MTTTP1, luento KERTAUSTA

Samankaltaiset tiedostot
MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA JA TÄYDENNYSTÄ. Tunnusluvut. 1) Sijainnin tunnuslukuja. Keskilukuja moodi (Mo) mediaani (Md) keskiarvo, kaava (1)

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

voidaan hylätä, pienempi vai suurempi kuin 1 %?

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

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

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4

Luento JOHDANTO

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

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

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

Tilastotieteen johdantokurssin harjoitustyö. 1 Johdanto Aineiston kuvaus Riippuvuustarkastelut...4

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

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

Kandidaatintutkielman aineistonhankinta ja analyysi

voidaan hylätä, pienempi vai suurempi kuin 1 %?

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

HAVAITUT JA ODOTETUT FREKVENSSIT

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

1.Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

1. Työpaikan työntekijöistä laaditussa taulukossa oli mm. seuraavat rivit ja sarakkeet

r = n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi. Viikko 3. Kaksiulotteiset satunnaismuuttujat

TUTKIMUSOPAS. SPSS-opas

KURSSIKYSELYAINEISTO: HUOM! Aineiston tilastoyksikkömäärä 11 on kovin pieni oikean tilastotieteen tekemiseen, mutta Harjoitteluun se kelpaa kyllä!

Harjoittele tulkintoja

Til.yks. x y z

Tulkitse tulokset. Onko muuttujien välillä riippuvuutta? Jos riippuvuutta on, niin millaista se on?

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

MTTTP5, luento Luottamusväli, määritelmä

Populaatio tutkimusobjektien muodostama joukko, johon tilastollinen tutkimus kohdistuu, koko N

Tilastotieteen johdantokurssi (TILTP1)

Korrelaatiokerroin. Hanna Heikkinen. Matemaattisten tieteiden laitos. 23. toukokuuta 2012

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tilastotieteen johdantokurssi (TILTP1)


Regressioanalyysi. Kuusinen/Heliövaara 1

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

031021P Tilastomatematiikka (5 op) kertausta 2. vk:een

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

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

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

Til.yks. x y z

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

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

Ohjeita tilastollisen tutkimuksen toteuttamiseksi opintojaksolla. TILTP1 ( SPSS for Windows -ohjelmiston avulla

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

TUTKIMUSAINEISTON KVANTITATIIVINEN ANALYYSI LTKY012. Timo Törmäkangas

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

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 6. luento. Pertti Palo

Ohjeita kvantitatiiviseen tutkimukseen

b6) samaan perusjoukkoon kohdistuu samanaikaisesti useampia tutkimuksia.

Pylväsdiagrammi Suomen kunnat lääneittäin vuonna Piirakkadiagrammi Suomen kunnat lääneittäin vuonna 2003 LKM 14.8% 11.2% 19.7% 4.9% 3.6% 45.

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

Kvantitatiivinen genetiikka moniste s. 56

Regressioanalyysi. Vilkkumaa / Kuusinen 1

Johdatus tn-laskentaan perjantai

Raija Leppälä. Ohjeita tilastollisen tutkimuksen toteuttamiseksi IBM SPSS Statistics -ohjelmiston avulla

Kulttuuri-, mielipide- ja tiedelehtien liitto Kultti ry:n jäsenkyselyyn osallistui 75 lehteä kesällä 2005

Metsämuuronen: Tilastollisen kuvauksen perusteet ESIPUHE... 4 SISÄLLYSLUETTELO METODOLOGIAN PERUSTEIDEN KERTAUSTA AINEISTO...

Tilastotieteen johdantokurssi [TILTP1]

Tilastotieteen johdantokurssi [TILTP1]

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

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

Esim Brand lkm keskiarvo keskihajonta A ,28 5,977 B ,06 3,866 C ,95 4,501

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

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

SISÄLTÖ 1 TILASTOJEN KÄYTTÖ...7 MITÄ TILASTOTIEDE ON?

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. 9. luento. Pertti Palo

Mittaaminen menettely (sääntö), jolla tilastoyksikköön liitetään tiettyä ominaisuutta kuvaava luku, mittaluku.

Johdatus todennäköisyyslaskentaan Moniulotteiset satunnaismuuttujat ja todennäköisyysjakaumat. TKK (c) Ilkka Mellin (2005) 1

Mat Tilastollisen analyysin perusteet, kevät 2007

Testejä suhdeasteikollisille muuttujille

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

xi = yi = 586 Korrelaatiokerroin r: SS xy = x i y i ( x i ) ( y i )/n = SS xx = x 2 i ( x i ) 2 /n =

Moniulotteisia todennäköisyysjakaumia

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

Yleistetyistä lineaarisista malleista

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Kvantitatiiviset menetelmät

54. Tehdään yhden selittäjän lineaarinen regressioanalyysi, kun selittäjänä on määrällinen muuttuja (ja selitettävä myös):

A130A0650-K Tilastollisen tutkimuksen perusteet 6 op Tentti / Anssi Tarkiainen & Maija Hujala

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

Opinnäytetyön kvantitatiivinen osuus

I Keskiarvot ja hajonnat muuttujista 3-26 niin, että luokittelevana muuttujana on muuttuja 2 eli sukupuoli

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

4.2 Useampi selittävä muuttuja (kertausta)

Ohjeita tilastollisen tutkimuksen toteuttamiseksi SPSS for Windows -ohjelmiston avulla

FoA5 Tilastollisen analyysin perusteet puheentutkimuksessa. Luentokuulustelujen esimerkkivastauksia. Pertti Palo. 30.

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty

Transkriptio:

19.3.2019/1 MTTTP1, luento 19.3.2019 KERTAUSTA Varianssi, kaava (2) http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf n i i n i i x x n x n x x n s 1 2 2 1 2 2 1 1 ) ( 1 1 Mittaa muuttujan arvojen keskittymistä keskiarvon ympärille, sallittu kvantitatiivisen muuttujan yhteydessä.

19.3.2019/2 Esim. 5.1.30. Lisäaineen vaikutus teräksen kovuusindeksiin Tuote-erä 1 2 3 4 5 6 7 8 9 10 Lisäaine A 22 26 29 22 31 34 31 20 33 34 Lisäaine B 27 25 31 27 29 41 32 27 32 34 Erotus -5 1-2 -5 2-7 -1-7 1 0 = (-5+1-2-5+2-7-1-7+1+0)/10 = -2,3 Lisäaineiden vaikutuksessa teräksen kovuuteen ei eroja, jos erotuksen keskiarvo riittävän lähellä nollaa. Päättely testauksen avulla. s 2 = ((-5+2,3) 2 + (1+2,3) 2 + + (0+2,3) 2 )/(101) = 11,79 s = 3,4.

19.3.2019/3 Muuttujan x standardointi = Esim. 5.1.32. Opiskelija osallistui tentteihin A ja B saaden pisteet 25 ja 24. Tentissä A tuloksen keskiarvo oli 20 ja keskihajonta 4. Vastaavat luvut tentissä B olivat 20 ja 2. Kummassa tentissä opiskelija menestyi suhteellisesti paremmin? Standardoidut arvot ovat 5/4 ja 2, joten menestyminen tentissä B oli parempi.

19.3.2019/4 Kaksiulotteinen jakauma Pisteparvi, graafinen esitys

19.3.2019/5 Esim. Toyota Avensis farmariautoja

19.3.2019/6 5.2.2 Ristiintaulukko (jatkuu) Esim. 5.2.5. Automallien koot valmistusmaittain Valmistusmaa USA Eur. Japani Iso 36 4 2 42 Koko Kesk. 53 17 54 124 Pieni 26 19 92 137 115 40 148 303

Koko-muuttujan ehdolliset prosenttijakaumat eli koko-muuttujan prosentuaaliset jakaumat erikseen valmistusmaittain: Valmistusmaa USA Eur. Japani Iso 31,30 10,00 1,35 Koko Kesk. 46,09 42,50 36,49 Pieni 22,61 47,50 62,16 100,00 100,00 100,00 19.3.2019/7 Tutkitaan koon riippuvuutta valmistusmaasta vertaamalla koon prosenttijakaumia valmistusmaittain. On eroja, p < 0,001

19.3.2019/8 Esim. 5.2.6. Markkinointisuunnitelma tavaratalon koon mukaan Suunnitelma on ei yht. Henkilöstö- alle 100 13 10 23 määrä 100 500 18 12 30 yli 500 32 6 38 Markkinointisuunnitelman olemassaolon ehdolliset prosenttijakaumat (koon mukaan) Suunnitelma on ei Henkilöstö- alle 100 56,6 43,4 määrä 100 500 60,0 40,0 yli 500 84,2 15,8 On eroja, p = 0,031

19.3.2019/9 Esim. Miesten, naisten ja lasten lumilaudat valmistusmaittain, aineistona Lumilaudat.sav sivulla https://coursepages.uta.fi/mtttp1/esimerkkiaineistoja/

19.3.2019/10 Ei eroja, p = 0,263

19.3.2019/11 Esim. Esim. Asunnon kunto sijainnin mukaan, aineistona Tre_myydyt_asunnot_2010 sivulla https://coursepages.uta.fi/mtttp1/esimerkkiaineistoja/ On eroja, p = 0,002

19.3.2019/12 Esim. Toyota Avensis farmariautoja, nelikenttä (2x2-taulukko) On eroja, p = 0,032

19.3.2019/13 Ristiintaulukko yleisesti Tutkitaan y:n riippuvuutta x:stä vertaamalla y:n ehdollisia prosenttijakaumia.

19.3.2019/14 5.2.3 Kaksiulotteisen jakauman tunnuslukuja Mitataan kahden muuttujan välistä riippuvuuden voimakkuutta Ristiintaulukosta kontingenssikerroin Kvantitatiivisista muuttujista lineaarisen riippuvuuden voimakkuuden mittari korrelaatiokerroin (r) Järjestysasteikollisilla muuttujilla järjestyskorrelaatiokertoimet

19.3.2019/15 Korrelaatiokerroin r Mittaa kahden kvantitatiivisen muuttujan välistä lineaarista riippuvuutta, sen voimakkuutta. Mittaa sitä, miten tiiviisti pisteparven pisteet ovat sijoittuneet pisteparveen sovitettavan suoran ympärille. Ominaisuuksia -1 r 1 r = 1, jos kaikki pisteet samalla nousevalla suoralla r = -1, jos kaikki pisteet samalla laskevalla suoralla r 0, jos ei lineaarista riippuvuutta

19.3.2019/16 Esim. 5.2.8. 50 40 30 20 10 rasvaprosentti 0-10 60 70 80 90 100 110 120 130 vyötärön ympärys(cm) r = 0,825

19.3.2019/17 Esim. 5.2.10. 5000 4000 3000 y 2000 1000 0 0 100 300 500 700 900 x1 r = 0,9559

19.3.2019/18 Esim. 5.2.11. 8 7 logy 6 5 4 2 3 4 5 6 7 logx1 r = 0,9537

19.3.2019/19 Esim. 5.2.12. Riippuvuutta, joka ei lineaarista. 600 500 400 300 y 200 100 0-100 -3-2 -1 0 1 2 3 4 5 6 7 8 x1

Esim. Pisteparvia ja arviot korrelaatiokertoimista 19.3.2019/20

Esim. 5.2.13. Pisteparvia ja korrelaatiokertoimia 19.3.2019/21 http://www.sis.uta.fi/tilasto/tiltp7/moniste_8.pdf Esim. 5.2.17. Korrelaatiomatriisi, CTESTI-aineisto Correlations ika pituus paino cooper ika Pearson Correlation 1,807**,768**,399** Sig. (2-tailed),000,000,000 N 152 152 152 152 pituus Pearson Correlation,807** 1,892**,236** Sig. (2-tailed),000,000,003 N 152 153 153 153 paino Pearson Correlation,768**,892** 1,102 Sig. (2-tailed),000,000,210 N 152 153 153 153 cooper Pearson Correlation,399**,236**,102 1 Sig. (2-tailed),000,003,210 N 152 153 153 153 **. Correlation is significant at the 0.01 level (2-tailed).

19.3.2019/22 Korrelaatiokertoimen laskukaava kaavakokoelman kaava (4) n i n i i i n i i i y y x x y y x x r 1 1 2 2 1 ) ( ) ( ) )( ( ks. myös http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/esimerkit_kaavoihin.pdf

19.3.2019/23 Esim. 5.2.14. Mittayksikön vaihto ei vaikuta korrelaatiokertoimeen, ks. lineaarisen muunnoksen vaikutus korrelaatiokertoimeen http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/luentorunko.pdf#page=47

Esim. 5.2.16. Korrelaatiokertoimet pelipaikoittain, ehdolliset korrelaatiot 19.3.2019/24 r= 0,84, n=42 r= 0,86, n=42

r= 0,62, n=42 r= 0,68, n=28 19.3.2019/25

19.3.2019/26 Esim. 5.2.17. Osittaiskorrelaatiokertoimet ikä vakioituna, CTESTI-aineisto Correlations Control Variables ika cooper paino pituus Correlation Significance (2-tailed) df Correlation Significance (2-tailed) df Correlation Significance (2-tailed) df cooper paino pituus 1,000 -,349 -,160.,000,050 0 149 149 -,349 1,000,719,000.,000 149 0 149 -,160,719 1,000,050,000. 149 149 0

19.3.2019/27 6 AIKASARJOISTA Määritelmä http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/luentorunko.pdf#page=51 Graafinen esitys http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/luentorunko.pdf#page=51 Esimerkkejä luentomonisteen esimerkeissä 6.1.1.- 6.1.6.

Harjoitustyön riippuvuustarkastelut 19.3.2019/28 http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/htyop118.pdf#page=4 Riippuvuustarkastelu 1 y (selitettävä) on kvantitatiivinen ja x (selittäjä) kvalitatiivinen laatikko-jana-kuvio ryhmäkeskiarvot, muut tarvittavat tunnusluvut päättely riippumattomien otosten t-testi avulla Riippuvuustarkastelu 2 y ja x kvalitatiivisia (kvantitatiiviset voi luokitella), selitettävä muuttuja eri kuin riippuvuustarkastelussa 1 ristiintaulukko 2 riippumattomuustesti.