Elementy statystyki matematycznej
|
|
- Dagmara Antczak
- 7 lat temu
- Przeglądów:
Transkrypt
1 Elemety statystyki matematyczej Program kursu:. Podstawy rachuku prawdopodobieństwa. Zdarzeia elemetare i losowe - zmiea losowa. Rozkłady zmieych losowych.3 Rozkłady wielowymiarowe.4 Rozkłady brzegowe i warukowe.5 Momety zmieych losowych. Estymatory mometów i parametrów zmieej losowej. Wartość średia i iepewość stadardowa. Średia waŝoa.3 Współczyik korelacji.4 Moda, mediaa i kwartyle 3. Estymacja 3. Metoda mometów 3. Metoda ajwiększej wiarogodości 3.3 Przedział ufości R.J. Nowak
2 Elemety statystyki matematyczej 4. Testy hipotez 4. Wprowadzeie 4. Poziom istotości 4.3 Test istotości 4.4 Wartość p testu 4.5 Statystyka ilorazu wiarogodości 4.6 Test Studeta dla jedej próbki 4.7 Test parametru σ rozkładu Gaussa 4.8 Test Studeta dla dwóch próbek iepowiązaych 4.9 Test F 4.0 Test Studeta dla próbek powiązaych 4. Test współczyika korelacji 4. Test jedorodości w tablicach wielodzielczych 4.3 Test dokłady Fishera 4.4 Test iezaleŝości w tablicach wielodzielczych 4.5 Testy ieparametrycze - wprowadzeie 4.6 Test zgodości χ Pearsoa R.J. Nowak
3 Elemety statystyki matematyczej Rachuek prawdopodobieństwa: J. Jakubowski, R. Sztecel - Wstęp do teorii prawdopodobieństwa, SCRIPT, Warszawa 00 W. Feller, Wstęp do rachuku prawdopodobieństwa, tom, PWN, Warszawa 966, tom, Warszawa 969 Statystyka matematycza: A. Łomicki, Wprowadzeie do statystyki dla przyrodików, Wydawictwo Naukowe PWN, Warszawa 999 A. Plucińska, E. Pluciński, Probabilistyka, Wydawictwo Naukowo- Techicze, Warszawa 000 L.T. Kubik, Zastosowaie elemetarego rachuku prawdopodobieństwa do wioskowaia statystyczego, Wydawictwo Naukowe PWN, Warszawa 998 J. Koracki, J. Mieliczuk, Statystyka dla studetów kieruków techiczych i przyrodiczych, Wydawictwo Naukowo-Techicze, Warszawa 00 M. Fisz, Rachuek prawdopodobieństwa i statystyka matematycza, PWN, Warszawa, 969 R. Zieliński, Siedem wykładów wprowadzających do statystyki matematyczej, PWN, Warszawa, 990 ( R.J. Nowak 3
4 . Zdarzeia elemetare i losowe Drejdel - urządzeie do produkowaia zdarzeń elemetarych נ - Nu ג - Gimmel ה - Hei ש - Szi Nes Gadol Haja Szam czyli: wielki cud zdarzył się tam R.J. Nowak 4
5 . Zdarzeia elemetare i losowe Przeliczale zdarzeia elemetare: drejdel, gatuek złapaego chrząszcza, wiek męŝa i Ŝoy. Cotiuum zdarzeń elemetarych: ruletka w kolorze tęczy, oczekiwaie a karetkę pogotowia, kolor oczu i włosów. Zdarzeie elemetare: w uproszczeiu - wyik pojedyczego eksperymetu. Przestrzeń zdarzeń elemetarych Ω to zbiór wszystkich moŝliwych wyików eksperymetu. Wybór przestrzei zdarzeń elemetarych to zadaie spoczywające a barkach badacza stosującego metody rachuku prawdopodobieństwa i statystyki matematyczej w swoich badaiach. Zmiea losowa - dyskreta lub ciągła - to fukcja liczbowa, skalara lub wektorowa, przyporządkowująca zdarzeiu elemetaremu pojedyczą liczbę (aturalą, całkowitą, rzeczywistą...), czyli skalarą zmieą losową lub zespół takich liczb, czyli wektorową zmiea losową. Przyporządkowaie to leŝy w wyłączej gestii badacza i odbywa się a jego odpowiedzialość. R.J. Nowak 5
6 . Zdarzeia elemetare i losowe Przestrzeń zdarzeń losowych: zbiór wszystkich podzbiorów zdarzeń elemetarych wraz ze zdarzeiem pewym, czyli zdarzeiem złoŝoym z całej przestrzei zdarzeń elemetarych i zdarzeiem iemoŝliwym, reprezetowaym zbiorem pustym. Od przestrzei zdarzeń losowych wymagamy, aby jeśli aleŝy do iej pewe zdarzeie, to takŝe aleŝy do iej zdarzeie przeciwe, jak rówieŝ powia zawierać wszystkie sumy i iloczyy zdarzeń losowych. Zdarzeie losowe: elemet przestrzei zdarzeń losowych. PRZYKŁAD: zdarzeia dyskrete: losowaie totolotka - przestrzeń zdarzeń elemetarych to zbiór wszystkich umerków, a zdarzeie losowe to p. trafieie trójki ; cotiuum zdarzeń elemetarych: czas oczekiwaia a autobus kursujący co kwadras - przestrzeń zdarzeń elemetarych to odciek [0;900] s a osi rzeczywistej, zdarzeie elemetare to p. czas oczekiwaia 5 mi i 3 s, a zdarzeie losowe to czas oczekiwaia dłuŝszy iŝ p. 3 mi, lub p. dłuŝszy iŝ 5 mi i jedocześie krótszy iŝ 7 mi. R.J. Nowak 6
7 . Zdarzeia elemetare i losowe Pewiki Kołmogorowa: istieje miara P(A) zdarzeia losowego A taka, Ŝe: 0 P(A), P(Ω) =, jesli A i B są zdarzeiami losowymi takimi, Ŝe zdarzeie A B jest zdarzeiem iemoŝliwym (zbiorem pustym), to P(A B) = P(A) + P(B). Z tych trzech pewików, uzupełioych o szereg dodatkowych pojęć, wyika cała teoria prawdopodobieństwa, a w szczególości otrzymujemy z ich dwa podstawowe prawa: ( ) = ( ) ( ) = ( ) + ( ) ( ) P A P A, gdzie A jest zdarzeiem przeciwym do A, P A B P A P B P A B, jesli zdarzeia A i B ie wykluczają się. Teoria prawdopodobieństwa igdy ie podpowiada am, jak mamy wybrać ową miarę P w kaŝdym kokretym przypadku. Wybór te pozostawioy jest badaczowi wykorzystującemu rachuek prawdopodobieństwa i statystykę matematyczą w swej pracy. Sytuacja jest aalogicza do tej, jaką spotykamy w auce geometrii, w której igdzie ie jest powiedziae jak aleŝy mierzyć odległość. R.J. Nowak 7
8 . Rozkład jedostajy - totolotek Zmiea losowa o wartości k =,, 3,..., (= 49) i prawdopodobieństwo: ( ) P k = rozkład jedostajy częstość 0,05 0,00 0,05 0,00 0,005 0,000 Losowaie "umerków" w totku, N = wylosoway "umerek" k Jedostajy charakter rozkładu ozacza rzetely charakter maszyy losującej - załoŝeie to odzwierciedla miemaie budującego model probabilistyczy badaego zjawiska. R.J. Nowak 8
9 . Rozkład jedostajy - wulkay 3380 erupcji w latach , zgrupowaych w miesiącach ; zmiea losowa o wartości k =,, 3,..., (= ) Maso, B. G., D. M. Pyle, W. B. Dade, ad T. Jupp (004), Seasoality of volcaic eruptios, J. Geophys. Res., 09,B0406 częstość 0,0 0,08 0,06 0,04 0,0 0,00 I II III IV V VI VII VIII IX X XI XII miesiąc P ( k ) = rozkład jedostajy Jedostajy charakter rozkładu domiemuje jedakowe prawdopodobieństwo erupcji w kaŝdym miesiącu - załoŝeie to odzwierciedla opiię budującego model probabilistyczy badaego zjawiska. R.J. Nowak 9
10 Iterludium - prawdopodobieństwo warukowe Prawdopodobieństwo, Ŝe przypadkowo wybraa osoba: zdrowi daltoiści suma męŝczyźi N MZ N MD N M kobiety N KZ N KD N K suma N Z N D N ( ) P D K N N N KD KD = = = N N K K N ( D) P ( K ) P K Prawdopodobieństwo P(A B) warukowe zdarzeia losowego A pod warukiem wystąpieia zadaego (ielosowego) zdarzeia B: ( ) ( ) K P K ( B) P ( B) P A P A B =. R.J. Nowak 0 N N N N = - jest kobietą ( ) D P D = - cierpi a daltoizm prawdopodobieństwo, Ŝe kobieta jest daltoistką - to ie to samo, co P(K D) - prawdopodobieństwo, Ŝe kobieta i jedocześie daltoistka Jeśli prawdopodobieństwo warukowe P(A B) zdarzeia losowego A ie zaleŝy od zdarzeia B, czyli: ( ) ( B) P ( B) P A P A B = = P P A B P B ( A) ( ) = P ( A) ( ) to zdarzeia A i B azywamy statystyczie (stochastyczie) iezaleŝymi.
11 . Rozkład dwumiaowy Próba Beroulliego: pojedyczy eksperymet, wyikiem którego jest zdarzeie poŝądae, zwae sukcesem lub zdarzeie iechciae, czyli poraŝka. p: prawdopodobieństwo sukcesu, p: prawdopodobieństwo poraŝki, B k! k k, p = p ( p), =,,3,..., k = 0,,,...,, 0 < p < k! k! ( ) k ( ) ( ) Bk, p = p p, k = 0, ( ) k rozklad Beroulliego Schemat Beroulliego: seria statystyczie iezaleŝych i idetyczych prób Beroulliego, czyli wielokrotie powtórzeie, z zachowaiem stałej wartości prawdopodobieństwa p sukcesu, tego samego eksperymetu w taki sposób, aby wyik jedego eksperymetu ie miał wpływu a wyik któregokolwiek iego eksperymetu (ie uczymy się iczego w trakcie wykoywaia eksperymetów!). Rozkład opisujący liczbę k sukcesów uzyskaych w schemacie Beroulliego złoŝoym z prób, to tzw. rozkład dwumiaowy: Rozkład dwumiaowy podaje prawdopodobieństwo liczby sukcesów bez zwracaia uwagi a porządek tych sukcesów w kolejych próbach! R.J. Nowak
12 . Rozkład dwumiaowy - liczba chłopców () A. Geissler, Beiträge zur Frage des Geschlechtsverhältisses der Geboree, Z. Kögl. Sächs. Statist. Bur., 35, (889) -4 0,5 Rozkład liczby chłopców w rodziie z dzieci, N = 65 0,0 0,5 częstość 0,0 0,05 0, liczba k chłopców 65 rodzi, kaŝda z dzieci dzieci, w tym 3800 chlopców 3800 p ˆ = 0, R.J. Nowak
13 . Rozkład dwumiaowy - liczba chłopców () Prostowaie rozkładu dwumiaowego: p l k (, p) = k l + l( p). k B p Jak widzimy, mamy do czyieia z liiową fukcją zmieej k. Ozaczeia: k liczba rodzi z liczbą k chłopców, N = k łącza liczba rodzi, k= 0 ˆ k Bk = ocea prawdopodobieństwa B N k, u l ˆ k = k k B w przybliŝeiu powia być liiową fukcją zmieej k, jeśli zmiea ta podlega rozkładowi dwumiaowemu R.J. Nowak 3
14 . Rozkład dwumiaowy - liczba chłopców (3) zmiea u k 4,0 3,5 3,0,5,0,5, liczba k chłopców R.J. Nowak 4
15 . Rozkład dwumiaowy - dziewczyy do ścisłych () 000 kadydatów a studia a Wydziale Fizyki kobiet i 45 męŝczyz. Uporządkowaie alfabetycze azwisk i podzieleie a grupy po 0 osób daje 00 grup. Zmiea losowa k =,,..., 0 opisuje liczbę kobiet w grupie, a ocea prawdopodobieństwa, Ŝe przypadkowo wybraa osoba to kobieta, to: Dae włase 549 p ˆ = = 0, częstość 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0, liczba k kobiet w grupie zmiea u k liczba k kobiet w grupie R.J. Nowak 5
16 . Rozkład geometryczy - dziewczyy do ścisłych () Spójrzmy a listę kadydatów z iej stroy. Ile kolejych osób a liście musimy sprawdzić, aby atkąć się a kobietę? MODEL: p - iezae prawdopodobieństwo, Ŝe przypadkowo wybraa osoba a liście to kobieta, k =,,... - zmiea losowa opisująca liczbę kolejych osób a liście, które musimy sprawdzić, aby spotkać kobietę, G = p - prawdopodobieństwo, Ŝe pierwsza osoba a liście to kobieta, G = ( p)p - prawdopodobieństwo, Ŝe dopiero druga osoba a liście to kobieta,... G k = ( p) k p - prawdopodobieństwo, Ŝe dopiero k-ta osoba a liście to kobieta. k ( ) ( ) Gk p = p p, k =,,..., 0 < p < Dae wlase G k= k ( p) = rozkład geometryczy waruek uormowaia liczba k osób > suma krotość k R.J. Nowak 6
17 . Rozkład geometryczy - dziewczyy do ścisłych (3) częstość 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0,00 Oczekiwie a kadydatkę liczba k osób do astepej kadydatki R.J. Nowak 7
18 N. Rozkład geometryczy - dziewczyy do ścisłych (4) Obliczmy logarytm rozkładu: lgk ( p) = kl p + l ( p). Widzimy, Ŝe jest o liiową fukcja zmieej k. Ozaczeia: k krotość, czyli liczba określająca ile razy spotkaliśmy się z sytuacją, w której sprawdziliśmy k osób i ostatia była kobietą, 4 = k= k ˆ k Gk = ocea prawdopodobieństwa G k, N u k suma krotości, czyli liczba kobiet a liście, ( p) = lgˆ k oczekujemy, ze w przybliŝeiu wielkość u k będzie liiową fukcją zmieej k, jeśli rozkład ma charakter geometryczy. R.J. Nowak 8
19 . Rozkład geometryczy - dziewczyy do ścisłych (5) Oczekiwie a kadydatkę l(częstość) 0, 0,0 0, liczba k osób do astępej kadydatki R.J. Nowak 9
20 . Rozkład ciągłej zmieej losowej - skacząca kulka () Kulka spuszczoa z wysokości h a doskoale spręŝyste podłoŝe - ruch: T h z( t) = h gt, 0 t = g h z(t) T z t t Zdjęcie w losowej chwili czasu - szasa zalezieia kulki w pukcie z? Wykoajmy N takich zdjęć i arysujmy histogram uzyskaych wartości z. W przedziale [z i, z i + z] zajdziemy liczbę i zdjęć. Zdefiiujmy częstość: ˆ i Pi =, N z jaką wartości z trafiają do przedziału [z i, z i + z]. R.J. Nowak 0
21 . Rozkład ciągłej zmieej losowej - skacząca kulka () Wykoajmy to samo rozumowaie, korzystając z zaleŝości modelowej. Prawdopodobieństwo zdefiiujmy jako t t dt P( z, z) = = z = z + O ( z), T T z T dz gdzie t to czas, jaki kulka spędza w przedziale z wokół puktu z: dt z t = ( h z) = P( z, z) = + O ( z). g dz g h z h h z Gęstość prawdopodobieństwa: f ( z) ( z) Waruek uormowaia: h ( ) P z, = lim = z 0 z h h z f ( ) h 0 0 ( z) ( ) dz z dz = = h h ( ) UWAGA! Dla zmieej ciągłej mamy gęstość, a ie prawdopodobieństwo!!! Aalogia z gęstością masy - ilość masy w pukcie = 0, ale gęstość 0. R.J. Nowak f(z) h z
22 . Rozkład wykładiczy Rozkład geometryczy: k G ( ) = ( ), =,,3,..., k p p p k zway teŝ rozkładem dyskretych czasów oczekiwaia a sukces, opisuje liczbę prób, które trzeba wykoać, aby pojawił się pierwszy sukces. Wprowadźmy ciągły czas t, podzielmy go a bardzo duŝą liczbę k kroków i zdefiiujmy p t = λ t = λ k prawdopodobieństwo p sukcesu w pojedyczej próbie jako proporcjoale do czasu trwaia tej próby. Prawdopodobieństwo sukcesu w k-tej próbie: G k ( p) k k λt λt λt = = λ t, λ > 0. k k k Przechodząc do graicy k, otrzymujemy: ( p) k Gk λt = λ k t k E ( ) ( ) t; λ = λ exp λt, t 0, λ > 0 gęstość rozkładu wykładiczego, opisującego czas oczekiwaia a zdarzeie, jeśli zdarzeia są statystyczie iezaleŝe. R.J. Nowak
23 . Rozkład wykładiczy - czekaie a samochód () Histogram daych o rozkładzie wykładiczym ma charakter geometryczy: Dae włase k t ( k ) ( k ) λ t ( k ) λ t ( ) λt kλ t λ t P = λ e dt = e e = e e, k =,,3,... k t Czekaie a samochód, N = 000 0,0 Czekaie a samochód, N = 000,000 gęstość (/s) 0,5 0,0 0,05 gęstość (/s) 0,00 0,00 0,00 0, czas t oczekiwaia (s) czas t oczekiwaia (s) R.J. Nowak 3
24 . Rozkład Poissoa - czekaie a samochód () Jeśli czas t oczekiwaia a zdarzeie określoy jest rozkładem wykładiczym E(t;λ), to liczba k zdarzeń, które pojawią się w zadaym przedziale czasu T, rządzoa jest rozkładem Poissoa z parametrem µ = λt: k µ µ Pk ( µ ) = e, k = 0,,,..., µ > 0 rozkład Poissoa k! Dae włase częstość 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0,00 Czekaie a samochód, N = liczba k samochodów R.J. Nowak 4
25 ( k k ( )). Rozkład Poissoa - czekaie a samochód (3) l! P µ = k l µ µ : liiowa fukcja zmieej losowej k, ( ˆ ( )) k uk = l k! P µ w przybliŝeiu liiowa fukcja zmieej k, jeśli rozkład tej zmieej to rozkład Poissoa Dae włase 4 Czekaie a samochód, N = zmiea u k liczba k samochodów R.J. Nowak 5
26 Iterludium - twierdzeie Poissoa Jeśli w rozkładzie dwumiaowym jest duŝe, a p małe to B k ( p ) P µ ( µ ),,, p 0, p dlatego rozkład Poissoa czasami zway jest rozkładem rzadkich zdarzeń. k prawdopodobieństwo 0,40 0,35 0,30 0,5 0,0 0,5 0,0 0,05 0,00 = 0, p = 0, = 50, p = 0, dwumiaowy Poisso = 00, p = 0, liczba k sukcesów R.J. Nowak 6
27 Iterludium - twierdzeie de Moivre a - Laplace a Dla duŝych wartości p i dla argumetu k w okolicy p: B k ( ) ( k µ ), p exp, µ = p, σ = p ( p). π σ σ 0,5 = 6 prawdopodobieństwo 0,0 0,5 0,0 0,05 = 3 = 64 = 8 dwumiaowy Gauss 0, liczba k sukcesów R.J. Nowak 7
28 Iterludium - rozkład Poissoa i krzywa Gaussa Podobie, dla duŝych wartości µ i w okolicy k = µ: P k ( ) ( k µ ) µ exp, σ µ. = π σ σ prawdopodobieństwo 0,4 0, 0,0 0,08 0,06 0,04 µ = 0 µ = 0 µ = 30 Poisso Gauss 0,0 0, liczba k zdarzeń R.J. Nowak 8
29 . Rozkład ormaly MODEL: pomiar wielkości µ zaburzay przez iezaleŝie działających agetów, kaŝdy zwiększający lub zmiejszający, z tym samym prawdopodobieństwem p = /, wyik pomiaru o addytywą wartość ε, co prowadzi do + moŝliwych wyików pomiaru: µ ε ε µ ε B k ( p) B ( ) ( ) x = + k k = + + k, k = 0,,,,, k k przy czym prawdopodobieństwo kaŝdego z ich określa rozkład dwumiaowy B k!, = 0,5 =. k! k! ( p ) k ( p) p ( p) ( ) Korzystamy z twierdzeia de Moivre a-laplace a: R.J. Nowak 9 ( ) ( ) k k p, = exp, k πp ( p) p p ( k ) { x µ } ε ( x µ ) k k, exp = k = + = exp, π 4 ε π ε ε a wykoując przejście graicze, otrzymujemy rozkład Gaussa: B k ( p) ( x µ ) N ( x µ σ ), ε 0, ε σ, ;, = exp. ε x k x πσ σ
30 . Rozkład ormaly Rozkład ormaly, zway teŝ rozkładem Gaussa: N ( x ) ( x µ ) ; µ, σ = exp, x, µ, σ 0. < < < < > π σ σ N(z;µ,σ ) 99,73% 95,45% 68,7% 34,35% 34,35%,4%,4% 3,59% 3,59% µ 3σ µ σ µ σ µ µ + σ µ + σ µ + 3σ R.J. Nowak 30
31 . Rozkład ormaly - masa moety () Joural of Statistics Educatio Vol. 4, Number (006), gęstość (g - ) Masa moety o omiale, N = 000 m = 7,5 g s x = 0,034 g 0 7,38 7,4 7,4 7,44 7,46 7,48 7,5 7,5 7,54 7,56 7,58 7,6 7,6 7,64 masa m moety (g) R.J. Nowak 3
32 i, j - losowe liczby z przedziału Rozkład wielowymiarowy i j = 0k + m k, m - losowe liczby 4 krotość km dziesiątki jedostki k = 0 m= 0 km = 8 (, ) P k m = km 8 rozkład dwuwymiarowy R.J. Nowak 3
33 .3 Rozkład wielowymiarowy i j = 0k + m P (k,m ) m = suma k = 0 0,000 0,0 0,05 0,05 0,037 0,05 0,049 0,05 0,049 0,037 0,84 0,05 0,000 0,049 0,000 0,05 0,05 0,037 0,000 0,049 0,000 0,0 0,049 0,05 0,000 0,000 0,049 0,0 0,000 0,05 0,05 0,000 0,85 3 0,05 0,000 0,05 0,000 0,000 0,05 0,037 0,000 0,000 0,000 0, 4 0,000 0,000 0,05 0,000 0,000 0,05 0,000 0,000 0,05 0,0 0, ,000 0,000 0,000 0,000 0,05 0,000 0,05 0,000 0,000 0,000 0, ,000 0,000 0,000 0,05 0,0 0,000 0,000 0,000 0,000 0,000 0, ,000 0,000 0,05 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,05 8 0,000 0,0 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,0 suma 0,099 0,049 0,48 0,049 0,48 0, 0,48 0,049 0,48 0,049,000 R.J. Nowak 33
34 .4 Rozkład brzegowy i warukowy prawdopodobieństwo 0,0 0,5 0,0 0,05 0, liczba m jedostek Rozkład brzegowy zmieej losowej m: m 8 = k = 0 ( ) (, ) P m P k m prawdopodobieństwo 0,30 0,0 0,0 0, liczba k dziesiątek Rozkład brzegowy zmieej losowej k: k 9 = m= 0 ( ) (, ) P k P k m R.J. Nowak 34
35 .4 Rozkład brzegowy i warukowy Rozkład warukowy dyskretych zmieych losowych k i m: ( ) ( ) k m m k m ( ) ( ) P k, m P k, m P ( k m) =, P ( m k ) = P m P k Rozkład brzegowy zmieych losowych x i y: y ( ) = (, ), ( ) = (, ) f y f x y dx f x f x y dy Rozkład warukowy ciągłych zmieych losowych x i y: ( ) ( ) x y y x y k ( ) ( ) f x, y f x, y f ( x y) =, f ( y x) = f y f x Zmiee losowe azywamy statystyczie (stochastyczie) iezaleŝymi, wtedy i tylko wtedy, gdy łączy rozkład tych zmieych jest iloczyem rozkładów brzegowych: (, ) = ( ) ( ), (, ) = ( ) ( ) P k m P k P m f x y f x f y x k m x y PRZYKŁAD: zmiea losowa m określająca liczbę jedostek i zmiea losowa k określająca liczbę dziesiątek są statystyczie zaleŝe, bo p.: ( ) ( ) ( ) P k =, m = 3 = 0 P k P m = 0,85 0,049 k m x R.J. Nowak 35
36 .4 Rozkład brzegowy i warukowy Dwuwymiarowy rozkład ormaly: R.J. Nowak 36
37 .4 Rozkład brzegowy i warukowy Dwuwymiarowy rozkład ormaly (Gaussa): N ( x, y; µ x, µ y, σ x, σ y, ρ ) x µ x x µ x y µ y y µ y = exp ρ, ( ρ ) σ + πσ xσ y ρ x σ xσ y σ y < x, y <, < µ, µ <, 0 < σ, σ <, < ρ <. x y x y ( )( ) Rozkłady brzegowe to jedowymiarowe rozkłady ormale: ( ) dy N x; µ x, σ x N ( x, y; µ x, µ y, σ x, σ y, ρ ) = dx N ( y; µ y, σ y ) Rozkłady warukowe to takŝe jedowymiarowe rozkłady ormale: ( ) ( x, y; µ x, µ y, σ x, σ y, ρ ) N ( x; µ x, σ x ) N f y = = N y; + x,, σ y ( µ ρ σ ( µ ) ( ρ ) σ ) x y x y x y i podobie dla rozkładu f x y (x) po zmiaie symboli x i y miejscami. Jak widać, wartości cetrale zaleŝą liiowo od zmieej warukującej. Własość ta dostarcza atchieia i staowi podstawę waŝej metody statystyczej aalizy daych, zwaej aalizą regresji, której zadaiem jest ocea wartości i istotości współczyików tej zaleŝości. R.J. Nowak 37
38 .4 Rozkład brzegowy i warukowy Elipsa kowariacji (wykładik rozkładu Gaussa bez czyika /): ( )( ) x µ x x µ x y µ y y µ y ρ + = ρ σ x σ xσ y σ y oś y (σ y = ),0 0,5 0,0-0,5 -, oś x (σ x = ) ρ = 0,9 ρ = 0,5 ρ = 0,0 ρ = 0,5 ρ = 0,9 Wszystkie elipsy zawarte we wętrzu prostokąta (σ x ) (σ y ). R.J. Nowak 38
39 .4 Rozkład brzegowy i warukowy Mackowiak, P. A., Wasserma, S. S., ad Levie, M. M. (99), "A Critical Appraisal of 98.6 Degrees F, the Upper Limit of the Normal Body Temperature, ad Other Legacies of Carl Reihold August Wuderlich," Joural of the America Medical Associatio, 68, , dae za: temperatura ciała (F) Korelacja temperatura - tęto męŝczyźi kobiety tęto R.J. Nowak 39
40 .5 Momety zmieych losowych Wartość oczekiwaa, defiicja: E Wariacja, defiicja: V V PRZYKŁADY: B P E k k N [ ] µ = ( ), E [ ] µ = ( ) k k kp k x x xf x dx k= 0 k k= 0 [ ] D [ ] σ ( ) ( ) ( ) k k k k = k k P k = k k x [ ] D [ ] σ ( ) ( ) ( ) x x x x = x x f x dx = x x ( ) ( ) R.J. Nowak 40! k, p = p p k = p k = p p k! k! k ( ) V [ ] ( ) k µ µ = = µ = µ k! t λ = λ = = = τ = = τ τ τ λ λ µ ( ) e k V [ k] λx ( x; ) e exp x V [ x] ( ) ( x µ ) x; µ, σ exp x µ x σ π σ σ = = V [ ] =
41 .5 Momety zmieych losowych Defiicja kowariacji: [ ] ( )( ) ( )( ) ( ) cov k, m k k m m = k k m m P k, m = km k m, k= 0 m= 0 [ ] ( )( ) ( )( ) ( ) cov x, y x y x y = dx dy x x y y f x, y = xy x y. Defiicja Pearsoa wspólczyika ρ korelacji liiowej: ρ [ k m] [ k m] [ ] [ ] [ x y] [ ] [ ] cov, cov,, =, ρ [ x, y] =. D k D m D x D y Własości współczyika korelacji ρ: a) iezmieiczy względem skalowaia i traslacji b) iezmieiczy względem liiowej zamiay zmieych c) ograiczoy w zakresie wartości: ρ d) ρ = ± wtedy i tylko wtedy, gdy: σ y y = µ y ± ( x µ x ) i dlatego zway jest liiowym σ x PRZYKŁAD: dla dwuwymiarowego rozkładu ormalego: cov [ x, y] ρσ xσ y cov [ x, y] = ρσ xσ y ρ [ x, y] = = = ρ. σ σ [ x] D[ y] R.J. Nowak 4 D x y
42 .5 Momety zmieych losowych y σ x E [ x y] = µ y + ρ ( y µ y ) σ y prosta regresji x względem y y σ = + ( x ) y µ x µ x σ x σ E x x σ x prosta regresji y względem x y [ y x] = µ + ρ ( x µ ) µ y µ x x R.J. Nowak 4
43 Defiicja dystrybuaty: Iterludium - wykres kwatyli ( ) ( < ) F x P x x 0 0 Kwatyl x p i jego rząd p defiiujemy związkiem: Dla uporządkowaej próbki x x... x zmieych losowych zachodzi: Dla daych sądzimy, Ŝe: PRZYKŁAD: x i i = i = + ( ) p. F x i ( ) λ ( λ ) { λ } ( ) ( ) ( p ) = p. F x ( ) p. F x p F x = exp x dx = q = x = exp q dq = exp q i i i 0 0 ( ) ( ) q l p x τ l p = τ q, τ = i i i i i i i oczekujemy, Ŝe pukty wyzaczoe przez współrzęde (q i, x i ) ułoŝą się, w przybliŝeiu, a liii prostej o achyleiu zadaym parametrem τ, którego oceę moŝa odczytać z wykresu. R.J. Nowak 43 i q i λ
44 Iterludium - wykres kwatyli - oczekiwaie a samochód (4) Dae włase 50 Czekaie a samochód, N = 000 czas t oczekiwaia (s) t = 5,56q + 0, kwatyl q wykładiczy R.J. Nowak 44
45 Iterludium - impulsy erwowe () D.R. Cox i P.A.W. Lewis, The Statistical Aalysis of Series of Evets, Chapma ad Hall, Lodo, 966, s. 5 Oczekiwaie a impuls erwowy Oczekiwaie a impuls erwowy krotość k krotość k , 0,00 0,5 0,50 0,75,00,5 czas t oczekiwaia (s) 0,00 0,5 0,50 0,75,00,5 czas t oczekiwaia (s) R.J. Nowak 45
46 Iterludium - wykres kwatyli - impulsy erwowe (),6 Impulsy erwowe - wykres kwatyli wykładiczych czas t oczekiwaia (s),4,,0 0,8 0,6 0,4 0, 0,0-0, t = 0,449q - 0, kwatyl q wykładiczy R.J. Nowak 46
47 Iterludium - impulsy erwowe (3) 0,30 Impulsy erwowe - rozkład Poissoa 0,5 0,0 częstość 0,5 0,0 0,05 0, liczba k impulsów R.J. Nowak 47
48 Iterludium - impulsy erwowe (4) 6 Impulsy erwowe l(k! P k ) liczba k impulsów R.J. Nowak 48
49 Iterludium - wykres kwatyli - masa moety () xi qi x µ i N µ σ = = = = i i µ + σ i ( ) { } ;, N ( ;0,) ( ) p x dx q q dq F q x q σ Joural of Statistics Educatio Vol. 4, Number (006), Masa moety o omiale, N = 000 7,8 7,7 masa m moety (g) 7,6 7,5 7,4 7,3 7, m = 0,034q + 7,5 7, kwatyl q ormaly R.J. Nowak 49
50 Statystyka matematycza - zadaia i metody Zadaia statystyki matematyczej: estymacja parametrycza i przedziałowa: oceiaie, szacowaie, wartości rozmaitych wielkości będących obiektem zaiteresowaia badacza, testowaie hipotez: weryfikacja stwierdzeń o parametrach i rozkładach. Warukiem wypełieia tego zadaia są dae, czyli próbka. Sumiee wywiązaie się z iego wymaga rzetelej próbki, a więc będącej miiaturą populacji, tj. odzwierciedlającej wszelkie relacje, jakie w populacji występują, co w prasie określae jest miaem reprezetatywej, a w statystce matematyczej: losowej. Próbka losowa prosta: zbiór wartości x i, i =,,...,, zmieych losowych, uzyskay w wyiku wielokrotego i wierego powtórzeia tego samego eksperymetu zestaw statystyczie iezaleŝych zmieych losowych, kaŝda o rozkładzie f(x) (zaym lub ie) i łączym rozkładzie: ( x) ( ) L = f x i= i. R.J. Nowak 50
51 Statystyka matematycza - termiologia Statystyka: zmiea losowa zadaa jako dowola fukcja zmieych losowych i iych zaych wielkości; musi przyjmować wartość liczbową po podstawieiu wartości zmieych losowych (ie moŝe zawierać iezaych wielkości). Estymator: statystyka z ambicjami szacuje, oceia, przybliŝa, estymuje wartość iezaego parametru. PRZYKŁAD: x, y - para zmieych losowych opisująca zbiór moŝliwych wartości uzyskiwaych w wyiku pomiaru boków prostokąta: S = xy - estymator określający pole prostokąta. Estymata: wartość, jaką przyjmuje estymator po podstawieiu w miejsce argumetów wartości liczbowych zmieych losowych (wyików pomiarów). PRZYKŁAD: jeśli x = 5 cm, a y = 6 cm, to: S = xy = 30 cm - estymata wartości pola prostokąta. Relacja między estymatorem a estymatą jest aalogicza do relacji między fukcją f(x), widziaą jako zestaw wartości dla wszystkich wartości argumetu x, a wartością f(x 0 ) fukcji w zadaym pukcie x 0. R.J. Nowak 5
52 . Średia arytmetycza i iepewość stadardowa MODEL: próbka prosta wartości x i, i =,,...,, z iezaego rozkładu f(x): x i xi µ R ( µ ) = mi ( R) ˆ µ = x = xi. σ i= µ i= Dygresja. Wartość oczekiwaa liiowej kombiacji zmieych losowych. Próbka x i, i =,,...,, zmieych losowych z łączego rozkładu f(x), zmiea losowa: z = a x + a x a x i jej wartość oczekiwaa: ( x) x ( ) [ x ] = µ = σ, V i, z = a x f d = a x f x dx = a x i i i i i i i i i i= i= i= = x ( ) ( ) f x f dx... dx dx... dx i i i i+ Podstawowa własość jeśli pomiary są ieobciąŝoe, czyli x i = µ, to: x µ oraz σ iezae R.J. Nowak 5 = x = µ. i i = Wartość średia jest ieobciąŝoym estymatorem wartości oczekiwaej.
53 . Średia arytmetycza i iepewość stadardowa ˆ( ) Estymator θ x parametru θ azywamy ieobciąŝoym, jeśli: ˆ. θ ( x) = θ PRZYKŁAD: x - zmiea losowa opisująca wyik pomiaru boku kwadratu o iezaej długości µ. Poszukujemy pola S = µ tego kwadratu. Niech estymatorem pola będzie x. Oczekujemy, Ŝe wielokrotie mierząc bok kwadratu, co dostarcza wartości x i, i =,,...,, i obliczając średią pól x i, w graicy otrzymamy prawdziwą wartość µ pola powierzchi: Sprawdźmy: i= x i R.J. Nowak 53 µ. Dygresja. Prawo wielkich liczb - iterpretacja sesu średiej: P ( x x > ε ) 0, gdzie x = x k k = [ ] x x µ µ x µ µ = + = V + >. Czy to aby jest prawda??? Widzimy, Ŝe zapropooway estymator jest obciąŝoy: przeciętie będzie o dawał wartość większą iŝ wartość pola kwadratu.
54 . Średia arytmetycza i iepewość stadardowa Dygresja 3. Wariacja liiowej kombiacji zmieych losowych V Dla próbki statystyczie iezaleŝych zmieych losowych: co daje: z = a x a x f x dx = a x x f x dx = [ ] ( ) ( ) ( ) i i i i i i i i= i= i= T ( )( ) ( ) cov [, ] V[ ] = a a x x x x f x dx = a x x a = a x a i k i i k k i i k k i, k = i, k = [ x x ] = δ V [ x ] cov,, V i k ik i = i= [ z] a V [ x ] i Wariacja średiej dla próbki statystyczie iezaleŝych zmieych losowych: i. a dla próbki prostej: V = [ x ] V [ x ] V i = [ x] = V [ x]. i, R.J. Nowak 54
55 . Średia arytmetycza i iepewość stadardowa Dae włase Pomiar ciśieia - dae i średie 0,5 0,0 gęstość 0,5 0,0 0,05 0,00 średie dae ciśieie (hpa) R.J. Nowak 55
56 . Średia arytmetycza i iepewość stadardowa Miimala suma kwadratów reszt: R x x x xi x σ ( ) = ( ) = µ ( µ ) i i= σ i= ma wartość oczekiwaą: ( ) = + = σ i= σ i= (( x ) ( )( ) ( ) ) i µ xi µ x µ x µ ( xi µ ) ( x µ ) σ R ( x ) = ( xi µ ) ( x µ ) σ. σ = i= σ = i= Stąd otrzymujemy ieobciąŝoy estymator wariacji zmieej losowej: Vˆ [ x] s = ( x x ) x i= i ieobciąŝoy estymator wariacji średiej arytmetyczej: Vˆ sx x sx = = xi x ( ) = [ ] i i ( ) Dzieleie przez (zamiast przez ), to tzw. poprawka Bessela. R.J. Nowak 56
57 V [ ] [ ]. Estymatory mometów - omeklatura x = D x = σ - odchyleie stadardowe, odchyleie stadardowe zmieej losowej, dyspersja. s x - iepewość stadardowa, odchyleie stadardowe eksperymetale, odchyleie stadardowe z próbki, odchyleie stadardowe eksperymetale zmieej losowej x, iepewość stadardowa pojedyczego pomiaru (b. populare), RMS (root mea square) - uŝywaie iewskazae, błąd - azwa iepoprawa (spadek po poprzedich pokoleiach), błąd to róŝica między wyikiem x pomiaru a wartością prawdziwą µ: błąd = x µ s x - iepewość stadardowa średiej arytmetyczej oraz pozostałe azwy z dodatkiem: średiej arytmetyczej. R.J. Nowak 57
58 . Średia waŝoa MODEL: próbka statystyczie iezaleŝych zmieych losowych x i, kaŝda z iego rozkładu f i (x) o wspólej wartości oczekiwaej: x i = µ, ale róŝych wartościach wariacji V[x i ] = σ i. i ( ) ( ) Średia waŝoa - ieobciąŝoy estymator wartości oczekiwaej µ: x w = µ. Na mocy Dygresji 3: V [ x ] w = σ w. Wartość oczekiwaa sumy kwadratów reszt: R( xw ) =, co pozwala wyzaczyć ieobciąŝoy estymator wariacji: W praktyce: x µ mi w w i i, w, i. i σ µ = i i= σ i wi i= R µ = R x = σ w x σ = w = σ s z σ w xi µ = i= σ i w w z i= i s z = σ w Nomeklatura: σ z - dyspersja wewętrza, s z - iepewość zewętrza.. w xi µ i= si s s =, s s = s R.J. Nowak 58
59 . Średia waŝoa Dwie wielkości: σ w oraz s z określające rozrzut daych, umoŝliwiają kotrolę kosystecji daych. Jej brak moŝe wyikać z powodu: błędych oce x i wartości cetralych, błędych oce s i iepewości, fluktuacji statystyczej. Dwa stadardowe sposoby ocey tej kosystecji - wizualy, czyli ideogram: ( ) = N ( i i ) f x x; x, s. i= Wielogarbość ideogramu moŝe sugerować brak kosystecji i jedocześie wskazywać a wią temu daą liczbową. Liczbowa ocea to wartość R sumy kwadratów reszt w miimum i jej składiki. PoiewaŜ wartość oczekiwaa sumy kwadratów reszt w miimum wyosi, wiec wartość sumy ie powia odbiegać admierie od tej wartości. Jedoczesie kaŝda idywiduala daa wia wosić, w przybliŝeiu, jedostkę do sumy kwadratów reszt. Daa, od której przyczyek jest istotie większy od jedości staje sie automatyczie podejrzaą. UWAGA! Demokratycze glosowaie ie decyduje o poprawej wartosci!!! R.J. Nowak 59
60 Iterludium - rozkład χ () MODEL: zmiea x z rozkładu Gaussa N(x;µ,σ ): µ µ N ( µ σ ) π σ σ σ ( ) { } x x z = x;, dx = exp dx z exp dz, = = = π z N ( z;0,) = exp π - stadaryzoway rozkład ormaly z z u = exp dz exp dz { u z } exp du. π = π = = = π u 0 0 Zmiea u ma rozkład X (u), zway χ, o jedym stopiu swobody: u X ( u) = exp. π u u u u + u = + u, u = u v, = exp dudu = π v u 0 u u =, u = v, u u u = exp du dv exp du π = v u ( v) Zmiea u ma rozkład X (u) o dwóch stopiach swobody: X ( u) R.J. Nowak 60 u = exp.
61 Iterludium - rozkład χ () MODEL: próbka licząca statystyczie iezaleŝych zmieych losowych x i z rozkładów ormalych N(x i ;µ i,σ i ). Statystyka: u xi µ i = i= σ i ma rozkład : X u u = u exp, u 0, =,,3,, ( ) ( ) Γ( ) osi azwę zmieej losowej χ i ma własości: V [ ] u =, u =. gęstość prawdopodobieństwa 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 = = = 3 = 4 = 5 = 6 = wartość χ gęstość prawopodobieństwa 0,4 0, 0,0 0,08 0,06 0,04 0,0 0,00 = 7 = 5 = 30 rozkład Gaussa, µ = 30, σ = wartość χ R.J. Nowak 6
62 Iterludium - rozkład χ (3) Kiedy pojedyczy składik u i stadaryzowaej sumy R kwadratów reszt xi µ i R = ui = i= i= σ i jest admiery albo istotie większy od jedości? Czy p. wartość u 0 = 4 jest admiera? Zapytajmy iaczej: ile wyosi prawdopodobieństwo p = P(u u 0 ), Ŝe zmiea χ o jedym stopiu swobody będzie, a mocy przypadku, większa bądź rówa wartości 4? u P( u 4) = X ( u) du = exp du 0,045 u 4 π 4 Tak więc w około 5% przypadków zobaczymy, z powodów czysto losowych, odchyleie wyiku pomiaru od wartości prawdziwej o dwa lub więcej odchyleia stadardowe. Czy obserwacja taka będzie wystarczającym powodem od podejrzeń, Ŝe wyik reprezetuje sobą pomiaru iej wielkości, iŝ tej, w której jesteśmy zaiteresowai? Jak duŝe powio być takie odchyleie, abyśmy bezpieczie dotarli do takiej kokluzji? R.J. Nowak 6 u 0 ( σ) 4 ( σ) 9 ( 3σ) 6 ( 4σ) 5 ( 5σ) p = P(u u 0 ) 0,37 /3 0,045 /0 0,07 /370, / , /
63 0, Iterludium - rozkład χ (4) prawdopodobieństwo p 0,0 = , u 0 R.J. Nowak 63
64 . Średia waŝoa Jeśli zmiee x i pochodzą z rozkładów ormalych N(x i ;µ,σ i ), to statystyka xi x w = i= σ i ma rozkład χ z liczbą stopi swobody. P.E. Damo, D.J. Doahue, B.H. Gorke i ii, Nature, 337, (989), 66 u 0,030 0,05 0,00 0,05 0,00 0,005 Arizoa Ideogram wieku Całuu Turyńskiego x = (646 ± 3) lat, R A =,94 Zurich x = (676 ± 4) lat, R Z = 0,30 x = (750 ± 30) lat, R O = 4, suma: R = 6,35, P (u R ) = 0,04 Oxford x w = 689 lat s w = 6 lat, s = 8 lat 0, wiek x Całuu (liczba lata przed rokiem 950) R.J. Nowak 64
65 . Średia waŝoa wartość umer pomiaru wartość umer pomiaru R.J. Nowak 65
66 .3 Pearsoa współczyik korelacji Próbka (x i,y i ), i =,,...,, ieskorelowaych par zmieych losowych. NieobciąŜoy estymator kowariacji: C = x x y y ( )( ) xy i i i= i obciąŝoy estymator r Pearsoa współczyika ρ korelacji liiowej: r = R.J. Nowak 66 C x xy s s Dla próbek z rozkładu ormalego, rozkład f(r;ρ) współczyika r jest, w ogólym przypadku bardzo złoŝoy i mimo, Ŝe ze wzrostem liczebości próbki zbiega o do rozkładu ormalego, to zbieŝość ta jest bardzo wola i wymaga próbek liczących setek, jeśli ie tysięcy daych, zwłaszcza gdy współczyik korelacji ρ jest bliski jedej z wartości skrajych. Tzw. trasformacja Fishera y + r z = l r pozwala odwołać się do rozkładu ormalego N(z;µ,σ ) z parametrami: + ρ ρ µ = l +, σ =. ρ ( ) 3 juŝ przy próbkach liczących kilkadziesiąt par (x i,y i ) daych..
67 .3 Pearsoa współczyik korelacji 0 ρ = 0,75,8 ρ = 0 ρ = 0,75 9,6 8 = 50,4 = 0 7, 6,0 5 ρ = 0 0,8 4 = 0 3 = 50 0,6 = 0 = 0 0,4 = 0 = 0 r 0, z 0 0,0 - -0,5 0 0,5-0 Najczęściej potrzebujemy postaci rozkładu f(r;ρ) dla szczególej wartości ρ = 0, kiedy to: ( ( ) ) Γ f ( r) = r, < r <. π Γ ( ) ( ) ( 4) R.J. Nowak 67
68 .3 Pearsoa współczyik korelacji Katedry agielskie 600 długość (stopy) romańska gotycka r = 0, wysokość (stopy) R.J. Nowak 68
69 .3 Pearsoa współczyik korelacji 30 Ciśieie krwi ciśieie skurczowe r = 0, ciśieie rozkurczowe R.J. Nowak 69
70 Statistical Abstract for the Uited kogdom, Cmd 5903, 939; lata 94-38; dae za: G.U. Yule i M.G. Kedall, Wstep do teorii statystyki, PWN, Warszawa 966, s Pearsoa współczyik korelacji liczba chorych umysłowo (a ludości) r = 0, liczba radioodbiorików (w tyś.) Pamietajmy: korelacja ie implikuje przyczyowości!!! R.J. Nowak 70
71 .3 Spearmaa współczyik korelacji rag Gdy mówimy o współczyiku korelacji, mamy a myśli współczyik Pearsoa, iekiedy spotykamy jedak dwa ie współczyiki: Spearmaa i Kedalla. RozwaŜmy próbkę par (x i,y i ), i =,,...,, którą uporządkujmy względem pierwszej współrzędej pary w ciąg rosący, a astępie zastąpmy kaŝdą ze współrzędych x i kolejymi liczbami całkowitymi, poczyając od. Następie wyzaczmy w rosącym ciągu wszystkich wartości y i pozycję a której zajduje się kaŝda ze współrzędych y i i zastąpmy ich wartość umerami ich pozycji, a w miejsce par (x i,y i ) otrzymamy pary (k, k ), k =,,...,, liczb aturalych, gdzie a drugiej pozycji w parze mamy pewa permutację liczb aturalych. Numer pozycji, którą zajmuje liczba w uporządkowaym rosąco ciągu wszystkich liczb próbki azywamy ragą tej liczby - liczba ajmiejsza ma ragę, a ajwiększa ragę. Spearmaa współczyikiem korelacji r S azywamy Pearsoa współczyik korelacji dla rag: r S ( k µ )( µ ),. k k= = µ = + ( k µ ) ( k µ ) k= k = ( ) R.J. Nowak 7
72 .3 Spearmaa współczyik korelacji rag Wielkość µ to średia arytmetycza z liczb aturalych od do. Występujące w miaowiku obie sumy kwadratów są idetycze i kaŝda z ich wyosi k= ( k µ ) = ( ) gdyŝ róŝią się jedyie kolejością wyrazów. Jeśli wprowadzimy róŝice rag k k, to Spearmaa współczyik moŝa zapisać w formie: R.J. Nowak 7 ( ) k, 6 r ( ) S = k k. = PoiewaŜ współczyik Spearmaa to Pearsoa współczyik korelacji, więc przejmuje o jego wszystkie własości, w szczególości jego wartości ograiczoe są do przedziału [ ;]. Współczyik Spearmaa mierzy siłę mootoiczego związku między pierwotymi zmieymi: przyjmuje wartość r S = + jeśli k = k, a r S =, gdy k = k + oraz wartość r S = 0, gdy zmiee x i oraz y i są ieskorelowae. W tym ostatim przypadku: r S = 0, V [ rs ] =. a dla próbek liczących kilkadziesiąt daych, współczyik te moŝa, z iezłym przybliŝeiem, opisać rozkładem ormalym N(r S ;0,V[r S ]).
73 .3 Kedalla współczyik korelacji Dla próbki (x i,y i ), i =,,...,, rozwaŝmy wszystkie pary x i oraz x j, a takŝe wszystkie pary y i oraz y j i utwórzmy wielkości gdy xi > x j, gdy yi > y j, uij = 0 gdy xi = x j, vij = 0 gdy yi = y j, gdy xi x j, < gdy yi < y j, oraz obliczmy Kedalla współczyik τ korelacji τ u v ij ij i= j> i = = ( ) i= j> i uij vij i, j= i, j= gdyŝ kaŝda z podwójych sum w miaowiku wyosi ( ), jako Ŝe ie zaleŝy oa od uporządkowaia i określa liczbę róŝych od zera róŝic x i x j oraz y i y j. Jeśli obie wartości w parach (x i,y i ) arastają mootoiczie, wtedy u ij = v ij, liczik jest rówy miaowikowi i współczyik τ przyjmuje maksymalą, jedostkową, wartość. Gdy porządek wartości y i jest odwroty do porządku wartości x i, to u ij = v ij i τ =. W pozostałych sytuacjach Kedalla współczyik korelacji przyjmie wartość między a. u v ij ij, R.J. Nowak 73
74 .3 Kedalla wspólczyik korelacji Gdy między cechami brak jest współzaleŝości, to oczekujemy, Ŝe w typowych sytuacjach połowa z wielkości u ij v ij przyjmie wartość, a połowa, co daje τ = 0. MoŜa takŝe obliczyć wariację, która wyosi: V [ τ ] ( + ) ( ) 5 =, 9 a dla próbek liczących kilkaaście daych, rozkład współczyika moŝa, z iezłym przybliŝeiem, opisać rozkładem ormalym N(τ;0,V[τ]). Iterpretacja Kedalla współczyika korelacji. Wyobraźmy sobie, Ŝe dwóch sędziów ustala rakig zawodików (kadydatek to tytułu Miss Świata), co daje parę (x i,y i ). Jeśli dla dowolej pary zawodików, zak róŝicy x i x j jest taki sam jak dla róŝicy y i y j, to mówimy, Ŝe rakig pary jest zgody, a w przeciwym razie iezgody. Podwója suma w licziku defiiującym współczyik τ opisuje róŝicę liczby C zgodych i liczby D iezgodych par w rakigu, przy czym maksymala liczba zarówo par zgodych jak i iezgodych wyosi ( )/, więc wartość C/( ) opisuje prawdopodobieństwo, Ŝe dowola para zawodików w rakigu zostaie sklasyfikowaa zgodie, a D/( ) prawdopodobieństwo, Ŝe iezgodie. Dlatego teŝ róŝica obu prawdopodobieństw zawiera się w przedziale [ ;]. R.J. Nowak 74
75 .4 Parametry zmieej losowej Moda - wartość zmieej losowej, przy której rozkład przyjmuje wartość maksymalą. Mediaa x m - kwatyl rzędu /. Próbkę x i, i =,,...,, ciągłej zmieej losowej porządkujemy, otrzymując ciąg x () x ()... x (). Jeśli = k +, to mediaa x m = x (k + ), a dla = k to dowola liczba między wartościami x (k) oraz x (k + ), w praktyce x m = (x (k) + x (k + ) )/. Kwartyl doly q d - kwatyl rzędu /4. Kwartyl góry q u - kwatyl rzędu 3/4. k-ty kwityl - kwatyl rzędu k/5. k-ty decyl - kwatyl rzędu k/0. k-ty percetyl - kwatyl rzędu k/00. Rozstęp międzykwartylowy: q u q d. R.J. Nowak 75 f(x) f(x) 5% wartość oczekiwaa mediaa moda mediaa doly kwartyl Wykres pudełkowy góry kwartyl 95% x x x
76 3. Estymacja parametrycza - metoda mometów PRZYKŁAD: próbka prosta x i, i =,,...,, zmieych losowych z rozkładu: f ( x; θ ) = ( + θ x), x, θ. NaleŜy wyzaczyć oceę parametru θ. Obliczamy wartość oczekiwaą: + + θ + ;, ( ) ( ) x = xf x θ dx = x + θx dx = xdx + x dx = θ 3 a poiewaŝ średia arytmetycza oceia wartość oczekiwaą, więc: x = ˆ θ ˆ 3. θ = x 3 MoŜemy jedak obliczyć wartość oczekiwaą statystyki x 3 : więc: θ 4 x = ( ), x + θ x dx = x dx x dx θ + = xi = x = ˆ θ3 ˆ θ3 = 5 x. 5 i= Jak widać, kaŝda średia z ieparzystej potęgi dostarcza estymatora parametru θ. Który z tych estymatorów mamy wybrać? R.J. Nowak 76
77 3. Estymacja parametrycza - metoda mometów RozwaŜmy wariację uzyskaych estymatorów: PoiewaŜ: V więc: Podobie: a obliczając: otrzymujemy: 9 V ˆ θ = V 3 = 9V = V [ x] [ x] [ x] [ x] = x x = x ( + θ x) dx θ = θ = ( θ ) Wybieramy estymator o miejszej wariacji!!! 3, V ˆ θ = ( 3 θ ). 5 V θ = = V V = V ˆ x 5 x x, V x x x θ = =, ˆ 3 θ. V θ = R.J. Nowak 77
78 3. Metoda mometów - podsumowaie Rozkład f(x;θ,θ,...,θ m ) wyzaczoy przez m iezaych parametrów. Obliczamy m wartości średich: i = oraz m wartości oczekiwaych: k k x = x, k =,,..., m Przyrówując wartości średie do wartości oczekiwaych: i ( θ θ θ ) ( θ θ θ ) k k x = x f x;,,..., dx = g,,...,. m k m ( ˆ, ˆ ˆ,..., m ) k x = gk θ θ θ otrzymujemy układ m rówań a m iewiadomych parametrów. Rozwiązaie tych rówań wyzacza estymatory poszukiwaych parametrów. Brak ogólych twierdzeń odośie własości estymatorów są oe zazwyczaj obciąŝoe, a rówaia ieliiowe powodują dodatkowe kłopoty. Metoda mometów często jest wykorzystywaa do wyzaczeia wygodych wartości startowych do zastosowaia w iych metodach estymacji. R.J. Nowak 78
79 3. Metoda ajwiększej wiarogodości - idea PoiewaŜ w wyiku pomiarów Natura daje am wartości rozsąde - zbliŝoe do typowych, bardzo prawdopodobe - dobierzmy tak wartości iezaych parametrów rozkładu, aby uzyskae z doświadczeia wartości były ajbardziej prawdopodobe. Rozkład f(x;θ) o zaej formie matematyczej i iezaej wartości parametru θ. Daa jest próbka prosta zmieych x i, i =,,...,, o łączym rozkładzie L( x; θ ) = f ( xi ; θ ). i= Podstawmy zae wartości x i do fukcji L i potraktujmy ją jako fukcję iezaego parametru θ, a otrzymamy fukcję wiarogodości parametru θ: L ( θ ) ( θ ) = i= f x ;, x zadae. i Poszukujemy takiej wartości θˆ parametru θ, aby wyiki pomiarów były ajbardziej prawdopodobe maksymalizujemy fukcje wiarogodości względem parametru. Tak uzyskaą oceę parametru azywamy oceą ajwiększej wiarogodości. Nie jest to ocea ajbardziej prawdopodoba!!! i R.J. Nowak 79
80 3. Metoda ajwiększej wiarogodości - motywacja PRZYKŁAD, w którym wszystkie obliczeia moŝa wykoać aalityczie: 000 kadydatów a studia a Wydziale Fizyki kobiet i 45 męŝczyz. Uporządkujmy wszystkie azwiska alfabetyczie i a początek wybierzmy pierwszy tysiąc ( = 000) kadydatów. W liczbie tej zajdujemy k = 8 kobiet. Niech p ozacza prawdopodobieństwo, Ŝe przypadkowo wybraa osoba to kobieta, zaś p to prawdopodobieństwo trafieia męŝczyzy. Wyzaczmy fukcję wiarogodości: wybieramy koleje azwiska i jeśli jest to kobieta to do fukcji wiarogodości dopisujemy czyik p, a jeśli męŝczyza to czyik p. Prowadzi to do fukcji wiarogodości: L k ( ) = ( ) k p p p. Poszukując maksimum, zazwyczaj wygodiej jest pracować z logarytmem fukcji wiarogodości (logarytm ie zmieia połoŝeia maksimum), więc: d ll p k k k ll( p) = kl p + ( k ) l ( p) = pˆ =. dp p p Otrzymaliśmy bardzo rozsądy, oczywisty, estymator wyzaczający wartość: ˆp = 0,8. ( ) R.J. Nowak 80
81 3. Największa wiarogodość - dziewczyy do ścisłych (6) Dae włase wiarogodość L(p ),0 0,8 0,6 0,4 0, Dziewczyy do ścisłych pierwszy 000 drugi 000 razem 0,0 0, 0,4 0,6 0,8 0,30 0,3 0,34 parametr p R.J. Nowak 8
82 3. Największa wiarogodość - dziewczyy do ścisłych (7) Dae włase 400 Dziewczyy do ścisłych d ll(p )/dp ,4-00 0,5 0,6 0,7 0,8 0,9 0,3 0, parametr p R.J. Nowak 8
83 3. Największa wiarogodość - jede parametr - własości Estymatory z metody ajwiększej wiarogodości są: współzmieicze wraz ze zmiaą parametru, tj. jeśli iteresuje as parametr ϕ(θ), który jest fukcja parametru θ, to: ˆϕ ( θ ) = ϕ ( θˆ ) z reguły obciąŝoe, choć ie asymptotyczie (obciąŝeie zika ze wzrostem liczebości próbki), asymptotyczie ajefektywiejsze (dla duŝych próbek maja miejszą wariację iŝ estymatory uzyskae a iej drodze), asymptotyczie gaussowskie (ze wzrostem liczebości próbki abierają rozkładu gaussowskiego): N ( ˆ ) θ θ ;, exp =, ˆ ˆ π θ θ V V ( ˆ θ θ V ˆ θ ) ekoomicze - wykorzystują całą iformacje zgromadzoą w próbce (estymatory uzyskae a iej drodze mogą tracić część iformacji, co prowadzi do ich większej wariacji). R.J. Nowak 83
84 3. Największa wiarogodość - jede parametr - własości Fukcja wiarogodości ze wzrostem liczebości próbki przyjmuje kształt gaussowski: L ( θ ) ( ˆ θ θ ) = Lmax exp. V ˆ θ Pamiętajmy, Ŝe jest to fukcja poszukiwaego parametru θ, a ie fukcja zmieych losowych lub estymatora. Gaussowski kształt prowadzi do waŝej kokluzji. Obliczmy logarytm fukcji wiarogodości: ll ( θ ) = ll max ( ˆ θ θ ) V ˆ θ a takŝe pierwszą pochodą względem parametru: ( ) ˆ d ll θ θ θ =. dθ V ˆ θ Odstępstwa a wykresie tej pochodej od liiowości, jako fukcji parametru θ, pozwalają wizualie oceić a ile zajdujemy się w reŝimie asymptotyczym. R.J. Nowak 84
85 3. Największa wiarogodość - jede parametr - własości Obliczmy rówieŝ drugą pochodą: d ( θ ) ll dθ = V ˆ θ która prowadzi do wyraŝeia a wariację: ( θ ) ˆ d ll V θ =. dθ PoiewaŜ wielkość ta, dla skończoych próbek, zaleŝy od parametru θ, więc: ( θ ) ˆ ˆ d ll V θ =. dθ θ = ˆ θ Kowecjoalie cytowae są iepewości wyzaczae z tego wzoru, awet jeśli próbka jest mała i kształt fukcji wiarogodości odbiega od gaussowskiego. Do dobrej praktyki aleŝy podawaie wykresu logarytmu fukcji wiarogodości. R.J. Nowak 85
86 Iterludium - własości krzywej i rozkładu Gaussa ( ˆ θ θ ) ( ˆ θ θ ) L( θ ) = Lmax exp ll( θ ) = llmax V ˆ θ ˆ θ V Własość ta pozwala łatwo wyzaczyć odchyleie stadardowe D ˆ θ : Jedocześie, poiewaŝ asymptotyczie estymator ajwiększej wiarogodości ma rozkład ormaly: ( ) ( ˆ ˆ ) ˆ θ θ N θ; θ, V θ exp = π ˆ θ ˆ θ więc: 0,5, =, l ( ˆ) l ( ˆ ˆ ) L θ = θ L θ = θ ± D θ =, =, 4,5, = 3. D V 0,683 3, =, ( ˆ ˆ ˆ ) P θ D θ θ θ θ + D 0, , =, 0,997, = 3. R.J. Nowak 86
87 3. Największa wiarogodość - dziewczyy do ścisłych (8) Dziewczyy do ścisłych 0,4 0,5 0,6 0,7 0,8 0,9 0,30 0,3 0 - ll(p ) parametr p ( p) ( ) R.J. Nowak 87 ˆ d ll V [ pˆ ] = 0,00 = dp p= pˆ
88 3. Największa wiarogodość - dwa parametry PRZYKŁAD: próbka x i, i =,,...,, z rozkładu Gaussa N(x;µ,σ ). Fukcja wiarogodości: L RóŜiczkujemy: µ, σ = exp ( xi ), µ σ σ i= ( ) ( π ) l L µ, σ = lσ µ l π. ( ) ( x ) i σ i= l L( µ, σ ) = ( x µ ) = 0 ˆ µ = xi = x, µ σ i i= i= l L( µ, σ ) = + 3 ( x µ ) = 0 ˆ σ = S = ( x x ). σ σ σ i x i i= i= Otrzymaliśmy dobry estymator parametru µ i obciąŝoy parametru σ (a mocy własości: estymator fukcji parametru to fukcja estymatora parametru, daszek zapisaliśmy ad symbolem σ a ie ad symbolem σ ). R.J. Nowak 88
89 3. Największa wiarogodość - wiele parametrów Daa jest próbka zmieych losowych x i, i =,,...,, z rozkładu L(x;θ ) o zaym kształcie matematyczym, lecz iezaych wartościach parametrów θ i, i =,,..., m. Rozkład te traktujemy jako fukcję L(θ ) parametrów i poszukujemy takich ich wartości, przy których fukcja ta ma maksimum: ll( θ) = 0, i =,,..., m. θ i Własości uzyskaych a tej drodze estymatorów pozostają takie same, jak w przypadku jedego parametru, z tym, Ŝe asymptotyczie fukcja wiarogodości ma m-wymiarowy kształt gaussowski: L exp ˆ ˆ, T ( θ ) = L max ( θ θ ) V ( θ θ ) a estymatory asymptotyczie podlegają m-wymiarowemu rozkładowi Gaussa: ( ˆ ;, ) exp T ( ˆ N θθ V = ) ( ˆ ). θ θ V θ θ det V ( π ) Estymator macierzy V kowariacji zajdujemy ze związku: V U L ˆ ˆ θ =, Uij = l ( θ). θi θ j θ= θˆ R.J. Nowak 89
90 gdzie: Iterludium - wielowymiarowy rozkład i kształt Gaussa ( ˆ ;, ) exp T ( ˆ N θθ V = ) ( ˆ ), θ θ V θ θ ( π ) det V θˆ = ˆ, ˆ,, ˆ, =,,,. ( θ ) θ θm θ ( θ θ θm ) Wartość oczekiwaa i wariacja idywidualej zmieej losowej: ˆ θ ˆ i = θi, V θ i = σ i, a V to macierz kowariacji, której elemety mają postać: V cov ˆ, ˆ ˆ ˆ ij = θi θ j = ρij V θ i V θ j = ρijσ iσ j, ρij, ρii =. Własości asymptotyczej fukcji wiarogodości dla dwóch parametrów, wyikające z rozkładu Gaussa dla dwóch zmieych (dla porówaia podae są takŝe własości asymptotyczej fukcji wiarogodości z jedym parametrem): róŝica wartości logarytmu liczba prawdopodobieństwo ograiczoe koturem fukcji wiarogodości dyspersji jede parametr dwa parametry 0,5 68,3% 39,3%,0 94,5% 86,5% 4,5 3 99,7% 98,9% R.J. Nowak 90
91 3. Największa wiarogodość - bliźięta () Bliźięta moozygotycze są tej samej płci i wyglądają jak dwie krople wody, a dwuzygotycze mogą być róŝej płci i ie róŝią się iczym od dzieci urodzoych z dwóch róŝych ciąŝ. Wprowadźmy ozaczeia: p - prawdopodobieństwo urodzeia chłopca, q - prawdopodobieństwo ciąŝy moozygotyczej. Zdefiiujmy prawdopodobieństwa: P CC - urodzeia się dwóch chłopców, P CD - urodzeia się bliźiaków o mieszaej płci, P DD - urodzeia się dwóch dziewczyek: ( ) ( ) ( ) ( )( ) P = pq + p q = p q + p q, CC P = p p q, CD ( ) ( ) ( ) ( ) ( ) ( )( ) P = p q + p q = p q + p q. DD Zdefiiujmy teŝ liczebości róŝych par bliźiaczych: c = 3: liczba par chłopców bliźiaków, m = 37: liczba par bliźiaków o mieszaej płci, d = 38: liczba par dziewczyek bliźiaczek. P. Lichtestei i P. Aas, Heritability ad Prevalece of Specific Fears ad Phobias i Childhood, Joural of Child Psychology ad Psychiatry, 4 (7) (000), R.J. Nowak 9
92 3. Największa wiarogodość - bliźięta () Fukcja wiarogodości: L ( p, q) = jej logarytm: P P P c m d CC CD DD c ( ( ( ))) ( )( ) m c+ m c m+ d m p ( q p( q) ) ( p) ( q) q ( p)( q) ( ) m ( ) ( )( ( )( )) = p q + p q p p q p q + p q ( ) = + +, l L( p, q) = ( ) ( ) ( ) ( ) ( ) ( ) ( ( )( )) c + m l p + cl q + p q + m + d l p + ml q + dl q + p q i rówaia wyzaczające ekstremum: c( q) d ( q) ( ) ( )( ) ( ) ( ) ( )( ) c + m m + d l L( p, q) = + = 0, p p q + p q p q + p q c p m dp l L( p, q) = + = 0, q q + p q q q + p q których ie moŝa rozwiązać aalityczie, więc musimy się uciec do metod umeryczych, z których otrzymujemy: pˆ = 0, 496 ± 0,03 qˆ = 0,344 ± 0,030 ˆ ρ = 0,00. R.J. Nowak 9 pq d d
93 prawdopodobieństwo q bliźiąt moozygotyczych 3. Największa wiarogodość - bliźięta (3) Poziomice fukcji wiarogodości - bliźięta 0,40 0,35 0,30 0,5 0,46 0,48 0,50 0,5 prawdopodobieństwo p urodzeia chłopca R.J. Nowak 93
94 3. Największa wiarogodość - grupy krwi () Grupa krwi zdetermiowaa jest przez allele A lub B lub ich brak czyli 0. Krew grupy A mamy, gdy od rodziców otrzymamy allele A i A lub A i 0, grupy B mamy, gdy od rodziców otrzymamy allele B i B lub B i 0, grupy AB mamy, gdy od rodziców otrzymamy allele A i B oraz grupy 0 mamy, gdy od rodziców otrzymamy 0 i 0. Wprowadźmy ozaczeia: p: prawdopodobieństwo występowaia allela A, q: prawdopodobieństwo występowaia allela B, r = p q: prawdopodobieństwo braku obu alleli. Wyzaczmy prawdopodobieństwa występowaia poszczególych grup krwi: P = p + pr, P = q + qr, P = pq, P = r, A B AB 0 oraz wprowadźmy liczebości grup osób o róŝych grupach krwi: a = 8: liczba osób z grupą krwi A, b = 60: liczba osób z grupą krwi B, c = 7: liczba osób z grupą krwi AB, z = 76: liczba osób z grupą krwi 0. C.R. Rao, Modele liiowe statystyki matematyczej, PWN, Warszawa, 98, s. 38 R.J. Nowak 94
Statystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoĆwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona
Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoStatystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste
Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x
Bardziej szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoPodstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja
Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im
Bardziej szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoStatystyka opisowa. () Statystyka opisowa 24 maja / 8
Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowoMiary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.
MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
Bardziej szczegółowoPlan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia
Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoLiczebnośd (w tys.) n
STATYSTYKA Statystyka bada prawidłowości w zjawiskach masowych (tz. takich, które mogą występowad ieograiczoą ilośd razy). Przedmiotem badao statyki są zbiory (populacje), których elemetami są wszelkiego
Bardziej szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
Bardziej szczegółowoZADANIA NA ĆWICZENIA 3 I 4
Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoKurs Prawdopodobieństwo Wzory
Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowooznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:
Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:
Bardziej szczegółowoModele probabilistyczne zjawisk losowych
Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 6.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Własości rozkładu ormalego Cetrale twierdzeie graicze Fukcja charakterystycza
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka.0.00 r. Zadaie Rozważy astępującą, uproszczoą wersję gry w,,woję. Talia składa się z 5 kart. Dobrze potasowae karty rozdajey dwó graczo, każdeu po 6 i układay w dwie kupki.
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowoMiary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoMiary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowo1 Dwuwymiarowa zmienna losowa
1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla
Bardziej szczegółowoStatystyczny opis danych - parametry
Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowoLista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1, zima 2016/17
Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test
Bardziej szczegółowoPojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby.
Pojcie estymacji Metody probabilistycze i statystyka Wykład 9: Estymacja puktowa. Własoci estymatorów. Rozkłady statystyk z próby. Szacowaie wartoci parametrów lub rozkładu zmieej losowej w populacji geeralej
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowo2 n < 2n + 2 n. 2 n = 2. 2 n 2 +3n+2 > 2 0 = 1 = 2. n+2 n 1 n+1 = 2. n+1
Tekst a iebiesko jest kometarzem lub treścią zadaia. Zadaie 1. Zbadaj mootoiczość i ograiczoość ciągów. a = + 3 + 1 Ciąg jest mootoiczie rosący i ieograiczoy poieważ różica kolejych wyrazów jest dodatia.
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 7.04.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowon k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka
Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)
Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli
Bardziej szczegółowoTeoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =
Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoWyższe momenty zmiennej losowej
Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla
Bardziej szczegółowo2. Schemat ideowy układu pomiarowego
1. Wiadomości ogóle o prostowikach sterowaych Układy prostowikowe sterowae są przekształtikami sterowaymi fazowo. UmoŜliwiają płya regulację średiej wartości apięcia wyprostowaego, a tym samym średiej
Bardziej szczegółowo0.1 Statystyczne Podstawy Modelu Regresji
0.1 Statystycze Podstawy Modelu Regresji iech daa będzie przestrzeń probabilistycza (Ω, F, P ). Fukcję X : Ω R, określoą a przestrzei zdarzeń elemetarych Ω, o wartościach rzeczywistych, takich że x R {ω
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch
Bardziej szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoChemia Teoretyczna I (6).
Chemia Teoretycza I (6). NajwaŜiejsze rówaia róŝiczkowe drugiego rzędu o stałych współczyikach w chemii i fizyce cząstka w jedowymiarowej studi potecjału Cząstka w jedowymiarowej studi potecjału Przez
Bardziej szczegółowon n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc
5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X
Bardziej szczegółowoPODSTAWY BIOSTATYSTYKI ĆWICZENIA
PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało
Bardziej szczegółowoParametryczne Testy Istotności
Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać
Bardziej szczegółowo