Psychofizyka. Funkcje psychometryczne
|
|
- Emilia Kozłowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Psychofizyka Funkcje psychometryczne
2 Wstęp Funkcje psychometryczne (PF) odnoszą się do zachowania badanego w danym zadaniu psychofizyczne (np. proporcja poprawnych odpowiedzi, proporcja prób określonych jako jaśniejsze) w wyniku pewnej charakterystyki fizycznej bodźca (np. kontrastu, długości). Zazwyczaj mierzymy PF w celu określenia jednego lub kilku parametrów sumujących to zachowanie (np. próg kontrastu, albo punkt subiektywnej równości) Funkcje psychometryczne stosujemy zarówno do opisu wyników badań opartych na wydajności jak i na ocenie.
3 Przegląd funkcji psychometrycznych Próg wykrycia kontrastu Zadanie 2IFC Metoda stałych bodźców Proporcja poprawnych odpowiedzi Bodźce w ułożone w równych odstępach logarytmicznych (możliwe także liniowe) 50 prób w każdym bodźców Kryterium:75% poprawnych odpowiedzi Funkcja logistyczna
4 Dopasowanie funkcji Funkcja logistyczna Parametr α psychometrycznej określa usytuowanie krzywej wzdłuż osi X Wartość bodźca dla którego uzyskano wynik będący w połowie odległości między górną i dolną asymptotą (w przykładzie 75%) Parametr β określa nachylenie krzywej Wartości (będące wynikiem eksperymentu) mogą jedynie zostać dopasowane, a więc przybliżone
5 Dopasowanie funkcji psychometrycznej Odchylenie standardowe (SE) SE progu SE nachylenia Miara (nie)dokładności dopasowania/określenia wartości α i β Dokładność dopasowania (deviance) Wartość p
6 Pomiar i dopasowanie funkcji psychometrycznej Wybór wartości bodźca Wybór funkcji przybliżającej dane Dopasowanie funkcji Szacowanie niepewności parametrów funkcji Określenie jakości dopasowania funkcji (goodness-of-fit)
7 Liczba prób Im więcej tym dokładniejszy pomiaropraty na parametrach dopasowania (próg, nachylenie, punkt subiektywnej równości) Mała ilość prób może powodować niezbieżność dopasowania PF Można określić, że 400 prób jest właściwą liczbą aby określić zarówno próg jak i nachylenie PF
8 Zakres wartości bodźca Jako regułę można przyjąć, że dla badań opartych na wydajności zakres bodźców powinien obejmować wartości od prawie niewykrywalnych do wykrywalnych w prawie 100% prób Oznacza to, że nie trzeba prezentować bodźców z całego zakresu wartości a jedynie pewien zbiór odpowiednio dobranych Metody adaptatywne
9 Rozmieszczenie liniowe czy logarytmiczne? Skala logarytmiczna pozwala na częstsze (bliższe sobie) bodźce o małych wartościach i rzadkie bodźce o wartościach dalekich od progu prawo Webera-Fechnera Skala logarytmiczna to nie wartości logarytmów lecz wartości oddzielone o interwały logarytmiczne (szereg geometryczny): x i 10 i 1 b loga log n 1 a
10 Rozmieszczenie liniowe czy logarytmiczne? Skala logarytmiczna pozwala objąć większy zakres wartości bodźca? Nie! Skala logarytmiczna pozwala na częstsze (bliższe sobie) bodźce o małych wartościach i rzadkie bodźce o wartościach dalekich od progu prawo Webera-Fechnera x i 10 i 1 b loga log n 1 a Logarytmiczność wartości należy uwzględnić przy dopasowywaniu PF
11 Rodzaje funkcji Dystrybuanta rozkładu normalnego Rozkład logistyczny Rozkład Weibulla Rozkład Gumbela Funkcja sekans hyperboliczny
12 Parametry rozkładu Parametr α określa usytuowanie krzywej wzdłuż osi X Wartość bodźca dla którego uzyskano wynik będący w połowie odległości między górną i dolną asymptotą (w przykładzie 75%) Parametr β określa nachylenie krzywej
13 Parametry rozkładu Parametr γ Stopień zgadywania Zazwyczaj równy odwrotności liczby bodźców przedstawionych do wyboru (2AFC -> γ=0,5) Przy dopasowaniu funkcją logistyczną procent poprawnych odpowiedzi dla α będzie wyrażony przez: 1 2
14 Parametry rozkładu Parametr λ Stopień rozproszeń (lapse rate) Przy małej liczbie bodźców obserwator odpowiada niezależnie od wartości bodźca - wynika to zmęczenia albo rozproszenia uwagi Wartość parametru λ wpływa na obniżenie górnej asymptoty PF do poziomu 1- λ Definiujemy ten parametr jako prawdopodobieństwo odpowiedzi niepoprawnej na skutek zmęczenia
15 Wybór funkcji A priori Wybieramy funkcję, która opisuje znaną teorię przetwarzania danego bodźca A posteriori Wybieramy funkcję, która najdokładniej można dopasować do danych
16 Metody dopasowania PF Pierwszym krokiem jest wybór kryterium dopasowania kiedy uważamy że funkcja lepiej opisuje dane Kryterium maksymalnego podobieństwa (ML) funkcja która najprawdopodobniej powtórzy dane eksperymentu dokładnie tak jak zrobiłby to obserwator Szcowanie Bayesa
17 Szacowanie niepewności Nawet jeśli wykonujemy doświadczenie w tych samych warunkach możemy uzyskać różne wyniki (np. z powodu szumów w mózgu) Analiza bootstrap Komputer na podstawie zebranych danych generuje losowo wiele hipotetycznych danych Każdy zestaw hipotetycznych danych jest następnie przybliżany daną funkcją Następnie liczonej jest odchylenie standardowe parametrów dopasowania
18 Szacowanie dobroci dopasowania Dobroć dopasowania jest miarą jak dobrze dopasowana PF przechodzi przez punkty danych Duża dobroć może wskazać która funkcja PF najlepiej opisuje dane Mała dobroć może wskazać na duży wpływ rozproszeń (lapse ratio), co mogło nie zostać uwzględnione przy dopasowaniu
19 przerwa
20 Teorie funkcji psychometrycznych Funkcja psychometryczna określa relację między zadaniem psychofizycznym (np. prawdopodobieństwem poprawnej odpowiedzi) a pewną charakterystyką bodźca (np. kontrastem) Funkcję taką oznaczymy Ψ(x). Funkcja ta w większości przypadków ma kształt sigmoidalny (S-kształtny) Zazwyczaj jednak chcemy zmierzyć nie tyle wydajność obserwatora (prawdopodobieństwo poprawnej odpowiedzi w zależności od wartości bodźca) ale mechanizm zmysłowy zapewniający tą wydajność, tj. funkcję F(x) prawdopodobieństwo wykrycia bodźca przez mechanizm zmysłowy (sensoryczny) w zależności od jego wartości
21 Teoria wysokiego progu Wyobraźmy sobie eksperyment 2IFC w którym obserwator musi wybrać z dwóch interwałów czasowych ten, który zawiera bodziec (S sygnał). Brak bodźca (drugi okres) nazwiemy szumem (N noise) Decyzja zostaje podjęta na podstawie "substancji zmysłowej zgromadzonej przez narządy zmysłów (np. wzrok) można to sobie wyobrazić jako pewien stopień aktywności neuronów
22 Substancja zmysłowa (sensory evidence) Wyobraźmy sobie eksperyment 2IFC w którym obserwator musi wybrać z dwóch interwałów czasowych ten, który zawiera bodziec (S sygnał). Brak bodźca (drugi okres) nazwiemy szumem (N noise) Decyzja zostaje podjęta na podstawie ilości "substancji zmysłowej zgromadzonej przez narządy zmysłów (np. wzrok) można to sobie wyobrazić jako pewien stopień aktywności neuronów Z powodu wewnętrznego i zewnętrznego szumu ilość "substancji zmysłowej fluktuuje losowo od jednej do drugiej prezentacji bodźca sprawiając że ten sam bodziec może wzbudzić jej różną ilość
23 Substancja zmysłowa Załóżmy, że ilość "substancji zmysłowej zależy liniowo od wartości bodźca, zaś fluktuacje mają rozkład normalny x x
24 Teoria wysokiego progu Mechanizm zmysłowy wykrywa bodziec jeśli wartość "substancji zmysłowej przekroczy pewną ustaloną wewnętrzną granicę próg Próg jest wystarczająco wysoki, aby w nieobecności bodźca nie mogło dojść do wykrycia sygnału sam szum nie może wygenerować sygnału Proces decyzyjny nie ma dostępu to poziomu "substancji zmysłowej wykrycie jest binarne, próg jest lub nie jest przekroczony Oznacza to, że wg tej teorii F(x) jest dystrybuantą rozkładu normalnego
25 Teoria wysokiego progu System zmysłowy nie generuje fałszywych alarmów Jeśli próg jest przekroczony system zawsze reaguje sygnałem Jeśli próg nie jest przekroczony obserwator zgaduje z prawdopodobieństwem 50% (w M-AFC z prawdopodobieństwem 1/m), oznaczmy to jako γ Dodatkowo uwzględniamy prawdopodobieństwo rozproszeń λ (niezauważona próba, błąd w wyborze odpowiedzi). Klasycznie definiujemy je jako prawdopodobieństwo błędu z powodu rozproszenia. Jako λ* oznaczymy samo prawdopodobieństwo rozproszeń (może mimo to zostać podana prawidłowa odpowiedź)
26 Teoria wysokiego progu
27 Teoria wysokiego progu Ψ(x;α,β,γ,λ) = γ + (1- λ- γ) F(x; α,β)
28 Teoria detekcji sygnałów (SDT) Według SDT nie ma czegoś takiego jak ustalony próg wewnętrzny. Mechanizm zmysłowy generuje pewien poziom sygnału w zależności od ilości zgromadzonej substancji zmysłowej Proces decyzji jest porównaniem sygnału z próby N i S. Z powodu szumu ilości substancji zmysłowej fluktuują, zaś każdy pomiar to próbka z rozkładu prawdopodobieństwa dla danego bodźca
29 Teoria detekcji sygnałów (SDT)
30 Teoria detekcji sygnałów (SDT) Załóżmy, że Średnia aktywność zmysłowa jest liniowo zależna od wartości bodźca: x x Wariancja jest niezależna od wartości bodźca i równa σ 2 Prawdopodobieństwo opisane jest rozkładem normalnym
31 Teoria detekcji sygnałów (SDT) Jeśli różnica substancji zmysłowej między wartością próbki z prezentowanego sygnału i szumu przekracza zero odpowiedź jest poprawna Różnica dwóch rozkładów normalnych jest rozkładem normalnym o dwa razy większej wariancji i średniej różnicowej N 2 2 2, N x, N x,2 Według SDT obserwator nigdy nie zgaduje Według tej teorii funkcja PF ma kształt określony przez górną połówkę dystrybuanty rozkładu normalnego. Aby uzyskać bardziej sigmoidalny kształt należy przyjąć (bardziej realistyczne) założenie o nieliniowości funkcji μ(x) i wyskalować skalę bodźców logarytmicznie
32 Szczegóły typów funkcji Ψ(x;α,β,γ,λ) = γ + (1- λ- γ) F(x; α,β) F(x; α,β) prawdopodobieństwo wykrycia bodźca przez mechanizm sensoryczny jako funkcja wartości bodźca α parametr lokalizacyjny (próg) β parametr stopnia zmian (nachylenie) γ prawdopodobieństwo poprawnej odpowiedzi gdy bodziec nie został wykryty λ prawdopodobieństwo odpowiedzi niepoprawnej niezależne od wartości bodźca
33 Dystrybuanta rozkładu normalnego Całka nie posiada rozwiązania analitycznego, ale jest rozwiązywalna numerycznie - zmiany α przy ustalonym β powodują przesuwanie funkcji β jest związane z odwrotności odchylenia standardowego i określa nachylenie PF Ponieważ i metoda nie opisuje dobrze zadań gdzie x=0 oznacza brak bodźca, chyba, że x będzie zlogarytmowane
34 Rozkład logistyczny Dobre przybliżenie dystrybuanty rozkładu normalnego (po transformacji ) Funkcja możliwa do wyliczenia analitycznego Także nie opisuje dobrze zadań gdzie x=0 oznacza brak sygnału dopóki x nie zostanie przetransformowane do postaci logarytmicznej
35 Rozkład Weibulla Wartość progowa (x=α) wynosi 1-1/e=0,6321 Nachylenie zależy zarówno od β jak i od α, chyba że zależna od log x
36 Rozkład Gumbela Posiada właściwości takie jak rozkład Weibulla, lecz jest określony także dla wartości ujemnych x (np. mierzonych w jednostkach logarytmicznych)
37 Sekans hiperboliczny Rzadko używany w literaturze psychofizycznej
38 Metody dopasowywania PF Dane z eksperymentu psychofizycznego są proporcjami poprawnych odpowiedzi mierzonymi w pewnej liczbie różnych natężeń bodźca x Każdy z tych punktów opiera się na pewnej (skończonej) liczbie prób, więc jedynie szacuje prawdziwą wartość prawdopodobieństwa z którym obserwator generuje prawidłową odpowiedź Prawdziwe wartości powinna dawać funkcja PF Zazwyczaj naszym celem jest wyznaczenie parametrów progu (α) i nachylenia (β) Stopień zgadywania γ jest znany (1/m), zaś stopień rozkojarzeń λ jest nieznany, ale można go uznać za małoznaczący (chyba że to on jest celem eksperymentu)
39 Rzut monetą Wyobraźmy sobie, że rzucamy monetą 10 razy i uzyskujemy wynik RROROORROR Prawdopodobieństwo uzyskania dokładnie takiego wyniku wynosi: gdzie a jest potencjalną wartością naszego parametru, p(y k a) jest prawdopodobieństwem uzyskania wyniku y w k-tej próbie dla przyjęcia wartości a dla naszego parametru, N jest liczbą prób
40 Rzut monetą Jest to prawdopodobieństwo przy założeniu a=0,4 L(0,4 y) jest prawdopodobieństwem uzyskania dokładnie wyniku y w N próbach jest to miara jakości doboru parametru a do danych y
41 Rzut monetą L(a y) będzie traktować jako funkcję parametru a. Maksymalizując ją znajdziemy najlepsze a Jeśli nie interesuje nas kolejność wyników tylko ich ilość musimy dodać do wzoru dwumian, jednakże powoduje on jedynie przeskalowanie wartości nie przesuwając wykresu
42 Maksymalne podobieństwo Zazwyczaj w próbach psychofizycznych chcemy wyznaczyć (dopasować) wartości dwóch parametrów, funkcję L zapiszemy więc jako Gdzie p(y k x k ;a,b) oznacza prawdopodobieństwo odpowiedzi y w k-tej próbie, wartości bodźca x oraz przy założeniu progu α=a i nachylenia β=b
43 Maksymalne podobieństwo
44 Maksymalne podobieństwo
45 Maksymalne podobieństwo Ponieważ prawdopodobieństwa wynikające z tej metody są bardzo małe (szczególnie dla dużych ilości prób) często używa się transformacji logarytmicznej:
46 Maksymalne podobieństwo Założenie stabilności Prawdopodobieństwo wskazania poprawnej odpowiedzi nie zależy od k (numeru próby) W rzeczywistości na skutek zmęczenia i uczenia się nie jest to prawdą Założenie niezależności Prawdopodobieństwo wskazania poprawnej odpowiedzi zależy jedynie od wartości bodźca w danej próbie W rzeczywistości obserwator po kilku nieudanych próbach może skupić się mocniej, zaś po szeregu udanych zdekoncentrować się
47 Stopień rozkojarzeń λ Stopień rozkojarzeń często zakłada się na poziomie 0, jednakże w tym przypadku (szczególnie przy dużych zakresach bodźców) przypadkowy błąd ma duży wpływ na wartość prawdopodobieństwa L Dlatego można dodać λ jako parametr rozkładu (często prowadzi to do braku zbieżności lub wartości bez sensu), założyć małą niezerową wartość λ lub zawęzić maksymalnie zakres prezentowanych bodźców
48 Szacowanie niepewności Szacunki, które otrzymamy z naszej próbki nie będą dokładnie równe prawdziwym parametrom (obesrwatora) Powtórzenie eksperymentu w identycznych warunkach będzie prowadzić do innych wartości Błąd próbkowania Jeśli przybliżymy rozrzut wyników w kolejnych eksperymentach rozkładem normalnym 68% wyników x znajdzie się w obszarze μ x ± σ x Mówimy, że jesteśmy w 68% pewni średnia jest pomiędzy μ x σ x a μ x + σ x
49 Metoda bootstrap Aby uzyskać odchylenie standardowe nie wykonując eksperymentu (próbki) setki razy możemy zasymulować wyniki Metoda parametryczna dopasowujemy PF (pierwotną) do danych, losujemy w każdym bodźcu poprawne/niepoprawne wskazania z prawdopodobieństwem określonym przez PF do uzyskanego nowego rozkładu dopasowujemy nową PF (wtórną) Robimy histogram, liczymy średnią i odchylenie standardowe parametrów PF (wtórnych) Metoda nieparametryczna Pomijamy pierwszy krok, a w drugim prawdopodobieństwo określają bezpośrednio dane
50 Metoda bootstrap
51 Odchylenie standartowe W odniesieniu do parametrów PF pierwotnej: W odniesieniu do parametrów PF wtórnych: α b jest parametrem b-tej próbki α g jest parametrem PF pierwotnej B jest liczbą próbek
52 Twierdzenie Bayesa Wyobraźmy sobie, że mamy pewną rzadką (0,0001% populacji) wadę genetyczną D Mamy także test H która ją wykrywa. Metoda ta ma 99% skuteczności 99% osób posiadających ową cechę genetyczną wykazuje pozytywny wynik testu P(D+ H+)=0,99 99% osób nie posiadających owej cechy ma wynik negatywny testu P(D- H-)=0,99 Jakie jest prawdopodobieństwo, że osoba u której wynik jest pozytywny p(h+ D-) jest zdrowa? p p H p D H H D p H p D H p H p D H
53 Twierdzenie Bayesa w zastosowaniu do podobieństwa p a, b y a L b a, b y p a, b L a, b y p a, b L(a,b y) jest naszą funkcją podobieństwa p(a,b) jest wstępnym rozkładem parametrów a,b (literatura, teoria, wcześniejsze badania) p(a,b L) jest rozkładem wtórną gęstością prawdopodobieństwa
54 Kryterium bayesiańskie N=20
55 Kryterium bayesiańskie Założenie wstępne jednopunktowe Gęstość prawdopodobieństwa także jednopunktowa Założenie wstępne jednorodne Gęstość prawdopodobieństwa równa funkcji poobieństwa Założenie wstępne jednorodne w ograniczonym zakresie a b b a L b a L b a p y y y,,, a b b a p b p b a p a p y y y y,,
56 Szacowanie niepewności Ponieważ w wyniku uzyskujemy funkcję gęstości prawdopodobieństwa możemy łatwo wyznaczyć prawdopodobieństwa, że a i b mają wartości w jakiś przedziałach (całkowanie (sumowanie) w granicach) Możemy także obliczyć odchylenie standardowe 2 SE a p a, b y a b
Psychofizyka. Pomiary detekcji sygnałów Porównanie modeli
Psychofizyka Pomiary detekcji sygnałów Porównanie modeli Czym jest Teoria Detekcji Sygnałów (SDT)? W wielu przypadkach badań wydajnościowych proporcja poprawnych odpowiedzi (Pc) jest niewłaściwą lub nieinformacyjną
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 MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
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 szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
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 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka matematyczna 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 szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
Bardziej szczegółowoPsychofizyka. Klasyfikacja eksperymentów psychofizycznych
Psychofizyka Klasyfikacja eksperymentów psychofizycznych Plan II części zajęć Klasyfikacja eksperymentów psychofizycznych Różnorodność procedur psychofizycznych Funkcje psychometryczne Metody adaptacyjne
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 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 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 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 szczegółowoTESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.
TESTY NIEPARAMETRYCZNE 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa. Standardowe testy równości średnich wymagają aby badane zmienne losowe
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 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 szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej 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 szczegółowoAKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA
AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoPsychofizyka. Metody adaptacyjne Skale percepcyjne
Psychofizyka Metody adaptacyjne Skale percepcyjne Metody adaptacyjne Eksperymenty psychofizyczne mogą być długie i męczące zarówno dla obserwatora jak i badacza Procedury adaptacyjne skracają czas i zwiększają
Bardziej szczegółowoSMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec
SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
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 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 szczegółowoI jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek
ZADANIA statystyka opisowa i CTG 1. Dokonano pomiaru stężenia jonów azotanowych w wodzie μg/ml 1 0.51 0.51 0.51 0.50 0.51 0.49 0.52 0.53 0.50 0.47 0.51 0.52 0.53 0.48 0.59 0.50 0.52 0.49 0.49 0.50 0.49
Bardziej szczegółowoZadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.
Zadania ze statystyki cz. 8 I rok socjologii Zadanie 1. W potocznej opinii pokutuje przekonanie, że lepsi z matematyki są chłopcy niż dziewczęta. Chcąc zweryfikować tę opinię, przeprowadzono badanie w
Bardziej szczegółowoRozkłady statystyk z próby. Statystyka
Rozkłady statystyk z próby tatystyka Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających ten
Bardziej szczegółowoKURS PRAWDOPODOBIEŃSTWO
KURS PRAWDOPODOBIEŃSTWO Lekcja 6 Ciągłe zmienne losowe ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 Zmienna losowa ciągła jest
Bardziej szczegółowoZadania ze statystyki cz.8. Zadanie 1.
Zadania ze statystyki cz.8. Zadanie 1. Wykonano pewien eksperyment skuteczności działania pewnej reklamy na zmianę postawy. Wylosowano 10 osobową próbę studentów, których poproszono o ocenę pewnego produktu,
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 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 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 szczegółowoW4 Eksperyment niezawodnościowy
W4 Eksperyment niezawodnościowy Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Badania niezawodnościowe i analiza statystyczna wyników 1. Co to są badania niezawodnościowe i
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 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 szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
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 szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
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 szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej 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 szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoZ 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 szczegółowoANALIZA 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 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 szczegółowoZ poprzedniego wykładu
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
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 szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoKomputerowa 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 szczegółowoLABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej
LABORATORIUM 3 Przygotowanie pliku (nazwy zmiennych, export plików.xlsx, selekcja przypadków); Graficzna prezentacja danych: Histogramy (skategoryzowane) i 3-wymiarowe; Wykresy ramka wąsy; Wykresy powierzchniowe;
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 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 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 - 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 szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowo5 Błąd średniokwadratowy i obciążenie
5 Błąd średniokwadratowy i obciążenie Przeprowadziliśmy 200 powtórzeń przebiegu próbnika dla tego samego zestawu parametrów modelowych co w Rozdziale 1, to znaczy µ = 0, s = 10, v = 10, n i = 10 (i = 1,...,
Bardziej szczegółowoExcel: niektóre rozkłady ciągłe (1)
MS Ecel niektóre rozkłady ciągłe (1) Ecel: niektóre rozkłady ciągłe (1) 1. ROZKŁAD.BETA (tylko dystrybuanta)...1 2. ROZKŁAD.BETA.ODW (kwantyl w rozkładzie beta)...3 3. ROZKŁAD.LIN.GAMMA (to nie jest żaden
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 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 szczegółowoModel EWD dla II etapu edukacyjnego.
Model EWD dla II etapu edukacyjnego. Na podstawie materiałów Pracowni EWD Instytut Badań Edukacyjnych Warszawa, 28-29.11.2014 r. Plan zajęć /moduł 9. i 10./ 1. Idea EWD 2. Model EWD dla II etapu 3. Prezentacja
Bardziej szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoTransmisja przewodowa
Warszawa, 2.04.20 Transmisja przewodowa TRP Ćwiczenie laboratoryjne nr 3. Jakość transmisji optycznej Autorzy: Ł. Maksymiuk, G. Stępniak, E. Łukowiak . Teoria Do podstawowych metod oceny transmisji sygnałów
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 szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
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 szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej 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 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 szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoRozkłady 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 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 szczegółowoPrzedziały ufności. Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego
Przedziały ufności Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego czyli P( μ [a,b] ) = 1 α P( μ < a ) = α/2 P( μ > b ) =
Bardziej szczegółowoStatystyka. Magdalena Jakubek. kwiecień 2017
Statystyka Magdalena Jakubek kwiecień 2017 1 Nauka nie stara się wyjaśniać, a nawet niemal nie stara się interpretować, zajmuje się ona głównie budową modeli. Model rozumiany jest jako matematyczny twór,
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej 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 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 szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowo