Porównywanie wielowymiarowych wektorów warto±ci ±rednic
|
|
- Sebastian Stasiak
- 5 lat temu
- Przeglądów:
Transkrypt
1 Porównywanie wielowymiarowych wektorów warto±ci ±rednich Politechnika Gda«ska 20 marca 2014
2 Cel prezentacji Niezb dny wst p teoretyczny Cel prezentacji W naszej prezentacji przedstawimy zagadnienia zwi zane z porównywaniem ró»nych wektorów warto±ci ±rednich. Przeanalizujemy porównywanie par wektorów z ró»nych populacji oraz procedur powtórzonych pomiarów dla wektorów z tej samej populacji, przedstawimy metod porównywania efektów ró»nych rodzajów zabiegu, a tak»e metod.
3 Cel prezentacji Niezb dny wst p teoretyczny Niezb dny wst p teoretyczny Statystyka T 2 Hotellinga Jest deniowana jako: T 2 = n(x µ 0 ) S 1 (X µ 0 ) gdzie X = 1 n n j=1 X j, S = 1 n 1 j=1 µ 10 µ 20 n (X j X )(X j X ), µ 0 =. µ p0
4 Cel prezentacji Niezb dny wst p teoretyczny Rozkªad statystyki T 2 : T 2 (n 1)p n p F p,n p gdzie p - ilo± zmiennych, n - liczba obserwacji, F p,n p - zmienna losowa o rozkªadzie F-Snedecora z p i n p stopniami swobody. Przeprowadzenie wielowymiarowego t-testu polega na zwerykowaniu hipotezy zerowej: H 0 : µ = µ 0 na poziomie istotno±ci α. Hipotez zerow odrzucamy, gdy zachodzi nierówno± : T 2 = n(x µ 0 ) S 1 (X µ 0 ) > (n 1)p n p F p,n p(α)
5 Cel prezentacji Niezb dny wst p teoretyczny Obszary ufno±ci Obszar R(X) nazywamy 100(1 α)% obszarem ufno±ci, je»eli zachodzi: P[θ R(X )] = 1 α W naszym przypadku, dla populacji pochodz cej z wielowymiarowego rozkªadu normalnego równanie przyjmuje posta : P[n(X µ 0 ) S 1 (X µ 0 ) (n 1)p n p F p,n p(α)] = 1 α
6 Cel prezentacji Niezb dny wst p teoretyczny Dla konkretnej próby obliczamy x oraz S i wówczas 100(1 α)% elips obszaru ufno±ci wyznaczaj wszystkie µ speªniaj ce n(x µ 0 ) S 1 (x µ 0 ) (n 1)p n p F p,n p(α) Jej ±rodkiem jest x, a osie i ich dªugo±ci wyznaczamy za pomoc wektorów i warto±ci wªasnych macierzy S. O± wielka i maªa le» wzdªu» wektorów wªasnych e oraz 1 e, natomiast ich dªugo±ci 2 wynosz odpowiednio: λi p(n 1) n(n p) F p,n p(α) gdzie λ i jest odpowiedni warto±ci wªasn macierzy S.
7 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Cz sto prowadzimy pomiary na dwóch zbiorach, a nast pnie chcemy dowiedzie si, czy istniej istotne statystyczne ró»nice pomi dzy uzyskanymi wynikami. Na przykªad: skuteczno± dziaªania nowego leku lub kampanii reklamowej mierzymy porównuj c pomiary sprzed zabiegu (lekiem, reklam ) z uzyskanymi po zabiegu. Równie dobrze mo»na stosowa dwa lub wi cej zabiegi na t sam b d¹ podobne jednostki i sprawdza, które z nich jest najbardziej efektywne. Rozs dnym podej±ciem wydaje si stosowanie dwóch zabiegów, lub zabiegu i jego braku (placebo), na t sam b d¹ identyczn jednostk. Sparowane odpowiedzi analizujemy poprzez ró»nice mi dzy nimi, co pozwala unikn wariancji pomi dzy jednostkami.
8 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 W pojedynczym przypadku niech X j 1 oznacza pomiar j tej jednostki po zabiegu 1, a X j 2 pomiar j tej jednostki po zabiegu 2. Rozpatrujemy n ró»nic D j = X j 1 X j 2, j = 1, 2,..., n, które powinny odzwierciedla tylko wpªyw zabiegu. Zakªadamy,»e ró»nice D j s niezale»nymi zmiennymi losowymi o rozkªadzie normalnym N(δ, σd 2 ). Zmienna gdzie t = D δ s d / n D = 1 n n j=1 D j i s 2 d = 1 n 1 n (D j D) 2 j=1 ma rozkªad t-studenta z n-1 stopniami swobody.
9 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Przeprowadzamy t-test na poziomie istotno±ci α: H 0 : δ = 0(zabieg nie przynosi efektu) przeciwkoh 1 : δ 0. Porównujemy warto± t z α/2 górnym kwantylem rozkªadu t-studenta z n 1 stopniami swobody. Przedziaª ufno±ci dla ±redniej ró»nicy δ jest dany przez nierówno±ci: d t n 1 (α/2) s d n δ d + t n 1 (α/2) s d n
10 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Dla procedury porównywania wielowymiarowych wektorów ±rednich wprowadzona jest dodatkowa notacja. Konieczne jest rozró»nienie pomi dzy p - zmiennymi, dwoma zabiegami i n - ilo±ci obserwacji. p pomiarów dla j tej jednostki oznaczamy jako: X 1j 1 = zmienna 1 po pierwszym zabiegu X 1j 2 = zmienna 2 po pierwszym zabiegu. X 1j 1 = zmienna p po pierwszym zabiegu... X 2j 1 = zmienna 1 po drugim zabiegu X 2j 2 = zmienna 2 po drugim zabiegu. X 2j 1 = zmienna p po drugim zabiegu
11 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Wówczas sparowane ró»nice oznaczamy D j 1 = X 1j 1 X 2j 1 D j 2 = X 1j 2 X 2j 2. D jp = X 1jp X 2jp Niech D j = [D j 1, D j 2,..., D jp ] i zaªó»my dla j = 1, 2,..., n,»e δ1 δ 2 E(D j = δ =. δ p oraz Cov(D j ) = Σ d
12 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Je»eli dodatkowo D 1, D 2,...D n s niezale»nymi wektorami z wielowymiarowego rozkªadu normalnego N p (δ, Σ d ), wówczas wnioskowanie o wektorze ±rednich ró»nic δ mo»e by oparte o statystyk T 2. Dokªadniej gdzie T 2 = n(d µ 0 ) S 1 (D µ 0 ) D = 1 n n j=1 D j, S d = 1 n 1 n (D j D)(D j D) j=1
13 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Wniosek Niech ró»nice D 1, D 2,...D n b d losow prób z populacji o rozkªadzie N p (δ, Σ d ). Wówczas T 2 = n(d µ 0 ) S 1 (D µ 0 ) ma rozkªad zmiennej losowej [(n 1)p/(n p)]f p,n p, niezale»nie od prawdziwych warto±ci δ oraz Σ d Je»eli n i n p s du»e to T 2 jest przybli»ana zmienn losow o rozkªadzie χ 2 p.
14 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Dla obserwowanych ró»nic d j = d j 1, d j 2,..., d jp, j = 1, 2,..., n, test na poziomie istotno±ci α, gdzie H 0 : δ = 0 dla populacji z N p (δ, Σ d ) odrzuca hipotez zerow, je±li T 2 = nd (n 1)p S 1 d d > (n p) F p,n p(α) gdzie F p,n p jest górnym α kwantylem rozkªadu F z p i n p stopniami swobody.
15 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Obszar ufno±ci i jednoczesne przedziaªy ufno±ci 100(1 α)% obszar ufno±ci dla δ skªada si z wszystkich δ speªniaj cych: (d δ) (n 1)p S 1 d (d δ) n(n p) F p,n p(α) Równie» 100(1 α)% jednoczesne przedziaªy ufno±ci dla pojedynczych warto±ci ±rednich δ i s dane przez: δ i : d i ± (n 1)p n p F p,n p(α) gdzie d i jest i tym elementem d oraz s di jest i tym elementem przek tnej macierzy S d. s 2 d i n
16 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Przykªad 1 Miejska oczyszczalnia w Wisconsin zobowi zanie jest do staªego monitorowania wód ±ciekowych. W trosce o poprawno± danych postanowiono porówna wyniki oddaj c próbki wody do dwóch laboratoriów - jednego stale badaj cego stan wód ±ciekowych (lab. nr 2, stanowe), drugiego nie uczestnicz cego w nich na co dzie«(lab. nr 1, komercyjne). Pobrano 11 próbek wody, z czego poªow ka»dej z nich wysªano do pierwszego, a poªow do drugiego laboratorium. Badanymi zmiennymi byªy: chemiczne zapotrzebowanie tlenu (BOD) oraz zawiesiny(ss). Dane przedstawia tabela.
17 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Czy analizy chemiczne obu laboratoriów s zgodne? Je»eli istniej ró»nice - jaka jest ich istota?
18 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Statystyk T 2 przy testowaniu H 0 : δ = [δ 1, δ 2 ] = [0, 0] konstruujemy za pomoc ró»nic par obserwacji: Obliczaj c ±rednie i macierz kowariancji z próby otrzymujemy warto± statystyki:
19 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 data scieki; input kom_bod kom_ss sta_bod sta_ss ; cards; ; run; proc iml; use scieki; read all var _num_ into X; X1=X[,1:2]; X2=X[,3:4]; D=X1-X2; n=nrow(d); p=ncol(d); jed=j(n,1,1); dbar=(1/n)*t(d)*jed; print dbar ; s=(1/(n-1))*t((d-jed*t(dbar)))*(d-jed*t(dbar)); print s; mu_0={0,0}; print mu_0; T2=n*T(dbar-mu_0)*inv(s)*(dbar-mu_0); print T2; quit;
20 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2
21 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Na poziomie istotno±ci α = 0, 05 znajdujemy [p(n 1)/(n p)]f p,n p (0.05) = 9.47 Poniewa» T 2 = 13.6 > 9.47, odrzucamy hipotez zerow i wnioskujemy,»e wyst puje niezerowa ±rednia ró»nic pomi dzy pomiarami z obydwu laboratoriów. Przegl daj c dane zauwa»amy,»e laboraturium nr 1 uzyskaªo w pomiarach mniejsze BOD i wy»sze SS, ni» drugie laboratorium.
22 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Obliczamy 95% jednoczesne przedziaªy ufno±ci dla ±rednich ró»nic δ 1 i δ 2 : (n 1)p δ 1 : d 1 ± n p F sd 2 1 p,n p(α) n = 9, 36 ± 199, 26 9, inaczej( 22, 46; 3, 74) δ 2 : 13, 27 ± 418, 61 9, 47 inaczej( 5, 71; 32, 25) 11 95% jednoczesne przedziaªy ufno±ci pokrywaj zero, a pomimo to hipoteza zerowa zostaªa odrzucona. Z czego to wynika?
23 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Punkt δ = 0 wypada poza 95% obszar ufno±ci i jest to spójne z wynikiem testu T 2. Hipoteza zerowa nie jest odrzucana, je±li ka»dy 95% jednoczesny przedziaª ufno±ci dla dowolnej kombinacji liniowej postaci a 1 δ 1 + a 2 δ 2 pokrywa punkt zerowy. W naszym przypadku dwa przedziaªy ufno±ci dla wyborów (a 1 = 1, a 2 = 0) oraz (a 1 = 0, a 2 = 1) pokrywaj zero, istnieje jednak kombinacja liniowa, dla której nie jest to speªnione.
24 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Jak si okazuje, ró»nica w wynikach pomiarów wynikaªa ze sposobu pobierania próbek wody ±ciekowej i nast pnego dzielenia jej. Po pobraniu próbki, wstrz sano ni, a nast pnie pierwsz poªow przelewano do naczynia przeznaczonego dla laboratorium 1, a pozostaª cz ± do naczynia dla laboratorium 2. To znacznie wpªyn ªo na wyniki bada«- u góry naczynia znajdowaªy si bowiem inne substancje ni» na dole (zawiesina opadaªa na dóª), przez co w praktyce laboratoria badaªy ró»ne próbki.
25 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Warto zauwa»y,»e je»eli mamy kontrol nad przydzielaniem prób do bada«, powinno to by robione losowo - na przykªad rozstrzygni te rzutem monet.
26 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Podsumowuj c dyskusje o parowym porównaniu przez zauwa»enie,»e d i S d i T 2 mog by obliczone z warto±ci x i S dla peªnej próby. Tutaj x to wektor ±rednich warto±ci o wymiarze 2px1 dla p zmiennych dla dwóch zabiegów dany przez x = [ x 11, x 12,..., x 1p, x 21, x 22,..., x 2p] natomiast S jest macierz wariancji i kowariancji z próby o wymiarze 2px2p
27 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Macierz S 11 zawiera wariancje i kowariancje z próby dla p zmiennych dla zabiegu 1. Podobnie S 22 zawiera wariancje i kowariancje przeliczon dla p zmiennych dla zabiegu 2. Wreszcie S 12 = S s macierzami kowariancji z próby obliczonymi z 21 obserwacji na parach zmiennych w zabiegowi 1 i zabiegowi 2.
28 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Deniuj c macierz mo»emy stwierdzi,»e d j = Cx j j=1,2,...n d = C x i S d = CSC T 2 = n x C (CSC ) 1 C x i nie jest konieczne obliczanie ró»nic d 1, d 2,..., d n. Z drugiej strony warto mimo to obliczy te ró»nice,»eby sprawdzi normalno± i zaªo»enia o losowo±ci próbki.
29 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Ka»dy wiersz c i macierzy C jest wektorem kontrastu, poniewa» suma elementów wiersza daje zero. Uwaga zwykle skupiona jest na wektorach kontrastu kiedy porównujemy zabiegi. Ka»dy wektor kontrastu jest prostopadªy do wektora 1 = [1, 1,..., 1] poniewa» c i 1 = 0.
30 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Test równo±ci efektów zabiegów w projekcie powtórzonych pomiarów Rozpatrujemy populacj z rozkªadu N q (µ, Σ). Niech C b dzie macierz kontrastu. α -poziom testu. H 0 = Cµ = 0 (równe ±rednie zabiegów) H 1 = Cµ 0. Odrzucamy H 0 je»eli T 2 = n(c x) (CSC ) 1 C x > (n 1)(q 1) (n q + 1) F q 1,n q+1(α) gdzie F q 1,n q+1(α) jest górnym α kwantylem rozkªadu F z q 1 i n q + 1 stopniami swobody. x i S to wektor ±rednich i macierz kowariancji z próby.
31 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Obszar ufno±ci dla wektorów kontrastu C µ jest wyznaczony przez zbiór wszystkich C µ speªniaj cych: n(c x Cµ) (CSC ) 1 (C x Cµ) (n 1)(q 1) F q 1,n q+1(α) n q + 1 Jednoczesne 100(1 α) przedziaªy ufno±ci dla pojedynczych kontrastów c µ s dane przez: c µ : c x (n 1)(q 1) c ± F Sc q 1,n q+1(α) n q + 1 n
32 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Przykªad 2 Ulepszanie leku cz sto zaczyna si od sprawdzenia efektów ubocznych na zwierz tach. W jednym z bada«mamy 19 psów, którym podawano lek. Ka»dy z psów otrzymaª dawk dwutlenku w gla CO 2 w dwóch ró»nych ci±nieniach. Nast pnie podano halotan H oraz podanie CO 2 zostaªo powtórzone. Czas pomi dzy biciem serca zostaª zmierzony dla 4 kombinacji zabiegu : zabieg 1 = Wysokie ci±nienie CO 2 bez podania H zabieg 2 = Niskie CO 2 bez podania H zabieg 3 = Wysokie ci±nienie CO 2 oraz podanie H zabieg 4 = Niskie ci±nienie CO 2 oraz podanie H Dane przedstawia tabela - na jej podstawie porównamy wpªyw CO 2 oraz H.
33 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2
34 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 oraz C = Z powy»szej tabeli otrzymujemy : nast pnie mo»emy wyznaczy : T 2 = n(cx) (CSC ) 1 (Cx) = = 116
35 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Na poziomie α=0.05 wyznaczamy : W kolejnym kroku porównujemy, T 2 = 116>10.94, wi c odrzucamy H 0, która mówi o braku ró»nic w efektach zabiegu. Aby stwierdzi, które z czynników s odpowiedzialne za odrzucenie hipotezy zerowej, skonstruujemy 95% jednoczesne przedziaªy ufno±ci za pomoc wierszy macierzy kontrastu.
36 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 data psy; input t1-t4; cards; ; run; ods select Cov; proc corr data=psy noprob outp=outcov nomiss cov; var t1-t4; run; proc iml; use OutCov where(_type_="cov"); read all var _NUM_ into s[colname=varnames]; print s; use OutCov where(_type_="mean"); read all var{t1 t2 t3 t4} into mu[colname=varnames]; print mu; use psy; read all into x; print x; n=nrow(x); print n; C={ , , }; print c; a=c*t(mu); print a; b=c*s*t(c); print b; c=t(c*t(mu))*inv(c*s*t(c))*(c*t(mu)); print c; T2=n*c; print t2; quit;
37 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2
38 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2
39 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2
40 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Wpªyw halotanu c 1µ = (µ 3 + µ 4 ) (µ 1 + µ 2 ) jest szacowany przez przedziaª 18 3 c ( x 3 + x 4 ) ( x 1 + x 2 ) ± 16 F 1 3,16(0.05) Sc 1 = 19 = 209, 31 ± 73, 70 gdzie c1 jest pierwszym wierszem macierzy kontrastu C.
41 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Podobnie szacujemy wpªywy CO 2 oraz interakcji CO 2 z H: WpªywCO 2 : (µ 1 + µ 3 ) (µ 2 + µ 4 ) = 60, 05 ± 54, 70 Wpªyw interakcji CO 2 z H : (µ 1 + µ 4 ) (µ 2 + µ 3 ) = 12, 79 ± 65, 97
42 Porównanie parami Przykªad 1 Test równo±ci efektów zabiegów w projekcie powtórzonych po Przykªad 2 Pierwszy przedziaª ufno±ci wskazuje,»e halotan wywiera wpªyw na bicie serca psów - jego obecno± w organizmie zwi ksza czas pomi dzy kolejnymi uderzeniami. Dzieje si to na obu poziomach ci±nienia CO 2, jako»e interakcja halotanu z dwutlenkiem w gla nie jest znacz co ró»na od zera - co mo»na wywnioskowa z trzeciego przedziaªu ufno±ci. Drugi przedziaª pozwala nam wnioskowa,»e podawanie CO 2 nie jest oboj tne - im ni»sze ci±nienie, tym dªu»szy czas pomi dzy uderzeniami serca psa.
43 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Statystyka T 2 dla testowania równo±ci wektorów ±rednich dla dwóch wielowymiarowych populacji mo»e by rozwini ta analogicznie do jednowymiarowego procesu. Ta statystyka jest wªa±ciwa dla porównywania wyników dla populacji 1 z niezale»nymi wynikami otrzymanymi dla populacji 2. Rozwa»aj c losowe próby o wielko±ci n 1 z populacji 1 oraz próby wielko±ci n 2 z populacji 2 otrzymujemy :
44 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Zaªo»enia 1. Próby X 11,X 12,...,X 1n 1 s losowymi próbami o wielko±ci n 1 z wektorem ±rednim µ 1 oraz macierz kowiariancji 1 2. Próby X 21,X 22,...,X 2n 2 s losowymi próbami o wielko±ci n 2 z wektorem ±rednim µ 2 oraz macierz kowiariancji 2 3. X 11,X 12,...,X 1n 1 s niezale»ne z X 21,X 22,...,X 2n 2.
45 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Zaªo»enia, gdy gdy n 1 i n 2 s maªe Zaªo»enia 1.Obie populacje pochodz z wielowymiarowego rozkªadu normalnego. 2. Macierze kowariancji s sobie równe. Gdy = =, wówczas n 1 (x 1 2 j=1 1j x 1 )(x 1j x 1 )' jest oszacowaniem (n 1 1) oraz n 2 (x j=1 2j x 2 )(x 2j x 2 )' jest oszacowaniem (n 2 1).
46 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Mo»emy poª czy informacje z obu próbek, aby oszacowa wspóln macierz wariancji i kowariancji : Do testowania hipotezy µ 1 µ 2 = σ 0 (okre±lony wektor), rozwa»amy odlegªo± z µ 1 µ 2 do σ 0. Zatem : E(X 1 X 2 ) = E(X 1 ) E(X 2 ) = µ 1 µ 2
47 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Z zaªo»enia o niezale»no±ci mamy»e X 1 oraz X 2 s niezale»ne tak wi c Cov(X 1 X 2 ) = 0, a z tego : Cov(X 1 X 2 ) = 0 = Cov(X 1 ) + Cov(X 2 ) = 1 n n 2 Jako»e S pooled estymuje Σ, widzimy»e: ( 1 n n 2 )S pooled jest estymatorem Cov(X 1 X 2 ).
48 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Test stosunku wiarygodno±ci Przeprowadzamy test z hipotez zerow : µ 1 µ 2 = δ 0 Odrzucamy H 0 je±li zachodzi nierówno± : T 2 = [ x 1 x 2 δ 0 ] [( 1 n n 2 )S pooled ] 1 [ x 1 x 2 δ 0 ] > c 2 gdzie warto± krytyczna c 2 jest wyznaczona przez rozkªad statystyki T 2 dla dwóch prób.
49 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Wniosek Je±li X 11, X 12,..., X 1n 1 s losowymi próbami o wielko±ci n 1 z rozkªadu N p (µ 1, ) oraz X 21, X 22,..., X 2n 1 s niezale»nymi losowymi próbami o wielko±ci n 2 z rozkªadu N p (µ 2, ) wówczas: posiada rozkªad : w konsekwencji otrzymujemy :
50 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przykªad 3 Dwie fabryki produkuj mydªo na ró»ne sposoby. Dysponujemy dwiema próbkami, po 50 kostek mydªa z ka»dej z fabryk i chcemy zbada, czy ró»ne sposoby produkcji prowadz do posiadania przez produkt ró»nych cech. W tym celu dokonano pomiarów dwóch cech: X 1 = ilo±ci piany oraz X 2 = nawil»enia. Dane przedstawia tabela: Chcemy wyznaczy przedziaª ufno±ci dla µ 1 µ 2.
51 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Mo»emy zauwa»y»e S 1 oraz S 2 s w przybli»eniu sobie równe, wi c rozs dnym wydaje si obliczenie wspólnej macierzy kowariancji: Elipsa ma ±rodek w punkcie x 1 x 2 = ( 1.9, 0.2). W kolejnym kroku wyliczymy warto±ci oraz wektory wªasne wspólnej macierzy kowariancji: wiec λ = (7 + / 49 36)/2.
52 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 W konsekwencji otrzymujemy»e λ 1 = oraz λ 2 = 1.697, oraz wektory wªasne : [ ] [ ] e 1 =, e 2 = Korzystaj c z wniosku otrzymujemy : gdzie F 2,97(0.05) = 3.1. Elipsa rozpi ta jest na wektorach wªasnych e 1 oraz e 2, a o± wielka i o± maªa maj dªugo±ci wzdªu» tych wektorów dane wzorem:
53 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2
54 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 proc iml; n1=50; n2=50; xbar1={8.3, 4.1}; xbar2={10.2, 3.9}; s1={2 1, 1 6}; s2={2 1, 1 4}; print xbar1; print xbar2; print s1; print S2; s_p=(49/98)*s1+(49/98)*s2; T2=T(xbar1-xbar2)*inv(((1/n1)+(1/n2))*s_p)*(xbar1-xbar2); print T2; call eigen(val,vec,s_p); print val; print vec; q1=finv(.95,2,n1+n2-2-1); print q1; fval=((1/n1)+(1/n2))*q1*(n1+n2-2)*2/(n1+n2-2-1); print fval; dl1=sqrt(val[1,1])*sqrt(fval); print dl1; dl2=sqrt(val[2,1])*sqrt(fval); print dl2; dbar=xbar1-xbar2; print dbar; quit;
55 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2
56 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2
57 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Wniosek Elipsa naszego przedziaªu ufno±ci jasno pokazuje»e µ 1 µ 2 = 0 nie nale»y do niej, wi c mo»emy wnioskowa»e obie metody produkcji kostki mydªa otrzymuj ró»ne wyniki. Wydaje si,»e obie metody produkuj mydªo o tym samym stopniu nawil»enia X 2, jednak»e mydªa otrzymane z drugiego procesu wytwarzaj wi cej piany X 1.
58 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Jednoczesne przedziaªy ufno±ci Mo»liwym jest wyprowadzenie jednoczesnych przedziaªów ufno±ci dla skªadowych wektora µ 1 µ 2. Przedziaªy te tworzy si rozwa»aj c wszystkie liniowe kombinacje ró»nic w wektorach warto±ci ±rednich. Przyjmuje si,»e dane z populacji posiadaj wielowymiarowy rozkªad normalny o wspólnej macierzy kowariancji Σ.
59 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Wniosek Niech c 2 = [(n 1 + n 2 2)p/(n 1 + n 2 p 1)]F p,n1 +n 2 p 1(α). Z prawdopodobie«stwem 1 α. a (X 1 X 2 ) ± c a ( 1 n n 2 )S pooled a pokryje a (µ 1 µ 2 ) dla wszystkich a. W szczególno±ci µ 1i µ 2i b dzie pokryte przez (X 1i X 2i) ± c a ( 1 n n 2 )s ii,pooled dla i = 1, 2,..., p
60 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przykªad Próbki wielko±ci n 1 = 45 i n 2 = 55 zostaªy zebrane od wªa±cicieli mieszka«w Wisconsin, kolejno: z i bez klimatyzacji. Zmierzono zu»ycie energii elektrycznej w kilowatogodzinach. Pierwsze dane przedstawiaj zu»ycie w lipcu w trakcie godzin szczytu, a drugie zu»ycie w lipcu w godzinach poza szczytem. Rezultaty s nast puj ce(zu»ycie poza szczytem jest wi ksze, poniewa» w miesi cu jest wi cej godzin poza szczytem ni» w jego trakcie):
61 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Znajdziemy 95% jednoczesne przedziaªy ufno±ci dla ró»nic w skªadowych wektorów ±rednich. Chocia» wariancje z próby wydaj si znacz co ró»ni, spróbujemy wyznaczy macierz poª czon wariancji i kowariancji. St d S pooled = n 1 1 n 1 + n 2 2 S 1 + n 2 1 n 1 + n 2 2 S 2 = oraz [ ] c 2 = (n 1 + n 2 2)p n 1 + n 2 p 1 F p,n 1 +n 2 p 1(α) = F 2,97(0, 05) = 2, 02 3, 1 = 6, 26
62 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Z wektorem µ 1 µ = [µ 2 11 µ 21, µ 12 µ 22 ] 95% przedziaªy ufno±ci dla ró»nic w populacjach s nast puj ce: µ 11 µ 21 : (204, 4 130, 0) ± 6, 26 21, 7 µ 11 µ , 1 (w szczycie) µ 12 µ 22 : (556, 6 355, 0) ± 6, 26 ( )10963, 7 ( )63661, 3 774, 7 µ 12 µ , 5 (poza szczytem)
63 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Wnioskujemy,»e istnieje ró»nica pomi dzy zu»yciem energii elektrycznej w domach z i bez klimatyzacji. Ró»nica jest widoczna zarówno w godzinach szczytu, jak i poza nim. Elipsa 95% obszaru ufno±ci dla wektora µ 1 µ 2 jest wyznaczana przez warto±ci i wektory wªasne λ 1 = 71323, 5, e = [0, 336; 0, 942] 1 oraz λ 2 = 3301, 5, e = [0, 942; 0, 336]. 2 Poniewa» λ1 ( )c n 1 n 2 = 71323, 5 ( )6, 26 = 134, 3 55 oraz λ2 ( )c n 1 n 2 = 3301, 5 2 ( )6, 26 = 28, 9 55 Otrzymujemy elips dla wektora µ 1 µ 2. Poniewa» elipsa nie pokrywa wektora zerowego, statystyka T 2 odrzuca H 0 : µ 1 µ 2 = 0 na 5% poziomie istotno±ci.
64 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Jednoczesne przedziaªy ufno±ci Bonferroniego Jednoczesne 100(1 α) przedziaªy ufno±ci Bonferroniego dla p ró»nic w warto±ciach ±rednich populacji s dane µ 1i µ 2i : (x 1i x 2i) ± t n1 +n 2 2( α 2p ) ( 1 n n 2 )s ii,pooled gdzie t n1 +n 2 2( α 2p ) jest górnym kwantylem rz du α 2p rozkªadu t-studenta z n 1 + n 2 2 stopniami swobody.
65 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Kiedy Σ 1 Σ 2, nie jeste±my w stanie znale¹ miary ódlegªo±ci"takiej jak T 2, której rozkªad nie zale»aªby od nieznanych Σ 1 oraz Σ 2. Przyjmujemy,»e macierze kowariancji s istotnie ró»ne, je±li zachodzi dowolna ró»nica typu σ 1,ii = 4σ 2,ii lub vice versa. Jednak»e dla du»ych prób n 1, n 2, poprzez centralne twierdzenie graniczne mo»emy unikn problemów spowodowanych ró»nymi macierzami kowariancji.
66 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Wniosek Niech wielko±ci prób n 1 q oraz n 2 p b d du»e. Wówczas elipsoida 100(1 α)% obszaru ufno±ci dla µ 1 µ 2 jest dana przez wszystkie wektory µ 1 µ 2 speªniaj ce [x 1 x 2 (µ 1 µ 2 )] [ 1 n 1 S n 2 S 2 ] 1 [x 1 x 2 (µ 1 µ 2 )] χ 2 p(α) gdzie χ 2 p(α) jest górnym kwantylem rz du α rozkªadu chi kwadrat z p stopniami swobody. Równie» jednoczesne 100(1 α)% przedziaªy ufno±ci dla wszystkich kombinacji liniowych a (µ 1 µ 2 ) powstaj przez a (µ 1 µ 2 )nale» ce do a (x 1 x 2 ) ± χ 2 p(α) a ( 1 S S 2 )a n 1 n 2
67 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Uwaga Je»eli n 1 = n 2 = n, to (n 1)/(n + n 2) = 1/2, wi c 1 S S 2 = 1 n 1 n 2 n (S 1 + S 2 ) = (n 1)S 1 + (n 1)S 2 ( 1 n + n 2 n + 1 n ) = S pooled ( 1 n + 1 n ) Dla prób o takiej samej liczno±ci, procedura jest taka sama jak ta bazuj ca na poª czonej macierzy kowariancji. W analizie jednowymiarowej, znanym faktem jest, i» efekt nierówno±ci kowariancji jest mniejszy dla n 1 = n 2, a wi kszy kiedy n 1 jest znacznie mniejsze od n 2 (lub na odwrót).
68 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przykªad Przeanalizujemy dane dotycz ce zu»ycia energii z poprzedniego przykªadu, u»ywaj c podej±cia dla du»ych prób. Na pocz tek obliczamy [ ] n 1 S n 2 S 2 = [ ] = [ ]
69 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przykªad 95% jednoczesne przedziaªy ufno±ci dla kombinacji liniowych [ ] a µ11 µ21 (µ 1 µ 2 ) = [1, 0] µ 12 µ22 oraz s postaci = µ 11 µ21 a (µ 1 µ 2 ) = [0, 1] = µ 12 µ22 [ ] µ11 µ21 µ 12 µ22 µ 11 µ21 : 74.4 ± czyli(21.7, 127.1) µ 12 µ22 : ± czyli(75.8, 327.4)
70 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przykªad Zauwa»my,»e przedziaªy te nieznacznie ró»ni si od przedziaªów wyznaczonych w poprzednim przykªadzie, gdzie zastosowano procedur ª czenia macierzy wariancji i kowariancji. Statystyka T 2 dla testu H 0 : µ 1 µ 2 = 0 wynosi: T 2 = [x 1 x 2 ] [ 1 S S 2 ] 1 [x 1 x 2 ] = n 1 n 2 [ ] [ ] [ ] = [ ] [ ] = [ ](10 4 ) =
71 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Na poziomie α = 0.05 warto± krytyczna wynosi χ 2 (0.05) = 5.99, 2 i - jako»e T 2 = > χ 2 (0.05, odrzucamy hipotez zerow. 2 Liniowa kombinacja prowadz ca do odrzucenia H 0 ma wektor wspóªczynników: Ró»nica w zu»yciu energii poza szczytem pomi dzy domami z klimatyzacj a domami bez niej bardziej przyczynia si do odrzucenia H 0 ni» ró»nica w zu»yciu energii w szczycie.
72 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przybli»enie rozkªadu T 2 dla populacji pochodz cych z rozkªadu normalnego kiedy wielko±ci prób nie s du»e Mo»emy sprawdza H 0 : µ 1 µ 2 = 0 gdy macierze kowariancji populacji nie s sobie równe nawet gdy wielko±ci prób nie s du»e, zakªadaj c,»e populacje pochodz z wielowymiarowego rozkªadu normalnego. Uzyskanie rezultatu wymaga, aby wielko±ci obu prób byªy wi ksze ni» p - liczba zmiennych. Wybrane podej±cie zale»y od przybli»enia rozkªadu statystyki T 2 = [X 1 X 2 (µ 1 µ 2 )] [ 1 n 1 S n 2 S 2 ] 1 [X 1 X 2 (µ 1 µ 2 )]
73 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Jednak»e zamiast u»ycia przybli»enia chi kwadrat, aby otrzyma warto± krytyczn dla testowania h0, zalecane przybli»enie dla mniejszych prób jest dane przez: T 2 = vp v p + 1 F p,v p+1 gdzie ilo± stopni swobody v jest szacowana za pomoc macierzy kowariancji próby u»ywaj c zale»no±ci: gdzie min(n 1, n 2 ) v n 1 + n 2
74 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Dla prób ±redniej wielko±ci i dwóch populacji z rozkªadu normalnego, odrzucamy H 0 : µ 1 µ 2 = 0 w te±cie na równo± warto±ci ±rednich na poziomie istotno±ci α, je»eli [x 1 x 2 (µ 1 µ 2 )] [ 1 n 1 S n 2 S 2 ] 1 [x 1 x 2 (µ 1 µ 2 )] > vp v p + 1 F p,v p+1(α) gdzie v jest dane poprzednim wzorem.
75 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Przykªad Chocia» wielko±ci prób dotycz cych zu»ycia energii w Wisconsin s dosy du»e, u»yjemy tych danych i wylicze«z poprzedniego przykªadu aby przedstawi obliczenia prowadz ce do przybli»enia rozkªadu T 2 kiedy macierze kowariancji populacji nie s równe. Na pocz tku obliczamy:
76 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Korzystaj c z poprzednio uzyskanych wyników: Kolejno:
77 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2
78 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Kolejno Szacowana za pomoc wzoru liczba stopni swobody
79 Zaªo»enia o strukturze danych Przykªad 3 Jednoczesne przedziaªy ufno±ci Sytuacja dla dwóch prób, gdy Σ 1 Σ 2 Przybli»enie rozkªadu T 2 Oraz warto± krytyczna dla poziomu istotno±ci α = 0, 05 Warto± statystyki testowej wynosi T 2 = 15, 66, dlatego te» H 0 : µ 1 µ 2 = 0 jest odrzucana na poziomie istotno±ci α = 0, 05. Uzyskali±my taki sam wniosek jak przy u»yciu procedury dla du»ych prób opisanej w poprzednim przykªadzie.
80 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Cz sto porównujemy ze sob wi cej ni» dwie populacje. Wówczas próby losowe ka»dej z g populacji indeksujemy nast puj co: informuje nas, czy wektory warto±ci ±rednich populacji s takie same, a je±li nie s - które z ich skªadowych ró»ni si najbardziej.
81 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Zaªo»enia o strukturze danych 1 X l 1, X l 2,..., X lnl jest prób o rozmiarze n l ze ±redni µ l, l = 1, 2,..., g. Próby pochodz ce z ró»nych populacji s wzgl dem siebie niezale»ne. 2 Wszystkie populacje maj wspóln macierz kowariancji Σ 3 Ka»da populacja posiada wielowymiarowy rozkªad normalny
82 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Podsumowanie: ANOVA Dla bada«w jednym wymiarze, zakªadamy,»e X l 1, X l 2,..., X lnl s prób z populacji o rozkªadzie normalnym z parametrami (µ l, σ 2 ), l = 1, 2,..., g oraz»e próby losowe s niezale»ne. Mimo i» hipoteza zerowa o równo±ci warto±ci ±rednich mo»e by przedstawiona w postaci µ 1 = µ 2 =...µ g =, wygodnie jest zapisa µ l jako sum - ogólnej ±redniej µ oraz skªadnika odpowiadaj cego za efekt zabiegu w populacji l, oznaczanego τ l. Taka reparametryzacja: µ l = µ + τ l
83 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 prowadzi do przedstawienia hipotezy zerowej w nast puj cy sposób: H 0 : τ 1 = τ 2 =... = τ g = 0 Obserwacje z próby przedstawiamy wówczas jako: x lj = x + (x l x) + (x lj x l ) gdzie x jest estymatorem µ, τ l = x l x jest estymatorem τ l, a x lj x l jest estymatorem bª du losowego.
84 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Przykªad Rozwa»my nast puj ce niezale»ne próby losowe: Obliczaj c kolejne ±rednie otrzymujemy zapis macierzowy: Zagadnienie równo±ci warto±ci ±rednich rozstrzygamy rozpatruj c stosunek macierzy efektu zabiegu do macierzy bª dów - je±li jest on wzgl dnie du»y, nale»y odrzuci hipotez zerow.
85 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Dla ka»dej z macierzy obliczamy sum kwadratów warto±ci jej elementów, kolejno: Sumy kwadratów elementów macierzy speªniaj równanie SS obs = SS mean + SS tr + SS res
86 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Analiza wariancji polega na porównaniu wzgl dnych wielko±ci SS tr oraz SS res - je»eli H 0 jest prawdziwa, wielko±ci te powinny by sobie bliskie. B dziemy je testowa za pomoc F-testu - na poziomie istotno±ci α odrzucamy H 0 : τ 1 = τ 2 =... = τ g = 0, je±li zachodzi nierówno± : gdzie F g 1, n l g (α) jest górnym α kwantylem rozkªadu F z g 1 i n l g stopniami swobody.
87 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Dla naszego przykªadu, tabela ANOVA przyjmuje posta : Obliczamy warto± F:
88 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Poniewa» F = 19, 5 > F 2,5(0, 01) = 13.27, mamy podstawy do odrzucenia hipotezy zerowej o braku efektów zabiegu na poziomie istotno±ci α = 1%.
89 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Wielowymiarowa Analiza Wariancji () Model dla porównywania wektorów warto±ci ±rednich z g popuacji ma posta : X lj = µ + τ l + e lj, j = 1, 2,..., n l, l = 1, 2,..., g. gdzie e lj jest niezale»n zmienn losow z rozkªadu N p (0, ), µ jest ogóln ±redni natomiast τ l reprezentuje l-ty efekt zabiegu speªniaj cy g n l=1 lτ l. Wektor obserwacji mo»e by przedstawiony w nast puj cej postaci: x lj = x + (x l x) + (x lj x l ) x - ogólna ±rednia z próby x l - ±rednia dla populacji l
90 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Analogicznie jak dla ANOVA, hipoteza zerowa: H 0 : τ 1 = τ 1 =... = τ g = 0 jest testowana poprzez porównanie wzgl dnych wielko±ci SS tr oraz SS res.
91 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Formalnie obliczenia mo»emy podsumowa jako tabelk
92 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Test H 0 : τ 1 = τ 1 =... = τ g = 0 dotyczy ogólnych wariancji. Odrzucamy H 0, gdy poziom jest mniejszy od warto±ci krytycznej. Wªa±ciwe u»ycie λ* w zale»no±ci od sytuacji jest przedstawione w poni»szej tabeli :
93 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4
94 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Wilks lambda mo»e by tak»e wyra»one jako funkcja warto±ci wªasnych λ 1, λ 2,..., λ g macierzy W 1 B jako : gdzie s=min(p,g-1).
95 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Przykªad Zadanie Do obserwacji z poprzedniego zadania dodano jedn zmienn. Wyniki przedstawiono poni»ej. Zbadamy równo± wektorów warto±ci ±rednich za pomoc. n 1 = 3, n 2 = 2, n 3 = 3.
96 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Z poprzednich oblicze«wiemy»e : Ponadto : SS obs = SS mean + SS tr + SS tr 216 = wi c SS cor = SS obs SS mean = = 88
97 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Powtarzaj c operacj dla drugiej zmiennej,otrzymujemy : oraz SS obs = SS mean + SS tr + SS tr 272 = wi c SS cor = SS obs SS mean = = 72
98 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Aby wprowadzi dane do tabeli, musimy wykona obliczenia iloczynów skalarnych: Mean : = = 160 Treatment : 3 4 ( 1) + 2 ( 3) ( 3) + 3 ( 2) 3 = 12 Residual : 1 ( 1) + ( 2) ( 2) + ( 1) = 1 Total : = 149 SS cor = total mean = = 11
99 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Wprowadzimy dane do tabeli :
100 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Otrzymujemy nast puj c równo± : [ ] = [ ] [ ] U»ywaj c wzoru na lambd Wilksa: Przeprowadzamy test: H 0 : τ 1 = τ 2 = τ 3 = 0 H 1 : conajmniej jedna τ l jest ró»na od 0.
101 Porównujemy warto± statystyki: Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 z kwantylem rozkªadu F-Snedecora z v 1 = 2(g 1) = 4 oraz v 2 = 2( n l g 1) = 8 stopniami swobody. F 4,8(0.01) = 7.01 Wniosek Poniewa» 8.19 > F 4,8(0.1) = 7.01, odrzucamy hipotez zerow na poziomie α = 0.01 oraz wnioskujemy»e ró»nice w efektach zabiegów istniej.
102 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Uwaga Dla modelu X lj = µ + τ l + e lj, gdzie j = 1, 2,..., n l oraz l = 1, 2,..., g na poziomie istotno±ci (1 α) mamy: τ ki τ li nale» do dla wszystkich skªadników i = 1, 2,..., p oraz dla wszystkich ró»nic l < k = 1, 2,..., g. gdzie w ii jest i-tym diagonalnym elementem W.
103 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Testowanie równo±ci macierzy kowariancji Jednym z zaªo»e«, gdy porównujemy wielowymiarowe wektory ±rednie jest»e macierze kowiariancji ró»nych populacji s sobie równe. Gdy mamy g populacji, wówczas hipoteza zerowa : H 0 : 1 = 2 =... = g = Hipoteza alternatywn : przynajmniej dwie macierze kowariancji s ró»ne.
104 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Test Boxa na równo± macierzy kowariancji gdzie p - ilo± zmiennych, g - ilo± grup. Wówczas : ma rozkªad χ 2 z stopniami swobody. Odrzucamy H 0 na poziomie α gdy :
105 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Dwukierunkowa wielowymiarowa analiza wariancji Okre±lamy dwukierunkowy model ustalonych efektów dla wektora, który pozwoli nam zbada równie» interakcj zabiegów: X lkr = µ + θ l + β k + γ lk + e lkr l = 1, 2,..., g, k = 1, 2,..., b, r = 1, 2,..., n Gdzie µ to ogólna ±rednia, θ l to wpªyw zabiegu pierwszego, β k to wpªyw zabiegu drugiego, a γ lk to interakcja mi dzy zabiegami. Zakªadamy,»e e lkr ma rozkªad normalny N p (0, ) Wektor x lkr mo»emy zapisa w nast puj cej formie : x lkr = x + (x l x) + (x k x) + (x lk x l x k + x) + (x lkr x lk ) Wówczas tabela przyjmuje nast puj c posta.
106 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4
107 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Przeprowadzamy testy na istnienie efektów interakcji, oraz zabiegów - pierwszego i drugiego. Obliczamy statystyki lambdy Wilksa, a nast pnie porównujemy je z kwantylami rozkªadu chi kwadrat z odpowiedni ilo±ci stopni swobody. Test na efekty interakcji: Obliczamy warto± statystyki: Hipoteza zerowa jest odrzucana je±li zachodzi nierówno± :
108 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Test na efekt pierwszego zabiegu: Obliczamy warto± statystyki: Hipoteza zerowa jest odrzucana je±li zachodzi nierówno± :
109 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Test na efekt drugiego zabiegu: Obliczamy warto± statystyki: Hipoteza zerowa jest odrzucana je±li zachodzi nierówno± :
110 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Przykªad 4 Badano optymalne warunki dla wytªaczania lmu u»ywaj c technologii Evolutionary Operation. Zbadano trzy zmienne - odporno± na rozerwanie, poªysk oraz nieprzezroczysto±. Zostaªy one zmierzone na dwóch poziomach czynników - stopnia wyciskania oraz ilo±ci dodatków. Pomiary powtórzono pi ciokrotnie. Za pomoc dwutorowej chcemy zbada wpªyw czynników na uzyskane badania oraz ich natur. Dane przedstawia tabela.
111 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4
112 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 Manova table
113 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4
114 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4
115 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4
116 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 W te±cie na interakcj nie odrzucamy hipotezy zerowej o braku efektów interakcji. W testach na efekty czynników 1 i 2 odrzucamy hipotez zerow i wnioskujemy,»e wpªywaj one na wyniki. Wnioskujemy,»e zarówno zmiana w stopniu wyciskania jak i ilo± dodatków maj wpªyw na wyniki, ponadto z powodu braku interakcji wpªyw ten ma charakter addytywny.
117 Podsumowanie: ANOVA Wielowymiarowa Analiza Wariancji () Testowanie równo±ci macierzy kowariancji Dwukierunkowa wielowymiarowa analiza wariancji Przykªad 4 PROC GLM DATA=dane1; CLASS change amount; MODEL x1-x3 = change amount change*amount / P SOLUTION; H=change*amount /PRINTH PRINTE; H=change / printh printe; H=amount / printh printe; run;
Metody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoElementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)
Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoPorównywanie wielowymiarowych ±rednich. Analiza wariancji
Porównywanie wielowymiarowych ±rednich. Analiza wariancji Paulina Grabowska Magdalena Kloc Emilia Kozdemba Adam Pierko FTiMS, Matematyka Finansowa, 8 semestr 23 marca 2014 Paulina Grabowska Magdalena Kloc
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoPakiety statystyczne - Wykªad 8
Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoElementarna statystyka Test Istotno±ci (Tests of Signicance)
Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoElementarna statystyka Test Istotno±ci
Elementarna statystyka Test Istotno±ci Alexander Bendikov Uniwersytet Wrocªawski 27 kwietnia 2017 Alexander Bendikov (UWr) Elementarna statystyka Test Istotno±ci 27 kwietnia 2017 1 / 24 Wnioskowanie statystyczne:
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoMetody dowodzenia twierdze«
Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku
Bardziej szczegółowox y x y x y x + y x y
Algebra logiki 1 W zbiorze {0, 1} okre±lamy dziaªania dwuargumentowe,, +, oraz dziaªanie jednoargumentowe ( ). Dziaªanie x + y nazywamy dodawaniem modulo 2, a dziaªanie x y nazywamy kresk Sheera. x x 0
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowoElementarna statystyka
Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
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 szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...
Bardziej szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoWeryfikacja 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 szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................
Bardziej szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
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 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 szczegółowoCiaªa i wielomiany. 1 Denicja ciaªa. Ciaªa i wielomiany 1
Ciaªa i wielomiany 1 Ciaªa i wielomiany 1 Denicja ciaªa Niech F b dzie zbiorem, i niech + (dodawanie) oraz (mno»enie) b d dziaªaniami na zbiorze F. Denicja. Zbiór F wraz z dziaªaniami + i nazywamy ciaªem,
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 szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoElementy geometrii w przestrzeni R 3
Elementy geometrii w przestrzeni R 3 Z.Šagodowski Politechnika Lubelska 29 maja 2016 Podstawowe denicje Wektorem nazywamy uporz dkowan par punktów (A,B) z których pierwszy nazywa si pocz tkiem a drugi
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowo1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f.
GAL II 2012-2013 A Strojnowski str1 Wykªad 1 Ten semestr rozpoczniemy badaniem endomorzmów sko«czenie wymiarowych przestrzeni liniowych Denicja 11 Niech V b dzie przestrzeni liniow nad ciaªem K 1) Przeksztaªceniem
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowo2. L(a u) = al( u) dla dowolnych u U i a R. Uwaga 1. Warunki 1., 2. mo»na zast pi jednym warunkiem: L(a u + b v) = al( u) + bl( v)
Przeksztaªcenia liniowe Def 1 Przeksztaªceniem liniowym (homomorzmem liniowym) rzeczywistych przestrzeni liniowych U i V nazywamy dowoln funkcj L : U V speªniaj c warunki: 1 L( u + v) = L( u) + L( v) dla
Bardziej szczegółowoA = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.
Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoMacierze i Wyznaczniki
Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja 1. Tablic nast puj cej postaci a 11 a 12... a 1n a 21 a 22... a 2n A =... a m1 a m2... a mn nazywamy macierz o m wierszach i n kolumnach,
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 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 szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoWIELKA 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 szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 203/4 Spis tre±ci Kodowanie i dekodowanie 4. Kodowanie a szyfrowanie..................... 4.2 Podstawowe poj cia........................
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
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 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 szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoRozdziaª 5. Modele wektorowej autoregresji
Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi
Bardziej szczegółowoElementy geometrii analitycznej w przestrzeni
Wykªad 3 Elementy geometrii analitycznej w przestrzeni W wykªadzie tym wi kszy nacisk zostaª poªo»ony raczej na intuicyjne rozumienie deniowanych poj, ni» ±cisªe ich zdeniowanie. Dlatego niniejszy wykªad
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoLiniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach
Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach Teoria obowi zuje z wykªadu, dlatego te» zostan tutaj przedstawione tylko podstawowe denicje, twierdzenia i wzory. Denicja 1. Równanie
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 szczegółowoInterpolacja funkcjami sklejanymi
Interpolacja funkcjami sklejanymi Funkcje sklejane: Zaªó»my,»e mamy n + 1 w zªów t 0, t 1,, t n takich,»e t 0 < t 1 < < t n Dla danej liczby caªkowitej, nieujemnej k funkcj sklejan stopnia k nazywamy tak
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
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 szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoWielowymiarowe modele regresji liniowej
Wielowymiarowe modele regresji liniowej Karolina Buchholc, Helena Cie±lak, Beata Arciszewska, Michaª Badocha Statystyka II 27 marca 2014 Karolina Buchholc, Helena Cie±lak, Beata Arciszewska, Wielowymiarowe
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 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 szczegółowoEkonometria Przestrzenna
Ekonometria Przestrzenna Wykªad 8: w modelach przestrzennych (8) Ekonometria Przestrzenna 1 / 23 Plan wykªadu 1 Modele proste Modele zªo»one 2 Wnioskowanie statystyczne dla mno»ników przestrzennych i ±rednich
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoNumeryczne zadanie wªasne
Rozdziaª 11 Numeryczne zadanie wªasne W tym rozdziale zajmiemy si symetrycznym zadaniem wªasnym, tzn. zadaniem znajdowania warto±ci i/lub wektorów wªasnych dla macierzy symetrycznej A = A T. W zadaniach
Bardziej szczegółowoALGORYTMICZNA 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 szczegółowoKLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu
➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje
Bardziej szczegółowoZadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.
Zadania ze statystyki cz. 8 I rok socjologii Zadanie 1. W potocznej opinii pokutuje przekonanie, że lepsi z matematyki są chłopcy niż dziewczęta. Chcąc zweryfikować tę opinię, przeprowadzono badanie w
Bardziej szczegółowoEkonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)
Bardziej szczegółowoWeryfikacja 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 szczegółowoPRZYPOMNIENIE Ka»d przestrze«wektorow V, o wymiarze dim V = n < nad ciaªem F mo»na jednoznacznie odwzorowa na przestrze«f n n-ek uporz dkowanych:
Plan Spis tre±ci 1 Homomorzm 1 1.1 Macierz homomorzmu....................... 2 1.2 Dziaªania............................... 3 2 Ukªady równa«6 3 Zadania 8 1 Homomorzm PRZYPOMNIENIE Ka»d przestrze«wektorow
Bardziej szczegółowoMacierze i Wyznaczniki
dr Krzysztof yjewski Mechatronika; S-I.in». 5 pa¹dziernika 6 Macierze i Wyznaczniki Kilka wzorów i informacji pomocniczych: Denicja. Tablic nast puj cej postaci a a... a n a a... a n A =... a m a m...
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoTestowanie 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 szczegółowoPrzekroje Dedekinda 1
Przekroje Dedekinda 1 O liczbach wymiernych (tj. zbiorze Q) wiemy,»e: 1. zbiór Q jest uporz dkowany relacj mniejszo±ci < ; 2. zbiór liczb wymiernych jest g sty, tzn.: p, q Q : p < q w : p < w < q 3. 2
Bardziej szczegółowoMODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH
MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH Urszula Fory± Zakªad Biomatematyki i Teorii Gier, Instytut Matematyki Stosowanej i Mechaniki, Wydziaª
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 szczegółowo