O ŚREDNIEJ STATYSTYCZNEJ
|
|
- Aneta Szulc
- 4 lat temu
- Przeglądów:
Transkrypt
1 Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, IX 2009 r.
2 WYNIKI OBSERWACJI X 1, X 2,..., X n
3 WYNIKI OBSERWACJI X 1, X 2,..., X n Model statystyczny: X i = µ + ε i, i = 1, 2,..., n
4 WYNIKI OBSERWACJI X 1, X 2,..., X n Model statystyczny: X i = µ + ε i, i = 1, 2,..., n µ
5 UŚREDNIENIE X = 1 n X j n j=1
6 UŚREDNIENIE X = 1 n X j n j= X. µ
7 UZASADNIENIE średnia X minimalizuje względem µ funkcję n j=1 (X i µ) 2
8 astronomia, metrologia, geodezja,... ROZKŁAD NORMALNY N(µ, σ 2 ) ϕ(x) = 1 σ 2π exp { 1 2 ( ) x µ 2 } σ
9 Funkcja charakterystyczna rozkładu normalnego N(µ, σ): φ X (t) = exp{iµt 1 2 σ2 t 2 } Funkcja charakterystyczna średniej X = n j=1 X j /n: φ X (t) = exp{iµt 1 ( ) σ 2 t 2 } 2 n
10 Funkcja charakterystyczna rozkładu normalnego N(µ, σ): φ X (t) = exp{iµt 1 2 σ2 t 2 } Funkcja charakterystyczna średniej X = n j=1 X j /n: φ X (t) = exp{iµt 1 ( ) σ 2 t 2 } 2 n Inne rozkłady?
11 Rozkłady o trochę tłuściejszych ogonach:
12 TŁUSTE OGONY - rozmiar finansowej odpowiedzialności ubezpieczyciela w związku z wypadkami losowymi jego klientów przy ubezpieczeniu OC, AC oraz od wypadków przy pracy
13 TŁUSTE OGONY - rozmiar finansowej odpowiedzialności ubezpieczyciela w związku z wypadkami losowymi jego klientów przy ubezpieczeniu OC, AC oraz od wypadków przy pracy - wielkość plików przesyłanych w internecie
14 TŁUSTE OGONY - rozmiar finansowej odpowiedzialności ubezpieczyciela w związku z wypadkami losowymi jego klientów przy ubezpieczeniu OC, AC oraz od wypadków przy pracy - wielkość plików przesyłanych w internecie - pojemność złóż ropy naftowej
15 TŁUSTE OGONY - rozmiar finansowej odpowiedzialności ubezpieczyciela w związku z wypadkami losowymi jego klientów przy ubezpieczeniu OC, AC oraz od wypadków przy pracy - wielkość plików przesyłanych w internecie - pojemność złóż ropy naftowej - rozmiary osiedli ludzkich
16 TŁUSTE OGONY - rozmiar finansowej odpowiedzialności ubezpieczyciela w związku z wypadkami losowymi jego klientów przy ubezpieczeniu OC, AC oraz od wypadków przy pracy - wielkość plików przesyłanych w internecie - pojemność złóż ropy naftowej - rozmiary osiedli ludzkich - tzw. zwroty w operacjach giełdowych
17 ROZKŁAD CAUCHY EGO (Lorenza, Breita-Wignera) Ca(µ, λ) g(y) = 1 π Funkcja charakterystyczna: λ λ 2 + (y µ) 2, G(y) = π arctg y µ λ φ Y (t) = exp{iµt λt }
18 ROZKŁAD CAUCHY EGO (Lorenza, Breita-Wignera) Ca(µ, λ) g(y) = 1 π Funkcja charakterystyczna: λ λ 2 + (y µ) 2, G(y) = π arctg y µ λ φ Y (t) = exp{iµt λt } Funkcja charakterystyczna średniej Y = n j=1 Y j /n:
19 ROZKŁAD CAUCHY EGO (Lorenza, Breita-Wignera) Ca(µ, λ) g(y) = 1 π Funkcja charakterystyczna: λ λ 2 + (y µ) 2, G(y) = π arctg y µ λ φ Y (t) = exp{iµt λt } Funkcja charakterystyczna średniej Y = n j=1 Y j /n: φ Y (t) = exp{iµt λt }
20 ROZKŁAD CAUCHY EGO ROZKŁAD ŚREDNIEJ ARYTMETYCZNEJ Z PRÓBY JEST TAKI SAM JAK ROZKŁAD POJEDYNCZEJ OBSERWACJI
21 Ogólniej: SYMETRYCZNE ROZKŁADY α-stabilne exp{iµt λt α }
22 Ogólniej: SYMETRYCZNE ROZKŁADY α-stabilne exp{iµt λt α } ( exp{iµ t n λ t n α }) n = exp{iµt n 1/α 1 λt α } α=2 rozkład normalny; α=1 rozkład Cauchy ego
23 rozk lad pojedynczej obserwacji rozk lad średniej
24 MEDIANA Mediana M minimalizuje względem µ funkcję n j=1 X i µ
25 MEDIANA Próba: X 1, X 2,..., X n Statystyki pozycyjne: X 1:n, X 2:n,..., X n:n X 1:n X 2:n... X n:n
26 MEDIANA Wyniki obserwacji: X 1, X 2,..., X 2n+1 Mediana z próby: X n+1:2n+1 (2n + 1)! ( nf (n!) 2 F (x)[1 F (x)]) (x)
27 n= n=5 0.2 n= µ = 2.
28 Mediana z próby X 1, X 2,..., X n M n = 1 2 ( X n 2 :n + X n 2 +1:n ), jeżeli n jest parzyste, X [ n+1 2 ]:n, jeżeli n jest nieparzyste
29 Efektywność mediany w rozkładzie N(0, 1) e(n) = Var(X n) Var(M n )
30 Efektywność mediany w rozkładzie N(0, 1) e(n) = Var(X n) Var(M n ) n e(n)
31 Efektywność mediany w rozkładzie U(0, 1)
32 Efektywność mediany w rozkładzie U(0, 1) n e(n)
33 Szacowanie µ w rozkładzie normalnym: X ± 2 σ n lub X ± 2 S
34 Szacowanie µ w rozkładzie normalnym: X ± 2 σ n lub X ± 2 S Szacowanie µ w symetrycznym rozkładzie α-stabilnym (ogólniej?): Mediana z próby ±???
35 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji
36 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji Ogólniej: liniowy estymator kwantyla rzędu q (L-statystyka) c 1 X 1:n + c 2 X 2:n c n X n:n
37 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji Ogólniej: liniowy estymator kwantyla rzędu q (L-statystyka) c 1 X 1:n + c 2 X 2:n c n X n:n Efektywne konstrukcje w modelach z parametrem położenia
38 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji Ogólniej: liniowy estymator kwantyla rzędu q (L-statystyka) c 1 X 1:n + c 2 X 2:n c n X n:n Efektywne konstrukcje w modelach z parametrem położenia Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane
39 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji Ogólniej: liniowy estymator kwantyla rzędu q (L-statystyka) c 1 X 1:n + c 2 X 2:n c n X n:n Efektywne konstrukcje w modelach z parametrem położenia Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Estymacja kwantyla?
40 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji Ogólniej: liniowy estymator kwantyla rzędu q (L-statystyka) c 1 X 1:n + c 2 X 2:n c n X n:n Efektywne konstrukcje w modelach z parametrem położenia Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Estymacja kwantyla? Niesymetryczne F,
41 Mediana z próby parzystej jest najczęściej definiowana jako średnia arytmetyczna dwóch środkowych obserwacji Ogólniej: liniowy estymator kwantyla rzędu q (L-statystyka) c 1 X 1:n + c 2 X 2:n c n X n:n Efektywne konstrukcje w modelach z parametrem położenia Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Estymacja kwantyla? Niesymetryczne F, V@R
42 Liniowy estymator nieobciążony o minimalnej wariancji: C = M 1 R ( ) ( ) 1 R T M 1 F R 1 (q) 1 E F X 1:n 1 R =......, M i,j = Cov F (X i:n, X j:n ) E F X n:n 1
43 Liniowy estymator nieobciążony o minimalnej wariancji: C = M 1 R ( ) ( ) 1 R T M 1 F R 1 (q) 1 E F X 1:n 1 R =......, M i,j = Cov F (X i:n, X j:n ) E F X n:n 1 Minimalna wariancja: Var L (q, n) = ( ) F 1 T ( ) (q) ( ) 1 R T M 1 F R 1 (q) 1 1
44 Liniowy estymator nieobciążony o minimalnej wariancji: C = M 1 R ( ) ( ) 1 R T M 1 F R 1 (q) 1 E F X 1:n 1 R =......, M i,j = Cov F (X i:n, X j:n ) E F X n:n 1 Minimalna wariancja: Var L (q, n) = ( ) F 1 T ( ) (q) ( ) 1 R T M 1 F R 1 (q) 1 1 Var L (q, n + 1) < Var L (q, n)???
45 Przykład: Estymacja kwantyla rzędu q rozkładu normalnego: (Var UMVU (q, 5),Var L (q, 5)) = , , , = dla q = , , ,
46 Przykład: Estymacja mediany rozkładu Cauchy ego: c 3 X 3:n + c 4 X 4:n c n 2 X n 2:n Liniowy estymator nieobciążony o minimalnej wariancji: C = M 1 R ( ) ( ) 1 R T M 1 0 R 1 E F X 3:n 1 R = M i,j = Cov F (X i:n, X j:n ) E F X n 2:n 1
47 BŁĄD OSZACOWANIA: Szacowanie µ w rozkładzie normalnym: X ± 2 σ n lub X ± 2 S
48 BŁĄD OSZACOWANIA: Szacowanie µ w rozkładzie normalnym: X ± 2 σ n lub X ± 2 S Szacowanie µ w symetrycznym rozkładzie α-stabilnym (ogólniej?): Mediana z próby ±??? Szacowanie µ w modelu z parametrem położenia L statystyka ±???
49 Duży model nieparametryczny : rodzina F wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach na prostej
50 Duży model nieparametryczny : rodzina F wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach na prostej Mediana z próby pochodzącej z rozkładu F jako estymator mediany m(f ) tego rozkładu
51 Duży model nieparametryczny : rodzina F wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach na prostej Mediana z próby pochodzącej z rozkładu F jako estymator mediany m(f ) tego rozkładu Twierdzenie. Dla każdego C > 0 istnieje taki rozkład F F, że Med F ( ) X n 2 :n + X n 2 +1:n 2 m(f ) > C
52 Duży model nieparametryczny : rodzina F wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach na prostej Mediana z próby pochodzącej z rozkładu F jako estymator mediany m(f ) tego rozkładu Twierdzenie. Dla każdego C > 0 istnieje taki rozkład F F, że Med F ( ) X n 2 :n + X n 2 +1:n 2 m(f ) > C TWIERDZENIE JEST PRAWDZIWE DLA WSZYSTKICH NIETRYWIALNYCH L-STATYSTYK!
53 Duży model nieparametryczny F Rodzina wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach Jeżeli X ma rozkład F z rodziny F i jeżeli g : R 1 R 1 jest przekształceniem monotonicznym, to zmienna losowa g(x ) też ma rozkład z rodziny F
54 Duży model nieparametryczny F Rodzina wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach Jeżeli X ma rozkład F z rodziny F i jeżeli g : R 1 R 1 jest przekształceniem monotonicznym, to zmienna losowa g(x ) też ma rozkład z rodziny F Jeżeli X ma rozkład F F z medianą m(f ) i jeżeli g : R 1 R 1 jest przekształceniem monotonicznym, to zmienna losowa g(x ) ma rozkład z medianą g(m(f )).
55 Duży model nieparametryczny F Rodzina wszystkich rozkładów o ciągłych i ściśle rosnących dystrybuantach Jeżeli X ma rozkład F z rodziny F i jeżeli g : R 1 R 1 jest przekształceniem monotonicznym, to zmienna losowa g(x ) też ma rozkład z rodziny F Jeżeli X ma rozkład F F z medianą m(f ) i jeżeli g : R 1 R 1 jest przekształceniem monotonicznym, to zmienna losowa g(x ) ma rozkład z medianą g(m(f )). Jeżeli X ma rozkład F F z kwantylem x q (F ) rzędu q i jeżeli g : R 1 R 1 jest przekształceniem monotonicznym, to zmienna losowa g(x ) rozkład z kwantylem rzędu q równym g(x q (F )).
56 Postulat pod adresem estymatora mediany (kwantyla): Jeżeli T jest nieobciążonym estymatorem mediany (kwantyla rzędu q) zmiennej losowej X, to g(t ) jest nieobciążonym estymatorem mediany (kwantyla rzędu q) zmiennej losowej g(x )
57 Postulat pod adresem estymatora mediany (kwantyla): Jeżeli T jest nieobciążonym estymatorem mediany (kwantyla rzędu q) zmiennej losowej X, to g(t ) jest nieobciążonym estymatorem mediany (kwantyla rzędu q) zmiennej losowej g(x ) Nieobciążony?
58 Estymacja kwantyla x q (F ) rzędu q rozkładu F. Konstrukcja medianowo nieobciążonego estymatora o maksymalnej koncentracji:
59 P {T x} x q. x
60 Definiujemy π k (q) = P F {X k:n x q (F )} = n j=k Wybieramy k takie, że π k (q) 1 2 > π k+1(q) Obliczamy λ k = 1 2 π k+1(q) π k (q) π k+1 (q) ( ) n q j (1 q) n j j Medianowo nieobciążony estymator o maksymalnej koncentracji ma postać T = X J :n, P{J =k}=λ k, P{J =k +1}=1 λ k
61 Estymacja mediany (q = 1/2) π k ( 1 2 ) = 1 2 n n ( n ) j j=k 1 ( ), n = 2m + 1, 1 2 π m+1 = ( 2m ), n = 2m 2 2m m X m+1, n = 2m + 1 Estymator = 1 (0,0.5] (R)X m + 1 (0.5,1) (R)X m+1, n = 2m R U(0, 1)
62 BŁĄD OSZACOWANIA Szacowanie µ w rozkładzie normalnym: X ± 2 σ n lub X ± 2 S
63 BŁĄD OSZACOWANIA Szacowanie µ w rozkładzie normalnym: X ± 2 σ n lub X ± 2 S Szacowanie µ w symetrycznym rozkładzie α-stabilnym (ogólniej?): Mediana z próby ±??? Szacowanie µ w modelu z parametrem położenia: L statystyka ±??? Szacowanie kwantyla w podstawowym modelu nieparametrycznym: Nieobciążony estymator o maksymalnej koncentracji±???
64 PODSUMOWANIE
65 PODSUMOWANIE Rozkład normalny
66 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne)
67 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane
68 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana
69 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana Model nieparametryczny: rodzina wszystkich rozkładów, które mają pierwszy (dwa pierwsze) momenty
70 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana Model nieparametryczny: rodzina wszystkich rozkładów, które mają pierwszy (dwa pierwsze) momenty Podstawowy model nieparametryczny: rodzina wszystkich rozkładów o ciągłych i ściśle rosnących (lokalnie) dystrybuantach
71 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana Model nieparametryczny: rodzina wszystkich rozkładów, które mają pierwszy (dwa pierwsze) momenty Podstawowy model nieparametryczny: rodzina wszystkich rozkładów o ciągłych i ściśle rosnących (lokalnie) dystrybuantach Estymatory medianowo nieobciążone o maksymalnej koncentracji
72 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana Model nieparametryczny: rodzina wszystkich rozkładów, które mają pierwszy (dwa pierwsze) momenty Podstawowy model nieparametryczny: rodzina wszystkich rozkładów o ciągłych i ściśle rosnących (lokalnie) dystrybuantach Estymatory medianowo nieobciążone o maksymalnej koncentracji Teoria ENMW, MSE, MAD,...
73 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana Model nieparametryczny: rodzina wszystkich rozkładów, które mają pierwszy (dwa pierwsze) momenty Podstawowy model nieparametryczny: rodzina wszystkich rozkładów o ciągłych i ściśle rosnących (lokalnie) dystrybuantach Estymatory medianowo nieobciążone o maksymalnej koncentracji Teoria ENMW, MSE, MAD,... BŁĄD OSZACOWANIA
74 PODSUMOWANIE Rozkład normalny Symetryczne rozkłady α-stabilne (rozkłady symetryczne) Modele statystyczne z parametrem położenia: X = µ + ε, µ nieznane, ε F, F znane Modele statystyczne z parametrami położenia i skali, skala nieznana Model nieparametryczny: rodzina wszystkich rozkładów, które mają pierwszy (dwa pierwsze) momenty Podstawowy model nieparametryczny: rodzina wszystkich rozkładów o ciągłych i ściśle rosnących (lokalnie) dystrybuantach Estymatory medianowo nieobciążone o maksymalnej koncentracji Teoria ENMW, MSE, MAD,... BŁĄD OSZACOWANIA ;)
O ŚREDNIEJ STATYSTYCZNEJ
O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoO średniej arytmetycznej i medianie
MATEMATYKA STOSOWANA TOM 11/5 010 Ryszard Zieliński Warszawa) O średniej arytmetycznej i medianie Streszczenie. Mierząc pewną wielkość μ długość, ciężar, temperaturę...) otrzymujemy wynik X, zwykle różniący
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
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 MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej 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 szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
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 szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
22 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
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 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 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 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 III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej 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 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 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 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 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 szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej 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 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 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej 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 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 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 szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoMetoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014
Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.
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 szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej 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 szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoMetoda reprezentacyjna
Metoda reprezentacyjna Stanisław Jaworski Katedra Ekonometrii i Statystyki Zakład Statystyki Populacja, cecha, parametr, próba Metoda reprezentacyjna Przedmiotem rozważań metody reprezentacyjnej są metody
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoRozkłady statystyk z próby. Statystyka
Rozkłady statystyk z próby tatystyka Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających ten
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
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 szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
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 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 szczegółowoEstymatory kwantylowe i estymacja kwantyli
Tomasz Rychlik Instytut Matematyczny PAN Chopina 12, 87 100 Toruń e-mail: trychlik@impan.gov.pl XXXVIII Konferencja Statystyka Matematyczna Sesja poświȩcona pamiȩci prof. Ryszarda Zielińskiego Wisła, 3
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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
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 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 szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoWYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowox x 0.5. x Przykłady do zadania 4.1 :
Rachunek prawdopodobieństwa MAP5 Wydział Elektroniki, rok akad. /, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 4: Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa.
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 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 szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoWykład 10 Testy jednorodności rozkładów
Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków
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 szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej 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 szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
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 szczegółowoWstęp do probabilistyki i statystyki. Wykład 4. Statystyki i estymacja parametrów
Wstęp do probabilistyki i statystyki Wykład 4. Statystyki i estymacja parametrów dr hab.inż. Katarzyna Zakrzewska, prof.agh, Katedra Elektroniki, WIET AGH Wstęp do probabilistyki i statystyki. Wykład 4
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 szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoR ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych
R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Bardziej szczegółowoRozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26
Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych
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 szczegółowoDokładne i graniczne rozkłady statystyk z próby
Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,
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 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 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 szczegółowo