Wykorzystanie metod bootstrapowych do oceny siły zależności korelacyjnych
|
|
- Julian Dąbrowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Wykorzystanie metod bootstrapowych do oceny siły zależności korelacyjnych. Wprowadzenie Małgorzata Rószkiewicz, Robert Kozarski Szkoła Główna Handlowa Analiza zależności, jako procedura formalna, stwarza możliwość weryfikacji poglądów i hipotez odnoszących się do relacji łączących obserwowane zjawiska i procesy. Teorie i hipotezy mogą być formułowane w oparciu o czyste relacje między zjawiskami, wychodząc z definicji pojęć. W dalszej kolejności poddaje się je weryfikacji. Procedura konfirmacji lub falsyfikacji polega na konfrontacji teorii lub hipotezy z rzeczywistością. Rozbieżność miedzy sformułowaną teorią oraz odnoszącymi się do niej danymi empirycznymi może mieć wiele przyczyn, które nie muszą wynikać z konstrukcji logicznej analizowanej teorii. Trudności w potwierdzeniu teorii modelem formalnym, ujętym w reguły matematyczne, może m.in. wynikać z czynników nielosowych, których działanie można określić jako lokalne, a które tworząc interakcje z głównymi determinantami, zdefiniowanymi w modelu zależności, mogą osłabiać spodziewane efekty. W każdej zbiorowości czynniki te mogą mieć innych charakter, wynikając z kontekstu historycznego, geograficznego lub emocjonalnego. Uwzględnienie występowania różnego typu czynników wchodzących w interakcje w głównymi determinantami, wynikającymi z teorii lub hipotezy, nie jest nowym problemem w metodach analizy zależności. Ich oddziaływanie można ujawnić na wiele sposobów, np. posługując się modelami uwzględniającymi efekty interakcji w kształtowaniu odchyleń od średniego poziomu zmiennej zależnej, lub też, poprzez dekompozycję całego zbioru obserwacji na homogeniczne względem tych czynników podgrupy i prowadzeniu analizy zależności w ramach każdego z tak wyróżnionych segmentów. Nie trudno zauważyć, że to drugie rozwiązanie odnoszące się do poststratyfikacji i polegające na dekompozycji całego zbioru obserwacji na homogeniczne względem niektórych cech podgrupy, stawia wymóg dysponowania bardzo licznym zbiorem danych, tak by rozmiary wydzielonych segmentów spełniały kryterium niezbędnej liczby obserwacji. Ścieżka ta ze względu na koszty i organizację badań jest w wielu przypadkach niedostępna. Problem ten można rozwiązać jednak sięgając do nieklasycznych metod analizy statystycznej danych, do których należą
2 metody bootstrapowe. Rozpoznanie występowania zależności potwierdzających bądź nie stawianą hipotezę polega tu na podejściu symulacyjnym. 2. Charakterystyka podejścia boostrapowego Metody bootstrapowe (bootstrap methods), zostały zaproponowane po raz pierwszy przez Bradley a Efrona (por. Efron [979]) ze Stanford University w 979 roku jako pewna modyfikacja metody Jacknife. Słowo bootstraps pochodzi z języka angielskiego i oznacza sznurówki stąd alternatywną nazwą dla omawianych metod jest określenie metody sznurowadłowe (por. Domański i in. [998]), jednak stosowane jest raczej sporadycznie i w literaturze polskojęzycznej z zakresu metod ilościowych używa się określenia metody bootstrapowe. Metody bootstrapowe należą do metod symulacyjnych, tak więc ich rozwój warunkowany był w dużym stopniu zwiększaniem się mocy obliczeniowej komputerów. Są wykorzystywane w statystyce i ekonometrii m.in. do rozwiązywania problemów estymacyjnych i badania mocy stosowanych testów statystycznych (por. Davidson [999], Horovitz [2000]). Metody bootstrapowe, ze względu na swoją prostotę i skuteczność, znajdują coraz szersze zastosowanie w metodach ilościowych. Stosując metody bootstrapowe w badaniu populacji (zbiorowości) generalnej ze względu na jednowymiarową zmienna losową X zakładamy że: - dysponujemy pierwotną, skończoną próbą prostą ( X, X 2,, X n ) realizacje tworzą ciąg ( x, x2,, ) x n! ;!, której kolejne - zakładamy, że nie znamy rozkładu prawdopodobieństwa P badanej zmiennej losowej w populacji (zbiorowości) generalnej; - interesuje nas wartość (rozkład) statystyki z próby θˆ ( X ) będąca estymatorem parametru θ w populacji generalnej; Standardowy schemat postępowania przy podstawowej procedurze bootstrapowej jest następujący (por. ): ) Konstruujemy rozkład prawdopodobieństwa określony za pomocą następującej funkcji: P( X N = xl ) = dla l =,2,..., n n nazywamy rozkładem bootstrapowym z próby gdzie n jest wymiarem próby losowej. 2
3 2) Dokonujemy aproksymacji nieznanego rozkładu statystyki θ losując niezależnie n razy według rozkładu bootstrapowego wartości z próby pierwotnej ( x, x2,, ) tworzą próbę bootstrapową (bootstrap sample) ( X X,! X ) o wartościach ( x, x ), 2, n, 2, n x!. x n!, które 3) Po wygenerowaniu próby bootstrapowej dokonujemy aproksymacji nieznanego rozkładu statystyki θ za pomocą rozkładu statystyki postaci θ ˆ ( X ) rozkładem bootstrapowym statystyki θ. 4) Rozkład statystyki ˆ ( X ), który nazywamy θ możemy wyznaczyć za pomocą aproksymacji metodą Monte Carlo. Polega to na generowaniu B kolejnych niezależnych prób (replikacji) z próby pierwotnej/bootstrapowej. Następnie dla każdej replikacji obliczamy wartość statystyki θ ˆ ( X ), a następnie jej wartość średnią i odchylenie standardowe. 5) Na podstawie przeprowadzonych b =,2,!, B replikacji próby bootstrapowej możemy wyznaczyć histogram empiryczny wartości interesującej nas statystyki i ocenić zgodność np. z rozkładem normalnym. Algorytm bootstrapowy dla próby o liczebności n = 4 można przedstawić w postaci poniższego schematu (por. Sacchi [998]). ( x, x, x x ) 2 3, 4 Próba pierwotna/ bootstrapowa ( x, x, x x ) 2, 3 ( x, x, x x ) 3 4, 4... ( x, x, x x ) 3 2, Kolejne replikacje losowane niezależnie z próby bootstrapowej θˆ θˆ ˆ θ B Wartości statystyki dla kolejnych replikacji ˆ θ ( b), se ( b) Ocena punktowa statystyki Schemat algorytmu bootstrapowego 3
4 Dosyć często w literaturze porusza się problem liczby replikacji B (por. Davidson i MacKinnon [2000], Efron i Tibshiriani [993]). Różne statystyki wymagają różnej liczby replikacji, aby wnioskowanie na ich podstawie było wystarczające. Nawet mała liczba replikacji (np. B = 50) jest wystarczająca aby otrzymać dobrą estymację błędu standardowego (standard error) ( θˆ ) se B ˆ ( ) () ˆ ˆ θ b θ () b se oceny parametru θ. 2 2 [ ] θ = gdzie ˆ θ () b jest średnią arytmetyczną wartości statystyki b= B () b θ ˆ dla kolejnych replikacji. Zwykle potrzebna jest większa liczba replikacji do bootstrapowej estymacji przedziałowej. W takich przypadkach wykonuje się zwykle od 000 do replikacji. Początkowo metody bootstrapowe były traktowane jako komputerowa metoda wyznaczania standardowego błędu parametru populacji θ, o nieznanym rozkładzie prawdopodobieństwa P statystyki z próby θ ( X ). Było to o tyle wygodne, że wynik otrzymywało się automatycznie niezależnie od tego jak skomplikowaną matematycznie postać miał estymator θˆ ( X ), jak również nie wymagało teoretycznych rozważań nad postacią analityczną tego błędu (por. Efron, Tibshiriani [993]). Zaletą metod bootstrapowych jest to, że nie trzeba wiedzieć do jakiej klasy rozkładów należy badany rozkład, aby wnioskować na jego temat, jednak nasze wnioski są silnie uzależnione od informacji, jakie uzyskujemy w próbie wylosowanej ze zbiorowości generalnej. W analizach z wykorzystaniem metod bootstrapowych można dokonywać zarówno estymacji punktowej jak i przedziałowej. W przypadku tej drugiej najczęściej stosowane metody to (por. Domański i in. [998], Efron i Tibshiriani [993]): - metoda percentyli (percentile intervals) - metoda t-bootstrap (boostrap-t intervals) - BC α (bias-corrected and accelerated) - ABC (accelerated bootstrap confidence interavals) Metody te są szczegółowo opisują m.in. Efron i Tibshiriani [993], Maddala [997], Horowitz [2000]. Chodzi o precyzje oszacowania mierzoną standardowym błędem oceny (por. Efron i Tibshiriani [993]). 4
5 3. Wykorzystanie podejścia bootstrapowego w analizie korelacji Estymację współczynnika korelacji można przeprowadzić według powyższych zasad. Poniżej wykorzystano metodą percentyli, która bazuje na wyznaczonych wartościach empirycznych tych mierników pozycyjnych dla statystyki ˆ ( X ) θ dla kolejnych replikacji, które pozwalają na wyznaczenie przedziału ufności dla szukanej wartości statystyki θ. Przedział ufności dla statystyki θ przy poziomie ufności ( 2α ) ma następującą postać: ( α ) ( α ) [ θ ; θ ] = [ θ ; θ ] 2α g d gdzie ( α ) θ oraz ( ) θ α są percentylami rzędu α i α rozkładu empirycznego statystyki θ ( X ), czyli wartościami tej zmiennej o numerach ( B α ) i ( ( α ) rosnąco. B uporządkowanymi Estymacja wartości współczynnika korelacji ρ ( X,Y ) wymaga przyjęcia założenia, że dysponujemy dwuwymiarową zmienna losową ( X, Y ). Wówczas próbę pierwotną, z której wylosujemy niezależnie próbę bootstrapową można przedstawić w postaci macierzy: x y x2 y2 r = x n y n nx2, gdzie n jest liczebnością badanej próby. Próba bootstrapowa r powstaje poprzez niezależne n-krotne losowanie poszczególnych wierszy macierzy r i przyjmuje postać: r = x x... x k k 2 k n k y k y2... k yn nx2, gdzie k =,2,!, n oznacza numer losowania. Mając próbę bootstrapową losujemy niezależnie B kolejnych replikacji, które tworzymy ciąg (, r 2,, r B ) współczynnika korelacji ( r () b ) r!. Następnie dla każdej replikacji wyznaczamy wartości ρ, gdzie b =,2,!, B oraz wartości błędu standardowego 5
6 se () b i budujemy histogram częstości empirycznych dla otrzymanych współczynników korelacji. W kolejnym kroku wyznaczamy percentyle empiryczne o numerach ( B α ) i ( B ( α ), na podstawie których wyznaczamy bootstrapowe przedziały o poziomie ufności 2α (percentile intervals). 5. Zastosowanie podejścia bootstrapowego do estymacji siły korelacji długości gromadzenia majątku względem wieku Ilustracją przedstawionych zagadnień może być uznawana już za klasyczną grupa teorii i hipotez odnoszących się do mechanizmu takich zachowań ekonomicznych, które odnoszą się do gromadzenia zasobów w gospodarstwach domowych. Z ekonomicznego punktu widzenia uznaje się, że tego typu zachowania ekonomiczne, podlegają zasadzie maksymalnej użyteczności, zaś wybór racjonalny w tym zakresie dotyczy podziału środków na konsumpcję lub oszczędności. Kryteriami wyboru są tu zysk lub przyszła konsumpcja. Na tym gruncie funkcjonują dwie podstawowe koncepcje wyjaśniające powstawanie oszczędności w gospodarstwach domowych, tj. hipoteza permanentnego dochodu M. Friedmana (Friedman [957]) oraz hipoteza cyklu życia F. Modiglianiego i A. Ando (Modigliani, Brumberg, 954, s ]. Koncepcja dochodu permanentnego M. Friedmana głosiła występowanie subiektywnie określonego poziomu dochodu, tzw. dochodu stałego (permanentnego), który jest efektem wyobrażeń o własnych możliwościach dochodowych. Z koncepcją dochodu permanentnego wiąże się wprost hipoteza cyklu życia, która zakładała z kolei konieczność gromadzenia oszczędności w okresie aktywności zawodowej, by wesprzeć poziom konsumpcji w okresie emerytalnym, zagrożony naturalnym spadkiem dochodów w tym okresie życia. Obie koncepcje wiąże warunkowanie tworzenia oszczędności poziomem dochodów i jego zmiennością w czasie oraz podstawowymi czynnikami demograficznymi, takimi jak wiek, trwanie życia, długość okresu emerytalnego itp. Przedstawiona konstrukcja teoretyczna napotyka na znaczne trudności w weryfikacji empirycznej. Odnosząc się tylko do doświadczeń polskich można dla przykładu przytoczyć prace prowadzone przez zespół B. Liberdy (Liberda [999]) na danych pochodzących z budżetów gospodarstw domowych. Wskazały one na możliwość występowania segmentowej funkcji oszczędzania względem dochodu, zaś zróżnicowanie stopy oszczędzania względem wieku tylko częściowo potwierdziło hipotezę cyklu życia. Zagadnieniom tym poświęcone 6
7 było również badanie empiryczne zrealizowane w 200 r. w Instytucie Statystyki i Demografii SGH w Warszawie w ramach grantu KBN [Rószkiewicz [2003]]. W badaniu tym przedmiotem obserwacji było subiektywne postrzeganie swej sytuacji materialnej, w szczególności posiadanie zabezpieczenia materialnego. W ramach tego badania obserwacji poddano również długość okresu gromadzenia majątku. Zgodnie z hipotezą cyklu życia należałoby oczekiwać niemal wprost proporcjonalnej zależności między długością tego okresu i wieku. Obserwacja danych empirycznych dotyczących długości gromadzenia majątku przez gospodarstwo domowe oraz wieku głowy gospodarstwa domowego, wskazała jednakże na korelację jedynie rzędu 0,45, (p<0,0), co daje słabe podstawy do empirycznego potwierdzenia teoretycznej reguły. Wstępna analiza pozwoliła wyodrębnić dwie główne determinanty możliwości gromadzenia majątku, jakimi okazały się poziom osiąganego dochodu oraz poziom wykształcenia. Cechy te stały się podstawą dokonania grupowania jednostek, według grup kwartylowych średniego miesięcznego dochodu na osobę w gospodarstwie domowym oraz według poziomu wykształcenia głowy gospodarstwa domowego. W rezultacie takiej dekompozycji zbiorowości uzyskano współczynniki korelacji długości okresu gromadzenia majątku i wieku głowy gospodarstwa domowego dla każdego z 2 wyodrębnionych segmentów, które zestawia tablica. Tablica. Współczynniki korelacji długości okresu gromadzenia majątku i wieku głowy gospodarstwa domowego oraz ich istotność, policzone klasycznie przy założeniu próby prostej Wykształcenie głowy gospodarstwa domowego Średni miesięczny dochód na osobę Co najwyżej Niepełne wyższe lub w gospodarstwie domowym Średnie podstawowe wyższe 400 PLN i mniej 0,649 0,475 za mała liczebność (0,000) (0,064) próby ( > PLN 0,352 0,25 0,086 (0,0) (0,93) (0,99) ( > PLN 0,406 0,565 0,65 (0,005) (0,000) (0,020) Powyżej 800 PLN 0,243 0,453 0,508 (0,32) (0,000) (0,000) Źródło: Obliczenia własne. Zrealizowana próba losowa nie była próbą prostą, lecz zastosowano tu dobór dwustopniowy, warstwowy. Dlatego też należy oczekiwać, zgodnie z sugestiami L. Kisha i R. 7
8 Frankela (L. Kish i R. Frankel [974]), że uwzględnienie przyjętej techniki losowania zmieni na niekorzyść istotność otrzymanych wyników. Z tego powodu, by rozstrzygnąć w jakim zakresie dochód na osobę w gospodarstwie domowym i poziom wykształcenia głowy gospodarstwa domowego są czynnikami interaktywnymi dla korelacji długości gromadzenia majątku względem wieku, dla wyróżnionych segmentów zastosowano podejście bootstrapowe. Do obliczeń wykorzystano pakiet GAUSS 3.2. Analizę przeprowadzono na podstawie B = replikacji. Jako próby pierwotne potraktowano elementy znajdujące się w 2 wyodrębnionych wcześniej segmentach. Otrzymane z analizy symulacyjnej wyniki są zebrane i przedstawione w tablicy 2. Histogramy empiryczne otrzymanych bootstrapowo współczynników korelacji przedstawia tablica 3. Tablica 2. Współczynniki korelacji długości okresu gromadzenia majątku i wieku głowy gospodarstwa domowego oraz ich istotność, przy założeniu próby prostej Średni miesięczny dochód na osobę Poziom wykształcenia głowy gospodarstwa domowego Niepełne wyższe lub Co najwyżej podstawowe Średnie wyższe 400 PLN i mniej ( > PLN ( > PLN Powyżej 800 PLN Liczebność próby/segmentu korel. Z próby (istotność) 0,649 (0,000) 0,475 (0,064) korel. metoda bootstrap 0,632 0,469 Błąd standardowy 0,3 0,56 Przedział ufności <0,358 ; 0,804> <0,26 ; 0,735> Za mała liczebność próby Liczebność próby/segmentu 5 34 korel. Z próby (istotność) 0,352 (0,) 0,25 (0,93) 0,086 (0,99) korel. metoda bootstrap 0,355 0,29 0,084 Błąd standardowy 0,20 0,06 0,356 Przedział ufności <0,4 ; 0,582> <0,03 ; 0,43> <-0,678 ; 0,732> Liczebność próby/segmentu 3 35 korel. Z próby (istotność) 0,406 (0,005) 0,565 (0,000) 0,654 (0,020) korel. metoda bootstrap 0,402 0,562 0,7 Błąd standardowy 0,43 0,096 0,3 Przedział ufności <0,; 0,668> <0,354 ; 0,73> <0,475 ; 0,979> Liczebność próby/segmentu korel. Z próby (istotność) 0,243 (0,32) 0,453 (0,000) 0,508 (0,000) korel. metoda bootstrap 0,240 0,456 0,52 Błąd standardowy 0,223 0,085 0,085 Przedział ufności <-0,23 ; 0,643> <0,284 ; 0,62> <0,342 ; 0,669> Źródło: Obliczenia własne. 8
9 Uzyskane metodą bootstrapową wyniki pozwalają na ocenę wpływu poziomu dochodu oraz poziomu wykształcenia na kształtowanie się zależności długości okresu gromadzenia majątku względem wieku. Zróżnicowanie wartości współczynników w ramach wyznaczonych segmentów wskazuje, że oba czynniki są interaktywne względem analizowanej zależności. Przy tym zróżnicowanie współczynników korelacji względem dochodu jest silniejsze niż względem poziomu wykształcenia. Rysującą się prawidłowością wydaje się być wzrost siły analizowanej zależności wraz ze wzrostem dochodów oraz wraz ze wzrostem poziomu wykształcenia głowy gospodarstwa domowego. Najbardziej podatne na motyw cyklu życia wydają się zatem gospodarstwa domowe o relatywnie wysokich dochodach i relatywnie lepiej wykształconych. Pewnym odstępstwem względem tej prawidłowości jest segment gospodarstw o relatywnie niskich dochodach i charakteryzujących się najniższym poziomem wykształcenia. Występująca tu zależność długości okresu gromadzenia majątku wraz wiekiem jest efektem zdominowania tej grupy przez gospodarstwa utrzymujące się z rolnictwa, które w naturalny sposób identyfikują swe bezpieczeństwo materialne z posiadaną, w większości przypadku od pokoleń, ziemią, będącą jednocześnie źródłem utrzymania. Dlatego też zidentyfikowany w tym segmencie motyw cyklu życia należy uznać jednak za pozorny. 9
10 Tablica 3. Histogramy korelacji wieku i okresu oszczędzania dla wyróżnionych segmentów 0
11 Tablica 3. (cd) Źródło: Opracowanie własne
12
13 L I T E R A T U R A [] Davidson J. [999], The Size Distortion of Bootstrap Tests, Econometric Theory 5, s [2] Davidson R., MacKinnon J. G. [2000], Bootstrap Tests: How Many Bootstraps? Econometric Reviews 9. [3] Domanski C., Pruska K., Wagner W. [998], Wnioskowanie statystyczne przy nieklasycznych założeniach, Wydawnictwo Uniwersytetu Łódzkiego, Łódź. [4] Efron B. [979], Bootstrap Methods: Another Look at the Jackknife, Annals of Statistics, Vol. 7, s [5] Efron B., Tibshirani R. J. [993], An Introduction to Bootstrap, Monographs on Statistics and Applied Probability, No. 57, Chapman and Hall, London. [6] Friedman M., [957], A Theory of Consumption Function, Princeton, Princeton University Press. [7] Horowitz J. L. [2000], The Bootstrap, Handbook of Departament of Economics University of Iowa, Iowa City. [8] Kish L., Frankel R. [974], Inference from Complex Samples, Journal of the Royal Statistical Society, Series B, 36, s [9] Liberda B., [999], Stopy oszczędzania gospodarstw domowych w Polsce, w: Determinanty oszczędzania w Polsce, pod red. B. Liberdy, Raport CASE nr 28, Warszawa, s [0] Maddala G. S. [997], Unit Roots, Cointegration, Structural Change, Oxford University Press. [] Modigliani F., Brumberg R., [954], Utility Analysis and the Consumption Function: An Interpretation of the Cross-Section Data, Post-Keynesian Economics. Eds.: Kenneth Kurihara, New Brunswick, Rutgers University Press, s [2] Rószkiewicz M., [2003], Percepcja systemu ubezpieczeń społecznych a postawy wobec zabezpieczenia własnej starości, Gospodarka Narodowa, Nr 3. [3] Sacchi M. D. [998], A Bootstrap Procedure for High-Resolution Velocity Analysis, Geophysics, Vol. 63, N o. 5, s
Monte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej 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 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 szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
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 szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoDOKŁADNA METODA BOOTSTRAPOWA NA PRZYKŁADZIE ESTYMACJI ŚREDNIEJ
METOY ILOŚCIOWE W BAANIACH EKONOMICZNYCH Tom XII/2, 20, str. 9 20 OKŁANA METOA BOOTSTRAPOWA NA PRZYKŁAZIE ESTYMACJI ŚRENIEJ Joanna Kisielińska Katedra Ekonomiki Rolnictwa i Międzynarodowych Stosunków Gospodarczych
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
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 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 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 szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
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 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 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 szczegółowoWykład 4 Wybór najlepszej procedury. Estymacja parametrów re
Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoWydział Matematyki. Testy zgodności. Wykład 03
Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy
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 szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
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 szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej 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 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 szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoWeryfikacja hipotez statystycznych, 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 szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej 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
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 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 szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej 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.
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 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 szczegółowoIV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15
IV WYKŁAD STATYSTYKA 26/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 4 Populacja generalna, próba, losowanie próby, estymatory Statystyka (populacja generalna, populacja próbna, próbka mała, próbka duża, reprezentatywność,
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej 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 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 szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
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 szczegółowoKARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański
KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół
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 szczegółowoPodstawowe pojęcia statystyczne
Podstawowe pojęcia statystyczne Istnieją trzy rodzaje kłamstwa: przepowiadanie pogody, statystyka i komunikat dyplomatyczny Jean Rigaux Co to jest statystyka? Nauka o metodach ilościowych badania zjawisk
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza
Bardziej szczegółowoImportowanie danych do SPSS Eksportowanie rezultatów do formatu MS Word... 22
Spis treści Przedmowa do wydania pierwszego.... 11 Przedmowa do wydania drugiego.... 15 Wykaz symboli.... 17 Litery alfabetu greckiego wykorzystywane w podręczniku.... 17 Symbole wykorzystywane w zagadnieniach
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 szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoStatystyka opisowa. Wykład I. Elementy statystyki opisowej
Statystyka opisowa. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Elementy statystyku opisowej 1 Elementy statystyku opisowej 2 3 Elementy statystyku opisowej Definicja Statystyka jest to nauka o
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej 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 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 szczegółowoBadania sondażowe. Schematy losowania. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badania sondażowe Schematy losowania Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa 1 Próba jako miniatura populacji CELOWA subiektywny dobór jednostek
Bardziej szczegółowoWykład 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 szczegółowoStatystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14
Statystyka #6 Analiza wariancji Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2015/2016 1 / 14 Analiza wariancji 2 / 14 Analiza wariancji Analiza wariancji jest techniką badania wyników,
Bardziej szczegółowoPrzedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii
SPIS TREŚCI Przedmowa... 11 Wykaz symboli... 15 Litery alfabetu greckiego wykorzystywane w podręczniku... 15 Symbole wykorzystywane w zagadnieniach teorii mnogości (rachunku zbiorów)... 16 Symbole stosowane
Bardziej szczegółowoOszczędności gospodarstw domowych Analiza przekrojowa i analiza kohort
Oszczędności gospodarstw domowych Analiza przekrojowa i analiza kohort Barbara Liberda prof. zw. Uniwersytetu Warszawskiego Wydział Nauk Ekonomicznych Konferencja Długoterminowe oszczędzanie Szkoła Główna
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
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 szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
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 szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
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 szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoKilka uwag o testowaniu istotności współczynnika korelacji
341 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Piotr Peternek Uniwersytet Ekonomiczny we Wrocławiu Marek Kośny Uniwersytet Ekonomiczny we Wrocławiu Kilka uwag o testowaniu istotności
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 bootstrapowe w statystyce
Metody bootstrapowe w statystyce Instytut Matematyki, Uniwersytet Gdański 2013-02-09 Szkic wystąpienia 1 Podstawowe zagadnienia i problemy statystyki 2 Opis metody bootstrap 3 Zastosowania metody bootstrap
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 szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
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 szczegółowoWYKŁAD 5 TEORIA ESTYMACJI II
WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoSTATYSTYKA INDUKCYJNA. O sondażach i nie tylko
STATYSTYKA INDUKCYJNA O sondażach i nie tylko DWA DZIAŁY ESTYMACJA Co na podstawie wyników z próby mogę powiedzieć o wynikach w populacji? WERYFIKACJA HIPOTEZ Czy moje przypuszczenia uczynione przed badaniami
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
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 szczegółowoROZKŁADY WYBRANYCH BOOTSTRAPOWYCH ESTYMATORÓW MEDIANY ORAZ ZASTOSOWANIE DOKŁADNEJ METODY PERCENTYLI DO JEJ PRZEDZIAŁOWEGO SZACOWANIA
PRZEGLĄD STATYSTYCZNY R. LXIII ZESZYT 4 2016 JOANNA KISIELIŃSKA 1 ROZKŁADY WYBRANYCH BOOTSTRAPOWYCH ESTYMATORÓW MEDIANY ORAZ ZASTOSOWANIE DOKŁADNEJ METODY PERCENTYLI DO JEJ PRZEDZIAŁOWEGO SZACOWANIA 1.
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
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 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 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 szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoWłaściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa.
Właściwości testu Jarque-Bera gdy w danych występuje obserwacja nietypowa. Paweł Strawiński Uniwersytet Warszawski Wydział Nauk Ekonomicznych 16 stycznia 2006 Streszczenie W artykule analizowane są właściwości
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoKorelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego
Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Współczynnik korelacji opisuje siłę i kierunek związku. Jest miarą symetryczną. Im wyższa korelacja tym lepiej potrafimy
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoWstęp do probabilistyki i statystyki. Wykład 4. Statystyki i estymacja parametrów
Wstęp do probabilistyki i statystyki Wykład 4. Statystyki i estymacja parametrów dr hab.inż. Katarzyna Zakrzewska, prof.agh, Katedra Elektroniki, WIET AGH Wstęp do probabilistyki i statystyki. Wykład 4
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład I, 22.02.2016 STATYSTYKA OPISOWA, cz. I Kwestie techniczne Kontakt: ajanicka@wne.uw.edu.pl Dyżur: strona z materiałami z przedmiotu: wne.uw.edu.pl/azylicz akson.sgh.waw.pl/~aborata
Bardziej szczegółowoAnaliza współzależności zjawisk. dr Marta Kuc-Czarnecka
Analiza współzależności zjawisk dr Marta Kuc-Czarnecka Wprowadzenie Prawidłowości statystyczne mają swoje przyczyny, w związku z tym dla poznania całokształtu badanego zjawiska potrzebna jest analiza z
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 szczegółowo