Tilastollinen päättömyys, kevät 2017 Harjoitus 5b

Samankaltaiset tiedostot
Tilastollinen päättömyys, kevät 2017 Harjoitus 6A

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

HY, MTO / Matemaattisten tieteiden kandiohjelma Tilastollinen päättely II, kevät 2018 Harjoitus 6A Ratkaisuehdotuksia.

Tilastollinen päättely II, kevät 2017 Harjoitus 3B

Tilastollinen päättömyys, kevät 2017 Harjoitus 6B

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

5.7 Uskottavuusfunktioon perustuvia testejä II

Osa 2: Otokset, otosjakaumat ja estimointi

Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille. Testit suhdeasteikollisille muuttujille: Esitiedot

8. laskuharjoituskierros, vko 11, ratkaisut

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Osa 2: Otokset, otosjakaumat ja estimointi

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1

Mat Sovellettu todennäköisyyslasku A. Otos- ja otosjakaumat Estimointi Estimointimenetelmät Väliestimointi. Avainsanat:

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

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

Väliestimointi (jatkoa) Heliövaara 1

2-suuntainen vaihtoehtoinen hypoteesi

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

3.6 Su-estimaattorien asymptotiikka

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

Johda jakauman momenttiemäfunktio ja sen avulla jakauman odotusarvo ja varianssi.

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

5 Hypoteesien testaaminen

Sovellettu todennäköisyyslaskenta B

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

Johdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1

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

( θa,n ;Y n (ˆθn θ 0 ), a=1,...,d, J n

6.1 Riippumattomat satunnaismuuttujat

ABHELSINKI UNIVERSITY OF TECHNOLOGY

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

2-suuntainen vaihtoehtoinen hypoteesi

Harjoitukset 1 : Tilastokertaus

5 Hypoteesien testaaminen

Mat Sovellettu todennäköisyyslasku 9. harjoitukset/ratkaisut. Luottamusvälit

Tilastollinen päättely II, kevät 2017 Harjoitus 2A

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

Tilastollinen testaus. Vilkkumaa / Kuusinen 1

2. Uskottavuus ja informaatio

Mat Tilastollisen analyysin perusteet, kevät 2007

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille. Testit järjestysasteikollisille muuttujille: Esitiedot

Tilastolliset luottamusvälit

Satunnaismuuttujien muunnokset ja niiden jakaumat. Satunnaismuuttujien muunnokset ja niiden jakaumat

Sovellettu todennäköisyyslaskenta B

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

S Laskennallinen systeemibiologia

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

6.1.2 Luottamusjoukon määritelmä

2. Uskottavuus ja informaatio

Tilastollinen aineisto Luottamusväli

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

Sovellettu todennäköisyyslaskenta B

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

KURSSIN TILASTOMATEMATIIKKA KAAVOJA

EX1 EX 2 EX =

Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat Konvergenssikäsitteet ja raja arvolauseet

Tilastolliset menetelmät: Tilastolliset testit

1. Valitaan tilanteeseen sopiva stokastinen malli. 2. Sovitetaan malli havaittuun dataan (estimoidaan mallin parametrit).

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

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Testit laatueroasteikollisille muuttujille

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

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

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

Johdatus todennäköisyyslaskentaan Konvergenssikäsitteet ja raja-arvolauseet. TKK (c) Ilkka Mellin (2004) 1

031021P Tilastomatematiikka (5 op) viikko 5

Todennäköisyyden ominaisuuksia

Estimointi. Vilkkumaa / Kuusinen 1

Maximum likelihood-estimointi Alkeet

Sovellettu todennäköisyyslaskenta B

Ilkka Mellin Aikasarja-analyysi Suurimman uskottavuuden menetelmä

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

Otantajakauman käyttö päättelyssä

Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia. Normaalijakaumasta johdettuja jakaumia: Mitä opimme?

Markov-ketjun hetkittäinen käyttäytyminen

Sovellettu todennäköisyyslaskenta B

Kertausluento. Tilastollinen päättely II - 2. kurssikoe

Testejä suhdeasteikollisille muuttujille

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

Sovellettu todennäköisyyslaskenta B

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Uskottavuuden ominaisuuksia

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

Mat Sovellettu todennäköisyyslasku A

Sisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.

Tilastolliset menetelmät: Tilastolliset testit

= 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

Mat Tilastollisen analyysin perusteet, kevät 2007

Harjoitus 7: NCSS - Tilastollinen analyysi

Todennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.

10. laskuharjoituskierros, vko 14, ratkaisut

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

Yhden selittäjän lineaarinen regressiomalli

4.0.2 Kuinka hyvä ennuste on?

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

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

Sovellettu todennäköisyyslaskenta B

Transkriptio:

Tilastollie päättömyys, kevät 07 Harjoitus b Heikki Korpela 3. helmikuuta 07 Tehtävä. a Olkoot Y,..., Y Bθ. Johda uskottavuusosamäärä testisuuree ry, Waldi testisuuree wy ja Rao pistemäärätestisuuree uy lauseke, ku testattavaa hypoteesia o H 0 : θ θ 0. b Koetilateessa satuaisesti valittua hekilöä maistoi vahaa ja uutta olutlaatua ja 60 % piti uutta parempaa. Tutki Rao pistemäärätestiä ja p-arvo χ - approksimaatiota käyttämällä väitettä, ettei olutlaatuje välillä ole havaittavaa eroa. Etä jos koehekilöitä olisi ollut 0? Vastaus:. a Todetaa aluksi EY EY i θ. Beroulli-jakautueide riippumattomie sm:ie yhteisjakauma o biomijakauma, jote uskottavuusfuktioksi voidaa valita ja siitä SU-estimaatiksi johtaa vrt. moistee.4.: Lθ; y θ y θ y lθ y log θ + y log θ y log θ + y log θ l θ y θ y y yθ θ + yθ θ θ θ y θ θ θ 0 θ y ˆθ, l θ θ θ θy θ θ θ θ θ y +θ + yθ θ θ θ y + yθ θ θ θ y + yθ + θ θ θ θ + yθ y + yθ θ θ y θ θ θ y θ y θ + θ θ θ y θ y θ

josta saadaa lˆθ y log y + y log y y log y + q log q lθ 0 y log θ 0 + y log θ 0 y log θ 0 + q log s q merk. y s merk. θ 0 ry [lˆθ; y lθ 0 ; y] [ y log y + q log q y log θ 0 + q log s] [y log y log θ 0 + q log q log s] [ y log yθ0 + y log y ], θ 0 iθ 0 E θ0 [ l θ 0 ] [ Y E θ 0 + Y ] θ0 Eθ0 Y θ 0 + E θ 0 Y θ0 θ0 θ 0 + θ 0 θ0 + θ 0 θ 0 vrt. moistee.4. θ 0 θ 0 wy iθ 0 ˆθ θ 0 y θ0 θ 0 θ 0 uy l θ 0 ; y iθ 0 y θ 0 θ 0 θ 0 θ 0 θ 0 y θ 0 θ 0 θ 0 wy b Mallietaa a-kohda ioittamaa tilaetta ii, että kutaki maistamiskertaa kuvataa satuaismuuttajalla Y i, missä Y i Bθ. Nollahypoteesia voitaee tässä yhteydessä pitää sitä, että θ θ 0, ja vastahypoteesiä joka o toivo mukaa asetettu ee aieisto keräämistä tai se tutkimista sitä, että θ. Kaksisuutaie testi. Havaitoa o yt saatu y 4/. Edellise kohda perusteella Rao testisuure o: uy y θ 0 θ 0 θ 0 6/0 /0 // 00 4 χ -approksimaatio mukaa uy as. χ, jos H 0 pätee. Luoollisesti suuret arvot ovat kriit-

tisiä. Siis p-arvoa voidaa approksimoida seuraavasti: p u y P H0 uy uy F χ 0,37, jote ollahypoteesiä ei voie tällä perusteella hylätä. Tarkistetaa vielä käyttämällä Rao testisuuretta u / : uy, p u y P H0 uy uy Φ 0,37 Tarkka p-arvo käyttämällä biomijakautuutta testisuuretta ty Y olisi p t y P H0 ty θ y θ P H0 ty θ y θ + P H0 ty + θ y θ P H0 ty y θ + θ + P H0 ty y θ θ P H0 ty < y θ + θ + P H0 ty θ y θ P H0 ty y θ + θ + P H0 ty θ y θ F Bi,θ y θ + θ + F Bi,θ θ y θ F Bi, 4 + F Bi, 0 0,44, Tapauksessa 0 Rao testisuure o: ja p-arvo approksimaatti: uy 0, p u y P H0 uy uy F χ 0 0,006, tarkka p-arvo p t y P H0 ty y F Bi0, 49 + F Bi0, 00 0,00. Tehtävä. Moistee tehtävä.4. Moistee esimerki.4.6 a-asetelmassa saadaa otoksee 0 geotyyppejä rr, rr ja RR vastaavasti 4, 0 ja 6 yksilöä. Laske parametri θ suurimma uskottavuude estimaatti ja testaa kaksisuutaisella Waldi testillä ollahypoteesia H 0 : θ 0,. Vastaus: Asetetaa merkitsevyystasoksi vaikkapa α 0,0. Todetaa moisteessa johdettu yptf y cyθ y+y θ y3+y. Log-uskottavuusfuktioksi voidaa valita ja siitä SU-estimaatiksi joh-. 3

taa: lθ y + y l θ + y 3 + y l θ l θ y + y θ y 3 + y θ y y θ + y y θ y 3 θ y θ θ θ θy + y + y 3 > y y y + y θ < y + y + y 3 y + y ˆθ, > 0 ja toiseksi derivaataksi ja Fisheri iformaatioksi saadaa moisteessaki johdetut: l θ y + y θ y 3 + y θ [ ιθ E θ [ l Y + Y θ] E θ θ + Y ] 3 + Y θ [ Eθ Y + E θ Y θ + E ] θy 3 + E θ Y θ θ + θ θ + θ + θ θ θ θ Hardy-Weiberg Waldi testisuure eliömuoto: θ + θ + θ + θ θ θ θ + θ θ θ θ θ wy ιθ 0 ˆθ θ 0 y + y θ 0 θ 0 θ 0 0 4 + 0 / / 4/ 0 00 8 4/ 00 0 00 00 4 4 00 8 00 4 4 4 Koska wy as. χ, ii p-arvo o likimai PX 4 0,04. Koska tämä o pieempi kui alussa asetettu merkitsevyystaso α, testi siis hylkää ollahypoteesi. Vastaava tulos saadaa testisuuree juurimuodosta: w y 4, ja koska w y as. N0,, ii p-arvo o siis likimai P N0, Φ 0,04. Tehtävä 3. Moistee tehtävä. a Olkoot Y,..., Y Pµ. Johda uskottavuusosamäärä testisuuree lauseke, ku testattavaa o H 0 : µ µ 0. b Eräässä tieristeyksessä o pitkällä aikavälillä sattuut keskimääri 7, oettomuutta kuukaudessa. Risteyksee aseetaa liikeevalot. Sitä seuraava vuode aikaa sattuu yhteesä 60 oettomuutta. Testaa uskottavuusosamäärä testiä ja χ -approksimaatiota käyttämällä, voidaako valoje asetamise katsoa vaikuttaee oettomuuksie määrää. Oletetaa, että oettomuuksie lukumäärä kuukaudessa o Poisso-jakautuut. 4

Vastaus: 3. a Uskottavuusosamäärä testisuuretta varte tarvitaa SU-estimaatti ja logaritmie uskottavuusfuktio. Aieistosta laskettu SU-estimaatti ˆµ o Poisso-jakaumalla tuetusti y, ja log-uskottavuusfuktioksi voidaa valita lµ; y y log µ µ. Siis uskottavuusosamäärä testisuuree lauseke o ry [lˆµ; y lµ 0 ; y] [ly; y lµ 0 ; y] [y log y y y log µ 0 µ 0 ] [ y log y ] y µ 0 µ 0 b Mielekäs ollahypoteesi olisi yt se, että havaittavaa vaikutusta ei ole ollut µ µ 0 7 0 36. Kaksisuutaisea vastahypoteesia voitaee pitää, että oettomuudet ovat joko vähetyeet tai lisäätyeet µ 7,, joski myös yksisuutaista testausasetelmaa voisi helposti perustella. Asetetaa testi merkitsevyystasoksi 0,0. Aieisto lukuarvot ovat, y 60/. Uskottavuusosamäärä testisuure o tällä aieistolla: [ ry y log y ] y µ 0 µ 0 [ ] log 36/ 36/ 4 [ log /36 / 36/] 0 log 0 log 36 + 64 40 log log 6 + 64 9,0483 Koska ry as. χ, ii p Pχ 40 log log 6 + 64 0,006. Testi siis hylkää ollahypoteesi. Tarkka arvo saataisii jo tuttuu tapaa. Poisso-jakautuee riippumattoma satuaismuuttuja summalla Y o Poisso-jakauma parametrilla µ. Tästä seuraa, että P Y y P Y y + P Y y P Y < y + P Y y P Y y + P Y y F Pµ y + F Pµ y Tehtävä 4. Jatkoa Harjoitus A tehtävää. a kohta oli siellä. Olkoo Y,..., Y Pµ, missä µ > 0. Tiedämme, että sekä Y että S ovat parametri µ harhattomia estimaattoreita. Tarkastellaa ollahypoteesia H 0 : µ µ 0 ja vastahypoteesia H : µ µ 0. Tällöi sekä t Y Y µ 0 että t Y S µ 0 kävisivät maiiosti kaksisuutaisia testisuureia suuret itseisarvot t y ja t y ovat kriittisiä H 0 :lle. Ogelmaa o, että testisuureita vastaavie satuaismuuttujie T t Y ja T t y jakaumat olisi hyvä tutea p-arvoje ja kriittiste alueide määräämistä varte. Oletetaa, että o hyvi suuri seuraavassa.

b Huomaamme, että T ei ole aiva riippumattomie ja samoi jakautueitte satuaismuuttujie summa, sillä Y sotkee asioita. Suurilla otoskeskiarvo Y o kuiteki tarketuva, jote oletetaa, että piei pulijaus o sallittu ja voimme vaihtaa suurilla testisuuree likimai vastaavaksi T 3 Y i µ µ 0 i ku oletetaa, että parametria o µ. Kute a-kohdassa, määrää pulijatu testisuuree T 3 asymptoottie jakauma T 3 ei tietekää ole testisuure, sillä se ei ole tuusluku : c Määrää likimääräiset p-arvot suurilla testisuureelle T ja pulijatulle testisuureelle T 3 eli kutamai likimääräie p-arvo testisuureelle T. 4. Vastaus: b Merkitää aluksi Z i gy i Y i µ kullaki i, missä g o siis kuvaus x g x µ. Koska Y i, ii myös gy i Z i TN lause 3.7. Lisäksi voidaa päätellä, että Z i ovat samoi jakautueita, koska Y i olivat samoi jakautueita. Lasketaa Z i : odotusarvo ja variassi: E µ Z i E µ Y i µ E µ Y i EY i var Y i µ, M Yi t expµe t, ht merk. µ e t, h0 µ 0, M Y i t µe ht+t M Y i t µe t + µe ht+t M 3 Y i t µe t + µe ht+t + µ e ht+ t M 4 Y i t µe t + 3 µe ht+t + 3µe t + 4 µ e ht+ t EY i M 0 µ exp0 µ, EY i M 0 µ + µ µ + µ, EY 3 i M 3 0 µ + µ + µ µ 3 + 3µ + µ, EY 4 i M 4 0 µ + 3 µ + 3µ + 4µ µ 3 + 3µ + 3µ + µ + 3µ 3 + 4µ µ 4 + 6µ 3 + 7µ + µ var µ Z i E µ [Y i µ ] [E µ Y i µ ] E µ Y i µ 4 [E µ Y i µ ] E [ µ 4 4µ 3 Y i + 6µ Yi 4µYi 3 + Yi 4 ] var Yi µ 4 4µ 3 EY i + 6µ EYi 4µEYi 3 + EYi 4 µ µ + 3 µ + 6 µ + µ 3 3 µ 4 + µ + µ + µ + µ 4... µ + µ µ + µ + µ µ µ Jote keskeise raja-arvolausee ojalla T 3 i Z as. Z i N EZ i, var Z i N µ, µ + µ i Y i µ Z as. µ µ N, + µ i as. µ + µ N Y i µ µ 0 Z µ 0 µ µ 0, 6

c Koska molemmat testisuureet ovat ormaalijakautueita, voidaa edetä samaa tapaa kui kaksisuutaista z-testiä johtaessa. P-arvot molemmille saadaa molemmissa tapauksissa ku t t tai t 3 oleaisesti samalaisella päättelyllä: p t y P H0 ty µ T ty µ T P H0 ty µ T ty µ T + P H0 ty + µ T ty µ T P H0 ty µ T ty µ T + P H0 ty µ T ty µ T P H0 ty µ T < ty µ T + P H0 ty µ T ty µ T ty µt P H0 < ty µ T ty µt + P H0 ty µ T σ T σ T σ T σ T ty µt ty µt Φ + Φ σ T σ T ty µt Φ, σ T ja tästä T : tapauksessa p t y Φ t y µ T 0, σ T µ/ µ Φ t y H 0 : µ µ 0 µ0 Testi hylkää merkitsevyystasolla α, ku Φ t y < α µ0 t y < q µ0 α t y > q µ0 α, missä q o stadardiormaalijakauma kvatiilifuktio ja josta ähdää kriittie alue. Tehdää tämä vuoksi vielä se havaito, että jos o hyvi suuri, voimme approksimoida lukua rohkeasti :llä ja erityisesti, ku, ii. Arvioidaa sitte µ T3 :tä ja σ T3 :aa: jolloi µ T3 µ µ 0 µ 0 µ 0 0, µ + µ µ + µ σ T3 p t3 y Φ t 3 y Φ σ T3 t 3 y, µ 0 + µ 0 µ + µ ja testi hylkää merkitsevyystasolla α, ku Φ t 3 y < α µ 0 + µ 0 t 3 y α < q µ 0 + µ 0 t 3 y > µ 0 + µ 0 α q, joka määrää approksimatiivise kriittise aluee ehdo. 7

8