedot

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3 LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi

Lisätiedot

Tilastolliset menetelmät. Osa 1: Johdanto. Johdanto tilastotieteeseen KE (2014) 1

Tilastolliset menetelmät. Osa 1: Johdanto. Johdanto tilastotieteeseen KE (2014) 1 Tilastolliset menetelmät Osa 1: Johdanto Johdanto tilastotieteeseen KE (2014) 1 Mitä tilastotiede on? Tilastotiede kehittää ja soveltaa menetelmiä ja malleja, joiden avulla reaalimaailman ilmiöistä voidaan

Lisätiedot

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1 35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,

Lisätiedot

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2 Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 2 Aiheet: Satuaismuuttujat ja todeäköisyysjakaumat Kertymäfuktio, pistetodeäköisyysfuktio ja tiheysfuktio Jakaumie tuusluvut Tärkeimmät

Lisätiedot

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II Otokset MS-A050 Todeäköisyyslaskea ja tilastotietee peruskurssi Lueot, osa II Kaksi hyödyllista jakaumaa 3 Estimoiti G. Gripeberg 4 Luottamusvälit Aalto-yliopisto. helmikuuta 05 5 Hypoteesie testaus 6

Lisätiedot

Harjoitukset 1 : Tilastokertaus

Harjoitukset 1 : Tilastokertaus 31C99904, Capstoe: Ekoometria ja data-aalyysi TA : markku.siikae(a)aalto.fi & tuuli.vahapelto(a)aalto.fi Harjoitukset 1 : Tilastokertaus (Palautus 10.1.2017) Palautellaa mielii hiema tilasto-oppia ja todeäköisyyslasketaa.

Lisätiedot

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A Tilastollie päättömyys, kevät 07 Harjoitus 6A Heikki Korpela 8. helmikuuta 07 Tehtävä. Moistee teht. 5.. Olkoo Y,..., Y riippumato otos ekspoettiperhee jakaumasta, joka ptf/tf o muotoa fy i ; θ cθhye φθtyi

Lisätiedot

Estimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku

Estimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,

Lisätiedot

Testejä suhdeasteikollisille muuttujille

Testejä suhdeasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman

Lisätiedot

Testit laatueroasteikollisille muuttujille

Testit laatueroasteikollisille muuttujille Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten

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

Mat-2.090 Sovellettu todennäköisyyslasku A

Mat-2.090 Sovellettu todennäköisyyslasku A Mat-.090 Sovellettu todeäköiyylaku A Mat-.090 Sovellettu todeäköiyylaku A / Ratkaiut Aiheet: Avaiaat: Tilatollite aieito keräämie ja mittaamie Tilatollite aieitoje kuvaamie Oto ja otojakaumat Aritmeettie

Lisätiedot

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0. 806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy 2012 1. Olkoon (X 1,X 2,...,X 25 ) satunnaisotos normaalijakaumasta N(µ,3 2 ) eli µ

Lisätiedot

Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1

Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1 Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus KE (2014) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset testit ja testisuureet Virheet

Lisätiedot

Estimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku

Estimaattori, Estimointi, Mediaani, Moodi, Odotusarvo, Parametri, Posteriorijakauma, Tunnusluku Tilastollie päättely 6.1. Johdato Bayesi kaava, Bayeslaie lähestymistapa, Eakkotieto, Estimoiti, Frekvetistie lähestymistapa, Frekvessitulkita, Klassie lähestymistapa, Luottamustaso, Luottamusväli, Merkitsevyystaso,

Lisätiedot

Todennäköisyyslaskenta: Todennäköisyysjakaumia

Todennäköisyyslaskenta: Todennäköisyysjakaumia Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia Ilkka Melli 35 Todeäköisyysjakaumia

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

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

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2004) 1 Testit laatueroasteikollisille muuttujille Laatueroasteikollisten muuttujien testit Testi suhteelliselle

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

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1 Tilastollinen testaus Vilkkumaa / Kuusinen 1 Motivointi Viime luennolla: havainnot generoineen jakauman muoto on usein tunnettu, mutta parametrit tulee estimoida Joskus parametreista on perusteltua esittää

Lisätiedot

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen

Lisätiedot

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025 26.3.2019/1 MTTTP1, luento 26.3.2019 7.4 Normaalijakauma (kertausta ja täydennystä) Z ~ N(0, 1), tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96)

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2

Lisätiedot

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: 2.10.2018/1 MTTTP1, luento 2.10.2018 7.4 Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 2.10.2018/2

Lisätiedot

Tilastolliset testit. Tilastolliset testit. Tilastolliset testit: Mitä opimme? 2/5. Tilastolliset testit: Mitä opimme? 1/5

Tilastolliset testit. Tilastolliset testit. Tilastolliset testit: Mitä opimme? 2/5. Tilastolliset testit: Mitä opimme? 1/5 TKK (c) Ilkka Mellin (4) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (4) : Mitä opimme? 1/5 Tilastollisessa tutkimuksessa tutkimuksen kohteena olevasta perusjoukosta esitetään tavallisesti väitteitä

Lisätiedot

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden 1 KERTAUSTA JA TÄYDENNYSTÄ Luento 30.9.2014 Olkoon satunnaisotos X 1, X 2,, X n normaalijakaumasta N(µ, σ 2 ), tällöin ~ N(µ, σ 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma

Lisätiedot

Luku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017

Luku 7. Parametrien estimointi. 7.1 Parametriset jakaumat. Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 Luku 7 Parametrie estimoiti Lasse Leskelä Aalto-yliopisto 29. marraskuuta 2017 7.1 Parametriset jakaumat Tarkastellaa tutematota datalähdettä, joka tuottaa toisistaa stokastisesti riippumattomia ja tiheysfuktio

Lisätiedot

Tilastotieteen jatkokurssi 8. laskuharjoitusten ratkaisuehdotukset (viikot 13 ja 14)

Tilastotieteen jatkokurssi 8. laskuharjoitusten ratkaisuehdotukset (viikot 13 ja 14) Tilatotietee jatkokuri 8. lakuharjoitute ratkaiuehdotuket (viikot 13 ja 14) 1) Perujoukko o aluee A aukkaat ja tutkittavaa omiaiuutea ovat tulot, Tiedämme, että perujouko tulot oudattaa ormaalijakaumaa,

Lisätiedot

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007 Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua

Lisätiedot

Tilastolliset menetelmät

Tilastolliset menetelmät Tilastolliset meetelmät tilastolliste meetelmie tarkoitus o: estimoida eliaika- (vikaatumisaika, korjausaika- jakaumie ja -mallie parametreja eliaikakokeide, laitteide käyttökokemustiedo yms. perusteella

Lisätiedot

D ( ) E( ) E( ) 2.917

D ( ) E( ) E( ) 2.917 Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,

Lisätiedot

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014 1 MTTTP3 Tilastollisen päättelyn perusteet 2 Luennot 8.1.2015 ja 13.1.2015 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=6909&i dx=5&uilang=fi&lang=fi&lvv=2014

Lisätiedot

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio 17.11.2015/1 MTTTP5, luento 17.11.2015 Luku 5 Parametrien estimointi 5.1 Piste-estimointi Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla

Lisätiedot

KURSSIN TILASTOMATEMATIIKKA KAAVOJA

KURSSIN TILASTOMATEMATIIKKA KAAVOJA KURSSIN TILASTOMATEMATIIKKA KAAVOJA X = S = s = Otossuureita X i tai x = x i (otoskeskiarvo) (X i X) = (x i x) = Xi x i E(X) =µ, var(x) = σ X x tai, E(S )=σ (otosvariassi) Normaalijakautuee populaatio

Lisätiedot

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia. HY, MTO / Matemaattiste tieteide adiohjelma Tilastollie päättely II, evät 2018 Harjoitus 6A Rataisuehdotusia Tehtäväsarja I 1. (Moistee tehtävä 5.4) Kauppias myy mäysiemeiä, joide itävyyde väitetää oleva

Lisätiedot

Johdatus tilastotieteeseen Tilastolliset testit. TKK (c) Ilkka Mellin (2005) 1

Johdatus tilastotieteeseen Tilastolliset testit. TKK (c) Ilkka Mellin (2005) 1 Johdatus tilastotieteeseen Tilastolliset testit TKK (c) Ilkka Mellin (2005) 1 Tilastolliset testit Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset testit ja testisuureet Virheet testauksessa

Lisätiedot

Teoria. Tilastotietojen keruu

Teoria. Tilastotietojen keruu S-38.348 Tietoverkkoje simuloiti / Tuloste keruu ja aalyysi Teoria Johdato simuloitii Simuloii kulku -- prosessi realisaatioide tuottamie Satuaismuuttuja arvota aetusta jakaumasta Tuloste keruu ja aalyysi

Lisätiedot

Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille: Esitiedot

Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille. Testit laatueroasteikollisille muuttujille: Esitiedot TKK (c) Ilkk Melli (24) Johdtus tilstotieteesee TKK (c) Ilkk Melli (24) 2 : Mitä opimme? Trkstelemme tässä luvuss seurvi ltuerosteikolliste muuttujie testejä: Testukse kohtee testeissä o Beroulli-jkum

Lisätiedot

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1 Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin

Lisätiedot

Tilastollinen aineisto Luottamusväli

Tilastollinen aineisto Luottamusväli Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden

Lisätiedot

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489

pq n s n Kyllä Ei N Jäsenyys 5,4% 94.6 % 1500 Adressi 21,6% 78.4 % 1495 Lahjoitus 23,7% 76.3 % 1495 Mielenosoitus 1,1% 98.9 % 1489 Perusjoukko ja otos Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Havaitoyksikkö o empiirise mittaukse kohde Perusjoukko o kaikkie havaitoyksiköide muodostama kokoaisuus Otos o perusjoukkoa

Lisätiedot

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 15 1 Tilastollisia testejä Z-testi Normaalijakauman odotusarvon testaus, keskihajonta tunnetaan

Lisätiedot

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1 Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Tilastollinen testaus TKK (c) Ilkka Mellin (2007) 1 Tilastolliset testit >> Tilastollinen testaus Tilastolliset hypoteesit Tilastolliset

Lisätiedot

1 Eksponenttifunktion määritelmä

1 Eksponenttifunktion määritelmä Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella

Lisätiedot

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa

Lisätiedot

10. laskuharjoituskierros, vko 14, ratkaisut

10. laskuharjoituskierros, vko 14, ratkaisut 10. laskuharjoituskierros, vko 14, ratkaisut D1. Eräässä kokeessa verrattiin kahta sademäärän mittaukseen käytettävää laitetta. Kummallakin laitteella mitattiin sademäärät 10 sadepäivän aikana. Mittaustulokset

Lisätiedot

Parametrien oppiminen

Parametrien oppiminen 38 Parametrie oppimie Tilastollise malli (Bayes-verkko rakee o kiiitetty, se umeeriste parametrie (ehdolliste todeäköisyyksie arvot pyritää määräämää Oletamme havaitoe oleva täydellisiä; s.o., okaise datapistee

Lisätiedot