Tilastollinen päättely. 5. Väliestimointi Johdanto Luottamusvälien konstruointi Luottamusvälien vertailu
|
|
- Maria Laakso
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 ilastollinen päättely 5.. Johdanto Estimointi, Joukkoestimointi, Kriittinen alue, uottamusjoukko, uottamustaso, uottamusväli, Otos, Parametri, Peittotodennäköisyys, Piste-estimointi, Väliestimaatti, Väliestimaattori, Väliestimointi 5.2. uottamusvälien konstruointi. lajin virhe, Estimointi, Hylkäysalue, Hylkäysvirhe, Hypoteesi, Hyväksymisalue, Joukkoestimointi, Kertymäfunktion saranointi, Kriittinen alue, uottamusjoukko, uottamustaso, uottamusväli, Nollahypoteesi, Otos, Parametri, Peittotodennäköisyys, Piste-estimointi, Saranasuure, Saranointi, esti, estin taso, estisuure, Vaihtoehtoinen hypoteesi, Väliestimaatti, Väliestimaattori, Väliestimointi 5.3. uottamusvälien vertailu. lajin virhe, Estimointi, Harhattomuus, Hylkäysalue, Hylkäysvirhe, Hypoteesi, Hyväksymisalue, Joukkoestimointi, Kertymäfunktion saranointi, Kriittinen alue, uottamusjoukko, uottamustaso, uottamusväli, uottamusvälin pituus, Nollahypoteesi, Optimaalisuus, Otos, Parametri, Peittotodennäköisyys, Piste-estimointi, Saranasuure, Saranointi, arkkuus, esti, estin taso, estisuure, Vaihtoehtoinen hypoteesi, Väliestimaatti, Väliestimaattori, Ilkka Mellin (200) /5
2 @ Ilkka Mellin (200) 2/5
3 5.. Johdanto uottamusvälit Olkoon f ( x; ) satunnaismuuttujan X pistetodennäköisyys- tai tiheysfunktio, joka riippuu tuntemattomasta parametrista. Olkoon X, X 2,, X n satunnaisotos satunnaismuuttujan X jakaumasta. ällöin havainnot X, X 2,, X n ovat riippumattomia, identtisesti jakautuneita satunnaismuuttujia, joilla on sama pistetodennäköisyystai tiheysfunktio f(x;): Olkoon X, X,, X 2 n X f ( x; ), i, 2,, n i X = (X, X 2,, X n ) satunnaismuuttujien X, X 2,, X n muodostama n-vektori. Olkoot satunnaismuuttujien X, X 2,, X n havaitut arvot Merkitään tätä: x, x 2,, x n X = x, X 2 = x 2,, X n = x n Satunnaismuuttujien X, X 2,, X n havaitut arvot x, x 2,, x n määräävät havaintopisteen Väliestimointi x = (x, x 2,, x n ) uvussa 3 tarkasteltiin todennäköisyysjakauman parametrin piste-estimointia. ällöin päättelyn kohteena oli yksi parametrin arvo. ässä luvussa tarkastellaan parametrin joukkoestimointia. Joukkoestimoinnissa päättelyn kohteena ovat muotoa " C " olevat väitteet, joissa C on jokin parametriavaruuden osajoukko: Joukko C C C( x) määrätään havaintopisteen x ( x, x2,, x n ) avulla. Jos on reaaliarvoinen parametri, joukko C on tavallisesti jokin reaaliakselin väli, jolloin puhumme Ilkka Mellin (200) 3/5
4 Olkoon x (,,, ) x x2 x n havaintopiste. Funktiot ( x) ja ( x) jos [ ( x), ( x)] ( x) ( x) muodostavat reaaliarvoisen parametrin väliestimaatin kaikille havaintopisteille x. Jos olemme havainneet havaintopisteen X = x, niin voimme tehdä väliestimaatin [ ( x), ( x)] perusteella parametrin arvosta johtopäätöksen Satunnaista väliä ( x) ( x) [ ( X), ( X)] kutsutaan parametrin väliestimaattoriksi. Huomaa, että satunnaismuuttujien ( X) ja ( X) muodostama pari [ ( X), ( X)] viittaa parametrin väliestimaattoriin, kun taas merkintä [ ( x), ( x)] viittaa väliestimaattorin [ ( X), ( X)] havaittuun tai realisoituneeseen arvoon. avallisesti ( x) ja ( x) ovat äärellisiä, mutta joko ( x) tai ( x) ( x) niin väliestimaattiin liittyvä väite on muotoa Jos taas " ( x)" ( x) niin väliestimaattiin liittyvä väite on muotoa " ( x) " ällöin puhumme yksipuolisista väliestimaateista. Edellä väliestimaatti määriteltiin suljettuna välinä [ ( X), ( X)] mutta väliestimaatti saattaa olla myös avoin väli tai puoliavoin väli tai puoliavoin väli ( ( X), ( X)) [ ( X), ( X)) ( ( X), ( X)] voi olla myös ääretön. Ilkka Mellin (200) 4/5
5 uottamustaso ja luottamusväli Olkoon [ ( X), ( X)] parametrin väliestimaattori. ällöin Pr ( [ ( X ), ( X )]) Pr( [ ( X ), ( X )] ) on todennäköisyys, että väli [ ( X), ( X)] peittää parametrin todellisen arvon. Kutsumme tätä todennäköisyyttä peittotodennäköisyydeksi. uottamusväliin [ ( X), ( X)] liittyvä luottamustaso on peittotodennäköisyyden infimum parametrin suhteen: inf Pr ( [ ( X), ( X)]) uottamustaso ilmoitetaan usein prosentteina, jolloin puhumme 00( ) %:n luottamusvälistä parametrille. Koska parametrin todellinen arvo on tuntematon, myös peittotodennäköisyys Pr ( [ ( X ), ( X )]) on tuntematon ja voimme taata vain sen, että peittotodennäköisyys ei ylitä luottamustasoa. osin monissa tilanteissa peittotodennäköisyys ei riipu parametrista, jolloin peittotodennäköisyys yhtyy luottamustasoon uottamusvälien konstruointi Seuraavassa esitetään kolme luottamusvälien konstruointimenetelmää: testisuureen kääntäminen, saranasuureen käyttö, kertymäfunktion saranointi. Kaikki kolme menetelmää perustavat olennaisesti testisuureen kääntämiseen. estisuureen kääntäminen uottamusjoukkojen ja testien välillä on seuraava yhteys: ause: Olkoon A( 0 ) sellaisen tasoa olevan testin hyväksymisalue, jonka nollahypoteesi on muotoa H : jossa 0 on mielivaltainen parametriavaruuden alkio. Olkoon x havaintopiste ja määritellään joukko C( x) { x A( )} ällöin satunnaisjoukko C(X) on parametrin luottamusjoukko Ilkka Mellin (200) 5/5
6 odistus: Kääntäen, olkoon C(X) on parametrin luottamusjoukko luottamustasolla. ällöin joukko A( ) { x C( x)} on sellaisen tasoa olevan testin hyväksymisalue, jonka nollahypoteesi on muotoa H : Olkoon testauksen kohteena oleva nollahypoteesi muotoa (i) (ii) Saranasuure H : odistetaan lauseen ensimmäinen osa: Koska A( 0 ) on tasoa olevan testin hyväksymisalue, niin ja siten Satunnaismuuttuja Pr ( X A( )) Pr ( X A( )) Koska 0 on mielivaltainen parametriavaruuden alkio, voimme korvata 0 :n merkinnällä. Siten joukon C(X) peittotodennäköisyys toteuttaa epäyhtälön Pr ( C( X)) Pr ( X A( )) joten C(X) on parametrin luottamusjoukko luottamustasolla. odistetaan lauseen toinen osa:. lajin virheen eli hylkäysvirheen todennäköisyys testille, jonka hyväksymisalue on A( ) { x C( x)} toteuttaa epäyhtälön Pr ( X A( )) Pr ( C( X)) 0 0 joten testin taso on. Q X Q X X 2 X n ( ; ) (,,, ; ) sanotaan saranasuureeksi, jos sen jakauma ei riipu mistään parametreista. ällä tarkoitetaan sitä, että jos X F( x; ) niin satunnaismuuttujalla Q(X;) on sama jakauma Ilkka Mellin (200) 6/5
7 Funktio Q(X;) riippuu tavallisesti sekä parametrista että otoksesta X jonkin otostunnusluvun kautta. Sen sijaan todennäköisyys Pr { Q( X; ) A} ei saa riippua parametrista olipa A mikä tahansa (mitallinen) joukko. Jos haluamme konstruoida parametrille luottamusjoukon saranasuureen avulla, meidän on löydettävä sarana Q(x;) ja konstruoitava sellainen joukko A, että parametriavaruuden osajoukko { Q( x; ) A} kelpaa parametrin joukkoestimaatiksi. Kertymäfunktion saranointi Edellisessä kappaleessa nähtiin, että saranasuureen Q löytäminen johtaa muotoa C( x) { a Q( x, ) b} olevaan luottamusjoukkoon. Jos funktio Q(x;) on jokaiselle havaintopisteelle x parametrin monotoninen funktio, niin luottamusjoukko C(x) on aina väli. Esimerkiksi paikka- ja skaalamuunnokset johtavat monotonisiin saranasuureisiin ja siten luottamusväleihin. ause: Jatkuvan kertymäfunktion saranointi Olkoon tunnusluku, jolla on jatkuva kertymäfunktio F (t;). Olkoot ja 2 kiinteitä reaalilukuja ja olkoon + 2 =, jossa 0 < <. Määritellään funktiot (t) ja (t) seuraavalla tavalla: (i) (ii) odistus: Jos F (t;) on jokaiselle t parametrin arvojen vähenevä funktio, niin valitaan funktiot (t) ja (t) niin, että ja F ( t; ( t)) F ( t; ( t)) 2 Jos F (t;) on jokaiselle t parametrin arvojen kasvava funktio, niin valitaan funktiot (t) ja (t) niin, että ja F ( t; ( t)) F ( t; ( t)) ällöin satunnaisväli [ ( ), ( )] on parametrin luottamusväli luottamustasolla. (i) 2 Oletetaan, että olemme konstruoineet tasoa olevan hyväksymisalueen { t F ( t; ) } 0 Ilkka Mellin (200) 7/5
8 (ii) Koska F (t;) on jokaiselle t parametrin arvojen vähenevä funktio ja niin siten 2 > (t) < (t) ja (t) ja (t) ovat yksikäsitteisiä. Koska lisäksi niin avallisesti valitaan F ( t; ) ( t) F ( t; ) ( t) 2 { F ( t; ) } { ( ) ( )} 0 2 Kohta (ii) todistetaan vastaavalla tavalla kuin kohta (i). = 2 = /2 jolloin luottamusväliä sanotaan symmetriseksi. ämä valinta ei kuitenkaan ole välttämättä optimaalinen; ks. kohtaa 5.3. Jos haluamme yksipuolisen luottamusvälin, valitsemme tilanteesta riippuen joko tai = 0 2 = 0 ause: Diskreetin kertymäfunktion saranointi Olkoon diskreetti tunnusluku, jonka kertymäfunktio on F (t;). Olkoot ja 2 kiinteitä reaalilukuja ja olkoon + 2 =, jossa 0 < <. Määritellään funktiot (t) ja (t) seuraavalla tavalla: (i) (ii) Jos F (t;) on jokaiselle t parametrin arvojen vähenevä funktio, niin valitaan funktiot (t) ja (t) niin, että ja Pr( t ( t)) Pr( t ( t)) 2 Jos F (t;) on jokaiselle t parametrin arvojen kasvava funktio, niin valitaan funktiot (t) ja (t) niin, että ja Pr( t ( t)) Pr( t ( t)) Ilkka Mellin (200) 8/5
9 odistus: ällöin satunnaisväli [ ( ), ( )] on parametrin luottamusväli luottamustasolla. (i) (ii) odetaan ensin, että satunnaismuuttuja F (;) on stokastisesti suurempi kuin jatkuvaa tasaista jakaumaa niform(0,) noudattava satunnaismuuttuja X. Stokastinen suuremmuus: Siten Olkoon X FX ja Y FY. Satunnaismuuttuja X on stokastisesti suurempi tai yhtä suuri kuin satunnaismuuttuja Y, jos F ( t) F ( t) X kaikille t. ällöin Y Pr( X t) Pr( Y t) kaikille t. Jos X on stokastisesti suurempi kuin Y, niin satunnaismuuttujalla X on taipumus saada suurempia arvoja kuin satunnaismuuttujalla Y. Pr( F ( ; ) x) x Sama ominaisuus on funktiolla F ( ; ) Pr( t ) joten joukko { F ( ; ) ja F ( ; ) } 2 on parametrin luottamusjoukko luottamustasolla. Koska F (;) on jokaiselle t parametrin arvojen vähenevä funktio, niin F ( ; ) jokaiselle t parametrin arvojen ei-vähenevä funktio. Siten ja ( t) F ( t; ) / 2 ( t) F ( t; ) / 2 { F ( ; ) ja F ( ; ) } { ( ) ( )} 2 Kohta (ii) todistetaan vastaavalla tavalla kuin kohta (i). Ilkka Mellin (200) 9/5
10 5.3. uottamusvälien vertailu Peittotodennäköisyys ja luottamusjoukon koko Oletetaan, että luottamusvälin peittotodennäköisyys kiinnitetään. Miten valitaan lyhyin niistä luottamusväleistä, joilla on sama peittotodennäköisyys? ause: odistus: Olkoon tiheysfunktio f(x) unimodaalinen ja olkoon x funktion f(x) moodi. Oletetaan, että väli [a, b] toteuttaa seuraavat ehdot: b (i) f ( x ) dx a (ii) f ( a) f ( b) 0 (iii) a x b ällöin väli [a, b] on lyhyin niistä väleistä, jotka toteuttavat ehdon (i). Olkoon [a, b ] reaaliakselin suljettu väli, joka toteuttaa ehdon Näytämme, että b a b a b a f ( x) dx arkastelemme vain tapausta a a. apaus a > a todistetaan vastaavalla tavalla. Jaetaan todistus kahteen osaan sen mukaan onko b a vai b > a. Olkoon b a. ällöin ja siten a b a x b a f ( x) dx f ( b)( b a) x b x f ( x) f ( b) joten tapaus b a on todistettu. Olkoon b > a. ällöin sillä, jos f ( a)( b a) b a x f ( b) f ( a) a a < b < b b b b f ( x) dx b a b a ja f ( a) 0 a (ii),(iii) ja unimodaalisuus f ( x) f ( a), kun a x Ilkka Mellin (200) 0/5
11 niin tällöin b a b a mikä on vastoin oletusta. Siten f ( x) dx f ( x) dx f ( x) dx f ( x) dx b b a b a a a b a b ( ) f ( x) dx f ( x) dx a b ja siten väite on todistettu, jos hakasulkulauseke [] on negatiivinen. Koska funktio f(x) on unimodaalinen ja a a < b < b niin kohdasta (ii) seuraa, että ja Siten a f ( x ) dx f ( a )( a a ) a b f ( x ) dx f ( b )( b b ) b a a b f ( x ) dx f ( x ) dx f ( a )( a a ) f ( b )( b b ) b f ( a)[( a a) ( b b)] f ( a) f ( b) f ( a)[( b a) ( b a)] mikä on negatiivinen, jos b a < b a ja f(a) > 0 Siten myös tapaus b a on todistettu. uottamusvälien optimaalisuus ja testit Koska luottamusvälien ja testien välillä on kääntäen yksikäsitteinen vastaavuus (ks. kappale 5.2), on luontevaa, että luottamusvälin optimaalisuuden käsite määritellään sellaisella tavalla, että se heijastelee jollakin tavalla vastaavan testin optimaalisuutta. uottamusvälin optimaalisuutta ei kuitenkaan kannata liittää suoraan testin kokoon, vaan todennäköisyyteen sille, että väärä parametrin arvo tulee peitetyksi. odennäköisyys sille, että väärä parametrin arvo tulee peitetyksi mittaa epäsuorasti luottamusjoukon kokoa. Koska pieni luottamusjoukko peittää pienemmän osan parametrin mahdollisista arvoista kuin suuri luottamusjoukko, niin todennäköisyys sille, että luottamusjoukko peittää vääriä parametrin arvoja pitäisi olla pienelle joukolle pienemmän kuin suurelle Ilkka Mellin (200) /5
12 Alla esitetään yhtälö, joka liittää toisiinsa luottamusjoukon koon ja todennäköisyyden peittää väärä parametrin arvo. arkastellaan yleistä tilannetta, jossa otoksen X = (X, X 2,, X n ) yhteisjakauman pistetodennäköisyys- tai tiheysfunktio on f(x;). Olkoon A() sellaisen tasoa olevan testin hyväksymisalue, jonka nollahypoteesi on muotoa H : Konstruoidaan parametrille luottamusjoukko C(X) luottamustasolla kääntämällä hyväksymisalue A(). uottamusjoukkoon C(X) liittyvä todennäköisyys sille, että oikea parametrin arvo tulee peitetyksi eli peittotodennäköisyys on parametrin funktio. Pr ( C( X )) odennäköisyys sille, että väärä parametrin arvo tulee peitetyksi, on parametrin arvojen ja funktio, jonka määrittelee todennäköisyys peittää parametrin arvo, kun oikea parametrin arvo on. ämän todennäköisyyden antaa kaavat Pr ( C ( X )),, jos C ( X ) [ ( X ), ( X )] Pr ( C ( X )),, jos C ( X ) [ ( X ), ] Pr ( C ( X )),, jos C ( X ) [, ( X )] uottamusjoukkoa, joka minimoi todennäköisyyden peittää väärä parametrin arvo niiden luottamusjoukkojen luokassa, joiden luottamustaso on, kutsutaan tasaisesti kaikkein tarkimmaksi. ause: Olkoon X f ( x; ) jossa on reaaliarvoinen parametri. arkastellaan tasaisesti voimakkainta tasoa olevaa testiä nollahypoteesille H : vaihtoehtoista hypoteesia H : 0 0 (H : ) vastaan. Olkoon A ( 0 ) testin hyväksymisalue ja olkoon C (x) hyväksymisalue A ( 0 ) kääntämällä muodostettu parametrin luottamusjoukko luottamustasolla. Jos C on jokin toinen parametrin luottamusjoukko luottamustasolla, niin kaikille < ( > ). Pr ( C ( X)) Pr ( C( Ilkka Mellin (200) 2/5
13 odistus: Olkoon <. Olkoon C parametrin luottamusjoukko luottamustasolla. arkastellaan tasoa olevaa testiä nollahypoteesille H : 0 joka on muodostettu kääntämällä C ja olkoon A( ) testin hyväksymisalue. Koska A ( ) on hyväksymisalue tasaisesti voimakkaimmalle testille nollahypoteesille H : vaihtoehtoista hypoteesia 0 H : vastaan ja koska >, niin Pr ( C ( X)) Pr ( X A ( )) Käännetään luottamusjoukko C hyväksymisalueeksi A Pr ( X A( )) A on tasaisesti voimakkaimman testin hyväksymisalue Pr ( C( X)) Käännetään hyväksymisalue A luottamusjoukoksi C Koska molemmat hyväksymisalueen todennäköisyydet tässä epäyhtälöketjussa ovat testin voimakkuus niin näemme, että tasaisesti voimakkain testi minimoi hyväksymisalueen todennäköisyyden. Siten olemme näyttäneet, että tapauksessa < todennäköisyys sille, että väärä parametrin arvo tulee peitetyksi minimoituu, jos luottamusjoukko konstruoidaan kääntämällä tasaisesti voimakkain testi nollahypoteesille H : vaihtoehtoista hypoteesia vastaan. 0 H : apaus > todistetaan vastaavalla tavalla. Harhattomuus on eräs keskeisistä vaatimuksista testeille (ks. lukua 4). Koska testien ja luottamusjoukkojen välillä on edellä esitetty vastaavuus, harhattomuuden käsite on syytä pyrkiä liittämään myös luottamusjoukkoihin. Kutsumme luottamusjoukkoa C(x) luottamustasolla ( )-harhattomaksi, jos kaikille. Pr ( C ( Ilkka Mellin (200) 3/5
14 Jos luottamusjoukko on harhaton, todennäköisyys, että väärä parametrin arvo tulee peitetyksi on korkeintaan yhtä suuri kuin pienin mahdollinen todennäköisyys sille, että oikea parametrin arvo tulee peitetyksi. Harhaton luottamusjoukko voidaan konstruoida kääntämällä harhaton testi. Olkoon siis A( 0 ) harhattoman tasoa olevan testin hyväksymisalue, kun testattavana on nollahypoteesi H : vaihtoehtoista hypoteesia H : 0 vastaan. Konstruoidaan parametrille luottamusjoukko C(x) luottamustasolla kääntämällä hyväksymisalue A( 0 ). ällöin luottamusjoukko C(x) on harhaton. Prattin teoreema: odistus: Olkoon reaaliarvoisen satunnaismuuttujan X pistetodennäköisyys- tai tiheysfunktio f ( x ; ), jossa on reaaliarvoinen parametri. Olkoon C( x) [ ( x), ( x)] parametrin luottamusväli luottamustasolla. Jos (x) ja (x) ovat molemmat muuttujan x kasvavia (väheneviä) funktioita, niin kaikille. E ( ( X ) ( X )) Pr ( C( X )) d odistamme Prattin teoreeman vain siinä tapauksessa, että luottamusvälin C(x) päätepisteet (x) ja (x) ovat molemmat muuttujan x kasvavia funktioita. Odotusarvon määritelmän mukaan E ( ( X ) ( X )) ( ( x) ( x)) f ( x; ) dx Odotusarvon määritelmä ( x) d f ( x; ) dx on dummy-muuttuja ( x) ( ) f ( x; ) dx d Integroimisjärjetyksen vaihto ( ) Pr ( ( ) X ( )) Määritelmä Pr ( C( X )) d Käännetään hyväksymisalue = Pr ( C( X )) d Yhden pisteen tn 0 d jossa on kaikkien mahdollisten pisteiden x Ilkka Mellin (200) 4/5
15 Integroimisjärjestyksen vaihto yo. yhtälöketjussa voidaan perustella Fubinin lauseen avulla, mutta voidaan helposti nähdä oikeutetuksi myös suoraan olettaen, että kaikki integroitavat ovat äärellisiä. Hyväksymisalueen kääntäminen perustuu siihen, että ja oletettiin kasvaviksi, jolloin { ( x) ( x)} x { x ( ) x ( )} Prattin teoreeman mukaan väliestimaattorin pituuden C( X ) [ ( X ), ( X )] ( X ) ( X ) odotusarvo yhtyy summaan (so. integraaliin) todennäköisyyksistä sille, että väärä parametrin arvo tulee Ilkka Mellin (200) 5/5
Tilastollinen päättely. 5. Väliestimointi. 5.1. Johdanto. 5.2. Luottamusvälien konstruointi. 5.3. Luottamusvälien vertailu
ilastollinen päättely 5.. Johdanto Estimointi, Joukkoestimointi, Kriittinen alue, uottamusjoukko, uottamustaso, uottamusväli, Otos, Parametri, Peittotodennäköisyys, Piste estimointi, Väliestimaatti, Väliestimaattori,
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).
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
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
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 8. marraskuuta 2007 Antti Rasila () TodB 8. marraskuuta 2007 1 / 18 1 Kertausta: momenttimenetelmä ja suurimman uskottavuuden menetelmä 2 Tilastollinen
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio TKK (c) Ilkka Mellin (2007) 1 Kertymäfunktio >> Kertymäfunktio: Määritelmä Diskreettien jakaumien
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 2. luento: Tilastolliset testit Kai Virtanen 1 Tilastollinen testaus Tutkimuksen kohteena olevasta perusjoukosta esitetään väitteitä oletuksia joita
LisätiedotJohdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Kertymäfunktio TKK (c) Ilkka Mellin (2005) 1 Kertymäfunktio Kertymäfunktio: Määritelmä Diskreettien jakaumien kertymäfunktiot Jatkuvien jakaumien kertymäfunktiot TKK (c)
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
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
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
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
LisätiedotTehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
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
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
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
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
LisätiedotTestit laatueroasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit laatueroasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit laatueroasteikollisille muuttujille >> Laatueroasteikollisten
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
LisätiedotHarjoitus 7: NCSS - Tilastollinen analyysi
Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJohdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2005) 1 Normaalijakaumasta johdettuja jakaumia Johdanto χ 2 -jakauma F-jakauma t-jakauma TKK (c) Ilkka Mellin
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
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
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.
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Satunnaismuuttujat ja todennäköisyysjakaumat Mitä tänään? Jos satunnaisilmiötä halutaan mallintaa matemaattisesti, on ilmiön tulosvaihtoehdot kuvattava numeerisessa muodossa. Tämä tapahtuu liittämällä
LisätiedotNormaalijakaumasta johdettuja jakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Normaalijakaumasta johdettuja jakaumia TKK (c) Ilkka Mellin (2007) 1 Normaalijakaumasta johdettuja jakaumia >> Johdanto χ 2 -jakauma F-jakauma
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
LisätiedotJohdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (5) 1 Momenttiemäfunktio ja karakteristinen funktio Momenttiemäfunktio Diskreettien jakaumien momenttiemäfunktioita
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu
10.1.2019/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 10.1.2019 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2018 10.1.2019/2
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio
Ilkka Mellin Todennäköisyyslaskenta Osa : Satunnaismuuttujat ja todennäköisyysjakaumat Momenttiemäfunktio ja karakteristinen funktio TKK (c) Ilkka Mellin (7) 1 Momenttiemäfunktio ja karakteristinen funktio
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 20. syyskuuta 2007 Antti Rasila () TodB 20. syyskuuta 2007 1 / 17 1 Kolmogorovin aksioomat σ-algebra Tapahtuman todennäköisyys 2 Satunnaismuuttujat Todennäköisyysjakauma
LisätiedotMTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu
5.3.2018/1 MTTTA1 Tilastomenetelmien perusteet 5 op Luento 5.3.2018, osa 1 1 Kokonaisuudet johon opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=14600 &idx=1&uilang=fi&lang=fi&lvv=2017
LisätiedotLisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia
Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia KE (2014) 1 Hypergeometrinen jakauma Hypergeometrinen jakauma
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotTestit järjestysasteikollisille muuttujille
Ilkka Mellin Tilastolliset menetelmät Osa 3: Tilastolliset testit Testit järjestysasteikollisille muuttujille TKK (c) Ilkka Mellin (2007) 1 Testit järjestysasteikollisille muuttujille >> Järjestysasteikollisten
LisätiedotHarjoitus 2: Matlab - Statistical Toolbox
Harjoitus 2: Matlab - Statistical Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen tavoitteet Satunnaismuuttujat ja todennäköisyysjakaumat
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 16. marraskuuta 2007 Antti Rasila () TodB 16. marraskuuta 2007 1 / 15 1 Epäparametrisia testejä χ 2 -yhteensopivuustesti Homogeenisuuden testaaminen Antti
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)
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotSatunnaismuuttujien muunnokset ja niiden jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2007) 1 Satunnaismuuttujien muunnokset ja
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
Lisätiedotχ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut
Mat-2.091 Sovellettu todennäköisyyslasku /Ratkaisut Aiheet: Yhteensopivuuden testaaminen Homogeenisuuden testaaminen Riippumattomuuden testaaminen Avainsanat: Estimointi, Havaittu frekvenssi, Homogeenisuus,
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotJohdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat TKK (c) Ilkka Mellin (2004) 1 Satunnaismuuttujien muunnokset ja niiden jakaumat Satunnaismuuttujien muunnosten jakaumat
LisätiedotTilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta
Tilastollisen analyysin perusteet Luento 1: ja hajonta Sisältö Havaittujen arvojen jakauma Havaittujen arvojen jakaumaa voidaan kuvailla ja esitellä tiivistämällä havaintoarvot sopivaan muotoon. Jakauman
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-2.2104 Tilastollisen analyysin perusteet, kevät 2007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen 1 Jakaumaoletuksien testaamiseen soveltuvat testit χ 2 -yhteensopivuustesti yksi otos otoksen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A050 Todennäköisyyslaskennan ja tilastotieteen peruskurssi B Satunnaismuuttujat ja todennäköisyysjakaumat Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään, tiedetään, että ainakin
LisätiedotVerkot ja todennäköisyyslaskenta Verkko Verkko eli graafi muodostuu pisteiden joukosta V, särmien joukosta A ja insidenssikuvauksesta : A V V jossa
Mat-.6 Sovellettu todennäköisyyslaskenta B Mat-.6 Sovellettu todennäköisyyslaskenta B / Ratkaisut Aiheet: Verkot ja todennäköisyyslaskenta Satunnaismuuttujat ja todennäköisyysjakaumat Kertymäfunktio Jakaumien
LisätiedotLuku 10. Bayesläiset estimaattorit Bayesläiset piste-estimaatit. Lasse Leskelä Aalto-yliopisto 18. lokakuuta 2017
Luku 1 Bayesläiset estimaattorit Lasse Leskelä Aalto-yliopisto 18. lokakuuta 217 1.1 Bayesläiset piste-estimaatit Tarkastellaan datalähdettä, joka tuottaa tiheysfunktion f(x θ) mukaan jakautuneita riippumattomia
LisätiedotValitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.
9.10.2018/1 MTTTP1, luento 9.10.2018 KERTAUSTA TESTAUKSESTA, p-arvo Asetetaan H 0 H 1 Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi. Lasketaan otoksesta testisuureelle arvo. 9.10.2018/2
LisätiedotOdotusarvoparien vertailu. Vilkkumaa / Kuusinen 1
Odotusarvoparien vertailu Vilkkumaa / Kuusinen 1 Motivointi Viime luennolta: yksisuuntaisella varianssianalyysilla testataan nollahypoteesia H 0 : μ 1 = μ 2 = = μ k = μ Jos H 0 hylätään, tiedetään, että
LisätiedotYksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1
Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1 Odotusarvoparien vertailu Jos yksisuuntaisen varianssianalyysin nollahypoteesi H 0 : µ 1 = µ 2 = = µ k = µ hylätään tiedetään, että ainakin kaksi
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 5
MS-A Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko Tilastollinen testaus Tilastollisten testaaminen Tilastollisen tutkimuksen kohteena olevasta perusjoukosta on esitetty jokin väite tai
LisätiedotMTTTP5, luento Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta)
MTTTP5, luento 7.12.2017 7.12.2017/1 6.1.3 Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta) y = lepopulssi x = sukupuoli y = musikaalisuus x = sukupuoli
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 6A Tilastolliset luottamusvälit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.04 Tilastollisen analyysin perusteet, kevät 007 4. luento: Jakaumaoletuksien testaaminen Kai Virtanen Jakaumaoletuksien testaamiseen soveltuvat testit χ -yhteensopivuustesti yksi otos otoksen vertaaminen
LisätiedotTilastollisen analyysin perusteet Luento 2: Tilastolliset testit
Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit Sisältö Tilastollisia testejä tehdään jatkuvasti lukemattomilla aloilla. Meitä saattaa kiinnostaa esimerkiksi se, että onko miesten ja
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
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
LisätiedotTodennäköisyyden ominaisuuksia
Todennäköisyyden ominaisuuksia 0 P(A) 1 (1) P(S) = 1 (2) A B = P(A B) = P(A) + P(B) (3) P(A) = 1 P(A) (4) P(A B) = P(A) + P(B) P(A B) (5) Tapahtuman todennäköisyys S = {e 1,..., e N }. N A = A. Kun alkeistapaukset
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
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
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 4A Parametrien estimointi Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016, periodi
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Bayesläiset piste- ja väliestimaatit Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
Lisätiedot11. laskuharjoituskierros, vko 15, ratkaisut
11. laskuharjoituskierros vko 15 ratkaisut D1. Geiger-mittari laskee radioaktiivisen aineen emissioiden lukumääriä. Emissioiden lukumäärä on lyhyellä aikavälillä satunnaismuuttuja jonka voidaan olettaa
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat TKK (c) Ilkka Mellin (2006) 1 Moniulotteiset satunnaismuuttujat ja
Lisätiedot1 sup- ja inf-esimerkkejä
Alla olevat kohdat (erityisesti todistukset) ovat lähinnä oheislukemista reaaliluvuista, mutta joihinkin niistä palataan myöhemmin kurssilla. 1 sup- ja inf-esimerkkejä Nollakohdan olemassaolo. Kaikki tuntevat
LisätiedotKonvergenssilauseita
LUKU 4 Konvergenssilauseita Lause 4.1 (Monotonisen konvergenssin lause). Olkoon (f n ) kasvava jono Lebesgueintegroituvia funktioita. Asetetaan f(x) := f n (x). Jos f n
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 4. lokakuuta 2007 Antti Rasila () TodB 4. lokakuuta 2007 1 / 17 1 Moniulotteiset todennäköisyysjakaumat Johdanto Kaksiulotteiset satunnaismuuttujat Kaksiulotteisen
Lisätiedot3. laskuharjoituskierros, vko 6, ratkaisut
Mat-.9 Sovellettu todennäköisyyslasku, kevät - eliövaara, Palo, Mellin. laskuharjoituskierros, vko 6, ratkaisut D. Uurnassa A on 4 valkoista ja 6 mustaa kuulaa ja uurnassa B on 6 valkoista ja 4 mustaa
LisätiedotLuottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.
6.10.2016/1 MTTTP1, luento 6.10.2016 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla
LisätiedotTilastollisia peruskäsitteitä ja Monte Carlo
Tilastollisia peruskäsitteitä ja Monte Carlo Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Tilastollisia peruskäsitteitä ja Monte Carlo 1/13 Kevät 2003 Tilastollisia
LisätiedotTodennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset
Todennäköisyyslaskenta IIa, syys lokakuu 2019 / Hytönen 3. laskuharjoitus, ratkaisuehdotukset 1. Olkoon X satunnaismuuttuja, ja olkoot a R \ {0}, b R ja Y = ax + b. (a) Olkoon X diskreetti ja f sen pistetodennäköisyysfunktio.
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Tilastollisen merkitsevyyden testaus Osa II Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotHY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia
HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 14..2017 Ratkaisuehdotuksia 1. Olkoon θ positiivinen parametri, ja asetetaan 2θ 1 y exp y 2 /θ), kun y > 0 fy; θ) = 0, muuten
LisätiedotIlkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Jakaumien tunnusluvut. TKK (c) Ilkka Mellin (2007) 1
Ilkka Mellin Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Jakaumien tunnusluvut TKK (c) Ilkka Mellin (2007) 1 Jakaumien tunnusluvut >> Odotusarvo Varianssi Markovin ja Tshebyshevin
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 22. marraskuuta 2007 Antti Rasila () TodB 22. marraskuuta 2007 1 / 17 1 Epäparametrisia testejä (jatkoa) χ 2 -riippumattomuustesti 2 Johdatus regressioanalyysiin
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I. Mitkä seuraavista funktioista F, F, F ja F 4 ovat kertymäfunktioita? Mitkä
Lisätiedot= 5! 2 2!3! = = 10. Edelleen tästä joukosta voidaan valita kolme särmää yhteensä = 10! 3 3!7! = = 120
Tehtävä 1 : 1 Merkitään jatkossa kirjaimella H kaikkien solmujoukon V sellaisten verkkojen kokoelmaa, joissa on tasan kolme särmää. a) Jokainen verkko G H toteuttaa väitteen E(G) [V]. Toisaalta jokainen
LisätiedotVALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170
VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE 4.6.2013 Ratkaisut ja arvostelu 1.1 Satunnaismuuttuja X noudattaa normaalijakaumaa a) b) c) d) N(170, 10 2 ). Tällöin P (165 < X < 175) on likimain
LisätiedotMatematiikan johdantokurssi, syksy 2016 Harjoitus 11, ratkaisuista
Matematiikan johdantokurssi, syksy 06 Harjoitus, ratkaisuista. Valitse seuraaville säännöille mahdollisimman laajat lähtöjoukot ja sopivat maalijoukot niin, että syntyy kahden muuttujan funktiot (ks. monisteen
LisätiedotMoniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia. Moniulotteisia todennäköisyysjakaumia: Mitä opimme?
TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (4) Moniulotteisia todennäköisyysjakaumia: Mitä
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 5B Frekventistiset vs. bayeslaiset menetelmät Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotJatkuvat satunnaismuuttujat
Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään
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
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