50 zadań ze statystyki matematycznej dla studentów ZARZĄDZANIA z rozwiązaniami

Wielkość: px
Rozpocząć pokaz od strony:

Download "50 zadań ze statystyki matematycznej dla studentów ZARZĄDZANIA z rozwiązaniami"

Transkrypt

1 Jan Rusinek 50 zadań ze statystyki matematycznej dla studentów ZARZĄDZANIA z rozwiązaniami UWAGA! Ten tekst jest w trakcie przygotowania i sprawdzania. Może zawierać błędy. Jest sukcesywnie poprawiany i umieszczany pod aktualną datą! Autor będzie wdzięczny za uwagi: Obecna data

2 2

3 3 Wstęp Zbiorek ten zawiera zadania ze statystyki matematycznej wybrane z zadań przerabianych na zajęciach, zadań domowych i egzaminacyjnych na studiach drugiego stopnia kierunku zarządzanie w Wyższej Szkole Menedżerskiej w Warszawie. Część rachunków jest wykonana przy pomocy darmowego programu calc z pakietu OpenOffice. W zadaniach, w których trzeba samodzielnie obliczać wartości średnie i wariancje, próbki są bardzo niewielkiej liczności. Oczywiście w praktyce używa się znacznie większych próbek. Chodzi jednak o to, aby poznać metody, nie tracąc czasu na żmudne (nawet jeśli używamy komputera, to samo wpisanie danych z dużej próbki zajmuje sporo czasu) obliczenia. Mam nadzieję, że zbiorek ten pomoże studentom w opanowaniu tego przedmiotu i w przygotowaniu się do egzaminu.

4 4 WZORY I OZNACZENIA µ wartość średnia σ odchylenie standardowe n liczba prób k liczba sukcesów w n próbach x = 1 n n i=1 x i średnia z próby s 2 = 1 n n 1 i=1 (x i x) 2 wariancja z próby s = s 2 odchylenie standardowe z próby s n błąd standardowy u(p) p-ty kwantyl rozkładu normalnego N(0, 1) t(p, j) p-ty kwantyl rozkładu Studenta o j stopniach swobody χ 2 (p, j) p-ty kwantyl rozkładu χ 2 o j stopniach swobody F(p, i, j) p-ty kwantyl rozkładu Snedecora o i, j stopniach swobody D nobl statystyka testowa dla rozkładu Kołmogorowa d n(p) p-ty kwantyl statystyki D n Kołmogorowa k(p, i, j) wartość krytyczna rozkładu liczby serii Wzór na dystrybuantę rozkładu jednostajnego na przedziale [a; b]. { 0 dla x < a, x a F (x) = dla a x b, b a 1 dla x > b.

5 5 A) PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ Model A1. Rozkład normalny, znane σ. P = [x l; x + l], l = u(1 α 2 ) σ n. Model A2. Rozkład normalny, nieznane σ. P = [x l; x + l], l = t(1 α 2, n 1) s n. Model A3. Rozkład dowolny, nieznane σ, n 30. P = [x l; x + l], l = u(1 α 2 ) s n.

6 6 B) PRZEDZIAŁY UFNOŚCI DLA FRAKCJI ELEMENTÓW WYRÓŻNIONYCH Model B1. Raczej duża próba (n 30). [ k P = n l; k ] ( ) k n + l, l = u 1 α n 2 ( ) 1 k n. n UWAGA. Można też stosować nieco dokładniejszy, ale bardziej skomplikowany wzór P = [ u(1 α 2 )2 + 2k 2(n + u(1 α 2 )2 ) l; u(1 α 2 )2 + 2k 2(n + u(1 α 2 )2 ) + l ], l = u u(1 α 2 )2 4 + k(n k) n n + u(1 α 2 )2.

7 7 C) PRZEDZIAŁY UFNOŚCI DLA ODCHYLENIA STANDARDOWEGO Model C1. Rozkład normalny. [ ] n 1 n 1 P = s χ 2 (1 α 2, n 1) ; s χ 2 ( α 2, n 1). Model C2. Rozkład normalny, duża próba (n 30). P = [ ] s 2(n 1) 2n 3 + u(1 α 2 ) ; s 2(n 1) 2n 3 u(1 α 2 ).

8 8 MINIMALNA LICZNOŚĆ PRÓBY Model M1. Przy wyznaczaniu przedziału ufności [x l; x + l] dla wartości średniej, rozkład normalny, znane σ. ( ( ) u 1 α 2 σ n l ) 2. Model M2. Przy wyznaczaniu przedziału ufności [x l; x + l] dla wartości średniej, rozkład normalny nieznane σ. gdzie n 0 liczność wstępnej próby, ( ( ) ) n t 1 α 2, n s 2 0 n , l n 0 n 0 x 0 = 1 n 0 i=1 x i, s 2 0 = 1 n 0 1 n 0 (x i x 0 ) 2. Model M3. Przy wyznaczaniu przedziału ufności [ k n l; k n + l] dla frakcji elementów wyróżnionych. i=1 n u(1 α 2 )2 4l 2.

9 9 TESTY ZGODNOŚCI Test χ 2 (wartość zaobserwowana wartość spodziewana) χ 2 2 obl =. wartość spodziewana Hipotezę odrzucamy, jeśli χ 2 obl > χ2 (1 α, k 1), k liczba składników w sumie. Test Kołmogorowa Sprawdzamy, czy próbki pochodzą z rozkładu o dystrybuancie F (x). Ustawiamy próbki w ciąg niemalejący: x 1,... x n. Statystyka testowa gdzie Hipotezę odrzucamy, jeśli D nobl = sup S n(x) F (x), x IR { 0 dla x < x1, i S n(x) = dla x n i x < x i+1, 1 dla x x n. D nobl > d n(1 α). Test serii Sprawdzamy, czy dwie próbki pochodzą z takego samego rozkładu. α - poziom istotności, i liczebność pierwszej, a j liczebność drugiej próbki. Dwie próbki ustawiamy we wspólny ciąg rosnący. Serią nazywamy podciąg kolejnych elementów z tej samej próbki. K oznacza liczbę serii. Hipotezę odrzucamy, jeśli K k(α, i, j).

10 10 PARAMETRYCZNE TESTY ISTOTNOŚCI DLA ŚREDNIEJ Hipoteza µ = µ 0, W zbiór krytyczny. Hipotezę odrzucamy, gdy g W Model D1. Rozkład normalny o znanym σ. g = u obl = x µ 0 n. σ W = ( ; u(1 α)] dla hipotezy przeciwnej µ < µ 0 ; W = [u(1 α); ) dla hipotezy przeciwnej µ > µ 0 ; W = ( ; u(1 α 2 )] [u(1 α 2 ); ) dla hipotezy przeciwnej µ µ 0. Model D2. Rozkład normalny o nieznanym σ, mała próba. g = t obl = x µ 0 n. s W = ( ; t(1 α, n 1)] dla hipotezy przeciwnej µ < µ 0 ; W = [t(1 α, n 1); ) dla hipotezy przeciwnej µ > µ 0 ; W = ( ; t(1 α 2, n 1)] [t(1 α 2, n 1); ) dla hipotezy przeciwnej µ µ 0. Model D3. Rozkład dowolny o nieznanym σ. Duża próba. W jak w modelu D1. g = u obl = x µ 0 n. s

11 11 PARAMETRYCZNE TESTY ISTOTNOŚCI DLA WARIANCJI Hipoteza σ = σ 0, W zbiór krytyczny. Hipotezę odrzucamy, gdy g W. Model E1. Rozkład normalny o nieznanych µ i σ, n 50. Mając do dyspozycji komputer można ten model stosować i do dużych n. g = χ 2 obl (n 1)s2 = σ0 2. W = (0; χ 2 (α, n 1)] dla hipotezy przeciwnej σ < σ 0 ; W = [χ 2 (1 α, n 1); ) dla hipotezy przeciwnej σ > σ 0 ; W = (0; χ 2 ( α 2, n 1)] [χ2 (1 α 2, n 1); ) dla hipotezy przeciwnej σ σ 0; Model E2. - Rozkład normalny o nieznanych µ i σ (n 50). g = u obl = 2(n 1)s 2 σ 2 0 2n 3. W = ( ; u(1 α)] dla hipotezy przeciwnej µ < µ 0 ; W = [u(1 α); ) dla hipotezy przeciwnej µ > µ 0 ; W = ( ; u(1 α 2 )] [u(1 α 2 ); ) dla hipotezy przeciwnej µ µ 0.

12 12 HIPOTEZY O RÓWNOŚCI FRAKCJI ELEMENTÓW WYRÓŻNIONYCH Hipoteza p = p 0. Hipotezę odrzucamy, gdy g W. Model F1. Próba powinna być raczej duża. g = u obl = k np 0. np 0 (1 p 0 ) W = ( ; u(1 α)] dla hipotezy przeciwnej p < p 0 ; W = [u(1 α); ) dla hipotezy przeciwnej p > p 0 ; W = ( ; u(1 α 2 )] [u(1 α 2 ); ) dla hipotezy przeciwnej p p 0.

13 13 HIPOTEZY O RÓWNOŚCI WARIANCJI W DWÓCH POPULACJACH Model G1. Hipoteza σ 1 = σ 2. Hipotezę odrzucamy, gdy g W. Gdy hipotezą przeciwną jest σ 1 > σ 2, to g = F obl = s2 1 s 2. 2 W = [F (1 α, n 1 1, n 2 1); ). Gdy hipotezą przeciwną jest σ 1 < σ 2, to zamieniamy kolejność próbek. Gdy hipotezą przeciwną jest σ 1 σ 2, to g = F obl = max(s2 1, s2 2 ) min(s 2 1, s2 2 ). W = [F(1 α 2, n l 1, n m 1); ), gdzie n l liczność probki o większej wariancji, a n m o mniejszej.

14 14 HIPOTEZY O RÓWNOŚCI WARTOŚCI ŚREDNIEJ W DWÓCH POPULACJACH Hipoteza µ 1 = µ 2, W zbiór krytyczny. Hipotezę odrzucamy, gdy g W Model H1 rozkłady normalne znane σ 1 i σ 2. g = u obl = x 1 x 2. σ σ2 2 n 1 n 2 W = ( ; u(1 α)] dla hipotezy przeciwnej µ 1 < µ 2 ; W = [u(1 α); ) dla hipotezy przeciwnej µ 1 > µ 2 ; W = ( ; u(1 α 2 )] [u(1 α 2 ); ) dla hipotezy przeciwnej µ 1 µ 2. Model H2. rozkłady normalne, nieznane, ale równe σ 1 i σ 2. g = t obl = x 1 x 2. (n 1 1)s 2 1 +(n 2 1)s 2 2 n1+n 2 n 1 +n 2 2 n 1 n 2 W = ( ; t(1 α, n 1)] dla hipotezy przeciwnej µ 1 < µ 2 ; W = [t(1 α, n 1); ) dla hipotezy przeciwnej µ 1 > µ 2 ; W = ( ; t(1 α 2, n 1)] [t(1 α 2, n 1); ) dla hipotezy przeciwnej µ 1 µ 2. Model H3. rozkłady normalne, nieznane σ 1 i σ 2, nieduża próbka. Stosujemy statystykę (tzw. statystyka Cochrana i Coxa) g = C obl = x 1 x 2. s s2 2 n 1 n 2 Przybliżoną wartość kwantyla c(p, n 1, n 2 ) znajdujemy z wzoru c(p, n 1, n 2 ) s 2 1 t(p, n n 1 1) + s2 2 t(p, n 1 n 2 1) 2. s s2 2 n 1 n 2 Zbiór krytyczny: W = ( ; c(1 α, n 1, n 2 )] dla hipotezy przeciwnej µ 1 < µ 2 ; W = [c(1 α, n 1, n 2 ); ) dla hipotezy przeciwnej µ 1 > µ 2 ; W = ( ; c(1 α 2, n 1, n 2 )] [c(1 α 2, n 1, n 2 ); ) dla hipotezy przeciwnej µ 1 µ 2 ; Model H4 rozkłady dowolne, nieznane σ 1 i σ 2 duża próba, n 1, n g = u obl = x 1 x 2. s s2 2 n 1 n 2

15 W = ( ; u(1 α)] dla hipotezy przeciwnej µ 1 < µ 2 ; W = [u(1 α); ) dla hipotezy przeciwnej µ 1 > µ 2 ; W = ( ; u(1 α 2 )] [u(1 α 2 ); ) dla hipotezy przeciwnej µ 1 µ 2. 15

16 16 HIPOTEZY O RÓWNOŚCI FRAKCJI ELEMENTÓW WYRÓŻNIONYCH W DWÓCH POPULACJACH Model I1 raczej duża próbka (n 1, n 2 50) Stawiamy hipotezę p 1 = p 2. Stosujemy statystykę g = u obl = k 1 k 2 n 1 n 2 k 1 +k 2 ( ). n 1 n 1 k 1 +k 2 2 n 1 +n 2 Gdy liczność próby nie jest dostatecznie duża stosujemy statystykę: u obl = ( 2 arc sin ) k 1 k 2 n1 n 2 2 arc sin. n 1 n 2 n 1 + n 2 Zbiór krytyczny: W = ( ; u(1 α)] dla hipotezy przeciwnej p 1 < p 2 ; W = [u(1 α); ) dla hipotezy przeciwnej p 1 > p 2 ; W = ( ; u(1 α 2 )] [u(1 α 2 ); ) dla hipotezy przeciwnej p 1 p 2 ; gdzie n 1 i n 2 liczności pierwszej i drugiej próbki, k 1 i k 2 liczby sukcesów w pierwszej i drugiej próbce.

17 17 TEST χ 2 NIEZALEŻNOŚCI (wartość zaobserwowana wartość spodziewana) χ 2 2 obl =. wartość spodziewana Test odrzucamy, jeśli χ 2 obl > χ2 (1 α, (r 1)(s 1)), gdzie r liczba wartości pierwszej cechy, a s liczba wartości drugiej cechy. Współczynnik Cramera gdzie m = min(r, s) Współczynnik C Pearsona χ 2 obl V = n(m 1), χ 2 obl C = χ 2 obl + n. n liczba wszystkich danych w macierzy r s.

18 18 Jak używać programu calc? Będziemy posługiwać się tym programem do obliczanie wartości średniej, wariancji, odchylenia standardowego oraz wynikających z tego dalszych rezultatów. Pokażemy to na przykładzie. Zakładamy, że mamy dane empiryczne x 1 = 7, x 2 = 1, x 3 = 5, x 4 = 3, x 5 = 5 oraz liczbę µ 0 = 3. Mamy policzyć kolejno x = 1 n s 2 = 1 n 1 a następnie wstawić to do wzoru: n x k, k=1 n (x i x) 2, k=1 s = s 2, x µ 0 n. s Uruchamiamy program calc i wpisujemy dane np. w komórkach A1 A5. Daną µ 0 możemy wpisać np w kolejnej komórce B1, a liczbę prób (5) np. w komórce B2. Warto wpisywać te dane w komórkach, a nie w ostatecznym wzorze, bo wtedy przy rozwiązywaniu następnego zadania opartego na tym samym modelu, wystarczy zmienić dane bez konieczności zmiany wzoru. Wybieramy jakąć inną komórkę np. C1 i wpisujemy w niej wzór: =ŚREDNIA(A1:A5) Po zaakceptowaniu ukazuje się w tej komórce wynik 4.2. Wybieramy następną komórkę powiedzmy C2 i wpisujemy w niej wzór

19 19 =WARIANCJA(A1:A5) Po zatwierdzeniu ukazuje się w tej komórce wynik 5.2. Wybieramy kolejną komórkę np. C3 i wpisujemy w niej wzór =pierwiastek(c2) Po zatwierdzeniu ukazuje się w tej komórce wynik 2.28 (w zależności od tego jaką dokładność wybierzemy). Wybieramy następną komórkę (np. C4) i wstawiamy w niej wzór (patrz rysunek) =(C1-B1)*pierwiastek(B2)/C3 Zauważmy, że możemy wpisywać wzory zarówno małymi jak i dużymi literami. Po zaakceptowaniu otrzymamy już ostateczny wynik Program calc zamiast tablic statystycznych Większość danych potrzebnych do rozwiązywania zamieszczonych tu zadań zamiast z tablic, możemy wygenerować przy pomocy

20 20 programu calc. Niektóre są nieco inaczej zdefiniowane niż w tablicach statystycznych, dlatego podajemy dokładnie co trzeba zrobić, aby otrzymać dane zgodne z tablicami. Ia) Dystrybuanta rozkładu normalnego Aby wyznaczyć P (X < x), gdzie X jest zmienną o rozkładzie N(0, 1), a dana x jest umieszczona np. w komórce A1 wpisujemy w komórce wyniku =rozkład.normalny.s(a1) Ib) Kwantyle rozkładu normalnego Aby wyznaczyć kwantyl u(p) rozkładu normalnego N(0, 1) np. dla danej p umieszczonej w komórce B1 wpisujemy w komórce wyniku =rozkład.normalny.s.odw(b1) IIa) Dystrybuanta rozkładu t Studenta Aby wyznaczyć P (X < x), gdzie X jest zmienną o rozkładzie t Studenta z n stopniami swobody, a dana x jest umieszczona np. w komórce A1, a dana n w komórce B1 wpisujemy w komórce wyniku =1-rozkład.t(a1;b1;1) Program akceptuje tylko x-y dodatnie. Aby wyznaczyć P (X < x) dla x ujemnych wystarczy skorzystać z wzoru P (X < x) = P (X > x) = 1 P (X < x). IIb) Kwantyle rozkładu t Studenta Aby wyznaczyć kwantyl t(p, n) rozkładu t Studenta dla danej p umieszczonej w komórce A1, danej n w komórce B1 wpisujemy w komórce wyniku =rozkład.t.odw(2*(1-a1);b1) IIIa) Dystrybuanta rozkładu χ 2

21 21 Aby wyznaczyć P (X < x), gdzie X jest zmienną o rozkładzie χ 2 z n stopniami swobody, a dana x jest umieszczona np. w komórce A1, a dana n w komórce B1 wpisujemy w komórce wyniku =1-rozkład.chi(a1;b1) Gęstość rozkładu χ 2 (t) jest różna od zera tylko dla t dodatnich dlatego wzór działa tylko dla x 0. IIIb) Kwantyle rozkładu χ 2 Aby wyznaczyć kwantyl χ 2 (p, n) rozkładu χ 2 dla danej p umieszczonej w komórce A1, danej n w komórce A2 wpisujemy w komórce wyniku =rozkład.chi.odw(1-a1;a2) IVa) Dystrybuanta rozkładu F Snedecora Aby wyznaczyć P (X < x), gdzie X jest zmienną o rozkładzie F Snedecora z n, k stopniami swobody, dana x jest umieszczona np. w komórce A1, a dana n w komórce B1, dana k w komórce C1 wpisujemy w komórce wyniku =1-rozkład.f(a1;b1;c1) IVb) Kwantyle rozkładu F Snedecora Aby wyznaczyć kwantyl F(p, n, k) rozkładu F dla danej p umieszczonej w komórce B1, danej n w komórce B2 i danej k w komórce B3 wpisujemy w komórce wyniku =rozkład.f.odw(1-b1;b2;b3) Korzystanie programu zamiast z tablic ma dodatkową zaletę, że możemy znajdować wartości kwantyli dla nietypowych α, których nie ma w tablicach np. 0.03, 0.17 itp. W tablicach zwykle nie ma też dystrybuant innych rozkładów niż normalny. Możemy też włączyć te wzory do danego modelu otrzymując rozwiązanie w całości przy pomocy komputera. Odpowiedni przykład opiszemy przy rozwiązywaniu konkretnego zadania.

22 22 Zadania

23 23 ZADANIE 1. Dla zmiennej losowej X o rozkładzie jednostajnym na przedziale [ 1; 3] znajdź a) P (X < 0), b) P (X > 2), c) takie c, że P (X < c) = 0.95 = p, czyli p-ty kwantyl rozkładu jednostajnego na przedziale [ 1; 3]. Dystrybuanta rozkładu jednostajnego na przedziale [ 1; 3] jest równa 0 dla x < 1, x+1 F (x) = 4 dla 1 x 3, 1 dla x > 3. Zatem a) P (X < 0) = F (0) = 1 4., b) P (X > 2) = 1 P (X < 2) = 1 F (2) = = 1 4. c) Trzeba rozwiązać równanie P (X < c) = 0.95, czyli c+1 4 = Stąd c = 2.8.

24 24 ZADANIE 2. Przy pomocy tablic lub komputera znajdź dla zmiennej X o rozkładzie normalnym standardowym N(0, 1) i α = 0.02: a) P (X > 2.3), b) P (X < 1.2), c) u(α), d) u(1 α), e) u(1 α 2 ). a) i b) znajdujemy w tablicy 1 otrzymując: a) = ; b) c), d) i e) można rozwiązać zarówno komputerem jak i przy pomocy tablic. Otrzymamy c) u(0.02) = 2.05, d) u(0.98) = 2.05, e) u(0.99) = 2.33.

25 25 ZADANIE 3. Przy pomocy tablic lub komputera znajdź dla zmiennej X rozkładzie t Studenta z n = 9 oraz α = 0.05: a) P (X > 1.3), b) P (X < 1.4), c) t(1 α, n), d) t(1 α 2, n), a) i b) najlepiej rozwiązać programem calc otrzymując: a) = ; b) Musimy skorzystać z faktu, że t( p, n) = 1 t(p, n). Otrzymamy wynik c) t(0.95, 9) = 1.83, d) t(0.975, 9) = 2.26.

26 26 ZADANIE 4. Przy pomocy tablic lub komputera znajdź dla zmiennej X o rozkładzie χ 2 z n = 20 i α = 0.05: a) P (X < 20), b) P (X > 10), c) χ 2 (α, n), d) χ 2 (1 α, n) e) χ 2 (1 α 2, n). Dla a) i b) skorzystamy z programu calc. Otrzymamy dla a) wartość 0.542, a dla b) = Dla c) - e) można też skorzystać z tablic mamy: c) χ 2 (0.05, 20) = , d) χ 2 (0.95, 20) = 31.41, e) χ 2 (0.975, 20) =

27 27 ZADANIE 5. Przy pomocy tablic lub komputera znajdź dla zmiennej X o rozkładzie F z n = 8, k = 4, oraz dla α = 0.05: a) P (X > 3), b) P (X < 4), c) F(1 α, n, k), d) F(1 α 2, n, k). Dla a) i b) skorzystamy z programu calc otrzymując dla a) wartość , a dla b) wartość = c) F(0.95, 9, 4) = 6.04, d) F(0.975, 9, 4) = 8.98.

28 28 ZADANIE 6. Przy pomocy programu calc znajdź dla próbki x 1 = 1.31, x 2 = 2.45, x 3 = 3.45, x 4 = 2.71: a) x, b) s 2, c) s, d) błąd standardowy. a) x = 1.125, b) s 2 = , c) s = 2.702, d) s n =

29 29 ZADANIE 7. Zaobserwowano, że waga noworodków w pewnym szpitalu ma rozkład normalny z wartością średnią 3.6 kg i odchyleniem standardowym 0.26 kg. Jakie jest prawdopodobieństwo, że dziecko urodzone w tym szpitalu waży: a) więcej niż 4 kg?; b) mniej niż 3 kg? a) a = 4, b =. Stąd c = , d =. Zatem P (4 < X) = 1 Φ(c) = b) a =, b = 3, Stąd c =, d = = Zatem P (X > 3) = Φ( 2.31) = 1 Φ(2.31) = =

30 30 ZADANIE 8. Czas pracy żarówek produkowanych w pewnym zakładzie ma rozkład normalny z wartością średnią 700 godzin i odchyleniem standardowym 220 godzin. Jakie jest prawdopodobieństwo, że żarówka zepsuje się przed upływem 500 godzin pracy? Mamy µ = 700, σ = 220, a =, b = 500. Stąd c =, d = = Zatem P (X < 500) = Φ( 0.91) = 1 Φ(0.91) = = 0.18.

31 31 ZADANIE 9. Plony zboża w gospodarstwach rolnych mają rozkład normalny z wartością średnią 45 kwintali/ha i odchyleniem standardowym 14 kwintali/ha. Jaki procent gospodarstw ma wydajność większą niż 50 kwintali z hektara? Dane: µ = 45, σ = 14, a = 50, b =. Stąd c = = 0.36, d =. Zatem Odp. 36%. P (50 < X) = 1 Φ(.36) = = 0.36.

32 32 ZADANIE 10. Wzrost żołnierzy ma rozkład normalny ze średnią 177 cm i odchyleniem standardowym 13 cm. W jednostce wojskowej służy 1050 żołnierzy. Do kompanii honorowej zostanie wybranych 90 najwyższych. Ile trzeba mieć wzrostu, aby zostać wybranym? W tym zadaniu mamy dane prawdopodobieństwo P (X > a) = = 0.086, a musimy wyznaczyć a. Mamy = P (X > a) = 1 Φ(c), gdzie c = a Stąd Φ(c) = W tablicach rozkładu normalnego znajdujemy, że c = Stąd mamy równanie skąd a = = a 177, 13 Odp. Trzeba mieć co najmniej 194 cm wzrostu.

33 33 ZADANIE 11. Wiadomo, że maszyna do paczkowania cukru pakuje wg rozkładu normalnego z odchyleniem standardowym σ = 2dkg. Nastawiono ją na 1 kg i przebadano losowo 10 torebek otrzymując rezultaty w dkg: 103, 96, 99, 97, 99, 100, 101, 95, 97, 99. Oszacuj punktowo i przedziałowo średnią wagę torebki na poziomie ufności 1 α = a) Oszacowanie punktowe: Mamy x = 98.60, s = Zatem błąd standardowy jest równy s n = Ponieważ odchylenie standardowe jest znane stosujemy model A1, gdzie l = u(1 α 2 ) σ n. W naszym przypadku l = 1.24 i P = [97.36; 99.84].

34 34 ZADANIE 12. Rozwiąż poprzednie zadanie przy założeniu, że odchylenie standardowe nie jest znane. Tym razem stosujemy model A2, w którym P = [x l; x + l], l = t(1 α 2, n 1) s n. W naszym przypadku n = 10, 1 α 2 = 0.975, t(0.975) = Stąd l = 1.72, skąd P = [96.88; ].

35 35 ZADANIE 13. Pewien algorytm sortowania przetestowano na 9 bazach danych losowo wymieszanych i uzyskano czasy sortowania w sekundach: 9, 13, 21, 7, 21, 14, 12, 21, 11. Oszacuj wartość średnią punktowo i przedziałowo przyjmując, że rozkład jest normalny oraz współczynnik ufności 1 α = a) Oszacowanie punktowe: Obliczamy wartość średnią i wariancję. Otrzymujemy Błąd standardowy jest równy x = 14.33, s = b) Oszacowanie przedziałowe: s 9 = 1.8. Ponieważ próba jest mała i odchylenie standardowe nie jest znane i rozkład jest normalny, stosujemy model A2. l = t(1 α 2, n 1) s n. W naszym przypadku znajdujemy t(0.975, 8) = Stąd l = = Zatem przedział ufności jest równy [10.18; 18.49].

36 36 ZADANIE 14. Pewna duża firma komputerowa chce ustalić średnią wielkość sprzedaży w ciągu dnia. Na podstawie danych z 3 miesięcy (78 dni) obliczono wartość x równą 2953 tys. zł. i odchylenie standardowe empiryczne s = 1034 tys. zł. Oszacuj średnią wielkość dziennej sprzedaży przy współczynniku ufności 1 α = Ponieważ próbka jest duża, skorzystamy z modelu A3. Mamy α = 0.05, skąd 1 α 2 = Znajdujemy w tablicach u(1 α 2 ) = Stąd l = = Ostatecznie Znajdujemy P = [2723.5; ].

37 37 ZADANIE 15. Trzysta wylosowanych rodzin z danej miejscowości zapytano, czy posiadają w domu komputer. 121 rodzin odpowiedziało, że tak, w tym 91 rodzin ma komputer stacjonarny, a 42 rodziny laptop. Wyznacz przedziały ufności z 95%-ową wiarygodnością dla procentu rodzin: a) posiadających komputer; b) posiadających komputer stacjonarny; c) posiadających laptop; d) posiadających i komputer stacjonarny i laptop. Stosujemy model B1, czyli wzór [ k P = n l; k ] n + l, gdzie l = u(1 α 2 ) k n(1 k n) n. Mamy n = 300. Znajdujemy w tablicach u(1 α 2 ) = W punkcie a) mamy k = 121, skąd k/n = oraz l = Zatem P = [0.348; 0.459] = [34.8%; 45.9%]. W punkcie b) mamy k = 91, skąd k/n = oraz l = Zatem P = [0.251; 0.355] = [25.1%; 35.5%]. W punkcie c) mamy k = 42, k/n = 0.14, l = Stąd P = [0.101; 0.179] = [10.1%; 17.9%]. W punkcie d) mamy k = 12 (dlaczego?), skąd k/n = 0.04 oraz l = Zatem P = [0.018; 0.062] = [1.8%; 6.2%].

38 38 ZADANIE 16. Pewna firma cukiernicza zakupiła automat do produkcji i porcjowania lodów. Nastawiono automat na 5 dkg i sprawdzono na bardzo dokładnej wadze 9 losowo wybranych porcji otrzymując wyniki w dkg: 5.07, 5.08, 4.91, 4.95, 5.00, , 4.95, Zakładając, że rozkład jest normalny wyznacz przedziały ufności dla odchylenia standardowego na poziomie ufności 1 α = Stosujemy model C1. W tablicach rozkładu χ 2 znajdujemy χ 2 (1 α 2, n 1) = χ2 (0.995, 8) = 21.96, χ 2 ( α 2, n 1) = χ2 (0.005, 8) = Natępnie mamy s = Stąd [ ] n 1 P = s χ 2 (1 α 2, n 1); s n 1 χ 2 ( α 2, n 1) = [0.0396; ]. Opiszemy krok po kroku jak można rozwiązać to zadanie całkowicie przy użyciu pakietu calc Wpisujemy w komórkach A1-A9 dane. Wpisujemy w komórce B2 liczbę Wpisujemy w komórce B3 liczbę 9. Wpisujemy w komórce C1 Wpisujemy w komórce C2 Wpisujemy w komórce C3 Wpisujemy w komórce C4 Wpisujemy w komórce C5 =średnia(a1:a9) =pierwiastek(wariancja(a1:a9)) =rozkład.chi.odw(b1/2;8) =rozkład.chi.odw(1-b1/2;8) =c2*pierwiastek((b3-1)/c3)

39 39 To będzie lewy koniec przedziału. Wpisujemy w komórce D5 =c2*pierwiastek((b3-1)/c4) To będzie prawy koniec przedziału.

40 40 ZADANIE 17. W celu sprawdzenia, czy automat do pakowania mąki porcjuje precyzyjnie firma młynarska przed ewentualnym zakupem zważyła 200 kilogramowych torebek mąki i otrzymała wyniki w kg: x = 0.99 i odchylenie standardowe z próbki s = dkg. Wyznacz przedział ufności dla odchylenia standardowego przy współczynniku ufności 1 α = Dla dużej próby stosujemy nodel C2. Mamy u(1 α 2 ) = Stąd [ ] 398 P = ; = [0.072; 0.083]

41 41 ZADANIE 18. Mamy zważyć sztabkę złota. Chcemy, na poziomie ufności 0.95 otrzymać przedział ufności [x l; x + l] z l = 0.01 mg. Elektroniczna waga ma rozkład błędów normalny z odchyleniem standardowym 0.02 mg. Ile niezależnych pomiarów trzeba wykonać? Ponieważ odchylenie standardowe jest znane, stosujemy wzór M1. Z tablic kwantyli rozkładu normalnego znajdujemy u(1 α 2 ) = A więc ( ) n > = Trzeba wykonać 16 pomiarów.

42 42 ZADANIE 19. Pewien program sortujący dane został przetestowany na 7 losowo wybranych różnego rodzaju plikach długości rekordów, i otrzymano czas sortowania w sek. 111, 22, 33, 42, 199, 77, 138. Ile jeszcze należy dodatkowo dokonać testów, aby otrzymać na poziomie ufności 1 α = 0.95 przedział ufności nie dłuższy niż 80 sek?. Zakładamy, że cecha ma rozkład normalny. Zastosujemy procedurę Steina (model M2). Mamy x 0 = 88.86, s 0 = 64.5, l = 80 2 = 40, n 0 = 7, t(0.975, 6) = Wstawiając to wszystko do wzoru M2 otrzymujemy n > ( ) = Trzeba jeszcze dodać 15 7 = 8 dodatkowych pomiarów.

43 43 ZADANIE 20. Pewien informatyk skonstruował program rozpoznający linie papilarne. Ile prób należy przeprowadzić, aby na poziomie ufności 1 α = 0.95 otrzymać przedział ufności długości 10%? Zastosujemy wzór M3. Mamy u(1 α ) = 1.96, l = 2 = Zatem n = Trzeba wykonać 385 prób.

44 44 ZADANIE 21. Pewien sklep chce przeprowadzić badanie, jaki procent klientów po raz drugi dokonuje zakupów w tym sklepie. Ilu klientów powinien uwzględnić w badaniu aby na poziomie ufności 1 α = 0.9 otrzymać przedział ufności długości 6%? Ponownie skorzystamy z wzoru M3. Mamy u(1 α 2 ) = l = n = Powinien w badaniu uwzględnić 748 klientów. 1 1 Liczba 1.64 jako wartość kwantyla u(0.95) jest w tablicach podana w przybliżeniu. Dlatego, jeśli użyjemy do obliczeń programu calc to użyta zostanie jako u(0.95) dokładniejsza liczba i otrzymamy w tym zadaniu wynik 751.

45 45 ZADANIE 22. Rzucamy 20 razy kostką. Otrzymaliśmy wyniki otrzymane w tabelce: liczba oczek liczba rzutów Zweryfikuj hipotezę, że kość jest uczciwa, przyjmując α = to 20 6 Zastosujemy test χ 2. Wartość spodziewana dla każdej liczby oczek = W takim razie wartość statystyki testowej wynosi χ 2 obl = (0 3.33) (5 3.33) (3 3.33) (2 3.33) (3 3.33) (7 3.33) = 8.8. W tablicach kwantyli rozkładu χ 2 lub przy pomocy komputera znajdujemy χ 2 (0.95, 5) = Nie ma powodu odrzucania hipotezy, bo 8.8 <

46 46 ZADANIE 23. Ruletka ma 4 równe pola: dwa czerwone, jedno białe i jedno czarne. Uruchomiono ją 100 razy; 60 razy wypadło pole czerwone, 29 razy białe i 11 razy czarne. Zweryfikuj hipotezę, że ruletka jest uczciwa przyjmując: a) α = 0.05 i b) α = Ponownie zastosujemy test χ 2. Przy 100 losowaniach wartości spodziewane to: 50 razy pole czerwone i po 25 razy pole białe i pole czarne. Zatem statystyka testowa wynosi χ 2 obl = (60 50) (29 25) (11 25)2 25 = W tablicach rozkładu χ 2 lub przy pomocy komputera znajdujemy χ 2 (0.95, 2) = oraz χ 2 (0.995, 2) = Hipotezę odrzucamy w punkcie a), a punkcie b) nie.

47 47 ZADANIE 24. Łucznik strzelał z łuku do tarczy o promieniu 10 cm. W 10 próbach otrzymał następujące odległości od środka tarczy (z dokładnością 1cm): 4, 7, 8, 8, 0, 3, 2, 5, 7, 6. Zweryfikuj na poziomie istotności α = 0.05 hipotezę, że rozkład odległości trafień od środka tarczy jest jednostajny na przedziale [0; 10]. Stosujemy test Kołmogorowa. Rozkład jednostajny na przedziale [0; 10] ma dystrybuantę 0 dla x < 0, x F (x) = 10 dla 0 x 10, 1 dla x > 10. Tworzymy tabelę x i F (x i ) i 1 i i F (x i) i 9 F (x i) ,1 0 0,1 2 0,2 0,1 0,2 0,1 0,0 3 0,3 0,2 0,3 0,1 0,0 4 0,4 0,3 0,4 0,1 0,0 5 0,5 0,4 0,5 0,1 0,0 6 0,6 0,5 0,6 0,1 0,0 7 0,7 0,6 0,7 0,1 0,0 7 0,7 0,7 0,8 0,0 0,1 8 0,8 0,8 0,9 0,0 0,1 8 0,8 0,9 1,0 0,1 0,2 max 0,1 0,2 Stąd maksimum=0.2. W tablicach rozkładu Kołmogorowa znajdujemy d 10 (0.95) = Wartość statystyki testowej jest mniejsza. Hipotezy nie odrzucamy.

48 48 ZADANIE 25. Zważono losowo 9 paczek wysyłanych w pewnym urzędzie pocztowym i uzyskano wyniki w kg. 6.0, 1.5, 0.7, 2.5, 6.3, 1.1, 2.2, 2.8, 1.1. Postaw hipotezę, że rozkład jest typu N(x, s) 2 i zweryfikuj ją na poziomie istotności α = Obliczając przy pomocy komputera mamy x = 1.52, s = 0, 70. stawiamy hipotezę, że próbka pochodzi z rozkładu N(1.52, 0.70). Stosujemy test Kołmogorowa. Tworzymy tabelkę: x i F (x i ) i 1 i i F (x i) i 9 F (x i) 0.7 0,17 0 0,11 0,17 0, ,22 0,11 0,22 0,11 0, ,22 0,22 0,33 0,00 0, ,28 0,33 0,44 0,05 0, ,41 0,44 0,56 0,04 0, ,46 0,56 0,67 0,09 0, ,52 0,67 0,78 0,14 0, ,94 0,78 0,89 0,16 0, ,96 0,89 1,00 0,07 0,06 max 0,17 0,26 D nobl = Znajdujemy w tablicach d 9 (0.95) = Hipotezy nie odrzucamy. 2 W zasadzie test Kołmogorowa powinno stosować się wtedy, gdy parametry rozkładu, z którym porównujemy próbkę są z góry dane.

49 49 ZADANIE 26. Próbka dała następujące wyniki 0, 0, 0, 0, 0, 6. Pokaż przy pomocy testu Kołmogorowa, że na poziomie istotności α = 0.10 należy odrzucić hipotezę, że rozkład jest typu N(x, s). Mamy x = 1, s = Tworzymy tabelkę dla testu Kołmogorowa. Stawiamy hipotezę, że próbka pochodzi od rozkładu N(1, 0.245). x i F (x i ) i 1 i i F (x i) i 6 F (x i) max D nobl jest równe Natomiast d 6 (0.90) = Zatem hipotezę odrzucamy.

50 50 ZADANIE 27. Rozważ próbę z poprzedniego zadania. Pokaż, że przy innym wyborze µ na tym samym poziomie istotności nie odrzucimy hipotezy, że rozkład jest typu N(µ, s). Jeśli ustalimy średnią na przykład na 0.5, to test Kołmogorowa da rezultat x i F (x i ) i 1 i i F (x i) i 6 F (x i) max D nobl = Natomiast d 6 (0.90) = Zatem hipotezy nie odrzucamy.

51 51 ZADANIE 28. Jeszcze raz rozważ próbkę z poprzedniego zadania. Pokaż, że nie odrzucimy hipotezy na tym samym poziomie istotności, że rozkład jest jednostajny na przedziale [a; b] przy pewnym wyborze a i b. Wybierzmy np. a = 6, b = 8. Wtedy 0 dla x < 6 x+6 F (x) = 14 dla x [ 6; 8] 1 dla x > 8. Zatem tabela do testu Kołmogorowa wygląda następująco: x i F (x i ) i 1 i i F (x i) i 6 F (x i) max Maksimum jest równe Natomiast d 6 (0.90) = Zatem hipotezy nie odrzucamy.

52 52 ZADANIE 29. Pewien sklep sprowadził jabłka tej samej odmiany od dwóch dostawców. Wybrał losowo po 7 jabłek z każdej dostawy i zważył je. Otrzymał rezultaty w gramach: u pierwszego dostawcy 123, 111, 134, 144, 122, 133, 145. U drugiego dostawcy 122, 133, 117, 129, 137, 159, 161. Czy na poziomie istotności α = 0.05 można stwierdzić, że obaj dostawcy dają analogiczną ofertę? Zastosujemy test serii. Ustawimy wszystkie wartości w ciąg rosnący. Oznaczmy pierwszego dostawcę przez x, drugiego przez y. Otrzymamy tabelkę: x y x(y) y(x) x y x(y) y(x) x y x x y y W dwóch przypadkach mamy te same wartości w obu próbkach, zatem serii może być najmniej 8, a najwięcej 10, w zależności od tego jak ustawimy próbki o tej samej wartości. Znajdujemy w tablicy 8 k(0.05, 7, 7) = 4. Widzimy, że niezależnie od ustawienia kolejności takich samych wartości, mamy K > 4. Uznajemy, że obaj dostawcy mają podobną ofertę.

53 53 ZADANIE 30. Producent wag twierdzi, że jego wagi działają z odchyleniem standardowym 0.1 dkg. Aby sprawdzić, czy dostarczone nam z hurtowni torebki cukru są kilogramowe, zważyliśmy 100 losowo wybranych torebek i otrzymaliśmy wartość średnią kg. Czy na poziomie istotności α = 0.05 możemy mieć do hurtownika zastrzeżenia? Należy zastosować model D1. Stawiamy hipotezę µ = 100 przeciwko hipotezie µ < 100. Wartość statystyki testowej jest równa (po przeliczeniu wszystkich danych na dekagramy) u obl = Zbiorem krytycznym jest przedział 10 = 5. ( ; u(0.95)] = ( ; 1.64]. Wartość statystyki testowej należy do zbioru krytycznego (i to wyraźnie!). Powinniśmy mieć poważne zastrzeżenia.

50 zadań ze statystyki matematycznej dla studentów ZARZĄDZANIA z rozwiązaniami

50 zadań ze statystyki matematycznej dla studentów ZARZĄDZANIA z rozwiązaniami Jan Rusinek 50 zadań ze statystyki matematycznej dla studentów ZARZĄDZANIA z rozwiązaniami UWAGA! Ten tekst jest w trakcie przygotowania i sprawdzania. Może zawierać błędy. Jest sukcesywnie poprawiany

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja 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 szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

STATYSTYKA I DOŚWIADCZALNICTWO. Wykład 2

STATYSTYKA 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

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli

Bardziej szczegółowo

ZALICZENIA. W celu uzyskania zaliczenia należy wybrać jeden z trzech poniższych wariantów I, II lub III

ZALICZENIA. W celu uzyskania zaliczenia należy wybrać jeden z trzech poniższych wariantów I, II lub III ZALICZENIA W celu uzyskania zaliczenia należy wybrać jeden z trzech poniższych wariantów I, II lub III 1 Wariant I. PROBLEM WŁASNY Sformułować własne zadanie statystyczne związane z własną pracą badawczą

Bardziej szczegółowo

7. 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 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 szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.

Bardziej szczegółowo

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

Testowanie hipotez. 1 Testowanie hipotez na temat średniej

Testowanie hipotez. 1 Testowanie hipotez na temat średniej Testowanie hipotez Poziom p Poziom p jest to najmniejszy poziom istotności α, przy którym możemy odrzucić hipotezę zerową dysponując otrzymaną wartością statystyki testowej. 1 Testowanie hipotez na temat

Bardziej szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 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 szczegółowo

POLITECHNIKA WARSZAWSKA

POLITECHNIKA WARSZAWSKA POLITECHNIKA WARSZAWSKA WYDZIAŁ BUDOWNICTWA, MECHANIKI I PETROCHEMII INSTYTUT INŻYNIERII MECHANICZNEJ STATYSTYCZNA KONTROLA PROCESU (SPC) Ocena i weryfikacja statystyczna założeń przyjętych przy sporządzaniu

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 2 Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 2 Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE. www.etrapez.pl Strona 1 KUR TATYTYKA Lekcja Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE www.etrapez.pl trona 1 Część 1: TET Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 We wnioskowaniu statystycznym

Bardziej szczegółowo

Oszacowanie i rozkład t

Oszacowanie 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 szczegółowo

R 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 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 szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF 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 szczegółowo

Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego

Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w

Bardziej szczegółowo

Aleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.

Aleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut. Zadanie Statystyczna Analiza Danych - Zadania 6 Aleksander Adamowski (s869) W pewnym biurze czas losowo wybranej rozmowy telefonicznej jest zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.

Bardziej szczegółowo

Statystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski

Statystyczna 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 szczegółowo

Ćwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła

Ćwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła Ćwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła Michał Łasica klasa IIId nr 13 22 grudnia 2006 1 1 Doświadczalne wyznaczanie ogniskowej soczewki 1.1

Bardziej szczegółowo

STATYSTYKA STOSOWANA MAP1079

STATYSTYKA STOSOWANA MAP1079 STATYSTYKA STOSOWANA MAP1079 LISTY ZADAŃ opracowanie W. Wawrzyniak-Kosz Literatura podstawowa 1.J.Koronacki, J.Mielniczuk, Statystyka dla studentów kierunków technicznych i przyrodniczych, WNT, Warszawa

Bardziej szczegółowo

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

ODRZUCANIE 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 szczegółowo

Wielkość dziennego obrotu w tys. zł. (y) Liczba ekspedientek (x) 6 2 4 5,5 6,6

Wielkość dziennego obrotu w tys. zł. (y) Liczba ekspedientek (x) 6 2 4 5,5 6,6 Zad. 1. Zbadano wydajność odmiany pomidorów na 100 poletkach doświadczalnych. W wyniku przeliczeń otrzymano przeciętną wydajność na w tonach na hektar x=30 i s 2 x =7. Przyjmując, że rozkład plonów pomidora

Bardziej szczegółowo

Pytanie: Kiedy do testowania hipotezy stosujemy test F (Fishera-Snedecora)?

Pytanie: Kiedy do testowania hipotezy stosujemy test F (Fishera-Snedecora)? Pytanie: Kiedy do testowania hipotezy stosujemy test F (Fishera-Snedecora)? Gdy: badana cecha jest mierzalna (ewentualnie policzalna); dysponujemy dwoma próbami; chcemy porównać, czy wariancje w tych próbach

Bardziej szczegółowo

Spis treści. Laboratorium III: Testy statystyczne. Inżynieria biomedyczna, I rok, semestr letni 2013/2014 Analiza danych pomiarowych

Spis treści. Laboratorium III: Testy statystyczne. Inżynieria biomedyczna, I rok, semestr letni 2013/2014 Analiza danych pomiarowych 1 Laboratorium III: Testy statystyczne Spis treści Laboratorium III: Testy statystyczne... 1 Wiadomości ogólne... 2 1. Krótkie przypomnienie wiadomości na temat testów statystycznych... 2 1.1. Weryfikacja

Bardziej szczegółowo

Test lewostronny dla hipotezy zerowej:

Test lewostronny dla hipotezy zerowej: Poznajemy testowanie hipotez statystycznych w środowisku R Zajęcia z dnia 11 maja 2011 roku Najpierw teoria TESTY ISTOTNOŚCI WARTOŚCI ŚREDNIEJ W POPULACJI GENERALNEJ gdy znana jest wariancja!!! Test prawostronny

Bardziej szczegółowo

a)dane są wartości zmiennej losowej: 2, 4, 2, 1, 1, 3, 2, 1. Obliczyć wartość średnią i wariancję.

a)dane są wartości zmiennej losowej: 2, 4, 2, 1, 1, 3, 2, 1. Obliczyć wartość średnią i wariancję. Zad Rozkład zmiennej losowej dyskretnej : a)dane są wartości zmiennej losowej: 2, 4, 2,,, 3, 2,. Obliczyć wartość średnią i wariancję. b)oceny z pracy klasowej w tabeli: Ocena 2 3 4 5 6 Liczba uczniów

Bardziej szczegółowo

Pytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny?

Pytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny? Pytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny? Gdy: badana cecha jest mierzalna (tzn. posiada rozkład ciągły); badana cecha posiada rozkład normalny; dysponujemy pojedynczym wynikiem;

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

Statystyka Opisowa z Demografią oraz Biostatystyka. Aleksander Denisiuk. denisjuk@euh-e.edu.pl

Statystyka Opisowa z Demografią oraz Biostatystyka. Aleksander Denisiuk. denisjuk@euh-e.edu.pl Statystyka Opisowa z Demografią oraz Biostatystyka TesttStudenta Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka p.

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

Testy t-studenta są testami różnic pomiędzy średnimi czyli służą do porównania ze sobą dwóch średnich

Testy t-studenta są testami różnic pomiędzy średnimi czyli służą do porównania ze sobą dwóch średnich Testy t-studenta są testami różnic pomiędzy średnimi czyli służą do porównania ze sobą dwóch średnich Zmienne muszą być zmiennymi ilościowym (liczymy i porównujemy średnie!) Są to testy parametryczne Nazwa

Bardziej szczegółowo

Statystyka 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 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 szczegółowo

Ekonometria. Weryfikacja modelu. Paweł Cibis pcibis@o2.pl. 6 kwietnia 2006

Ekonometria. Weryfikacja modelu. Paweł Cibis pcibis@o2.pl. 6 kwietnia 2006 Weryfikacja modelu Paweł Cibis pcibis@o2.pl 6 kwietnia 2006 1 Badanie istotności parametrów strukturalnych modelu Testy Pakiet Analiza Danych Uwagi 2 Test dla małej próby Test dla dużej próby 3 Test Durbina-Watsona

Bardziej szczegółowo

Uwaga! Test studenta dla pojedynczej próby, niekierunkowy. Wykład 9: Testy Studenta. Test Studenta dla jednej próby, kierunkowy

Uwaga! Test studenta dla pojedynczej próby, niekierunkowy. Wykład 9: Testy Studenta. Test Studenta dla jednej próby, kierunkowy Wykład 9: Testy Studenta Jest kilka typów testów Studenta. Mają podobną strukturę, ale służą do testowania różnych hipotez i różnią się nieco postacią statystyki testowej. Trzy podstawowe typy testów Studenta

Bardziej szczegółowo

Analiza wariancji. dr Janusz Górczyński

Analiza wariancji. dr Janusz Górczyński Analiza wariancji dr Janusz Górczyński Wprowadzenie Powiedzmy, że badamy pewną populację π, w której cecha Y ma rozkład N o średniej m i odchyleniu standardowym σ. Powiedzmy dalej, że istnieje pewien czynnik

Bardziej szczegółowo

STATYSTYKA zadania do ćwiczeń. Weryfikacja hipotez część I.

STATYSTYKA zadania do ćwiczeń. Weryfikacja hipotez część I. STATYSTYKA zadania do ćwiczeń Weryfikacja hipotez część I Zad 1 W pewnej firmie postanowiono zbadać staż pracy pracowników W tym celu wylosowano prostą próbę losową z populacji pracowników i otrzymano,

Bardziej szczegółowo

STATYSTYKA wykład 5-6

STATYSTYKA wykład 5-6 TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp. Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.

Bardziej szczegółowo

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/13 STATYSTYKA

Bardziej szczegółowo

Statystyka. Tematyka wykładów. Przykładowe pytania. dr Tomasz Giętkowski www.krajobraz.ukw.edu.pl. wersja 20.01.2013/13:40

Statystyka. Tematyka wykładów. Przykładowe pytania. dr Tomasz Giętkowski www.krajobraz.ukw.edu.pl. wersja 20.01.2013/13:40 Statystyka dr Tomasz Giętkowski www.krajobraz.ukw.edu.pl wersja 20.01.2013/13:40 Tematyka wykładów 1. Definicja statystyki 2. Populacja, próba 3. Skale pomiarowe 4. Miary położenia (klasyczne i pozycyjne)

Bardziej szczegółowo

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2 Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,

Bardziej szczegółowo

Zastosowanie Excela w matematyce

Zastosowanie Excela w matematyce Zastosowanie Excela w matematyce Komputer w dzisiejszych czasach zajmuje bardzo znamienne miejsce. Trudno sobie wyobrazić jakąkolwiek firmę czy instytucję działającą bez tego urządzenia. W szkołach pierwsze

Bardziej szczegółowo

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Sposoby prezentacji problemów w statystyce

Sposoby prezentacji problemów w statystyce S t r o n a 1 Dr Anna Rybak Instytut Informatyki Uniwersytet w Białymstoku Sposoby prezentacji problemów w statystyce Wprowadzenie W artykule zostaną zaprezentowane podstawowe zagadnienia z zakresu statystyki

Bardziej szczegółowo

Plik pobrany ze strony www.zadania.pl

Plik pobrany ze strony www.zadania.pl Plik pobrany ze strony www.zadania.pl Wpisuje zdający przed rozpoczęciem pracy PESEL ZDAJĄCEGO Miejsce na nalepkę z kodem szkoły PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI Instrukcja dla zdającego Arkusz I

Bardziej szczegółowo

Często spotykany jest również asymetryczny rozkład gamma (Г), opisany za pomocą parametru skali θ i parametru kształtu k:

Często spotykany jest również asymetryczny rozkład gamma (Г), opisany za pomocą parametru skali θ i parametru kształtu k: Statystyczne opracowanie danych pomiarowych W praktyce pomiarowej często spotykamy się z pomiarami wielokrotnymi, gdy podczas pomiaru błędy pomiarowe (szumy miernika, czynniki zewnętrzne) są na tyle duże,

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statystyczna analiza danych Marek Ptak 21 października 2013 Marek Ptak Statystyka 21 października 2013 1 / 70 Część I Wstęp Marek Ptak Statystyka 21 października 2013 2 / 70 LITERATURA A. Łomnicki, Wprowadzenie

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Testowanie hipotez statystycznych Hipotezą statystyczną jest dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia

Bardziej szczegółowo

Testy zgodności 9 113

Testy zgodności 9 113 Testy zgodności 9 3 9. TESTY ZGODNOŚCI 9. Różne sytuace praktyczne W praktyce badań statystycznych, ak uż poprzednio stwierdzono, cały proces analizy statystyczne dzielimy na dwa etapy: formułowanie hipotezy

Bardziej szczegółowo

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo

Bardziej szczegółowo

II WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15

II WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15 II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ESTYMACJA Symbole w statystyce Symbole Populacja Średnia m Próba x Odchylenie standardowe σ s Odsetek p p Estymacja co to jest? Estymacja punktowa Estymacja przedziałowa

Bardziej szczegółowo

KURS PRAWDOPODOBIEŃSTWO

KURS PRAWDOPODOBIEŃSTWO KURS PRAWDOPODOBIEŃSTWO Lekcja 4 Prawdopodobieństwo całkowite i twierdzenie Bayesa. Drzewko stochastyczne. Schemat Bernoulliego. ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź

Bardziej szczegółowo

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie. SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:

Bardziej szczegółowo

Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej.

Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej. Temat: WYKRYWANIE ODCHYLEO W DANYCH Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej. Przykładem Box Plot wygodną metodą

Bardziej szczegółowo

Egzamin ze statystyki, Studia Licencjackie Stacjonarne. TEMAT C grupa 1 Czerwiec 2007

Egzamin ze statystyki, Studia Licencjackie Stacjonarne. TEMAT C grupa 1 Czerwiec 2007 Egzamin ze statystyki, Studia Licencjackie Stacjonarne TEMAT C grupa 1 Czerwiec 2007 (imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i

Bardziej szczegółowo

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2 STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2 Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Słowo statystyka pochodzi od łacińskiego słowa status, które oznacza

Bardziej szczegółowo

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się.

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się. 1 Wstęp Będziemyrozważaćgeneratorytypux n+1 =f(x n,x n 1,...,x n k )(modm). Zakładamy,żeargumentamifunkcjifsąliczbycałkowitezezbioru0,1,...,M 1. Dla ustalenia uwagi mogą to być generatory liniowe typu:

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura

Bardziej szczegółowo

Własności estymatora parametru lambda transformacji potęgowej. Janusz Górczyński, Andrzej Zieliński, Wojciech Zieliński

Własności estymatora parametru lambda transformacji potęgowej. Janusz Górczyński, Andrzej Zieliński, Wojciech Zieliński Własności estymatora parametru lambda transformacji potęgowej Janusz Górczyński, Andrzej Zieliński, Wojciech Zieliński 1. Wstęp Najczęstszym powodem transformowania zmiennej losowej jest jej normalizacja,

Bardziej szczegółowo

EGZAMIN MATURALNY Z MATEMATYKI POZIOM PODSTAWOWY SIERPIEŃ 2014. Czas pracy: 170 minut. Liczba punktów do uzyskania: 50 WPISUJE ZDAJĄCY

EGZAMIN MATURALNY Z MATEMATYKI POZIOM PODSTAWOWY SIERPIEŃ 2014. Czas pracy: 170 minut. Liczba punktów do uzyskania: 50 WPISUJE ZDAJĄCY Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 03 KOD WPISUJE ZDAJĄCY PESEL Miejsce na naklejkę z kodem dysleksja EGZAMIN MATURALNY Z MATEMATYKI Instrukcja

Bardziej szczegółowo

ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ

ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ Dopasowanie rozkładów Dopasowanie rozkładów- ogólny cel Porównanie średnich dwóch zmiennych 2 zmienne posiadają rozkład normalny -> test parametryczny (t- studenta) 2

Bardziej szczegółowo

Rozdział 7 ZARZĄDZANIE PROJEKTAMI

Rozdział 7 ZARZĄDZANIE PROJEKTAMI Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 7 ZARZĄDZANIE PROJEKTAMI 7.2. Ćwiczenia komputerowe Ćwiczenie 7.1 Wykorzystując

Bardziej szczegółowo

Najprostsze z zadań z prawdopodobieństwa robi się korzystając z dystrybuanty. Zacznijmy od tego - tu mamy rozkład (wyniki pomiarów):

Najprostsze z zadań z prawdopodobieństwa robi się korzystając z dystrybuanty. Zacznijmy od tego - tu mamy rozkład (wyniki pomiarów): Najprostsze z zadań z prawdopodobieństwa robi się korzystając z dystrybuanty. Zacznijmy od tego - tu mamy rozkład (wyniki pomiarów): Ok. Średnia to środek zbioru. Zazwyczaj mamy podane także odchylenie

Bardziej szczegółowo

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:

Bardziej szczegółowo

Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie

Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Zadanie Zbadano satysfakcję z życia w skali 1 do 10 w dwóch grupach rodziców: a) Rodzice dzieci zdrowych oraz b) Rodzice dzieci z niepełnosprawnością

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY Liczebności i częstości Liczebność liczba osób/respondentów/badanych, którzy udzielili tej konkretnej odpowiedzi. Podawana w osobach. Częstość odsetek,

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur

Bardziej szczegółowo

Excel - użycie dodatku Solver

Excel - użycie dodatku Solver PWSZ w Głogowie Excel - użycie dodatku Solver Dodatek Solver jest narzędziem używanym do numerycznej optymalizacji nieliniowej (szukanie minimum funkcji) oraz rozwiązywania równań nieliniowych. Przed pierwszym

Bardziej szczegółowo

Zajęcia: VBA TEMAT: VBA PROCEDURY NUMERYCZNE Metoda bisekcji i metoda trapezów

Zajęcia: VBA TEMAT: VBA PROCEDURY NUMERYCZNE Metoda bisekcji i metoda trapezów Zajęcia: VBA TEMAT: VBA PROCEDURY NUMERYCZNE Metoda bisekcji i metoda trapezów W ramach zajęć oprogramujemy jedną, wybraną metodę numeryczną: metodę bisekcji numerycznego rozwiązywania równania nieliniowego

Bardziej szczegółowo

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć:

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć: Wprowadzenie Statystyka opisowa to dział statystyki zajmujący się metodami opisu danych statystycznych (np. środowiskowych) uzyskanych podczas badania statystycznego (np. badań terenowych, laboratoryjnych).

Bardziej szczegółowo

ZAGADNIENIA NA EGZAMIN POPRAWKOWY Z MATEMATYKI W KLASIE III TECHNIKUM.

ZAGADNIENIA NA EGZAMIN POPRAWKOWY Z MATEMATYKI W KLASIE III TECHNIKUM. ZAGADNIENIA NA EGZAMIN POPRAWKOWY Z MATEMATYKI W KLASIE III TECHNIKUM. I Geometria analityczna 1. Równanie prostej w postaci ogólnej i kierunkowej powtórzenie 2. Wzajemne położenie dwóch prostych powtórzenie

Bardziej szczegółowo

Z Wikipedii, wolnej encyklopedii.

Z Wikipedii, wolnej encyklopedii. Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to

Bardziej szczegółowo

Analiza wyników egzaminu gimnazjalnego 2013 r. Test matematyczno-przyrodniczy (matematyka) Test GM-M1-132

Analiza wyników egzaminu gimnazjalnego 2013 r. Test matematyczno-przyrodniczy (matematyka) Test GM-M1-132 Analiza wyników egzaminu gimnazjalnego 2013 r. Test matematyczno-przyrodniczy (matematyka) Test GM-M1-132 Zestaw zadań z zakresu matematyki posłużył w dniu 24 kwietnia 2013 roku do sprawdzenia u uczniów

Bardziej szczegółowo

Zmienna losowa (wygrana w pojedynczej grze): (1, 0.5), ( 1, 0.5)

Zmienna losowa (wygrana w pojedynczej grze): (1, 0.5), ( 1, 0.5) Przykład 0. Gra polega na jednokrotnym rzucie symetryczną monetą, przy czym wygrywamy 1 jeżeli wypadnie orzeł oraz przegrywamy 1 jeżeli wypadnie reszka. Nasz początkowy kapitał wynosi 5. Jakie jest prawdopodobieństwo,

Bardziej szczegółowo

Analiza Statystyczna

Analiza Statystyczna Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza

Bardziej szczegółowo

KOOF Szczecin: www.of.szc.pl

KOOF Szczecin: www.of.szc.pl 3OF_III_D KOOF Szczecin: www.of.szc.pl XXXII OLIMPIADA FIZYCZNA (198/1983). Stopień III, zadanie doświadczalne D Źródło: Nazwa zadania: Działy: Słowa kluczowe: Komitet Główny Olimpiady Fizycznej; Waldemar

Bardziej szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change Raport 4/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych

Bardziej szczegółowo

Zadanie 2.Na III roku bankowości złożonym z 20 studentów i 10 studentek przeprowadzono test pisemny ze statystyki. Oto wyniki w obu podgrupach.

Zadanie 2.Na III roku bankowości złożonym z 20 studentów i 10 studentek przeprowadzono test pisemny ze statystyki. Oto wyniki w obu podgrupach. Zadanie 1.Wiadomo, że dominanta wagi tuczników jest umiejscowiona w przedziale [120 kg, 130 kg] i wynosi 122,5 kg. Znane są również liczebności przedziałów poprzedzającego i następnego po przedziale dominującym:

Bardziej szczegółowo

Test U Manna-Whitneya : Test H Kruskala-Wallisa Test Wilcoxona

Test U Manna-Whitneya : Test H Kruskala-Wallisa Test Wilcoxona Nieparametryczne odpowiedniki testów T-Studenta stosujemy gdy zmienne mierzone są na skalach porządkowych (nie można liczyć średniej) lub kiedy mierzone są na skalach ilościowych, a nie są spełnione wymagania

Bardziej szczegółowo

Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących

Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Cezary Dendek Wydział Matematyki i Nauk Informacyjnych PW Plan prezentacji Plan prezentacji Wprowadzenie

Bardziej szczegółowo

Zagadnienia: równanie soczewki, ogniskowa soczewki, powiększenie, geometryczna konstrukcja obrazu, działanie prostych przyrządów optycznych.

Zagadnienia: równanie soczewki, ogniskowa soczewki, powiększenie, geometryczna konstrukcja obrazu, działanie prostych przyrządów optycznych. msg O 7 - - Temat: Badanie soczewek, wyznaczanie odległości ogniskowej. Zagadnienia: równanie soczewki, ogniskowa soczewki, powiększenie, geometryczna konstrukcja obrazu, działanie prostych przyrządów

Bardziej szczegółowo

Arkusz maturalny nr 2 poziom podstawowy ZADANIA ZAMKNIĘTE. Rozwiązania. Wartość bezwzględna jest odległością na osi liczbowej.

Arkusz maturalny nr 2 poziom podstawowy ZADANIA ZAMKNIĘTE. Rozwiązania. Wartość bezwzględna jest odległością na osi liczbowej. Arkusz maturalny nr 2 poziom podstawowy ZADANIA ZAMKNIĘTE Rozwiązania Zadanie 1 Wartość bezwzględna jest odległością na osi liczbowej. Stop Istnieje wzajemnie jednoznaczne przyporządkowanie między punktami

Bardziej szczegółowo

Przykład 1 ceny mieszkań

Przykład 1 ceny mieszkań Przykład ceny mieszkań Przykład ceny mieszkań Model ekonometryczny zaleŝności ceny mieszkań od metraŝu - naleŝy do klasy modeli nieliniowych. - weryfikację empiryczną modelu przeprowadzono na przykładzie

Bardziej szczegółowo

Ćwiczenie: Wybrane zagadnienia z korelacji i regresji.

Ćwiczenie: Wybrane zagadnienia z korelacji i regresji. Ćwiczenie: Wybrane zagadnienia z korelacji i regresji. W statystyce stopień zależności między cechami można wyrazić wg następującej skali: Skala Guillforda Przedział Zależność Współczynnik [0,00±0,20)

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

EGZAMIN MATURALNY Z MATEMATYKI MAJ 2013 POZIOM PODSTAWOWY. Czas pracy: 170 minut. Liczba punktów do uzyskania: 50 WPISUJE ZDAJĄCY

EGZAMIN MATURALNY Z MATEMATYKI MAJ 2013 POZIOM PODSTAWOWY. Czas pracy: 170 minut. Liczba punktów do uzyskania: 50 WPISUJE ZDAJĄCY Centralna Komisja Egzaminacyjna Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 010 KOD WPISUJE ZDAJĄCY PESEL Miejsce na naklejkę z kodem dysleksja EGZAMIN

Bardziej szczegółowo

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota

Ekonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych

Bardziej szczegółowo

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 Zadanie 1 a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1 b) W naszym przypadku populacja są inżynierowie w Tajlandii. Czy można jednak przypuszczać, że na zarobki kobiet-inżynierów

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

KADD 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 szczegółowo

Klasyfikacja metodą Bayesa

Klasyfikacja metodą Bayesa Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

A B. 2 5 8 18 2 x x x 5 x x 8 x 18

A B. 2 5 8 18 2 x x x 5 x x 8 x 18 Narzędzia modelowania niezawodności 1 Arkusz kalkulacyjny - jest to program zbudowany na schemacie relacyjnych baz danych. Relacje pomiędzy dwiema (lub więcej) cechami można zapisać na kilka sposobów.

Bardziej szczegółowo

Testy normalności rozkładu

Testy normalności rozkładu Testy normalności rozkładu Wiele testów parametrycznych wymaga by dane pochodziły z rozkładu zbliżonego do normalnego. Dlatego testy badające normalność rozkładów są tak istotne. W testach tych zawsze

Bardziej szczegółowo

Metody badań kamienia naturalnego: Oznaczanie wytrzymałości na zginanie pod działaniem siły skupionej

Metody badań kamienia naturalnego: Oznaczanie wytrzymałości na zginanie pod działaniem siły skupionej Metody badań kamienia naturalnego: Oznaczanie wytrzymałości na zginanie pod działaniem siły skupionej 1. Zasady metody Zasada metody polega na stopniowym obciążaniu środka próbki do badania, ustawionej

Bardziej szczegółowo