(X i X) 2. n 1. X m S
|
|
- Józef Janicki
- 5 lat temu
- Przeglądów:
Transkrypt
1 Wykład 8. Przedziały ufości i testowaie hipotez A gdy ie zamy wariacji σ 2? Załóżmy, że X ma rozkład ormaly, ale ie zamy wartości ai m ai σ 2. Jak wtedy szacować wartość średią m? Przypomijmy, że Wtedy statystyka Ŝ 2 = 1 1 X m Ŝ ma rozkład t-tudeta o 1 stopiach swobody. Używać czy Ŝ? Określiliśmy dwie, bardzo podobe statystyki: X i X 2 i=1 = 1 X i X 2, Ŝ = i=1 1 X i X 2. 1 i=1 tatystyka X m 1 też ma rozkład t-tudeta o 1 stopiach swobody. Uwaga: Oczywiście = 1 Ŝ, więc X m Ŝ X m = 1. Kim był tudet? Praca a temat tego rozkładu została opublikowaa w czasopiśmie Biometrika w 1908 roku. Dlaczego praca podpisaa była pseudoimem? Lody ajważiejszy ośrodek statystyki a świecie. Karl Pearso wprowadził p. termi odchyleie stadardowe, test χ 2 -Pearsoa itp. Ego Pearso współpracował z Jerzym pławą-neymaem, był syem Karla Pearsoa. William Gosset tudet. Rozkład t-tudeta Rozkład tudeta jest a pierwszy rzut oka podoby do rozkładu ormalego, ma jedak ciężkie ogoy. Tablice: p. w iterecie tudet t-distributio. Kształt jego gęstości zależy od liczby stopi swobody. Dla = 1 ma ieskończoą wartość oczekiwaą. Gdy, to rozkład tudeta zbliża się do rozkładu ormalego tak, że dla > 30 różica pomiedzy tymi rozkładami jest iewielka. Tablice rozkładu tudeta podają zwykle tylko wartości dla 30 stopi swobody. 1
2 Zadaie Zajdź dwie symetrycze wartości t α i t α takie, że między imi zawiera się 0,95 masy rozkładu tudeta z 11 stopiami swobody. Rozwiązaie. Niech T k ozacza zmieą o rozkładzie studeta z k stopiami swobody. zukamy takiego t, dla którego P T 11 < t = 0, 975. Z tablic t = 2, Odpowiedź: t α = 2, 2010, t α = 2, Zadaie Wytrzymałość pewego materiału budowlaego ma rozkład ormaly Nm, σ 2. Pięcioelemetowa próba wylosowaych sztuk tego materiału dała wyiki: x = 20, 8 N/cm 2, ŝ = 2, 8N/cm 2. Na poziomie ufości 0,99 zbuduj przedział ufości dla średiej m. Rozwiązaie Nie zamy wartości parametru σ, a próba ma liczebość < 30, więc musimy użyć rozkładu t-tudeta. Wiemy, że ma rozkład tudeta o 4 stopiach swobody. X m 1 Ŝ Dla poziomu ufości 0,99 i 4 stopi swobody odczytujemy z tablic t = 4, 6041 Zatem P 4, 6041 < X m Ŝ 1 < 4, 6041 = 0, 99, co daje przedział 14, 36; 27, 24. A jeśli przedział jest zbyt szeroki? Zwiększając liczbę pomiarów w próbie, możemy zmiejszyć długość przedziału ufości. Gdy stosujemy rozkład t-tudeta powiiśmy zwracać baczą uwagę a: liczbę stopi swobody, rodzaj statystyki, jaką stosujemy: czy też Ŝ. Jeśli jest więcej iż 30 obserwacji w próbie, to korzystamy z tablic rozkładu ormalego. Przedziały ufości dla frakcji w populacji Przypuśćmy, że chcemy oszacować prawdopodobieństwo wystąpieia pewego zdarzeia. Dla przykładu rozważmy iesymetryczą moetę lub kostkę. Jakie jest prawdopodobieństwo p uzyskaia orła w jedym rzucie? zukamy tutaj prawdopodobieństwa p sukcesu w próbach Beroulliego. Moglibyśmy skorzystać z rozkładu Beroulliego, ale wymagałoby to uciążliwych rachuków. Korzystamy z przybliżeia rozkładu Beroulliego rozkładem ormalym: 2
3 gdy Y ma rozkład Beroulliego B, p i jest duże, wtedy Y ma w przybliżeiu rozkład ormaly Np, p1 p 2. Zmiea Y = częstość wystąpieia zdarzeia w próbach ma w przybliżeiu rozkład ormaly N p, 2 p1 p. Musimy ja uormować, odejmując średią p i dzieląc przez odchyleie stadardowe Y p p1 p ma w przybliżeiu rozkład N0, 1 dla dostateczie dużej liczby obserwacji. p1 p. tatystyka Przykład pośród stałych mieszkańców pewego miasta wylosowao próbę prostą złożoą z 400 osób i okazało się, że wśród ich jest 320 osób, które się w tym mieście urodziły. Zbuduj przedział ufości a poziomie 0,95 dla iezaego wskaźika struktury ˆp osób, mieszkajacych w tym mieście i tam urodzoych. Rozwiązaie Niech Y będzie liczbą tych osób w próbie, które urodziły się w tym mieście. Poieważ = 400 jest dostateczie duże rzędu kilkuset, więc zmiea Y p p1 p ma z całkiem dobrym przybliżeiem rozkład N0, 1. zukamy takiego z α, aby P z α < Z < z α = 0, 95. Z tablic rozkładu ormalego odczytujemy z α = 1, 96. Rozwiązaie - c.d. Zatem P 1, 96 < p p1 p 400 < 1, 96 = 0, 95, skąd, po przekształceiach długich, ale iezbyt trudych, bo to rówaie kwadratowe, otrzymujemy szukay przedział ufości 0, 754; 0, 836. Wzory przybliżoe a graice przedziału ufości Gdy jest duże, to przedział ufości dla p ma graice przybliżoe! Y ± z α Y 1 Y Rozkład χ 2 Niech X 1, X 2,..., X będą iezależymi zmieymi losowymi o jedakowym rozkładzie ormalym N0, 1. Wtedy zmiea U = X X X 2 ma rozkład χ 2 czyt.: chi-kwadrat o stopiach swobody. 3.
4 Rozkład te jest stabelaryzoway. Gdy, to zmiea U ma rozkład asymptotyczie ormaly Nk, 2k 2. Tabele zawierają zwykle dae dla liczby stopi swobody od 1 do 30. Rozkład wariacji z próby Niech X 1, X 2,..., X będzie ciągiem iezależych zmieych losowych o jedakowym rozkładzie Nm, σ 2. Zwykle ie zamy ai m, ai σ, dlatego zamiast σ 2 użyjemy statystyki 2 = 1 i=1 X i X 2. Wówczas zmiea losowa ma rozkład χ 2 1 o 1 stopiach swobody. 2 σ 2 Zadaie abstrakcyje Zbudować przedział ufości dla iezaej wariacji rozkładu ormalego a poziomie ufości 1 α. Budowa przedziału ufości dla wariacji Załóżmy, że pobierzemy próbę liczebości, iech X 1, X 2,..., X będą wyikami tej próby. Wiemy, że zmiea losowa 2 σ 2 ma rozkład χ 2 1 o 1 stopiach swobody. Dla zadaego poziomu ufości szukamy w tablicach takich dwóch liczb u 1 oraz u 2, aby P u 1 2 σ 2 u 2 = 1 α. Takich par liczb jest ieskończeie wiele, zwykle wybieramy je tak, aby P 0 < U < u 1 = α 2 oraz P u 2 < U < = α 2. Mamy więc skąd P P u 1 2 σ 2 u 2 2 u 2 = 1 α, σ 2 2 = 1 α. u 1 zukaym przedziałem ufości jest więc przedział 2 u 2 ; 2. u 1 Kokrety przykład Z populacji o rozkładzie ormalym pobrao próbę prostą i otrzymao wyiki: 3,2 3,7 4,1 3,5 3,0. Na poziomie ufości 0,9 zbuduj przedział ufości dla iezaej wariacji tego rozkładu. Rozwiązaie Obliczamy: 4
5 X = 3,2+3,7+4,1+3,5+3,0 5 = 17, 5/5 = 3, 5 2 = 1 5 3, 2 3, , 7 3, , 1 3, , 5 3, , 5 2 = 0, 74/5 = 0, 148. Z tablic rozkładu χ 2 4 z czterema stopiami swobody odczytujemy, że P 0, 711 < χ2 4 < 9, 488 = 0, 9. tąd przedziałem ufości dla σ 2 jest 5 0, 148 9, , 148 σ2 0, 711 czyli 0, 28 σ 1, 02. Testowaie hipotez Idea: Chcemy odpowiedzieć a pytaie dotyczące pewej lub pewych populacji. Decyzję podejmujemy w oparciu o próbę - dyspoujemy iformacją fragmetaryczą. W rezultacie możemy popełić błąd przy podejmowaiu decyzji. Chcemy zmiimalizować prawdopodobieństwo błędu. Typowe pytaia Pytaia o wartości parametrów w rozkładzie. Dla populacji o rozkładzie Beroulliego: Czy prawdopodobieństwo sukcesu wyosi 1/2? Czy moeta jest symetrycza? Dla rozkładu ormalego: Czy średia w populacji wyosi 0? Czy średia w populacji wyosi m? Typowe pytaia Pytaia o postać rozkładu. Czy te rozkład jest rozkładem ormalym? A może jest rozkładem wykładiczym? A może to jest rozkład Beroulliego? Pytaie o iezależość Czy dae dwie cechy są iezależe? Na przykład waga i wzrost. Albo wzrost i ocey w szkole. Albo... posób formułowaia odpowiedzi Na większość z powyższych pytań są dwie możliwe odpowiedzi tak albo ie prawda albo fałsz. Pytaia dotyczą całej populacji, do której a ogół ie mamy dostępu. Nasza decyzja, którą podejmujemy w oparciu o próbę, jest zagrożoa błędem. Zamiast: Prawda mówimy: W oparciu o tę próbę ie możemy wykluczyć postawioej hipotezy. Przykład: Przeprowadzoe badaia ie potwierdzają, że badae populacje mają róży średi poziom badaej cechy. Ale ie moża wykluczyć, że ie ma różicy. 5
6 posób formułowaia odpowiedzi Zamiast: Nieprawda ależałoby mówić: Jest to mało prawdopodobe albo: Gdyby postawioa hipoteza była prawdziwa, to uzyskay wyik z próby byłby bardzo mało prawdopodoby. Dlatego odrzucamy tę hipotezę. Ale możemy się mylić. Przykład: Przeprowadzoe badaie potwierdza tezę, że badae populacje różią się średią wartością badaej cechy. Odrzucamy hipotezę o rówości średich. Aalogia czujik dymu Istalujemy czujiki dymu, aby ostrzegły as przed pożarem. Nie są to ideale wykrywacze pożarów. Reagują a cząstki dymu w powietrzu. Czujiki mogą być w dwu możliwych staach CICHO albo GŁOŚNO ostrzegają przed pożarem sygałem dźwiękowym. Nasz dom może być w dwu możliwych staach ie ma pożaru albo jest pożar. Decyzja Możemy podjąć dwie decyzje: zostać albo uciekać. ystem ostrzegaia może popełić dwa błędy: Jest GŁOŚNO choć ie ma pożaru a przykład przypaliliśmy grzakę. Jest CICHO choć wybuchł pożar zła lokalizacja czujika, zużyta bateria,... Decyzję uzależiamy od stau wykrywaczy dymu CICHO zostajemy, GŁOŚNO uciekamy. Błędy w podejmowaiu decyzji Na ogół ie ma pożaru i wykrywacz jest CICHO, więc ie reagujemy dobra decyzja. Czasami ie ma pożaru a wykrywacz jest GŁOŚNO, więc uciekamy zła decyzja = strata czasu błąd I-go rodzaju. Czasami jest pożar a wykrywacz jest CICHO więc zostajemy zła decyzja = iebezpieczeństwo błąd II-go rodzaju. Czasami jest pożar i wykrywacz jest GŁOŚNO więc uciekamy dobra decyzja. Notacja - hipotezy statystycze ta wyjściowy, ie ma pożaru, azywamy hipotezą zerową. Drugi możliwy sta, pożar, azywamy hipotezą alteratywą. H 0 to skrót dla hipotezy zerowej. H A to skrót dla hipotezy alteratywej. Decyzje Decyzja uciekamy odpowiada odrzuceiu H 0, tz. odrzucamy staowisko, że ie ma pożaru. Decyzja zostajemy odpowiada ieodrzuceiu H 0. Decyzję podejmujemy w oparciu o zachowaie czujika dymu, którego rolę w dalszym ciągu przejmie statystyka testowa, czyli pewa wielkość obliczoa z próby. Gdy wykrywacz jest GŁOŚNO to mówimy, że wyik testu jest istoty. Defiicja: Istoty wyik powoduje odrzuceie H 0. 6
7 Gdy wykrywacz jest CICHO to wyik testu jest ieistoty i ie odrzucamy H 0. Podsumowaie aalogii Hipotezy: H 0 = ie ma pożaru, H A = pożar. tatystyka testowa: ieistota=cicho, istota=głośno. Decyzja: ie odrzucamy H 0 = zostajemy, odrzucamy H 0 = uciekamy. Błąd I rodzaju: odrzucamy H 0, choć jest prawdziwa = uciekamy, choć ie ma pożaru. Błąd II rodzaju: ie odrzucamy H 0, choć prawdziwa jest H A = zostajemy, choć jest pożar. Zauważmy, że H 0 jest bardziej precyzyja iż H A : p. gdy H A jest prawdziwa, to pożar może być dowolej wielkości. Wykrywacze dymu mają pewą ustaloą czułość reagują a określoą ilość dymu w powietrzu. Jeżeli wykrywacz jest zbyt czuły, to będzie często powodował fałszywe alarmy błędy I rodzaju. Jeżeli ie jest dość czuły, to ie będzie się włączał, kiedy potrzeba błędy II rodzaju. Zwiększając czułość zmiejszamy prawdopodobieństwo błędu II rodzaju, ale zwiększamy prawdopodobieństwo błędu I rodzaju. Dobór czułości testu powiie zależeć od kosekwecji błędów! Jak opisać czułość testu? Poziom istotości to prawdopodobieństwo popełieia błędu I rodzaju. Poziom istotości powio się ustalić jeszcze przed przeprowadzeiem eksperymetu. Moc testu to dopełieie do jedości prawdopodobieństwa popełieia błędu II rodzaju. Moc testu zwykle dużo trudiej obliczyć iż poziom istotości. m Hipoteza zerowa H 0 Zwykle prosta, to zaczy taka, która jedozaczie określa dystrybuatę rozkład zmieej losowej. Często parametrycza tz. dotycząca wielkości jakiegoś parametru zmieej, a przykład średiej albo wariacji. Będziemy ją odrzucali albo ie. Aby kotrolować błąd I rodzaju ależy zać rozkład statystyki testowej przy założeiu hipotezy H 0. Hipoteza alteratywa H A W jakimś sesie przeciwa do H 0. Na ogół bardziej ogóla iż H 0 p. iezay rozmiar pożaru Odrzuceie H 0 ozacza, że wierzymy w H A. Nie odrzuceie H 0 ozacza, że ie mamy dość silych dowodów przemawiających za H A. Nie jest to to samo co udowodieie prawdziwości H 0 tego a ogół ie potrafimy zrobić za pomocą statystyki. 7
8 Przykład Załóżmy, że mamy próbę z populacji o rozkładzie ormalym. Niech m iezae ozacza jego średią. Chcemy przetestować hipotezę przeciw alteratywie H 0 : m = 5 H A : m 5. Jak testować taka hipotezę? Możemy skostruować przedział ufości dla m w oparciu o dae. Taki przedział ufości powiie zawierać m. Zatem jeżeli przedział ufości ie zawiera 5, to odrzucimy H 0 a korzyść H A. Jeżeli przedział ufości zawiera 5, to ozacza, że ie możemy odrzucić H 0. Poieważ jedak przedział ufości zawiera także wiele iych wartości iż 5, zatem ie mamy wystarczających podstaw, aby twierdzić, że H 0 jest prawdziwa. Testowaie hipotezy Przedział ufości a poziomie 1 α jest day wzorem gdy ie zamy σ, to korzystamy z rozkładu t-tudeta: prawdzamy, czy zawiera o liczbę 5. X t α/2 ; X + tα/2 1 1 Rówoważie, wystarczy wyzaczyć statystykę testową X m 1 i sprawdzić, czy zawiera się oa w przedziale t α/2 ; t α/2. Jeżeli tak, to statystyka jest ieistota i ie odrzucamy H 0. Jeżeli ie, to statystyka jest istota i odrzucamy H 0. Zbiór, t α/2 t α/2, azywamy obszarem krytyczym obszarem odrzuceń. Jeżeli wartość statystyki testowej zajdzie się w obszarze krytyczym, to odrzucamy H 0. Róże postacie hipotezy alteratywej W aszym przykładzie zbiorem krytyczym jest suma, t α/2 t α/2,. Postępujemy tak, poieważ H A : m 5, jest symetrycza iekierukowa. Jesteśmy zaiteresowai zarówo alteratywami dla których m < 5 jak i m > 5. Czasami rozważamy alteratywy kierukowe, takie jak H A : m > 5. W tym przypadku obszar krytyczy ma postać t α,. W przypadku alteratywy kierukowej H A : m < 5 obszar krytyczy ma postać, t α. Przykład Czy średia prędkość aut a ulicy Legickiej jest rówa 50 km/h? Decyzja o rodzaju hipotezy alteratywej kierukowa lub ie powia być podjęta zaim spojrzymy a dae liczbowe zebrae dla jej weryfikacji. Może być atomiast podjęta a podstawie iych, p. historyczych daych lub a podstawie profilu zaiteresowań, ogólych oczekiwań itp. 8
9 H 0 : m = 50 km/h. H A : m > 50 km/h. Dae liczbowe Dae fikcyje: przypuśćmy, że zmierzoo średią prędkość 10 samochodów i otrzymao X = 61 km/h oraz = 5, 5. Czy a poziomie istotości 0,95 te dae przeczą hipotezie H 0? A gdyby te wyiki pochodziły tylko z 5 prób, a poziom istotości wyosił 0,995? Rozwiązaie Poieważ używamy 2, bo ie zamy σ 2, więc korzystamy z rozkładu tudeta: statystyka t = X m 1 ma rozkład t-tudeta o 1 stopiach swobody. W aszym zadaiu: Przy założeiu prawdziwości hipotezy H 0 mamy m = 50, więc statystyka przyjmuje wartość t = = 6. 5, 5 Obszar krytyczy jest jedostroy, więc dla 9 stopi swobody odczytujemy z tablic t α =1,8331. Wartość statystyki wpada w obszar krytyczy 1, 8331;, więc H 0 odrzucamy. Rozwiązaie Gdyby było tylko 5 prób, to t = = 4. 5, 5 Dla 4 stopi swobody i poziomu 0,995 odczytujemy z tablic t α =4,6041, więc ie ma podstaw do odrzuceia hipotezy H 0. kąd ta różica: poprzedio odrzucamy, a teraz ie ma podstaw do odrzuceia? 9
Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2
Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowoMetoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona)
Wykład 7 Dwie iezależe próby Częto porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekartwo a placebo Pacjeci biorący dwa podobe lekartwa Mężczyźi a kobiety Dwie
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoParametryczne Testy Istotności
Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać
Bardziej szczegółowoPODSTAWY BIOSTATYSTYKI ĆWICZENIA
PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoTESTY LOSOWOŚCI. Badanie losowości próby - test serii.
TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoEstymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)
IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym
Bardziej szczegółowoStatystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste
Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1
KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę
Bardziej szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowoL.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3
L.Kowalski zadaia ze statystyki matematyczej-zestaw 3 ZADANIA - ZESTAW 3 Zadaie 3. Cecha X populacji ma rozkład N m,. Z populacji tej pobrao próbę 7 elemetową i otrzymao wyiki x7 = 9, 3, s7 =, 5 a Na poziomie
Bardziej szczegółowoPorównanie dwu populacji
Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoEstymacja parametrów populacji
Estymacja parametrów populacji Estymacja parametrów populacji Estymacja polega a szacowaiu wartości parametrów rozkładu lub postaci samego rozkładu zmieej losowej, a podstawie próby statystyczej. Estymacje
Bardziej szczegółowo1 Testy statystyczne. 2 Rodzaje testów
1 Testy statystycze Podczas sprawdzaia hipotez statystyczych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ a odrzuceiu hipotezy zerowej (H 0 ), gdy jest oa prawdziwa, czyli
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności
Estymacja przedziałowa - przedziały ufości Próbę -elemetową charakteryzujemy jej parametrami (p. x, s, s ). Służą oe do ocey wartości iezaych parametrów populacji (m, σ, σ). Nazywamy je estymatorami puktowymi
Bardziej szczegółowoPodstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja
Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoANALIZA DANYCH DYSKRETNYCH
ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoStatystyka. Katarzyna Chudy Laskowska
Statystyka Katarzya Chudy Laskowska http://kc.sd.prz.edu.pl/ WNIOSKOWANIE STATYSTYCZNE Celem aalizy statystyczej ie jest zwykle tylko opisaie (prezetacja) posiadaych daych, czyli tzw. próby statystyczej.
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoEstymacja przedziałowa:
Estymacja przedziałowa: Zamiast szukad ajlepszego estymatora, tak jak w estymacji puktowej będziemy poszukiwad przedziału, do którego będzie ależał szukay parametr z odpowiedio dużym prawdopodobieostwem.
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 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 szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowon n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc
5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowoĆwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona
Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów
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 szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoµ = Test jest następujący: jeŝeli X > 0.01 to odrzucamy H. 0
7. Testowaie hipotez statystyczych 7. Populacja ma rozkład ciągły opisay fukcją gęstości f ( x) ( + ) x dla x [,]. Testowaa jest hipoteza, Ŝe wobec hipotezy alteratywej, Ŝe. Wioskujemy a podstawie jedoelemetowej
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoWykład 10 Wnioskowanie o proporcjach
Wykład 0 Wioskowaie o roorcjach. Wioskowaie o ojedyczej roorcji rzedziały ufości laowaie rozmiaru róby dla daego margiesu błędu test istotości dla ojedyczej roorcji Uwaga: Będziemy aalizować roorcje odobie
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowo1 Dwuwymiarowa zmienna losowa
1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla
Bardziej szczegółowoĆwiczenie 2 ESTYMACJA STATYSTYCZNA
Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej
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 szczegółowoRozkład χ 2 = + 2π 2. Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej:
Rozkład χ Niech ziea losowa a rozkład oralyn(; µ,). Zajdziey rozkład zieej: µ Stadaryzjąc zieą losową µ otrzyjey stadaryzoway rozkład Gassa: ( ;, ) ep N 0 π Rozkład zieej a więc postać: d ( X + ) N N ep
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoSIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY
SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Weryfikacja hipotez statystycznych Statystyka i demografia PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY
Bardziej szczegółowoStatystyka opisowa. () Statystyka opisowa 24 maja / 8
Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów
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 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 szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej 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 szczegółowoSłowniczek Hipoteza statystyczna Hipoteza parametryczna Hipoteza nieparametryczna Hipoteza zerowa Hipoteza alternatywna Błąd pierwszego rodzaju
Słowiczek Hipoteza statystycza jakiekolwiek przypuszczeie dotyczące rozkładu populacji geeralej Hipoteza parametrycza hipoteza statystycza precyzująca wartość parametru w rozkładzie populacji geeralej
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 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 szczegółowoχ 2 = + 2π 2 Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej: σ
χ Niech ziea losowa a rozkład oralyn(; µ,). Zajdziey rozkład zieej: µ Stadaryzjąc zieą losową µ otrzyjey stadaryzoway rozkład Gassa: ( ;, ) ep N 0 π Rozkład zieej a więc postać: d ( X + ) N N ep d π Rozważy
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Estymacja puktowa i przedziałowa Marta Zalewska Zakład Profilaktyki Zagrożeń Środowiskowych i Alergologii Populacja Próba losowa (próbka) Parametry rozkładu Estymatory (statystyki) Własości estymatorów
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 szczegółowoZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie
WNIOSKOWANIE STATYSTYCZNE ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzeie,, S P przestrzeń probabilistycza (matematyczy model zjawiska losowego), zbiór wszystkich zdarzeń elemetarych, S zbiór zdarzeń, (podzbiory
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
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 szczegółowoSIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY
SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY Weryfikacja hipotez statystyczych WNIOSKOWANIE STATYSTYCZNE Wioskowaie statystycze, to proces uogóliaia wyików uzyskaych a podstawie próby a całą
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
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 szczegółowoStatystyka w rozumieniu tego wykładu to zbiór metod służących pozyskiwaniu, prezentacji, analizie danych.
Statystyka w rozumieiu tego wykładu to zbiór metod służących pozyskiwaiu, prezetacji, aalizie daych. Celem geeralym stosowaia tych metod, jest otrzymywaie, a podstawie daych, użyteczych uogólioych iformacji
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
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 szczegółowoMiary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.
MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,
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 szczegółowo2.1. Studium przypadku 1
Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.
Bardziej szczegółowoZDARZENIE ELEMENTARNE to możliwy wynik doświadczenia losowego. Wszystkie takie możliwe wyniki tworzą zbiór zdarzeń elementarnych.
STATYSTYKA to auka, której przedmiotem zaiteresowaia są metody pozyskiwaia i prezetacji, a przede wszystkim aalizy daych opisujących zjawiska masowe. Metody statystycze oparte są a rachuku prawdopodobieństwa.
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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test
Bardziej szczegółowoZADANIA NA ĆWICZENIA 3 I 4
Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowo1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,
1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =
Bardziej szczegółowo