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

Samankaltaiset tiedostot
Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

MTTTP1, luento KERTAUSTA

MTTTP1, luento KERTAUSTA

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

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, syksy Raija Leppälä

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

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

riippumattomia ja noudattavat samaa jakaumaa.

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

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

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

Tilastollisten menetelmien perusteet I,TILTP2 Luentorunko, syksy 2000

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

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

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

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

30A02000 Tilastotieteen perusteet

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

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

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

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

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

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

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

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

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

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

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

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

Tilastollisen päättelyn perusteet, MTTTP5. Luentorunko, lukuvuosi

Tilastollinen aineisto Luottamusväli

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

Luento JOHDANTO

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

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

Teema 7: Todennäköisyyksien laskentaa

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

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

Harjoitus 2: Matlab - Statistical Toolbox

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tilastollisten menetelmien perusteet I TILTP2 Luentorunko, lukuvuosi

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Estimointi. Vilkkumaa / Kuusinen 1

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Mat Sovellettu todennäköisyyslasku A

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Kertymäfunktio. TKK (c) Ilkka Mellin (2007) 1

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

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

Osa 2: Otokset, otosjakaumat ja estimointi

Sovellettu todennäköisyyslaskenta B

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

1. JOHDANTO. SIS LLYSLUETTELO sivu 1. JOHDANTO 3

Todennäköisyysjakaumia

Sovellettu todennäköisyyslaskenta B

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

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

Tilastolliset jakaumat, niiden esittäminen ja tunnusluvut

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

Sovellettu todennäköisyyslaskenta B

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

Tutkimustiedonhallinnan peruskurssi

Jatkuvat satunnaismuuttujat

6. laskuharjoitusten vastaukset (viikot 10 11)

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

Normaalijakaumasta johdettuja jakaumia

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

Johdatus todennäköisyyslaskentaan Kertymäfunktio. TKK (c) Ilkka Mellin (2005) 1

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Johdatus tilastotieteeseen Testit suhdeasteikollisille muuttujille. TKK (c) Ilkka Mellin (2005) 1

Sovellettu todennäköisyyslaskenta B

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

Luottamusvälit. Normaalijakauma johnkin kohtaan

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Teema 8: Parametrien estimointi ja luottamusvälit

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

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

MTTTP5, luento Luottamusväli, määritelmä

3. laskuharjoituskierros, vko 6, ratkaisut

Ilkka Mellin (2008) 1/5

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Todennäköisyyden ominaisuuksia

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

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

Mat Sovellettu todennäköisyyslasku A

tilastotieteen kertaus

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

11 Raja-arvolauseita ja approksimaatioita

Testejä suhdeasteikollisille muuttujille

Moniulotteiset satunnaismuuttujat ja jakaumat

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

Transkriptio:

21.3.2019/1 MTTTP1, luento 21.3.2019 7 TILASTOLLISEN PÄÄTTELYN PERUSTEITA Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa? Ovatko kaupungissa eri alueilla myynnissä olevien asuntojen keskineliöhinnat samoja? Riippuuko myytävän asunnon kunto sijainnista? Miten päättely populaatiosta otoksen perusteella tehdään?

21.3.2019/2 Otos Populaatio otoskeskiarvo populaation keskiarvo, odotusarvo µ otosvarianssi s 2 populaation varianssi 2 otoshajonta s populaation hajonta %-osuus otoksessa p %-osuus populaatiossa

21.3.2019/3 Tilastollisessa päättelyssä voidaan arvioida esim. odotusarvoa prosenttiosuutta kahden populaation odotusarvojen yhtäsuuruutta muuttujien riippumattomuutta Otoksesta määritellyt, s 2, s, p ovat otossuureita, joiden käyttäytymistä voidaan arvioida todennäköisyysjakaumien avulla. Näitä jakaumia käytetään hyväksi päättelyssä.

21.3.2019/4 7.1 Satunnaisilmiö ja tapahtuma Esim. 7.1.1. Rahanheitto, nopanheitto, lottoaminen. Satunnaisilmiö (satunnaiskoe) useita tulosmahdollisuuksia, epävarmuus tuloksesta Perusjoukko (E) kaikki mahdolliset tulokset Tapahtuma (A) perusjoukon osajoukko

21.3.2019/5 Esim. 7.1.2. Rahanheitto E ={kruunu, klaava} tapahtumia A = {kruunu} B = {klaava} Nopanheitto E ={1, 2, 3, 4, 5, 6} tapahtuma A = {saadaan parillinen} = {2,4,6}

21.3.2019/6 7.2 Klassinen todennäköisyys Tapahtuman A todennäköisyys P(A) = k/n n satunnaisilmiön perusjoukon tulosten lukumäärä k tapahtumaan A liittyvien tulosten lukumäärä Esim. 7.2.1. Rahanheitto A = {kruunu} P(A) = 1/2

21.3.2019/7 Nopanheitto A = {saadaan parillinen} = {2,4,6} P(A) = 3/6 B = {1}, P(B) = 1/6 D = {suurempi kuin 4} = {5,6}, P(D) = 2/6 Tapahtumien A ja B riippumattomuus

21.3.2019/8 7.3 Satunnaismuuttuja ja todennäköisyysjakauma Esim. 7.3.1. Nopanheitto X = saatu silmäluku P(X=1) = P(X=2) = = P(X=6) = 1/6

21.3.2019/9 Esim. 7.3.2. Heitetään kolikkoa neljä kertaa, X = klaavojen lukumäärä heittosarjassa lukumäärä Kl,Kl,Kl,Kl 4 Kr,Kl,Kl,Kr 2 Kr,Kl,Kl,Kl 3 Kl,Kr,Kl,Kr 2 Kl,Kr,Kl,Kl 3 Kr,Kl,Kr,Kl 2 Kl,Kl,Kr,Kl 3 Kl,Kr,Kr,Kr 1 Kl,Kl,Kl,Kr 3 Kr,Kl,Kr,Kr 1 Kl,Kl,Kr,Kr 2 Kr,Kr,Kl,Kr 1 Kr,Kr,Kl,Kl 2 Kr,Kr,Kr,Kl 1 Kl,Kr,Kr,Kl 2 Kr,Kr,Kr,Kr 0 lukumäärä P(X=0) = 1/16, P(X=3) = 4/16, P(X=1) = 4/16, P(X=4) = 1/16, P(X=2) = 6/16

21.3.2019/10 Esim. 7.3.4. Kahden alkion otokset luvuista 1, 2, 3, 4, 5, 6 systemaattisella otannalla ovat {1, 4}, {2, 5}, {3, 6}, joista keskiarvot 2,5, 3,5 ja 4,5, joten P( =2,5) = P( =3,5) = P( =4,5) =1/3. Satunnaismuuttuja funktio, joka liittää yksikäsitteisen reaaliluvun jokaiseen tarkasteltavan satunnaisilmiön perusjoukon tulokseen

21.3.2019/11 Diskreetin satunnaismuuttujan X todennäköisyysjakauma P(X=x 1 ) = p 1, P(X=x 2 ) = p 2 p 1 + p 2 + = 1 Jatkuvan satunnaismuuttujan X todennäköisyysjakauma jatkuva funktio f(x), jolle f(x) 0 sekä f(x):n ja x-akselin väliin jäävä pinta-ala on yksi. Funktiota f(x) kutsutaan tiheysfunktioksi. Satunnaismuuttujan X kertymäfunktio F(x) = P(X x).

Esim. 7.3.5. Esimerkki erään jatkuvan satunnaismuuttujan tiheys- ja kertymäfunktiosta 21.3.2019/12

Esim. Erään tiheysfunktion kuvaaja. 21.3.2019/13

21.3.2019/14 Todennäköisyysjakaumien tunnuslukuja odotusarvo E(X) = µ varianssi Var(X) = 2, keskihajonta Satunnaismuuttujien summat, erotukset, suhteet, jne. ovat myös satunnaismuuttujia. Satunnaismuuttujien riippumattomuus määritellään vastaavalla tavalla kuin tapahtumien riippumattomuus.

21.3.2019/15 7.4 Normaalijakauma Esim. 7.4.1. Vaahteraliigan pelaajien pituusjakauma. Kuvaan on piirretty normaalijakauman, jonka odotusarvo 183,35 ja varianssi 6,142 2, tiheysfunktio.

21.3.2019/16 Normaalijakauma määritellään parametrein µ ja 2, merkitään X ~ N(µ, 2 ), tiheysfunktion kuvaajia, ks. https://fi.wikipedia.org/wiki/normaalijakauma Jos odotusarvo on nolla ja varianssi yksi, kyseessä standardoitu normaalijakauma, merkitään Z ~ N(0, 1). Tällöin P(Z z) = (z), standardoidun normaalijakauman kertymäfunktiota merkitään (z):lla.

21.3.2019/17 Esim. 7.4.2. N(0, 1) jakauman tiheysfunktion kuvaaja 0,5 0,4 0,3 0,2 0,1 0-4 -3-2 -1 0 1 2 3 4 Standardoidun normaalijakauman kertymäfunktion (z) arvoja taulukoitu, ks. http://www.sis.uta.fi/tilasto/mtttp1/syksy2018/kaavat.pdf