Komputerowa Analiza Danych Doświadczalnych
|
|
- Laura Kaczor
- 4 lat temu
- Przeglądów:
Transkrypt
1 Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk tel: konsultacje: poniedziałek: 0-, środa: - www: Politechnika Warszawska Wydział Fizyki Pok. 7b (wejście przez 5)
2 METODA AJWIĘKSZEJ WIARYGODOŚCI
3 Metoda największej wiarygodności Iloraz wiarygodności Do tej pory: estymacja wartości oczekiwanej, wariancji (bez wnikania jak konstruować estymatory). - p parametrów, l= l, l,...,l p - określone funkcją prawdopodobieństwa: - dla zmiennych losowych f =f x,l Przeprowadzone doświadczeń (lub pobrana próba elementowa), pojedyncze doświadczenie (pomiar wielkości x lub pobranie próby o liczebności ) może doprowadzić do uzyskania wyniku x (j). Doświadczeniu przypisujemy liczbę: x= x, x,..., x n To prawdopodobieństwo a posteriori.. Mówi ono po uzyskaniu wyniku, jakie było prawdopodobieństwo uzyskania tego właśnie wyniku (tzn. wartości x (j) ). dp j =f x j ;l dx x i ( j) < x ( j) x i ( j) +dx i ( j) i=,,..., n 3
4 Metoda największej wiarygodności Iloraz wiarygodności Dla próby (niezależnych) elementów, prawdopodobieństwo uzyskania wyniku: Wynosi: x, x,..., x dp= j= Gdy prawdopodobieństwo zależy od np. parametrów: Q= j= j= f x j ;l d x f x j ;l d x Zbiór parametrów typu pierwszego jest Q razy bardziej prawdopodobny niż zbiór parametrów typu drugiego. Jest to iloraz wiarygodności. L= j= f x j ;l d x f x j ; l d x Funkcja wiarygodności - Jest zmienną losową. 4
5 Iloraz wiarygodności - przykład Rzut asymetryczną monetą,, na podstawie uzyskanych wyników próbujemy ustalić, czy moneta należy do klasy A, czy do klasy B monet. A orzeł /3 /3 reszka /3 /3 B Próba to 5 rzutów: orzeł i 4 reszki. L A = L B = Q= L A L B =8 Z dużą dozą prawdopodobieństwa moneta należy do klasy monet A. 5
6 Metoda największej wiarygodności - ajwiększą ufnością obdarzony zbiór parametrów, którego funkcja wiarygodności osiąga maksymalną wartość. - Wyznaczenia maksimum: : przyrównać do zera pierwszą pochodną funkcji wiarygodności względem l i. - Ułatwienie obliczeń rachunkowych logarytm funkcji wiarygodności L: L ł=ln L= i= Logarytmiczna funkcja wiarygodności. ln f x j ;l L(l) L(l) l max l l 3 max l max l max l 6
7 Metoda największej wiarygodności Jeśli wektor l ma tylko jedną składową: l, należy rozwiązać równanie wiarygodności: dł ' ł '= dl =0 ł= i= x j ;l = W przypadku ogólnym, wektor l ma p składowych: dł ' dl i =0 i= d ln f x j ;l = dl d dl f x j ;l f x j ;l i=,,..., p f f ' = i= x j ;l 7
8 Powtarzanie pomiarów o różnej dokładności - przykład Pomiar danej wielkości różnymi przyrządami pomiarowymi - pomiary będą układały się wokół wartości rzeczywistej, - zakładamy, że niepewności będą miały rozkład normalny, - pojedynczy pomiar: : pobieranie próby o liczebności z rozkładu normalnego o wart. średniej i war. σ. Prawdopodobieństwo a posteriori dla uzyskanej wartości x (j) (j) : f x j ;l dx= exp x j l dx j j Dla pomiarów funkcja wiarygodności: L= j= exp x j l dx j j Logarytm funkcji wiarygodności: ł= x j l const j= j l max = Równanie wiarygodności: dł dl = x j l =0 j= j= j= x j j j Wynik najbardziej wiarygodny jest średnią ważoną pomiarów, wagi są odwrotnościami wariancji. 8
9 Oszacowanie parametru rozkładu hipergeometrycznego Jeśli estymowany parametr może przyjmować wartości dyskretne: Prawdopodobieństwo wyłowienia n ryb, z których k było zaznaczonych. wszystkich ryb, K zaznaczone: Szukane, dla którego L osiągnie maksimum. Iloraz: L k ;n, K, = K k K n k n L k ;n, K, L k ;n,k, = n k n K k L osiąga maksimum dla wartości całkowitej, najbliższej nk/k 9
10 ierówność informacyjna Jak skonstruować estymator o optymalnych własnościach? ) Estymator jest nieobciążony, jeśli wartość obciążenia B(l) wynosi 0 dla każdej próby: B l =E S l=0 ) Wariancja estymatora ma być jak najmniejsza: S minimalna Często należy szukać kompromisu między minimalnym obciążeniem, a minimalną wariancją (ze względu na fakt istnienia nierówności informacyjnej). Wariancja przybiera minimalną wartość, kiedy estymator S jest stałą (wariancja wynosi wtedy 0). Jeśli estymator Gęstość prawdopodobieństwa próby (losowej): Wartość oczekiwana: S x, x,..., x jest funkcją próby x, x,..., x f x, x,..., x ;l =f x ;l f x ;l... f x ;l,to łączna E S = S x, x,..., x f x ;l f x ;l... f x ;l dx dx...dx 0
11 ierówność informacyna, estymator o min. wariancji E S =B l l Wyrażenie można różniczkować. B ' l Można dowieść, że nierówność informacyjna: B ' l S I l Informacja próby ze względu na l. I l =E ł ' =E { f ' x ;l f x ;l } ierówność informacyjna: : związek między obciążeniem, wariancją i informacją zawartą w próbie. ie został wybrany żaden konkretny estymator, a nierówność stanowi ograniczenie od dołu dla wariancji estymatora. Jest to ograniczenie dla minimalnej wariancji (ograniczenie Cramera-Rao). Kiedy obciążenie nie zależy od l: S I l
12 Estymator o min. wariancji, estymator wystarczający Jaki jest warunek osiągnięcia minimalnej wariancji,, kiedy zachodzi wzór: Można dowieść, że kiedy: A co za tym idzie: B ' l S = I l ł= A l S E S l= ł dl=b l S C l D L=d exp B l S C l (*) Estymatory związane z funkcja wiarygodności zapewniają minimalną wariancję (zgodnie Z nierównością informacyjną) estymatory o minimalnej wariancji. Dla estymatora nieobciążonego, można dowieść, że: S = I l S = A l Jeśli zamiast relacji (*) zachodzi słabszy warunek: To S jest estymatorem wystarczającym dla l. L=g S,l c x, x,..., x
13 Estymator parametru rozkładu Poissona Rozkład Poissona: f k = k k! e Funkcja wiarygodności dla próby ł= j= k, k,..., k [k j ln ln k j! ] dł ' d =ł '= [ j= ł= k j k ]= j= [k j ] Średnia arytmetyczna k jest nieobciążonym estymatorem o minimalnej wariancji. 3
14 Estymator parametru rozkładu dwumianowego Funkcja wiarygodności dla rozkładu dwumianowego o parametrach: p = λ oraz q = p = - λ. L k ; = Otrzymujemy stąd: n! k! n k! k n k ł=ln L=k ln n k ln ln ł '= k n k = n k n n! k! n k! Średnia arytmetyczna k/n jest estymatorem o minimalnej wariancji /n 4
15 Prawo kombinacji błędów p. pomiar danej wielkości różnymi przyrządami pomiarowymi. dł dl =ł '= j= x j l j ł '= j= x j j j ł '= j= x j { j j j } S= x j j To nieobciążony estymator wartości średniej l. Ma też minimalną wariancję. j Wariancja: S = j= Prawo kombinacji niepewności lub uśrednianie niepewności w kwadratach. S = j Kiedy jest jednakowa dokładność pomiarów: x / x... x n S= x S = /n 5
16 Własności asymptotyczne estymatorów i f. wiarygodności Próba jest duża ( ). Estymator S zdefiniowany jako rozwiązanie równania wiarygodności: dł l dl =ł ' l = j= f ' x j ;l =0 f x j ;l l max Zakładając, że istnieje druga pochodna ł(l) względem l rozwijamy ł'(l) w szereg Taylora: ł ' l =ł ' l max l l max ł ' ' l max... ł ' ' l max = f ' x j ' ;l j= f x j ;l l max Wyrażenie to wartość średnia z próby; kiedy duże zastąpić można wartością oczekiwaną: { ł ' ' l max = E f ' x j ;l } f x j ;l l max ' ł ' ' l max =E ł ' ' l max = E ł l max = I l max = /b b zależy jedynie od wartości gęstości prawdopodobieństwa f i estymatora l max max. 6
17 Własności asymptotyczne estymatorów i f. wiarygodności Funkcję wiarygodności (k= const): L l =k exp{ l l max /b } Można dowieść, że: S=l max l max E S =l To nieobciążony estymator o minimalnej wariancji: l max =b = I l max = E ł ' l max = E ł ' ' l max Estymator ma ww. własności w granicznym przypadku dla dużych. Funkcja wiarygodności jest asymptotycznie normalna. Funkcja wiarygodności L(l) to miara prawdopodobieństwa, że wartość prawdziwa l 0 l=l max ± l max =l max ± l Funkcja wiarygodności asymptotycznie dąży do rozkładu normalnego; Prawdopodobieństwo tego, że wartość prawdziwa: l max l max l 0 l max l wynosi 68.3% par. l = l. 7
18 Jednoczesna estymacja kilku parametrów Mamy estymować jednocześnie p parametrów: l = (l, l,..., l p ł l i =0 i=,,..., p Otrzymamy niepewności parametrów,, a nie same parametry. ). Zgodnie z równaniami: ależy uwzględnić także korelacje między parametrami i ich niepewności. logarytmiczna funkcja wiarygodności: ł x, x,..., x ;l = i= rozwijając w szereg Taylora wokół punktu: ln f x j ; l p ł l =ł l max ł l k= l k l k max p k l max n= ł l k l max =0 k=,,..., p l max = l max,l max,...,l p max p m= ł l n l m l max l n l max n l m l max m... 8
19 Jednoczesna estymacja kilku parametrów Rozwinięcie upraszcza się: A= ł l ł l l... ł l l p ł ł ł... l l l l l p ł ł ł... l l p l l p l p l=l max ł l ł l max = l l max T A l l max... 9
20 Jednoczesna estymacja kilku parametrów Kiedy : E B=E A = ł l E ł ł... E l l l l p ł E E ł l l l... E ł l l p ł ł E E... E ł l l p l l p l p l=l max Funkcja wiarygodności: L=k exp { l l max T l l max } Ma postać p -wymiarowego rozkładu normalnego z wartością średnią l max oraz z macierzą kowariancji C = B -. Wariancje estymatorów to elementami diagonalne, a elementy pozadiagonalne opisują kowariancje poszczególnych estymatorów. Pierwiastek kwadratowy z wariancji to odchylenie standardowe. 0
21 Jednoczesna estymacja kilku parametrów Za pomocą estymatora i jego błędu możliwe jest określenie przedziału obejmującego wartość prawdziwą z prawdopodobieństwem 68.3%.. W przypadku wieloparametrowym funkcja wiarygodności to wielowymiarowy rozkład normalny, przedział ten określone jest nie tylko przez niepewności, ale poprzez pełną macierz kowariancji. Dla przypadku dwu-wymiarowego mamy do czynienia z elipsą kowariancji. Wykładnik rozkładu normalnego: l l max T B l l max = g l = {ł l ł l max } Elipsę kowariancji określa warunek: g l =={ł l ł l max } Dla innych wartości g(l) otrzymuje się inne elipsoidy ufności. Wewnątrz hiper - elipsoidy ufności obszar ufności: g l =={ł l ł l max }=const
22 Wyznaczanie wartości średniej i wariancji r. normalnego Celem jest wyznaczenie wartości parametrów λ (wartości średniej ) oraz λ (odch. standardowego) z próby o liczebności z rozkładu normalnego. (Pomiar zasięgu cząstek α w materii, który podlega rozkładowi normalnemu wokół wartości średniej). Oba parametry są estymowane. Funkcja wiarygodności: L= j= exp x j ł= x j ln const j= Układ równań wiarygodności: ł = x j =0 j= ł = 3 j= x j =0
23 Wyznaczanie wartości średniej i wariancji r. normalnego Rozwiązania: = j= x j = j= x j W celu wyznaczenia macierzy B: ł = ł = x j 3 ł = 3 x j 4 B= / 0 0 / C=B = / 0 0 / Elementy diagonalne to błędy poszczególnych parametrów: = / = / Oba parametry nie są ze sobą skorelowane. 3
24 WERYFIKACJA HIPOTEZ STATYSTYCZYCH
25 Weryfikacja hipotez statystycznych Poziom istotności określa prawdopodobieństwo popełnienia błędu I rodzaju (błąd polegający na odrzuceniu hipotezy zerowej, która w rzeczywistości jest prawdziwa) ; Maksymalny błąd, jaki jesteśmy w stanie zaakceptować ( ( = 0.0, 0.03, 0.05) Poziom ufności - określa prawdopodobieństwo wyznaczenia takiego przedziału ufności, że rzeczywista wartość parametru znajduje się w tym przedziale ufności. 5
26 Weryfikacja hipotez statystycznych - Wyznaczane są wartość parametrów, jakie nie są całkowicie nieznane. - Są pewne przypuszczenia,, co do ich wartości (przewidywania modeli, dotychczasowe wyniki). - Zadanie próby (pomiaru) to weryfikacja (test) tej hipotezy. - Procedura weryfikacji hipotez statystycznych to test statystyczny. - Pobrano 0-elementową próbę,, uzyskana średnia arytmetyczną - Założenie: : zmienna losowa pochodzi z populacji opisanej rozkładem normalnym. - Jeśli przyjmiemy hipotezę za słuszną,, zmienna losowa ma rozkład normalny z m= 0 oraz s = - Jakie jest prawdopodobieństwo zaobserwowania wartości? - Korzystając z tabel dystrybuanty rozkładu normalnego: x=0.54 x 0.54 P x 0.54 ={ }=0.6 - Gdy hipoteza prawdziwa, istnieje prawdopodobieństwo 6%, że próba o liczebności 0 może mieć wartość średnią różniącą się więcej niż o 0.54 od wartości 0 średniej z populacji. - Hipoteza jest prawdziwa czy nie? Odpowiedź musi być uzyskana w inny sposób. / 0 - Źródłem trudności jest probabilistyczny charakter wyników,, które można usunąć wprowadzając. 6
27 Weryfikacja hipotez statystycznych ) Ustalamy określoną wartość prawdopodobieństwa α. ) Zakładając, że hipoteza prawdziwa pytamy: prawdopodobieństwo, że zostaną zaobserwowane określone wartości próby < α? P x ) ierówność spełniona jest mało prawdopodobne, aby próba pochodziła z rozkładu określonego przez testowaną hipotezę statystyczną. Hipotezą odrzucamy. 4) ierówność niespełniona omawiane prawdopodobieństwo przewyższa wartość α,, nie wnioskujemy, że hipoteza jest prawdziwa, lecz, że nie ma podstaw do odrzucenia hipotezy na zadanym poziomie istotności (hipoteza nie jest sprzeczna z wynikiem uzyskanym wskutek poboru próby). Wybór poziomu istotności α zależy od badanego problemu. - Przy badaniu kontroli jakości ołówków można przyjąć %. - W stawkach ubezpieczeniowych czasem wartość 0.0 jest za duża. - W analizie danych zazwyczaj stosuje się wartości: 5%, %, 0,%. 7
28 Weryfikacja hipotez statystycznych - a podstawie tablic statystycznych dystrybuanty rozkładu normalnego określamy granice dla dla x odpowiadające powyższym poziomom istotności: 0.05={ 0.96 }={ } 0.0={ 0.58 }={ } 0.00={ }={ } Do odrzucenia hipotezy wymagane jest, aby wartość średnia przekraczała odpowiednio: 0.6, 0.8,.04. W niektórych przypadkach ważny jest znak rozpatrywanej wielkości wartości średniej. Badamy odchylenia w jedną stronę i pytamy, czy spełniony jest warunek: P x x ' α α/ α/ 8
29 Test równości wariancji (test F-Fishera) Porównywanie wariancji populacji o jednakowych wartościach średnich. - Problem: : pomiar tej samej wielkości dwoma przyrządami pomiarowymi. - Jeśli pomiary będą miały jednakowe wariancje dokładność przyrządów taka sama. - Założenie: : populacje mają rozkład normalny. - Pobierane próby o liczebności oraz. - Dla obu liczona jest wariancja wariancja (estymator wariancji) i obliczany jest iloraz: F= s s - Jeśli hipoteza o równości wariancji jest prawdziwa F. - Dla każdej próby można skonstruować statystykę o rozkładzie X : X = s = f s X = s = f s f = f = Liczby stopni swobody (ang. DF) 9
30 Test równości wariancji (test F-Fishera) Przy równych wariancjach: F= f X f X Prawdopodobieństwo,, że wartość ilorazu jest mniejsza od Q: Można zdefiniować: W Q =P X X Q f W Q = f f Q 0 t X X f t f df f =f f F= f f Q W F =P s s F Dystrybuanta rozkładu Fishera 30
31 Test równości wariancji (test F-Fishera) Gęstość prawdopodobieństwa: f F = f f f f f f f F f f f F f f f = 0; f =, 3,..., 8 3
32 Test równości wariancji (test F-Fishera) Można dowieść,, że dla f >: E F = f f Granica F' : α P s s F ' = F' = F α -α -α to to kwantyl rozkładu F. F P s s F ' =P s s F = - Jeśli przy weryfikacji hipotezy otrzymaliśmy wartość ilorazu wariancji wyższą niż niż F' = F α -α - Hipoteza: - Wartości F' = F α -α -α są prawdziwa dla poziomu istotności α. są stabelaryzowane. 3
33 Test równości wariancji (test F-Fishera) - a ogół używa się testu dwustronnego: iloraz wariancji znajduje się pomiędzy dwiema wartościami granicznymi F'' ' α oraz F''' : α P s s F ' ' = P s s F ' ' ' = - Ponieważ F jest ilorazem to: s s F ' ' ' f, f - Pierwszy argument odpowiada: ilości stopni swobody dla rozkładu drugiego, drugi argument: ilości stopni swobody dla rozkładu pierwszego. - Z wartości tablicowych F - ½α ½ - Weryfikować należy tylko hipotezę: - ierówność spełniona hipotezę odrzucamy. s s F ' ' ' f, f P s s F ' ' f, f = P s s F ' ' f, f = s g s k f / f g, f k > dla wszystkich rozsądnych wielkości α. s g s k 33
34 Test równości wariancji (test F-Fishera) - przykład Za pomocą dwóch przyrządów zmierzono odległość (00cm): umer pomiaru Przyrząd Przyrząd Wartość średnia DF Wariancja F= 6.5/3.7 = /9 = /6 = 6.5 F ' ' 0. 6,9 =F ,9 = ie ma podstaw do odrzucenia hipotezy 34
35 Test Studenta. Porównanie wartości średnich - Zmienna losowa o rozkładzie normalnym. - Pobierana próba o liczebności oraz znanej wartości średniej. - Wariancja zmiennej losowej: x = x - Dla dostatecznie dużych prób: wartość średnia z próby (na mocy centralnego twierdzenia granicznego) ma rozkład normalny (, ). y= x x x - Zmienna: opisuje standardowy rozkład Gaussa. - a ogół wartość odchylenia standardowego nieznana. Estymator wariancji: x σ( x) s x = x i x i= s x = x i x i= - Pytanie: : Jak bardzo wielkość znormalizowana będzie odbiegać od standardowego rozkładu normalnego, jeśli odchylenie standardowe zastąpić pierwiastkiem kwadratowym z estymatora wariancji? Jako, że zawsze można przesunąć początek układu współrzędnych, to możliwe jest zawsze uzyskanie x=0 35
36 Test Studenta. Porównanie wartości średnich Rozważmy zmienną: Ponieważ wielkość Można dowieść,, że: t= x = x s x s x t= x f X s x =f s x F t =P t t =P x f X f f t = t f f ma rozkład X o licznie stopni swobody f= -: f t f t F t = t f f f f dt f 36
37 Test Studenta. Porównanie wartości średnich f f t = t f f f f f =,,
38 Test Studenta. Porównanie wartości średnich - Rozważmy zmienną: P t t =F t - Wartości graniczne odpowiadające danemu poziomowi istotności: t ' f t dt= 0 - Kwantyle są stabelaryzowane. t ' =t ZASTOSOWAIE: - Hipoteza: : wartość oczekiwana z populacji mającej rozkład normalny równa jest L. - Pobieramy próbę o liczebności, wartości oczekiwanej oraz wariancji (policzonych). - Jeśli przy zadanym poziomie istotności zachodzi warunek: t = x L s x t ' =t - To hipotezę odrzucamy (test dwustronny). t = x±l s x t ' =t (test jednostronny). 38
39 Uogólnienie testu Studenta (porównanie w. średnich) - Pobieramy próby o liczebności oraz z populacji i X oraz Y. - Hipoteza: równość wartości średnich: - Z CTG że wartości średnie mają rozkład normalny. - Wariancje: x = x - Estymatory wariancji: s x= = x y j= x= y y = y Ma rozkład zbliżony do rozkładu normalnego. = x y x j x s y = j= y j y =0 - Jeśli hipoteza jest prawdziwa to. Podlega rozkładowi normalnemu: - Hipoteza zakłada (na ogół), że wartości średnie zostały uzyskane z tej samej populacji, czyli obie wariancje są identyczne. 39
40 Uogólnienie testu Studenta (porównanie w. średnich) - Estymator: s = s x s y s x= s - Można udowodnić, że: /s s y= s Podlega rozkładowi Studenta z liczbą stopni swobody: f = Równość wartości średnich można zweryfikować tzw. testem różnic Studenta. - Powyższa wielkość liczona na podstawie wyników dwóch prób. Jej wartość bezwględną porównujemy z kwantylem rozkładu Studenta o liczbie stopni swobody f = + - dla zadanego poziomu istotności α.. Jeśli zachodzi nierówność: t = s = x y s t ' =t s =s x s y= s - Hipotezę o równości wartości średnich należy odrzucić. 40
41 Test równości wartości średnich (test Studenta) - przykład Wyniki pomiarów stężenia kwasu neuraminowego w czerwonych ciałkach w krwi pacjentów zmarłych wskutek pewnej choroby (kolumna A) i dla grupy porównawczej pacjentów zdrowych (kolumna B). = x y =.3 s = 5s x 6 s y s = 3 s =.88 =5 f = =9.5 A B = 6 = 7 w. średnia = 0.3 w. średnia = 9.0 Wariancja = 7.8/5 Wariancja = 0/6 t / =.08 Materiał doświadczalny ie jest wystarczający. 4
42 Test X z maksymalna liczbą stopni swobody - pomiarów g : i i=,,..., wraz z błędami σ. i - Wartość g i jest wynikiem pomiaru prawdziwej,, nieznanej wielkości h. i h = g + ε. i i i - ε i to wielkość losowa o rozkładzie normalnym o m = 0 oraz σ. i i - Weryfikowana hipoteza: określa wartości h. i Zakładamy, że h = f oraz i=,,..,. i i - Jeśli hipoteza jest prawdziwa, to wszystkie wielkości będą miały rozkład Gaussa. - Wielkość: T = u i = i= i= g i f i i - Hipoteza fałszywa poszczególne wartości u i u i = g i f i i Podlega rozkładowi X o stopniach swobody. przyjmują duże wartości. i=,,..., - Hipoteza odrzucona dla zadanego poziomu istotności α spełniona jest zależność: T X X - kwantyl rozkładu X o stopniach swobody. 4
43 Test X z mniejszą liczbą stopni swobody - Załóżmy, że wielkość g (przedmiot pomiaru) tot funkcja niezależnej zmiennej kontrolowanej t, (której wartość znamy g = g(t) ). - Poszczególne pomiary g odpowiadają i pewnym wartościom t. i h. = h(t ). i i - ajprostszy przypadek hipotezy, kiedy: f(t) = h(t) = at + b. - Hipoteza może określać wartości liczbowe parametrów a, b. - Znamy wtedy wszystkie wartości f, kiedy f = h. i i i - Hipoteza prawdziwa wielkość T podlega rozkładowi X o stopniach swobody. - Hipoteza zakłada istnienie związku liniowego,, pomiędzy zmienną kontrolowaną, a zmienną h parametry a oraz b są nieznane. Budowane są ich estymatory: : (będące funkcjami zmierzonych wartości g i - Hipoteza: oraz ich błędów σ ). i h i =h t i =f i = at i b - Estymatory (funkcje zmierzonych wartości), nie zawsze są unormowane oraz niezależne. - W celu wyznaczenia wartości estymatorów wprowadza się równania więzów, - DF ulega zmniejszeniu do -. 43
44 Test X i doświadczalny rozkład gęstości - Zakładamy istnienie dystrybuanty F(x) odpowiadającej gęstości prawdopodobieństwa f(x). - Zakres zmienności zmiennej losowej x dzielimy na r przedziałów: - Poprzez całkowanie f(x) w poszczególnych przedziałach dostajemy prawdopodobieństwo zaobserwowania zmiennej w danym przedziale: - Z pobranej próby o liczebności n oznaczamy przez n i w danym przedziale. Zachodzi relacja: - a podstawie hipotezy dot. gęstości prawdopodobieństwa: n = n p. i i liczbę takich elementów próby, jakie znalazły się - Przedmiot weryfikacji: hipoteza zakładająca, że dla dużych wartości liczb n, i ich wariancja wynosi n oraz, i że rozkład u i - Słuszne jest: - Suma kwadratów: można przybliżyć rozkładem Gaussa. u i = n i np i - Jeśli przyjęta hipoteza jest prawdziwa, to, że statystyka X ma (dla dużych n) rozkład X. - Zmienne nie są niezależne, DF = r-. i= n p i r X = i= r n i =n u i = p i =P x i = u i = n i np i,,..., r i f x dx i= - Jeśli doświadczenie pozwala wyznaczyć p parametrów, to DF zmniejsza się do f = r - - p. r i= n i n i np i n p i r p i = 44
45 Test X i dopasowanie rozkładu Poissona W oddziaływaniach fotonów z protonami,, wodorowa komora pęcherzykowa naświetlona została wiązką fotonów o wielkiej energii. Fotony konwertują w pary e+e-. Częstość występowania zdjęć z 0,,, parami e+e- powinna podlegać rozkładowi Poissona. Estymator o największej wiarygodności parametru z rozkładu Poissona: = k k Liczba stopni swobody: = r k n k (r = 8, p = ) n k =.33 Liczba par elektronowych na zdjęciu k Liczba zdjęć zawierających k par Przewidywania Rozkładu Poissona (0.7) n p k n k n p k n p k n = 355 X = 0.44 Dla poziomu istotności α = % Otrzymujemy z tabeli X 0.99 =6.8 ie ma podstaw do odrzucenia hipotezy. 45
46 Test X i dopasowanie rozkładu Poissona X = k n k n p k n p k 46
47 KOIEC WYKŁADU 9
Komputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 27.04.2018 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 2017/2018 Metoda największej wiarygodności ierównosć informacyjna
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 7.04.09 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 08/09 Metoda największej wiarygodności ierównosć informacyjna Metoda
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 szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
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 szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 5.05.07 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 06/07 Jednoczesna estymacja kilku parametrów - przykład Weryfikacja hipotez statystycznych
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 22.04.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 2015/2016 Próby z odliczaniem. Próbki Metoda największej wiarygodności ierównosć
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 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 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 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 szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 10 8.04.017 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 016/017 Metoda największej wiarygodności - przykład ierównosć informacyjna
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 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 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 szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
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 szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoStatystyka matematyczna. Wykład 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 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 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 szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej 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 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 szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów funkcje nieliniowe
Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji
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 szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.
Opracowała: Joanna Kisielińska ZMIENNE LOSOWE Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R tzn. X: R. Realizacją zmiennej losowej
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej 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 szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
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 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 szczegółowoVII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15
VII WYKŁAD STATYSTYKA 30/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 7 (c.d) WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności,
Bardziej 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 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 i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą
Bardziej szczegółowoODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW
ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną
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 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 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 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 szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
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 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
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 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 szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoWyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności
Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego
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 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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO. Wykład 2
STATYSTYKA I DOŚWIADCZALNICTWO Wykład Parametry przedziałowe rozkładów ciągłych określane na podstawie próby (przedziały ufności) Przedział ufności dla średniej s X t( α;n 1),X + t( α;n 1) n s n t (α;
Bardziej szczegółowo), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0
Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy
Bardziej 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 szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
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 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 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 szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
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 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 szczegółowoTestowanie hipotez statystycznych cd.
Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:
Bardziej 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 szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
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 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 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 szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej 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 szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoWyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności
Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA (wykład ) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Weryfikacja (testowanie) hipotez statystycznych
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
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 szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
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 szczegółowoRozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia.
Rozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia. D A R I U S Z P I W C Z Y Ń S K I 2 2 ROZKŁAD ZMIENNEJ LOSOWEJ Polega na przyporządkowaniu
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej 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 szczegółowoBADANIE POWTARZALNOŚCI PRZYRZĄDU POMIAROWEGO
Zakład Metrologii i Systemów Pomiarowych P o l i t e c h n i k a P o z n ańska ul. Jana Pawła II 24 60-965 POZNAŃ (budynek Centrum Mechatroniki, Biomechaniki i Nanoinżynierii) www.zmisp.mt.put.poznan.pl
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 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 szczegółowo