Znaczenie sekwencyjnego sposobu podejmowania decyzji
|
|
- Eleonora Kamińska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Znaczenie sekwencyjnego sposobu podejmowania decyzji Page 1 of 21
2 1. Podejście klasyczne a podejście sekwencyjne do wnioskowania statystycznego W statystyce klasycznej zakłada się, że liczba obserwacji gromadzonych w przeprowadzanym eksperymencie jest z góry ustalona. Wybór tej liczby jest jednym z elementów planowania doświadczenia. Często jednak dane napływają nie jednocześnie (w jednej paczce), lecz kolejno. Na przykład, przy statystycznej kontroli jakości produkcji partie o bardzo niskiej lub bardzo wysokiej wadliwości mogą być przyjęte lub odrzucone po zbadaniu mniejszej liczby sztuk niż to jest potrzebne, w przypadku partii o wadliwości bliskiej dopuszczalnej. Nie ma matematycznego uzasadnienia kontrolowanie kolejnych produktów skoro częstości pojawiania się wadliwych elementów uzyskiwane dotychczas przemawiają za przyjęciem lub odrzuceniem produkcji przy założonej dokładności (błędzie statystycznym). W wielu badaniach medycznych, w których stosuje się zabiegi (badania) w miarę napływu pacjentów. W takim przypadku Page 2 of 21
3 wydaje się nieetyczne, a także zbędne, kontynuowanie zabiegów na pacjentach w celu osiągnięcia zaplanowanej wcześniej liczności próby, gdy zaobserwowane dotychczas wyniki świadczą wyraźnie o wyższości jednego z porównywanych zabiegów. Także w badaniach naukowych eksperymentator, który uzyskał niezbyt przekonywujące wyniki, skłonny jest często zwiększyć liczbę obserwacji. W podejściu sekwencyjnym nie ustala się z gory liczby obserwacji potrzebnych do analizy i przyjmuje się, że obserwacje mogą być uzyskiwane tak długo jak tego wymaga badanie. Sekwencyjne gromadzenie danych, tzn. zatrzymanie eksperymentowania w momencie wyznaczonym przez zebrane dotychczas dane, wymaga, aby wnioskowanie na podstawie tych danych przebiegało całkiem inaczej niż w statystyce klasycznej. Page 3 of 21
4 2. Abraham Wald i podejście sekwencyjne Twórcą podejścia sekwencyjnego do wnioskowania statystycznego i doniosłych rezultatów inicjujących ten nowy kierunek badań statystyki matematycznej był Abraham Wald ( ). Zainicjował w statystyce dwa zupełnie nowe działy: analizę sekwencyjną i ogólną teorię decyzji. Był twórcą teoriodecyzyjnego podejścia sekwencyjnego do wnioskowania statystycznego. Page 4 of 21
5 Sekwencyjne podejście do wnioskowania statystycznego było po raz pierwszy przedmiotem systematycznych badań podczas II wojny światowej. Badania te dotyczyły jakości amunicji i prowadzone były przez Grupę Badań Statystycznych (Statistical Research Group) w Columbia University oraz przez grupę doradców okresu wojennego w Anglii. W statystyce klasycznej metoda wnioskowania (metoda estymacji, metoda testowania hipotez) zawiera przepis na wyciąganie konkluzji z danych doświadczalnych. Przepis ten pozostaje w mocy tylko wtedy, gdy dane zostały zebrane zgodnie ze schematem przewidzianym w tym przepisie, a same dane mają wpływ jedynie na końcowy wynik. W analizie sekwencyjnej dane służą zarówno do decyzji, kiedy skończyć obserwację (pobieranie danych), jak również do wyciągania faktycznych wniosków (dotyczących oszacowywanego parametru czy sprawdzanych hipotez). Page 5 of 21
6 Jak wynika z idei, podejście sekwencyjne wymaga wprowadzenia do matematycznego opisu procedury pojęcia reguły stopu, zwanej inaczej momentem zatrzymania. Jest to zasada, która w każdym kroku decyduje na podstawie dotychczas zebranych danych, czy zakończyć badanie i podjąć decyzję, czy też kontynuować obserwację (pobieranie danych). Reguły stopu tworzą bazę koncepcyjną analizy sekwencyjnej. Okazały się one również jednym z najbardziej owocnych pojęć współczesnej teorii prawdopodobieństwa. Wiele interesujących zagadnień można sprowadzić do problemu znalezienia najlepszej (optymalnej) reguły stopu w konkretnej sytuacji. Analiza sekwencyjna wymaga zarówno określenia momentu zatrzymania obserwacji jak i wyboru decyzji dotyczącej wnioskowania statystycznego. Największym wkładem własnym Walda do analizy sekwencyjnej było wyznaczenie reguły stopu i decyzji w pewnej ogólnej klasie problemów statystyki matematycznej. Page 6 of 21
7 3. Sekwencyjny test ilorazu prawdopodobieństwa Załóżmy, że mamy do czynienia z populacją (zbiorowością), której każdy element może być zakwalifikowany do jednej z dwóch kategorii, np. z partią produktów składających się z elementów dobrych i wadliwych. Przyporządkujemy wartość 0 każdemu elementowi sprawnemu i wartość 1 każdemu elementowi wadliwemu. Niech p oznacza nieznaną proporcję elementów wadliwych w populacji (tzw. wadliwość populacji). Wtedy rezultatem X badania każdego pobranego w sposób losowy elementu z populacji może być jedynie wartość 1 lub 0. Jeżeli X i oznacza rezultat badania i-tego elementu, to X i = 1 z prawdopodobieństwem p i X i = 0 z prawdopodobieństwem 1 p. Zwykle możliwa jest specyfikacja pewnej wartości p, takiej że w przypadku, gdy p p skłonni jesteśmy zaakceptować partię, a przy p > p partię odrzucimy. Zatem problem podjęcia decyzji, czy partię należy odrzucić czy przyjąć na podstawie próby losowej, można sformułować jako problem testowania hipotezy H 0 : p p przeciwko hipotezie alternatywnej H 1 : p > p. Aspekty praktyczne wskazują, że możliwa jest specyfikacja dwóch wartości p 0 i p 1 (p 0 < p, p 1 > p ), takich że Page 7 of 21
8 zaakceptowanie partii w przypadku, gdy p p 1 będzie traktowane jako błąd o wtórnym praktycznym znaczeniu, natomiast odrzucenie partii w przypadku, gdy p p 0 będzie uważane za błąd o istotnym praktycznym znaczeniu. Nie rozpatruje się problemu wyboru decyzji w przypadku, gdy p (p 0, p 1 ). Zatem problem kontroli jakości danej partii elementów można sformułować jako problem testowania hipotezy H 0 : p p 0 przeciwko hipotezie alternatywnej H 1 : p p 1, gdzie p 0 < p 1. Po wybraniu wartości p 0 i p 1, akceptowalne przez nas ryzyko związane z podjęciem błędnych decyzji może być określone w następujący sposób: prawdopodobieństwo odrzucenia partii nie powinno przekraczać pewnej małej ustalonej z góry wartości α w przypadku, gdy p p 0, natomiast prawdopodobieństwo akceptacji partii nie powinno przekraczać pewnej małej ustalonej z góry wartości β w przypadku, gdy p p 1. Page 8 of 21
9 Możliwe ryzyka w procedurze testowania, którą należy skonstruować, scharakteryzowane są poprzez cztery liczby: p 0, p 1, α, β. Wybór tych wielkości nie jest problemem statystycznym; są one określone w zależności od praktycznych aspektów każdego poszczególnego przypadku. Zakłada się, że nie ma żadnego ograniczenia co do liczby elementów pobieranych do próbki w trakcie inspekcji. Sekwencyjna procedura testowania hipotezy H 0 : p p 0 przeciwko hipotezie alternatywnej H 1 : p p 1 jest taka sama jak sekwencyjna procedura testowania hipotezy H 0 : p = p 0 przeciwko hipotezie alternatywnej H 1 : p = p 1. Wybieramy elementy w sposób niezależny tworząc próbkę (x 1,..., x n ). Prawdopodobieństwo realizacji takiego ciągu obserwacji przy hipotezie H 1 : p = p 1 wynosi p 1n = p s n 1 (1 p 1 ) n s n, gdzie s n = n i=1 x i, a przy hipotezie H 0 : p = p 0, p 0n = p s n 0 (1 p 0 ) n s n. W każdym kroku inspekcji, tzn. po zbadaniu każdego kolejnego Page 9 of 21
10 n-tego elementu, obliczamy iloraz L n = p 1n p 0n i postępujemy według następującej procedury: jeżeli L n A, należy zatrzymać próbkowanie i przyjąć H 0 ; jeżeli L n B, należy zatrzymać próbkowanie i przyjąć H 1 ; jeżeli A < L n < B, należy pobrać kolejną obserwację, gdzie A i B, są pewnymi liczbami, takimi że A < 1, B > 1. Uzasadnienie jest oczywiste: otrzymana wartość L n A < 1 świadczy o tym, że bardziej prawdopodobne jest to, że pobrana próbka pochodzi z populacji o wadliwości p 0 niż to, że pochodzi z populacji o wadliwości p 1. Procedura określona przez (1) i stałe A, B nazywa się sekwencyjnym testem ilorazu prawdopodobieństwa (STIP) o brzegach (barierach) zatrzymania A i B. W rozpatrywanym problemie statystycznej kontroli jakości, przyjęcie H 0 oznacza zaakceptowanie partii produktów, a przyjęcie H 1 oznacza jej odrzucenie. (1) Page 10 of 21
11 Ponieważ funkcja log y jest monotoniczna względem y, więc STIP można opisać w sposób równoważny zastępując we wzorze (1) wielkości L n, A, B odpowiednio wielkościami log L n, log A, log B. Następnie, korzystając z aproksymacji podanych przez Walda, STIP można przedstawić w zależności od zadanych prawdopodobieństw błędów α i β: jeżeli log L n log β 1 α, to należy zatrzymać próbkowanie i przyjąć H 0 ; jeżeli log L n log 1 β α, to należy zatrzymać próbkowanie i przyjąć H 1 ; jeżeli log β 1 α < log L n < log 1 β α, (2) to należy kontynuować badanie pobierając kolejną obserwację. Uwzględniając postać funkcji L n, ( ) sn ( ) n sn p1 1 p1 L n =, p 0 1 p 0 Page 11 of 21
12 obszar kontynuacji procedury, określony wzorem (2), można przedstawić w postaci a n = log β 1 α log p 1 p 0 log 1 p 1 < 1 p 0 + n log 1 β α log p 1 p 0 log 1 p 1 1 p 0 + n log 1 p 0 1 p 1 log p 1 log 1 p < s n 1 p 0 1 p 0 log 1 p 0 1 p 1 log p 1 log 1 p = r n. (3) 1 p 0 1 p 0 Page 12 of 21
13 Page 13 of 21 Rysunek 1: Bariery sekwencyjnego testu ilorazu prawdopodobieństwa dla prób Bernoulliego. Przyjęto p 0 = 0.1, p 1 = 0.3, α = 0.02, β = 0.03.
14 Jak widać, metoda wnioskowania i reguła stopu mogą być opisane łacznie przez narysowanie dwóch barier na wykresie liczby sukcesów jako funkcji liczby wykonanych obserwacji. Dopóki błądzenie losowe pozostaje między tymi barierami, należy kontynuować badanie. Jeśli trajektoria przetnie górną barierę (za dużo sukcesów za dużo wykrytych elementów wadliwych), zakończymy eksperyment i podejmiemy decyzję o odrzuceniu partii produktów. Gdy zostanie przecięta dolna bariera (za mało sukcesów), zakończymy eksperyment i podejmiemy decyzję o zaakceptowaniu danej partii. Liczby a n i r n określone we wzorze (3) nazywają się odpowiednio wartością akceptacji i wartością odrzucenia. Wald udowodnił, że procedura STIP z pewnością doprowadzi do rozstrzygnięcia w skończonej liczbie kroków. Jak łatwo zauważyć, żądanie mniejszych prawdopodobieństw błędnych decyzji powoduje szersze rozsunięcie barier i wzrost średniej liczby prób potrzebnych do podjęcia decyzji. Procedura STIP ma bardzo przekonujące wyjaśnienie. Ponieważ bariery zatrzymania są równoległymi liniami prostymi, test ten jest prosty w użyciu. Ale przede wszystkim test ten jest testem optymalnym względem pewnego kryterium. Okazało się Page 14 of 21
15 w praktyce, że STIP często dawał oszczędność rzędu 50% obserwacji wymaganych przez niesekwencyjną procedurę o tych samych prawdopodobieństwach błędów. Ten fakt miał taką wartość przy testowaniu amunicji, że STIP przez pewien czas był tajemnicą wojskową. Page 15 of 21
16 Wald i Wolfowitz (1948) udowodnili, że średnia liczba obserwacji wymagana w STIP do wydania decyzji jest mniejsza niż analogiczna średnia w jakiejkolwiek innej procedurze (sekwencyjnej lub nie) mającej te same lub mniejsze prawdopodobieństwa błędów. STIP może być skonstruowany w każdej sytuacji decyzyjnej, gdy chodzi o przyjęcie jednej z dwóch alternatyw na podstawie ciągu niezależnych obserwacji. Prowadzi to zawsze do badania błądzenia losowego (lub ogólniej, przebiegu pewnego procesu losowego) z dwiema równoległymi barierami. STIP dla ogólniejszych procesów losowych wymaga zaangażowania bardziej skomplikowanej teorii matematycznej, w szczególności teorii procesów losowych, ale idee Walda można zastosować także w takich przypadkach. Page 16 of 21
17 4. Obcięty i uogólniony STIP W niektórych sytuacjach (np. gdy prawdziwa wartość testowanego parametru różni się znacznie od wartości parametrów określonych przez obie hipotezy) STIP wymaga bardzo wielu obserwacji przed podjęciem decyzji. Jeżeli obserwacje są zbyt kosztowne, stosuje się często zamiast STIP tzw. obcięty STIP, w którym określa się górną granicę wielkości próbki. Na Rysunkach 2 i 3 przedstawione są bariery zatrzymania STIP, w których liczba dokonywanych obserwacji jest ograniczona. Z testami o takich barierach zatrzymania mamy do czynienia np. w sytuacjach, gdy chcemy porównać dwa leki podając je (w różnych czasach i losowej kolejności) tym samym pacjentom. Na podstawie badań każdego pacjenta uzyskujemy informację, który z tych dwóch leków okazał się bardziej skuteczny. Trajektoria wznosząca się o jednostkę do góry, gdy preferowany jest lek A i opadająca o jednostkę w dół, gdy preferowany jest lek B, tworzy symetryczne błądzenie losowe. Page 17 of 21
18 Zadanie polega na sprawdzeniu hipotezy, że oba leki są jednakowo skuteczne przy hipotezie alternatywnej, że jeden z nich jest lepszy od drugiego. Decyzja przyjęcia pierwszej z tych hipotez jest konsekwencją przekroczenia bariery pionowej, podczas gdy przekroczenie bariery górnej lub dolnej pociąga za sobą przyjęcie hipotezy alternatywnej. Bariera pionowa wyznacza górną granicę liczby pacjentów, którzy będą badani. Barierę pionową na Rysunku 2 można ściągnąć do linii przerywanej, ponieważ trajektoria, która przetnie linię przerywaną, w dalszym swym biegu zawsze już musi przekroczyć barierę pionową. Page 18 of 21
19 Page 19 of 21 Rysunek 2: Bariery ograniczonego STIP
20 Page 20 of 21 Rysunek 3: Bariery podwójnie trójkątnego STIP
21 Zmodyfikowany STIP, w którym bariery równoległe zastąpione są przez inne linie proste, tak jak na Rysunku 2 lub 3 nazywa się uogólnionym STIP. Innego rodzaju zagadnienie pojawia się w statystycznej kontroli jakości w przypadku, gdy często ze względów technicznych wygodniej jest pobierać do badania nie pojedyncze sztuki lecz całe ich zespoły (wiązki, skrzynki, paczki). Procedury sekwencyjne dopuszczające taką możliwość znajdują zastosowania w przemyśle. Przedstawiony STIP jest narzędziem w problemach decyzyjnych, w których dokonuje się wyboru jednej z dwóch decyzji. Trudniejszy problem dotyczy sytuacji, w której należy dokonać wyboru jednej spośród więcej niż dwóch decyzji. Taki problem związany jest z rozszerzeniem koncepcji Walda na ogólniejsze modele statystyczne w celu wyznaczenia nowych narzędzi statystyki matematycznej do rozwiązań wielu zadań w praktyce. Powstające przy tym problemy matematyczne dotyczą m.in. własności reguł stopu dla bardzo ogólnych barier i procesów losowych na płaszczyźnie lub w przestrzeniach o większej liczbie wymiarów. Page 21 of 21
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej 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 szczegółowo), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0
Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy
Bardziej 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 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 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 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 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 szczegółowoPODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść II
PODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść II Szkic wykładu 1 Wprowadzenie 2 3 4 5 Weryfikacja hipotez statystycznych Obok estymacji drugim działem wnioskowania statystycznego jest weryfikacja hipotez
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 szczegółowoSIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY
SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Weryfikacja hipotez statystycznych Statystyka i demografia PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY
Bardziej szczegółowoWykład 4: Wnioskowanie statystyczne. Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA
Wykład 4: Wnioskowanie statystyczne Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA Idea wnioskowania statystycznego Celem analizy statystycznej nie jest zwykle tylko
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej 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 szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej 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 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 szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoSpecjalność STATYSTYKA MATEMATYCZNA na kierunku MATEMATYKA
Specjalność STATYSTYKA MATEMATYCZNA na kierunku MATEMATYKA Instytut Matematyki i Informatyki Politechnika Wrocławska Page 1 of 20 Opracował zespół: prof. dr hab. Ryszard Magiera, dr Alicja Jokiel-Rokita,
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 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 szczegółowoRozkład Gaussa i test χ2
Rozkład Gaussa jest scharakteryzowany dwoma parametramiwartością oczekiwaną rozkładu μ oraz dyspersją σ: METODA 2 (dokładna) polega na zmianie zmiennych i na obliczeniu pk jako różnicy całek ze standaryzowanego
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej 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 szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej 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 szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Przypuśdmy, że mamy do czynienia z następującą sytuacją: nieznany jest rozkład F rządzący pewnym zjawiskiem losowym. Dysponujemy konkretną próbą losową ( x1, x2,..., xn
Bardziej szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
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 szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne.
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 szczegółowoWyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności
Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego
Bardziej 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 szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
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 szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Hipotezą statystyczną jest dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoTestowanie hipotez. 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 szczegółowoAdam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
Bardziej 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 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 szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej 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 szczegółowoTESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
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 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 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 szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowoMetody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.
Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę.
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 szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoWyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności
Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji
gkrol@mail.wz.uw.edu.pl #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji 1 Ryzyko błędu - powtórzenie Statystyka niczego nie dowodzi, czyni tylko wszystko mniej lub bardziej prawdopodobnym
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoWeryfikacja przypuszczeń odnoszących się do określonego poziomu cechy w zbiorowości (grupach) lub jej rozkładu w populacji generalnej,
Szacownie nieznanych wartości parametrów (średniej arytmetycznej, odchylenia standardowego, itd.) w populacji generalnej na postawie wartości tych miar otrzymanych w próbie (punktowa, przedziałowa) Weryfikacja
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 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 szczegółowoProjektowanie badań i interpretacja wyników okiem biostatystyka. Warszawa, 15 marca 2016, Anna Marcisz
Projektowanie badań i interpretacja wyników okiem biostatystyka Warszawa, 15 marca 2016, Anna Marcisz Agenda Część I Cel badań - hipotezy badawcze/statystyczne Wielkość próby potrzebna do badania Jak odczytywać
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej 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 szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej 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 szczegółowoStatystyczne sterowanie procesem
Statystyczne sterowanie procesem SPC (ang. Statistical Process Control) Trzy filary SPC: 1. sporządzenie dokładnego diagramu procesu produkcji; 2. pobieranie losowych próbek (w regularnych odstępach czasu
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoWykład 8 Dane kategoryczne
Wykład 8 Dane kategoryczne Wrocław, 19.04.2017r Zmienne kategoryczne 1 Przykłady zmiennych kategorycznych 2 Zmienne nominalne, zmienne ordynalne (porządkowe) 3 Zmienne dychotomiczne kodowanie zmiennych
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 I DOŚWIADCZALNICTWO. Wykład 2
STATYSTYKA I DOŚWIADCZALNICTWO Wykład Parametry przedziałowe rozkładów ciągłych określane na podstawie próby (przedziały ufności) Przedział ufności dla średniej s X t( α;n 1),X + t( α;n 1) n s n t (α;
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 9 i 10 Magdalena Alama-Bućko 14 i 21 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 14 i 21 maja 2018 1 / 25 Hipotezy statystyczne Hipoteza statystyczna nazywamy
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA, LISTA 3
STATYSTYKA MATEMATYCZNA, LISTA 3 1. Aby zweryfikować hipotezę o symetryczności monety; H: p = 0.5 przeciwko K: p 0.5 wykonano nią n = 100 rzutów. Wyznaczyć obszar krytyczny i zweryfikować hipotezę H gdy
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne Czyli jak bardzo jesteśmy pewni że parametr oceniony na podstawie próbki jest
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
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 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 szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej 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 szczegółowoKorzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne)
Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne) Przygotował: Dr inż. Wojciech Artichowicz Katedra Hydrotechniki PG Zima 2014/15 1 TABLICE ROZKŁADÓW... 3 ROZKŁAD
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowo