Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.
|
|
- Annemari Penttilä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Määritelmä 4.3. Estimaattoria X(Y ) nimitetään lineaariseksi projektioksi, jos X on lineaarinen kuvaus ja E[(X X(Y )) Y] 0 }{{} virhetermi Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio. Todistus. Estimoidaan satunnaismuuttujaa X satunnaisvektorin Y (Y,..., Y n ) avulla Näytetään, että kaikista lineaarisista estimaattoreista {g(y) β Y : β R n } lineaarinen projektio α Y antaa pienimmän keskineliövirheen Suoralla laskulla nähdään, että E[ X β Y 2 ]. E[ X β Y 2 ] E[ (X α Y) + (α β) Y 2 ] E[ X α Y 2 ] + 2E[(X α Y)(α β) Y] + E[ (α β) Y 2 ] E[ X α Y 2 ] + 2 (α β) E[(X α Y)Y] + E[ (α β) Y 2 ]. }{{}}{{}}{{} ei riipu β:sta 0 0minimi, kun βα Huomautus Koska lineaaristen kuvausten joukko on suppeampi kuin kaikkien (Borel-mitallisten) kuvausten joukko, niin E[ X E[X Y ] 2 ] E[ X P (Y ) 2 ]. Lemma 4.. Olkoon X α 0 + α Y linearrinen projektio, missä α (α,..., α n ) R n ja Y on n-ulotteinen satunnaisvektori. Silloin kertoimet α 0,..., α n toteuttavat yhtälön EY ] E[Y 2 ] E[Y n ] E[Y ] E[Y] 2 EY Y 2 ] E[Y Y n ] α 0 E[X] E[Y 2 ] E[Y 2 Y ] E[Y2] 2... E[Y 2 Y n ] α E[XY ].. E[Y n ] E[Y n Y ] E[Yn] 2 α n E[XY n ] Todistus. Merkitään Z (, Y,..., Y n ). Projektion kertoimet α k määräytyvät yhtälöstä joka voidaan kirjoitta matriisiyhtälönä. 0 E[(X α Z)Z] E[XZ] E[(X α Z)Z] E[XZ k ] E[Z j Z k ]α j, j 3
2 Esimerkki 4.3. Tarkastellaan AR()-prosessia X t c + φx t + ε t Valitaan Y X t ja lasketaan estimaattorin X t α 0 + α X t kertoimet Lemman 4. avulla. Matriisiyhtälö on [ α0 α ] [ ] [ ] E[Xt ] E[Xt ] E[X t ] E[Xt ] 2 E[X t X t ] [ ] c [ c φ ( σ 2 φ 2 φ σ 2 + c2 φ 2 ( φ) 2 ) [( c φ σ 2 φ φ 2 + ) σ 2 + c2 φ 2 ( φ) 2 c2 ( φ) 2 c φ c φ ] ] [ c φ σ 2 φ φ 2 + c2 ( φ) 2 Lineaarinen pienimmän neliökeskivirheen estimaattori on silloin muotoa X t c + φx t, joka on samaa muotoa kuin MMSE-estimaattori riippumattoman valkoisen kohinan tapauksessa. Erityisesti X on harhaton. Kun valkoisen kohinan ε t komponenttien riippumattomuus korvataan korreloimattomuudella käytetään lineaarisia projektioita. Sivuutamme seuraavan lauseen todistuksen. Lause 4.3. Yllä johdetut ARMA(p,0)-prosessien MMSE-estimaattorit (4.2.5) ja (4.2.6) ovat harhattomia lineaarisia pienimmän keskineliövirheen ennusteita. ] [ ] c φ 4.4 Tapaus: Äärellinen historia Edellä nähtiin, että AR(p)-prosessin seuraavat arvot on yksinkertaista ennustaa äärellisen monen arvon perusteella, kunhan riittävän monta arvoa tunnetaan. Sen sijaan yllä johdetut MA- tai ARMA-prosessin ennusteet vaativat äärettömän pitkän historian tuntemisen. Oletetaan, että tunnetaan vain prosessin äärellinen historia Y t : (X t, X t,..., X t M ). ja pyritään ennustamaan arvoa X t+s, missä s. Ennusteeksi voidaan ottaa lineaarinen pienimmän keskineliövirheen estimaatti X t+ α 0 + α Y t. Kertoimet α 0 ja α R M+ määrätään Lemman 4. avulla. 32
3 Heikosti stationäärisen ARMA-prosessin tapauksessa ennusteen odotusarvo on E[α 0 + α Y t ] α 0 + µ missä µ on prosessin X t odotusarvo. α k, Ennusteella on pienin keskineliövirhe kaikkien lineaaristen ennusteiden joukossa. Keskineliövirheen suuruus on E[ X t+s α 0 α Y t 2 ] E[ X t+s µ + µ α 0 α Y t 2 ] 2E[(X t+s µ)(µ α 0 µ α k α Y t + µ α k )] k k k +Γ(0) + E[(µ α 0 α Y t ) 2 ] Γ(0) + (µ α 0 µ α k ) 2 2E[(X t+s µ)(α Y t m)] k +E[(α Y t m) 2 ] Γ(0) α (Γ(s), Γ(s ),..., Γ(s n)) +(µ α 0 µ α k ) 2. k 33
4 5. Aikasarjan estimointi Esimerkki 5.. Uusien kalojen lukumäärä vesistössä muodostaa aikasarjan X t. rec Aika t Kuva 5.: Näyte aikasarjasta X t (uusien kalojen lukumäärä vesistössä) Aikasarjan ennustamiseen tarvitaan aikasarjamalli. Mikä aikasarjamalli on kyseessä? Lähdetään estimoimaan heikosti stationäärisen aikasarjan parametrejä. ARMA-mallin kertoimia Valkoisen kohinan ε t varianssia σ 2. ARMA-mallin astetta X t c + φx t + ε t + θ ε t.??? ARMA(p, q).? Aikasarjan havaintovektorista (X,..., X n ) on annettu näyte X a,..., X n a n. Aikasarjojen estimointimenetelmiä ovat edelleen aktiivisia tutkimusaiheita ja alalla tapahtuu jatkuvaa kehitystä. Tällä kurssilla opitaan eräitä klassisia estimointimenetelmiä. 5. ML-menetelmä ML tulee sanoista Maximum Likelihood estimation. 34
5 Estimoidaan ARMA(p, q)-mallin parametreja Φ : (c, φ,..., φ n, θ,..., θ n, σ). ML-menetelmässä on tiivistetysti kyse todennäköisyystiheysfunktion maksimoimisesta otospisteissä. Määritelmä 5.. Olkoon X t ARMA(p, q)-prosessi, jonka parametrit ovat Φ (c, φ,..., φ p, θ,..., θ q, σ). Kun prosessista on tehty havainto (X,..., X n ) a R n, niin funktiota L(Φ) f(a; Φ), missä f(x; Φ) on satunnaisvektorin (X,..., X n ) tntf, sanotaan likelihood-funktioksi (tai uskottavuusfunktioksi). Havaintoon a pohjautuva parametrien ML-estimaatti eli suurimman uskottavuuden estimaatti on Φ argmaxf(a; Φ) Φ (Merkintä argmax g tarkoittaa funktion g maksimikohtaa, esim. x 0 ; EI siis maksimin arvoa g(x 0 )). 5.. Kertaus multinormaalijakaumista Määritelmä 5.2. Sanotaan, että satunnaisvektorilla Z (Z,..., Z n ) on multinormaalijakauma eli Gaussinen jakauma, jos sen komponenttien lineaarinen yhdiste k a kz k on normaalijakautunut kaikilla a (a,..., a n ) R n. Palautetaan mieleen, että m E[Z], jos ja vain jos m k E[Z k ] jokaisella k,..., m. Kovarianssimatriisi C ij E[(Z i m i )(Z j m j )], i, j,..., n. Lemma 5.. Olkoon Z (Z,..., Z n ) Gaussinen satunnaisvektori. Tällöin satunnaisvektorilla Z on odotusarvo ja kovarianssimatriisi Todistus. Jokaisella a (a,..., a n ) pistetulo a Z on normaalijakautunut. Erityisesti, kun a k δ k,j on a Z Z j normaalijakautunut. Tällöin E[Z j ] m j on olemassa. Lisäksi Cauchy-Schwartzin epäyhtälön nojalla E[ (Z k m k )(Z j m j ) ] E[(Z k m k ) 2 ] 2 E[(Zj m j ) 2 ] 2 <. Täten kovarianssimatriisi on myös olemassa. Määritelmä 5.3. Merkintä Z N(m, C) tarkoittaa, että satunnaisvektorilla Z on multinormaalijakauma ja sen odotusarvo on m ja kovarianssimatriisi on C. 35
6 Palautetaan mieleen, että satunnaisvektorin (X,..., X n ) todennäköisyystiheysfunktio f : R n [0, ) on usean muuttujan ei-negatiivinen funktio, jonka integraali f(x)dx. R n Moniulotteisia integraaleja voi merkitä monella eri tapaa; R n f(x,..., x n )dx dx n f(x, y)dxdy f(x, y, z)dxdydz. Näistä ensimmäinen on paras korkeaulotteisissa tapauksissa. Esimerkki 5.2. Kaikilla n-ulotteisilla Gaussisilla satunnaisvektoreilla ei ole todennäköisyystiheysfunktiota avaruudessa R n. Esimerkiksi jos satunnaismuuttuja X N(0, ), niin Gaussisella satunnaisvektorilla Z (X, X) ei ole todennäköisyystiheysfunktiota avaruudessa R 2, sillä sen arvot ovat suoralla S {(x, x 2 ) R 2 : x x 2 }. ja R 2 I S dx 0. Tällaisilla satunnaisvektoreilla sanotaan olevan degeneroitunut jakauma. Lemma 5.2. Gaussisen satunnaisvektorin komponentit ovat riippumattomia jos ja vain jos ne ovat korreloimattomia. Todistus. Riittää tarkastella tapaus m 0. Käytetään riippumattomuuden näyttämiseen karakteristista funktiota: Satunnaismuuttujat Z,..., Z n ovat riippumattomia jos ja vain jos n E[e iα Z ] E[e iα kz k ] (5..) k jokaisella α (α,..., α n ) R n. Sekä α Z että Z k ovat normaalisti jakautuneita ja α Z N(0, α T Cα). Tällöin yhtälön (5..) vasen puoli on E[e iα Z ] e 2 αt Cα ja oikea puoli on e 2 n k C kkα 2 k. Lause 5.. Satunnaivektorilla Z (Z,..., Z n ) N(m, C) on tiheysfunktio f : R n [0, ) jos ja vain jos sen kovarianssimatriisi C on positiivisesti definiitti 2. Esitä kaksiulotteinen integrointialue suoran ylä- ja alapuolen yhdisteenä 2 eli kaikki ominaisarvot ovat positiivisia. 36
7 Todistus. Oletetaan, että Cx 0 jollakin yksikkövektorialla x R n 3. Tällöin E[((Z m) x) 2 ] x j x k C jk x T Cx 0. j,k Satunnaisvektori Z komponentti yksikkövektorin x suuntaan on silloin aina vakio ja satunnaisvektorin Z arvot kuuluvat avaruuden R n hypertasoon. Koska hypertaso on euklidisen avaruuden nollajoukko, ei satunnaisvektorilla Z voi olla todennäköisyystiheysfunktiota. Oletetaan sitten, että matriisin C kaikki ominaisarvot ovat positiivisia. Matriisin ominaisarvohajotelman C UΓU T avulla voidaan määritellä matriisin neliöjuuri C 2 UΓ 2 U T. Määrätään satunnaisvektorin C 2 (Z m) odotusarvo ja kovarianssimatriisi: E[ (C 2 )jk (Z m) k ] 0 ja E[ k (C 2 )jk (Z m) k (C 2 )j k (Z m) k ] (C 2 )jk C kk (C 2 )j k δ j,j. k k k,k Täten vektori (C 2 )(Z m) on korreloimaton ja normaalijakautunut. Sen tntf on Lemman 5.2 nojalla g(z) ( 2π) exp( z 2 n 2 k). Satunnaismuuttujan Z tntf saadaan muuttujanvaihdolla x C 2 z + m. Lause 5.2. Satunnaisvektori Z (Z,..., Z n ) N(m, C), missä C on positiivisesti definiitti, jos ja vain jos satunnaisvektorin Z tntf on f(x) ( (2π)n det(c) exp ) 2 (x m)t C (x m), x R n Todistus. Muuttujanvaihdolla, kuten edellä olevassa lauseessa 5.. Esimerkki 5.3. Olkoon Z (Z, Z 2 ), missä Z ja Z 2 ovat riippumattomia normaalijakautuneita satunnaismuuttujia. Kahden riippumattomien normaalijakautuneen satunnaismuuttujan Z N(0, σ) 2 ja Z 2 N(0, σ2) 2 yhteistntf on niiden tntf:n tulo f(x, x 2 ) ( 2πσ 2 exp ( 3 Miksi C ei voi olla negatiivisesti definiitti? x 2 2σ 2 k ) ) ( exp 2πσ 2 ( x 2 2σ 2 2 ) ) ( ( 2π) 2 exp σσ x2 σ 2 ) 2 x2 2σ2 2 ( ( ( 2π) 2 σ2 0 0 σ ) 2 2 exp [ ] σ 2 [x 2 [ ] ) x 2 ] 0 x 0 σ2 2 x 2 37
8 z Esimerkki 5.4. Olkoon m (0, 3) ja jolloin C [ ], 2 C det(c) Adj(C) [ ] 2. Silloin satunnaisvektorin (Z, Z 2 ) N(m, C) tntf on f(x, x 2 ) ( 2π exp [ ] [ ]) 2 2 [x x x 2 3] x 2 3 ( 2π exp [ ]) 2 [x 2x x x 2 3] x + x 2 3 ( 2π exp ) 2 (2x2 2x x 2 + x 2 2 6x 2 + 9) Kuva 5.2: Multinormaalijakauma f(x, x 2 ) Kaksiulotteinen normaalijakauma x x Likelihood-funktio Asetetaan havaintovektorille (X,..., X n ) ARMA(p, q)-malli X t c + φ X t + + φ p X t p + ε t + θ ε t + + θ q ε t q X t φ X t φ p X t p, 38
9 missä polynomien φ(z) φ z φ p z p (stationäärisyys) ja θ(z) θ z θ q z q (käännettävyys) kaikki nollakohdat ovat yksikköympyrän ulkopuolella. Tarkastellaan vain Gaussista tapausta: Oletetaan, että valkoinen kohina ε t N(0, σ 2 ). Voidaan näyttää, että prosessi X t on tällöin Gaussinen siinä mielessä, että satunnaisvektoreilla (X t,..., X tn ) on multinormaalijakauma kaikilla indekseillä t,..., t n ja n N. Erityisesti havaintovektorilla (X,..., X n ) on multinormaalijakauama Havaintovektorin (X,..., X n ) N(m, C) tntf on f(x) ( (2π)n C exp ) 2 (x m)t C (x m). Odotusarvo m (m,..., m n ), missä m k E[X k ] c φ φ p ja kovarianssimatriisin C määrää autokovarianssifunktio C kj Γ(k j), k, j,..., n. Kovarianssimatriisi ja odotusarvo riippuvat parametrien Φ (c, φ,..., φ n, θ,..., θ n, σ) arvoista. Kirjoitetaan siksi C C(Φ) ja m m(φ) ja f(x; Φ) ( (2π)n C(Φ) exp ) 2 (x m(φ)t C(Φ) (x m(φ)). Esimerkki 5.5 (AR()-prosessin likelihood-funktio). Tarkastellaan AR()-prosessia X t c + φx t + ε t µ + φ(x t µ) + ε t, missä φ < ja ε t N(0, σ 2 ). Prosessista X t on tehty havainto X a, X 2 a 2... X n a n. 39
10 Esimerkiksi a (a, a 2, a 3, a 4, a 5 ) ( 3, 2,, 2, 6). Tällöin likelihood-funktio on L(c, φ, σ) f(a,..., a n ; c, φ, σ) (2π)n det(c(c, φ, σ)) missä µ exp ( 2 ) (a k µ k (c, φ, σ))(c(c, φ, σ) ) kj (a j µ j (c, φ, σ), k,j c φ ja C j,k Γ(j k) σ 2 φj k φ 2. ARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen optimointiongelma. Käytännösssä optimointi tehdään numeerisesti käyttämällä tunnettuja menetelmiä (Newton-Raphson, steepest descent, conjugate-gradient,...) Haastavuutta lisää kovarianssimatriisin monimutkainen riippuvuus parametreista. Usein likelihood-funktio pyritään kirjoittamaan yksinkertaisemmassa muodossa, jotta vältyttäisiin kovarianssimatriisin determinantin ja käänteismatriisin laskemiselta. Esimerkki 5.6 (AR()-prosessin uskottavuusfunktio). Määrätään satunnaismuuttujan X t ehdollinen tntf, kun X t x t tunnetaan. Lausekkeesta X t µ + φ(x t µ) + ε t }{{} keskenään riippumattomia nähdään, että se on satunnaismuuttujan µ + φ(x t µ) + ε t jakauma, jonka tntf f(x t x t ) Satunnaisvektorin (X t, X t ) yhteistntf on exp( 2πσ 2 2σ (x 2 t µ φ(x t µ)) 2. f(x t, x t ) f(x t )f(x t x t ), missä X t N(µ, σ 2 φ 2 ). Vastaavasti satunnaisvektorin (X,..., X n ) yhteistntf on f(x, x 2,..., x n ) f(x )f(x 2 x )f(x 3 x 2 ) f(x n x n ), jolloin likeihood-funktio on L(c, φ, σ) exp ( ) φ2 (a (2π) n σ 2n ( ) 2σ 2 µ) 2 φ 2 exp (a 2σ 2 t µ φ(a t µ) ) 2. }{{} t2 X t(a t ) ) 40
11 Likelihood-funktion lausekkeessa esiintyy satunnaismuuttujan X t ennuste X t, joka on laadittu arvon X t pohjalta. Likelihood-funktion arvon määrää tällöin erotus X t X t. 4
12 Kun ML-estimaatti lasketaan numeerisella optimoinnilla likelihood-funktiosta, nimitetään saatua ML-estimaattia tarkaksi ML-estimaatiksi. On mahdollista myös käsitellä approksimatiivista likelihood-funktiota. 42
4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma.
missä µ = c φ ja C j,k = Γj k) = σ 2 φj k φ 2. ARMAp, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma. Käytännösssä optimointi tehdään numeerisesti
LisätiedotKuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t
Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Valkoinen kohina ε t 2 1 0 1 2 Voimme tehdä saman laskun myös yleiselle välille [ a, a], missä 0 < a
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
LisätiedotVastaavasti voidaan määritellä korkeamman kertaluvun autoregressiiviset prosessit.
Autokovarianssi: (kun τ 0) Γ t (τ) = E[(X t µ t )(X t τ µ t τ )] ( ) ( = E[ φ k ε t k φ j ε t τ j )] = = j=0 φ j+k E[ε t k ε t τ j ] k,j=0 φ j+k σ 2 δ k,τ+j k,j=0 = σ 2 φ j+k δ k,τ+j = = k,j=0 φ τ+2j I
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotSallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,
Todennäköisyyslaskenta, 2. kurssikoe 7.2.22 Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu.. Satunnaismuuttujien X ja Y yhteistiheysfunktio on
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotJohdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia. TKK (c) Ilkka Mellin (2005) 1
Johdatus todennäköisyyslaskentaan Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (005) 1 Moniulotteisia todennäköisyysjakaumia Multinomijakauma Kaksiulotteinen normaalijakauma TKK (c) Ilkka
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
Lisätiedot10 Moniulotteinen normaalijakauma
10 Moniulotteinen normaalijakauma Tässä luvussa tarkastellaan normaalijakauman moniulotteista yleistystä eli moniulotteista (eli monimuuttujaista) normaalijakaumaa (engl. multivariate normal distribution).
LisätiedotTodennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3
Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3 Aiheet: Satunnaisvektorit ja moniulotteiset jakaumat Tilastollinen riippuvuus ja lineaarinen korrelaatio Satunnaisvektorit ja moniulotteiset
LisätiedotJATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos)
J. Virtamo 38.3143 Jonoteoria / Jatkuvat jakaumat 1 JATKUVAT JAKAUMAT Laplace-muunnos (Laplace-Stieltjes-muunnos) Määritelmä Ei-negatiivisen satunnaismuuttujan X 0, jonka tiheysfunktio on f(x), Laplace-muunnos
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
Lisätiedot6.1 Autokovarianssifunktion karakterisaatio aikatasossa
6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio
Lisätiedot4.2.2 Uskottavuusfunktio f Y (y 0 X = x)
Kuva 4.6: Elektroniikassa esiintyvän lämpökohinan periaate. Lämpökohinaa ε mallinnetaan additiivisella häiriöllä y = Mx + ε. 4.2.2 Uskottavuusfunktio f Y (y 0 X = x) Tarkastellaan tilastollista inversio-ongelmaa,
LisätiedotMoniulotteiset satunnaismuuttujat ja jakaumat
Todennäköisyyslaskenta Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Moniulotteiset satunnaismuuttujat ja jakaumat KE (2014) 1 Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat >> Kaksiulotteiset
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
Lisätiedot3.6 Su-estimaattorien asymptotiikka
3.6 Su-estimaattorien asymptotiikka su-estimaattorit ovat usein olleet puutteellisia : ne ovat usein harhaisia ja eikä ne välttämättä ole täystehokkaita asymptoottisilta ominaisuuksiltaan ne ovat yleensä
LisätiedotMääritelmä 17. Olkoon Ω joukko ja Σ sen jokin σ-algebra. Kuvaus P : Σ [0, 1] on todennäköisyysmitta (eng. probability measure), jos
0.02 0.04 0.06 0.08 f 0 5 0 5 0 Temperature Kuva 5.2: Tntf:n f kuvaaja: Lämpötilat välillä [5, 0] näyttävät epätodennäköisiltä. Lämpötila -2 näyttäisi todennäköisimmältä, mutta jakauma on leveä. Tämä heijastaa
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
Lisätiedot4.3.6 Eräitä diskreettejä Markov-kenttiä
0.4 0.35 Gauss l1 Cauchy 0.3 0.25 0.2 0.15 0.1 0.05 0 10 8 6 4 2 0 2 4 6 8 10 Kuva 4.20: L2-priorin tnft, Cauchy-priorin tntf kun α = α = 2. 2π π 2π ja L1-priorin tntf kun 4.3.6 Eräitä diskreettejä Markov-kenttiä
LisätiedotTässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:
4. Tyhjentyvyys Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä: Voidaanko päätelmät perustaa johonkin tunnuslukuun t = t(y) koko aineiston y sijasta? Mitä
Lisätiedot1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 017 Harjoitus 5 Ratkaisuehdotuksia Tehtäväsarja I 1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X
Lisätiedot2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 208 Harjoitus 4 Ratkaisuehdotuksia Tehtäväsarja I. Satunnaismuuttuja U Exp(2) ja V = U/(3 + U). Laske f V käyttämällä muuttujanvaihtotekniikkaa.
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
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet
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
LisätiedotMallipohjainen klusterointi
Mallipohjainen klusterointi Marko Salmenkivi Johdatus koneoppimiseen, syksy 2008 Luentorunko perjantaille 5.12.2008 Johdattelua mallipohjaiseen klusterointiin, erityisesti gaussisiin sekoitemalleihin Uskottavuusfunktio
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
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotKoska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.
24.11.2006 1. Oletetaan, että kaksiulotteinen satunnaismuuttuja µ noudattaa kaksiulotteista normaalijakaumaa. Oletetaan lisäksi, että satunnaismuuttujan regressiofunktio satunnaismuuttujan suhteen on ݵ
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
Lisätiedotl (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 018 Harjoitus B Ratkaisuehdotuksia Tehtäväsarja I 1 (Monisteen tehtävä 14) Olkoon f Y (y; θ) tilastollinen malli, jonka
Lisätiedot0 3 y4 dy = 3 y. 15x 2 ydx = 15. f Y (y) = 5y 4 1{0 y 1}.
HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 18 Harjoitus Ratkaisuehdotuksia Tehtäväsar I 1. Satunnaismuuttujilla X Y on tkuva yhteiskauma yhteistiheysfunktiolla f
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
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 21. syyskuuta 2007 Antti Rasila () TodB 21. syyskuuta 2007 1 / 19 1 Satunnaismuuttujien riippumattomuus 2 Jakauman tunnusluvut Odotusarvo Odotusarvon ominaisuuksia
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
LisätiedotMatemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe (kesto 2h 30 min)
Matemaattisten tieteiden kandiohjelma / MTL Todennäköisyyslaskenta IIb Kurssikoe 8..7 (kesto h 3 min) Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu. Ei
LisätiedotTilastollinen päättömyys, kevät 2017 Harjoitus 6B
Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen
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
Lisätiedot4.3.7 Epäoleellinen integraali
Esimerkki 4.3.16. (Lineaarinen muuttujien vaihto) Olkoot A R m sellainen kompakti joukko, että A on nollajoukko. Olkoon M R m m säännöllinen matriisi (eli det(m) 0) ja f : R m R jatkuva funktio. Tehdään
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
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotEsimerkki 19. Esimerkissä 16 miniminormiratkaisu on (ˆx 1, ˆx 2 ) = (1, 0).
Esimerkki 9 Esimerkissä 6 miniminormiratkaisu on (ˆx, ˆx (, 0 Seuraavaksi näytetään, että miniminormiratkaisuun siirtyminen poistaa likimääräisongelman epäyksikäsitteisyyden (mutta lisääntyvän ratkaisun
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
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotSallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta II. kurssikoe 18.1.15 Sallitut apuvälineet: kirjoitusvälineet, laskin sekä käsinkirjoitettu, A4-kokoinen lunttilappu ja MAOL taulukkokirjaa
LisätiedotOlkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:
Mat-.6 Sovellettu todennäköisslaskenta B Mat-.6 Sovellettu todennäköisslaskenta B / Ratkaisut Aiheet: Moniulotteiset satunnaismuuttujat ja todennäköissjakaumat Moniulotteisia jakaumia Avainsanat: Diskreetti
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
Lisätiedotx 4 e 2x dx Γ(r) = x r 1 e x dx (1)
HY / Matematiikan ja tilastotieteen laitos Todennäköisyyslaskenta IIA, syksy 217 217 Harjoitus 6 Ratkaisuehdotuksia Tehtäväsarja I 1. Laske numeeriset arvot seuraaville integraaleille: x 4 e 2x dx ja 1
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 5. viikolle /
MS-A8 Differentiaali- ja integraalilaskenta, V/7 Differentiaali- ja integraalilaskenta Ratkaisut 5. viikolle / 9..5. Integroimismenetelmät Tehtävä : Laske osittaisintegroinnin avulla a) π x sin(x) dx,
LisätiedotEpäyhtälöt ovat yksi matemaatikon voimakkaimmista
6 Epäyhtälöitä Epäyhtälöt ovat yksi matemaatikon voimakkaimmista työvälineistä. Yhtälö a = b kertoo sen, että kaksi ehkä näennäisesti erilaista asiaa ovat samoja. Epäyhtälö a b saattaa antaa keinon analysoida
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
LisätiedotTilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä
Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä Sisältö Riippumattomuus Jos P(A B) = P(A)P(B), niin tapahtumat A ja B ovat toisistaan riippumattomia. (Keskustelimme
Lisätiedot4.3 Moniulotteinen Riemannin integraali
4.3 Moniulotteinen Riemannin integraali Tässä luvussa opitaan miten integroidaan usean muuttujan reaaliarvoista tai vektoriarvoista funktiota, millaisten joukkojen yli jatkuvaa funktiota voi integroida,
Lisätiedot3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin
3 Yleistä estimointiteoriaa Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin 3.1 Johdanto Tähän mennessä olemme tarkastelleet estimointia
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7 8
Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
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
Lisätiedot2. Uskottavuus ja informaatio
2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
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
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).
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
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
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 9: Moniulotteinen lineaarinen. regressio
Tilastollisen analyysin perusteet Luento 9: lineaarinen lineaarinen Sisältö lineaarinen lineaarinen lineaarinen Lineaarinen Oletetaan, että meillä on n kappaletta (x 1, y 1 ), (x 2, y 2 )..., (x n, y n
LisätiedotARMA mallien ominaisuudet ja rakentaminen
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Viikko 4: 1 ARMA-mallien ominaisuudet 1 Stationaaristen
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotYhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1
Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia Heliövaara 1 Regressiokertoimien PNS-estimaattorit Määritellään havaintojen x j ja y j, j = 1, 2,...,n
Lisätiedot1. Tilastollinen malli??
1. Tilastollinen malli?? https://fi.wikipedia.org/wiki/tilastollinen_malli https://en.wikipedia.org/wiki/statistical_model http://projecteuclid.org/euclid.aos/1035844977 Tilastollinen malli?? Numeerinen
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
LisätiedotTilastomatematiikka Kevät 2008
Tilastomatematiikka Kevät 2008 Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastomatematiikka p.1/19 4.3 Varianssi Satunnaismuuttuja on neliöintegroituva, jos odotusarvo
LisätiedotMat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:
Mat-.9 Sovellettu todennäköisyyslasku A Mat-.9 Sovellettu todennäköisyyslasku A / Ratkaisut Aiheet: Avainsanat: Moniulotteiset jakaumat Diskreetti jakauma, Ehdollinen jakauma, Ehdollinen odotusarvo, Jatkuva
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
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat
.9. Kaksiulotteiset satunnaismuuttujat MS-A Todennäköisslaskennan ja tilastotieteen peruskurssi Viikko Moniulotteiset satunnaismuuttujat sekä niiden jakaumat ja tunnusluvut; Moniulotteisia jakaumia Usein
LisätiedotJohdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteeseen Yleinen lineaarinen malli TKK (c) Ilkka Mellin (2004) 1 Yleinen lineaarinen malli Usean selittäjän lineaarinen regressiomalli Yleisen lineaarisen mallin matriisisesitys Yleisen
LisätiedotSTOKASTISET PROSESSIT
TEORIA STOKASTISET PROSESSIT Satunnaisuutta sisältävän tapahtumasarjan kulkua koskevaa havaintosarjaa sanotaan aikasarjaksi. Sana korostaa empiirisen, kokeellisesti havaitun tiedon luonnetta. Aikasarjan
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
LisätiedotUskottavuuden ominaisuuksia
Luku 9 Uskottavuuden ominaisuuksia 9.1 Tyhjentävyys T yhjentävyys (Fisher 1922) luonnehtii täsmällisesti havaintoihin sisältyvän informaation kvantitatiivisesti. Parametrin θ estimaatti T(x) on tyhjentävä
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
LisätiedotLineaariset luokittelumallit: regressio ja erotteluanalyysi
Lineaariset luokittelumallit: regressio ja erotteluanalyysi Aira Hast Johdanto Tarkastellaan menetelmiä, joissa luokittelu tehdään lineaaristen menetelmien avulla. Avaruus jaetaan päätösrajojen avulla
LisätiedotJohdatus regressioanalyysiin
Ilkka Mellin Tilastolliset menetelmät Osa 4: Lineaarinen regressioanalyysi Johdatus regressioanalyysiin TKK (c) Ilkka Mellin (2007) 1 Johdatus regressioanalyysiin >> Regressioanalyysin lähtökohdat ja tavoitteet
Lisätiedot8.1 Ehdolliset jakaumat
8 Ehdollinen jakauma Tämän kappaleen tärkeitä käsitteitä: Ehdollinen jakauma; ehdollinen ptnf/tf. Kertolaskusääntö eli ketjusääntö yhteisjakauman esittämiseksi. Ehdollinen odotusarvo ja ehdollinen varianssi.
Lisätiedot