Fundamentals of Biostatistics. Brooks/Cole CENGAGE Learning, 2011
|
|
- Kamila Świątek
- 5 lat temu
- Przeglądów:
Transkrypt
1 Bernard Rosner Fundamentals of Biostatistics Brooks/Cole CENGAGE Learning, D.Makowiec: Biostatystka 1 Prof. Danuta Makowiec Instytut Fizyki Teoretycznej i Astrofizyki, UG Kontakt: pok. 353, tel.: , danuta.makowiec at gmail.com 1
2 natura danych i obraz statystyki Statystyka to badanie zestawu, zbioru, kolekcji. To analiza, interpretacja, prezentacja i organizacja danych Używamy statystyki by przewidywać zjawiska w całym zestawie, chociaż używamy jedynie próby z elementów zestawu. Używamy statystyki, by ocenić niepewność danych. Biostatystyka to gałąź statystyki stosowanej służąca medycznym i biologicznym problemom. D.Makowiec: Biostatystka 3 natura danych i obraz statystyki Populacja statystyczna : zbiorowość ( zestaw elementów) na jakiej prowadzi się badania statystyczne. Zazwyczaj nie znamy prawdziwego składu populacji. Populacje opisujemy poprzez parametry. D.Makowiec: Biostatystka 4 2
3 natura danych i obraz statystyki Próba to podzbiór elementów populacji. Będziemy testować hipotezy co do parametrów populacji, opierając się na własnościach próby. Próby będą opisywane poprzez oszacowania pobranych danych. D.Makowiec: Biostatystka 5 Idealna próba powinna być bez inklinacji oraz posiadać niski błąd próbkowania inklinacja (bias): systematyczne odchylenie oszacowania (próba) od wartości parametru (populacja) wysoka inklinacja: oszacowanie niecelne duży rozrzut: oszacowanie nieprecyzyjne inklinacja i duży rozrzut Próba powinna być losowa: każdy element populacji ma równą szansę bycia wylosowanym D.Makowiec: Biostatystka 6 3
4 Badacz wybiera pierwszych 58 studentów - ochotników, którzy zgłosili się do badań. Program komputerowy numeruje wszystkich mieszkańców pewnej społeczności, a następnie wykorzystując generator liczb losowych wybiera 26 mieszkańców. Badacz wstrząsa wielokrotnie pudłem zawierającym identycznego rozmiaru kule, a następnie wybiera pierwsze trzy, które z pudła wypadły. Badacz wybiera do badań wszystkich uczestników, których pierwsza litera imienia zaczyna się na A, B, K, M lub O. D.Makowiec: Biostatystka 7 Badacz wybiera pierwszych 58 studentów - ochotników, którzy zgłosili się do badań. Program komputerowy numeruje wszystkich mieszkańców pewnej społeczności, a następnie wykorzystując generator liczb losowych wybiera 26 mieszkańców. Badacz wstrząsa wielokrotnie pudłem zawierającym identycznego rozmiaru kule, a następnie wybiera pierwsze trzy, które z pudła wypadły. Badacz wybiera do badań wszystkich uczestników, których pierwsza litera imienia zaczyna się na A, B, K, M lub O. D.Makowiec: Biostatystka 8 4
5 natura danych i obraz statystyki Przetworzenie zebranych w próbie danych to statystyka opisowa. Statystyka opisowa wykorzystuje narzędzia pozwalające na zwięzły opis danych numerycznie i graficznie. Pierwsze kroki eksploracji danych i analizy statystycznej to: Identyfikacja brakujących danych, danych odstających Sprawdzenie założeń zakładanego modelu statystycznego Identyfikacja trendów, które zasługują na dalsze badania D.Makowiec: Biostatystka 9 To jakie metody analizy czy wizualizacji są dostępne zależy od typu danych. Dowolna liczba rzeczywista Dane mogą być: ilościowe: ciągłe dyskretne kategoryczne: nominalne porządkowe binarne Nazwy: kolor oczu, typ genotypu Kategorie z naturalnym porządkiem Dowolna liczba naturalna, wynik zliczenia TAK/NIE PRAWDA/FAŁSZ D.Makowiec: Biostatystka 10 5
6 Przykład: stan pacjenta po szpitalnej kuracji Stan pacjenta opuszczającego szpital ocenia się w następującej skali : 1 - znacząca poprawa 2- nieznaczna poprawa 3- brak zmian 4- nieznaczne pogorszenie 5-znaczące pogorszenie Te wartości są jedynie znakowaniem zmiany od najlepszej do najgorszej. Przykład: klasyfikacja: przyczyna śmierci pacjenta: dane nominalne 1- niewydolność sercowo-oddechowa 2- rak 3-niewydolnośc nerek 4-inna przyczyna D.Makowiec: Biostatystka 11 Przykład: temperatura ciała a masa ciała Temperatura jest dana typu przedziałowego. Zero skali jest tu umowne Waga ciała jest dana typu ilorazowego. Zero jest dobrze wyznaczone. Ciało A Ciało B różnica stosunek inne jednostki różnica stosunek Waga 55 kg 50 kg 5 kg lbs lbs 11.02lbs 1.10 Temperatura 30 C 15C 15C 2 86F 27F 27F 1.46 Różnica ma jednostki! Iloraz jest liczbą bezwymiarową! D.Makowiec: Biostatystka 12 6
7 Statystyka opisowa Miary lokalizacji: średnia: mediana: przy nieparzystej liczbie obserwacji mediana to (n+1)/2 element uporządkowanych obserwacji moda: najczęściej występująca obserwacja Co wybrać : medianę czy średnią, by opisać lokalizację tych danych Miary rozrzutu: odchylenia standardowe (wariancja) odstęp interkwartylowy zakres D.Makowiec: Biostatystka 13 symetryczny lewoskośny prawoskośny Średnia ulega przeciągnięciu w kierunku skośności Uwaga: jeśli nie umiemy zdecydować co jest lepsze mediana czy średniawybieramy medianę D.Makowiec: Biostatystka (14) 7
8 Statystyka opisowa pomiar oszacowanie dla próby parametr populacji średnia Odchylenie standardowe σ= 1 n (x i μ) 2 n i=1 wariancja D.Makowiec: Biostatystka 15 Statystyka opisowa Dane ciągłe: Wykres częstości (histogram) Wykres gęstości (density plot) Wykres pudełkowy (box plot) Wykres skrzypcowy (violin plot) Dane dyskretne: Wykres słupkowy (bar plot) Porównanie dwóch zmiennych ciągłych Wykres punktowy (scatter plot) import numpy as np import matplotlib.pyplot as plt fs = 10 # fontsize std = 1 pos = [1] data = [np.random.normal(0, std, size=1000)] plt.figure() plt.hist(data, bins = 21) plt.figure() plt.violinplot(data, pos, points=1000, widths=0.3, showmeans=true, showextrema=true, showmedians=true) plt.title('violinplot', fontsize=fs) plt.figure() plt.boxplot(data) Trendy: Wykres liniowy D.Makowiec: Biostatystka 16 8
9 Wizualizacja danych Metoda: jądrowy estymator gęstości (KDE) jednostajny dzwonowaty asymetryczny ( skośny) dwumodalny D.Makowiec: Biostatystka 17 natura danych i obraz statystyki Wąs 95 percentyla Jak opiszesz rozkład bazując na poniższym wykresie Jego symetrie? asymmetryczny Skośność? prawoskośny Modalność? nieznana Kwartyl górny: Q 3 Średnia arytmetyczna + Mediana: kwartyl drugi: Q 2 Kwartyl dolny: Q 1 Wąs 5 percentyla Histogram, a także wykres pudełkowy ujawniają symetrie lub jej brak w uzyskanych danych. Jeśli dane są symetryczne to najlepsze miary lokalizacji to średnia arytmetyczna i wariancja (odchylenie standardowe). D.Makowiec: Biostatystka 9
10 Histogram obserwacji i odpowiadający mu wykres gęstości wyznaczony poprzez jądrowy estymator gęstości (KDE) Wykres skrzypcowy: zwierciadlane odbicie położonej krzywej KDE Możliwości: (1) wykres skrzypcowy z rozróżnieniem płci (2) wykres skrzypcowy z rozróżnieniem płci i koloru oczu (3) wykres skrzypcowy porównujący występowanie koloru oczu w różnych płciach D.Makowiec: Biostatystka (19) Miary lokalizacji danych : moda średnia arytmetyczna średnia geometryczna mediana Miary rozproszenia danych: zakres percentyle(v p kwantyle), kwartyle (Q i ) odstęp interkwartylowy (IQR) wariancja ( var= s 2 ) odchylenie standardowe ( s) Techniki graficzne prezentacji danych: rozkład częstości wykres słupkowy wykres pudełkowy wykres skrzypcowy Rodzaj danych Zalecane miary lokalizacji Zalecane miary rozproszenia nominalne moda _ porządkowe interwałowe ilorazowe moda mediana średnia moda mediana średnia moda mediana zakres s, zakres IQR s, zakres, IQR D.Makowiec: Biostatystka 20 10
11 Podstawowe pojęcia rachunku prawdopodobieństwa przestrzeń próby zdarzenie prawdopodobieństwo wzajemna rozłączność rozkład prawdopodobieństwa niezalezność D.Makowiec: Biostatystka 21 Przestrzeń prób Zbiór możliwych wyników z losowej próby Zdarzenie Dowolny podzbiór przestrzeni próby Prawdopodobieństwo Wzajemna rozłączność Rozkład prawdopodobieństwa Proporcja wystąpień zdarzenia, częstość zdarzenia przy założeniu nieskończonej liczby obserwacji Dwa zdarzenia nazywamy wzajemnie rozłącznymi (wzajemnie wykluczającymi się) jeśli nie mogą występować jednocześnie Lista prawdopodobieństw wzajemnie wykluczających się zdarzeń uzyskanych z losowej próby Niezależność Dwa zdarzenia nazywamy niezależnymi, jeżeli wystąpienie jednego z nich nie wpływa na pojawienie się drugiego. D.Makowiec: Biostatystka 22 11
12 Estymacja Testowanie hipotez D.Makowiec: Biostatystka 23 D.Makowiec: Biostatystka (24) 12
13 Dlaczego? Pomiar to taka operacja, której wyniku nie znamy przed jej wykonaniem, ale umiemy go przewidzieć. Probabilistyczne widzenia pomiaru opiera się na założeniach: (a) o istnieniu przestrzeni stanów pomiaru, przestrzeń zdarzeń elementarnych Ω, zbioru wszystkich możliwych wyników pomiaru funkcji prawdopodobieństwa P określonej na tej przestrzeni : (a) dla dowolnego pomiaru (zdarzenia) A, A, [0,1] (b) ) 1 (c) P ( A dla A B i A, B (b) częstościowym ustaleniu funkcji prawdopodobieństwa P wielokrotne powtórzenie pomiaru A, zliczenie jego wyników pozwala na ustalenie lim n n n A D.Makowiec: Biostatystka 25 Przestrzeń stanów pomiaru DBP: Ω ={0,1,2,.,89,90,91,, 500} mmhg Załóżmy, że szerokie pomiary DBP ludności pozwoliły ustalić P{ DBP= k} dla dowolnego k=0,1,2, 500 mmhg Zdarzenia elementarne wzajemnie się wykluczają Zdarzenia elementarne wyczerpują wszystkie możliwości Własności funkcji prawdopodobieństwa pozwalają na następujące obliczenia: P{ } 1 0 DBP 500) k 0 { DBP k}) DBP k) k 0 Prawdopodobieństwo zdarzenia A = { 80 DSP 90} D.Makowiec: Biostatystka A:80 DBP 90) k 80 { DBP k}) DBP k) k 80 13
14 Niech A ={ DBP <90} to ciśnienie normatywne B= { 90 DBP < 95} to ciśnienie graniczne Zdarzenia A i B są wzajemnie wykluczające się. Zdarzenia te nie mogą występować jednocześnie Niech =0.7, =0.1 Wówczas A 0. 8 Niech C ={ DBP 90} D= { 75 DBP 100} C i D nie są wzajemnie wykluczające się. C jest zdarzeniem komplementarnym do A, co oznaczamy C = ~A C) ) 0.3 Prawdopodobieństwa zdarzenia D w oparciu o posiadane dane nie umiemy obliczyć. D.Makowiec: Biostatystka 27 Niech: M={ mama ma DBP 95} T={ tata ma DBP 95} M)=0.1 T)=0.2 M T )? Zdarzenia A i B nazywamy niezależnymi jeżeli prawdopodobieństwo wystąpienia jednoczesnego obu zdarzeń jest iloczynem prawdopodobieństw tych zdarzeń: A i = Uogólnienie prawa P ( A lub interakcja Ai B dodawania Jeśli A i B są zdarzeniami z tej samej fizycznie przestrzeni probabilistycznej interakcja A i B A Jeśli przestrzenie zdarzeń A i B są różne to interakcja A i B A, Prawdopodobieństwo przekroju zbiorów Prawdopodobieństwo łączne zdarzeń D.Makowiec: Biostatystka 28 14
15 Przykład: M)=0.1 T)=0.2 nie M 95 M Ω mama nie T (nie M, nie T) (M, nie T) 95 T (nie M, T) (M, T) M, T ) M )* T ) 0.02 ~ M, T ) ~ M )* T ) 0.18 M,~ T ) M )* ~ T ) 0.08 ~ M,~ T ) ~ M )* ~ T ) 0.72 Ω tata M T) M ) T ) T ) M ) 0.28 D.Makowiec: Biostatystka 29 Definicja Zdarzenia A i B nazywamy niezależnymi, jeśli wiedza o wyniku jednego z nich nie dostarcza nowej informacji o zdarzeniu drugim. Matematycznie własność ta wyraża się jako A,= Konsekwencja: Prawo dodawania obserwacji niezależnych: Jeżeli obserwacje A i B są niezależne to A (1 ) D.Makowiec: Biostatystka 30 15
16 Prawdopodobieństwo, że chora osoba kaszle kaszle jest chora ) Prawdopodobieństwo, że osoba jest chora i kaszle kaszle i jest chora ) Prawdopodobieństwo, że kaszląca osoba jest chora jest chora kaszle ) Prawdopodobieństwo warunkowe określa prawdopodobieństwo zdarzenia przy założeniu a priori występowanie innego zdarzenia D.Makowiec: Biostatystka 31 Definicja: Prawdopodobieństwem wystąpienia zdarzenia B przy warunku, że wystąpiło zdarzenie A nazywamy wielkość: A A, B A dalej? Ω A1 B A A3 A2 B A1 A2 A3 )? D.Makowiec: Biostatystka 32 16
17 Równa nie do rozwią zania Nasiono pewnej rośliny może trafić na glebę żyzną, średnią lub słabą. Prawdopodobieństwo, że trafi na glebą żyzną to 0.3, na glebę średnią to 0.2, a słabą 0.5. Ziarno to z prawdopodobieństwem 0.8 wykiełkuje na glebie żyznej, z prawdopodobieństwem 0.3 na glebie średniej i prawdopodobieństwem 0.1 na glebie słabiej. Jakie jest prawdopodobieństwo, że ziarno wykiełkuje? P[gleba żyzna]=0.3 P[gleba średnia]=0.2 P[gleba słaba]=0.5 P[wykiełkuje gleba żyzna]=0.8 P[wykiełkuje gleba średnia] = 0.3 P[wykiełkuje gleba słaba] = 0.1 P[ziarno wykiełkuje] = P[ziarno wykiełkuje i gleba jest żyzna] + P[ziarno wykiełkuje i gleba jest średnia] + P[ziarno wykiełkuje i gleba jest słaba] = P[ziarno wykiełkuje, gleba jest żyzna] + P[ziarno wykiełkuje, gleba jest średnia] + P[ziarno wykiełkuje, gleba jest słaba] = P[ziarno wykiełkuje gleba jest żyzna] *P[gleba jest żyzna] + P[ziarno wykiełkuje gleba jest średnia] *P[gleba jest średnia] + P[ziarno wykiełkuje gleba jest słaba] * P[gleba jest słaba] = 0.8* * *0.5= 0.35 A co jeśli z prawdopodobieństwem 0.2 ziarno możne nie trafić do gleby? P[ gleba ]=0.8 P[ nie gleba ]=0.2 P[ ziarno wykiełkuje ]= P[ wykiełkuje gleba] * P[ gleba ]= 0.35 * 0.8 = 0.28 D.Makowiec: Biostatystka (33) Zestaw wyczerpujący zdarzeń wzajemnie wykluczających się : A 1, A 2, A k - jedno ze zdarzeń A 1, A 2, A k musi wystąpić - żadne dwa z nich nie może wystąpić jednocześnie Prawdopodobieństwo całkowite Dla zadanego zestawu wyczerpującego zdarzeń wzajemnie wykluczających się : A 1, A 2, A k, prawdopodobieństwo dowolnego zdarzenia B jest średnią ważoną prawdopodobieństw warunkowych zdarzenia B przy zadanym A i : k i 1 B A ) A ) i i Szczególny przypadek podziału przestrzeni stanów: A i ~A B A ) B ~ A ) ~ D.Makowiec: Biostatystka 34 17
18 Dwa zdarzenia A i B o następujących zbiorach wartości A,..., : a1, a2 ak B : b1, b2,..., bm przy czym zarówno { A ai} jak i { B bi} są zestawami zdarzeń wzajemnie rozłącznych i wyczerpujących, odpowiadających wartościom A i B, czyli 1 A { a 1 B { b,.. b }) B 1,.. ak}) A a i ) i 1.. K 1 M b i ) i 1.. M Do opisu łącznego( jednoczesnego) obu zdarzeń A i B stosujemy prawdopodobieństwo łączne { A= a i, B=b j } ) określone na iloczynie kartezjańskim wartości poszczególnych zdarzeń. Warto pamiętać, że: i, j i j a, b ) 1 i a, b ) b ) i a, b ) a ) i j j j j j Bo : wyczerpane są wszystkie możliwe wartości wyczerpane są wartości zmiennej A wyczerpane są wartości zmiennej B D.Makowiec: Biostatystka 35 Niech: B pojawienie się raka piersi w przeciągu dwóch lat po mammografii A pozytywny wynik mammografii Wiemy, że spośród kobiet z negatywnym wynikiem mammografii u 20 kobiet w przeciągu dwóch lat pojawi się rak piersi a u 1 kobiety spośród 10 z pozytywnym wynikiem mammografii pojawi się rak piersi. 7% populacji kobiet uzyskuje pozytywny wynik mammografii Jakie jest prawdopodobieństwo, pojawienia się raka piersi w przeciągu dwóch lat po mammografii? B ~ =0.0002, B = 0.1, = 0.07 =B * + B ~~ = =0.719% zachoruje na raka piersi w przeciągu dwóch lat Zdarzenia A i B są silnie zależne bo RR ( względne ryzyko) jest: def B RR( B 500 B ~ Co czytamy: Kobiety z pozytywnym wynikiem mammografii mają 500 razy większe prawdopodobieństwo zachorowania na raka w przeciągu dwóch lat niż kobiety z negatywnym wynikiem mammografii D.Makowiec: Biostatystka 36 18
Fundamentals of Biostatistics. Brooks/Cole CENGAGE Learning,
ernard Rosner Fundamentals of iostatistics rooks/cole CENGGE Learning, 2011 http://www.cengage.com/resource_uploads/downloads/0538733497_267933.pdf ntoni Lemańczyk UM oznań, oznan, 2008 Geoffry R. Norman
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoBaza dla predykcji medycznej
1 rof. Danuta Makowiec Instytut Fizyki Teoretycznej i Astrofizyki UG Kontakt: pok. 353 tel.: 58 523 2466 e-mail danuta.makowiec at gmail.com http://www.fizdm.strony.ug.edu.pl/me/biostatystyka.html Reguła
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych
STATYSTYKA MATEMATYCZNA WYKŁAD 3 Populacje i próby danych POPULACJA I PRÓBA DANYCH POPULACJA population Obserwacje dla wszystkich osobników danego gatunku / rasy PRÓBA DANYCH sample Obserwacje dotyczące
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowoStatystyka opisowa PROWADZĄCY: DR LUDMIŁA ZA JĄC -LAMPARSKA
Statystyka opisowa PRZEDMIOT: PODSTAWY STATYSTYKI PROWADZĄCY: DR LUDMIŁA ZA JĄC -LAMPARSKA Statystyka opisowa = procedury statystyczne stosowane do opisu właściwości próby (rzadziej populacji) Pojęcia:
Bardziej szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoPodstawowe pojęcia. Własności próby. Cechy statystyczne dzielimy na
Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony zbiór jednostek, które
Bardziej szczegółowoSTATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE
STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE CECHY mogą być: jakościowe nieuporządkowane - skala nominalna płeć, rasa, kolor oczu, narodowość, marka samochodu,
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoPozyskiwanie wiedzy z danych
Pozyskiwanie wiedzy z danych dr Agnieszka Goroncy Wydział Matematyki i Informatyki UMK PROJEKT WSPÓŁFINANSOWANY ZE ŚRODKÓW UNII EUROPEJSKIEJ W RAMACH EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO Pozyskiwanie wiedzy
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoPlan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii
Plan wykładu Statystyka opisowa Dane statystyczne miary położenia miary rozproszenia miary asymetrii Statystyka matematyczna Podstawy estymacji Testowanie hipotez statystycznych Żródła Korzystałam z ksiażek:
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoSTATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)
STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY) Praca z danymi zaczyna się od badania rozkładu liczebności (częstości) zmiennych. Rozkład liczebności (częstości) zmiennej to jakie wartości zmienna
Bardziej szczegółowoLaboratorium 3 - statystyka opisowa
dla szeregu rozdzielczego Laboratorium 3 - statystyka opisowa Agnieszka Mensfelt 11 lutego 2019 dla szeregu rozdzielczego Statystyka opisowa dla szeregu rozdzielczego Przykład wyniki maratonu Wyniki 18.
Bardziej szczegółowo1 n. s x x x x. Podstawowe miary rozproszenia: Wariancja z populacji: Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel:
Wariancja z populacji: Podstawowe miary rozproszenia: 1 1 s x x x x k 2 2 k 2 2 i i n i1 n i1 Czasem stosuje się też inny wzór na wariancję z próby, tak policzy Excel: 1 k 2 s xi x n 1 i1 2 Przykład 38,
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoPróba własności i parametry
Próba własności i parametry Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony
Bardziej szczegółowo1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć:
Wprowadzenie Statystyka opisowa to dział statystyki zajmujący się metodami opisu danych statystycznych (np. środowiskowych) uzyskanych podczas badania statystycznego (np. badań terenowych, laboratoryjnych).
Bardziej szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
Bardziej szczegółowoTypy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe
Typy zmiennych Graficzne reprezentacje danych Statystyki opisowe Jakościowe charakterystyka przyjmuje kilka możliwych wartości, które definiują klasy Porządkowe: odpowiedzi na pytania w ankiecie ; nigdy,
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
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 szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Statystyka to nauka zajmująca się badaniem prawidłowości w procesach masowych, to jest takich, które realizują się na dużą skalę (np. procesy
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 szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoWykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy
Wykład Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Zbiorowość statystyczna - zbiór elementów lub wyników jakiegoś procesu powiązanych ze sobą logicznie (tzn. posiadających wspólne cechy
Bardziej szczegółowoPodstawowe pojęcia statystyczne
Podstawowe pojęcia statystyczne Istnieją trzy rodzaje kłamstwa: przepowiadanie pogody, statystyka i komunikat dyplomatyczny Jean Rigaux Co to jest statystyka? Nauka o metodach ilościowych badania zjawisk
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoStatystyka matematyczna. dr Katarzyna Góral-Radziszewska Katedra Genetyki i Ogólnej Hodowli Zwierząt
Statystyka matematyczna dr Katarzyna Góral-Radziszewska Katedra Genetyki i Ogólnej Hodowli Zwierząt Zasady zaliczenia przedmiotu: część wykładowa Maksymalna liczba punktów do zdobycia 40. Egzamin będzie
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 szczegółowo12/30/2018. Biostatystyka, 2018/2019 dla Fizyki Medycznej, studia magisterskie. Estymacja Testowanie hipotez
Biostatystyka, 2018/2019 dla Fizyki Medycznej, studia magisterskie Wyznaczanie przedziału 95%CI oznaczającego, że dla 95% prób losowych następujące nierówności są prawdziwe: X t s 0.025 n < μ < X + t s
Bardziej szczegółowoStatystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl
Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoStatystyka opisowa. Literatura STATYSTYKA OPISOWA. Wprowadzenie. Wprowadzenie. Wprowadzenie. Plan. Tomasz Łukaszewski
Literatura STATYSTYKA OPISOWA A. Aczel, Statystyka w Zarządzaniu, PWN, 2000 A. Obecny, Statystyka opisowa w Excelu dla szkół. Ćwiczenia praktyczne, Helion, 2002. A. Obecny, Statystyka matematyczna w Excelu
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Prezentacja materiału statystycznego Szeroko rozumiane modelowanie i prognozowanie jest zwykle kluczowym celem analizy danych. Aby zbudować model wyjaśniający relacje pomiędzy różnymi aspektami rozważanego
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoSTATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)
STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY) Dla opisania rozkładu badanej zmiennej, korzystamy z pewnych charakterystyk liczbowych. Dzielimy je na cztery grupy.. Określenie przeciętnej wartości
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 szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład I, 22.02.2016 STATYSTYKA OPISOWA, cz. I Kwestie techniczne Kontakt: ajanicka@wne.uw.edu.pl Dyżur: strona z materiałami z przedmiotu: wne.uw.edu.pl/azylicz akson.sgh.waw.pl/~aborata
Bardziej szczegółowoWydział Inżynierii Produkcji. I Logistyki. Statystyka opisowa. Wykład 3. Dr inż. Adam Deptuła
12.03.2017 Wydział Inżynierii Produkcji I Logistyki Statystyka opisowa Wykład 3 Dr inż. Adam Deptuła METODY OPISU DANYCH ILOŚCIOWYCH SKALARNYCH Wykresy: diagramy, histogramy, łamane częstości, wykresy
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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoPo co nam charakterystyki liczbowe? Katarzyna Lubnauer 34
Po co nam charakterystyki liczbowe? Katarzyna Lubnauer 34 Def. Charakterystyki liczbowe to wielkości wyznaczone na podstawie danych statystycznych, charakteryzujące własności badanej cechy. Klasyfikacja
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka to nauka o metodach badań (liczbowo wyrażalnych) własności zbiorowości. Próba. Próba Populacja. Próba
Statystyka Opisowa Wstępna analiza danych Rodzaje prezentacji danych Miary tendencji centralnej Miary zmienności (zróżnicowania) Miara asymetrii (skośności) Miara spłaszczenia Statystyka to nauka o metodach
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoStatystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.
Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść
Bardziej szczegółowoPrzedmiot statystyki. Graficzne przedstawienie danych.
Przedmiot statystyki. Graficzne przedstawienie danych. dr Mariusz Grządziel 2 marca 2009 Populacja i próba Populacja- zbiorowość skończona lub nieskończona, w stosunku do której mają być formułowane wnioski.
Bardziej szczegółowolaboratoria 24 zaliczenie z oceną
Wydział: Psychologia Nazwa kierunku kształcenia: Psychologia Rodzaj przedmiotu: podstawowy Opiekun: dr Andrzej Tarłowski Poziom studiów (I lub II stopnia): Jednolite magisterskie Tryb studiów: Niestacjonarne
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowo-> Średnia arytmetyczna (5) (4) ->Kwartyl dolny, mediana, kwartyl górny, moda - analogicznie jak
Wzory dla szeregu szczegółowego: Wzory dla szeregu rozdzielczego punktowego: ->Średnia arytmetyczna ważona -> Średnia arytmetyczna (5) ->Średnia harmoniczna (1) ->Średnia harmoniczna (6) (2) ->Średnia
Bardziej szczegółowoAnaliza statystyczna w naukach przyrodniczych
Analiza statystyczna w naukach przyrodniczych Po co statystyka? Człowiek otoczony jest różnymi zjawiskami i próbuje je poznać, dowiedzieć się w jaki sposób funkcjonują, jakie relacje między nimi zachodzą.
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoStatystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl
Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowo(C. Gauss, P. Laplace, Bernoulli, R. Fisher, J. Spława-Neyman) Wikipedia 2008
STATYSTYKA MATEMATYCZNA - dział matematyki stosowanej oparty na rachunku prawdopodobieństwa; zajmuje się badaniem zbiorów na podstawie analizy ich części. Nauka, której przedmiotem zainteresowania są metody
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
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 szczegółowoStatystyczne metody analizy danych
Statystyczne metody analizy danych Statystyka opisowa Wykład I-III Agnieszka Nowak - Brzezińska Definicje Statystyka (ang.statistics) - to nauka zajmująca się zbieraniem, prezentowaniem i analizowaniem
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 szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoStatystyka. Podstawowe pojęcia: populacja (zbiorowość statystyczna), jednostka statystyczna, próba. Cechy: ilościowe (mierzalne),
Statystyka zbiór przetworzonych i zsyntetyzowanych danych liczbowych, nauka o ilościowych metodach badania zjawisk masowych, zmienna losowa będąca funkcją próby. Podstawowe pojęcia: populacja (zbiorowość
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 szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSTATYSTYKA POWTORZENIE. Dr Wioleta Drobik-Czwarno
STATYSTYKA POWTORZENIE Dr Wioleta Drobik-Czwarno Populacja Próba Parametry EX, µ Statystyki średnia D 2 X, δ 2 S 2 wnioskowanie DX, δ p ρ S w r...... JAK POWSTAJE MODEL MATEMATYCZNY Dane eksperymentalne
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoStatystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33
Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,
Bardziej szczegółowoSTATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;
STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; - badanie skuteczności nowego leku; - badanie stopnia zanieczyszczenia gleb metalami
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWydział Nauki o Zdrowiu. Zakład Profilaktyki Zagrożeń Środowiskowych i Alergologii Marta Zalewska
Podstawy Biostatystyki Wydział Nauki o Zdrowiu Zakład Profilaktyki Zagrożeń Środowiskowych i Alergologii Marta Zalewska Treść wykładu W1-W Statystyka opisowa. Podstawowe pojęcia statystyki. Prezentacja
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW STATYSTYKA to nauka, której przedmiotem
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
Bardziej szczegółowo