Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicach

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicach"

Transkrypt

1 Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicac Analiza dokładności ocen wartości średnic cec małyc firm W niniejszej pracy przedstawiono na odpowiednim materiale statystycznym praktyczny sposób racjonalnego wyznaczania liczebności prób z warstw. Przedstawiono takŝe krótką analizę efektywności proponowanyc rozwiązań. Dane o działalności małyc firm pocodzą z badania reprezentacyjnego oznaczanego symbolem DG-3 przeprowadzonego przez Wojewódzki Urząd Statystyczny w Katowicac w 993r. Niniejszą analizę ograniczono do cec, któryc symbole niŝej wyjaśniono. Badana populacja składała się z firm. Wylosowana próba liczyła 6656 firm, co stanowi 4% liczby wszystkic elementów populacji. dpar - liczba właścicieli i współwłaścicieli dpar2 - liczba właścicieli i współwłaścicieli-kobiet dpbr - uczniowie ogółem dpbr2 - uczennice dpcr - osoby, z którymi zawarto umowę agencyjno-prowizyjną dpcr2 - kobiety, z którymi zawarto umowę agencyjno-prowizyjną dpdr - osoby zatrudnione na podstawie umowy o pracę dpdr2 - kobiety zatrudnione na podstawie umowy o pracę dper - razem zatrudnieni dper2 - razem zatrudnione kobiety dp2- liczba osób wykonująca prace na umowę zlecenie dp3- liczba zatrudnionyc w przeliczeniu na etaty dp4- kwota wynagrodzeń brutto dp5a- największe wynagrodzenie brutto dp5a- najmniejsze wynagrodzenie brutto dp5- średnie wynagrodzenie brutto Celem analizy jest ocena dokładności estymacji wartości średnic wymienionyc zmiennyc. Z metodologicznego punktu widzenia gromadzenie danyc odbywało się poprzez bezzwrotne losowanie prób prostyc z warstw, przy czym warstwy były tworzone na podstawie cec określającyc rodzaj działalności firmy zgodny z Europejską Klasyfikacją Danyc (EKD). Wykorzystując ogólnie dostępne estymatory wartości średnic i ic błędów szacunku wyliczono na podstawie próby warstwowej oceny średnic badanyc cec oraz rząd ic odcyleń od nieznanyc średnic w populacji 2. Dodajmy, Ŝe w tym podejściu nie uwzględniliśmy tzw. błędów nielosowyc wynikającyc z braku odpowiedzi na ankietę wysyłaną do przedsiębiorstwa. Praca obejmuje część rezultatów otrzymanyc w wyniku realizacji projektu badawczego nr 02B 05 0 pt. Metady powtarzalnyc badań cec populacji finansowanego przez Komitet Badań Naukowyc. 2 Wiele ciekawyc własności procedur wnioskowania na podstawie prób warstwowyc znajdziemy w pracy Steczkowskiego (995).

2 2 Wartość średnia cecy w populacji jest oceniana za pomocą następującego estymatora: gdzie: X = w X w = w N =, N = N = N Przez oznaczono liczbę warstw, liczebność -tej warstwy przez N. Średnią z n - elementowej próby losowanej bezzwrotnie z -tej warstwy określa wzór: X = n i= Symbolem X i oznaczono i-tą obserwację zmiennej w -tej warstwie. Wiadomo, Ŝe średnia z próby warstwowej X w daje nieobciąŝone oceny średniej zmiennej w populacji. Wariancja estymatora X w jest oceniana za pomocą następującej statystyki: X i gdzie: ɵv w N n = 2 S 2 N n = S n ( X i X ) 2 2 = n i= Oceny wartości średnic i błędów ic estymacji znajdujemy w tablicy. W jej trzeciej kolumnie zapisano ocenę wariancji estymatora średniej. Z kolei w następnej kolumnie zapisano jej pierwiastek, który jest oceną przeciętnego błędu szacunku średniej. W końcu w ostatniej kolumnie tablicy znajdujemy ocenę błędu względnego szacunku średniej. Przykładowo, średnia wynagrodzeń brutto (zmienna dp4) wynosi zł i odcylą się ta wartości od nieznanej szacowanej wartości średniej wynagrodzeń brutto przeciętnie o zł in plus bądź in minus. Błąd ten stanowi 6.68% oceny wartości średniej. NaleŜy uznać, Ŝe błąd ten jest zbyt duŝy, bowiem zwykle przyjmuje się poziom dopuszczalny błędu nie powinien być większy od 5%. Estymacja wartości średnic była prowadzona na podstawie prób o liczebnościac ustalanyc przez Główny Urząd Statystyczny. Rozmiary tyc prób bynajmniej nie są proporcjonalne do liczebności warstw, co zaleca się jako najprostszy zabieg prowadzący zwykle do podniesienia dokładności estymacji. Proporcjonalny sposób wyliczania warstw wyjaśnia następujące wyraŝenie: n p, =Nw, =,..., Na podstawie danyc z tablicy wyliczono oceny błędów szacunku średniej przy załoŝeniu, Ŝe liczebności losowanyc prób byłyby proporcjonalne do rozmiarów warstw. Wyniki

3 3 obliczeń zamieszczono w tablicy 2, przy czym w jej drugiej kolumnie zamieszczono ocenę przeciętnego błędu szacunku, a w trzeciej kolumnie ocenę względnego błędu szacunku. Tablica. Oceny dokładności estymacji średnic. zmienna średnia wariancja estymatora błąd przeciętny błąd względny dpar dpar dpbr dpbr dpcr dpcr dpdr dpdr dper dper dp dp dp dp5a dp5b dp Źródło: obliczenia własne. Tablica 2. Ocena błędów estymacji średnic dla liczebności prób ustalanyc w sposób proporcjonalny i optymalny. dobór prób proporcjonalny dobór prób optymalny zmienna błąd przeciętny błąd względny błąd przeciętny błąd względny dpar dpar dpbr dpbr dpcr dpcr dpdr dpdr dper dper dp dp dp dp5a dp5b Źródło: obliczenia własne.

4 4 Ponadto w ostatnic dwóc kolumnac tablicy 2 znajdujemy oceny błędów oceny średnic przy załoŝeniu, Ŝe liczebności prób losowanyc z warstw były wyznaczane w sposób optymalny. Polega to na tym, Ŝe rozmiar próby losowanej z danej warstwy jest proporcjonalny do iloczynu frakcji elementów warstwy w populacji i oceny odcylenia standardowego zmiennej w warstwie, co wyjaśnia następujący wzór: n o, = w S k= w S k k Przyjęto, Ŝe optymalne liczebności prób wyznaczamy w stosunku do ocen odcyleń standardowyc w warstwac wynagrodzeń brutto w firmac (zmienna dp4). Z tablicy 2 wynika m.in., Ŝe ocena względnego błędu estymacji średnic wynagrodzeń brutto jest juŝ niŝsza od dopuszczalnego poziomu 5%, bo wynosi 4.% dla proporcjonalnej lokalizacji prób i 3.5% dla optymalnej lokalizacji prób w warstwac. Tablica 3: Współczynniki względnej efektywności. metoda ustalenia liczebności prób zmienna proporcjonalna EFP_O optymalna EFZ_O rzeczywista EFZ_P dpar dpar dpbr dpbr dpcr dpcr -, dpdr dpdr dper dper dp dp dp dp5a dp5b Źródło: obliczenia własne. W tablicy 3 dokonano porównania dokładności ocen średnic przy analizowanyc trzec wariantac ustalania liczebności prób w warstwac. Obliczono względne odcylenia błędów szacunku dla branyc pod uwagę metod wyznaczania liczebności prób. Oznaczając przez BP, BO i BZ oceny błędów średnic szacunku przeciętnej w populacji na podstawie średniej z prób losowanyc z warstw o liczebnościac odpowiednio proporcjonalnyc do rozmiarów warstw, optymalnyc i rzeczywistyc. Zamieszczone w tablicy 3 wielkości obliczono według następującyc wzorów: EFP_O=00%(BP-BO)/BO,

5 5 EFZ_P=00%(BZ-BP)/BP EFZ_O=00%(BZ-BO)/BO Z analizy danyc w tablicy 3 wynika, Ŝe zarówno warianty proporcjonalny jak i optymalny ustalania liczebności warstw prowadzi do znacznie większej dokładności estymacji przeciętnyc badanyc zmiennyc niŝ to miało miejsce przy rzeczywistyc rozmiarac losowanyc prób. Zaznaczmy, Ŝe oprócz dwóc zmiennyc (dip2 i dpdr2) zysk na dokładności estymacji przy stosowaniu wariantu proporcjonalnego ustalania liczebności prób wynosi co najmniej 60% w stosunku do rzeczywiście otrzymanej dokładności estymacji. W przypadku optymalnego sposobu wyznaczania rozmiarów prób otrzymujemy podobne wyniki. Z przeprowadzonej analizy wynika jednoznacznie, Ŝe istnieje realna moŝliwość podniesienia dokładności ocen wartości średnic badanyc cec carakteryzującyc działalność małyc firm. Mamy dwie moŝliwości: bądź ustalać liczebności prób losowanyc z warstw proporcjonalnie do rozmiarów odpowiednic warstw, bądź wyznaczać je w sposób optymalny. Ze względu na prostotę naleŝy wybrać pierwszy z wymienionyc wariantów wyznaczania liczebności prób. NaleŜy tu podkreślić, Ŝe proponowany sposób korekty sposobu wyznaczania liczebności losowanyc prób bynajmniej nie prowadzi do wzrostu kosztów badania, bo suma liczebności prób losowanyc z warstw pozostaje ta sama. Określony sposób wyznaczania liczebności prób moŝe prowadzić do wyliczenia ułamkowyc rozmiarów prób. Wówczas naleŝy zaokrąglić z nadmiarem otrzymane liczby. Ponadto naleŝy równieŝ zalecić aby losować przynajmniej dwa elementy z kaŝdej warstwy, co umoŝliwi wyliczenie oceny wariancji estymatora. Dodatek Prezentowane rezultaty były wyliczone za pomocą programu napisanego w języku macierzowym znanego pakietu statystycznego SPSS. Po to aby przeprowadzić te obliczenia naleŝy dysponować dwoma modułami tego pakietu, a są nimi: BASE-SYSTEM i ADVANCED STATISTICS 3. List prezentowanego programu pozwala wyliczyć wektor średnic z próby warstwowej i ocenia jego macierz wariancji i kowariancji. SET MXLOOP MATRIX. GET XX /VARIABLES=dpar,dpar2,dpbr,dpbr2,dpcr. GET W/VARIABLES=warstwa2. /* zmienna warswująca COMPUTE LZ=NCOL(XX). /* liczba zmiennyc GET NW/FILE='c:\wus\dg3_93\nrwar.sav'/VARIABLES=licz_war. /* NW - wektor liczebnosci warstw COMPUTE LW=NROW(NW). /* liczba warstw COMPUTE LPOP=CSUM(NW). /* liczebnosc populacji COMPUTE F=NW/LPOP. /* frakcje liczebnosci warstw COMPUTE LP=NROW(XX). /* liczebnosć próby COMPUTE V=MAKE(LZ,LZ,0). COMPUTE SX=MAKE(,LZ,0). 3 BliŜsze informacje o innyc modułac pakietu SPSS oraz o jego moŝliwościac uŝycia do róŝnyc analiz statystycznyc udziela firma COMPANION Oprogramowanie, ul. Królewska 57, Kraków, tel.: (02)369680, tel/fax (02)36079,

6 6 COMPUTE WLP=MAKE(,LW,0). /*wektor liczebnosci prób losowanyc z warstw LOOP #I= TO LW. LOOP #K= TO LP. DO IF (W(#K)=#I). COMPUTE WLP(#I)=WLP(#I)+. LOOP #I= TO LW. DO IF (WLP(#I)>0). COMPUTE =0. COMPUTE M=MAKE(WLP(#I),,0). LOOP #K= TO LP. DO IF (W(#K)=#I). COMPUTE =+. COMPUTE M()=#K. COMPUTE X=XX(M,:). COMPUTE SR=CSUM(X)/. COMPUTE SX=SX+SR*F(#I). DO IF (>). COMPUTE J=MAKE(,,). COMPUTE X=X-J*SR. COMPUTE C=T(X)*X/(-). /*MSAVE C/TYPE=COV/VARIABLES=dper,dper2,dp4. COMPUTE V=V+C*F(#I)*F(#I)*(NW(#I)-)/(NW(#I)*). MSAVE SX/TYPE=MEAN/OUTFILE='c:\wus\dg3_93\SRED.sav'/VARIABLES=dpar,dpar2. COMPUTE SR=T(SQRT(DIAG(V))). MSAVE SR/TYPE=MEAN/OUTFILE='c:\wus\dg3_93\SRED.sav'/VARIABLES=dpar,dpar2. MSAVE V/TYPE=COV/OUTFILE='c:\wus\dg3_93\SRED.sav'/VARIABLES=dpar,dpar2. COMPUTE b=sqrt(trace(v)). COMPUTE b2=det(v). COMPUTE L=EVAL(V). COMPUTE L=T(L). SAVE {b,b2,l}/outfile='c:\wus\dg3_93\param.sav'/variables=tr,det,l,l2,l3. END MATRIX. Bibliografia Steczkowski J. (995): Metoda reprezentacyjna w badaniac zjawisk ekonomicznospołecznyc. PWN, Warszawa.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

IV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15

IV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15 IV WYKŁAD STATYSTYKA 26/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 4 Populacja generalna, próba, losowanie próby, estymatory Statystyka (populacja generalna, populacja próbna, próbka mała, próbka duża, reprezentatywność,

Bardziej szczegółowo

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012

Bardziej szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

WYKŁAD 5 TEORIA ESTYMACJI II

WYKŁAD 5 TEORIA ESTYMACJI II WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak

Bardziej szczegółowo

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007 Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)

Bardziej szczegółowo

Metoda reprezentacyjna

Metoda reprezentacyjna Metoda reprezentacyjna Stanisław Jaworski Katedra Ekonometrii i Statystyki Zakład Statystyki Populacja, cecha, parametr, próba Metoda reprezentacyjna Przedmiotem rozważań metody reprezentacyjnej są metody

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie prób i rozkład z próby Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.

Bardziej szczegółowo

KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański

KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne.

Metody Statystyczne. Metody Statystyczne. gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja

Bardziej szczegółowo

Próbkowanie. Wykład 4 Próbkowanie i rozkłady próbkowe. Populacja a próba. Błędy w póbkowaniu, cd, Przykład 1 (Ochotnicy)

Próbkowanie. Wykład 4 Próbkowanie i rozkłady próbkowe. Populacja a próba. Błędy w póbkowaniu, cd, Przykład 1 (Ochotnicy) Wykład 4 Próbkowanie i rozkłady próbkowe µ = średnia w populacji, µ=ey, wartość oczekiwana zmiennej Y σ= odchylenie standardowe w populacji, σ =(Var Y) 1/2, pierwiastek kwadratowy wariancji zmiennej Y,

Bardziej szczegółowo

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu

Bardziej szczegółowo

Estymacja parametro w 1

Estymacja parametro w 1 Estymacja parametro w 1 1 Estymacja punktowa: średniej, odchylenia standardowego i frakcji µ - średnia populacji h średnia z próby jest estymatorem średniej populacji = - standardowy błąd estymacji średniej

Bardziej szczegółowo

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład

Bardziej szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

Matematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0

Matematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0 Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia

Bardziej szczegółowo

Statystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14

Statystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14 Statystyka #6 Analiza wariancji Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2015/2016 1 / 14 Analiza wariancji 2 / 14 Analiza wariancji Analiza wariancji jest techniką badania wyników,

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

Inwentaryzacja zasobów drzewnych

Inwentaryzacja zasobów drzewnych Inwentaryzacja zasobów drzewnych Metody inwentaryzacji zapasu. Charakterystyka metody reprezentacyjnej. Przypomnienie Metody inwentaryzacji: - pomiarowa - szacunkowa - pomiarowo-szacunkowa - reprezentacyjna

Bardziej szczegółowo

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.

Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja parametrów rozkładu cechy Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp. Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010 STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego

Bardziej szczegółowo

Statystyka Małych Obszarów w badaniach próbkowych

Statystyka Małych Obszarów w badaniach próbkowych Statystyka Małych Obszarów w badaniach próbkowych Łukasz Wawrowski l.wawrowski@stat.gov.pl Urząd Statystyczny w Poznaniu SKN Estymator, UEP 5.03.2012 1 Wprowadzenie Podstawowe pojęcia Badanie 2 Estymator

Bardziej szczegółowo

, a ilość poziomów czynnika A., b ilość poziomów czynnika B. gdzie

, a ilość poziomów czynnika A., b ilość poziomów czynnika B. gdzie Test Scheffego, gdzie (1) n to ilość powtórzeń (pomiarów) w jednej grupie (zabiegu) Test NIR Istnieje wiele testów dla porównań wielokrotnych opartych o najmniejszą istotna różnicę między średnimi (NIR).

Bardziej szczegółowo

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007 , transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Dane zbierane podczas pomiarów zawsze układają się w pewien określony sposób. To w jaki, zależy przede wszystkim od zjawiska, które jest obserwowane. Sposób, w jaki układają

Bardziej szczegółowo

DOBÓR PRÓBY. Czyli kogo badać?

DOBÓR PRÓBY. Czyli kogo badać? DOBÓR PRÓBY Czyli kogo badać? DZISIAJ METODĄ PRACY Z TEKSTEM I INNYMI Po co dobieramy próbę? Czym róŝni się próba od populacji? Na czym polega reprezentatywność statystyczna? Podstawowe zasady doboru próby

Bardziej szczegółowo

W1. Wprowadzenie. Statystyka opisowa

W1. Wprowadzenie. Statystyka opisowa W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład

Bardziej szczegółowo

STATYSTYKA wykład 5-6

STATYSTYKA wykład 5-6 TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne

Metody Statystyczne. Metody Statystyczne #7 1 Czy straszenie jest bardziej skuteczne niż zachęcanie? Przykład 5.2. s.197 Grupa straszona: 8,5,8,7 M 1 =7 Grupa zachęcana: 1, 1, 2,4 M 2 =2 Średnia ogólna M=(M1+M2)/2= 4,5 Wnioskowanie statystyczne

Bardziej szczegółowo

LABORATORIUM 6 ESTYMACJA cz. 2

LABORATORIUM 6 ESTYMACJA cz. 2 LABORATORIUM 6 ESTYMACJA cz. 2 TEORIA ESTYMACJI I 1. ODRZUCANIE WYNIKÓW WĄTPLIWYCH PRÓBA P (m) (m-elementowa) Obliczenie: ; s bez wyników wątpliwych Odrzucenie wyników z poza przedziału: 3s PRÓBA LOSOWA

Bardziej szczegółowo

Wagi poststratyfikacyjne w Europejskim Sondażu Społecznym:

Wagi poststratyfikacyjne w Europejskim Sondażu Społecznym: Metodologiczne Inspiracje 2014 Badania ilościowe w naukach społecznych Wyzwania i problemy Wagi poststratyfikacyjne w Europejskim Sondażu Społecznym: możliwości i ograniczenia prawidłowego wykorzystania

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM

Bardziej szczegółowo

POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW)

POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) NOTA INTERPETACYJNA NR 1 NI 1 ZASTOSOWANIE PODEJŚCIA PORÓWNAWCZEGO W WYCENIE NIERUCHOMOŚCI 1. WPROWADZENIE...2 2. PRZEDMIOT I ZAKRES STOSOWANIA NOTY...2 3. ZAŁOśENIA

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8 Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje

Bardziej szczegółowo

Analiza składowych głównych. Wprowadzenie

Analiza składowych głównych. Wprowadzenie Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 2 Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 2 Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE. www.etrapez.pl Strona 1 KUR TATYTYKA Lekcja Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE www.etrapez.pl trona 1 Część 1: TET Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 We wnioskowaniu statystycznym

Bardziej szczegółowo

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych

Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Metody analizy danych ćwiczenia Estymacja przedziałowa Program ćwiczeń obejmuje następująca zadania: 1. Dom handlowy prowadzący

Bardziej szczegółowo

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza

Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Wyznaczanie symulacyjne granicy minimalnej w portfelu Markowitza Łukasz Kanar UNIWERSYTET WARSZAWSKI WYDZIAŁ NAUK EKONOMICZNYCH WARSZAWA 2008 1. Portfel Markowitza Dany jest pewien portfel n 1 spółek giełdowych.

Bardziej szczegółowo

TESTOWANIE HIPOTEZ STATYSTYCZNYCH

TESTOWANIE HIPOTEZ STATYSTYCZNYCH TETOWANIE HIPOTEZ TATYTYCZNYCH HIPOTEZA TATYTYCZNA przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia jest oceniana na

Bardziej szczegółowo

Kolokwium ze statystyki matematycznej

Kolokwium ze statystyki matematycznej Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę

Bardziej szczegółowo

Estymatory i testy statystyczne - zadania na kolokwium

Estymatory i testy statystyczne - zadania na kolokwium Estymatory i testy statystyczne - zadania na kolokwium Zad. 1. Cecha X populacji ma rozkład N(µ, σ), gdzie µ jest znane, a σ nieznane. Niech X 1,...,X n będzie n-elementową próbą prostą pobraną z tej populacji.

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Przedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii

Przedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii SPIS TREŚCI Przedmowa... 11 Wykaz symboli... 15 Litery alfabetu greckiego wykorzystywane w podręczniku... 15 Symbole wykorzystywane w zagadnieniach teorii mnogości (rachunku zbiorów)... 16 Symbole stosowane

Bardziej szczegółowo

Zawartość. Zawartość

Zawartość. Zawartość Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami

Bardziej szczegółowo

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A (imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i współczynnik ufności 0,95. Zadanie 1 W 005 roku przeprowadzono badanie ankietowe, którego

Bardziej szczegółowo

Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.

Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie

Bardziej szczegółowo

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych

STATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych STATYSTYKA MATEMATYCZNA WYKŁAD 3 Populacje i próby danych POPULACJA I PRÓBA DANYCH POPULACJA population Obserwacje dla wszystkich osobników danego gatunku / rasy PRÓBA DANYCH sample Obserwacje dotyczące

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

Testowanie hipotez statystycznych. Wnioskowanie statystyczne Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy

Bardziej szczegółowo

Wykład 3 Hipotezy statystyczne

Wykład 3 Hipotezy statystyczne Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza

Bardziej szczegółowo

WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH

WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład

Bardziej szczegółowo

Monte Carlo, bootstrap, jacknife

Monte Carlo, bootstrap, jacknife Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział

Bardziej szczegółowo

Data wydruku: Dla rocznika: 2015/2016. Opis przedmiotu

Data wydruku: Dla rocznika: 2015/2016. Opis przedmiotu Sylabus przedmiotu: Specjalność: Statystyka Wszystkie specjalności Data wydruku: 31.01.2016 Dla rocznika: 2015/2016 Kierunek: Wydział: Zarządzanie i inżynieria produkcji Inżynieryjno-Ekonomiczny Dane podstawowe

Bardziej szczegółowo

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 23 marca 2006 , transformacja liniowa i estymacja modelu KMNK Paweł Cibis pcibis@o2.pl 23 marca 2006 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności 2 3 Etapy transformacji

Bardziej szczegółowo

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej

Bardziej szczegółowo

Ćwiczenia IV

Ćwiczenia IV Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie

Bardziej szczegółowo

Praktyczne aspekty doboru próby. Dariusz Przybysz Warszawa, 2 czerwca 2015

Praktyczne aspekty doboru próby. Dariusz Przybysz Warszawa, 2 czerwca 2015 Praktyczne aspekty doboru próby Dariusz Przybysz Warszawa, 2 czerwca 2015 Określenie populacji Przed przystąpieniem do badania, wybraniem sposobu doboru próby konieczne jest precyzyjne określenie populacji,

Bardziej szczegółowo

Wydział Matematyki. Testy zgodności. Wykład 03

Wydział Matematyki. Testy zgodności. Wykład 03 Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy

Bardziej szczegółowo

Teoria błędów pomiarów geodezyjnych

Teoria błędów pomiarów geodezyjnych PodstawyGeodezji Teoria błędów pomiarów geodezyjnych mgr inŝ. Geodeta Tomasz Miszczak e-mail: tomasz@miszczak.waw.pl Wyniki pomiarów geodezyjnych będące obserwacjami (L1, L2,, Ln) nigdy nie są bezbłędne.

Bardziej szczegółowo

Badania marketingowe. Omówione zagadnienia

Badania marketingowe. Omówione zagadnienia Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania kierunek: Zarządzanie Badania marketingowe Wykład 4 Opracowanie: dr Joanna Krygier 1 Omówione zagadnienia Informacje wtórne definicja Pojęcie wtórnych

Bardziej szczegółowo

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja) PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY Próba losowa prosta To taki dobór elementów z populacji, że każdy element miał takie samo prawdopodobieństwo znalezienia się w próbie Niezależne

Bardziej szczegółowo

Importowanie danych do SPSS Eksportowanie rezultatów do formatu MS Word... 22

Importowanie danych do SPSS Eksportowanie rezultatów do formatu MS Word... 22 Spis treści Przedmowa do wydania pierwszego.... 11 Przedmowa do wydania drugiego.... 15 Wykaz symboli.... 17 Litery alfabetu greckiego wykorzystywane w podręczniku.... 17 Symbole wykorzystywane w zagadnieniach

Bardziej szczegółowo

STATYSTYKA INDUKCYJNA. O sondażach i nie tylko

STATYSTYKA INDUKCYJNA. O sondażach i nie tylko STATYSTYKA INDUKCYJNA O sondażach i nie tylko DWA DZIAŁY ESTYMACJA Co na podstawie wyników z próby mogę powiedzieć o wynikach w populacji? WERYFIKACJA HIPOTEZ Czy moje przypuszczenia uczynione przed badaniami

Bardziej szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych

Bardziej szczegółowo

Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.

Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść

Bardziej szczegółowo

Zadania ze statystyki cz.8. Zadanie 1.

Zadania ze statystyki cz.8. Zadanie 1. Zadania ze statystyki cz.8. Zadanie 1. Wykonano pewien eksperyment skuteczności działania pewnej reklamy na zmianę postawy. Wylosowano 10 osobową próbę studentów, których poproszono o ocenę pewnego produktu,

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA Symbole w statystyce Symbole Populacja Średnia m Próba x Odchylenie standardowe σ s Odsetek p p Estymacja co to jest? Estymacja punktowa Estymacja przedziałowa

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne rozkłady i twierdzenia c.d. Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby

Bardziej szczegółowo

laboratoria 24 zaliczenie z oceną

laboratoria 24 zaliczenie z oceną Wydział: Psychologia Nazwa kierunku kształcenia: Psychologia Rodzaj przedmiotu: podstawowy Opiekun: dr Andrzej Tarłowski Poziom studiów (I lub II stopnia): Jednolite magisterskie Tryb studiów: Niestacjonarne

Bardziej szczegółowo

Na A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)

Na A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n) MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości

Bardziej szczegółowo

Matematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.

Matematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?

Bardziej szczegółowo

RÓWNOWAŻNOŚĆ METOD BADAWCZYCH

RÓWNOWAŻNOŚĆ METOD BADAWCZYCH RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych

Bardziej szczegółowo

WNIOSKOWANIE STATYSTYCZNE

WNIOSKOWANIE STATYSTYCZNE STATYSTYKA WNIOSKOWANIE STATYSTYCZNE ESTYMACJA oszacowanie z pewną dokładnością wartości opisującej rozkład badanej cechy statystycznej. WERYFIKACJA HIPOTEZ sprawdzanie słuszności przypuszczeń dotyczących

Bardziej szczegółowo

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści

Bardziej szczegółowo

Badania sondażowe. Schematy losowania. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa

Badania sondażowe. Schematy losowania. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Badania sondażowe Schematy losowania Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa 1 Próba jako miniatura populacji CELOWA subiektywny dobór jednostek

Bardziej szczegółowo

SEMINARIUM DYPLOMOWE dr hab., prof. nzw. Janusz Gierszewski ZAGADNIENIE:

SEMINARIUM DYPLOMOWE dr hab., prof. nzw. Janusz Gierszewski ZAGADNIENIE: SEMINARIUM DYPLOMOWE dr hab., prof. nzw. Janusz Gierszewski ZAGADNIENIE: 1 DOBÓR PRÓBY MINIMALNEJ : Reprezentatywność: Próbę uznamy za reprezentatywną dla populacji, z której została dobrana, jeśli zagregowane

Bardziej szczegółowo

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

7.4 Automatyczne stawianie prognoz

7.4 Automatyczne stawianie prognoz szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu

Bardziej szczegółowo

DOBÓR PRÓBY. Czyli kogo badać?

DOBÓR PRÓBY. Czyli kogo badać? DOBÓR PRÓBY Czyli kogo badać? DZISIAJ METODĄ PRACY Z TEKSTEM I INNYMI Po co dobieramy próbę? Czym różni się próba od populacji? Na czym polega reprezentatywność statystyczna? Podstawowe zasady doboru próby

Bardziej szczegółowo