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

Samankaltaiset tiedostot
MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

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

Sovellettu todennäköisyyslaskenta B

4. Seuraavaan ristiintaulukkoon on kerätty tehtaassa valmistettujen toimivien ja ei-toimivien leikkijunien lukumäärät eri työvuoroissa:

TODENNÄKÖISYYS JA TILASTOT MAA6 KERTAUS

riippumattomia ja noudattavat samaa jakaumaa.

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

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

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

MTTTA1 Tilastomenetelmien perusteet 5 op Luento Kokonaisuudet johon opintojakso kuuluu

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

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

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

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

MAT Todennäköisyyslaskenta Tentti / Kimmo Vattulainen

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

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

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

6. laskuharjoitusten vastaukset (viikot 10 11)

Todennäköisyyden ominaisuuksia

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

Leikkijunan kunto toimiva ei-toimiva Työvuoro aamuvuoro päivävuoro iltavuoro

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

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

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

Kertaustesti Perheessä on neljä lasta, joista valitaan arpomalla kaksi tiskaajaa. Millä todennäköisyydellä nuorin joutuu tiskaamaan?

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tilastollisia peruskäsitteitä ja Monte Carlo

Väliestimointi (jatkoa) Heliövaara 1

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

pisteet Frekvenssi frekvenssi Yhteensä

Käytetään satunnaismuuttujaa samoin kuin tilastotieteen puolella:

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tilastollinen aineisto Luottamusväli

Juuri 10 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

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

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

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

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

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Sovellettu todennäköisyyslaskenta B

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

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

Tutkimustiedonhallinnan peruskurssi

Sovellettu todennäköisyyslaskenta B

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Luottamusvälit. Normaalijakauma johnkin kohtaan

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

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

ABHELSINKI UNIVERSITY OF TECHNOLOGY

ikä (vuosia) on jo muuttanut 7 % 46 % 87 % 96 % 98 % 100 %

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

Harjoitus 7: NCSS - Tilastollinen analyysi

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

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

10. laskuharjoituskierros, vko 14, ratkaisut

30A02000 Tilastotieteen perusteet

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

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

Mat Sovellettu todennäköisyyslasku A

Tilaston esittäminen frekvenssitaulukossa ja graafisesti. Keskiluvut luokittelemattomalle ja luokitellulle aineistolle: moodi, mediaani, keskiarvo.

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

Mat Sovellettu todennäköisyyslasku A

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Testejä suhdeasteikollisille muuttujille

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Testit laatueroasteikollisille muuttujille

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

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

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Tilastollisen analyysin perusteet Luento 10: Johdatus varianssianalyysiin

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B

805306A Johdatus monimuuttujamenetelmiin, 5 op

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

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

D ( ) E( ) E( ) 2.917

Estimointi. Vilkkumaa / Kuusinen 1

Mat Tilastollisen analyysin perusteet, kevät 2007

MTTTP5, luento Luottamusväli, määritelmä

031021P Tilastomatematiikka (5 op) viikko 5

Jatkuvat satunnaismuuttujat

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

MS-A0503 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Diskreetin satunnaismuuttujan odotusarvo, keskihajonta ja varianssi

Tilastotieteen jatkokurssi syksy 2003 Välikoe

Teema 8: Parametrien estimointi ja luottamusvälit

Tilastollisen analyysin perusteet Luento 1: Lokaatio ja hajonta

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

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Transkriptio:

Tehtävien ratkaisuja 4. Palloja yhteensä 60 kpl. a) P(molemmat vihreitä) = P((1. pallo vihreä) ja (. pallo vihreä)) = P(1. pallo vihreä) P(. pallo vihreä 1. pallo vihreä) = 0.05 (yleinen kertolaskusääntö) b) P(nostetut pallot ovat samanvärisiä) = P(molemmat vih tai molemmat sin tai molemmat pun) = P(molemmat vih) + P(molemmat sin) + P(molemmat pun) = 0.379 (yleinen kertolaskusääntö ja erillisten tapahtumien yhteenlaskusääntö) 5. silmäluku 1 3 4 5 6 todennäköisyys a) P( silmäluku on pariton) = P(silmäluku on 1 tai 3 tai 5) = P(silmäluku on 1) + P(3) + P(5) = = + + = 0.48 (erillisten tapahtumien yhteenlaskusääntö) b) P(silmäluku on ainakin 4) = P(silmäluku on 4 tai 5 tai 6) = + + = 0.714 (erillisten tapahtumien yhteenlaskusääntö) c) A = pariton, B = ainakin 4. Ny silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia. 6. a) P(molemmat elävät 60-vuotiaina) = P(mies elää) P(nainen elää) = 0.71 0.8 b) P(vain nainen elää 60-vuotiaana) = P(mies ei elä) P(nainen elää) = (1-0.71) 0.8 = 0.378 c) P(molemmat ovat kuolleet ennen 60-vuotispäiväänsä) = P(mies ei elä) P(nainen ei elä) = (1 0.71) (1-0.8) = 0.05 7. P(p) = 0., P(n) = 0.33 ja P(r) = 0.45 P(i p) = 0.75, P(i n) = 0.80 ja P(i r) = 0.60 a) P(i) = P(p) P(i p) + P(n) P(i n) + P(r) P(i r) = 0.75 + 0.80+ 0.60 = 0.699, eli 70% (kokonaistodennäköisyys) b) P(r i) = = = 0.386, eli 39 % (Bayesin kaava) 8. x = oikeille omistajille tulleiden hattujen lukumäärä Alkeistapauksia 3! = 6 kpl: KAVERUKSET A B C x i Hatut a b c 3 a c b 1 b a c 1 b c a 0 c a b 0 c b a 1

Jakauma x i 0 1 3 p i Odotusarvo Ex = Varianssi Var x = Keskihajonta Dx = = 1 9. Kyllä, koska kaikki todennäköisyydet ovat ainakin 0 ja todennäköisyyksien summa on 1. 30. x = kolmosten lukumäärä 5:ssä heitossa ~ Bin(5, 0.5) n = 5, koska 5 heittoa ja p = 0.5, koska todennäköisyys saada yhdellä heitolla kolmonen on 1/4 1) P(yksi kolmonen) = P(x = 1) = ( ) ) P(ainakin kerran kolmonen) = 1 - P(ei kolmosia) = 1 - P(x = 0) = 1- ( ) = 0.767 31. x = ottelussa tehtävien maalien lkm~ Poi (5), koska tehtyjen maalien keskiarvo (tai 5.3) P(tulos on 0-0) = P(ei tehdä yhtään maalia) = P(x = 0) = (e = Neperin luku, jonka likiarvo on parilla desimaalilla.7) 3. a) P(z < -0.95) = (-0.95) = 1- (0.95) = 1-0.889 = 0.1711 b) P( 0.1 < z < 0.75) = (0.75) - (0.1) = 0.7734 0.5398 = 0.336 c) P(z > 0.8) = 1 P(z 0.8) = 1 0.7939 = 0.061 33. x = ÄO ~ N(100, 16 ) a)p(x 10 ) =P ( ) P(z 1.5) = (1.5 ) = 0.8944 b) Olk. A=Neropattikerhon vähimmäisäo P(x A) = 0.0 ja siten P(x < A) = 0.98 ja vielä P( ) = 0.98, joten ( )= 0.98 A 100 Taulukosta (.05) 0.98, joten. 05, josta A = 13.8 16 34. x = proteiinimäärä (100 grammassa tuotetta) ~ N(9.04,.99 ) a) P(x 11) = 1 P(x < 11) = 1 - ( ) = 1 - ( ) = 1 0.7454 = 0.546 b) Taulukosta (0.67) 0.75, joten 0.67 on N(0, 1) jakauman yläkvartiili ja proteiinimäärän yläkvartiilille: = 0.67, josta = 11.04

35. x = tänä keväänä toimiston kautta töitä saaneiden lukumäärä ~ Bin(150, 0.70) likimain ~ N(150, 150 0.70 ) = N(105, 31.5) P(x ) = P(x 100) = 1- P(x < 100) = 1 P( ) = 1 P( z < -0.89) = 1 - ( ) = 1 [1 - ( ) ] = 0.8133 36. n=15, x = 7.4, = 0.1; populaatiovarianssi tunnettu = 0.05, z 0.05 = 1.96, koska (1.96) = 1 0.05 = 0.975 95 %:n luottamusväli koko populaation keskiarvolle on 0.1 0.1 (7.4-1.96, 7.4 +1.96 ) = (7.35, 7.45) 15 15 37. n = 3, minun satunnaisotoksessani mukana henkilöt: 4, 7 ja. Tästä otoksesta laskettu x = 81.67 ja s = 8.038; populaatiovarianssi tuntematon = 0.05, t 0.05 (3-1) = 4.303 95 %:n luottamusväli tunnit-muuttujan populaatiokeskiarvolle on 8.038 8.038 (81.67 4.303, 81.67 + 4.303 ) = (1, 151) 3 3 13 38. n = ; P = 100 = 68.4 % = 0.05, z 0.05 = 1.96 95 %:n luottamusväli tuuli- ja vesivoimaa kannattavien %-osuudelle 68.4 100 68.4 68.4 100 68.4 (68.4 1.96, 68.4+ 1.96 ) = (47.5, 89.3) 39. n = 5, x = 13.79 ja s = 6.57; populaatiovarianssi tuntematon = 0.05, t 0.05 (5-1) =.000 Hypoteesit: H 0 : µ = 16 H 1 : µ 16 Kriittinen alue C = { t t >.000} Testisuureen arvo = -.4 Testisuureen arvo kuuluu kriittiselle alueelle, joten nollahypoteesi hylätään. Otos ei anna tukea oletukselle vaan näyttää siltä, että keskimääräinen opintoviikkomäärä jää populaatiossakin alle 16/lukukausi. 40. Keskiarvotesti, kaksi riippumatonta otosta; populaatiovarianssit ja tunnetaan n 1 = 8 n = 8 = 10.5 = 9. 1 = 3.5 = 3.0

Hypoteesit: H 0 : = H 1 : = 0.05, z 0.05 = 1.96 ja kriittinen alue C ={ z z > 1.96} z = 10.5 9. 3.5 8 3.0 8 = 0.80 Poikien ja tyttöjen testipistekeskiarvoilla ei ole eroa. 41. n 1 = 1 n = 7 = 33.08 = 31.86 s 1 = 10.049 s = 10.900 a) Varianssien yhtäsuuruustesti: Hypoteesit: H 0 : = H 1 : = 0.05, F 0.05 (7-1, 1-1) = 3.88; C ={ F F > 3.88} Populaatioiden variansseja voidaan siis pitää yhtäsuurina b) Keskiarvotesti, kaksi riippumatonta otosta; populaatiovariansseja ja ei tunneta, mutta oletetaan ne a)- kohdan perusteella yhtäsuuriksi Hypoteesit: H 0 : = H 1 : = 0.05, t 0.05 (1+7-) =.110 ja kriittinen alue C ={ t t >.110} Määritetään populaatioiden yhteisen varianssin estimaatti: s (1 1) 10.049 (7 1) 10.900 = 1 7 33.08 31.86 = 0.5 1 1 10.3 1 7 = 107.8, ja s = 10.36 Ikäkeskiarvoilla ei ole eroa. 4. Kaksi riippumatonta otosta, prosenttilukutesti Oikea lääke Plasebo n 1 = 93 n = 94 P 1 = 5 P = 40

Hypoteesit: H 0 : 1 = H 1 : 1 > = 0.01, z 0.01 =.33 ja kriittinen alue C ={ z z >.33} 93 5 94 40 P = = 45.96 93 94 z = 45.96 5 40 100 45.96 1 93 1 94 1.64 Uusi lääke ei ole plaseboa parempi. 45. -riippumattomuustesti Hypoteesit: H 0 : laatu ja hinta ovat riippumattomia H 1 : laatu ja hinta eivät ole riippumattomia = 0.05; 0.05 ((3-1). (-1)) = 5.99 ja kriittinen alue C ={ > 5.99} Tehtävän 17 tulos: = 1.89. Testisuureen arvo on kriittisellä alueella, joten nollahypoteesi hylätään eli muuttujien välillä on tilastollista riippuvuutta siten, että kun laatu on huono, on tavara hinnaltaan usein edullinen. 46. Korrelaatiotesti r = 0.86 n = 10 Hypoteesit: H 0 : = 0 H 1 : 0 Valit. = 0.05; t 0.05 (10-) =.306 ja kriittinen alue C = {t t >.306} 0.86 10 1 0.86 = 4.14 Testisuureen arvo on kriittisellä alueella, joten nollahypoteesi hylätään, joten populaatiokorrelaatiokerrointa ei voi olettaa nollaksi.