MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

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

Mat Sovellettu todennäköisyyslasku A

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

Generoidaan tiedostoon BINORM satunnaislukuja jakaumasta N(0,1) muuttujiksi U, V: (U, V): N 2 (0, 0, 1, 1, 0)

= 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

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

2-suuntainen vaihtoehtoinen hypoteesi

Tilastollinen riippuvuus ja korrelaatio

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 5 Aiheet: Tilastolliset testit Avainsanat:

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

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

Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio. Tilastollinen riippuvuus ja korrelaatio: Esitiedot

Mat Sovellettu todennäköisyyslasku A

1.2. Aritmeettisen keskiarvon ja otosvarianssin otosjakaumat: Odotusarvot ja varianssit

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

1.4. Aritmeettisen keskiarvon otosjakauma: Suurten otosten tuloksia

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

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

Mat Tilastollisen analyysin perusteet, kevät 2007

Mat Tilastollisen analyysin perusteet, kevät 2007

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

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

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

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

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

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

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

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

Suoran sovittaminen pistejoukkoon

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

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

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

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

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi. 4. Otokset ja otosjakaumat 5. Estimointi 6. Estimointimenetelmät 7.

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

Moniulotteiset jakaumat ja havaintoaineistot

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Viikko 4

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

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Mat Koesuunnittelu ja tilastolliset mallit

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 6

Muuttujien välisten riippuvuuksien analysointi

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

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

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

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

3. Datan käsittely lyhyt katsaus

Väliestimointi (jatkoa) Heliövaara 1

Ilkka Mellin. Sovellettu todennäköisyyslasku: Kaavat ja taulukot

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

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

Tilastollinen päättely. 4. Hypoteesien testaus Johdanto Testien konstruointi Testien vertailu

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

Otantajakauman käyttö päättelyssä

Mat Tilastollisen analyysin perusteet, kevät 2007

Ilkka Mellin (2008) 1/24

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

voidaan hylätä, pienempi vai suurempi kuin 1 %?

6. laskuharjoitusten vastaukset (viikot 10 11)

Tilastollisten aineistojen kerääminen ja mittaaminen Tilastolliset aineistot

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

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

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

Luottamusvälit. Normaalijakauma johnkin kohtaan

Tilastollinen päättely. 2. Datan redusoinnin periaatteet Tyhjentävyys Uskottavuus

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 2

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

TILASTOMATEMATIIKKA I

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

9. Jakojärjestelmät. Sisältö. Puhdas jakojärjestelmä. Yksinkertainen liikenneteoreettinen malli

MTTTP1, luento KERTAUSTA

13. Lineaariset ensimmäisen kertaluvun differentiaalisysteemit

5 Lisa materiaali. 5.1 Ristiintaulukointi

Mat Sovellettu todennäköisyyslasku A

Tilastolliset menetelmät: Lineaarinen regressioanalyysi

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

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

TILASTOMATEMATIIKKA I

MTTTP5, luento Luottamusväli, määritelmä

Luento 6 Luotettavuus Koherentit järjestelmät

MTTTP1, luento KERTAUSTA

Esitä koherentin QAM-ilmaisimen lohkokaavio, ja osoita matemaattisesti, että ilmaisimen lähdöstä saadaan kantataajuiset I- ja Q-signaalit ulos.

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

7.5. Yleinen lineaarinen malli ja suurimman uskottavuuden menetelmä

Harjoitukset 1 : Tilastokertaus

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

8. laskuharjoituskierros, vko 11, ratkaisut

Tilastolliset menetelmät: Otokset, otosjakaumat ja estimointi

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

3.5 Generoivat funktiot ja momentit

Estimointi. Luottamusvälin laskeminen keskiarvolle α/2 α/2 0.1

1. PARAMETRIEN ESTIMOINTI

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

10. laskuharjoituskierros, vko 14, ratkaisut

Lähdemateriaalina käytetty Pertti Louneston kirjaa Clifford Algebras and spinors [1]

voidaan hylätä, pienempi vai suurempi kuin 1 %?

Estimointi. Vilkkumaa / Kuusinen 1

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Sovellettu todennäköisyyslaskenta B

Transkriptio:

MTTTP SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN Aesto kaavoje () (3), (9) ja () esmerkkeh Lepakot pakallstavat hyötesä lähettämällä korkeataajusta äätä Ne pystyvät pakallstamaa hyöteset kau kuulemsee kuluva aja perusteella Tutkjat arvelevat, että keskmääräe tustusmatka ols yl 35 cm He keräsvät aesto mtate etäsyydet (cm), josta lepakot löysvät hyötesä Mtatut etäsyydet olvat 6, 5, 68, 3, 40 () Muuttuja keskarvo Etäsyykse keskarvo = (6+5+68+3+40)/ 5 = 49 () Muuttuja varass Vodaa merktä myös s s ( ) SS Etäsyykse varass 96/ 4 = 34 Nyt ss SS (=SS ) = 96, = 5 Tos = 6 + 5 + 68 + 3 + 40 = 330 = 5 49 = 005 s =(330-005)/ (5-) = 96/ 4 = 34 s ={ (6-49) +(5-49) +(68-49) +(3-49) + (40-49) }/4 = (3) Muuttuja keskhajota s s Etäsyykse keskhajota s = = 8

(4) Korrelaatokerro r SS ( ) SP y SS ( )( y y) y ( y y) y y y y Mttaa kahde muuttuja ja y välllä leaarse rppuvuude vomakkuutta, käs laskeme e oleasta, SPSS laskee Vodaa merktä myös r y Asasta kostuelle lsäesmerkk korrelaatokertome laskemse yhteydessä tarvttave summe ja elösumme laskusta http:/ / wwwssutaf/ tlasto/ tltp/ syksy003/ moste_5pdf Korrelaatokertomeks saadaa r = (5) Normaaljakauma X ~ N(, ), E( X ), Var ( X ), Z ~ N(0,), P( Z z) ( z) Satuasmuuttuja X oudattaa ormaaljakaumaa odotusarvoa µ ja varassa σ Satuasmuuttuja Z oudattaa ormaaljakaumaa, joka odotusarvo 0 ja varass, k stadardotu ormaaljakauma, joka kertymäfukto Φ(z) arvoja o taulukota Stadardodu ormaaljakauma taulukkoarvoja Z ~ N(0, ) z,6449,9600,364,5758 3,090 3,905 (z) = P(Z z) 0,9500 0,9750 0,9900 0,9950 0,9990 0,9995 P(Z z) = - P(Z z)=p(z -z) 0,0500 0,050 0,000 0,0050 0,000 0,0005 Esmerkks (,96) = P(Z,96) = 0,975, P(Z,96) = 0,05 el z =,96, P(Z -,96) = 0,05 (6) Otoskeskarvo odotusarvo ja varass E ( X ), Var ( X ) / Teoreette tulos, jolla pystytää arvomaa otoskeskarvo vahtelua Käytetää hyväks mm odotusarvo testauksessa ja odotusarvo luottamusväl määrtyksessä Varass ja ä myös keskhajota (=otoskeskarvo keskvrhe = σ/ ) joudutaa käytäössä estmomaa Estmotu keskvrhe o s/ X (7) Studet t-jakaumaa oudattava satuasmuuttuja t ~ t s / Käytetää mm odotusarvo luottamusväl määrttämsessä sekä odotusarvoje testauksessa, ks kaavat (9), (), (3) Jakauma taulukkoarvoja o käytettävssä (ks s 5)

3 (8) Arvodaa tetylaste alkode prosettosuutta populaatossa 00( )%: luottamusväl prosettosuudelle p z / p(00 p) / Kyseessä väl, jolla arvellaa kysese prosettluvu oleva Otoksesta laskettu prosettosuus o p, otoskoko, z / ormaaljakauma taulukkoarvo Erää puoluee kaatukse arvot Kyselyy vastas 00 heklöä, josta 40 puoluee kaattaja Nyt = 00, p = 00 40/ 00 = 0 Määrtettäessä 95%: luottamusvälä = 0,05, / = 0,05/ = 0,05, z 0,05 =,96 (ormaaljakauma taulukosta s ), luottamusväl alaraja 0,96 = 4,5, yläraja 0 +,96 = 5,5 Arvellaa ss todellse kaatusproset oleva tällä välllä (9) Arvodaa populaato keskarvoa el odotusarvoa 00( )%: luottamusväl odotusarvolle (varass tutemato) Kyseessä väl, jolla arvellaa odotusarvo oleva X t s / / ; Lepakode tustusmatka Määrtettäessä 95%: luottamusvälä = 0,05, / = 0,05/ = 0,05, t 0,05, 5- =,776 (Studet t-jakauma taulukosta, s 5), luottamusväl alaraja 49,776 8/ = 6,6, yläraja 49 +,776 8/ = 7,3 Arvellaa ss lepakode tustusmatka oleva keskmäär 7 cm 7 cm (0) Tutktaa, vosko populaatossa olla tetylasa alkota vätetty prosettosuus lkma p 0 : = 0, Z ~ N(0,), ku tos 00 ) / 0 ( 0 Eräs puolue vättää kaatuksesa oleva % Nyt : = % Tutkmuksessa kyselyy vastas 00 heklöä, josta 40 puoluee kaattaja 0 N yt = 00, p = 00 40/ 00 = 0, jote z havattu 0, 68 (00 ) / 00 Tämä ha tavaomae arvo ormaaljakaumasta, jote vodaa uskoa väte Harvaste arvoje raja esm 5 %: rsktasolla ykssuutasessa testssä -,6449 ta kakssuutasessa -,96 (z 0,05 =, 6449, z 0,05 =,96), laskettu arvo e kuulu harvaste arvoje joukkoo

4 () Tutktaa, vosko populaato odotusarvo olla vätetty luku X : = 0 0, t ~ t, ku tos s / Lepakode tustusmatka Tutktaa vosko keskmääräe matka olla 35 cm va olsko se pdemp : = 35, H : > 35 49 35 Nyt t havattu, 74 < t 0,05, 5- =,3, jote 5 %: rsktasolla tarkastelua 8/ 5 e harvaste arvoje joukkoo kuuluva Uskotaa vättämä, että keskmääräe tustusmatka o 35 cm Otos e ss tue tutkjode arvelua () Tutktaa kahde muuttuja välstä rppumattomuutta rsttauluko avulla Rsttaulukosta rppumattomuude testaus: ~ (I )(J ), ku e rppuvuutta SPSS-laskee testsuuree ja p-arvo, joka avulla tehdää päättely Nollahypotees o: e rppuvuutta Pe p-arvo (esm peemp ku 0,05) johtaa ollahypotees hylkäämsee Tällö päätellää rppuvuutta oleva (3) Tutktaa kahde populaato odotusarvoje yhtäsuuruutta : =, t ~ t, ku tos H +m 0 (oletetaa rppumattomat otokset ja populaatode varasst yhtä suurks, mutta tutemattomks) SPSS-laskee testsuuree ja p-arvo, joka avulla tehdää päättely Pe p-arvo (esm peemp ku 0,05) johtaa ollahypotees hylkäämsee Tällö päätellää, että odotusarvot evät samoja Tarkastellaa ss muuttuja keskarvoja kahdessa ryhmässä (4) Tutktaa, oko kahde muuttuja välllä leaarsta rppuvuutta :populaatossa kahde muuttuja korrelaatokerro (ρ) o olla, ry t ~ t, ku tos ( r ) /( ) y SPSS ataa korrelaatode lasku yhteydessä p-arvo, joka avulla tehdää päättely Pe p-arvo (esm peemp ku 0,05) johtaa ollahypotees hylkäämsee Tällö päätellää leaarsta rppuvuutta oleva

5 Studet t jakauma taulukkoarvoja t ;df, jolle P(t df t ;df ) = df = 0,05 = 0,05 = 0,0 = 0,005 6,34,706 3,8 63,656,90 4,303 6,965 9,95 3,353 3,8 4,54 5,84 4,3,776 3,747 4,604 5,05,57 3,365 4,03 6,943,447 3,43 3,707 7,895,365,998 3,499 8,860,306,896 3,355 9,833,6,8 3,50 0,8,8,764 3,69,796,0,78 3,06,78,79,68 3,055 3,77,60,650 3,0 4,76,45,64,977 5,753,3,60,947 6,746,0,583,9 7,740,0,567,898 8,734,0,55,878 9,79,093,539,86 0,75,086,58,845,7,080,58,83,77,074,508,89 3,74,069,500,807 4,7,064,49,797 5,708,060,485,787 6,706,056,479,779 7,703,05,473,77 8,70,048,467,763 9,699,045,46,756 30,697,04,457,750 40,684,0,43,704 60,67,000,390,660 0,658,980,358,67,645,960,36,576 Esmerkks t ;0 =,8, ss P(t 0,8) = 0,05 P(t 0 -,8) = 0,05