&idx=2&uilang=fi&lang=fi&lvv=2015

Samankaltaiset tiedostot
&idx=2&uilang=fi&lang=fi&lvv=2015

dx=2&uilang=fi&lang=fi&lvv=2015

Kokonaisuudet johon opintojakso kuuluu Lang=fi&lang=fi&lvv=2014

dx=5&uilang=fi&lang=fi&lvv=2014

x=2&uilang=fi&lang=fi&lvv=2016

&idx=2&uilang=fi&lang=fi&lvv=2015

&idx=2&uilang=fi&lang=fi&lvv=2015

x=2&uilang=fi&lang=fi&lvv=2017

g=fi&lvv=2018&uilang=fi#parents

dx=2&uilang=fi&lang=fi&lvv=2015

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

MTTTP5, luento Kahden jakauman sijainnin vertailu (jatkoa) Tutkimustilanteita y = neliöhinta x = sijainti (2 aluetta)

MTTTA1 Tilastomenetelmien perusteet 5 op Luento , osa 1. 1 Kokonaisuudet johon opintojakso kuuluu

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

riippumattomia ja noudattavat samaa jakaumaa.

Tilastollisen päättelyn perusteet, MTTTP5. Luentorunko, lukuvuosi

Todennäköisyys (englanniksi probability)

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi

30A02000 Tilastotieteen perusteet

Miten hyvin mallit kuvaavat todellisuutta? Tarvitaan havaintoja.

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, syksy Raija Leppälä

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.

(x, y) 2. heiton tulos y

TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

Todennäköisyyslaskenta - tehtävät

Mat Sovellettu todennäköisyyslasku. Aiheet: Todennäköisyyslaskennan peruskäsitteet Todennäköisyyslaskennan peruslaskusäännöt Avainsanat:

/1. MTTTP1, luento Normaalijakauma (kertausta) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät 2017 Harjoitus 1 Ratkaisuehdotuksia Tehtäväsarja I

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

D ( ) E( ) E( ) 2.917

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

Todennäköisyyden käsite ja laskusäännöt

Suotuisien tapahtumien lukumäärä Kaikki alkeistapahtumien lukumäärä

Todennäköisyyden ominaisuuksia

7.4 Normaalijakauma (kertausta ja täydennystä) Taulukosta P(Z 1,6449) = 0,05, P(Z -1,6449) = 0,05 P(Z 1,96) = 0,025, P(Z -1,96) = 0,025

Todennäköisyyslaskenta I, kesä 2017 Helsingin yliopisto/avoin Yliopisto Harjoitus 1, ratkaisuehdotukset

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Sovellettu todennäköisyyslasku A

Osa 1: Todennäköisyys ja sen laskusäännöt

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden aksioomat

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

D ( ) Var( ) ( ) E( ) [E( )]

1. JOHDANTO. SIS LLYSLUETTELO sivu 1. JOHDANTO 3

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Todennäköisyyslaskenta I. Ville Hyvönen

OPETUSSUUNNITELMALOMAKE

OPETUSSUUNNITELMALOMAKE

031021P Tilastomatematiikka (5 op) Kurssi-info ja lukion kertausta

Gripenberg. MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Tentti ja välikoeuusinta

(b) Tarkista integroimalla, että kyseessä on todella tiheysfunktio.

/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin

Varma tapahtuma, Yhdiste, Yhdistetty tapahtuma, Yhteenlaskusääntö

Johdatus todennäköisyyslaskentaan Todennäköisyyden aksioomat. TKK (c) Ilkka Mellin (2005) 1

1. laskuharjoituskierros, vko 4, ratkaisut

Tilastollisten menetelmien perusteet I,TILTP2 Luentorunko, syksy 2000

9 Yhteenlaskusääntö ja komplementtitapahtuma

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

4. laskuharjoituskierros, vko 7, ratkaisut

OTATKO RISKIN? peli. Heitä noppaa 3 kertaa. Tavoitteena on saada

Sovellettu todennäköisyyslaskenta B

Teema 8: Parametrien estimointi ja luottamusvälit

Luottamusvälit. Normaalijakauma johnkin kohtaan

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Sovellettu todennäköisyyslaskenta B

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

ikä (vuosia) on jo muuttanut 7 % 46 % 87 % 96 % 98 % 100 %

Matemaattinen tilastotiede. Erkki Liski Matematiikan, Tilastotieteen ja Filosofian Laitos Tampereen Yliopisto

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Sovellettu todennäköisyyslasku A

Todennäköisyyslaskenta I

3.7 Todennäköisyysjakaumia

Osa 1: Todennäköisyys ja sen laskusäännöt. Todennäköisyyden peruslaskusäännöt

5/11 6/11 Vaihe 1. 6/10 4/10 6/10 4/10 Vaihe 2. 5/11 6/11 4/11 7/11 6/11 5/11 5/11 6/11 Vaihe 3

Otanta ilman takaisinpanoa

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

1. Matkalla todennäköisyyteen

MTTTP5, luento Luottamusväli, määritelmä

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Teema 7: Todennäköisyyksien laskentaa

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Transkriptio:

20.10.2015/1 MTTTP5, luento 20.10.2015 1 Kokonaisuudet, joihin opintojakso kuuluu https://www10.uta.fi/opas/opintojakso.htm?rid=11585 &idx=2&uilang=fi&lang=fi&lvv=2015 2 Osaamistavoitteet Opiskelija osaa yksinkertaisia todennäköisyyslaskuja sekä kombinatoriikan alkeet. Esim. Kuinka todennäköistä on saada täysosuma samalla viikolla sekä lotossa että Eurojackpotissa?

20.10.2015/2 Hän ymmärtää satunnaismuuttujan ja sen jakauman. Esim. Nopanheitossa silmäluku, diskreetti satunnaismuuttuja, jakauma diskreetti tasajakauma Esim. Satunnaisesti väliltä (0, 1) valittu reaaliluku, jatkuva satunnaismuuttuja, jakauma jatkuva tasajakauma

20.10.2015/3 Hän pystyy yksinkertaisissa tilanteissa määrittämään satunnaismuuttujan jakauman. Esim. Avainnipussa on 5 avainta, joista yksi on kotiavain. Valitset satunnaisesti yhden. Määritä todennäköisyys sille, että saat kotiavaimen yrityskerralla k. Montako kertaa joudut keskimäärin yrittämään saadaksesi kotiavaimen? Hän tuntee odotusarvon ja varianssin ominaisuudet. Esim. Oletetaan, että sijoituskohteista A ja B keskimääräinen tuotto euron sijoituksesta on µ ja varianssi σ 2. Miten 1000 euroa kannattaa sijoittaa kohteisiin A ja B?

20.10.2015/4 Opiskelija tuntee binomijakauman ja normaalijakauman ja osaa laskea näihin liittyviä todennäköisyyksiä. Esim. Kuinka todennäköistä on läpäistä väittämistä koostuvan tentti arvaamalla? Esim. Lentoyhtiöllä on kone, joka voi ottaa kuljetettavaksi 5000 kg. Voiko yhtiö ottaa kuljetettavakseen 100 lammasta? Aiemmin on ollut punnittuna 1000 vastaavanlaista lammasta, joiden keskipaino on ollut 45 kg ja hajonta 3 kg.

20.10.2015/5 Opiskelija ymmärtää satunnaisotoksen, otossuureen, otossuureen jakauman sekä otossuureiden käytön tilastollisessa päättelyssä. Esim. Rattaan keskimääräinen pyörimisaika on 150 s ja keskihajonta 10 s. Onko rasvaaminen vaikuttanut keskimääräiseen pyörimisaikaan? Rasvauksen jälkeen viiden rattaan pyörimisaikojen keskiarvo oli 162 s. Esim. Pyöritetään rulettia 3400 kertaa ja saadaan 140 nollaa, jolloin pelipaikka voittaa. Voitko todistaa oikeudessa, että pelipaikan ruletti toimii väärin? Esim. Tuottavatko koneet A ja B keskimäärin samanmittaisia tankoja?

20.10.2015/6 Opiskelija ymmärtää estimoinnin ja hypoteesien testaukseen liittyvän teorian opintojaksolla esitetyssä laajuudessa. Esim. Populaatiossa π % viallisia. Miten arvioidaan? Onko arvio luotettava? Esim. Populaation odotusarvon µ arviointi. Miten arvioidaan? Onko arvio luotettava? Esim. Tarkastellaan kahden populaation odotusarvoja. Miten arvioidaan niiden yhtäsuuruutta? Onko arvio luotettava?

20.10.2015/7 Hän tunnistaa erilaiset estimointitilanteet, osaa valita tilanteeseen soveltuvan luottamusvälin sekä käyttää sitä tilastollisessa päättelyssä. Esim. Puolueen kannatuksen arviointi. Kyselyssä kannattajia 15 %, otoskoko 2000. Esim. Hillopurkkien keskimääräisen painon arviointi. Satunnaisesti valittujen 25 hillopurkin keskipaino 330 g ja keskihajonta 20 g. Esim. Tuottavatko koneet A ja B keskimäärin samanmittaisia tankoja? Molempien koneiden tuotannosta valittu satunnaisesti 100 tankoja, joiden keskiarvoiksi saadaan 2,5 cm ja 2,7 cm sekä keskihajonnoiksi 0,005 cm ja 0,006 cm.

20.10.2015/8 Hän ymmärtää tilastollisen testauksen periaatteet ja osaa suorittaa tilastollisen testauksen annetussa empiirisessä tilanteessa. Esim. Puolue väittää kannatuksensa olevan eli 18 %. Voitko uskoa väitteen? Esim. Voidaanko uskoa, että hillopurkit painavat keskimäärin 340 g. Esim. Tuottavatko koneet A ja B keskimäärin samanmittaisia tankoja?

20.10.2015/9 3 Kurssin kotisivu http://www.uta.fi/sis/mtt/mtttp5/syksy_2015.html Opetus Kurssi-info (sisältö, tentit, harjoitushyvitys) Luennot, luentorunko (sis. kaavat, taulukot), luentokalvot Harjoitukset, tehtävät, ohjeet (Moodle), ratkaisut Oheiskirjallisuutta Usein kysyttyä Linkkejä Palaute

20.10.2015/10 Luku 2 Todennäköisyyslaskentaa 2.1 Satunnaisilmiö ja tapahtuma Satunnaisilmiö useita tulosmahdollisuuksia epävarmuutta tuloksesta Esim. 2.1.2 Rahanheitto, nopanheitto, lottoaminen, vakioveikkaus, kortin vetäminen sekoitetusta pakasta. Kaikki mahdolliset tulokset muodostavat perusjoukon E.

Esim. 2.1.1 Rahanheitto E = {kruuna, klaava} Nopanheitto E = {1, 2, 3, 4, 5, 6} 20.10.2015/11 Lottoaminen E = {kaikki mahdolliset lottorivit}, joita on 15380937 Vakioveikkaus E = {kaikki mahdolliset rivit}, joita on 1594323

20.10.2015/12 Tapahtuma on perusjoukon osajoukko. Esim. 2.1.1 Rahanheitto A = {saadaan kruuna} Nopanheitto A = {saadaan parillinen} = {2, 4, 6} Lottoaminen A = {saadaan 7 oikein} B = {saadaan 6 oikein ja yksi lisänumero } C = {saadaan kaikki väärin} Vakioveikkaus A = {saadaan 13 oikein} B = {saadaan 12 oikein}

20.10.2015/13 2.2 Klassinen todennäköisyys Perusjoukossa n tulosta, jotka kaikki yhtä todennäköisiä. Tapahtumaan A liittyviä tuloksia k kappaletta. Tällöin A:n todennäköisyys P(A) = k/n. Esim. 2.2.1 Lottoaminen A = {saadaan 7 oikein}, P(A) = 1/15380937 Vakioveikkaus A = {saadaan 13 oikein}, P(A) = 1/1594323

2.3 Todennäköisyyslaskennan aksioomat ja laskusäännöt 20.10.2015/14 Todennäköisyys on joukkofunktio P, joka liittää jokaiseen satunnaisilmiön tapahtumaan A reaaliluvun P(A). Tätä kutsutaan tapahtuman A todennäköisyydeksi ja se toteuttaa tietyt aksioomat. Aksiooma 1 Jos A on mikä tahansa satunnaisilmiön tapahtuma, niin 0 P(A) 1. Aksiooma 2 P(E) = 1 (varma tapahtuma)

Olkoot A ja B saman satunnaisilmiön tapahtumia. Määritellään yhdiste A B = {A tai B tai molemmat tapahtuvat} ja leikkaus A B = {A ja B molemmat tapahtuvat}. A ja B ovat erillisiä, jos ne eivät voi tapahtua samanaikaisesti, siis A B =. 20.10.2015/15 Aksiooma 3 Esim. 2.3.1 Jos A ja B erillisiä, niin P(A B) = P(A) + P(B). Nopanheitto A = {saadaan parillinen}, P(A) = 3/6, B = {saadaan ykkönen}, P(B) = 1/6, A B =, joten P(A B) = P(A) + P(B)

20.10.2015/16 Laskusääntö 1 P( ) = 0. Tapahtuman A komplementti A C = {A ei tapahdu}. Laskusääntö 2 P(A C ) = 1 P(A). Esim. 2.3.3 Vakioveikkaus A = {korkeintaan 11 oikein} P(A) = 1 P(A C ) = 1 - P{12 tai 13 oikein} = 1 (P{12 oikein} + P{13 oikein})

20.10.2015/17 Esim. Heität noppaa kunnes saat numeron 6. Laske todennäköisyys sille, että joudut heittämään ainakin 3 kertaa. Tällöin joudut heittämään 3 tai 4 tai 5 tai kertaa. Todennäköisyys lasketaan komplementin kautta, 1 P{heittokertoja 1 tai 2} = 1 (P{heittokertoja 1} +P{heittokertoja 2}) = 1 P{heittokertoja 1} - P{heittokertoja 2} = 1 1/6 (5/6)(1/6) = 25/36

20.10.2015/18 Laskusääntö 3 Jos tapahtumat A 1, A 2,, A k ovat pareittain erilliset, niin P(A 1 A 2 A k ) = P(A 1 ) + P(A 2 ) + + P(A k ). Esim. 2.3.4 Kortin vetäminen korttipakasta A = {saadaan ruutu}, B = {saadaan hertta}, C = {saadaan risti}. P(saadaan ruutu tai hertta tai risti) = P(A)+P(B)+P(C) = 39/52. Laskusääntö 4 (yleinen yhteenlaskusääntö) - >luento 22.10 P(A B) = P(A) + P(B) P(A B).

20.10.2015/19 Esim. 2.3.5 Kortin vetäminen korttipakasta P{kortti pata tai ässä} = P{kortti pata} + P{kortti ässä} - P{kortti pataässä} = 13/52 + 4/52 1/52 Ehdollinen todennäköisyys P(A B) = P(A B)/P(B). Esim. 2.3.6 On saatu nopanheitossa pariton silmäluku. Mikä on silmäluvun 5 todennäköisyys? A = {5}, B = {1, 3, 5}, P(A B) = P(A B)/P(B) = (1/6)/(3/6) = 1/3.

20.10.2015/20 Laskusääntö 5 (yleinen kertolaskusääntö) Jos P(B) > 0, niin P(A B) = P(B)P(A B). Jos A ja B riippumattomia, niin P(A B) = P(A)P(B) Esim. 2.3.8. Heitetään noppaa kolme kertaa A = {1. heiton silmäluku pariton}, B = {2. heiton silmäluku pariton}, C = {3. heiton silmäluku pariton} P{kaikilla heitoilla pariton} = P(A)P(B)P(C) = (1/2)(1/2)(1/2) = 1/8

20.10.2015/21 Esim. Laatikossa on neljä palloa, joista kaksi on mustaa ja kaksi valkoista. Poimitaan satunnaisesti kaksi palloa palauttaen. P{molemmat pallot valkoisia} = P{1. pallo valkoisia ja 2. pallo valkoinen} = P{1. pallo valkoisia}p{2. pallo valkoisia} = (2/4)(2/4) = ¼ Jos poiminta tehdään palauttamatta, niin P{molemmat pallot valkoisia} = P{1. pallo valkoisia}p{2. pallo valkoisia} = (2/4)(1/3) = 1/6.