Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:
|
|
- Eeva-Liisa Aro
- 7 vuotta sitten
- Katselukertoja:
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-.09 Sovellettu todeäköisyyslasku Mat-.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Estimoiti Luottamusvälit Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Estimaattori, Estimoiti, Frekvessi,
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
LisätiedotMat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:
Mat-.60 Sovellettu todeäköisyyslasketa B Mat-.60 Sovellettu todeäköisyyslasketa B / Ratkaisut Aiheet: Estimoiti Estimoitimeetelmät Väliestimoiti Avaisaat: Aritmeettie keskiarvo, Beroulli-jakauma, Beroulli-koe,
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa 2: Otokset, otosjakaumat ja estimoiti Estimoitimeetelmät TKK (c) Ilkka Melli (2007) Estimoitimeetelmät >> Todeäköisyysjakaumie parametrie estimoiti Suurimma uskottavuude
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
LisätiedotJohdatus 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
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
Lisätiedot9. 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
LisätiedotTestit 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
LisätiedotMat 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
Lisätiedot2-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,
LisätiedotNormaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?
TKK (c) Ilkka Melli (4) Johdato Johdatus todeäköisyyslasketaa TKK (c) Ilkka Melli (4) : Mitä opimme? / Tutustumme tässä luvussa seuraavii ormaalijakaumasta (ks. lukua Jatkuvia jakaumia) johdettuihi jakaumii:
Lisätiedot2-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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset meetelmät Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille. Testejä järjestysasteikollisille muuttujille.
LisätiedotJohdatus 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
LisätiedotJohdatus 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
LisätiedotOsa 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
LisätiedotJohda 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
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotTestit 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
LisätiedotOtantajakauman 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
Lisätiedot1. 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
LisätiedotEstimointi. Vilkkumaa / Kuusinen 1
Estimointi Vilkkumaa / Kuusinen 1 Motivointi Tilastollisessa tutkimuksessa oletetaan jonkin jakauman generoineen tutkimuksen kohteena olevaa ilmiötä koskevat havainnot Tämän mallina käytettävän todennäköisyysjakauman
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat
TKK (c) Ilkka Melli (4) Satuaismuuttujie muuokset ja iide jakaumat Satuaismuuttujie muuoste jakaumat Kaksiulotteiste satuaismuuttujie muuoste jakaumat Riippumattomie satuaismuuttujie summa jakauma Riippumattomie
LisätiedotTilastolliset 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
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 5b
Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy
LisätiedotSovellettu 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
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotVäliestimointi (jatkoa) Heliövaara 1
Väliestimointi (jatkoa) Heliövaara 1 Bernoulli-jakauman odotusarvon luottamusväli 1/2 Olkoon havainnot X 1,..., X n yksinkertainen satunnaisotos Bernoulli-jakaumasta parametrilla p. Eli X Bernoulli(p).
LisätiedotJohdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (004) 1 Testit suhdeasteikollisille muuttujille Testit normaalijakauman parametreille Yhden otoksen t-testi Kahden
LisätiedotS 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
LisätiedotYhden 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
LisätiedotMat 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,
LisätiedotTilastolliset menetelmät: Tilastolliset testit
Tilastolliset testit Tilastolliset meetelmät: Tilastolliset testit 8. Tilastollie testaus 9. Testejä suhdeasteikollisille muuttujille 0. Testejä järjestysasteikollisille muuttujille. Testejä laatueroasteikollisille
Lisätiedot6.1 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
LisätiedotJohdatus 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
LisätiedotOtantajakauma. 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
LisätiedotMat 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,
LisätiedotKaksiulotteinen 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,
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. lokakuuta 2007 Antti Rasila () TodB 30. lokakuuta 2007 1 / 23 1 Otos ja otosjakaumat (jatkoa) Frekvenssi ja suhteellinen frekvenssi Frekvenssien odotusarvo
LisätiedotMat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:
Mat-1.60 Sovellettu todeäkösyyslasketa Mat-1.60 Sovellettu todeäkösyyslasketa B / Ratkasut Aheet: Otos ja otosjakaumat Avasaat: Artmeette keskarvo, Beroull-jakauma, Beroull-koe, χ -jakauma, Frekvess, Frekvessjakauma,
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotTodennäköisyys, 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.
LisätiedotTilastotieteen 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
LisätiedotMat-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,
LisätiedotVäliestimointi. 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
LisätiedotMTTTP5, 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.
Lisätiedottilastotieteen 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
LisätiedotJohdatus 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
Lisätiedotn = 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%:
LisätiedotSovellettu 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
LisätiedotLIITTEET 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
LisätiedotTilastolliset 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
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,
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2
Todeäköisyyslaskea ja tilastotietee peruskurssi Esimerkkikokoelma 2 Aiheet: Satuaismuuttujat ja todeäköisyysjakaumat Kertymäfuktio, pistetodeäköisyysfuktio ja tiheysfuktio Jakaumie tuusluvut Tärkeimmät
LisätiedotMS-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
LisätiedotHarjoitukset 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.
LisätiedotTilastollinen 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
LisätiedotEstimaattori, 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,
LisätiedotTestejä suhdeasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testejä suhdeasteikollisille muuttujille TKK (c) Ilkka Mellin (007) 1 Testejä suhdeasteikollisille muuttujille >> Testit normaalijakauman
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
LisätiedotIlkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2006) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotMat-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
Lisätiedot806109P 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
LisätiedotTilastolliset 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
LisätiedotEstimaattori, 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,
LisätiedotTodennäköisyyslaskenta: Todennäköisyysjakaumia
Todeäköisyysjakaumia Todeäköisyyslasketa: Todeäköisyysjakaumia 6. Diskreettejä jakaumia 7. Jatkuvia jakaumia 8. Normaalijakaumasta johdettuja jakaumia 9. Moiulotteisia jakaumia Ilkka Melli 35 Todeäköisyysjakaumia
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotJohdatus tilastotieteeseen 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
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotTilastollinen 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
Lisätiedot4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on
Mat-2.090 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Otanta Poisson- Jakaumien tunnusluvut Diskreetit jakaumat Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen
Lisätiedot7.4 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:
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:
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
LisätiedotTilastolliset 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
LisätiedotOtoskeskiarvo 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
LisätiedotLuku 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
LisätiedotTilastotieteen 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,
LisätiedotMat 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
LisätiedotTilastolliset menetelmät
Tilastolliset meetelmät tilastolliste meetelmie tarkoitus o: estimoida eliaika- (vikaatumisaika, korjausaika- jakaumie ja -mallie parametreja eliaikakokeide, laitteide käyttökokemustiedo yms. perusteella
LisätiedotD ( ) E( ) E( ) 2.917
Mat-2.091 Sovellettu todennäköisyyslasku 4. harjoitukset/ratkaisut Aiheet: Diskreetit jakaumat Avainsanat: Binomijakauma, Diskreetti tasainen jakauma, Geometrinen jakauma, Hypergeometrinen jakauma, Kertymäfunktio,
Lisätiedothttps://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
LisätiedotEstimointi 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
LisätiedotKURSSIN 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
LisätiedotHY, 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
LisätiedotJohdatus 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
LisätiedotTeoria. 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
LisätiedotTestit 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
LisätiedotTilastotieteen kertaus. Vilkkumaa / Kuusinen 1
Tilastotieteen kertaus Vilkkumaa / Kuusinen 1 Motivointi Reaalimaailman ilmiöihin liittyy tyypillisesti satunnaisuutta ja epävarmuutta Ilmiöihin liittyvien havaintojen ajatellaan usein olevan peräisin
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
Lisätiedotpq 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
LisätiedotSovellettu 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
LisätiedotIlkka 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
Lisätiedot1 Eksponenttifunktion määritelmä
Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella
LisätiedotRATKAISUT 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
Lisätiedot10. 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
LisätiedotParametrien 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