Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

Samankaltaiset tiedostot
HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 8B Ratkaisuehdotuksia.

Sovellettu todennäköisyyslaskenta B

Estimointi. Vilkkumaa / Kuusinen 1

6.1.2 Luottamusjoukon määritelmä

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

Sovellettu todennäköisyyslaskenta B

2 exp( 2u), kun u > 0 f U (u) = v = 3 + u 3v + uv = u. f V (v) dv = f U (u) du du f V (v) = f U (u) dv = f U (h(v)) h (v) = f U 1 v (1 v) 2

l (φ; y) = l(θ(φ); y) Toinen derivaatta saadaan tulon derivaatan laskusäännöllä Uudelleenparametroidun mallin Fisherin informaatio on

HY / Matematiikan ja tilastotieteen laitos Tilastollinen päättely II, kevät Ratkaisuehdotuksia

0 kun x < 0, 1/3 kun 0 x < 1/4, 7/11 kun 1/4 x < 6/7, 1 kun x 1, 1 kun x 6/7,

Tilastollinen aineisto Luottamusväli

3.6 Su-estimaattorien asymptotiikka

Väliestimointi (jatkoa) Heliövaara 1

HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Uskottavuuden ominaisuuksia

Sovellettu todennäköisyyslaskenta B

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Osa 2: Otokset, otosjakaumat ja estimointi

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

Tässä luvussa mietimme, kuinka paljon aineistossa on tarpeellista tietoa Sivuamme kysymyksiä:

Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

5.7 Uskottavuusfunktioon perustuvia testejä II

Kertausluento. Tilastollinen päättely II - 2. kurssikoe

P(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu

Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

2. Uskottavuus ja informaatio

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

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

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

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

tilastotieteen kertaus

Todennäköisyyden ominaisuuksia

9. laskuharjoituskierros, vko 12-13, ratkaisut

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

Maximum likelihood-estimointi Alkeet

Sovellettu todennäköisyyslaskenta B

Tilastollinen päättely II, kevät 2017 Harjoitus 1A

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Todennäköisyyslaskun kertaus. Vilkkumaa / Kuusinen 1

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

ABHELSINKI UNIVERSITY OF TECHNOLOGY

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

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

Normaalijakaumasta johdettuja jakaumia

Sovellettu todennäköisyyslaskenta B

η i (θ)t i (x) A(θ) + c(x),

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

Harjoitus 7: NCSS - Tilastollinen analyysi

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

Mat Tilastollisen analyysin perusteet, kevät 2007

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

Satunnaismuuttujien muunnokset ja niiden jakaumat

Jatkuvat satunnaismuuttujat

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Sallitut apuvälineet: MAOL-taulukot, kirjoitusvälineet, laskin sekä itse laadittu, A4-kokoinen lunttilappu. f(x, y) = k x y, kun 0 < y < x < 1,

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

Mat Sovellettu todennäköisyyslasku A

Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

riippumattomia ja noudattavat samaa jakaumaa.

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Koska ovat negatiiviset. Keskihajontoja ei pystytä laskemaan mutta pätee ¾.

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

5 Hypoteesien testaaminen

3 Yleistä estimointiteoriaa. Olemme perehtuneet jo piste-estimointiin su-estimoinnin kautta Tässä luvussa tarkastellaan piste-estimointiin yleisemmin

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

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

1. Jatketaan luentojen esimerkkiä 8.3. Oletetaan kuten esimerkissä X Y Bin(Y, θ) Y Poi(λ) λ y. f X (x) (λθ)x

4.0.2 Kuinka hyvä ennuste on?

031021P Tilastomatematiikka (5 op) viikko 3

805306A Johdatus monimuuttujamenetelmiin, 5 op

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

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

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

Tilastolliset menetelmät. Osa 1: Johdanto. Johdanto tilastotieteeseen KE (2014) 1

2. Uskottavuus ja informaatio

Sovellettu todennäköisyyslaskenta B

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

031021P Tilastomatematiikka (5 op) viikko 4

Sovellettu todennäköisyyslaskenta B

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

Tilastollisen analyysin perusteet Luento 6: Korrelaatio ja riippuvuus tilastotieteessä

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Moniulotteisia todennäköisyysjakaumia

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Todennäköisyyslaskennan ja tilastotieteen peruskurssi Esimerkkikokoelma 3

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

Sovellettu todennäköisyyslaskenta B

Transkriptio:

Tilastollinen päättömyys, kevät 7 Harjoitus 6B Heikki Korpela 8. helmikuuta 7 Tehtävä. Monisteen teht. 6... Olkoot Y,..., Y 5 Nµ, σ, ja merkitään S 5 i Y i Y /4. Näytä, että S/σ on saranasuure eli sen jakauma ei riipu µ:stä eikä σ :sta. Etsi keskihajonnalle σ ylempi 95 %:n luottamusraja b eli 95 %:n luottamusväli muotoa, b, kun on havaittu s. Vastaus: Tunnetusti TN, lause.7b annetussa tilanteessa Z merk. n S /σ χ 4. Muuttuja S/σ merk. W, on muunnos tästä: W gz n Z. g on diffeomorfismi joukkojen R + ja R + välillä, jonka käänteiskuvaus on w h n w kuvaus ja käänteiskuvaus ovat selvästi jatkuvasti derivoituvia näissä joukoissa. Siten TN, lause. tai 9. W :llä on jatkuva jakauma, joka selvästi riippuu vain n:stä, ei parametreista µ tai σ. Jakauman tf olisi siis muotoa f W w f Z hw h w, missä f Z on χ n -jakauman tf. Sen tätä tarkempi määritys ei ole välttämätöntä, koska luottamusjoukko voidaan kuitenkin määrittää χ n -jakauman avulla. Etsitään sitten luottamusjoukkoa luottamustasolla α ja merkitään χ n -jakauman kvantiilifunktiota q:lla: n S σ qα α kvantiilifunktion määr. n S σ qα α todennäköisyyden kompl. n S qα σ α σ S n α qα normaalijakaumalla σ > σ 4.5 q,5 sijoitetaan arvot,. josta saadaan b:n arvoksi 4,6. q,5 Tehtävä. Vuonna 898 ilmestyneessä tilastossa oli raportoitu hevosenpotkuun kuolleiden miesten vuosittaiset lukumäärät neljässätoista reussin armeijan yksikössä kahdenkymmenen vuoden ajalta, yhteensä siis 8 havaintoa. Yhteenveto tuloksista on alla. Kuolleita 4 5 Havaintoja 44 9 Oletetaan, että kuolleiden lukumäärä yhtenä vuonna yhdessä yksikössä noudattaa oissonjakaumaa ja on riippumaton sekä muiden yksiköiden että vuosien lukumääristä. Olkoon µ kyseisen oisson-jakauman odotusarvo. Laske µ:n suurimman uskottavuuden estimaatti ˆµ ja muodosta sitten approksimatiivinen 99 %:n luottamusväli Waldin testisuureeseen perustuen, tätä käsitellään monisteen luvussa 6.4..

. Vastaus: Määritellään satunnaismuuttujat Y i,k niin, että se on i. yksikössä k. vuonna kuolleiden miesten lukumäärä. Tehtävänannon oletuksen mukaan nämä ovat riippumattomia ja oissonjakautuneita parametrein µ. oisson-jakauman parametrin SU-estimaatti on tunnetusti otoskeskiarvo y. Koska ny 9 + + + 4 96, niin µ:n SU-estimaatti on 96/8. Lasketaan vanha tuttu oisson-jakauman informaatio tai kopioidaan esim. H4AT:sta: f Yi y i ; µ exp µ µy i y i! f Y y; µ exp nµµ ny n i y i! lµ nµ + ny log µ l µ n + ny µ l µ ny µ ιµ E µ [ lµ] µ ne µy n µ Siis 99 %:n luottamusväli olisi ˆθ z α/ ιˆθ / y z α/ y y ιn/y / n z α/ y ny ny nyq α/ y n z α/ n 96 96q,995 8 96 96,576,57;,8 8 ny n z α/ Tehtävä. Monisteen teht. 6.. Olkoot Y Y ja Y Nµ, sekä Y Nµ,. Etsi sellaiset luvut a, b >, että Y µ a, Y µ a,95, Y µ + Y µ b,95 Havaittu aineisto on y, y,,5. Mitkä kaksi 95 %:n luottamusjoukkoa saadaan yo. yhtälöiden perusteella parametriparille µ, µ? iirrä kuva. Kumpi luottamusjoukoista on mielestäsi parempi? Tarvitset jakaumien N, ja χ -taulukoita. Näistä löydät tietoa presemokeskustelusta ja laitan eräät taulukot kurssisivulle piakkoin.. Vastaus: Jos Y ja Y ovat riippumattomia, niin näin ovat myös satunnaismuuttujat Y µ ja Y µ. Lisäksi todetaan, että Z Y µ N, ja Z Y µ N,. Ensimmäinen todennäköisyys osittuu riippumattomuuden nojalla tuloksi: Y µ a, Y µ a Y µ a Y µ a Z a Z a a Z a a Z a Φa Φ a Φa Φa Φa

Siis ratkaisu a:lle saadaan yhtälöstä Φa,95,95 + Φa,95 + a q N,6, missä q N on N, -jakauman kvantiilifunktio. Toisessa todennäköisyydessä huomataan, että kyseessä on normaalijakautuneiden sm:ien Z ja Z neliöiden tulo, i Z merk. i W, joka on siis χ -jakautunut. W b F χ b,95 b q χ,95 b q χ,95,44 Sijoittamalla aineisto paikoilleen ensimmäisestä saadaan luottamusjoukoksi } C a µ, µ R : µ a, µ a µ, µ R : µ a, µ } a µ, µ R : a + µ a +, a + µ a + } µ, µ R :,6 µ,6;,76 µ,76 }, joka on, -keskinen suorakaide jopa neliö tasossa. Sen ala on a 4a,. Toisesta saadaan luottamusjoukoksi C b µ, µ R : µ + µ, µ R : µ + µ } b } µ 5,99, joka on, -keskinen, b-säteinen kiekko tasossa. Sen ala on πb 8,8. Tässä mielessä jälkimmäinen joukko vaikuttaisi siis paremmalta, ellei olla kiinnostuneita rajoittamaan nimenomaan toista parametreista mallissa jollekin välille. µ y, y µ Joukko C a :

µ y, y µ Joukko C b : Tehtävä 4. 4. Vastaus: a Olkoon Y satunnaismuuttuja jatkuvasta jakaumasta, jonka tiheysfunktio on f Y y; θ, kun θ < y < θ +, ja on nolla muuten. Näytä että Y θ on saranasuure. b Olkoon Z satunnaismuuttuja jatkuvasta jakaumasta, jonka tiheysfunktio on kun θ >. Näytä että Z/θ / on saranasuure. f Z z; θ z/θ, < z < θ /, c Muodosta α % luottamusvälit parametrille θ kummassakin tapauksessa a ja b. a Jatkuvan jakauman tiheyden skaalaukselle ja siirrolle pätee yleisperiaate X µ + σw f X x x µ σ f W. σ Merkitään X θ + Y, jolloin f X x; θ f Y θ + x θ < θ + x < θ + } < x < } joka on Tas, -jakauman tiheysfunktio. Koska X:n jakauma ei mitenkään riipu θ:n arvosta, X on saranasuure. b Kuten äskeisessä kohdassa, merkitään X θ / Z, jolloin f X x; θ x θ f / Z θ / < x < }x θ / f Z xθ / θ / < xθ / < θ /} xθ / /θ Koska tiheysfunktio ei selvästi mitenkään riipu θ:n arvosta, ei X:n jakaumakaan riipu siitä ja X on saranasuure. 4

c Todetaan, että tapauksessa a pätee, kun < p <, Y θ p p Y θ p F p F p p + p + Siis valitsemalla p α saadaan luottamusjoukoksi, kun on havaittu y, eli luottamusväliksi y α. C a θ R : y θ α} θ R : θ y α} θ R : α θ y α} θ R : y + α θ y + α} θ R : y α θ y + α} p p. Vastaavasti tapauksessa b pätee, kun < p < nyt ei liene mielekästä käyttää itseisarvoja, koska θ on varmasti positiivinen luku ja sm Z saa selvästi vain positiivisia arvoja: θ / Z p θ / Z p f X x dx p/ < x < }x dx x dx x p, josta asettamalla p α p α saadaan luottamusväliksi, kun on havaittu z >, C b θ R + : θ / z α} θ R + : θ α } z θ R + : θ / αz } / } z θ R + : θ, α eli luottamusväliksi, z α. 5