ARMA(p, q)-prosessin tapauksessa maksimikohdan määrääminen on moniulotteinen epälineaarinen optimointiongelma.
|
|
- Hannu Järvinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 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 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 + φx t µ) + ε t }{{} keskenään riippumattomia nähdään, että tämä ehdollinen jakauma on täsmälleen satunnaismuuttujan µ + φx t µ) + ε t jakauma, jonka tntf fx t x t ) = Satunnaisvektorin X t, X t ) yhteistntf on 2πσ 2 exp 2σ 2 x t µ φx t µ)) 2. fx t, x t ) = fx t )fx t x t ), missä X t Nµ, σ 2 φ 2 ). Vastaavasti satunnaisvektorin X,..., X n ) yhteistntf on fx, x 2,..., x n ) = fx )fx 2 x )fx 3 x 2 ) fx n x n ), jolloin likelihood-funktio on Lc, φ, σ) = exp ) φ2 a 2π) n σ 2n ) 2σ 2 µ) 2 φ 2 exp a 2σ 2 t µ φa t µ) ) 2 }{{} X ta t ) ) 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. 40
2 Funktioilla f ja logf) on maksimi samassa kohtaa. Logaritmin ottaminen likelihoodfunktiosta vähentää epälineaarisuuksia ja auttaa keskittymään oleellisiin piirteisiin. Sijoitetaan yhtälöön µ =. Log-likelihood-funktio on c φ log Lc, φ, σ) = vakio n logσ)+ 2 log φ2 ) φ2 2σ 2 a c ) 2 φ 2σ 2 Säännöllisen funktion maksimikohta on aina kriittinen piste eli se toteuttaa yhtälön Erityisesti 0, 0, 0) = log Lc, φ, σ) log L = c, φ, σ), log L c φ c, φ, σ), log L ) c, φ, σ). σ 0 = log L σ c, φ, σ) = n σ + σ 3 Maksimikohta kuuluu joukkoon S = {c, φ, σ) : σ 2 = n φ 2 ) a c ) 2 + φ φ 2 )a c φ )2 + a t c φa t )) 2 ) a t c φa t )) 2. a t c φa t ) )}. 2 Toisin sanoen riittää etsiä maksimikohtaa joukossa S kahden vapaan parametrin φ ja c avulla. Esimerkki 5.7. Olkoon X t = µ + ε t + θε t. Kun ε t N0, σ 2 ), niin satunnaisvektorin X,..., X n ) jakauma on Gaussinen. Kun θ <, jakauman odotusarvo on E[X k ] = µ ja kovarianssimatriisi on C jk = E[X j µ)x k µ)] = Γj k) = σ 2 + θ 2 )δ j,k + θδ, j k kaikilla j, k =,..., n. Kovarianssimatriisi on tridiagonaalinen eli + θ 2 ) θ θ + θ 2 ) θ C = 0 θ + θ 2 ) θ θ + θ 2 ) Tridiagonaalimatriiseille löytyy hajotelma, C = LΓL T, missä L on alakolmiomatriisi, jota voidaan käyttää tarkan likelihood-funktion muokkaamisessa. Käy ilmi, että likelihoodfunktio Lµ, θ, σ) = 2π) n n exp ) a k= r2 2r 2 k Xa,..., a k )) 2 k k missä r 2 k = E[X k X k ) 2 ] on estimaattorin X := L X µ) pienimmän neliösumman virhe. 4
3 5..3 Ehdollinen ML-menetelmä Kun ML-estimaatti lasketaan numeerisella optimoinnilla, likelihood-funktiosta, nimitetään saatua ML-estimaattia tarkaksi ML-estimaatiksi. Huomaa, että nimityksestä huolimatta numeerisesti suoritettu optimointi aiheuttaa tuloksiin epätarkkuutta!) On mahdollista myös käsitellä oikean likelihood-funktion sijaan muokattua likelihood-funktiota. Esimerkissä 5.6 todettiin että AR)-prosessin tapauksessa fx,..., x n ) = fx )fx 2 x )... fx n x n ) Kun ehdollistetaan arvolla X = x, saadaan fx,..., x n x ) = fx,..., x n ) fx ) Ns. ehdollinen likelihood-funktio on ja ehdollinen ML-estimaatti on = fx 2 x )... fx n x n ). Lc, φ, σ; X = a ) = fa 2,..., a n a ; c, φ, σ). ĉ, φ, σ) = argmaxfa,..., a n a ; c, φ, σ) c,φ,σ Mikäli n on suuri, niin suurin osa havaintovektorin elementeistä on vain heikosti korreloitunut pisteen X kanssa, jolloin ehdollistamisen ei pitäisi vakavasti vääristää likelihood-funktiota. Efektiivisesti ehdollistaminen muuttaa X :n jakauman epäaidoksi tn-jakaumaksi fx ) =. Ehdollistamisen ansiosta likelihood-funktio yksinkertaistuu huomattavasti: ) Lc, φ, σ X = a ) = 2π) n σ exp a n 2σ 2 t c φa t ) 2 Kriittisessä pisteessä erityisesti osittaisderivaatta muuttujan σ suhteen häviää. Vaaditaan siis jolloin 0 = log Lc, φ, σ; X = a ), 5..2) σ σ 2 = a t c φa t ) ) Sijoittamalla σ = σc, φ) yhtällöstä 5..3) yhtälöön 5..2) saadaan ) n Lc, φ, σc, φ) X = a ) = a t c φa t ) 2 exp ). 2π) n 2 42
4 Maksimikohta ĉ, φ) on funktion c, φ) a t c φa t ) 2 minimikohta. Ongelma palautuu ns. pienimmän neliösumman ratkaisuun: [ ] argmin a t c φa t ) 2 = argmin c 2 a M c,φ c,φ φ missä matriisi M = M 2 n on a a 2 M =.. ja vektori a = a 2, a 3,..., a n ). a n Minimikohta ĉ, φ) löytyy 4 yhtälön [ĉ ] M T M) = M φ T a ratkaisuna: [ ]... M T a a 3 = a a 2... a n. = a 2 a n [ n k=2 a ] k n k=2 a ka k ja a [ ]... M T a 2 [ n n M = a a 2... a n.. = n k= a k a n Ehdollinen ML-estimaatti on [ĉ ] = φ n ) n k= a2 k ) n k= a k) 2 Lineaarinen PNS-ratkaisu k= a k n k= a2 k [ n k= a2 k n k= a ] [ n k n k= a k=2 a ] k n k n k=2 a ka k Pienimmän neliösumman PNS) menetelmä eng. least squares method, LS) on approksimatiivinen ratkaisumenetelmä yhtälöille. Lineaaristen yhtälöryhmien tapauksessa PNS on varsin elegantti. Kun matriisi A R m n ja vektori y R m tunnetaan, niin mikä on ] 4 katso seuraava kappale! x = argmin x R n y Ax 2. 43
5 Huomautus 5... Jos A on neliömatriisi ja deta) 0, niin selvästi x = A y on minimikohta. Entä kun A ei ole neliömatriisi tai y ei kuulu matriisin A kuvajoukkoon? Esimerkiksi 0 [ ] = x x 3 2 Näytetään, että pienimmän neliösumman ratkaisu, toisin sanoen minimikohta, löytyy aina. Tätä varten kerrataan seuraavat käsitteet matriiseille A R m n. Lineaarisen kuvauksen ydin Lineaarisen kuvauksen kuvajoukko KerA) = {x R n : Ax = 0} RA){y R m : y = Ax jollakin x R n } Lineaarisen aliavaruuden L R n ortokomplementti L = {z R n : x z = 0}. Merkitään selvyyden vuoksi pistetuloa suluilla: x z = Osoitetaan ensin seuraava aputulos. x i z i = x, z). k= Lemma 5.3. Matriisille M R m n pätee RM T ) = Ker M) eli R n = RM T ) Ker M). Todistus. Olkoon x RM T ) Jokaisella z R m pätee 0 = M T z, x) = z, Mx) vain jos Mx = 0 eli x KerM). Siis RM T ) Ker M). Toisaalta, jos x KerM), niin M T z, x) = z, Mx) = 0 jokaisella z R m, joten x RM T ). Siis Ker M) RM T ). Lause 5.3. Olkoon A R m n ja y R m. Minimointiongelmalla on täsmälleen samat ratkaisut kuin yhtälöllä ˆx = argmin x R n Ax y 2 A T Aˆx = A T y. 44
6 Todistus. Lasketaan ensin sisätulo fx) = Ax y 2 = Ax y, Ax y) = Ax, Ax) y, Ax) Ax, y) + y, y) = A T Ax, x) 2A T y, x) + y, y). Funktionaalin f minimi, jos sellainen on, löytyy kriittisestä pisteestä. Lasketaan gradientin nollakohdat fx) = Ax y 2 = 2A T Ax 2A T y = ) Olkoon ˆx gradientin nollakohta eli A T Aˆx = A T y. Tämä on minimikohta, sillä fx) = Ax ˆx) + Aˆx y 2 = Ax ˆx) 2 + 2Ax ˆx), Aˆx y) + Aˆx y 2 = Ax ˆx) 2 + 2x ˆx, A T Aˆx A T y) + Aˆx y 2 = Ax ˆx) 2 + Aˆx y 2. Korollaari 5.. Olkoon A R m n ja y R m. Minimointiongelmalla ˆx = argmin x R n Ax y 2 on olemassa ratkaisu ˆx. Ratkaisu on yksikäsitteinen vain jos Ker A) = {0}. Todistus. Lauseen 5.3 nojalla minimointiongelma on ekivalentti yhtälön A T Aˆx = A T y kanssa. Tutkitaan yhtälön A T Ax = A T y yksikäsitteistä ratkeavuutta. Injektiivisyys: Selvästi Ker A Ker A T A). Lisäksi x Ker A T A) eli A T Ax = 0 jos ja vain jos 0 = A T Ax, z) = Ax, Az) jokaisella z R n. Erityisesti kun z = x, saadaan Ax = 0 eli x Ker A. Toisin sanoen Ker A T A) Ker A). Siis Ker A T A) = Ker A), jolloin A T A on injektio jos ja vain jos A on injektio. Näytetään, että A T y RA T A) Valitsemalla M = A sekä M = A T A lemmassa 5.3, saamme RA T ) = Ker A) = KerA T A) = RA T A). Täten yhtälöllä A T Ax = A T y on vähintään yksi ratkaisu ja ratkaisu on yksikäsitteinen vain jos KerA) = {0}. Esimerkki 5.8. Olkoon y =,, 3) ja 0 A = 0 Määrätään pienimmän neliösumman ratkaisu yhtälölle y = Ax + e. Lasketaan ) 0 ) 0 A T A = 0 2 =
7 ja A T y = 0 Saamme yhtälön ) ) 2 ˆx = 2 ˆx 2 jonka ratkaisu on ˆx, ˆx 2 ) = 4, 4 ). Tällöin 3 3 A x == ) = ) 4, 4 ) 5. 4 Esimerkki 5.9 MA)-prosessin ehdollinen likelihood). Tarkastellaan seuraavaksi MA)-prosessin X t = µ + ε t + θε t. parametrien µ, θ, σ estimointia, kun havaintovektorista X,..., X n ) on saatu näyte a,..., a n ). JOS tiedetään LISÄKSI, että satunnaismuuttujan ε otos on annettu, esimerkiksi ε = 0, niin MA-yhtälöstä seuraa, että otosten arvot ovat Taulukko 5.: Valkoisen kohinan arvot X = a ε = 0 X 2 = a 2 ε 2 = X 2 µ θε = a 2 µ X 3 = a 3 ε 3 = X 3 µ θε 2 = a 3 µ θa 2 µ).. X n = a n ε n = a n µ) θa n µ) + θ 2 a n 2 µ) ) n θ n a µ) n + ) n ε Vastaavasti satunnaismuuttujat ε t ovat satunnaismuuttujien X t, X t,..., X ja ε funktioita. Silloin fx t x t,..., x, ε ) = exp ) 2πσ 2 2σ x 2 t µ θε t ) 2.. Ehdollistamalla rekursiivisesti nähdään, että ehdollinen likelihood-funktio on n Lµ, c, σ 2 ; ε = 0) = fa,..., a n ε ) = exp 2πσ 2 2σ a 2 k µ θ ε }{{ k } k=2 ε k ) 2 missä ε k on taulukossa 5. esitetty parametrien µ, θ ja näytteiden a,..., a n funktioina. 46,
8 5.2 Mallin asteen valinta Mitä parametreja p, q) tulisi käyttää mallin estimoinnissa? AIC Akaike information criterium): Lasketaan eri malleille luku I AIC = 2 log LΦ; p, q) + 2p + q + ) ja valitaan malli, jolla luku I AIC on pienin. SBIC Schwartzin bayesilainen informaatiokriteeri): Lasketaan eri malleille luku I SBIC = 2 log LΦ; p, q) + p + q + ) logn) ja valitaan malli, jolla on pienin I SBIC -luku. Informaatiokriteerien toiminta perustuu ns. Kullback-Leiblerin informaatioon, joka mittaa kahden jakauman välistä eroa. Olkoon X t stationäärinen prosessi ja olkoon g havaintovektorin X,..., X n ) todellinen tntf, jota emme tunne. Olkoon f X:n estimoitu tntf. Esimerkki 5.0. Estimoitu tntf on voitu saada esim. seuraavalla tavalla. Asetetaan ARMAp, q)-malli havaintovektorille eli X t = c + φ X t + + φ p X t p + ε t + θ ε t + + θ q ε t q, ε t N0, σ 2 ) 2. ML-menetelmällä saadaan estimoitua mallin parametrit ĉ, φ,..., φ p, θ..., θ q, σ) Estimoitu ARMA-malli havaintovektorille on X t = ĉ + φ X t + + φ p X t p + ε t + θ ε t + + θ q ε t q, ε t N0, σ 2 ). 3. Estimoidusta ARMA-mallista lasketaan havaintovektorin komponentin X teoreettinen odotusarvo µ = E[X t ] ja teoreettinen autokovarianssi Γτ) = E[X t µ)x t τ µ)]. 4. Odotusarvon µ ja autokovarianssin Γ avulla muodostetaan Gaussinen tntf f. Kullback-Leiblerin informaatio on Ig f) = gx) loggx))dx R n gx) logfx))dx. R n Koska g on X :n tntf, niin Ig f) = gx) logfx)/gx))dx = E[logfX)/gx))]. R n 47
9 Jensenin epäyhtälön nojalla Ig f) = E[logfX)/gX))] log E[fX)/gX)] = log gx)fx)/gx)dx R n = log fx)dx log = 0. R n Kullback-Leiblerin informaation on aina ei-negatiivinen. Lisäksi se on nolla silloin ja vain silloin kun f g. Tavoitteena olisi Ig f) = 0, jotta malli olisi täsmälleen oikea. Arvatenkaan emme pääse täsmälleen oikeaan malliin estimoinnilla, mutta voimme pyrkiä mahdollisimman lähelle: pyritään valitsemaamalli ja siten valitsemaan f), jolla Ig f) on mahdollisimman pieni! Nyt Ig f) = gx) loggx)) R }{{} n ei riipu f:stä Näytteiden avulla 5 voitaisiin approksimoida dx gx) logfx))d = E[logfX M) ))] R m gx) logfx))dx. R } n {{} minimoidaan tätä! m logfx m) )), 5.2.5) mikäli voitaisiin toistaa havaintovektorin ottoa useasti. Nyt pidetään funktiota logfx)) estimaattorina odotusarvolle. Akaike lisäsi Kullback-Leibler informaatioon ylimääräisen termin, sillä k= n logfx k )) k= ei ole odotusarvon 5.2.5) harhaton estimaattori. Korjaustermi poistaa harhaa. Pienille n:n arvoille on olemassa parempia korjaustermejä harhan poistamiseen. 5.3 Mallidiagnostiikka ARMA-prosessin parametrit ĉ, φ,..., φ p, θ,..., θ q, σ) on saatu estimoitua. Onko estimoitu malli hyvä?. Empiiriseen pohjaan tukeutuvat epäformaalit tarkistusmenetelmät: Mallin autokorrelaation ja havaintovektorin otosautokorrelaation vertailu Residuaalien eli jäännöstermien kuvaajien tutkiminen 5 suurten lukujen lain erikoisversio riippuvien satunnaismuuttujien tapauksessa 48
10 Ylisovittaminen mallia pidetään hyvänä. 2. Formaalit tilastollisen testauksen tarkistusmenetelmät: Box-Ljung-testi Malli on niin hyvä kuin teoria kertoo sen olevan Residuaalien tarkastelu Estimoidun mallin X t = ĉ + φ X t + + φ p X t p + ε t + θ ε t + + θ q ε t q avulla voidaan laatia yhden askeleen lineaarinen pienimmän neliösumman ennuste X t arvolle X t, kun tunnetaan X t, X t 2,..., X. Havaitun arvon X t = a t ja ennusteen X t = X t a,..., a t ) välinen erotus ε t := a t X t on nimeltään residuaali. Esimerkiksi AR)-prosessille ε t := a t ĉ φa t. Määritelmä 5.4. Standardoitu residaali on missä Rt) = a t X t a,..., a t ) rt), rt) = E[X t X t ) 2 ]. Tyypillisesti piirretään residuaalien otosautokorrelaation kuvaaja. Residuaalien autokorrelaation tulisi muistuttaa valkoisen kohinan autokorrelaatiota. Ylisovittaminen Ylisovittamisen tarkoitus on varmentaa, että estimoitu ARMAp, q)-malli säilyy samana, vaikka dataan yritettäisiin sovittaa monimutkaisempaa mallia. Estimoidaan myös ARMAp +, q)- ja ARMA-p, q + )-mallien parametrit. Jos uudet estimoidut parametrit ovat lähellä entisiä ja uusien parametrien residuaalivarianssi ei sanottavasti alita vanhan mallin residuaalivarianssia, niin mallia pidetään riittävän hyvänä. Jos vanhojen ja uusien parametrien välillä on huomattava ero, on estimoitujen parametrien käyttö riskaabelia. Jos uudet korkeamman kertaluvun parametrit ovat suurehkoja, niin vanha malli saattaa vaikuttaa riittämättömältä kuitenkin mallin käyttötarkoitus ratkaisee. 49
11 5.3.2 Box-Ljung-testisuure Yksittäisten residuaalin otosautokorrelaation arvojen ρ R k) sijaan voidaan tarkastella yhtä lukua: m Q = n ρ R k) 2. Tämä ei ole vielä Box-Ljung-testisuure!) k=0 Koska n ρ R k) tulisi noudattaa mallin mukaan likipitäen normaalijakautuneen valkoisen kohinan jakaumaa, 7 niin Q on vastaavasti lähes χ 2 -jakautunut vapausasteella m. Asetetaan hypoteesi H : Residuaali on valkoista kohinaa Suuri Q:n arvo on epätodennäköinen, kun hypoteesi H on totta. Hypoteesi H hylätään tasolla α, mikäli missä P χ 2 m) < χ 2 αm)) = α. Q > χ 2 αm) Paremmin χ 2 -jakaumaa approksimoi Box-Ljung testisuure: Q BL = nn + 2) m k= ρ R k) 2 n k 7 Ei-triviaalia näyttää: tilastotieteen stokastiikkaan vivahtavaa osa-aluetta Theorem kirjassa Brockwell, Peter J., Davis, Richard A.: Time Series: Theory and Methods ) 50
Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.
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
LisätiedotLikimääräisratkaisut ja regularisaatio
Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.
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
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
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
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
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
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
Lisätiedot3.2.2 Tikhonovin regularisaatio
3 Tikhonovin regularisaatio Olkoon x 0 R n tuntematon, M R m n teoriamatriisi ja y Mx + ε R m (316 annettu data Häiriöherkässä ongelmassa pienimmän neliösumman miniminormiratkaisu x M + y Q N (M x + M
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
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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
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
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
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
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
LisätiedotLikimääräisratkaisut ja regularisaatio
48 Luku 4 Likimääräisratkaisut ja regularisaatio Ryhdytään tarkastelemaan klassisia approksimatiivisia ratkaisumenetelmiä huonosti asetetuille tai häiriöherkille äärellisulotteisille lineaarisille ongelmille
Lisätiedot5.7 Uskottavuusfunktioon perustuvia testejä II
5.7 Uskottavuusfunktioon perustuvia testejä II Tässä pykälässä pohditaan edellä tarkasteltujen kolmen testisuureen yleistystä malleihin, joiden parametri on useampiulotteinen, ja testausasetelmiin, joissa
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
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
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
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
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
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
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).
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
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
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
LisätiedotPaikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 4
Inversio-ongelmien laskennallinen peruskurssi Luento 4 Kevät 20 Regularisointi Eräs keino yrittää ratkaista (likimääräisesti) huonosti asetettuja ongelmia on regularisaatio. Regularisoinnissa ongelmaa
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollisen analyysin perusteet, kevät 007 8. luento: Usean selittäjän lineaarinen regressiomalli Kai Virtanen 1 Usean selittäjän lineaarinen regressiomalli Selitettävän muuttujan havaittujen
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
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
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
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,
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
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
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
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
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 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
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
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
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
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
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 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.
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
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
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
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
LisätiedotTilastollinen aineisto Luottamusväli
Tilastollinen aineisto Luottamusväli Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Tilastollinen aineisto p.1/20 Johdanto Kokeellisessa tutkimuksessa tutkittavien suureiden
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
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
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
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
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
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
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
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
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
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
LisätiedotKohdeyleisö: toisen vuoden teekkari
Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.14 Tilastollisen analyysin perusteet, kevät 7 7. luento: Tarina yhden selittään lineaarisesta regressiomallista atkuu Kai Virtanen 1 Luennolla 6 opittua Kuvataan havainnot (y, x ) yhden selittään
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
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
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
LisätiedotKäänteismatriisi 1 / 14
1 / 14 Jokaisella nollasta eroavalla reaaliluvulla on käänteisluku, jolla kerrottaessa tuloksena on 1. Seuraavaksi tarkastellaan vastaavaa ominaisuutta matriiseille ja määritellään käänteismatriisi. Jokaisella
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
Lisätiedot2. Uskottavuus ja informaatio
2. Uskottavuus ja informaatio Aluksi käsittelemme uskottavuus- ja log-uskottavuusfunktioita Seuraavaksi esittelemme suurimman uskottavuuden estimointimenetelmän Ensi viikolla perehdymme aiheeseen lisääkö
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
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
LisätiedotAntti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
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
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,
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
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
LisätiedotPienimmän neliösumman menetelmä (PNS)
neliösumman Perusongelman kuvaus 1 Tarkastellaan neljää pitkää aikasarjaa q 1 = (q 11,q 21,...,q 10,1 ) T, q 2 = (q 12,q 22,...,q 10,2 ) T, q 3 = (q 13,q 23,...,q 10,3 ) T, ja p 1 = (p 11,p 21,...,p 10,1
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
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
LisätiedotHY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia Tehtäväsarja I 1. Jatkoa Harjoitus 8A tehtävään 3. Muodosta odotusarvolle µ approksimatiivinen
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedot3. Teoriaharjoitukset
3. Teoriaharjoitukset Demotehtävät 3.1 a Olkoot u ja v satunnaumuuttujia, joilla on seuraavat ominaisuudet: E(u = E(v = 0 Var(u = Var(v = σ 2 Cov(u, v = E(uv = 0 Näytä että deterministinen prosessi. x
LisätiedotOminaisarvot ja ominaisvektorit 140 / 170
Ominaisarvot ja ominaisvektorit 140 / 170 Seuraavissa luvuissa matriisit ja vektori ajatellaan kompleksisiksi, ts. kertojakuntana oletetaan olevan aina kompleksilukujoukko C Huomaa, että reaalilukujoukko
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
LisätiedotTA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET
TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET 16..015 1. a Poliisivoimien suuruuden lisäksi piirikuntien rikostilastoihin vaikuttaa monet muutkin tekijät. Esimerkiksi asukkaiden keskimääräinen
Lisätiedot031021P Tilastomatematiikka (5 op) viikko 4
031021P Tilastomatematiikka (5 op) viikko 4 Jukka Kemppainen Mathematics Division Tilastollinen aineisto Tilastolliset menetelmät ovat eräs keino tutkia numeerista havaintoaineistoa todennäköisyyslaskentaa
Lisätiedotf(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 7 Harjoitus 6 Ratkaisuehdotukset 6.. Olkoon f : G R, G = {(x, x ) R x > }, f(x, x ) = x x. Etsi differentiaalit d k f(, ), k =,,. Ratkaisu:
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
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
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotEpälineaaristen yhtälöiden ratkaisumenetelmät
Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Tilastollinen testaus Tilastollinen testaus Tilastollisessa testauksessa tutkitaan tutkimuskohteita koskevien oletusten tai väitteiden paikkansapitävyyttä havaintojen avulla. Testattavat oletukset tai
Lisätiedot