8. laskuharjoituskierros, vko 11, ratkaisut

Samankaltaiset tiedostot
Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

Osa 2: Otokset, otosjakaumat ja estimointi

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

2-suuntainen vaihtoehtoinen hypoteesi

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

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

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Osa 2: Otokset, otosjakaumat ja estimointi

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

Tilastolliset menetelmät: Tilastolliset testit

Mat Tilastollisen analyysin perusteet, kevät 2007

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

2-suuntainen vaihtoehtoinen hypoteesi

Mat Sovellettu todennäköisyyslaskenta B 5. harjoitukset / Ratkaisut Aiheet: Jatkuvia jakaumia Avainsanat: Jatkuvia jakaumia

Kaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

Tilastolliset menetelmät: Tilastolliset testit

6.1 Riippumattomat satunnaismuuttujat

Mat Sovellettu todennäköisyyslasku A. Diskreetit jakaumat Jatkuvat jakaumat. Avainsanat:

Väliestimointi (jatkoa) Heliövaara 1

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

Harjoitukset 1 : Tilastokertaus

χ 2 -yhteensopivuustesti

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

5. laskuharjoituskierros, vko 8, ratkaisut

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

Sovellettu todennäköisyyslaskenta B

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Sovellettu todennäköisyyslaskenta B

Mat Sovellettu todennäköisyyslasku A

χ 2 -yhteensopivuustesti

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

Estimointi. Vilkkumaa / Kuusinen 1

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

tilastotieteen kertaus

Sovellettu todennäköisyyslaskenta B

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

Tilastolliset luottamusvälit

Sovellettu todennäköisyyslaskenta B

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

Testejä suhdeasteikollisille muuttujille

Tilastotieteen jatkokurssi 8. laskuharjoitusten ratkaisuehdotukset (viikot 13 ja 14)

Todennäköisyyslaskenta: Todennäköisyysjakaumia

Otantajakauman käyttö päättelyssä

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

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

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

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen

= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1

Väliestimointi. Väliestimointi. Väliestimointi: Mitä opimme? 2/3. Väliestimointi: Mitä opimme? 1/3. Väliestimointi: Mitä opimme?

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B

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

9. laskuharjoituskierros, vko 12-13, ratkaisut

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus KE (2014) 1

Sovellettu todennäköisyyslaskenta B

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

Testit laatueroasteikollisille muuttujille

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Normaalijakaumasta johdettuja jakaumia

Mat Sovellettu todennäköisyyslasku A. Moniulotteiset jakaumat. Avainsanat:

6. laskuharjoitusten vastaukset (viikot 10 11)

Osa 2: Otokset, otosjakaumat ja estimointi

KURSSIN TILASTOMATEMATIIKKA KAAVOJA

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Tilastollisten aineistojen kuvaaminen. Tilastollisten aineistojen kuvaaminen. Tilastollisten aineistojen kuvaaminen: Mitä opimme?

Mat Sovellettu todennäköisyyslasku. Tilastolliset testit. Avainsanat:

Ilkka Mellin (2008) 1/5

Tilastollinen aineisto Luottamusväli

Yhden selittäjän lineaarinen regressiomalli

S Laskennallinen systeemibiologia

Otantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä

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

Markov-ketjun hetkittäinen käyttäytyminen

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

riippumattomia ja noudattavat samaa jakaumaa.

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

EX1 EX 2 EX =

Mat Sovellettu todennäköisyyslaskenta B

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Todennäköisyyslaskun kertaus. Heliövaara 1

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

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

7. laskuharjoituskierros, vko 10, ratkaisut

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan

Mat Koesuunnittelu ja tilastolliset mallit

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Transkriptio:

Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse ormaalijakaumasta N1, 4. Määrää todeäköisyys, että havaitoje aritmeettie keskiarvo X saa suurempia arvoja kui 1.1. Tehtävä aossa maiitui oletuksi havaitoje X i aritmeettise keskiarvo otosjakauma o ormaalie: X = 1 X i N µ, σ2 = N 1, 4 = N 1, 1 100 25 Tehtävää o määrätä todeäköisyys Pr X > 1.1. Normaalijakauma omiaisuuksie perusteella X Pr X µ > 1.1 = Pr σ/ > 1.1 µ σ/ = Pr Z > 1.1 1 2/ 100 = PrZ > 0.5 = 1 PrZ 0.5 = 1 0.6915 = 0.3085 Todeäköisyyde lukuarvo o saatu lukemalla ormaalijakauma taulukkoa. D2. Oletetaa, että havaiot X i, i = 1, 2,..., 101 muodostavat yksikertaise satuaisotokse ormaalijakaumasta N1, 4. Määrää lukuarvo, jota pieempiä arvoja otosvariassi saa todeäköisyydellä 0.05 Havaitoje X i, i = 1, 2,..., 101 otosvariassi o s 2 = 1 Xi 2 1 X 2 Tehtävä aossa maiitui oletuksi satuaismuuttuja V oudattaa χ 2 -jakaumaa vapausastei 1: 1s2 σ 2 χ 2 1 = χ 2 100 Määrätää esi piste, joka erottaa χ 2 -jakauma vasemmalle häälle todeäköisyysmassa, joka koko o 0.05. PrV v = 0.05 v = 77.929 eli saamme epäyhtälö: 1s2 σ 2 = 100s2 4 = 25s 2 v = 77.929 s 2 3.117 Näi olle Prs 2 3.117 = 0.05 D3. Oletetaa, että teemme 100 toisistaa riippumatota Beroulli -koetta, joissa kiiostukse kohteea oleva tapahtuma A todeäköisyys o 0.2. Määrää todeäköisyys, että tapahtuma A frekvessi toistoje joukossa o pieempi kui 10.

Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli Olkoo f = A-tapahtumie frekvessi toistoje joukossa, ˆp = f/ = A-tapahtumie suhteellie frekvessi toistoje joukossa ja toistoje lukumäärä. Koska toistoje lukumäärä = 100 o melko suuri, voimme approksimoida suhteellise frekvessi ˆp otatajakaumaa ormaalijakaumalla: ˆp a N p, pq jossa siis p = 0.2, q = 1 p = 0.8 ja = 100 ja voimme saoa: ˆp p pq/ a Z N0, 1 Haluamme siis tietää todeäköisyyde Pr ˆp < 10 ˆp p = Pr < 0.1 p 100 pq/ pq/ a Pr Z < 0.1 0.2 0.8 0.2/100 = PrZ < 2.5 = 0.0062 Kysyty todeäköisyyde tarkka biomijakauma avulla laskettu arvo o oi 0.0023 eli approksimaatio o kohtuullise tarkka, vaikka suhteellie virhe oki varsi suuri. P4. Oletetaa, että suomalaiste aiste pituus o ormaalijakautuut parametrei µ = 170 cm ja σ = 20 cm. Tehdää aiste joukosta yksikertaie satuaisotos, joka koko o 100. Määrää todeäköisyys, että havaitoje aritmeettie keskiarvo X saa suurempia arvoja kui 176 cm. 1 p. Tehtävä aossa maiitui oletuksi havaitoje X i aritmeettise keskiarvo otosjakauma o ormaalie: X = 1 X i N µ, σ2 = N 170, 202 = N170, 4 100 Tehtävää o määrätä todeäköisyys Pr X > 176. Normaalijakauma omiaisuuksie perusteella X Pr X µ > 176 = Pr σ/ > 176 µ σ/ 176 170 = Pr Z > 20/ 100 = PrZ > 3 = 1 PrZ 3 = 1 0.9987 = 0.0013 Todeäköisyyde lukuarvo o saatu lukemalla ormaalijakauma taulukkoa. P5. Oletetaa, että suomalaiste aiste pituus o ormaalijakautuut parametrei µ = 170 cm ja σ = 20 cm. Tehdää aiste joukosta yksikertaie satuaisotos, joka koko o 101. Määrää lukuarvo, jota suurempia arvoja otosvariassi saa todeäköisyydellä 0.01 2 p.

Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli Havaitoje X i, i = 1, 2,..., 101 otosvariassi o s 2 = 1 Xi 2 1 X 2 Tehtävä aossa maiitui oletuksi satuaismuuttuja V oudattaa χ 2 -jakaumaa vapausastei 1: 1s2 σ 2 χ 2 1 = χ 2 100 Määrätää esi piste, joka erottaa χ 2 -jakauma oikealle häälle todeäköisyysmassa, joka koko o 0.01. PrV v = 0.01 v = 135.807 eli saamme epäyhtälö: 1s2 σ 2 = 100s2 20 2 = s2 4 v = 135.807 s 2 543.228 Näi olle Prs 2 543.227 = 0.01 P6. Oletetaa, että 33% suomalaisista kaattaa NATOo liittymistä. Tehdää suomalaiste joukosta yksikertaie satuaisotos, joka koko o 100. Määrää todeäköisyys, että otoksessa NATO kaattajie suhteellie osuus o pieempi kui 20%. 1 p. Olkoo f = A-tapahtumie frekvessi toistoje joukossa, ˆp = f/ = A-tapahtumie suhteellie frekvessi toistoje joukossa ja toistoje lukumäärä. Koska toistoje lukumäärä = 100 o melko suuri, voimme approksimoida suhteellise frekvessi ˆp otatajakaumaa ormaalijakaumalla: ˆp a N p, pq jossa siis p = 0.33, q = 1 p = 0.67 ja = 100 ja voimme saoa: ˆp p pq/ a Z N0, 1 Haluamme siis tietää todeäköisyyde Pr ˆp < 20 ˆp p = Pr < 0.2 p 100 pq/ pq/ a Pr Z < 0.2 0.33 0.67 0.33/100 = PrZ < 2.76 = 0.0029 L7. Olkoot X i, i = 1, 2,..., riippumattomia havaitoja jakaumasta, joka odotusarvo o µ ja variassi σ 2. a Todista, että havaitoje X i aritmeettie keskiarvo o harhato estimaattori parametrille µ. b Todista, että havaitoje X i aritmeettie keskiarvo variassi o pieempi kui yksittäise havaio variassi, jos > 1.

Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli a Havaitoje X i, i = 1, 2,..., aritmeettie keskiarvo o Koska E X = 1 X = 1 X i EX i = 1 µ = µ aritmeettie keskiarvo o harhato estimaattori parametrille µ. b Havaitoje X i, i = 1, 2,..., aritmeettise keskiarvo variassi o Var X X µ 2 1 2 X i µ 2 1 2 X i µ 2 1 2 i µ X 2 + X i µx j µ i j = 1 2 E X i µ 2 = 1 2 σ2 = σ2 < σ2, jos > 1 Yllä laskettu pätee, koska havaitoje riippumattomuude takia E X i µx j µ = CovX i, X j = 0, jos i j L8. Olkoot X i, i = 1, 2,..., riippumattomia ormaalijakautueita satuaismuuttujia, joide odotusarvo EX i = µ ja variassi VarX i = σ 2. Tarkastellaa seuraavia todeäköisyyksiä: 1 PrX i > µ + σ 2 PrX 1 + X 2 + + X > µ + σ 3 Pr X > µ + σ a Määrää todeäköisyys 1. b Todista, että todeäköisyys 2 o pieempi kui todeäköisyys 1, jos > 1. c Todista, että todeäköisyys 2 pieeee, ku +. d Todista, että todeäköisyys 3 o sama kui todeäköisyys 2. e Määrää todeäköisyys 2, ku = 10. a Xi µ PrX i > µ + σ = Pr > 1 = PrZ > 1 = 0.1587 σ

Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli b Olkoo Y = X i. Tällöi EY = µ ja riippumattomuude takia VarY = σ 2. Näi olle: Y µ PrY > µ + σ = Pr > = PrZ > < PrZ > 1, jos > 1. σ c Ja yt siis lim PrZ > = 0 + Eli : kasvaessa todeäköisyys 2 pieeee lähestye ollaa. d Tulos o sama kui kohdassa c, koska Pr X > µ + σ = PrY > µ + σ e Jos = 10, PrZ > = PrZ > 10 PrZ > 3.16 = 0.0008