Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Samankaltaiset tiedostot
on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

1. PARAMETRIEN ESTIMOINTI

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Tilastollinen riippuvuus ja korrelaatio

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Sovellettu todennäköisyyslasku A

Testaa onko lämpökäsittelyllä vaikutusta tankojen keskimääräiseen vetolujuuteen.

Mat Sovellettu todennäköisyyslasku A

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

Mat Sovellettu todennäköisyyslaskenta B 8. harjoitukset / Ratkaisut Aiheet: Otos ja otosjakaumat Avainsanat:

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Ilkka Mellin (2008) 1/24

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

ε i = jäännös- eli virhetermin ε satunnainen ja ei-havaittu arvo havaintoyksikössä i

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Mat Koesuunnittelu ja tilastolliset mallit

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot

Muuttujien välisten riippuvuuksien analysointi

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

Suoran sovittaminen pistejoukkoon

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

2-suuntainen vaihtoehtoinen hypoteesi

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Yhden selittäjän lineaarinen regressiomalli: Lisätiedot. Yhden selittäjän lineaarinen regressiomalli

Ratkaisu: Kaikki tehtävän laskutoimitukset on tehty Microsoft Excel -ohjelmalla; ks. taulukkoa tehtävän lopussa.

Tilastollinen päättely. 3. Piste-estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 6

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Moniulotteiset jakaumat ja havaintoaineistot

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Mat Tilastollisen analyysin perusteet, kevät 2007

Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot

Tilastollinen päättely. 3. Piste estimointi Johdanto Estimointimenetelmät Estimaattoreiden ominaisuudet

Mat Sovellettu todennäköisyyslaskenta B 9. harjoitukset / Ratkaisut Aiheet: Estimointi Estimointimenetelmät Väliestimointi Avainsanat:

Mat Tilastollisen analyysin perusteet, kevät 2007

Yhden selittäjän lineaarinen regressiomalli

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Luento 6 Luotettavuus Koherentit järjestelmät

Ilkka Mellin (2006) 1/1

Johdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1

Olkoon R S otosavaruuksien R ja S karteesinen tulo: Satunnaismuuttujien X ja Y järjestetty pari (X, Y) määrittelee kaksiulotteisen satunnaismuuttujan:

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

Väliestimointi (jatkoa) Heliövaara 1

Puutteiden lukumäärän estimointi toisen asteen polynomin avulla

3.5 Generoivat funktiot ja momentit

Johdatus regressioanalyysiin. Heliövaara 1

Raja-arvot. Osittaisderivaatat.

Mat Tilastollisen analyysin perusteet, kevät 2007

3. Datan käsittely lyhyt katsaus

HASSEN-WEILIN LAUSE. Kertausta

Testit järjestysasteikollisille muuttujille

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

Käyttövarmuuden ja kunnossapidon perusteet, KSU-4310: Tentti ma

Testit laatueroasteikollisille muuttujille

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Jaksolliset ja toistuvat suoritukset

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

LUJUUSOPPI 20/1 SESSIO 20: PINTASUUREET JOHDANTO

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Mat Tilastollisen analyysin perusteet, kevät 2007

Otantajakauman käyttö päättelyssä

5.3 Matriisin kääntäminen adjungaatilla

Mat Tilastollisen analyysin perusteet, kevät 2007

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Ilkka Mellin Tilastolliset menetelmät. Osa 4: Lineaarinen regressioanalyysi. Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2007) 1

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Johdatus tilastotieteeseen Yleinen lineaarinen malli. TKK (c) Ilkka Mellin (2004) 1

TA7, Ekonometrian johdantokurssi HARJOITUS 4 1 RATKAISUEHDOTUKSET

POIKKILEIKKAUKSEN GEOMETRISET SUUREET

Tilastollisen fysiikan luennot

Moniulotteisia todennäköisyysjakaumia

Regressioanalyysi. Kuusinen/Heliövaara 1

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Jakaumien tunnusluvut. Jakaumien tunnusluvut. Jakaumien tunnusluvut: Mitä opimme? 2/2. Jakaumien tunnusluvut: Mitä opimme? 1/2

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:

LIITE 2 SUORAN SOVITTAMINEN HAVAINTOPISTEISIIN

Tilastollisen analyysin perusteet Luento 7: Lineaarinen regressio

Äärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims

Transkriptio:

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset / Ratkasut Aheet: Avasaat: Yhde selttäjä leaare regressomall Artmeette keskarvo, Estmaatt, Estmaattor, Hajotakuvo, Jääöselösumma, Jääösterm, Jääösvahtelu, Leaare regressomall, Kokoasvahtelu, Mallelösumma, Nelösumma, Otos, Otoskoko, Otoskeskhajota, Otoskorrelaato, Otoskovarass, Otosvarass, Pemmä elösumma meetelmä, Pstedagramm, Regressokerro, Regressomall, Regressosuora, Resduaal, Seltettävä muuttuja, Selttäjä, Selttävä muuttuja, Selts, Seltsaste, Sovte, Varassaalshajotelma, Vrheterm 4.. Prrä kohte (a)-(c) havatoaestoh lttvät pstedagrammt (hajotakuvot). Mh kuvosta leaare hde selttäjä regressomall sop hv, mh keskkertasest ja mh huoost? (a) 5 5 5 35 45 5 8 5 3 45 (b) 5 3 4 5 5 3 35 3 5 (c) 5 3 4 5 4 35 3 4 7 Ratkasu: (a) Leaare regressomall sop tähä aestoo keskkertasest. 5 4 3 4 6 TKK @ Ilkka Mell (5) /4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (b) Leaare regressomall sop tähä aestoo huoost. 4 3 4 6 (c) Leaare regressomall sop tähä aestoo hv. 5 4 3 4 6 4.. Sovta jokasee tehtävä havatoaestosta hde selttäjä leaare regressomall pemmä elösumma meetelmää kättäe. Laske estmotuje malle sovtteet ja resduaalt. Totea, että jokasella estmodulla malllla sovttede summa o sama ku seltettävä muuttuja havattuje arvoje summa ja resduaale summa o =. Määrää mös estmotuje malle seltsasteet. Ratkasu: Yhde selttäjä leaare regressomall lee muoto o jossa = β + β + ε, =,,, TKK @ Ilkka Mell (5) /4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset = seltettävä muuttuja satuae ja havattu arvo havatokskössä = selttäjä (selttävä muuttuja) e-satuae ja havattu arvo havatokskössä ε = jääös- el vrheterm satuae ja e-havattu arvo havatokskössä β = e-satuae ja tutemato vako (vakoselttäjä regressokerro) β = selttäjä e-satuae ja tutemato regressokerro Mall jääöstermstä tehdää seuraavat stokastset oletukset: () ε, ε,, ε ovat rppumattoma () ε σ = N(, ),,,, Jos mall selttäjä arvot ovat satuasa, korvataa jääöstermä ε koskeva oletus () llä estetssä s. stadardoletuksssa seuraavalla oletuksella: () ε σ = N(, ),,,, Oletus () tarkottaa, että satuasmuuttuja ε ehdolle jakauma ehdolla o ormaale. Mall = β + β + ε, =,,, regressokertome β ja β pemmä elösumma (PNS-) estmaattort saadaa kaavolla jossa b = b s s b = r = s s = = = = s s = ( ) = ( = = s = ( )( ) r = s = ss ) TKK @ Ilkka Mell (5) 3/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Jos regressokertomet joudutaa laskemaa käs ta laskmella, laskutomtukset kaattaa järjestää seuraava tauluko muotoo: ˆ e e ˆ e e ˆ e e # # # # # # # # # ˆ e e Sum = = = = = = = e Huomaa, että samaa taulukkoo o mukava laskea mös estmodu mall sovtteet ja resduaalt (ks. määrtelmä alla) sekä resduaale elösumma. Jos tarkotuksea o laskea aoastaa regressokertome β ja β PNS-estmaatt, llä olevasta taulukosta tarvtaa va -havatoje summa Σ ja elösumma Σ, - havatoje summa Σ sekä - ja -havatoje tulosumma Σ. Jos tarkotuksea o laskea mös estmodu mall seltsaste, tarvtaa edellä mattuje suurede lsäks mös -havatoje elösumma Σ sekä estmodu mall resduaale elösumma Σe. Artmeettset keskarvot ja, otosvarasst s ja s sekä otoskovarass s saadaa llä oleva tauluko sarakesummsta kaavolla = = = = s = s = = = = = s = = = = josta regressokertome estmaatt saadaa ss lasketuks kaavolla s b = s b = b TKK @ Ilkka Mell (5) 4/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Estmodu mall sovtteet saadaa kaavalla ˆ = b + b, =,,, ja resduaalt kaavalla e = ˆ = b b, =,,, Huomaa, että (koska mallssa o mukaa vakoterm) aa pätee ˆ = ( b + b ) = b + b = = = = = b + b = ( b ) + b = = = ja ste resduaale summa = : = = = = e = ( ˆ ) = ˆ = Estmodu mall seltsaste vodaa laskea kaavolla jossa R = SSE SSM [Cor(, ˆ)] SST = SST = SSE = e = o estmodu mall jääöselösumma (resduaale elösumma) SST = ( ) = ( ) s = o seltettävä muuttuja arvoje vahtelua kuvaava kokoaselösumma ja SSM = SST SSE = ( ˆ ) = o estmodu mall mallelösumma. Seltsastee määrtelmä perustuu she, että (koska mallssa o mukaa vakoterm) aa pätee s. varassaalshajotelma SST = SSM + SSE jossa mallelösumma SSM kuvaa stä osaa seltettävä muuttuja arvoje kokoasvahtelusta, joka mall o selttät ja jääöselösumma SSM kuvaa stä osaa seltettävä muuttuja arvoje kokoasvahtelusta, jota mall e ole selttät. Huomaa, että hde selttäjä leaarse regressomall tapauksessa pätee R = r TKK @ Ilkka Mell (5) 5/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (a) Ecel-taulukko tehtävä (a)-kohda havatoaestosta: Sovte Res Res 5 5 5 8.95685.4935.6 5 8 5 34 7 5.5978.489 5.7995 3 5 65 4 5.388 -.3877 4.985738 4 35 5 5 65 875 8.87397-3.873973 5.766 5 45 3 5 4 44 35.557-3.5568.3557 6 5 45 5 5 5 38.8356 6.64384 37.9996 Yht 75 5 665 4498 5385 5.4E-4 77.493 Taulukosta saadaa: Ste = 75 = 9.67 = 5 = 5 6 6 s = 665 75 = 34.67 s = 4498 5 = 49.6 6 6 6 6 s = 5385 75 5 = 6 6 b = =.664 34.67 b = b = 5.664 9.67 = 5.63 Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = 5.63 +.664 5 = 5.59 e = ˆ = 8 5.59 =.4 Estmodu mall seltsasteeks saadaa 77.49 R = =.897 (6 ) 49.6 TKK @ Ilkka Mell (5) 6/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (b) Ecel-taulukko tehtävä (b)-kohda havatoaestosta: Sovte Res Res 5 5 5 5 75 3.65753-8.657534 74.959 484 3.93973 -.93976 3.76537 3 3 4 4 64 4.54 7.49589 56.8837 4 3 35 9 5 5 5.6849 9.9357 98.63483 5 4 3 6 9 5.6388 4.3673 9.777 6 5 5 5 5 75 6.976 -.976 5.3786 Yht 55 49 555 483 3935 49.4E-4 377.989 Taulukosta saadaa: Ste = 55 = 5.833 = 49 = 4.833 6 6 s = 555 55 = 34.67 s = 483 49 = 76.567 6 6 6 6 s = 3935 55 49 = 7.67 6 6 7.67 b = =.564 34.67 b = b = 4.833.564 5.833 = 3.376 Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = 3.376 +.564 = 3.94 e = ˆ = 3.94 =.94 Estmodu mall seltsasteeks saadaa 377.989 R = =.7 (6 ) 76.567 TKK @ Ilkka Mell (5) 7/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (c) Ecel-taulukko tehtävä (c)-kohda havatoaestosta: Sovte Res Res 4 6 4 39.359.9649.9356 5 35 5 5 55 34.998.775.495 3 3 4 9 6 3.8456 -.8456.6799 4 3 9 484 66.644 -.6435.37739 5 4 4 6 96 56 4.435 -.4359.689 6 5 7 5 49 35 6.998.878.6577 Yht 65 48 575 4454 395 48 7.E-5.878 Taulukosta saadaa: Ste = 65 = 7.5 = 48 = 4.667 6 6 s = 575 65 = 37.5 s = 395 48 = 6.667 6 6 6 6 s = 395 65 48 = 95 6 6 95 b = =.8 37.5 b = b = 4.667 (.8) 7.5 = 47.45 Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ = 47.45 + (.8 5) = 34.93 e = ˆ = 35 34.93 =.7 Estmodu mall seltsasteeks saadaa.87 R = =.997 (6 ) 6.667 Seuraavalla svulla o kuvot, jossa estmodut regressosuorat o prrett kohte (a)-(c) havatoaestoja kuvaav pstedagrammeh. TKK @ Ilkka Mell (5) 8/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (a) 5 4 =.664 + 5.63 R =.8967 3 4 6 (b) 4 3 (c) =.564 + 3.375 R =.7 4 6 5 4 = -.8 + 47.46 R =.9965 3 4 6 TKK @ Ilkka Mell (5) 9/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset 4.3. O teht tutkmus eerga kulutukse ja kottaloude tulotaso välsestä htedestä. Seuraavassa taulukossa o aettu kottaloude tulotaso muuttujaa (kskkö: $ per vuos) ja eerga kulutus muuttujaa (kskkö: 8 Btu per vuos): Eerga kulutus Kottaloude tulotaso.8. 3. 3.5 4.8 4. 5. 55. 6.5 6.3 7. 74.9 9. 88.4 9. 95. (a) (b) (c) (d) (e) Ratkasu: Prrä pstedagramm (hajotakuvo). Estmo hde selttäjä leaare regressomall, jossa seltettävää muuttuja o eerga kulutus (= ) ja selttäjä o tulotaso (= ) ja vakoterm. Määrää estmodu mall seltsaste sekä estä mös estmodu mall varassaalshajotelma. Estmo kottaloukse keskmääräe eergakulutus, ku = 5 (kottaloude tulotaso = 5 $). Oletetaa, että perhe A asatsee vuodessa $ eemmä ku perhe B. Kuka paljo eemmä (ta vähemmä) perhe B kuluttaa eergaa ku perhe A keskmäär vuodessa? Ks. mös tehtävää 4.. TKK @ Ilkka Mell (5) /4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (a) 8 6 4 4 6 8 (b) Ecel-taulukko tehtävä havatoaestosta: Sovte Res Res.8 4 3.4 36.334 -.3334.45 3.5 3 93.5 9 9.5 3.37544 -.37544.898 3 4 4.8 6 3.4 9 4.47.75989.56699 4 55. 5 336. 5 75.5 5.49586 -.49586.464 5 6.3 6.5 3636.9 4.5 39.95 5.994.596.5969 6 74.9 7 56. 49 54.3 7.3889 -.3889.568 7 88.4 9 784.56 8 795.6 8.685.3949.74 8 95. 9. 963.4 8.8 866.3 9.33497 -.3497.5359 Yht 464.4 46. 389.96 35.34 373.7 46. -.3E-4.54988 Taulukosta saadaa: = = 464.4 = 58.5 8 = = = 46. = 5.775 8 = s = = 39 464.4 = 733.8 = = 8 8 s = == 35.34 46. = 6.9336 = = 8 8 s = 373. 464.4 46. 7.8 = = = = = 8 8 TKK @ Ilkka Mell (5) /4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Ste s 7.8 b = = =.95733 733.8 s b = b = 5.775 (.95733) 58.5 =.77 Taulukkoo o laskettu mös estmodu mall sovtteet ja resduaalt ja de summat; esmerkks jollo ˆ =.767 +.95733 3.5 = 3.375 e = ˆ = 3 3.375 =.375 (c) Koska ja SSE = e =.55 = ( ) ( ) (8 ) 6.9336 48.535 = SST = = s = = Estmodu mall mallelösummaks saadaa SSM = SST SSE = 48.535.55 = 47.3 Estmodu mall varassaalshajotelma o ste SST = 48.535 = SSM + SSE = 47.3 +.55 ja estmodu mall seltsasteeks saadaa SSE.55 R = = =.969 SST 48.535 8 =.957 +.77 R =.969 6 4 4 6 8 TKK @ Ilkka Mell (5) /4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset (d) Estmodu regressosuora htälö o (b)-kohda mukaa = b + b =.77 +.95733 Sjotetaa suora htälöö Saadaa = 5 =.77 +.95733 5 = 5.44 Ste sellase kottaloude, jolla vuostulot ovat 5 $, keskmääräe eergakulutus o. 5 8 Btu per vuos. (e) Olkoo perhee A vuostulot ja perhee B + Tällö perhee A keskmääräe eergakulutus o A = b + b ja perhee B keskmääräe eergakulutus o B = b + b ( + ) = b + b + b = A + b Ste B A = b Tässä = Ste B A = b =.95733 =.947 el perhe B kuluttaa eergaa keskmäär.9 8 Btu per vuos. TKK @ Ilkka Mell (5) 3/4

Mat-.3 Koesuuttelu ja tlastollset mallt 4. harjotukset Huomautus: Tehtävä 3.3. kohdassa (e) o kätett hväks estmodu regressosuora kulmakertome geometrsta tulktaa. Oletetaa, että selttäjä arvo kasvaa hdellä ksköllä. Tällö seltettävä muuttuja arvo muuttuu b kskköä: Jos + b + b ( + ) = b + b + b = + b TKK @ Ilkka Mell (5) 4/4