Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Samankaltaiset tiedostot
Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi. Kaksisuuntainen varianssianalyysi

Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt. Latinalaiset neliöt: Mitä opimme? Latinalaiset neliöt

Mat Tilastollisen analyysin perusteet, kevät 2007

Lohkoasetelmat. Kuusinen/Heliövaara 1

Lohkoasetelmat. Vilkkumaa / Kuusinen 1

Lohkoasetelmat. Heliövaara 1

Kaksisuuntainen varianssianalyysi. Vilkkumaa / Kuusinen 1

Kaksisuuntainen varianssianalyysi. Heliövaara 1

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

Koesuunnittelu 2 k -faktorikokeet. TKK (c) Ilkka Mellin (2005) 1

Mat Koesuunnittelu ja tilastolliset mallit. Yhden selittäjän lineaarinen regressiomalli. Avainsanat:

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Mat Tilastollisen analyysin perusteet, kevät 2007

Johdatus varianssianalyysiin. Vilkkumaa / Kuusinen 1

Kaksisuuntaisen varianssianalyysin tilastollisessa malli voidaan esittää seuraavassa muodossa:

3.5 Generoivat funktiot ja momentit

Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi. Useampisuuntainen varianssianalyysi

Vastepintamenetelmä. Heliövaara 1

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Väliestimointi (jatkoa) Heliövaara 1

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Hierarkkiset koeasetelmat. Heliövaara 1

Kertausluento. Vilkkumaa / Kuusinen 1

2 k -faktorikokeet. Vilkkumaa / Kuusinen 1

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

Työllistääkö aktivointi?

Vastepintamenetelmä. Vilkkumaa / Kuusinen 1

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Varianssianalyysi. Varianssianalyysi. Varianssianalyysi. Varianssianalyysi: Mitä opimme? Varianssianalyysi: Johdanto

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

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Koesuunnittelu Latinalaiset neliöt. TKK (c) Ilkka Mellin (2005) 1

Monte Carlo -menetelmä

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

T p = 0. λ n i T i B = Käytetään kohdan (i) identiteetin todistamiseen induktiotodistusta. : Oletetaan, että väite on totta, kun n = k.

4. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

Ilkka Mellin (2008) 1/24

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

3. Datan käsittely lyhyt katsaus

Harjoitus 7: NCSS - Tilastollinen analyysi

Osafaktorikokeet. Kurssipalautetta voi antaa Oodissa Kuusinen/Heliövaara 1

Mittaustulosten käsittely

ABHELSINKI UNIVERSITY OF TECHNOLOGY

5. Datan käsittely lyhyt katsaus. Havaitsevan tähtitieteen peruskurssi I, luento Thomas Hackman

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

on tavanomainen yhden selittäjän lineaarinen regressiomalli, jossa jäännöstermit ε i toteuttavat seuraavat oletukset:

Mat Tilastollisen analyysin perusteet, kevät 2007

Kollektiivinen korvausvastuu

AB TEKNILLINEN KORKEAKOULU

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 7B Ratkaisuehdotuksia.

Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Kokonaislukuoptimointi

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

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

Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet. Konvergenssikäsitteet ja raja-arvolauseet: Mitä opimme?

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Sovellettu todennäköisyyslaskenta B

Mat Tilastollisen analyysin perusteet, kevät 2007

Sovellettu todennäköisyyslaskenta B

3 Tilayhtälöiden numeerinen integrointi

Tilastollisen fysiikan luennot

Jaksolliset ja toistuvat suoritukset

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

Tilastollisen analyysin perusteet Luento 8: Lineaarinen regressio, testejä ja luottamusvälejä

Sovellettu todennäköisyyslaskenta B

7. Modulit Modulit ja lineaarikuvaukset.

Johdatus tekoälyn taustalla olevaan matematiikkaan

Mat Tilastollisen analyysin perusteet, kevät 2007

Markov-prosessit (Jatkuva-aikaiset Markov-ketjut)

HASSEN-WEILIN LAUSE. Kertausta

= E(Y 2 ) 1 n. = var(y 2 ) = E(Y 4 ) (E(Y 2 )) 2. Materiaalin esimerkin b) nojalla log-uskottavuusfunktio on l(θ; y) = n(y θ)2

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

3. Teoriaharjoitukset

Tchebycheff-menetelmä ja STEM

Sovellettu todennäköisyyslaskenta B

1. (Monisteen teht. 5.16) Eräiden kuulalaakereiden kestoa (miljoonaa kierrosta) on totuttu kuvaamaan Weibull-jakaumalla, jonka tiheysfunktio on

Altistusaika 1 kk 2 kk 3 kk

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

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Koesuunnittelu Vastepintamenetelmä. TKK (c) Ilkka Mellin (2005) 1

4. A priori menetelmät

Sovellettu todennäköisyyslaskenta B

Testit järjestysasteikollisille muuttujille

Luento 6 Luotettavuus Koherentit järjestelmät

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava. Kokonaistodennäköisyys ja Bayesin kaava: Esitiedot

Todennäköisyyden ominaisuuksia

Moniulotteisia todennäköisyysjakaumia

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Estimointi. Vilkkumaa / Kuusinen 1

Tilastollisen analyysin perusteet Luento 11: Epäparametrinen vastine ANOVAlle

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

5. Datan käsittely lyhyt katsaus

805306A Johdatus monimuuttujamenetelmiin, 5 op

Johdatus tilastotieteeseen Tilastolliset testit. TKK (c) Ilkka Mellin (2005) 1

Transkriptio:

TKK (c) lkka Melln (005) Koesuunnttelu TKK (c) lkka Melln (005) : Mtä opmme? Tarkastelemme tässä luvussa seuraavaa kysymystä: Mten varanssanalyysssa tutktaan yhden tekän vakutusta vastemuuttujaan, kun asetelmassa on mukana yks kusatekä, jonka vakutus sekottuu knnostuksen kohteena olevan tekän vakutukseen? Estedot: Ykssuuntanen varanssanalyys Kakssuuntanen varanssanalyys Avansanat F-test nterakto äännösnelösumma Kakssuuntanen varanssanalyys Kusatekä Kokonaskeskarvo Kokonasnelösumma Kokonasvahtelu Kontrollont Kästtely Kästtelykeskarvo Kästtelyvakutus Lohko Lohkoasetelma Lohkokeskarvo Lohkovakutus Nelösumma Odotusarvo Ryhmä Taso Test Vapausaste Varanss Varanssanalyyshajotelma Varanssanalyystaulukko Vaste Yhdysvakutus TKK (c) lkka Melln (005) 3 TKK (c) lkka Melln (005) 4 Satunnastettu täydellnen lohkoasetelma /4 >> TKK (c) lkka Melln (005) 5 Oletetaan, että kokeen tavotteena on tutka, mten kästtelyt A, A,, A vakuttavat knnostuksen kohteena olevan vastemuuttujan y keskmääräsn arvohn. Asetelmassa on kutenkn mukana kusatekä B, jonka vakutus saattaa sekottua kästtelyden A, A,, A vakutukseen ja saattaa jopa pettää kästtelyden vakutuksen alleen. os kusatekän B vakutusta e pystytä kontrollomaan, kästtelyden vakutukssta saatetaan tehdä täysn vrheellsä johtopäätöksä. TKK (c) lkka Melln (005) 6

TKK (c) lkka Melln (005) 7 Satunnastettu täydellnen lohkoasetelma /4 Satunnastettu täydellnen lohkoasetelma 3/4 Kusatekän B vakutusta vodaan kontrolloda, jos vomme tehdä seuraavan oletuksen: Tutkmuksen kohteena oleva perusjoukko vodaan jakaa kusatekän B tasojen B, B,, B suhteen homogeensn ryhmn. Ryhmä kutsutaan koesuunnttelussa lohkoks ja tavotteena on estää lohkovakutuksen sekottumnen kästtelyden vakutukseen. Satunnastetussa täydellsessä lohkoasetelmassa havannot kerätään seuraavalla tavalla: () Olkoon vertaltava kästtelytä kpl: A, A,, A () aetaan tutkmuksen kohteet lohkoon kusatekän B tasojen B, B,, B suhteen. () Valtaan jokasesta lohkosta kokeen kohteks ykslöä ja kohdstetaan kästtelyt A, A,, A kohtesn satunnasest. TKK (c) lkka Melln (005) 8 Satunnastettu täydellnen lohkoasetelma 4/4 Huomautus: Satunnastetussa täydellsessä koeasetelmassa satunnastamsta on rajotettu snä melessä, että satunnastamnen suortetaan erllsnä operaatona lohkojen ssällä sten, että van kästtelyden järjestys on arvonnan kohteena. nollahypotees Kästtelyden vakutusta koskeva nollahypotees on muotoa H A : E kästtelyvakutusta analyys tarkottaa nollahypoteesn H A testaamsta, kun asetelmassa on mukana kusatekä B. TKK (c) lkka Melln (005) 9 TKK (c) lkka Melln (005) 0 havannot ja nden tlastollnen mall / y = vastemuuttujan arvo, kun j. lohkossa on käytetty kästtelyä A, =,,,, j =,,, Käytetystä otantamenetelmästä seuraa, että havannot y vodaan olettaa rppumattomks (ja sten myös korrelomattomks) satunnasmuuttujks. Oletetaan, että havannot y ovat normaalakautuneta: y N(µ, σ ) =,,,, j =,,, havannot ja nden tlastollnen mall / Havannosta vodaan muodostaa seuraava taulukko: y Kästtely A A B y y B y y Lohko B y y A y y y TKK (c) lkka Melln (005) TKK (c) lkka Melln (005)

TKK (c) lkka Melln (005) 3 tlastollsen malln parametront /3 tlastollnen mall vodaan parametroda seuraavalla tavalla: y = µ + α + β j + ε =,,,, j =,,, jossa jäännöstermt ε ovat rppumattoma ja normaalakautuneta: ε N(0, σ ) =,,,, j =,,, tlastollsen malln parametront /3 E-satunnaset vakot µ, α, β j =,,,, j =,,, ja jäännösvaranss σ ovat satunnastetun täydellsen lohkoasetelman tlastollsen malln parametreja. Malln parametren on toteutettava seuraavat ehdot: α = β = 0 = j= j TKK (c) lkka Melln (005) 4 tlastollsen malln parametront 3/3 Malla koskevsta oletukssta seuraa, että E( y ) = µ + α + β j =,,,, j =,,, ja D( y ) = σ =,,,, j =,,, malln parametrt ja malla koskeva nollahypotees nollahypotees H A vodaan lmasta malln parametren avulla seuraavassa muodossa: H A : α = α = = α = 0 TKK (c) lkka Melln (005) 5 TKK (c) lkka Melln (005) 6 Havannot >> y = vastemuuttujan arvo, kun j. lohkossa on käytetty kästtelyä A, =,,,, j =,,, TKK (c) lkka Melln (005) 7 TKK (c) lkka Melln (005) 8

TKK (c) lkka Melln (005) 9 Kästtelykeskarvot ja lohkokeskarvot Kokonaskeskarvo Määrtellään havantoarvojen y kästtelykeskarvot: y = y, =,,, j = Määrtellään havantoarvojen y lohkokeskarvot: y = y, j =,,, j = os havannot yhdstetään yhdeks otokseks, yhdstetyn otoksen havantoarvojen yles- el kokonaskeskarvo on y y = j = = jossa = N on yhdstetyn otoksen havantojen kokonaslukumäärä. TKK (c) lkka Melln (005) 0 Pokkeamat keskarvosta Kokonasnelösumma Krjotetaan dentteett y y = ( y y) + ( y j y) + ( y y y j + y) testt perustuvat näden sulkulausekkella estettyjen pokkeamen nelösummlle. Määrtellään havantoarvojen kokonasvahtelua kuvaava kokonasnelösumma: SST = ( y y ) = j= os kakk havannot yhdstetään yhdeks otokseks, saadun yhdstetyn otoksen varanss on sy = SST jossa = N on yhdstetyn otoksen havantojen kokonaslukumäärä. TKK (c) lkka Melln (005) TKK (c) lkka Melln (005) Kästtelyvakutuksen ja lohkovakutuksen nelösummat Määrtellään kästtelyvakutusta kuvaava nelösumma: SSA = ( y y ) = Määrtellään lohkovakutusta kuvaava nelösumma: SSB = ( y y ) j j= äännösnelösumma Määrtellään jäännösnelösumma: SSE = ( y y y + y ) j = j= TKK (c) lkka Melln (005) 3 TKK (c) lkka Melln (005) 4

TKK (c) lkka Melln (005) 5 Varanssanalyyshajotelma Test kästtelyvakutukselle Nelösummat SST, SSA, SSB, SSE toteuttavat varanssanalyyshajotelman SST = SSA + SSB + SSE ja nelösummn lttyvät vapausasteden lukumäärät toteuttavat yhtälön = ( ) + ( ) + ( )( ) Määrtellään F-testsuure ( )( ) SSA FA = SSE jossa SSA on kästtelyvakutusta kuvaava nelösumma ja SSE on jäännösvahtelua kuvaava nelösumma. os nollahypotees H A : E kästtelyvakutusta pätee, nn FA F(( ), ( )( )) Suuret testsuureen F A arvot johtavat nollahypoteesn hylkäämseen. TKK (c) lkka Melln (005) 6 Lohkovakutus Varanssanalyystaulukko / ( )( ) SSB FB = SSE jossa SSB on lohkovakutusta kuvaava nelösumma ja SSE on jäännösvahtelua kuvaava nelösumma. Suureen F B suuret arvot ndkovat stä, että lohkohn jako on ollut perusteltua. Varanssanalyysn tulokset estetään tavallsest varanssanalyystaulukon muodossa: Vahtelun lähde A B Kokonasvahtelu äännösvahtelu SS SSA SSB SSE SST df ( )( ) MS MSA = SSA/df MSB = SSB/df MSE = SSE/df F F A = MSA/MSE TKK (c) lkka Melln (005) 7 TKK (c) lkka Melln (005) 8 Varanssanalyystaulukko / Varanssanalyystaulukon nelösummat toteuttavat yhtälön SST = SSA + SSB + SSE Yhtälö on varanssanalyyshajotelma. Varanssanalyystaulukon nelösummen vapausasteet toteuttavat yhtälön = ( ) + ( ) + ( )( ) Satunnastettu täydellnen lohkoasetelma ja kakssuuntanen varanssanalyys analyys tehdään samalla tavalla kun kakssuuntanen varanssanalyys seuraavassa tlanteessa: okasessa solussa on van yks havanto, jollon ryhmen ssästä vahtelua e ole ja nteraktovakutus sekottuu jäännösvahteluun. TKK (c) lkka Melln (005) 9 TKK (c) lkka Melln (005) 30

TKK (c) lkka Melln (005) 3 Havannot >> y = vastemuuttujan arvo, kun j. lohkossa on käytetty kästtelyä A, =,,,, j =,,, TKK (c) lkka Melln (005) 3 Kokonassumma, kästtelysummat ja lohkosummat Havantoarvojen nelöden summa Määrtellään havantoarvojen y kokonassumma: T = y = j= Määrtellään havantoarvojen y kästtelysummat: T = y, =,,, j= Määrtellään havantoarvojen y lohkosummat: T = y, j =,,, j = Määrtellään havantoarvojen y nelöden summa: y = j= TKK (c) lkka Melln (005) 33 TKK (c) lkka Melln (005) 34 Lohkovaranssen ja kokonasvaranssn laskemnen Kokonasnelösumman laskemnen Havantoarvojen y lohkovaransst saadaan kaavolla s y T j = j = j =,,, Havantoarvojen y kokonasvaranss saadaan kaavalla s y T = = j= Kokonasnelösumma SST vodaan laskea kaavalla SST = y T = j= TKK (c) lkka Melln (005) 35 TKK (c) lkka Melln (005) 36

TKK (c) lkka Melln (005) 37 Kästtelyvakutuksen ja lohkovakutuksen nelösummen laskemnen Kästtelyvakutusta kuvaava nelösumma saadaan kaavalla SSA = T T = Lohkovakutusta kuvaava nelösumma saadaan kaavalla SSB = T T j j= äännösnelösumman laskemnen äännösnelösumma SSE saadaan varanssanalyyshajotelman nojalla kaavalla SSE = SST SSA SSB TKK (c) lkka Melln (005) 38 Laskutomtusten järjestämnen taulukoks Laskutomtukset vodaan järjestää esmerkks seuraavan taulukon muotoon: Lohko Lohko Lohko Summa Kästtely y y y T Kästtely y y y T Kästtely Summa Nelöden summa y y y T T T T T TKK (c) lkka Melln (005) 39