Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Samankaltaiset tiedostot
Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

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

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

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

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

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

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

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

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

riippumattomia ja noudattavat samaa jakaumaa.

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

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

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

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

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

voidaan hylätä, pienempi vai suurempi kuin 1 %?

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

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

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

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

Luottamusvälit. Normaalijakauma johnkin kohtaan

MTTTP1, luento KERTAUSTA

Sovellettu todennäköisyyslaskenta B

MTTTP1, luento KERTAUSTA

Mat Tilastollisen analyysin perusteet, kevät 2007

MTTTP5, luento Luottamusväli, määritelmä

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Väliestimointi (jatkoa) Heliövaara 1

Sovellettu todennäköisyyslaskenta B

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

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

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

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

10. laskuharjoituskierros, vko 14, ratkaisut

031021P Tilastomatematiikka (5 op) viikko 5

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

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

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

Harjoitus 7: NCSS - Tilastollinen analyysi

¼ ¼ joten tulokset ovat muuttuneet ja nimenomaan huontontuneet eivätkä tulleet paremmiksi.

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

Sovellettu todennäköisyyslaskenta B

Mat Tilastollisen analyysin perusteet, kevät 2007

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

Mat Sovellettu todennäköisyyslasku A

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

Tilastollisia peruskäsitteitä ja Monte Carlo

Estimointi. Otantajakauma

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Testit laatueroasteikollisille muuttujille

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

Luento JOHDANTO

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

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

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

edellyttää valintaa takaisinpanolla Aritmeettinen keskiarvo Jos, ½ Ò muodostavat satunnaisotoksen :n jakaumasta niin Otosvarianssi Ë ¾

Luentokalvoja tilastollisesta päättelystä. Kalvot laatinut Aki Taanila Päivitetty

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

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

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

voidaan hylätä, pienempi vai suurempi kuin 1 %?

Tilastollinen aineisto Luottamusväli

MTTTP1 Tilastotieteen johdantokurssi Luento JOHDANTO

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

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

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

Testaa onko myrkkypitoisuus eri ryhmissä sama. RATK. Lasketaan kaikkien havaintoarvojen summa: k T i = = 486.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Tilastollisen analyysin perusteet Luento 3: Epäparametriset tilastolliset testit

Testejä suhdeasteikollisille muuttujille

Kaavakokoelma, testikaaviot ja jakaumataulukot liitteinä. Ei omia taulukoita! Laskin sallittu.

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

Estimointi. Vilkkumaa / Kuusinen 1

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

Tilastollisen analyysin perusteet Luento 4: Testi suhteelliselle osuudelle

POPULAATIO. Oikeastaan arvot, joista ollaan kiinnostuneita (mitatut numeeriset suureet, luokittelut).

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

1. Tilastollinen malli??

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Jos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden

Tilastollinen päättely. 5. Väliestimointi Johdanto Luottamusvälien konstruointi Luottamusvälien vertailu

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

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

2. TILASTOLLINEN TESTAAMINEN...

Mat Tilastollisen analyysin perusteet, kevät 2007

pisteet Frekvenssi frekvenssi Yhteensä

Tilastolliset testit. Tilastolliset testit. Tilastolliset testit: Mitä opimme? 2/5. Tilastolliset testit: Mitä opimme? 1/5

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

TUTKIMUSAINEISTON ANALYYSI. LTKY012 Timo Törmäkangas

Otoskoko 107 kpl. a) 27 b) 2654

Hypoteesin testaus Alkeet

A-OSA. Kyseessä on binomitodennäköisyys. 30 P(Tasan 10 sadepäivää ja muut 20 poutapäiviä) 0,35 (1 0,35) ,35 0, ,

3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää?

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

Transkriptio:

6.10.2015/1 MTTTP1, luento 6.10.2015 KERTAUSTA JA TÄYDENNYSTÄ Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria. Muodostetaan väli, joka peittää parametrin etukäteen valitulla todennäköisyydellä, nk. luottamustasolla.

6.10.2015/2 Olkoon populaatiossa % viallisia. Nyt :n 100(1 - ) %:n luottamusväli on p z / 2 p(100 p) / n kaava (8)

6.10.2015/3 Esim. Rahapelin pitäisi antaa voitto 20 %:lle pelatuista peleistä. Pelaat peliä 200 kertaa ja voitat 32 kertaa. Voitko uskoa, että 20 % peleistä voittaa? Muodostetaan 95 %:n luottamusväli prosenttiosuudelle. Nyt = 0,05, z 0,05/2 = z 0,025 = 1,96, n = 200, p = 16, luottamusväli 16 1,96 16(100 16)/200 16 5,1 Koska 20 kuuluu luottamusvälille, päätellään pelin toimivan luvatulla tavalla.

6.10.2015/4 Esim. 7.6.5. Yritys valvoo tuotantoaan. Virheellisten komponenttien osuus ei saisi olla suurempi kuin 4 %. Laaduntarkkailussa tehtiin 500 komponentin otos, jossa 28 komponenttia osoittautui virheellisiksi. Onko tuotanto keskeytettävä? 95 %:n luottamusväli virheellisten komponenttien prosenttiosuudelle 5,6 1,96 5,6(100 5,6)/500 Virheellisten osuuden arvellaan olevan välillä 3,6 % - 7,6 %, joten vaihtelu on sallituissa rajoissa, koska 4 % kuuluu luottamusvälille.

6.10.2015/5 Populaation odotusarvon µ 100(1 - ) %:n luottamusväli on Esim. X t / 2; n 1s / n kaava (9) Eräs tehdas valmistaa tiiliä, joiden keskipaino pitkän aikavälin seurannassa on ollut 2,000 kg. Erään päivän tuotannosta valittiin satunnaisesti 16 tiiltä. Näiden keskipainoksi saatiin 1,972 kg ja keskihajonnaksi 0,054 kg. Onko keskipainossa tapahtunut muutosta? Muodostetaan odotusarvon 95 %:n luottamusväli. Nyt t 0,05/2;16 1 =2,131 ja luottamusväli 1,972 2,131 0,054 / 16. Saadaan väliksi 1,972 ± 0,029. Koska 2,000 kuuluu välille, päätellään ettei muutosta.

6.10.2015/6 Esim. 7.6.9. Kirjailijan virkkeiden keskipituus, luottamusväli 35,0 ± 2,045 6,8/ 30. Esim. 7.6.7. Esimerkissä 7.6.6, syntymäpituuden tarkastelu, otoksessa 65 poikaa Luottamusväli on laskettu 50,95±2 1,972/ 65, (t 0,05/2;65 1 2) 50,95±2 0,245

6.10.2015/7 Esim. Lepakoiden tunnistusmatkat, ks. http://www.sis.uta.fi/tilasto/mtttp1/syksy2015/esimerkit_ kaavoihin.pdf

6.10.2015/8 Esim. 7.6.8. Esimerkin 5.1.30 kovuusindeksien erotukset -5, 1, -2, -5, 2,-7, -1, -7, 1, 0, joista keskiarvo -2,3 ja keskihajonta 3,4. Odotusarvon 95 %:n luottamusväli -2,3±2,262 3,4/ 10-2,3±2,4 Lisäaineilla ei eroja, koska nolla kuuluu luottamusvälille.

6.10.2015/9 7.6.3 Kahden populaation odotusarvon erotuksen luottamusväli Jos halutaan arvioida kahden populaation odotusarvojen yhtäsuuruutta, niin voidaan arvioida odotusarvojen erotusta µ 1 - µ 2. Esim. 7.6.10. Arvio lähiö- ja keskusta-asuntojen keskineliöhintojen erotukselle on (-989,844, -798,862), muodostettu luottamusväli odotusarvojen erotukselle. Koska nolla ei kuulu luottamusvälille, niin päätellään: odotusarvojen olevan eri suuret (keskihinnat eivät samoja). http://www.sis.uta.fi/tilasto/mtttp1/syksy2014/luentorunk o.pdf#page=76

6.10.2015/10 7.7 Hypoteesien testausta Tutkimusongelmia: Puolueen kannatus? Väite: = 18 % Virheellisten komponenttien osuus tuotannossa? Väite: = 4 % Kynttilöiden keskimääräinen palamisaika? Väite: µ = 20 h

6.10.2015/11 Asuntojen keskimääräiset neliöhinnat keskustassa ja lähiössä? Väite: µ 1 = µ 2 Painon ja pituuden välinen lineaarinen riippuvuus? Väite: = 0 Opintosuunnan vaikutus kurssiarviointiin? Väite: ei riippuvuutta

6.10.2015/12 Tilastollinen hypoteesi on väite populaatiosta, usein populaation jakauman parametrista. Esim. H0: = 0 H0: µ = µ 0 Hypoteesin testaus on väitteen tutkimista otoksen perusteella. Käytetään sopivaa otossuuretta (testisuuretta), jonka jakauma tunnetaan, kun H0 tosi.

6.10.2015/13 Esim. H 0 : µ = µ 0 t X s / n 0 ~ tn 1, kun H 0 tosi H 0 : = 0 Z p 0 100 ) / n 0 ( 0 likimain ~ N(0,1), kun H 0 tosi

Otossuureen (testisuureen) arvon perusteella H 0 hyväksytään tai hylätään. 6.10.2015/14 Jos testisuureen arvoa pidetään tavanomaisten arvojen joukkoon kuuluvaksi, niin H 0 hyväksytään. Jos arvoa pidetään harvinaisten arvojen joukkoon kuuluvaksi, niin H 0 hylätään. Mikä on harvinaista? Mihin H 0 :n hylkääminen johtaa?

6.10.2015/15 Esim. H 0 : = 0 H 1 : > 0 vaihtoehtoinen hypoteesi Z likimain p 0 ~ N(0,1) 100 ) / n 0 ( 0, kun H 0 tosi Nyt harvinaisiksi arvoiksi katsotaan suuret arvot, suuremmat kuin z. Tällöin merkitsevyys- eli riskitaso on. Usein = 0,05, 0,025, 0,01 tai 0,001.

Jos H 0 hylätään, niin H 1 hyväksytään. 6.10.2015/16

6.10.2015/17 Miten H 1 asetetaan? Esim. H 0 : = 0 H 1 : > 0 (yksisuuntainen testi) tai H 1 : < 0 (yksisuuntainen testi) tai H 1 : 0 (kaksisuuntainen testi) Kaksisuuntaisessa testissä harvinaisten arvojen joukko on jakauman hännillä.

6.10.2015/18 Esim. H 0 : = 0 H 1 : 0 (kaksisuuntainen testi) Päättely p-arvon perusteella, p-arvo on pienin riskitaso, jolla H0 voidaan hylätä.

6.10.2015/19 Esim. H 0 : = 0 H 1 : > 0 Jos p-arvo on pienempi kuin valittu riskitaso, niin H 0 hylätään.

6.10.2015/20 Testisuureita H 0 : = 0 Z p 0 100 ) / n 0 ( 0 likimain ~ N(0,1), kun H0 tosi

6.10.2015/21 Esim. 7.7.1. Tarkastellaan erään liikkeen asiakkaita. Halutaan tutkia, ovatko asiakkaista yli puolet naisia. Tehdään 200 asiakkaan satunnaisotos jossa naisia on 113. Nyt H 0 : = 50 % ja H 1 : > 50 %. Otoksessa naisia 56,5 %. Aineiston perusteella testisuureen arvoksi saadaan z 56,5 50 50(100 50)/ 200 1,838 z 0,05 1,6449.

6.10.2015/22 H 0 hylätään 5 %:n riskitasolla, mutta ei 2,5 %:n riskillä, joten 0,025 < p-arvo < 0,05. Ks. http://www.sis.uta.fi/tilasto/mtttp1/syksy201 5/luentorunko.pdf#page=82 Esim. 7.7.2 http://www.sis.uta.fi/tilasto/mtttp1/syksy201 5/luentorunko.pdf#page=83

6.10.2015/23 - > luento 8.10 H 0 : µ = µ 0 t X s / n 0 ~ tn 1, kun H 0 tosi

6.10.2015/24 Esim. 7.7.3. Kauppias väitti, että kananmunien keskipaino on 50 g. Tehdään 36 alkion satunnaisotos ja saadaan x = 47, s = 6. Onko kauppiaan väittämään uskomista? Nyt H 0 : = 50 g ja H 1 : < 50 g Saadaan t 47 6/ 50 36 3, joka on pienempi kuin t 0,005;35 2,75, joten kauppiaan väitettä ei voida uskoa. Hylätään nollahypoteesi 0,5 %:n riskitasolla.

6.10.2015/25 Esim. 7.7.4. http://www.sis.uta.fi/tilasto/mtttp1/syksy201 5/luentorunko.pdf#page=86 Esim. 7.7.5. http://www.sis.uta.fi/tilasto/mtttp1/syksy201 5/luentorunko.pdf#page=87