Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen
|
|
- Vilho Salonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Yhden faktorin malli: n kpl sijoituskohteita, joiden tuotot ovat r i, i =, 2,..., n. Olkoon f satunnaismuuttuja ja oletetaan, että tuotot voidaan selittää yhtälön r i = a i + b i f + e i avulla, missä a i ja b i ovat vakioita sekä e i virhetermi sijoituskohteelle i. Mallin etuna on, että tarvitaan huomattavasti vähemmän parametreja! Oletetaan, että virhetermien odotusarvot ovat nolla eli E[e i ] = 0 i, koska mikä tahansa nollasta poikkeava arvo voitaisiin sisällyttää vakioon a i. Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen E[(e i ē i )(e j ē j )] = E[e i e j ] = 0 i j E[(f f)(e i ē i )] = E[(f f)e i ] = 0 i Oletetaan, että virhetermien varianssit ovat tiedossa ja niitä merkitään σ 2 e i. Yhden faktorin mallille saadaan yo. oletuksien perusteella seuraavat kaavat: r i = a i + b i f σ 2 i = b 2 i σ 2 f + σ2 e i σ ij = b i b j σ 2 f, i j b i = Cov[r i, f] σ 2 f Olkoon portfoliossa olevien sijoituskohteiden painot w i siten, että tuottoja kuvataan yhden faktorin mallilla saadaan portfolion tuotoksi w i =. Tällöin kun sijoituskohteiden r = w i r i = w i a i + w i b i f + w i e i ja merkitsemällä a = w i a i, b = w i b i ja e = w i e i tämä voidaan kirjoittaa muotoon r = a + bf + e Tässä a ja b ovat vakioita ja e satunnaismuuttuja. Ottamalla huomioon, että E[e i e j ] = 0 saadaan e:n varianssiksi σe 2 = E[e 2 ] = E[( w i e i )( w j e j )] = E[ wi 2 e 2 i ] = wi 2 σe 2 i j=
2 Portfolion varianssi on σ 2 = b 2 σ 2 f + σ2 e CAPM voidaan ajatella olevan yhden faktorin mallin erikoistapaus, kun sijoituskohteen tuottoa selitetään markkinaportfolion tuotolla r i r f = α i + β i (r M r f ) + e i Arbitrage Pricing Theory, APT on faktorimalliin perustuva teoria sijoituskohteiden hinnoitteluun, jossa oletetaan, että (i) sijoittavat preferoivat korkeampia tuottoja (ii) sijoituskohteiden määrä on suuri APT:n idea on, että kutakin faktoria vastaa kerroin (faktorihinta), josta sijoituskohteen tuotto riippuu lineaarisesti. Faktorihinnat saadaan vaatimuksesta, että markkinoilla ei ole arbitraasimahdollisuuksia. Yhden faktorin malli, kaksi sijoituskohdetta ilman virhetermejä r i = a i + b i f r j = a j + b j f Sijoitetaan kohteeseen i painolla w ja kohteeseen j painolla w. Tällöin portfolion tuotto on r = w(a i + b i f) + ( w)(a j + b j f) = wa i + ( w)a j + (wb i + ( w)b j )f Valitaan paino w siten, että faktorin f kerroin on 0 (eli portfolio on riskitön!) ja saadaan w = b j b j b i Portfolion tuoton täytyy siis olla sama kuin riskitön korko r f = λ 0, koska ei ole arbitraasimahdollisuutta. Tällöin saadaan (katso luentokalvot), että on oltava missä c = a i λ 0 b i = a j λ 0 b j on jokin vakio. a i = λ 0 + b i c, Sijoittamalla a i :n lauseke tuoton odotusarvoon saadaan r i = λ 0 + b i (c + f) = λ 0 + b i λ Vastaava tulos on yleistettävissä useammalle faktorille: r i = a i + m b ij f j r i = λ 0 + j= m b ij λ j Sanotaan, että λ j on faktoriin j liittyvä riskin hinta (faktorihinta) ja, että b ij on kohteen i lataus (faktorikerroin) faktoriin j. j=
3 . (L8.) Portfolio, joka sisältää osakesarjojen A, B ja C kaikki osakkeet (Taulukko ), korreloi ainoastaan yhden faktorin, markkinaportfolion, kanssa. Markkinaportfolion odotettu tuotto on 2% ja keskihajonta 8%. Riskitön korkokanta on 5%. a) Mikä on portfolion odotettu tuotto? b) Mikä on tuoton keskihajonta? Taulukko : Portfolion muodostavat osakkeet. Osakesarja Beta Virhetermin keskihajonta Paino portfoliossa A,0 7,0% 20% B 0,80 2,3% 50% C,00,0% 30% Ratkaisu: r f = 5% r M = 2% σ M = 8% β σ e w A,0 7,0% 20% B 0,80 2,3% 50% C,00,0% 30% Portfolion β saadaan osakesarjojen betojen painotettuna summana: β portfolio = w A β A + w B β B + w C β C = 0.92 Faktorimallin mukaan yksittäisen sijoituskohteen tuotto muodostuu faktoreista f ja virhetermeistä e seuraavasti: r i = a i + b ij f j + e i i,j Edelleen portfolion tuotto r voidaan lausua faktorien avulla seuraavasti: r = i w i r i = i w i [a i + i,j b ij f j + e i ] = i w i a i + i,j w i b ij f i + i w i e i Kun huomioidaan, että virhetermien odotusarvot ovat nolla saadaan portfolion odotetuksi tuotoksi r = i w i r i = i w i [a i + j b ij fj ] = i w i a i + i,j w i b ij fj Jos faktorit eivät korreloi virhetermin tai toistensa kanssa, portfolion varianssiksi saadaan σ 2 = j ( i w 2 i b 2 ij) 2 σ 2 f j + i σ 2 e i
4 Faktoripainoja b ij eikä vakiotermejä a i tunneta, mutta tehtävänannosta kuitenkin tiedetään, että on vain yksi faktori (markkinaportfolio), josta sijoituskohteiden tuotto riippuu. Hyödynnetään CAPMia ja selitetään i:nnen kohteen tuottoa markkinaportfoliolla: r i = r f + β i (r M r f ) + e i = ( β i )r f + β i r M + e i Tästä saadaan edelleen odotusarvo: r i = r f + β i ( r M r f ) = ( β i )r f + β i r M Tällöin ja portfolion tuotto on siis a i = ( β i )r f b i = β i r = i w i ( β i )r f + i w i β i r M + i w i e i = r f + (r M r f ) i w i β i + i w i e i a) Odotusarvoksi saadaan r = r f + ( r M r f ) i w i β i =.44% b) Huomioidaan edellä laskettu faktorimallin varianssi korreloimattomille faktoreille ja, että b i = β i. Tällöin saadaan keskihajonnaksi σ = ( w i β i ) 2 σm 2 + σ iwi 2σ2 e i = 5.68% i
5 2. (L8.2) Kahden osakkeen oletetaan noudattavan kahden faktorin mallia r = a + 2f + f 2 r 2 = a 2 + 3f + 4f 2 Riskitön korkokanta on 0%, r = 5% ja r 2 = 20%. Mitkä ovat λ 0 :n, λ :n ja λ 2 :n arvot (riskin hinnat) tälle mallille? Ratkaisu: Kun sijoituskohteet ovat muodostuneet faktoreista seuraavasti r i = a i + b i f + b i2 f 2, niin kaikille i pätee, että odotettu tuotto on muotoa r i = λ 0 + b i λ + b i2 λ 2. Koska on olemassa riskitön sijoituskohde niin pätee λ 0 = r f, missä r f on riskittömän kohteen tuotto. Koska sijoituskohteiden odotetut tuotot r i ovat tiedossa saadaan yhtälöpari 5% = 0% + 2λ + λ 2 20% = 0% + 3λ + 4λ 2 Ratkaisemalla tämä saadaan λ = 2% λ 2 = % Toisin sanoen riskin hinta faktorille on 2% ja faktorille 2 vastaavasti %.
6 3. (L8.4) Olkoot r i, i =, 2,..., n, riippumattomia näytteitä tuotosta r, jonka odotusarvo on r ja varianssi σ 2. Estimoidaan tuoton odotusarvo ja tuoton varianssi kaavoilla Näytä, että E[s 2 ] = σ 2. Ratkaisu: ˆ r = n s 2 = n r i (r i ˆ r) 2 Tehtävänä on osoittaa, että s 2 on varianssin harhaton estimaattori. E[s 2 ] = E[ n (r i ˆ r) 2 ] = E[ n (r i n r j ) 2 ] j= Lisätään r:n odotusarvo potenssitermiin: E[ n ((r i r) n (r j r)) 2 ] j= ulos odotusar- Erotetaan r i :t omaksi termiksi ja jätetään muut r j :t summaan sekä otetaan vakiotermi volausekkeesta: n E[ (( n )(r i r) (r j r)) 2 ] n i j= Kirjoitetaan odotusarvolausekkeen sisällä oleva potenssitermi auki: n E[ (( n )2 (r i r) 2 2(r i r)( n ) n (r j r) + ( n i j= n (r j r)) 2 )] i j= Nyt avaamalla viimeinenkin potenssitermi sekä ottamalla jokaisesta summan termistä erikseen odotusarvot saadaan: n [ ( n )2 E[(r i r)] 2( n ) n i j= E[(r i r)(r j r)] + n 2 i j= i k= E[(r j r)(r k r)] ] Koska termien kovarianssit σ ij = 0 ja varianssit σ 2 i = σ2 saadaan lauseke yksinkertaisemmaksi muotoon n [ ( n )2 σ 2 + (n )σ2] n2
7 Summatermejä on n kpl joten saadaan Tämä lopulta sievenee seuraavasti σ 2 σ 2 n [ ( n n )2 + (n )] n2 n [ 2 n n + n 2 + n ] = σ 2 n n 2 n [ n ] = n σ2 n = σ2 m.o.t. Tässä huomattava, että jos odotusarvo tiedettäisiin tarkasti niin harhattomassa estimaattorissa käytetään jakajana n :n asemesta n:ää.
8 4. (L8.7) Kalle Virtanen on keksinyt nerokkaan tavan saada 24 näytettä yhden vuoden kuukausittaisista tuotoista tavallisen 2 sijaan: hän ottaa päällekkäisiä näytteitä. Kunkin näytteen pituus on yksi kuukausi, mutta näytteitä otetaan sekä kuukauden alussa että puolivälissä. Tällöin ensimmäinen näyte kattaa ajanjakson tammikuun ensimmäisestä päivästä tammikuun loppuun ja toinen tammikuun 5. päivästä helmikuun 4. päivään jne. (tarkkaan ottaen 24. näyte tulee seuraavan vuoden puolelta) Kalle päättelee, että estimaattorien tarkkuus paranee, kun näytteiden määrä kasvaa. Arvioi Kallen menetelmää. Kuinka Kallen menetelmän antama tuoton odotusarvon estimaattorin (keskiarvon) varianssi V ar[ˆ r] ja tavallisen, 2 erillisen näytteen menetelmän tuottama varianssi suhtautuvat toisiinsa? Ratkaisu: Olkoot ρ i :t puolikuukausittaisia tuottoja, jotka eivät korreloi toistensa kanssa ja joiden varianssi on vakio V ar[ρ i ] = σ 2 ρ Tällöin puolikuukausittain mitattu kuukausituotto on Kuukausituoton odotusarvon estimaattori on r i = ρ i + ρ i+ ˆ r = r i = (ρ i + ρ i+ ) = 24 (ρ i=2 ρ i + ρ 25 ) Kuukausituoton varianssi on σ 2 = V ar[r i ] = V ar[ρ i + ρ i+ ] = V ar[ρ i ] + V ar[ρ i+ ] = 2σ 2 ρ joten saatiin siis yhteys kuukausittaisen ja puolikuukausittaisen tuoton varianssin välille! Estimaattorin varianssi kuvaa sen antamien estimaattien tarkkuutta. Tutkitaan saadun ja 2 näytettä käyttävien estimaattorien hajontoja. V ar[ˆ r] = V ar[ r i ] = V ar[ 24 ρ i=2 ρ i + 24 ρ 25] = σ 2 ρ = σ2 ρ = σ2 2 σ2, koska = 2. Tavallisen 2 näytettä ottavan estimaattorin varianssi on vastaavasti V ar[ˆ r] = V ar[ 2 2 r i ] = σ2 = 2 σ2 Ero johtuu siitä, että ensimmäinen ja viimeinen termi tulee 24:n otoksen estimaattorissa vain yhteen kertaan! Mikäli olisi ρ = ρ 25 olisi estimaattoreilla täsmälleen sama varianssi. Toisin sanoen estimaattien tarkkuus ei parane lainkaan, koska otokset ovat korreloituneita.
r = r f + r M r f (Todistus kirjassa sivulla 177 tai luennon 6 kalvoissa sivulla 6.) yhtälöön saadaan ns. CAPM:n hinnoittelun peruskaava Q P
Markkinaportfolio on koostuu kaikista markkinoilla olevista riskipitoisista sijoituskohteista siten, että sijoituskohteiden osuudet (so. painot) markkinaportfoliossa vastaavat kohteiden markkina-arvojen
Lisätiedot, tuottoprosentti r = X 1 X 0
Ostat osakkeen hintaan ja myyt sen vuoden myöhemmin hintaan X 1. Kokonaistuotto on tällöin R = X 1, tuottoprosentti r = X 1 ja pätee R = 1 + r. Lyhyeksimyymisellä tarkoitetaan, että voit myydä osakkeen
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotBatch means -menetelmä
S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin
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
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
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
LisätiedotJohdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio
Johdannaisanalyysi Contingent Claims Analysis Juha Leino 11.10.2000 Optimointiopin seminaari - Syksy 2000 / 1 Oletukset Yritys tuottaa tuotetta, jonka hinta on x x noudattaa geometrista Brownin liikettä
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
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
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
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.
LisätiedotMat-2.3114 Investointiteoria - Kotitehtävät
Mat-2.3114 Investointiteoria - Kotitehtävät Kotitehtäviä on yhteensä kahdeksan ja ne ratkeavat tavallisilla taulukkolaskentaohjelmistoilla. Jokaisesta kotitehtävistä saa maksimissaan 5 pistettä: 4p/oikea
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
LisätiedotMat-2.3114 Investointiteoria Laskuharjoitus 3/2008, Ratkaisut 05.02.2008
Korko riippuu usein laina-ajan pituudesta ja pitkille talletuksille maksetaan korkeampaa korkoa. Spot-korko s t on se korko, joka kertyy lainatulle pääomalle hetkeen t (=kokonaisluku) mennessä. Spot-korot
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
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
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
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
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).
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
LisätiedotABHELSINKI UNIVERSITY OF TECHNOLOGY
Johdatus regressioanalyysiin Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen vaihtelun avulla.
Lisätiedot1. Tutkitaan regressiomallia Y i = β 0 + β 1 X i + u i ja oletetaan, että tavanomaiset
TA7, Ekonometrian johdantokurssi HARJOITUS 7 RATKAISUEHDOTUKSET 16.3.2015 1. Tutkitaan regressiomallia Y i = β 0 + X i + u i ja oletetaan, että tavanomaiset regressiomallin oletukset pätevät (Key Concept
LisätiedotKaksisuuntainen varianssianalyysi. Heliövaara 1
Kaksisuuntainen varianssianalyysi Heliövaara 1 Kaksi- tai useampisuuntainen varianssianalyysi Kaksi- tai useampisuuntaisessa varianssianalyysissa perusjoukko on jaettu ryhmiin kahden tai useamman tekijän
LisätiedotJohdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1
Johdatus varianssianalyysiin Vilkkumaa / Kuusinen 1 Motivointi Luento 4: kahden riippumattoman otoksen odotusarvoja voidaan vertailla t-testillä H 0 : μ 1 = μ 2, T = ˉX 1 ˉX 2 s 2 1 + s2 2 n 1 n 2 a t(min[(n
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
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotKaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1
Kaksisuuntainen varianssianalyysi Vilkkumaa / Kuusinen 1 Motivointi Luennot 6 ja 7: yksisuuntaisella varianssianalyysilla testataan ryhmäkohtaisten odotusarvojen yhtäsuuruutta, kun perusjoukko on jaettu
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
LisätiedotJohdatus regressioanalyysiin. Heliövaara 1
Johdatus regressioanalyysiin Heliövaara 1 Regressioanalyysin idea Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun selittävien muuttujien havaittujen arvojen
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
LisätiedotOPTIMAALINEN INVESTOINTIPÄÄTÖS
OPTIMAALINEN INESTOINTIPÄÄTÖS Keskiarvoon palautuvalle prosessille ja Poissonin hyppyprosessille Optimointiopin seminaari - Syksy 000 / 1 I. KESKIAROON PALAUTUA PROSESSI Investoinnin kohde-etuuden arvo
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
LisätiedotTilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä
Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä arvon Sisältö arvon Bootstrap-luottamusvälit arvon arvon Oletetaan, että meillä on n kappaletta (x 1, y 1 ),
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
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
LisätiedotMat-2.11 4 Investointiteoria. Tentti 6.9.2005. Mitd
.* Mat-2.11 4 Investointiteoria Tentti 6.9.2005 Ki{oita jokaiseen koepapcriin selveisti: o Mat-2.114 Investointiteoria o opintoki{'an numero sekii sukunimi ja viralliset etunimet tekstaten o koulutusohjelma
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
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
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
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
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
LisätiedotV ar(m n ) = V ar(x i ).
Mat-.3 Stokastiset prosessit Syksy 007 Laskuharjoitustehtävät 6 Poropudas/Kokkala. Olkoon M n = X +... + X n martingaali ja M 0 = 0. Osoita, että V ar(m n ) = n V ar(x i ). i= Huomattavaa on, että muuttujia
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
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
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
Lisätiedot7. laskuharjoituskierros, vko 10, ratkaisut
7. laskuharjoituskierros, vko 10, ratkaisut D1. a) Oletetaan, että satunnaismuuttujat X ja Y noudattavat kaksiulotteista normaalijakaumaa parametrein E(X) = 0, E(Y ) = 1, Var(X) = 1, Var(Y ) = 4 ja Cov(X,
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
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
LisätiedotOtoskoko 107 kpl. a) 27 b) 2654
1. Tietyllä koneella valmistettavien tiivisterenkaiden halkaisijan keskihajonnan tiedetään olevan 0.04 tuumaa. Kyseisellä koneella valmistettujen 100 renkaan halkaisijoiden keskiarvo oli 0.60 tuumaa. Määrää
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
LisätiedotTilastollisen analyysin perusteet Luento 7: Lineaarinen regressio
Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio Sisältö Regressioanalyysissä tavoitteena on tutkia yhden tai useamman selittävän muuttujan vaikutusta selitettävään muuttujaan. Sen avulla
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
Lisätiedoty + 4y = 0 (1) λ = 0
Matematiikan ja tilastotieteen osasto/hy Differentiaaliyhtälöt I Laskuharjoitus 6 mallit Kevät 2019 Tehtävä 1. Ratkaise yhtälöt a) y + 4y = x 2, b) y + 4y = 3e x. Ratkaisu: a) Differentiaaliyhtälön yleinen
LisätiedotMS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Satunnaismuuttujien summa ja keskihajonta Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 15. marraskuuta 2007 Antti Rasila () TodB 15. marraskuuta 2007 1 / 19 1 Tilastollisia testejä (jatkoa) Yhden otoksen χ 2 -testi varianssille Kahden riippumattoman
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
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotProjektin arvon aleneminen
Projektin arvon aleneminen sivut 99-07 Optimointiopin seminaari - Syksy 000 / Arvon aleneminen Jatketaan projektin arvon tutkimista. Nyt huomioidaan arvon aleneminen. Syitä esimerkiksi: kaluston vanheneminen
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
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
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
LisätiedotMS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi 3A Normaaliapproksimaatio Lasse Leskelä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Lukuvuosi 2016
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
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.
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
LisätiedotVapaus. Määritelmä. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee:
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotLisää satunnaisuutta ja mahdollisuus keskeyttää projekti
isää satunnaisuutta ja mahdollisuus keskeyttää projekti Esitelmä 7 - Mika lmoniemi Optimointiopin seminaari - Syksy isää satunnaisuutta Tähän mennessä on käytetty vain yhtä satunnaismuuttujaa tuotteen
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
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
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
LisätiedotArvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Päätöksentekijä on riskipakoinen, jos hyötyfunktio on konkaavi. a(x) = U (x) U (x)
Arvo (engl. value) = varmaan attribuutin tulemaan liittyvä arvo. Hyöty (engl. utility) = arvo, jonka koemme riskitilanteessa eli, kun teemme päätöksiä epävarmuuden (todennäköisyyksien) vallitessa. Vrt.
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 Vapaus. 7.1 Vapauden määritelmä
7 Vapaus Kuten edellisen luvun lopussa mainittiin, seuraavaksi pyritään ratkaisemaan, onko annetussa aliavaruuden virittäjäjoukossa tarpeettomia vektoreita Jos tällaisia ei ole, virittäjäjoukkoa kutsutaan
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 2A
Tilastollinen päättely II, kevät 07 Harjoitus A Heikki Korpela 3. tammikuuta 07 Tehtävä. (Monisteen tehtävä.3 Olkoot Y,..., Y n Exp(λ. Kirjoita vastaava tilastollisen mallin lauseke (ytf. Muodosta sitten
LisätiedotValintahetket ja pysäytetyt martingaalit
4B Valintahetket ja pysäytetyt martingaalit Tämän harjoituksen tavoitteena on oppia tunnistamaan, mitkä satunnaishetket ovat valintahetkiä ja oppia laskemaan lukuarvoja ja estimaatteja satunnaisprosessien
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
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
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
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
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
LisätiedotTilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin
Tilastollisen analyysin perusteet Luento 10: Sisältö Varianssianalyysi Varianssianalyysi on kahden riippumattoman otoksen t testin yleistys. Varianssianalyysissä perusjoukko koostuu kahdesta tai useammasta
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
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
LisätiedotParametrin estimointi ja bootstrap-otanta
Parametrin estimointi ja bootstrap-otanta Hannu Toivonen, Marko Salmenkivi, Inkeri Verkamo Tutkimustiedonhallinnan peruskurssi Parametrin estimointi ja bootstrap-otanta 1/27 Kevät 2003 Käytännön asioista
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
LisätiedotDierentiaaliyhtälöistä
Dierentiaaliyhtälöistä Markus Kettunen 4. maaliskuuta 2009 1 SISÄLTÖ 1 Sisältö 1 Dierentiaaliyhtälöistä 2 1.1 Johdanto................................. 2 1.2 Ratkaisun yksikäsitteisyydestä.....................
LisätiedotTodennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1
Todennäköisyyslaskun kertaus Vilkkumaa / Kuusinen 1 Satunnaismuuttujat ja todennäköisyysjakaumat Vilkkumaa / Kuusinen 2 Motivointi Kokeellisessa tutkimuksessa tutkittaviin ilmiöihin liittyvien havaintojen
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
LisätiedotLause 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
LisätiedotDerivaatat lasketaan komponenteittain, esimerkiksi E 1 E 2
MS-C50 Osittaisdifferentiaaliyhtälöt Harjoitukset syksy 07. Oletetaan että vektorikenttä E E E E : R R on kaksi kertaa jatkuvasti derivoituva E C R. Näytä että E E. Derivaatat lasketaan komponenteittain
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 +
Lisätiedot3.11.2006. ,ܾ jaü on annettu niin voidaan hakea funktion 0.1 0.2 0.3 0.4
Ü µ ½ ¾Ü¾µ Ü¾Ê 3.11.2006 1. Satunnaismuuttujan tiheysfunktio on ¼ ļ ܽ ܾ ÜÒµ Ä Ü½ ÜÒµ Ò Ä Ü½ ܾ ÜÒµ ܽ µ ܾ µ ÜÒ µ Ò missä tietenkin vaaditaan, että ¼. Muodosta :n ¾Ä ܽ ÜÒµ Ò ½¾ ܾ Ò ½ ¾Ü¾½µ ½ ¾Ü¾Òµ
LisätiedotJos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan
17.11.2006 1. Kahdesta kohteesta (A ja K) kerättiin maanäytteitä ja näistä mitattiin SiO -pitoisuus. Tulokset (otoskoot ja otosten tunnusluvut): A K 10 16 Ü 64.94 57.06 9.0 7.29 Oletetaan mittaustulosten
Lisätiedotln S(k) = ln S(0) + w(i) E[ln S(k)] = ln S(0) + vk V ar[ln S(k)] = kσ 2
Moniperiodisten investointitehtäviä tarkasteltaessa sijoituskohteiden hintojen kehitystä mallinnetaan diskeetteinä (binomihilat) tai jatkuvina (Itô-prosessit) prosesseina. Sijoituskohteen hinta hetkellä
LisätiedotLatinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt
TKK (c) Ilkka Mellin (005) Koesuunnittelu TKK (c) Ilkka Mellin (005) : Mitä opimme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Miten varianssianalyysissa tutkitaan yhden tekijän vaikutusta vastemuuttujaan,
LisätiedotTekijä Pitkä Matematiikka 11 ratkaisut luku 2
Tekijä Pitkä matematiikka 11 0..017 170 a) Koska 8 = 4 7, luku 8 on jaollinen luvulla 4. b) Koska 104 = 4 6, luku 104 on jaollinen luvulla 4. c) Koska 4 0 = 80 < 8 ja 4 1 = 84 > 8, luku 8 ei ole jaollinen
LisätiedotKahden suoran leikkauspiste ja välinen kulma (suoraparvia)
Kahden suoran leikkauspiste ja välinen kulma (suoraparvia) Piste x 0, y 0 on suoralla, jos sen koordinaatit toteuttavat suoran yhtälön. Esimerkki Olkoon suora 2x + y + 8 = 0 y = 2x 8. Piste 5,2 ei ole
Lisätiedot2. Keskiarvojen vartailua
2. Keskiarvojen vartailua Esimerkki 2.1: Oheiset mittaukset liittyvät Portland Sementin sidoslujuuteen (kgf/cm 2 ). Mittaukset y 1 ovat nykyisestä seoksesta ja mittaukset y 2 uudesta seoksesta, jossa lisäaineena
Lisätiedot/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:
4.10.2016/1 MTTTP1, luento 4.10.2016 7.4 Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti: Samoin z /2 siten, että P(Z > z /2 ) = /2, graafisesti: 4.10.2016/2
Lisätiedot