Wykład 6 - układ blokowy o jednostkach rozszczepionych (układ split-plot)
|
|
- Błażej Jóźwiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Wykład 6 - układ blokowy o jednostkach rozszczepionych (układ split-plot) Niekiedy dysponujemy materiałem doświadczalnym posiadającym zagnieżdżoną strukturę blokową. Cały materiał eksperymentalny podzielony jest na bloki, a każdy blok podzielony jest na jednostki zwane jednostkami I rzędu (ang. whole plots; w doświadczeniach polowych - dużymi poletkami). Ponadto, jednostki I rzędu podzielone są na mniejsze, jednostki II rzędu (ang. split plots; w doświadczeniach polowych - małe poletka). W takim układzie doświadczalnym, jednostki II rzędu są zagnieżdżone w jednostkach I rzędów, które z kolei są zagnieżdżone w blokach. Na jednostkach I rzędu rozmieszczane są poziomy (warianty) czynnika A, a na jednostkach II rzędu poziomy (warianty) czynnika B. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 1 / 31
2 Jako czynnik A wybiera się ten, którego poziomy są trudniejsze do zmiany, np. łatwiej siać jedną odmianę rośliny uprawnej na dużych poletkach niż na małych. W ten sposób łatwiej technicznie przeprowadzić doświadczenie. Jednak efekty poziomów czynnika A będą też mniej dokładnie zbadane. Czynnik A, tak zwany czynnik pierwszego rzędu, powinien być czynnikiem prowokującym, mniej ważnym dla eksperymentatora. Powinien on pełnić rolę pomocniczą w wydobywaniu informacji o interakcji z czynnikiem B. Czynnik B, tak zwany czynnik drugiego rzędu, jest czynnikiem ważniejszym dla badacza (czynnikiem podmiotowym). Układ blokowy o jednostkach rozszczepionych (układ split-plot, ang. split-plot design) jest to schemat losowego rozmieszczenia poziomów czynnika A na jednostkach I rzędu pogrupowanych w bloki, a ponadto jednostki I rzędu są rozszczepione na jednostki II rzędu, na których losowo rozmieszczone są poziomy czynnika B. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 2 / 31
3 W pakiecie agricolae do konstrukcji (generowania) układów blokowych o jednostkach rozszczepionych służy funkcja design.split. design.split(trt1, trt2, r = NULL, design = c("rcbd", "crd", "lsd"), serie = 2, seed = 0, kinds = "Super-Duper", first = TRUE) trt1 - wektor nazw poziomów czynnika A trt2 - wektor nazw poziomów czynnika B r - wektor replikacji lub liczba bloków (zależy od design) design - model ( rcbd" - układ bloków kompletnie zrandomizowanych, crd" - układ kompletnej randomizacji, lsd" - kwadrat łaciński) serie - numery wykresu (rodzaj numerowania obserwacji), 0: 1,2; 1: 11,12; 2: 101,102; 3: 1001,1002, seed - ziarno generatora liczb pseudolosowych kinds - metoda randomizacji (możliwe są: Wichmann-Hill, Marsaglia-Multicarry, Super- Duper, Mersenne-Twister, Knuth-TAOCP, user-supplied, Knuth-TAOCP-2002 ) first - oznacza czy randomizować pierwszą replikację (TRUE - tak, FALSE - nie) Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 3 / 31
4 W celu skonstruowania układu blokowego o jednostkach rozszczepionych, opierającego się na układzie bloków kompletnie zrandomizowanych (trzy bloki), przy czterech poziomach czynnika A (a, b, c, d) oraz trzech poziomach czynnika B (1, 2, 3) należy wykonać następujące instrukcje: trt1 = c("a", "b", "c", "d"); trt2 = c(1:3) (outdesign = design.split(trt1, trt2, r = 3, design = "rcbd", serie = 1, seed = 12345)) ## $ book ## plots splots block trt1 trt2 ## c 1 ## c 2 ## c 3 ## d 1 ## d 3 ##... ## c 3 Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 4 / 31
5 t(matrix(a, c(4, 3))) ## [,1] [,2] [,3] [,4] ## [1,] "c" "d" "a" "b" ## [2,] "c" "a" "d" "b" ## [3,] "d" "a" "b" "c" t(matrix(b, c(4, 3))) ## [,1] [,2] [,3] [,4] ## [1,] "1 2 3" "1 3 2" "1 2 3" "2 1 3" ## [2,] "1 2 3" "2 1 3" "1 3 2" "1 2 3" ## [3,] "1 3 2" "2 3 1" "3 2 1" "1 2 3" Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 5 / 31 Układ blokowy o jednostkach rozszczepionych (układ split-plot) book1 = outdesign$book (A = book1$trt1[seq(1, 36, 3)]); B = NULL ## [1] c d a b c a d b d a b c ## Levels : a b c d for(i in 1:12) B = c(b, paste(book1$trt2[3*(i-1)+1], book1$trt2[3*(i-1)+2] book1$trt2[3*(i-1)+3])) B ## [1] "1 2 3" "1 3 2" "1 2 3" "2 1 3" "1 2 3" "2 1 3" "1 3 2"
6 Analiza w układzie blokowym o jednostkach rozszczepionych jest podzielona na dwie części odpowiadające zagnieżdżonej, blokowej strukturze. Każda część ma swój własny błąd. Analiza efektów poziomów czynnika A obejmuje porównania obserwacji zmiennej zależnej otrzymanych w jednostkach II rzędu w różnych jednostkach I rzędu. Natomiast analiza efektów poziomów czynnika B oraz interakcji AB obejmuje porównania obserwacji zmiennej objaśnianej otrzymanych w jednostkach II rzędu w obrębie tych samych jednostek I rzędu. W ogólności, jednostki II rzędu w obrębie jednostki I rzędu będą bardziej podobne niż jednostki II rzędu w różnych jednostkach I rzędu. W konsekwencji, analiza wewnątrz jednostek I rzędu będzie w ogólności bardziej precyzyjna niż analiza między jednostkami I rzędu. Jeśli poziomy obu czynników łatwo zmieniać, to wtedy układ blokowy o jednostkach rozszczepionych jest rekomendowany, gdy jeden z czynników (rozważany jako czynnik B) jest ważniejszy dla eksperymentatora niż drugi. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 6 / 31
7 Model układu blokowego o jednostkach rozszczepionych, w którym występuje s bloków, a poziomów czynnika A, b poziomów czynnika B oraz każdy poziom czynnika A (B) pojawia się w każdym bloku ( whole plot ) dokładnie raz, można przedstawić w następujący sposób: Y hij =µ + θ h + α i + ε W i(h) + β j + (αβ) ij + ε S j(hi), gdzie h = 1, 2,..., s, i = 1, 2,..., a, j = 1, 2,..., b, Y hij jest obserwacją cechy ilościowej (zależnej) otrzymaną w h-tym bloku dla i-tego poziomu czynnika A i j-tego poziomu czynnika B, µ jest średnią globalną, θ h jest efektem h-tego bloku, α i jest efektem i-tego poziomu czynnika A, ε W i(h) jest błędem związanym z i-tym poziomem czynnika A w h-tym bloku, β j jest efektem j-tego poziomu czynnika B, (αβ) ij jest efektem interakcji i-tego poziomu czynnika A z j-tym poziomem czynnika B, ε S j(hi) jest błędem związanym z j-tym poziomem czynnika B przy i-tym poziomie czynnika A w h-tym bloku. Zakłada się, że ε W i(h) N(0, σ2 W ), εs j(hi) N(0, σ2 S ) oraz zmienne te są niezależne dla dowolnych h, i, j. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 7 / 31
8 Pierwsza część powyższej tabeli odpowiada analizie whole-plot, czyli analizie opartej na całościowych obserwacjach otrzymanych w jednostkach I rzędu. Jest to właściwie analiza wariancji w układzie bloków kompletnie zrandomizowanych. Druga część powyższej tabeli odpowiada analizie split-plot, czyli analizie opartej na obserwacja otrzymanych w jednostkach II rzędu w obrębie jednostek I rzędu. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 8 / 31 Układ blokowy o jednostkach rozszczepionych (układ split-plot) Tabela analizy wariancji przyjmuje postać: Źródło zm. Stopnie sw. Suma kw. Średni kw. F Bloki s 1 SSBL A a 1 SSA MSA = SSA a 1 Whole-plot błąd (s 1)(a 1) SSEW MSEW = SSEW (s 1)(a 1) Whole-plot całość sa 1 SSW B b 1 SSB MSB = SSB b 1 AB (a 1)(b 1) SSAB MSAB = SSAB Split-plot błąd a(b 1)(s 1) SSES MSES = Całość abs 1 SST (a 1)(b 1) SSES a(b 1)(s 1) MSA MSEW MSB MSES MSAB MSES
9 Sumy kwadratów występujące w powyższej tabeli analizy wariancji wyrażają się wzorami: s SSBL = ab ȳh 2 sabȳ 2, a SSA = sb ȳ 2 i sabȳ 2, h=1 i=1 s a SSW = b ȳhi 2 sabȳ 2, SSEW = SSW SSBL SSA, h=1 i=1 b SSB = sa ȳ 2 j sabȳ 2, a b a b SSAB = s ȳ 2 ij sb ȳ 2 i sa ȳ 2 j + sabȳ 2, j=1 i=1 j=1 i=1 j=1 s a b SST = yhij 2 sabȳ 2, SSES = SST SSW SSB SSAB. h=1 i=1 j=1 Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 9 / 31
10 W doświadczeniu szklarniowym badano trzy odmiany pomidorów (J, L, N) oraz dwa sposoby zasilania mineralnego (T - tradycyjne, P - punktowe). Doświadczenie założono w układzie blokowym o jednostkach rozszczepionych (układ split-plot). Każda szklarnia stanowiła jeden blok. W każdym bloku, każdy z trzech zagonów stanowił jednostkę dużą, której losowo przyporządkowano odmiany. Każdy zagon podzielono na dwie części, z których jedna była przeznaczona pod zasilanie tradycyjne, a druga pod zasilanie punktowe. W wyniku randomizacji ustalono plan doświadczenia, który wraz z obserwacjami plonu (w kg) przedstawia następujący schemat (O - odmiana): O Blok 1 O Blok 2 O Blok 3 O Blok 4 L T: 21 P: 20 J P: 24 T: 17 N T: 21 P: 25 L T: 20 P: 18 J T: 18 P: 26 N T: 18 P: 23 J T: 18 P: 22 N P: 18 T: 17 N P: 24 T: 20 L P: 21 T: 22 L P: 25 T: 23 J P: 26 T: 19 Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 10 / 31
11 W powyższym przykładzie: blokami są szklarnie (cztery bloki) czynnikiem A jest odmiana (trzy poziomy) czynnikiem B jest zasilanie mineralne (dwa poziomy) jednostki I rzędu (whole plots) to zagony jednostki II rzędu (split plots) to części zagonów 12 = jednostek I rzędu 24 = jednostek II rzędu Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 11 / 31
12 odmiany = c("l", "L", "J", "J", "N", "N", "J", "J", "N", "N", "L", "L", "N plon = c(21, 20, 18, 26, 24, 20, 24, 17, 18, 23, 21, 22, 21, 25, 18, 22, 2 bloki = rep(1:4, each = 6) zasilanie = c("t", "P", "T", "P", "P", "T", "P", "T", "T", "P", "P", "T", dane = data.frame(plon = plon, odmiany = as.factor(odmiany), zasilanie = as.factor(zasilanie), bloki = as.factor(bloki)) ## plon odmiany zasilanie bloki ## 1 21 L T 1 ## 2 20 L P 1 ## 3 18 J T 1 ## 4 26 J P 1 ## 5 24 N P 1 ## 6 20 N T 1 ## 7 24 J P 2 ##... ## J T 4 Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 12 / 31
13 Wizualizacji danych dokonujemy za pomocą wykresów paskowego i ramkowego. library(ggplot2) qplot(zasilanie, plon, data = dane, facets = ~ odmiany) qplot(zasilanie, plon, data = dane, facets = ~ odmiany, geom = "boxplot") qplot(zasilanie, plon, data = dane, facets = ~ odmiany, color = bloki, group = bloki, geom = c("line", "point")) Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 13 / 31
14 J L N plon P T P T P T zasilanie Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 14 / 31
15 J L N plon P T P T P T zasilanie Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 15 / 31
16 J L N bloki 1 plon P T P T P T zasilanie Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 16 / 31
17 model = aov(plon ~ zasilanie*odmiany + Error(bloki/odmiany), data = dane) model = aov(plon ~ odmiany*zasilanie + Error(bloki/odmiany), data = dane) summary(model) ## Error : bloki ## Df Sum Sq Mean Sq F value Pr( > F) ## Residuals ## Error : bloki : odmiany ## Df Sum Sq Mean Sq F value Pr( > F) ## odmiany ## Residuals ## Error : Within ## Df Sum Sq Mean Sq F value Pr( > F) ## zasilanie *** ## zasilanie : odmiany *** ## Residuals Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 17 / 31
18 Dość wygodny sposób przeprowadzenia analizy wariancji w modelu układu blokowego o jednostkach rozszczepionych (układu split-plot) oferuje funkcja sp.plot z pakietu agricolae. library(agricolae); sp.plot(bloki, odmiany, zasilanie, plon) ## Df Sum Sq Mean Sq F value Pr( > F) ## bloki ## odmiany ## Ea ## zasilanie *** ## odmiany : zasilanie *** ## Eb Trzeci sposób przeprowadzenia tej analizy wariancji jest podany np. w przykładach pomocy do zbioru danych plots z pakietu agricolae (ćwiczenia). Zauważmy, że MSES = 1.5 < = MSEW, co potwierdza, że jednostki II rzędu w obrębie jednostek I rzędu są w ogólności bardziej podobne niż jednostki II rzędu w różnych jednostkach I rzędu. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 18 / 31
19 Testy post hoc dla poziomów czynnika A lub B możemy wykonywać za pomocą funkcji dostępnych w pakiecie agricolae. library(agricolae) HSD.test(plon, odmiany, DFerror = DFE, MSerror = MSE, console = TRUE) ## HSD Test for plon ## Mean Square Error : ## odmiany, means ##... ## alpha : 0.05 ; Df Error : 6 ## Critical Value of Studentized Range : ## Honestly Significant Difference : ## Means with the same letter are not significantly different. ## Groups, Treatments and means ## a J ## a L ## a N Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 19 / 31
20 Podobnie testy post hoc wykonujemy dla poziomów czynnika B, jednak należy pamiętać o podaniu właściwych dla tego czynnika stopni swobody i średniego kwadratu dla błędów. HSD.test(plon, zasilanie, DFerror = DFE, MSerror = MSE, console = TRUE) ## Study : plon ~ zasilanie ## HSD Test for plon ## Mean Square Error : 1.5 ## zasilanie, means ##... ## alpha : 0.05 ; Df Error : 9 ## Critical Value of Studentized Range : ## Honestly Significant Difference : ## Means with the same letter are not significantly different. ## Groups, Treatments and means ## a P ## b T 19.5 Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 20 / 31
21 Układ split-split-plot Koncepcję układów split-plot można rozszerzyć na przypadek liczby czynników większej niż dwa. Cały materiał eksperymentalny podzielony jest na bloki, a każdy blok podzielony jest na jednostki zwane jednostkami I rzędu (ang. whole plots). Ponadto, jednostki I rzędu podzielone są na mniejsze, jednostki II rzędu (ang. split plots), które z kolei podzielone są na jeszcze mniejsze jednostki III rzędu (ang. split-split plots). W takim układzie doświadczalnym, jednostki III rzędu są zagnieżdżone w jednostkach II rzędów, a te są zagnieżdżone w jednostkach I rzędów, które z kolei są zagnieżdżone w blokach. Na jednostkach I rzędu rozmieszczane są poziomy (warianty) czynnika A, na jednostkach II rzędu poziomy (warianty) czynnika B, a na jednostkach III rzędu poziomy (warianty) czynnika C. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 21 / 31
22 Układ split-split-plot Czynniki A i B, tak zwane czynniki pierwszego i drugiego rzędu, powinny być czynnikami prowokującym, mniej ważnymi dla eksperymentatora. Powinny one pełnić rolę pomocniczą w wydobywaniu informacji o interakcji z czynnikiem C. Czynnik C, tak zwany czynnik trzeciego rzędu, jest czynnikiem ważniejszym dla badacza (czynnikiem podmiotowym). Układ split-split-plot (ang. split-split-plot design) jest to schemat losowego rozmieszczenia poziomów czynnika A na jednostkach I rzędu pogrupowanych w bloki, następnie jednostki I rzędu są rozszczepione na jednostki II rzędu, na których losowo rozmieszczone są poziomy czynnika B, a ponadto jednostki II rzędu są rozszczepione na jednostki III, do których stosuje się poziomy czynnika C. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 22 / 31
23 Układ split-split-plot Model układu split-split-plot, w którym występuje s bloków, a poziomów czynnika A, b poziomów czynnika B, c poziomów czynnika C oraz każdy poziom czynnika A, B, C pojawia się w każdym bloku, whole plot, split plot, odpowiednio, dokładnie raz: Y hijk =µ + θ h + α i + ε W i(h) + β j + (αβ) ij + ε S j(hi) + γ k + (αγ) ik + (βγ) jk + (αβγ) ijk + ε SS k(hij), h = 1, 2,..., s, i = 1, 2,..., a, j = 1, 2,..., b, k = 1, 2,..., c, Y hijk - obserwacja cechy ilościowej w h-tym bloku dla i-tego poz. czyn. A, j-tego poz. czyn. B i k-tego poz. czyn. C, µ - średnia glob., θ h - efekt. h-tego bloku, α i - efekt. i-tego poz. czyn. A, ε W i(h) - błąd związany z i-tym poz. czyn. A w h-tym bloku, β j - efekt. j-tego poz. czyn. B, (αβ) ij - efekt. interakcji i-tego poz. czyn. A z j-tym poz. czyn. B, ε S j(hi) - błąd związany z j-tym poz. czyn. B przy i-tym poz. czyn. A w h-tym bloku, γ k - efekt. k-tego poz. czyn. C, (αγ) ik, (βγ) jk - efekt. interakcji i-, j-tego poz. czyn. A, B z k-tym poz. czyn. C, (αβγ) ijk - efekt. interakcji poz. czyn. A, B i C, ε SS k(hij) - błąd związany z k-tym poz. czyn. C przy i- i j-tym poz. czyn. A i B w h-tym bloku. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 23 / 31
24 Układ split-split-plot ε W i(h) N(0, σ2 W ), εs j(hi) N(0, σ2 S ), εss k(hij) N(0, σ2 SS ) - niezależne dla dowolnych h, i, j, k Źródło zm. Stopnie sw. Suma kw. Średni kw. F Bloki s 1 SSBL A a 1 SSA MSA = SSA a 1 Whole-plot błąd (s 1)(a 1) SSEW MSEW = SSEW (s 1)(a 1) Whole-plot całość sa 1 SSW B b 1 SSB MSB = SSB b 1 AB (a 1)(b 1) SSAB MSAB = SSAB Split-plot błąd a(b 1)(s 1) SSES MSES = (a 1)(b 1) SSES a(b 1)(s 1) Split-plot całość sab 1 SSS C c 1 SSC MSC = SSC c 1 AC (a 1)(c 1) SSAC MSAC = SSAC (a 1)(c 1) BC (b 1)(c 1) SSBC MSBC = SSBC (b 1)(c 1) ABC (a 1)(b 1)(c 1) SSABC MSABC = Split-split-plot błąd ab(c 1)(s 1) SSESS MSESS = SSABC (a 1)(b 1)(c 1) SSESS ab(c 1)(s 1) MSA MSEW MSB MSES MSAB MSES MSC MSESS MSAC MSESS MSBC MSESS MSABC MSESS Całość abcs 1 SST Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 24 / 31
25 Układ split-split-plot Przykładowy eksperyment przeprowadzony według układu split-split-plot został opisany przez Woodinga w 1973 w czasopiśmie Journal of Quality Technology. Doświadczenie dotyczyło oceny ośmiu leków (czynnik o ośmiu poziomach) w leczeniu zapalenia stawów. Drugim czynnikiem była dawka leku (czynnik o dwóch poziomach), a trzecim czynnikiem była czas (czynnik o dwóch poziomach), który upłynął od wstrzyknięcia substancji wywołującej reakcję zapalną do pomiaru. Jednostkami eksperymentalnymi było n = 64 szczurów. Cechą zależną była ilością płynu (podana w mililitrach) mierzona w jamie opłucnej u zwierząt po podaniu określonej kombinacji czynników. Eksperyment został przeprowadzony w dwa dni. Każda kombinacja poziomów czynników była rozważana tylko raz każdego dnia. Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 25 / 31
26 Układ split-split-plot Dzień 1 Lek Czas Dawka ,7 8,6 6,9 6,6 6,7 7,4 5,7 6, ,1 7,2 6,8 6,4 6,6 8,7 6,7 7, ,4 9,6 9,3 11,1 12,5 8,7 9,3 9, ,3 8,7 7,9 6,9 8,9 9,5 8,3 11,3 Dzień 2 Lek Czas Dawka ,8 6,8 7,0 8,5 7,8 7,3 6,4 8, ,4 7,9 8,0 6,4 8,4 7,1 6,4 7, ,1 10,8 6,9 12,2 9,9 10,4 10,6 10, ,3 10,4 8,2 8,1 10,9 9,8 8,4 14,6 Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 26 / 31
27 Układ split-split-plot W związku z możliwą zmianą warunków laboratoryjnych w dwóch dniach eksperymentu, dni zostały potraktowane jako bloki. Ponieważ eksperyment miał na celu porównanie leków, a pozostałe dwa czynniki (czas i dawka) miały być zbadane pod względem ich możliwej interakcji z lekami, sensownym jest rozważenie tego eksperymentu jako układu split-split-plot. Zatem, w naszym przykładzie: blokami są dni (dwa bloki) czynnikiem A jest czas (dwa poziomy) czynnikiem B jest dawka (dwa poziomy) czynnikiem C jest lek (osiem poziomów) jednostkami I rzędu są te grupy szczurów, którym odpowiada ten sam czas jednostkami II rzędu są te grupy szczurów, którym podano tę samą dawkę leku jednostkami III rzędu są szczurów 4 = jednostki I rzędu 8 = jednostek II rzędu 64 = jednostki III rzędu Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 27 / 31
28 Układ split-split-plot plyn = c(5.7, 5.1, 8.4, 7.3, 8.6, 7.2, 9.6, 8.7, 6.9, 6.8, 9.3, 7.9, 6.6, 6.4, 6.7, 6.6, 12.5, 8.9, 7.4, 8.7, 8.7, 9.5, 5.7, 6.7, 9.3, 8.3, 6.7, , 5.4, 9.1, 5.3, 6.8, 7.9, 10.8, 10.4, 7.0, 8.0, 6.9, 8.2, 8.5, , 8.4, 9.9, 10.9, 7.3, 7.1, 10.4, 9.8, 6.4, 6.4, 10.6, 8.4, 8.5, 7 bloki = rep(1:2, each = 32) czas = rep(1:2, each = 2, length = 64) dawka = rep(1:2, 32) lek = rep(c(1:8, 1:8), each = 4) dane = data.frame(plyn = plyn, bloki = as.factor(bloki), czas = as.factor(czas), dawka = as.factor(dawka), lek = as.factor(lek)) library(ggplot2) qplot(bloki, plyn, data = dane) qplot(lek, plyn, data = dane, facets = ~ czas, color = dawka) Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 28 / 31
29 Układ split-split-plot plyn bloki Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 29 / 31
30 Układ split-split-plot plyn 10.0 dawka lek Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 30 / 31
31 Układ split-split-plot library(agricolae) ssp.plot(bloki, czas, dawka,lek, plyn) ## ANALYSIS SPLIT - SPLIT PLOT : plyn ## Df Sum Sq Mean Sq F value Pr( > F) ## bloki ## czas * ## Ea ## dawka ## czas : dawka ## Eb ## lek e -05 *** ## lek : czas ## lek : dawka * ## lek : czas : dawka ## Ec Łukasz Smaga (WMI UAM) DPLD LMO Wykład 6 31 / 31
Elementy statystyki STA - Wykład 5
STA - Wykład 5 Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza 1 ANOVA 2 Model jednoczynnikowej analizy wariancji Na model jednoczynnikowej analizy wariancji możemy traktować jako uogólnienie
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 11 DOŚWIADCZENIE JEDNOCZYNNIKOWE W UKŁADZIE CAŁKOWICIE LOSOWYM PORÓWNANIA SZCZEGÓŁOWE
WYKŁAD 11 DOŚWIADCZENIE JEDNOCZYNNIKOWE W UKŁADZIE CAŁKOWICIE LOSOWYM PORÓWNANIA SZCZEGÓŁOWE Było: Przykład. W doświadczeniu polowym załoŝonym w układzie całkowicie losowym w czterech powtórzeniach porównano
Bardziej szczegółowo1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe
Zjazd 7. SGGW, dn. 28.11.10 r. Matematyka i statystyka matematyczna Tematy 1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe nna Rajfura 1 Zagadnienia Przykład porównania wielu obiektów w
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW
Było: Testowanie hipotez (ogólnie): stawiamy hipotezę, wybieramy funkcję testową f (test statystyczny), przyjmujemy poziom istotności α; tym samym wyznaczamy obszar krytyczny testu (wartość krytyczną funkcji
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Jednoczynnikowa analiza wariancji i porównania wielokrotne (układ losowanych bloków randomized block design RBD) Układ losowanych bloków Stosujemy, gdy podejrzewamy,
Bardziej szczegółowoAnaliza wariancji. Źródło: Aczel A. D. Statystyka w zarządzaniu. Barbara Gładysz
Analiza wariancji Źródło: Aczel A. D. Statystyka w zarządzaniu Analiza wariancji jednoczynnikowa Populacja Pole trójkąty 1 4 5 3 7 4 8 kwadraty 1 10 11 3 1 4 13 kółka 1 1 3 3 Populacja Pole trójkąty 1
Bardziej szczegółowoStatystyczna analiza danych (molekularnych) analiza wariancji ANOVA
Statystyczna analiza danych (molekularnych) analiza wariancji ANOVA Anna Gambin 19 maja 2013 Spis treści 1 Przykład: Model liniowy dla ekspresji genów 1 2 Jednoczynnikowa analiza wariancji 3 2.1 Testy
Bardziej szczegółowoWykład 5 Teoria eksperymentu
Wykład 5 Teoria eksperymentu Wrocław, 22.03.2017r Co to jest teoria eksperymentu? eksperyment - badanie jakiegoś zjawiska polegające na celowym wywołaniu tego zjawiska lub jego zmian oraz obserwacji i
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
28 marca 2012 Analiza wariancji klasyfikacja jednokierunkowa - wst ep Przypuśćmy, że chcemy porównać wieksz a (niż dwie) liczbe grup. Aby porównać średnie w kilku grupach, można przeprowadzić analize wariancji.
Bardziej szczegółowoAnaliza wariancji. Źródło: Aczel A. D. Statystyka w zarządzaniu. Barbara Gładysz
Analiza wariancji Źródło: Aczel A. D. Statystyka w zarządzaniu Analiza wariancji jednoczynnikowa Populacja Pole trójkąty 4 5 3 7 4 8 kwadraty 0 3 4 3 kółka 3 3 Populacja Pole trójkąty 4 5 3 7 4 8 SUMA
Bardziej szczegółowoTesty post-hoc. Wrocław, 6 czerwca 2016
Testy post-hoc Wrocław, 6 czerwca 2016 Testy post-hoc 1 metoda LSD 2 metoda Duncana 3 metoda Dunneta 4 metoda kontrastów 5 matoda Newman-Keuls 6 metoda Tukeya Metoda LSD Metoda Least Significant Difference
Bardziej szczegółowoCopyright by Wydawnictwo Naukowe Scholar, Warszawa 2000, 2008
Redaktor: Alicja Zagrodzka Korekta: Krystyna Chludzińska Projekt okładki: Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2000, 2008 ISBN 978-83-7383-296-1 Wydawnictwo Naukowe Scholar
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM
Bardziej szczegółowoSpis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Bardziej szczegółowoWykład 6 Teoria eksperymentu
Wykład 6 Teoria eksperymentu Wrocław, 11.04.2018r Kwadrat łaciński Uszeregowanie N = p 2 elementów, które podlegają klasyfikacji podwójnej ze względu na p - bloków I rodzaju (wierszy) i p bloków II rodzaju
Bardziej szczegółowoMetody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin. Henryk Bujak
Metody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin Henryk Bujak e-mail: h.bujak@ihar.edu.pl Ocena różnorodności fenotypowej Różnorodność fenotypowa kolekcji roślinnych zasobów
Bardziej szczegółowoWykład: Założenia analizy wariancji. Analiza wariancji złożona i testy wielokrotnych porównań.
Wykład: Założenia analizy wariancji. Analiza wariancji złożona i testy wielokrotnych porównań. Założenia analizy wariancji: Niezależność zmiennych objaśniających (czynników). Homogeniczność wariancji (równość
Bardziej szczegółowoPropensity Score Matching
Zajęcia 2 Plan dzisiejszych zajęć 1 Doświadczenia Idealne doświadczenie Nie-idealne doświadczenia 2 Idealne doświadczenie Nie-idealne doświadczenia Plan idealnego doświadczenia (eksperymentu) Plan doświadczenia
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 szczegółowoJednoczynnikowa analiza wariancji. Wnioskowanie dla jednoczynnikowej ANOV-y. Porównywanie poszczególnych średnich
(Wykład 13) Jednoczynnikowa analiza wariancji Wnioskowanie dla jednoczynnikowej ANOV-y Format danych Hipotezy i model ANOVA Tabela ANOVA i test F Porównywanie poszczególnych średnich Jednoczynnikowa ANOVA
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania analizy wariancji w opracowywaniu wyników badań empirycznych Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki -
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoPorównanie wielu rozkładów normalnych
Porównanie wielu rozkładów normalnych Założenia:. X i N(µ i, σi 2 ), i =,..., k 2. X,..., X k są niezależne Czy µ = = µ k? Czy σ 2 = = σ 2 k? Próby: X i,..., X ini, i =,..., k X i, varx i, s 2 i = varx
Bardziej szczegółowoAnaliza wariancji, część 2
Analiza wariancji, część 2 1 / 74 Analiza kontrastów a priori Testy post hoc porównują wszystkie możliwe pary średnich i wykonuje się je dopiero po stwierdzeniu za pomocą testu F istotności danego czynnika.
Bardziej szczegółowoWykład 10 Zrandomizowany plan blokowy
Wykład 10 Zrandomizowany plan blokowy Staramy się kontrolować efekty zróżnicowania badanych jednostek eksperymentalnych poprzez zapewnienie ich ``jednorodności wewnątrz każdej grupy zabiegowej. Dzielimy
Bardziej szczegółowoWykład dla studiów doktoranckich IMDiK PAN. Biostatystyka I. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW
Wykład dla studiów doktoranckich IMDiK PAN Biostatystyka I dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Program wykładu w skrócie 1. Jednoczynnikowa analiza wariancji
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoJEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1
Powtórzenie: ANOVA 1 JEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1 Obserwowana (badana) cecha Y Czynnik wpływający na Y (badany) A A i i ty poziom czynnika A (i=1..a), n i liczba powtórzeń w i tej populacji
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoEkonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Wprowadzenie do modelowania ekonometrycznego Estymator Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 1 Estymator 1 / 16 Agenda 1 Literatura Zaliczenie przedmiotu 2 Model
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoPlanowanie doświadczeń DPLD LMO Laboratoria z wykorzystaniem programu R
Planowanie doświadczeń DPLD LMO Laboratoria z wykorzystaniem programu R Literatura 1. Biecek P., Przewodnik po pakiecie R, GIS 2008. 2. Biecek P., Analiza danych z programem R. Modele liniowe z efektami
Bardziej szczegółowoWykład 12 ( ): Testy dla dwóch prób w rodzinie rozkładów normalnych
Wykład 12 (21.05.07): Testy dla dwóch prób w rodzinie rozkładów normalnych Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego) n 1 = 9 poletek w dąbrowie,
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 szczegółowoW praktycznym doświadczalnictwie, a w szczególności w doświadczalnictwie polowym, potwierdzono występowanie zależności pomiędzy wzrastającą liczbą
W prktyczym doświdczlictwi, w zczgólości w doświdczlictwi polowym, potwirdzoo wytępowi zlżości pomiędzy wzrtjącą liczą oiktów doświdczlych w lokch, wzrotm orwowgo łędu ytmtyczgo. Podcz plowi doświdczń
Bardziej szczegółowoAutor: Dariusz Piwczyński 1 Ćwiczenie. Analiza zmienności złożona. Testy wielokrotnych porównań
Autor: Dariusz Piwczyński 1 Ćwiczenie. Analiza zmienności złożona. Testy wielokrotnych porównań Analizę wariancji możemy wykonać w SAS za pomocą procedury ANOVA oraz GLM. ANOVA Analysis of variance (Analiza
Bardziej szczegółowoPlanowanie doświadczeń - DPLD LMO Materiały pomocnicze
Plaowaie doświadczeń - DPLD LMO Materiały pomocicze Układ bloków kompletie zradomizowaych Założeia: (a) Z jedostek doświadczalych tworzymy rówolicze grupy zwae blokami (b bloków) w taki sposób, aby jedostki
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 szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
Bardziej szczegółowoTesty dla dwóch prób w rodzinie rozkładów normalnych
Testy dla dwóch prób w rodzinie rozkładów normalnych dr Mariusz Grządziel Wykład 12; 18 maja 2009 Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego)
Bardziej szczegółowoKORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y. 2. Współczynnik korelacji Pearsona
KORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y 2. Współczynnik korelacji Pearsona 3. Siła i kierunek związku między zmiennymi 4. Korelacja ma sens, tylko wtedy, gdy związek między zmiennymi
Bardziej szczegółowoKatedra Genetyki i Podstaw Hodowli Zwierząt Wydział Hodowli i Biologii Zwierząt, UTP w Bydgoszczy
Ćwiczenie: Analiza zmienności prosta Przykład w MS EXCEL Sprawdź czy genotyp jagniąt wpływa statystycznie na cechy użytkowości rzeźnej? Obliczenia wykonaj za pomocą modułu Analizy danych (jaganova.xls).
Bardziej szczegółowoAnaliza wariancji. dr Janusz Górczyński
Analiza wariancji dr Janusz Górczyński Wprowadzenie Powiedzmy, że badamy pewną populację π, w której cecha Y ma rozkład N o średniej m i odchyleniu standardowym σ. Powiedzmy dalej, że istnieje pewien czynnik
Bardziej szczegółowoWykład 7 Teoria eksperymentu
Wykład 7 Teoria eksperymentu Wrocław, 19.04.2017r Układ niekompletnych bloków losowych Zrównoważone niekompletne bloki: Gdy wszystkie porównania wyników są jednakowo ważne należy tak wybrać kombinacje
Bardziej szczegółowoAlgorytm k-średnich. Źródło: LaroseD.T., Okrywanie wiedzy w danych.wprowadzenie do eksploracji danych, PWN, Warszawa 2005.
Algorytm k-średnich Źródło: LaroseD.T., Okrywanie wiedzy w danych.wprowadzenie do eksploracji danych, PWN, Warszawa 005. Dane a b c d e f g h (,3) (3,3) (4,3) (5,3) (,) (4,) (,) (,) Algorytm k-średnich
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 szczegółowoANOVA podstawy analizy wariancji
ANOVA podstawy analizy wariancji Marcin Kolankowski 11 marca 2009 Do czego służy analiza wariancji Analiza wariancji (ang. ANalysis Of VAriance - ANOVA) służy do wykrywania różnic pomiędzy średnimi w wielu
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoAnaliza wariancji - ANOVA
Analiza wariancji - ANOVA Analiza wariancji jest metodą pozwalającą na podział zmienności zaobserwowanej wśród wyników eksperymentalnych na oddzielne części. Każdą z tych części możemy przypisać oddzielnemu
Bardziej szczegółowoESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy
Bardziej szczegółowoPRZEWODNIK PO DOBREJ PRAKTYCE EKSPERYMENTALNEJ. Maria Kozłowska
PRZEWODNIK PO DOBREJ PRAKTYCE EKSPERYMENTALNEJ Maria Kozłowska Poznań 2014 Przewodnik po dobrej praktyce eksperymentalnej Recenzent: prof. dr hab. Stanisław Franciszek Mejza Copyright by M. Kozłowska Copyright
Bardziej szczegółowoUkład split-split-plot dla nieortogonalnego doświadczenia z łubinem
NR 278 BIULETYN INSTYTUTU HODOWLI I AKLIMATYZACJI ROŚLIN 205 KATARZYNA AMBROŻY-DERĘGOWSKA IWONA MEJZA Katedra Metod Matematycznych i Statystycznych Uniwersytet Przyrodniczy w Poznaniu Układ split-split-plot
Bardziej szczegółowoJEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY
JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY Będziemy zapisywać wektory w postaci (,, ) albo traktując go jak macierz jednokolumnową (dzięki temu nie będzie kontrowersji przy transponowaniu wektora ) Model
Bardziej szczegółowoProjekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy
Projekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy ANALIZA PORÓWNAŃ WIELOKROTNYCH GDY WARIANCJE SĄ NIERÓWNE lsales.bim
Bardziej szczegółowoWykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich
Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich Magdalena Frąszczak Wrocław, 22.03.2017r Problem Behrensa Fishera Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu normalnego
Bardziej szczegółowoModel regresji wielokrotnej Wykład 14 ( ) Przykład ceny domów w Chicago
Model regresji wielokrotnej Wykład 14 (4.06.2007) Przykład ceny domów w Chicago Poniżej są przedstawione dane dotyczące cen domów w Chicago (źródło: Sen, A., Srivastava, M., Regression Analysis, Springer,
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 szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA (wykład ) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Weryfikacja (testowanie) hipotez statystycznych
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoGenerowanie liczb o zadanym rozkładzie. ln(1 F (y) λ
Wprowadzenie Generowanie liczb o zadanym rozkładzie Generowanie liczb o zadanym rozkładzie wejście X U(0, 1) wyjście Y z zadanego rozkładu F (y) = 1 e λy y = ln(1 F (y) λ = ln(1 0,1563 0, 5 0,34 Wprowadzenie
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 8
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 8 Regresja wielokrotna Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X 1, X 2, X 3,...) na zmienną zależną (Y).
Bardziej szczegółowoRegresja liniowa w R Piotr J. Sobczyk
Regresja liniowa w R Piotr J. Sobczyk Uwaga Poniższe notatki mają charakter roboczy. Mogą zawierać błędy. Za przesłanie mi informacji zwrotnej o zauważonych usterkach serdecznie dziękuję. Weźmy dane dotyczące
Bardziej szczegółowoProblem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015
Problem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015 Problem dwóch prób X = (X 1, X 2,..., X n ) - próba z rozkładu normalnego N (µ, σ 2 X ),
Bardziej szczegółowoPAKIETY STATYSTYCZNE
. Wykład wstępny PAKIETY STATYSTYCZNE 2. SAS, wprowadzenie - środowisko Windows, Linux 3. SAS, elementy analizy danych edycja danych 4. SAS, elementy analizy danych regresja liniowa, regresja nieliniowa
Bardziej szczegółowo, a ilość poziomów czynnika A., b ilość poziomów czynnika B. gdzie
Test Scheffego, gdzie (1) n to ilość powtórzeń (pomiarów) w jednej grupie (zabiegu) Test NIR Istnieje wiele testów dla porównań wielokrotnych opartych o najmniejszą istotna różnicę między średnimi (NIR).
Bardziej szczegółowoBadania eksperymentalne
Badania eksperymentalne Analiza CONJOINT mgr Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Najpopularniejsze sposoby oceny wyników eksperymentu w schematach
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 szczegółowo( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez dla średnich w rozkładzie normalnym. Wrocław, r
Statystyka matematyczna Testowanie hipotez dla średnich w rozkładzie normalnym Wrocław, 18.03.2016r Testowanie hipotez dla średniej w rozkładzie normalnym dla jednej próby Model 1 Testowanie hipotez dla
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3 Konrad Miziński, nr albumu 233703 26 maja 2015 Zadanie 1 Wartość krytyczna c, niezbędna wyliczenia mocy testu (1 β) wyznaczono za
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
19 kwietnia 2011 Testy dla dwóch grup 1 Analiza danych dla dwóch grup: test t-studenta dla dwóch grup sparowanych; test t-studenta dla dwóch grup niezależnych (jednakowe wariancje) test Z dla dwóch grup
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
Bardziej szczegółowoAnaliza wariancji i kowariancji
Analiza wariancji i kowariancji Historia Analiza wariancji jest metodą zaproponowaną przez Ronalda A. Fishera. Po zakończeniu pierwszej wojny światowej był on pracownikiem laboratorium statystycznego w
Bardziej szczegółowoStosowana Analiza Regresji
Model jako : Stosowana Analiza Regresji Wykład XI 21 Grudnia 2011 1 / 11 Analiza kowariancji Model jako : Oprócz czynnika o wartościach nominalnych chcemy uwzględnić wpływ predyktora o wartościach ilościowych
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoMatematyczne metody w naukach biomedycznych: regresja i analiza wariancji.
Matematyczne metody w naukach biomedycznych: regresja i analiza wariancji. Anna Gambin 23 listopada 2013 Spis treści 1 Analiza regresji 1 1.1 Historia..................................... 2 2 Modele liniowe
Bardziej szczegółowoRozwiązanie: MSFA MSAB
Zadanie 1: Skompletuj poniższą tablicę analizy wariancji dwutorowej. Źródło SS? Wariancja? A 1828,09 2 MSFA=914,045? B 1102,34 3 =367,447 17,09? 88,91??? Błąd? 12??? 3277,34 23?? Rozwiązanie powyższego
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoPlanowanie doświadczeń DPLD LMO Laboratoria z wykorzystaniem programu R Zadania dodatkowe Kwadrat łaciński Zadanie 1. Odpowiedź:
Planowanie doświadczeń DPLD LMO Laboratoria z wykorzystaniem programu R Zadania dodatkowe Kwadrat łaciński Zadanie 1. Badano wpływ sześciu kombinacji A, B, C, D, E, F nawożeń azotowo-fosforowych na plony
Bardziej szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 7 23 listopada 2009 Wykład 6 (16.XI.2009) zakończył się zdefiniowaniem współczynnika korelacji: E X µ x σ x Y µ y σ y = T WSPÓŁCZYNNIK KORELACJI ρ X,Y = ρ Y,X (!) WSPÓŁCZYNNIK
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 szczegółowo140, , ,000 80, ROK
140,000 PRODUKCJA 120,000 100,000 80,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 ROK 130,000 120,000 PRODUKCJA 110,000 100,000 90,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
Bardziej szczegółowoDane zgrupowane: każda obserwacja należy do jednej grupy i jest tylko jeden czynnik grupujący
1 Wstęp 1.1 Czym są efekty losowe? Jednokierunkowa ANOVA Na poprzednich zajęciach mówiliśmy o modelach liniowych, o jedno- i dwuczynnikowej analizie wariancji. W tych modelach estymowaliśmy nieznane wartości
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 4
Stanisław Cichocki Natalia Nehrebecka Wykład 4 1 1. Własności hiperpłaszczyzny regresji 2. Dobroć dopasowania równania regresji. Współczynnik determinacji R 2 Dekompozycja wariancji zmiennej zależnej Współczynnik
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoJednoczynnikowa analiza wariancji
Jednoczynnikowa analiza wariancji Zmienna zależna ilościowa, numeryczna Zmienna niezależna grupująca (dzieli próbę na więcej niż dwie grupy), nominalna zmienną wyrażoną tekstem należy w SPSS przerekodować
Bardziej szczegółowoWykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym
Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoINFORMATYKA W SELEKCJI
INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
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 szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoZestaw 6 (jednoczynnikowa i wieloczynnikowa analiza wariancji (ANOVA))
Zestaw 6 (jednoczynnikowa i wieloczynnikowa analiza wariancji (ANOVA)) ANOVA Hipoteza: H: µ 1(mi) = µ 2 = µ 3 = = µ r (Czynnik nie wpływa na zmienną objaśnianą) (Czynnik wpływa) Założenia ANOVY: 0) Próby
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 szczegółowo