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

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

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

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

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

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

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

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

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

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

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

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

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

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

riippumattomia ja noudattavat samaa jakaumaa.

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

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

Estimointi. Vilkkumaa / Kuusinen 1

Osa 2: Otokset, otosjakaumat ja estimointi

Sovellettu todennäköisyyslaskenta B

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

9. laskuharjoituskierros, vko 12-13, ratkaisut

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

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

Johdatus tilastotieteeseen Väliestimointi. TKK (c) Ilkka Mellin (2005) 1

Luottamusvälit. Normaalijakauma johnkin kohtaan

Tilastollinen aineisto Luottamusväli

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

MTTTP5, luento Luottamusväli, määritelmä

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

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

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

tilastotieteen kertaus

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

Teema 8: Parametrien estimointi ja luottamusvälit

Luento JOHDANTO

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

031021P Tilastomatematiikka (5 op) viikko 4

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Sovellettu todennäköisyyslaskenta B

Tilastolliset menetelmät. Osa 1: Johdanto. Johdanto tilastotieteeseen KE (2014) 1

edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Sovellettu todennäköisyyslaskenta B

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

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Normaalijakaumasta johdettuja jakaumia

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

MTTTP1, luento KERTAUSTA

805306A Johdatus monimuuttujamenetelmiin, 5 op

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

MTTTP1, luento KERTAUSTA

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

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

Tilastollisen päättelyn perusteet, MTTTP5. Luentorunko, lukuvuosi

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

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

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Harjoitus 2: Matlab - Statistical Toolbox

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

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

Tutkimustiedonhallinnan peruskurssi

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

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

Mat Tilastollisen analyysin perusteet, kevät 2007

10. laskuharjoituskierros, vko 14, ratkaisut

1. Tilastollinen malli??

Testit laatueroasteikollisille muuttujille

Väliestimointi (jatkoa) Heliövaara 1

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

&idx=1&uilang=fi&lang=fi&lvv=2017

A-OSA. Kyseessä on binomitodennäköisyys. 30 P(Tasan 10 sadepäivää ja muut 20 poutapäiviä) 0,35 (1 0,35) ,35 0, ,

Sovellettu todennäköisyyslaskenta B

POPULAATIO. Oikeastaan arvot, joista ollaan kiinnostuneita (mitatut numeeriset suureet, luokittelut).

031021P Tilastomatematiikka (5 op) viikko 5

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Johdatus tilastotieteeseen Testit laatueroasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

Tehtävät. 1. Ratkaistava epäyhtälöt. a) 2(4 x) < 12, b) 5(x 2 4x + 3) < 0, c) 3 2x 4 > 6. 1/10. Sukunimi (painokirjaimin)

Jatkuvat satunnaismuuttujat

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2004) 1

,ܾ jaü on annettu niin voidaan hakea funktion

Tilastollinen päättely. 5. Väliestimointi Johdanto Luottamusvälien konstruointi Luottamusvälien vertailu

Parametrin estimointi ja bootstrap-otanta

Mat Sovellettu todennäköisyyslasku A

Näistä standardoiduista arvoista laskettu keskiarvo on nolla ja varianssi 1, näin on standardoidulle muuttujalle aina.

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

Transkriptio:

26.3.2019/1 MTTTP1, luento 26.3.2019 7.4 Normaalijakauma (kertausta ja täydennystä) Z ~ N(0, 1), tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 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 0-4 -3-2 -1 0 1 2 3 4 P(Z 2,3264) = 0,01, P(Z -2,3264) = 0,01

26.3.2019/2 Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =.

26.3.2019/3 Esim. 7.4.3. z0,05 = 1,6449 z0,025 = 1,96 z0,01 = 2,3264

26.3.2019/4 Määritellään z /2 siten, että P(Z > z /2) = /2. Esim. z0,05/2 = z0,025 = 1,96

Standardoitu normaalijakauman symmetrinen nollan suhteen 26.3.2019/5

Esim. 7.4.4. 26.3.2019/6

26.3.2019/7 7.5 Satunnaisotos, otossuure ja otantajakauma Päätelmät populaatiosta otoksen perusteella puolueen kannatus kynttilöiden keskimääräinen palamisaika asuntojen keskimääräiset neliöhinnat keskustassa ja lähiössä Miten päättely tehdään? Miten tulosten luotettavuutta voidaan arvioida?

26.3.2019/8 Päättely tehdään satunnaisotoksen perusteella. Satunnaismuuttujajono X1, X2,, Xn on satunnaisotos, jos Xi:t ovat riippumattomia ja noudattavat samaa jakaumaa. Esim. Satunnaisotos X1, X2,, Xn normaalijakaumasta N(µ, 2 ). Tällöin jokainen Xi noudattaa normaalijakaumaa parametrien µ, 2 ja Xi:t ovat toisistaan riippumattomia. Otossuure on satunnaisotoksen perusteella määritelty funktio.

26.3.2019/9 Olkoon satunnaisotos X1, X2,, Xn normaalijakaumasta N(µ, 2 ), tällöin ~ N(µ, 2 /n), kaava (6). Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden http://onlinestatbook.com/stat_sim/sampling_dist/index.html

26.3.2019/10 Olkoon populaatiossa % tietyn tyyppisiä alkioita ja p = tietyn tyyppisten alkioiden % -osuus otoksessa. Tällöin p ~ N(, (100- )/n), likimain, kaava (7). Viallisten prosenttiosuus otoksessa (p) on otossuure, jonka jakauma on likimain normaalijakauma. Otossuureiden jakaumia käytetään päättelyyn liittyvien tulosten luotettavuuden arvioinnissa.

26.3.2019/11 7.6 Piste-estimointi ja luottamusvälejä Esim. Vuonna 2007 suomalaisen miesten keskipituuden arvioitiin olevan 179,6 cm, naisten 165,9, http://fi.wikipedia.org/wiki/ihmisen_pituus#ihmisten_kes kipituus_eri_maissa

26.3.2019/12 Esim. Jalkapalloilijat 2006, jalkapalloilijoiden keskipituuden arviointi. Arvioidaan keskipituuden olevan 182,15 cm.

26.3.2019/13 Esim. Puolueen kannatusarviot, https://yle.fi/uutiset/3-10387592 (6.9.2018) Arvioidaan SDP:n kannatuksen olevan 20,3 %.

26.3.2019/14 Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla (piste-estimointi) Estimaattori otossuure, jolla estimoidaan tuntematonta parametria Estimaatti estimaattorin arvo (tehdyn otoksen perusteella laskettu) Estimaattorin keskivirhe estimaattorin hajonta

Estimoitava Esti- Estimaattorin Estimoitu parametri maattori keskivirhe keskivirhe 26.3.2019/15 µ / s/ p (100 )/ (100 )/ s Esim. Puolueen kannatuksen arviointi p = 20,3 %, n = 1460 (kantansa ilmoittaneet). Kannatuksen estimoitu keskivirhe 20,3(100 20,3)/1460 = 1,05.

26.3.2019/16 Esim. 7.6.1. Kerrostalohuoneistojen keskimääräisen neliöhinnan estimointi, = 2398, s = 408, joten estimoitu keskivirhe on 408/ 103 = 40,2.

Esim. Jalkapalloilijoiden keskipituuden estimoitu keskivirhe 5,879/ 154 = 0,474. 26.3.2019/17 Myös nk. luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria, tällöin kyse väliestimoinnista. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä, nk. luottamustasolla. Luottamusväli on satunnaisväli, joka sisältää estimoitavan parametrin todennäköisyydellä 1 -. Valitaan esim. 0,05 tai 0,01. Tällöin kyse 95 %:n tai 99 %:n luottamusvälistä.

26.3.2019/18 7.6.1 Prosenttiosuuden luottamusväli Kaava (8), 100(1 - ) %:n luottamusväli prosenttiosuudelle / 2 p z p(100 p)/n 95 %:n luottamusväli, = 0,05, z0,05/2 = z0,025 = 1,96 99 %:n luottamusväli, = 0,01, z0,01/2 = z0,005 = 2,5758

26.3.2019/19 Esim. 7.6.4. Satunnaisesti valituista 100 henkilöstä puoluetta kannatti 18 %. Puolueen kannatuksen 95 %:n luottamusväli 18 ± 1,96 18(100-18)/100 18 ± 7,5 Arvioidaan kannatuksen olevan välillä 10,5 25,5. Virhemarginaali ±7,5 %-yksikköä. Esim. Puolueen kannatusarviot ja virhemarginaali, Puolueen kannatusarviot, Puolueen kannatusarviot, https://yle.fi/uutiset/3-10387592 (6.9.2018)

26.3.2019/20 Esim. Kahvin myyjä väittää, että 15 % kahvin juojista valitsee kahvimerkin hinnan perusteella. Tutkitaan myyjän väitettä. Tehdään tutkimus, jossa 250 kahvin juojalta kysytään kahvimerkin valintaan vaikuttavia tekijöitä. Vastanneista 25 valitsi kahvinsa hinnan perusteella. Uskotko myyjän väitteen? Nyt n = 250, p = 100 25/250 = 10 95 %:n luottamusväli hinnan perusteella valintansa tekevien prosenttiosuudelle 10 1,96 10(100 10)/250 10 ± 3,7

26.3.2019/21 Koska 15 ei kuulu luottamusvälille, ei uskota väitettä. 99 %:n luottamusväli 10 2,5758 10(100 10)/250 10 ± 4,9, sama päättely.