2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
|
|
- Wiktoria Wierzbicka
- 5 lat temu
- Przeglądów:
Transkrypt
1 Spis treści Spis treści 1 Przedziały ufności Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski Weryfikacja hipotez statystycznych Przykład wstępny Określenia Hipotezy proste Lemat Neymana Pearsona Model dwupunktowy Jednostajny vs Beta Hipotezy złożone Iloraz wiarogodności Model dwupunktowy Model gaussowski Moc testu Liczność próby Przedziały ufności 1.1 Przykład wstępny Przedziały ufności: przykład wstępny Model gaussowski ze znaną wariancją R, {Nµ, σ 2 ), µ R}) Zadanie polega na oszacowaniu wartości średniej µ. Jakie wartości obserwacji X są wysoce prawdopodobne dla różnych µ? 1
2 Przedziały ufności: przykład wstępny Niech wysoce prawdopodobne wynosi 0.9. Szukamy takich aµ) oraz bµ), że P µ {X aµ), bµ))} = 0.9, µ R Rozwiazanie bµ) µ P µ {X aµ), bµ))}=φ σ ) Φ ) aµ) µ σ Przedziały ufności: przykład wstępny Rozwiazanie Niech z α1 oraz z α2 będą takie, że Φz α2 ) Φz α1 ) = 0.9 bµ) = µ + σz α2, aµ) = µ + σz α1 Przedziały ufności: przykład wstępny P µ {X aµ), bµ))} = 0.9, µ R P µ {µ + σz α1 < X < µ + σz α2 } = 0.9, µ R P µ {X σz α1 < µ < X + σz α2 } = 0.9, µ R bµ) aµ) = min! z α2 = z α1 = z 0.95 Przedziały ufności: przykład wstępny bµ) aµ) = min! z α2 = z α1 = z 0.95 bµ) aµ) = σz α2 z α1 ) { Λz α1, z α2, λ) = z α2 z α1 ) + λφz α2 ) Φz α1 ) 0.9) Φz α2 ) Φz α1 ) = 0.9 2
3 Przedziały ufności: przykład wstępny bµ) aµ) = min! z α2 = z α1 = z 0.95 Λz α1,z α2,λ) z α1 = 1 λφz α1 ) Λz α1,z α2,λ) z α2 = 1 + λφz α2 ) Φz α2 ) Φz α1 ) = 0.9 Λz α1,z α2,λ) z α1 = 0 Λz α1,z α2,λ) z α2 = 0 Φz α2 ) Φz α1 ) = 0.9 Przedziały ufności: przykład wstępny bµ) aµ) = min! z α2 = z α1 = z 0.95 φz α1 ) = φz α2 ) exp 1 ) ) 2 zα1 µ = exp 1 ) ) 2 zα2 µ 2 σ 2 σ ) 2 zα1 µ zα2 µ = ) 2 σ σ Przedziały ufności: przykład wstępny bµ) aµ) = min! z α2 = z α1 = z 0.95 z α2 = z α1 Φz α2 ) Φz α1 ) = 0.9 2Φz α2 ) 1 = 0.9 z α2 = Φ ) 3
4 1.2 Określenie i konstrukcja Określenie Model statystyczny Definicja przedziału ufności Przedział θx), θx)) taki, że X, B, {P θ, θ Θ}) P θ {θ θx), θx))} = 1 α, θ Θ nazywamy przedziałem ufności na poziomie ufności 1 α. Określenie Definicja zbioru ufności Zbiór S X Θ taki, że P {θ S X } = 1 α, θ Θ nazywamy obszarem ufności na poziomie ufności 1 α. Konstrukcja Sposób pierwszy W przestrzeni X Θ wyznaczyć taki zbiór S, że dla każdego θ Wówczas dla danego x X zbiór P θ {X {θ}) S} = 1 α {x} Θ) S jest zbiorem ufności na poziomie ufności 1 α 4
5 Konstrukcja Sposób drugi Skonstruować taką funkcję tx, θ), że przy wartości parametru θ jej rozkład nie zależy od θ oraz jeżeli Θ R) jest ona monotoniczną funkcją θ. Taka funkcja nazywa się funkcja centralna. Wówczas można wyznaczyć takie dwie liczby, że P θ {t 1 < tx, θ) < t 2 } = 1 α Ze względu na monotoniczność funkcji centralnej t 1 < tx, θ) < t 2 θx) < θ < θx) Konstrukcja Dodatkowe kryteria Symetryczny podział. Dla wszystkich θ Θ P θ {θ < θx)} = 1 α)/2 oraz P θ {θ > θx)} = 1 + α)/2 Jak najmniejszy zbiór ufności. Jeżeli Θ R, to θx) θx) = min! Zbiór ufności o zadanej wielkości. Jeżeli Θ R oraz d > 0, to θx) θx) < d 1.3 Model dwupunktowy Model dwupunktowy: przedział ufności dla θ Zaobserwowano X 1 = x 1,..., X n = x n. Niech X = n X i. Skonstruować przedział ufności θ 1 X), θ 2 X)) dla θ na poziomie ufności 1 α P θ {θ 1 X) < θ < θ 2 X)} = 0.95, θ [0, 1] 5
6 Model dwupunktowy: przedział ufności dla θ Dla każdego θ 0, 1) znajdujemy takie dwie liczby x 1 θ) oraz x 2 θ), że P n,θ {x 1 θ) X x 2 θ)} 1 α X Binn, θ) Model dwupunktowy: przedział ufności dla θ Model dwupunktowy: przedział ufności dla θ Model dwupunktowy: przedział ufności dla θ 6
7 Model dwupunktowy: przedział ufności dla θ Zaobserwowano X = x Przedział ufności θ 1 x), θ 2 x)) P θ1 x),n{x x} α 1 P θ2 x),n{x < x} α 2 α 1 α 2 1 α Model dwupunktowy: przedział ufności dla θ P θ,n {X x} = βn x, x + 1; 1 θ) θ 1 x) = β 1 x + 1, n x; α 1 ) 7
8 θ 2 x) = β 1 x, n x + 1; α 2 ) Model dwupunktowy: przedział ufności dla θ klasyczny) α 1 = 1 + α, α 2 = 1 α 2 2 θ 1 x) = β 1 x + 1, n x; 1 + α ) 2 θ 2 x) = β 1 x, n x + 1; 1 α ) Model gaussowski Model gaussowski: przedział ufności dla µ Model dla próby X 1, X 2,..., X n : R n, { N µ1 n, σ 2 I n ), θ = µ, σ 2 ) R R + }) X = 1 n n X i ; S 2 = 1 n 1 n Xi X ) 2 Model gaussowski: przedział ufności dla µ X ) N µ, σ2 N0, 1) n X µ σ/ n 1 σ 2 n Xi X ) 2 χ 2 n 1 X oraz n Xi X ) 2 są niezależne Jeżeli ξ N0, 1), η χ 2 v, ξ i η są niezależne, to t = ξ/ η/v t v. 8
9 Model gaussowski: przedział ufności dla µ Funkcja centralna t n 1 = 1 σ 2 n X µ σ/ n Xi X ) = X µ n 2 S /n 1) Model gaussowski: przedział ufności dla µ Niech t 1, t 2 będą takimi liczbami, że P {t 1 < t n 1 < t 2 } = 1 α ) S S X t 2 n ; X t1 n Model gaussowski: przedział ufności dla µ Przedział jest najkrótszy, jeżeli t 1 = t 2, czyli wybieramy taką liczbę tα; n 1), że P { t n 1 < tα; n 1)} = 1 α X tα; n 1) S n ; X + tα; n 1) S n ) Model gaussowski: przedział ufności dla µ Model gaussowski: przedział ufności dla µ 9
10 Model gaussowski: przedział ufności dla µ Model gaussowski: przedział ufności dla µ Model gaussowski: przedział ufności dla σ 2 Model dla próby X 1, X 2,..., X n : R n, { N µ1 n, σ 2 I n ), θ = µ, σ 2 ) R R + }) X = 1 n n X i ; S 2 = 1 n 1 n Xi X ) 2 10
11 Model gaussowski: przedział ufności dla σ 2 Funkcja centralna χ 2 n 1 = 1 n Xi σ X ) 2 2 Model gaussowski: przedział ufności dla σ 2 Niech c 1, c 2 będą takimi liczbami, że P {c 1 < χ 2 n 1 < c 2 } = 1 α n Xi X ) 2 n Xi ; X ) ) 2 c 2 c 1 11
12 Model gaussowski: przedział ufności dla σ 2 klasyczny) P {χ 2 n 1 < c 1 } = α/2 oraz P {χ 2 n 1 > c 2 } = α/2 c 1 = χ 2 1 α ) α ) 2 ; n 1 ; c 2 = χ 2 2 ; n 1 Model gaussowski: przedział ufności dla σ 2 najkrótszy) 1 c 1 1 c 2 = min! Rozwiązanie c2 c 1 Λc 1, c 2, λ) = 1 c 1 1 c 2 λ c2 c 1 f n 1 x)dx = 1 α c2 ) f n 1 x)dx 1 α) c 1 f n 1 x)dx = 1 α Model gaussowski: przedział ufności dla σ 2 najkrótszy) Λc 1,c 2,λ) c 1 = 1 + λf c 2 n 1 c 1 ) 1 Λc 1,c 2,λ) c 2 = 1 λf c 2 n 1 c 2 ) 2 c2 f n 1 x)dx = 1 α c 1 Λc 1,c 2,λ) c 1 = 0 Λc 1,c 2,λ) c 2 = 0 c2 f n 1 x)dx = 1 α c 1 12
13 Model gaussowski: przedział ufności dla σ 2 najkrótszy) Rozwiązanie c 2 2f n 1 c 2 ) = c 2 1f n 1 c 1 ) c2 c 1 f n 1 x)dx = 1 α 2 Weryfikacja hipotez statystycznych 2.1 Przykład wstępny Testowanie hipotez - przykład wstępny Pytanie Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową i zliczamy liczbę X sztuk wadliwych. Model statystyczny {{0, 1,..., 100}, {Bin100, θ), θ Θ = {0.05, 0.15}}} Testowanie hipotez - przykład wstępny Rozumowanie Testowanie hipotez - przykład wstępny Rozumowanie Testowanie hipotez - przykład wstępny Rozumowanie 13
14 Testowanie hipotez - przykład wstępny Rozumowanie Testowanie hipotez - przykład wstępny Rozumowanie Testowanie hipotez - przykład wstępny Test Jeżeli X k, to uznać θ =
15 Jeżeli X > k, to uznać θ = 0.15 Testowanie hipotez - przykład wstępny Bład I rodzaju Prawdziwe θ = 0.05, a uznajemy, że θ = Czyli zaobserwowano dużo wadliwych! Bład II rodzaju Prawdziwe θ = 0.15, a uznajemy, że θ = Czyli zaobserwowano mało wadliwych! Testowanie hipotez - przykład wstępny 15
16 P 0.05 {X > k} Testowanie hipotez - przykład wstępny P 0.15 {X k} Testowanie hipotez - przykład wstępny P 0.05 {X > k} oraz P 0.15 {X k} 16
17 Testowanie hipotez - przykład wstępny P 0.05 {X > k} α = Określenia Pojęcia Model statystyczny X, {P θ, θ Θ}) Hipoteza statystyczna Podzbiór Θ 0 zbioru Θ. 17
18 Θ 0 nazywamy hipoteza zerowa Θ 1 = Θ \ Θ 0 nazywamy hipoteza alternatywna Pojęcia Hipoteza prosta Zbiór Θ 0 jest jednoelementowy Hipoteza złożona Zbiór Θ 0 ma więcej niż jeden element Zapis klasyczny H 0 : θ Θ 0 H 1 : θ Θ 1 Pojęcia Test statystyczny Procedura statystyczna, w wyniku której podejmujemy jedną z dwóch decyzji: odrzucić hipotezę zerowa H 0 lub nie ma podstaw do odrzucenia hipotezy zerowej H 0. Pojęcia Test statystyczny 18
19 Test hipotezy H 0 utożsamiamy z funkcją φ : X {0, 1} { 1 odrzucić H 0 φx) = 0 nie odrzucać H 0 Obszar krytyczny {x X : φx) = 1} Pojęcia Zrandomizowany test statystyczny Funkcja φ : X [0, 1] = 1 odrzucić H 0 na podstawie niezależnego od X mechanizmu losowego odrzucić H 0 z prawdopodobień- φx) 0, 1) stwem φx) = 0 nie odrzucać H 0 Pojęcia Bład I rodzaju Błąd polegający na odrzuceniu hipotezy zerowej H 0, gdy w rzeczywistości jest ona prawdziwa. Poziom istotności Niech α 0, 1). Test φ jest na poziomie istotności α, jeżeli E θ φx) = P θ {φx) = 1} α, θ Θ 0 Rozmiar testu supe θ φx) = supp θ {φx) = 1} θ Θ 0 θ Θ 0 19
20 Pojęcia Bład II rodzaju Błąd polegający na nieodrzuceniu hipotezy zerowej H 0, gdy w rzeczywistości jest ona fałszywa Moc testu Θ 1 θ E θ φx) = P θ {φx) = 1} 3 Hipotezy proste 3.1 Lemat Neymana Pearsona Lemat Neymana Pearsona Założenia Niech P θ0 oraz P θ1 będą rozkładami prawdopodobieństwa o gęstościach f 0 i f 1. Niech α 0, 1) będzie ustaloną liczbą Lemat Neymana Pearsona Istnienie testu Istnieją takie stałe t i γ, że 1, gdy f 1 x) > tf 0 x) φx) = γ, gdy f 1 x) = tf 0 x) 0, gdy f 1 x) < tf 0 x) jest testem hipotezy H 0 : θ = θ 0 przeciwko H 1 : θ = θ 1 na poziomie istotności α, tzn. ) E θ0 φx) = α Lemat Neymana Pearsona Dostateczność Jeżeli test φ spełnia warunek ) i dla pewnego t warunek { 1, gdy f 1 x) > tf 0 x) ) φx) = 0, gdy f 1 x) < tf 0 x) 20
21 to φ jest testem najmocniejszym na poziomie istotności α Konieczność Jeżeli φ jest testem najmocniejszym na poziomie istotności α, to spełnia on warunek ) 3.2 Model dwupunktowy Hipotezy proste - przykład Model dwupunktowy: H 0 : θ = θ 0 vs H 1 : θ = θ 1 Niech θ 0 < θ 1 0, 1). Model statystyczny {{0, 1,..., n}, {Bn, θ), θ Θ = {θ 0, θ 1 }}} H 0 : θ = θ 0 H 1 : θ = θ 1 ) n f 0 x) = θ x x 01 θ 0 ) n x ) n f 1 x) = θ x x 11 θ 1 ) n x Hipotezy proste - przykład Model dwupunktowy: H 0 : θ = θ 0 vs H 1 : θ = θ 1 Konstrukcja testu φx) φx) = 1 f [ ] x [ 1x) f 0 x) > t θ1 1 θ 0 ) 1 θ0 > t θ 0 1 θ 1 ) 1 θ 1 Obszar krytyczny: {x > k} Hipotezy proste - przykład Model dwupunktowy: H 0 : θ = θ 0 vs H 1 : θ = θ 1 Obszar krytyczny: {x > k} Stała k dobrana jest tak, że E θ0 φx) = P θ0 {X > k} α ] n 21
22 Hipotezy proste - przykład Model dwupunktowy: H 0 : θ = θ 0 vs H 1 : θ = θ 1 Niech n = 100, θ 0 = 0.05, θ 1 = 0.15, α = 0.05 k P 0.05 {x > k} Test niezrandomizowany φx) = { 1, jeżeli x > 9, 0, jeżeli x 9. Rozmiar testu: P 0.05 {x > 9} = Błąd II rodzaju: P 0.15 {x 9} = Hipotezy proste - przykład Model dwupunktowy: H 0 : θ = θ 0 vs H 1 : θ = θ 1 Niech n = 100, θ 0 = 0.05, θ 1 = 0.15, α = 0.05 k P 0.05 {x > k} P 0.05 {x = k} Test zrandomizowany 1, jeżeli x > 9 φx) = , jeżeli x = 9 0, jeżeli x < 9 Hipotezy proste - przykład Model dwupunktowy: H 0 : θ = θ 0 vs H 1 : θ = θ 1 Rozmiar testu zrandomizowanego P 0.05 {x > 9} P 0.05 {x = 9} = =
23 3.3 Jednostajny vs Beta Hipotezy proste - przykład H 0 : U0, 1) vs H 1 : Ba, b) Niech a, b > 1. Model statystyczny {0, 1), {U0, 1), Ba, b)}} H 0 : U0, 1) vs H 1 : Ba, b) f 0 x) = 1 1 0,1) x) f 1 x) x a 1 1 x) b 1 1 0,1) x) Hipotezy proste - przykład H 0 : U0, 1) vs H 1 : Ba, b) φx) = 1 f 1x) f 0 x) > t xa 1 1 x) b 1 > t Obszar krytyczny: {x 0 < x < x 1 } Liczby x 0, x 1 dobrane są tak, że E θ0 φx) = P U0,1) {x 0 < X < x 1 } α Hipotezy proste - przykład H 0 : U0, 1) vs H 1 : Ba, b) x a x 0 ) b 1 = x a x 1 ) b 1 Ponieważ x 1 = x 0 + α, więc [ ] a 1 [ ] b 1 x0 + α 1 x0 α = 1 x 0 1 x 0 23
24 Hipotezy proste - przykład H 0 : U0, 1) vs H 1 : Ba, b) a b x 0 x Hipotezy złożone 4.1 Iloraz wiarogodności Hipotezy złożone Problem X, {P θ, θ Θ}) H 0 i/lub H 1 złożone Hipotezy złożone Iloraz wiarogodności 1) Iloraz wiarogodności 2) H 0 : θ Θ 0 vs H 1 : θ Θ 1 λx) = λx) = supf θ x) θ Θ 1 supf θ x) θ Θ 0 supf θ x) θ Θ supf θ x) θ Θ 0 24
25 Hipotezy złożone Test Dobór stałej t 1, gdy λx) > t φx) = γ, gdy λx) = t 0, gdy λx) < t sup E θ φx) α θ Θ Model dwupunktowy Hipotezy złożone - przykład Model dwupunktowy: H 0 : θ θ 0 vs H 1 : θ > θ 0 Niech θ 0 0, 1). Model statystyczny {{0, 1,..., n}, {Bn, θ), θ Θ = 0, 1)}} Dla danego x H 0 : θ θ 0 vs H 1 : θ > θ 0 f θ x) = n sup f θ x) = f x x) = n θ 0,1) x ) n θ x 1 θ) n x x ) x n ) x 1 x ) n x n Hipotezy złożone - przykład Model dwupunktowy: H 0 : θ θ 0 vs H 1 : θ > θ { 0 n x ) x ) supf θ x) = x) n 1 x n x n, jeżeli x ) θ n 0, θ Θ 0 θ x 0 1 θ 0 ) n x, jeżeli x > θ n 0, n x supf θ x) = θ Θ 1 { n x) θ x 0 1 θ 0 ) n x, jeżeli x ) θ n 0, x ) x ) n 1 x n x n, jeżeli x > θ n 0. n x 25
26 Hipotezy złożone - przykład Model dwupunktowy: H 0 : θ θ 0 vs H 1 : θ > θ 0 n ) x θ x 0 1 θ 0 ) n x supf θ x) n ) x ) x ) θ Θ λx) = 1 supf θ x) = x n 1 x n x, jeżeli x θ n 0, n n ) x ) x ) x n 1 x n x n θ Θ 0 n, jeżeli x) x θ x 0 1 θ 0 ) > θ n x n 0. Hipotezy złożone - przykład Model dwupunktowy: H 0 : θ θ 0 vs H 1 : θ > θ 0 λx) jest rosnąca ze względu na x λx) > t x > k Dobór stałej k sup P θ {X > k} = P θ0 {X > k} α θ θ Model gaussowski Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 Niech µ 0 R. Model dla próby X = X 1, X 2,..., X n ): R n, { N µ1 n, σ 2 I n ), θ = µ, σ 2 ) R R + }) Θ = R R + Θ 0 = {µ 0 } R + Θ 1 = R \ {µ 0 }) R + H 0 : µ = µ 0 vs H 1 : µ µ 0 ) { n 1 f µ,σ x) = σ exp 1 2π 2 n ) } 2 xi µ σ 26
27 Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 ) n 1 { supf µ,σ x) = f µ0, σx) = θ Θ 0 σ exp n } 2π 2 σ 2 = 1 n X i µ 0 ) 2 n 1 supf µ,σ x) = f x,ˆσ x) = θ Θ ˆσ 2 = 1 n n ˆσ 2π X i X) 2 ) n { exp n } 2 Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 Iloraz wiarogodności λx) = supf µ,σ x) θ Θ supf µ,σ x) = θ Θ 0 ) n σ ˆσ n X i µ 0 ) 2 = n X i X + X µ 0 ) 2 = λx) = n X i X) 2 + n X µ 0 ) n X ) µ 0 ) 2 n 2 n X i X) 2 Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 φx) = 1 λx) > t n X µ 0 ) 2 n X > t i X) 2 Dobór stałej t E H0φX) = α 27
28 Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 jeżeli H 0 jest prawdziwa, to n X µ0 ) N0, σ 2 ) czyli n X µ 0 ) 2 σ 2 χ 2 1 dla wszystkich θ Θ 1 σ 2 n Xi X ) 2 χ 2 n 1 X oraz n Xi X ) 2 są niezależne Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 Jeżeli hipoteza H 0 jest prawdziwa, to 1 n 1 n X µ 0 ) 2 n X i X) F 2 1,n 1 Hipotezy złożone - przykład Model gaussowski: H 0 : µ = µ 0 vs H 1 : µ µ 0 H 0 jest odrzucana na poziomie istotności α, jeżeli ) 1 n 1 n X µ 0 ) 2 n X i X) > F α 2 1,n 1 Ponieważ t v = F 1,v, więc ) jest równoważne ) Test ) nazywa się testem Studenta X µ 0 n > t α S n 1 28
29 4.4 Moc testu Moc testu Określenie Θ 1 θ E θ φx) = P θ {φx) = 1} Moc testu - przykład Model gaussowski σ 2 znana): H 0 : µ µ 0 vs H 1 : µ > µ 0 Niech µ 0 R. R n, { N µ1 n, σ 2 I n ), θ = µ R }) Θ = R Θ 0 =, µ 0 Θ 1 = µ 0, ) H 0 : µ µ 0 vs H 1 : µ > µ 0 Obszar krytyczny testu X µ 0 n > u1 α σ Moc testu - przykład Model gaussowski σ 2 znana): H 0 : µ µ 0 vs H 1 : µ > µ 0 Niech µ > µ 0. Prawdopodobieństwo odrzucenia H 0 { } X µ0 P µ n > u1 α = σ { X µ P µ n > u1 α µ µ } 0 n = σ σ 1 Φ u 1 α µ µ ) 0 n σ Moc testu jest zależna od µ µ 0 )/σ 29
30 4.5 Liczność próby Liczność próby Model gaussowski σ 2 znana): H 0 : µ µ 0 vs H 1 : µ > µ 0 Niech µ µ 0 )/σ = x 0 będzie daną liczbą. Powiedzmy, że interesuje nas osiągnięcie dla tej wartości mocy co najmniej γ. Szukamy takiego n, że 1 Φu 1 α x 0 n) γ Rozwiązanie: Stąd u 1 α x 0 n u1 γ [ u1 α u 1 γ n x 0 ] 2 minimalne n x
Weryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoStatystyka 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 szczegółowoTestowanie hipotez cz. I
Wykład 11 Testowanie hipotez cz. I TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipoteza statystyczna jest to przypuszczenie dotyczące nieznanej własności rozkładu prawdopodobieństwa badanej cechy populacji. W zadaniach
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoBłędy 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 szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5. 2 listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 5 2 listopada 2009 Poprzedni wykład: przedział ufności dla µ, σ nieznane Rozkład N(µ, σ). Wnioskowanie o średniej µ, gdy σ nie jest znane Testowanie H : µ = µ 0, K : µ
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoWYKŁAD 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 szczegółowoHipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoHipotezy statystyczne
Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoStatystyka 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 szczegółowoEstymacja 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 szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowo), 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 szczegółowoEstymacja 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 szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoNa podstawie dokonanych obserwacji:
PODSTAWOWE PROBLEMY STATYSTYKI MATEMATYCZNEJ Niech mamy próbkę X 1,..., X n oraz przestrzeń prób X n, i niech {X i } to niezależne zmienne losowe o tym samym rozkładzie P θ P. Na podstawie obserwacji chcemy
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowoWykład 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 szczegółowoRóżne rozkłady prawdopodobieństwa
Różne rozłady prawdopodobieństwa. Rozład dwupuntowy D(p). Zmienna losowa ξ ma rozład D(p), jeżeli P p {ξ = 0} = p oraz P p {ξ = } = p. Eξ = p D ξ = p( p). Rozład dwumianowy Bin(n, p). Zmienna losowa ξ
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą
Bardziej szczegółowoTestowanie hipotez statystycznych cd.
Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:
Bardziej szczegółowoMatematyka 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 szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Karl Popper... no matter how many instances of white swans we may have observed, this does not
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych JERZY STEFANOWSKI Instytut Informatyki Politechnika Poznańska Aktualizacja 2017 Plan wykładu 1. Metody wnioskowania statystycznego vs. metody opisu 2. Testowanie hipotez
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoTESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoVII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15
VII WYKŁAD STATYSTYKA 30/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 7 (c.d) WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności,
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne.
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej szczegółowoHipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.
Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Przypuśdmy, że mamy do czynienia z następującą sytuacją: nieznany jest rozkład F rządzący pewnym zjawiskiem losowym. Dysponujemy konkretną próbą losową ( x1, x2,..., xn
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoPodsadny þ jest winien. róúzne. W prawodawstwie wielu krajów przyjmuje sie, þ úze pierwszy bład þ jest bardziej dotkliwy - sady þ skazujaþ
1 Wykład 6 Przykład 1.1 Podczas rozprawy sadowej, wykorzystujac zebrane dowody i zeznania świadków, sedzia musi odpowiedzieć napytanie:czy prawda jest,úze podsadny jest winien? Zadanie to moúzna przedstawić
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 9 i 10 Magdalena Alama-Bućko 14 i 21 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 14 i 21 maja 2018 1 / 25 Hipotezy statystyczne Hipoteza statystyczna nazywamy
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowoPRZEDZIAŁ UFNOŚCI DLA FRAKCJI. Ryszard Zieliński. XXXVIII Konferencja Zastosowań Matematyki Zakopane Kościelisko 8-15 września 2009
Ryszard Zieliński XXXVIII Ogólnopolska Konferencja Zastosowań Matematyki Zakopane Kościelisko 8-15 września 2009 ESTYMACJA FRAKCJI W populacji składającej się z N elementów jest nieznana liczba M elementów
Bardziej szczegółowohipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowoTestowanie 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 szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoNa 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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowo1 Weryfikacja hipotez statystycznych
Spis treści Spis treści 1 Weryfikacja hipotez statystycznych 1 1.1 Pojęcia................................ 1 2 Porównania z normami 3 2.1 Wstęp................................ 3 2.2 Porównanie z normami:
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoLABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI 1. Test dla dwóch średnich P.G. 2. Testy dla wskaźnika struktury 3. Testy dla wariancji DECYZJE Obszar krytyczny od pozostałej
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoWykład 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 szczegółowoZadania 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 szczegółowoStatystyka opisowa. Robert Pietrzykowski.
Statystyka opisowa Robert Pietrzykowski email: robert_pietrzykowski@sggw.pl www.ekonometria.info Na dziś Sprawy bieżące 2 Na dziś Wykład 5: Statystyka matematyczna Estymatory punktowe i przedziałowe 4
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych JERZY STEFANOWSKI Instytut Informatyki Politechnika Poznańska Plan wykładu 1. Metody wnioskowania statystycznego vs. metody opisu 2. Testowanie hipotez statystycznych
Bardziej szczegółowoStatystyka 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 szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowo