1) Jakie są różnice pomiędzy analiza danych a wnioskowaniem statystycznym?
|
|
- Iwona Karczewska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Plaowaie Eksperymetów 1) Jakie są różice pomiędzy aaliza daych a wioskowaiem statystyczym? Celem aalizy daych jest prezetacja kokretego zbioru daych, w sposób ukazujący jego właściwości, w szczególości sytetyczy opis podstawowych jego cech. Otrzymujemy wówczas wioski, które dotyczą wyłączie aalizowaego zbioru daych. Otrzymujemy wyiki dokłade i pewe W przypadku wioskowaia statystyczego wioski a temat całej populacji wyciągae są a podstawie części daych, ie całej populacji. ) Podad i opisad dwa podstawowe typy daych Dae ilościowe są to dae w postaci liczb. (p. wysokośd stypedium). Dae jakościowe są to dae opisujące cechę jakościową (p. płed) 3) Podad miary (a) tedecji cetralej (b) rozproszeia dla daych ilościowych. Które z tych miar lepiej zastosowad, gdy podejrzewamy, iż wśród daych w wyiku błędu są obserwacje odstające? Miara tedecji cetralej: Średia -x = Mediaa wartośd środkowa Moda(domiata) - wartośd ajczęściej pojawiająca się w próbie Miary rozproszeo: Rozstęp: Max Mi Rozstęp międzykwatylowy IQR = Q 3 Q 1 Wariacja: S = 1 x 1 i x, Odchyleie stadardowe : S S Gdy podejrzewamy, iż dae obarczoe są błędami i występują w ich dae odstające lepiej zastosowad miarę tedecji cetralej. W tej mierze odrzucamy skraje wartości i kocetrujemy się a tym co dzieje się w cetralej części daych. 4) Wymieid i opisad (bez podawaia wzorów) miary kształtów zbioru daych ilościowych 1) skośośd (współczyik asymetrii) Obserwacje są symetryczie rozłożoe względem średiej (która w tej sytuacji rówa się mediaie) A = 0 ) kurtoza (współczyik spłaszczeia) Wskazuje a ile wykres rozkładu empiryczego badaej cechy jest płastszy (K<0) bądź bardziej stromy (K>0) względem rozkładu ormalego.
2 5) Co to zaczy że X!, X,, X jest prostą próbą losową X? X!, X,, X jest prostą próbą losową X ozacz to że X!, X,, X są iezależe i mają te sam rozkład co cecha populacji X 6) Stosując metodę mometów, wyzaczyd estymator parametru θ a podstawie próby losowej X!, X,, X (a) (a) z rozkładu trzypuktowego P X = 1 = θ 3θ, P X = 0 = 1 θ oraz P X = =, 4 4 gdzie θε 0, 1 (b) z rozkładu jedostajego a odciku 0, θ, gdzie θ > 0, czyli z rozkładu o gęstości f θ x = 1 θ dla x (0, θ) 0 dla x (0, θ) M = EX = 1 θ 4 + 3θ 4 = 3θ θ 4 = 5θ 4 M 1 = 1 M = M 1 = 1 X i 1 = x X i 1 = x (b) 5θ 4 = x => θ = 4 5 x θ M = EX = x 1 θ dx = 1 x θ 0 = 1 θ 1 θ θ = 1 θ 0 M = M 1 = x x = 1 θ => θ = x 7) Niech X!, X,, X będzie próba losową o rozkładzie Poissoa z parametrem θ > 0, tz. z rozkładu dyskretego o fukcji masy prawdopodobieostwa P X = x e Wyzaczyd estymator parametru θ, stosując metodę ajwiększej wiarygodości. θ θx x!, x = 0, 1,, α θ = θx θ P X = x e, x = 0,1,, x! i=0 e θ θ! = e (+1)θ θ 1!
3 lα θ = + 1 θ + lα θ = θ lα θ " = θ = lθ + ( l! = + 1 i=0 = x 1 θ = 0 1 θ = 0 + ( 1 θ ) θ = x 8) Niech X!, X,, X będzie prostą próbą losowa z rozkładu Pareto o gęstości daej wzorem a f a θ = xa+1 dla x 1. Wyzaczyd estymator parametru a, stosując metodę ajwiększej 0 dla x < 1 wiarygodości. α θ = a a+1 = a l α θ = l a a + 1 l α θ = a a = a = 1 a+1 i=0 = a 1 ( ) a+1 ) < 0 l = l a a + 1 l l l l = 0 l α θ = a < 0 9) Podad defiicję : Odp.: a = l (a) błąd średiokwadratowy estymatora; Fukcję MSE θ θ = E θ θ θ, gdzie θ Θ, azywamy błędem średiokwadratowym estymatora θ parametru θ (b) estymator ieobciążoy
4 Mówimy, żeθ = t X 1, X,, X jest ieobciążoym estymatorem parametru θ jeśli (c) obciążeia estymatora E θ = θ dla kazdego θ Θ Fukcję B θ = θ E θ θ, gdzie θ Θ azywamy obciążeiem estymatora (d) estymator ieobciążoy o miimalej wariacji Estymator T 0 = t X 1, X,, X azywamy estymatorem ieobciążoym o miimalej wariacji iezaej wielkości τ(θ), jeśli 1. T 0 jest ieobciążoy, tz. dla każdego θ Θ mamy E θ T 0 = τ(θ).. Var θ (T 0 ) Var θ (T) dla każdego θ Θ i dla każdego estymatora ieobciążoego T wielkości τ θ. (e) asymptotyczie ieobciążoego ciągu estymatorów Mówimy, że ciąg estymatorów θ = t X 1, X,, X parametru θ jest asymptotyczie ieobciążoy jeśli lim E θ θ = θdla każdego θ Θ (f) zgodego, moco zgodego i zgodego w sesie zbieżości średiokwadratowej ciągu estymatorów Mówimy, ze ciąg estymatorów θ = t X 1, X,, X, 1, parametru θ jest Zgody w sesie zbieżości średiokwadratowej jeśli błąd średiokwadratowy θ zbiega do zera wraz ze wzrostem liczebości próby do ieskooczoości lim (E θ θ θ ) = 0 dla wszystkic θ Θ moco zgody jeśli z prawdopodobieostwem 1 realizacjeθ dążą do θ, gdy liczośd próby wzrasta do ieskooczoości P( lim (θ = θ)) = 1 dla wszystkich θ Θ (słabo) zgody jeśli dla dostateczie dużych liczebości próby estymator θ z dużym prawdopodobieostwem przyjmuje wartości bliskie θ: lim P θ θ < ε = 1dla każdego ε > 0 i dla wszystkich θ Θ 10 Niech X 1, X,, X będzie próbą losową z rozkładu jedostajego a odciku 0, θ, gdzie θ > 0. Mamy dwa estymatory parametru θ θ 1 = θ = max X 1, X,, X Poadto wiadomo, że E θ 1 = θ, E θ = θ +1, MSE θ 1 (a)czy estymator θ 1 jest estymatorem: i. ieobciążoym E θ 1 = θ, więc jest ieobciążoy ii. zgody w sesie zbieżości średiokwadratowej lim (E θ θ 1 θ ) = 0 lim E(θ 1 θ 1 θ + θ ) lim [Eθ 1 Eθ 1 θ + θ ] θ = θ 3, MSE θ θ = θ (+1)(+)
5 lim [3 + 1 θ θ + θ ] 3 θ lim 3 = 0 więc jest zgody w sesie zbieżości średiokwadratowej iii. zgodym lim P θ θ < ε = 1 Każdy estymator zgody w sesie zbieżości średiokwadratowej jest zgody (b) Czy estymator θ jest estymatorem i. ieobciążoym ii. asymptotyczie ieobciążoy E θ = θ θ więc ie jest ieobciążoy +1 β θ = Eθ θ = θ θ = θ = θ lim β θ x 1.. x = lim θ + 1 = 0 Więc θ jest asymptotyczie ieobciążoy iii. zgody w sesie zbieżości średiokwadratowej lim E θ θ θ θ = lim = 0 Jest zgody w sesie zbieżości średiokwadratowej iv. zgodym? Tak bo jeśli jest zgody w sesie zbieżości średiokwadratowej to jest też zgody 11 Podad defiicję rodziy rozkładów typu wykładiczego. Czy rodzia (a) Rozkładu Pareto o gęstości f a x = xa+1 dla x 1 0 dla x < 1 x (b) Rozkładów o gęstości f θ x = θ dla x (0, θ) 0 dla x (0, θ) Jest rodzią typu wykładiczego? Odpowiedz uzasadij. Defiicja: Rodzia rozkładu wykładiczego P = {p o θεθ} jest k parametryczą wykładiczą rodzią rozkładu, jeżeli p θ ma postad: a p θ x = x exp k j =1 C j θ T j x B θ Gdzie fukcje T 1,.. T k są liowo iezależe (a)
6 f a x = Tak jest rodzią typu wykładiczego (b) Nie jest rodzią wykładiczą f a x = a dla x 1 xa+1 a x a+1 = 1 exp { a l x + l a} = x = 1 exp { a l x + l a} x x C 1 θ T 1 x B(θ) f θ x = x θ = x θ = exp l xθ = = exp l x l θ Brak C j (θ) 1 Sformułowad twierdzeie o estymatorze ieobciążoym o miimalej wartości dla modeli typu wykładiczego. Jeżeli 1. X 1, X,, X jest próbą losową z jedoparametrowej rodziy typu wykładiczego z k=1, gdzie θ Θ R i Θ jest przedziałem. Istieje ieobciążoy estymator wielkości τ θ To istieje jede ieobciążoy estymator wielkości τ θ będący fukcją to estymator te jest estymatorem ieobciążoym o miimalej wariacji. d 1 X i ; poad 13 Podaj defiicję przedziału ufości dla parametru θεθ Ra poziomie 1 α Przedziałem ufości dla parametru θ Θ R a poziomie ufości 1 α gdzie α 0,1, azywamy przedział θ 1, θ, gdzie θ 1 = θ 1 X 1, X,, X i θ = θ X 1, X,, X to mierzale fukcje próby takie, że θ 1 θ i P(θ 1 θ 1 X 1, X,, X, θ X 1, X,, X ) = 1 α dla każdego θ Θ 14 Niech X 1, X,, X będą próba losową z rozkładu ormalego N μ, σ o iezaej wartości oczekiwaej EX 1 = μ i zaej wariacji Var X 1 = σ ( 0, ). Wówczas (X u 1 α σ, X + u 1 α σ ) To przedział ufości dla wartości średiej μ a poziomie ufości 1 α. Wyprowadzid wzór a miimalą liczebośd próby potrzebą do skostruowaia w tym modelu przedziału ufości dla średiej o długości ie przekraczającej d u 1 α σ d
7 u α 1 σ d u α 1 σ d 15 Niech X 1, X,, X będą próba losową z rozkładu ormalego N μ, σ o iezaej wartości oczekiwaej EX 1 = μ i zaej wariacji Var X 1 = σ ( 0, ). Wówczas (X t 1 α, 1 S, X + t 1 α, 1 To przedział ufości dla wartości średiej μ a poziomie ufości 1 α. Wyprowadzid wzór a miimalą liczebośd próby potrzebą do skostruowaia w tym modelu przedziału ufości dla średiej o długości ie przekraczającej d Otrzymujemy : l = S t 1 α d S ) S S 0 t 1 α d t 1 α d Podejście przybliżoe, polegające a zastąpieiu zamieej losowej S przez wariację S 0 wyzaczoe a podstawie próby wstępej. S 0 = X w i X 0, gdzie X 0 = 1 w X i 0 Gdzie S 0 jest day wzorem powyżej, z tym że teraz ie wymagamy by o 30. Jeśli dla wyzaczoego mamy 0 to liczośd próby wstępej jest wystarczająca by otrzymad żądaą precyzję, estymacji przedziałowej, więc szukay przedział ufości kostruujemy a jej podstawie > 0 to do próby wstępej dolosowujemy tyle elemetów by po ich dołączeiu otrzymad próbę o liczebości ie miejszej iż. 16 Zdefiiuj błąd I-go rodzaju, błąd II-go rodzaju i moc testu Moc testu parametryczego to fukcja zmieej θ (gdzie θ to baday parametr) daa wzorem β θ = P(δ X 1, X,, X W θ) = = prawdopodobieostwo odrzuceia H 0 w sytuacji, gdy ie zay parametr przyjmuje wartośd θ Błąd I-go rodzaju: β θ = P δ X 1, X,, X W θ 0 ) = P(δ X 1, X,, X W H 0 ) =
8 =prawdopodobieostwo błędu pierwszego rodzaju Błąd II-go rodzaju: β θ = P δ X 1, X,, X W θ 1 ) = P(δ X 1, X,, X W H 1 ) = = 1 P(δ X 1, X,, X W H 1 ) = =1- prawdopodobieostwo błędu drugiego rodzaju 17 Zdefiiuj statystykę testową i zbiór krytyczy testu Statystyką testową azywamy fukcję próby δ X 1, X,, X, która służy do weryfikacji H 0 przeciwko H 1. Zbiór wszystkich wartości fukcji δ dzielimy a dwa rozłącze zbiory W i W takie że: Jeśli δ x 1, x,, x W to H 0 odrzucamy Jeśli δ x 1, x,, x W to H 0 przyjmujemy W azywamy zbiorem krytyczym testu (zbiorem odrzuceo H 0 ) 18 O czym iformuje współczyik zway p-value? Omów zasadę posługiwaia się tą wielkością. Najmiejszy poziom istotości, przy którym zaobserwowaa wartośd statystyki testowej prowadzi do odrzuceia H 0, azywamy p-wartością (p-value) przeprowadzoego testu. Tz p value α =>odrzucamy H 0 p value > α =>przyjmujemy H 0 19 Niech θ Θ i Θ 0 Θ. Jakie waruki musi spełid test by był to jedostajie ajmociejszy test a poziomie istotości α dla H o : θ Θ 0 przeciwko H 1 : θ Θ \Θ 0? Niech H o : θ Θ 0 i H 1 : θ Θ \Θ 0. Jedostajie ajmociejszym testem a poziomie istotości α dla H 0 przeciwko H 1 azywamy φ o astępujących własościach: 1. sup θ 0 Θ 0 β φ θ 0 = α Gdzie β φ θ 0 to prawdopodobieostwo błędu I-go rodzaju dla testu φ, gdy θ = θ 0 - waruek te ozacza, że test φ to test a poziomie istotości α w szczególości gwaratuje o, że dla każdego : θ 0 Θ 0 prawdopodobieostwo błędu I-go rodzaju dla testu φ ie przekracza α.. Dla każdego testu φa poziomie istotości α mamy : 1 β φ θ 1 1 β φ θ 1 dla każdego θ 1 Θ \Θ 0. Gdzie 1 β φ θ 1 to prawdopodobieostwo błędu II-go rodzaju dla testu φ gdy θ = θ 1 0 Przytocz lemat Neymaa-Pearsoa Niech X 1, X,, X będą próbą losową z rozkładu ciągłego o gęstości f θ (x) lub dyskretego o fukcji masy prawdopodobieostwa p θ x gdzie θ {θ 0, θ 1 } Ustalmy α (0,1), Wtedy test który odrzuca H 0, gdy L θ 0 ; X 1, X,, X L θ 1 ; X 1, X,, X k, Gdzie L ozacza fukcję wiarygodości zaś k spełia
9 P θ0 L θ 0; X 1, X,, X L θ 1 ; X 1, X,, X k = α Jest ajmociejszym testem a poziomie istotości α dla H 0 przeciwko H 1. 1 Sformułowad i opisad model jedoczyikowej aalizy wariacji. Podad założeia tego modelu. Jakie hipotezy w tym modelu weryfikujemy i co w praktyce ozacza ich przyjęcie bądź odrzuceie? Model jedoczyikowej aalizy wariacji jest astępujący Y ij = μ + α i + ε ij i = 1,,, k j = 1,,, k- liczba poziomów czyików liczba obserwacji a każdym poziomie czyików gdzie : Y ij - wartośd zmieej odpowiedzi dla j-tej obserwacji w i-tej grupie, μ + α i wartośd średia zmieej odpowiedzi w i tej grupie, α i - efekt i-tej grupy, ε ij - błąd losowy dla j-tej obserwacji w i-tej grupie W powyższym modelu zakładamy, że dla każdego poziomu czyika rozkład zmieej odpowiedzi jest ormaly z taką samą wariacją σ 1 = σ = = σ k oz. σ. założeie to jest rówoważe założeiu, że błędy losowe ε ij też mają rozkłady ormale o tej samej wariacji σ. Poieważ pomiar przeprowadzamy iezależie, tz. Y ij są iezależe, to także ε ij są iezależe Resumując ε ij są iezależe o tym samym rozkładzie N μ, σ Poadto założyliśmy, że przeprowadziliśmy doświadczeie z plaem zrówoważoym dla każdego poziomu czyika mamy taką samą liczbę obserwacji wyoszącą. Weryfikujemy astępujące hipotezy: H o : α 1 = α = α 3 =0 H 1 : istieją i takie, że α i 0 Poiższa tabela zawiera koszty produkcji (w PLN) pewego wyrobu, który może byd wytworzoy trzema metodami: A, B, C. Chcemy oceid czy koszty produkcji są takie same dla każdego z tych metod. Jakie arzędzie statystycze ależy użyd do rozwiązaia tego problemu, jakie zawożeia sprawdzid i jakie hipotezy postawid Metoda A Metoda B Metoda C
10 Jakie arzędzie statystycze ależy użyd do rozwiązaia tego problemu: arzędzie ANOVA Jakie założeia sprawdzid: 1) czy w każdej grupie rozkład zmieej odpowiedzi jest ormaly, ) czy wariacje zmieej odpowiedzi są w każdej grupie takie same. Model i hipotezy: H o : α 1 = α = α 3 =0 H 1 : α 1 =0 lub/i α =0 lub/i α 3 =0 Y ij = μ + α i + ε ij i = 1,, 3 j = 1,,,5 3 Na co ależ uważad podczas plaowaia eksperymetu ANOVA? 1). Na badaą cechę mogą mied wpływ zmiee ukryte, których wpływu ie kotrolujemy ( bo ie są w cetrum aszego zaiteresowaia lub ich istieia w ogóle ie podejrzewamy). Co gorsza, zmiee ukryte ie zawsze dają się podczas eksperymetu kotrolowad lub ich kotrolowaie wiąże się ze zaczym wysiłkiem i kosztami. ) Na badaą cechę może mied wpływ bardzo wiele czyików i ie jesteśmy w staie ich wszystkich kotrolowad 3) Bardzo często czyiki są w iterakcji. Iterakcja to łącze oddziaływaie czyików a zmieą odpowiedzi: jeśli średia wartośd zmiay odpowiedzi spowodowaa zmiaą jedego czyika zależy od wartości drugiego czyika, to wówczas istieje iterakcja między czyikami. 4 Co zaczy że pomiędzy dwoma czyikami (czyik A i czyik B) występują iterakcje, gdy baday ich wpływ a zmieą odpowiedzi? Jak w przypadku istieia iterakcji wyglądają wykresy średich wewątrzgrupowych? Sformułowad i opisad model dwuczyikowej aalizy wariacji z iterakcjami i podad założeia tego modelu Iterakcja to łącze oddziaływaie czyików a zmieą odpowiedzi. To zaczy oba czyiki oprócz swojego oddziaływaia, razem dodatkowo oddziałują a zmieą odpowiedzi.
11 Model iterakcji Y ijm = μ + α i + β j + γ ij + ε ijm,,..,k j=1,,..,l m=1,,.., gdzie Y ijm - wartośd zmieej odpowiedzi dla m-tej obserwacji w grupie, w której czyik A jest a i-tym poziomie a czyik B- aj-tym poziomie μ + α i + β j + γ ij wartośd średia zmieej odpowiedzi w grupie, której czyik A jest ma i- tym poziomie a czyik B a j-tym poziomie, α i efekt i-tego poziomu czyika A β j efekt j-tego poziomu czyika B γ ij iterakcja między i-tym poziomem czyika A i j-tym poziomem czyika B, ε ijm błąd losowy dla m-tej obserwacji w grupie, w której czyik A jest a i-tym poziomie a czyik B a j-tym poziomie Zakładamy że w każdej grupie ( tz. dla każdej z kl możliwych kombiacji czyików A i B) rozkład zmieej odpowiedzi jest ormaly z taką samą wariacją Założeie to moża zapisad astępująco: σ ij = σ dla każdego,,, k, j=1,,, l ε ijm są iezależe o tym samym rozkładzie N μ, σ
12 5 Co zaczy że pomiędzy dwoma czyikami (czyik A i czyik B) ie ma iterakcji, gdy baday ich wpływ a zmieą odpowiedzi? Jak w przypadku braku iterakcji wyglądają wykresy średich wewątrzgrupowych? Sformułowad i opisad model dwuczyikowej aalizy wariacji z iterakcjami i podad założeia tego modelu Iterakcja to łącze oddziaływaie czyików a zmieą odpowiedzi. W przypadku braku iterakcji średia wartośd zmiay odpowiedzi spowodowaa zmiaą jedego czyika ie zależy od tego jaki jest poziom drugiego czyika Model iterakcji Y ijm = μ + α i + β j + ε ijm,,..,k j=1,,..,l m=1,,.., gdzie Y ijm - wartośd zmieej odpowiedzi dla m-tej obserwacji w grupie, w której czyik A jest a i-tym poziomie a czyik B- aj-tym poziomie μ + α i + β j wartośd średia zmieej odpowiedzi w grupie, której czyik A jest ma i- tym poziomie a czyik B a j-tym poziomie, α i efekt i-tego poziomu czyika A β j efekt j-tego poziomu czyika B ε ijm błąd losowy dla m-tej obserwacji w grupie, w której czyik A jest a i-tym poziomie a czyik B a j-tym poziomie Zakładamy że w każdej grupie ( tz. dla każdej z kl możliwych kombiacji czyików A i B) rozkład zmieej odpowiedzi jest ormaly z taką samą wariacją
13 Założeie to moża zapisad astępująco: σ ij = σ dla każdego,,, k, j=1,,, l ε ijm są iezależe o tym samym rozkładzie N μ, σ 6 Podad i krótko opisad techiki stosowae przy plaowaiu eksperymetu. 1) Eksperymet czyikowy przeprowadzeie kompletego, całkowitego, eksperymetu czyikowego. Tz. mierzymy wartości odpowiedzi dla wszystkich kombiacji poziomów czyików ) Replikacja Mając tylko po jedej obserwacji dla każdej kombiacji poziomów czyików, ie jesteśmy w staie stwierdzid czy istieją iterakcje pomiędzy czyikami. Zatem, jeśli z góry ie wykluczymy istieia iterakcji między czyikami, to replikujemy pomiary. 3) Radomizacja a zmieą odpowiedzi bardzo często mogą wpływad zmiee ukryte. Zmiee te ie zawsze jesteśmy w staie podczas eksperymetów kotrolowad, może ich byd bardzo dużo, z iektórych możemy ie zdawad sobie sprawy. Aby zmiejszyd wpływ tych zmieych a wyik eksperymetu, stosujemy radomizację każdej jedostce eksperymetalej przypisujemy poziom czyików w sposób losowy i w sposób losowy ustalamy kolejośd przeprowadzeia doświadczeia 4) Eksperymet ślepy Polega a podawaiu czyika posiadającego wpływ a odpowiedz oraz czyika placebo. Wtedy grupa badaa ie wie czy została podaa kuracji przeprowadzamy wtedy eksperymet ślepy. Eksperymet podwójie ślepy jest wtedy gdy osoba zbierające dae także ie wiedzą kto dostał czyik kto placebo. Dzięki takiemu zabiegowi wyelimioway jest efekt placebo p. pacjetowi ie poprawia się dlatego że wie że dostaje lek. 5) Grupowe Aby ziwelowad wpływ zmieych ukrytych a wyik eksperymetu, możemy zastosowad grupowaie, pod warukiem że wiemy jakie to zmiee. 6) Ułamkowy eksperymet czyikowy gdy podczas przeprowadzeia eksperymetu pomiarów jest tak dużo że ie jesteśmy w staie wszystkich wykoad, wykouje się redukcje pomiarów. Jedak redukcje tą trzeba zrobid w kotroloway sposób, tak by po wykoaiu eksperymetu mied wyiki dla czyików które chcemy badad. 7 Iżyier techolog chce zbadad czy rodzaj farby podkładowej ( rozpatrujemy trzy rodzaje farby: A, B C) oraz sposób jej akładaia a detale ( malowaie zaurzeiowe lub malowaie atryskowe) mają istoty wpływ a siłę przylegaia właściwej farby awierzchiowej. Plauje przeprowadzid eksperymet czyikowy z czterema replikacjami. Ile pomiarów będzie musiał wykoad? Wymieid te pomiary. 3 Rodzaje farby techiki akładaia farby 4 replikacje Ilośd pomiarów 3**4=4 Pomiary : (AZ, BZ, CZ, AN, BN, CN)*4 gdzie Z malowaie zaurzeiowe. N malowaie atryskowe.
Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoStatystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste
Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej 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 szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowoMiary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.
MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej szczegółowoPodstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja
Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoĆwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona
Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoModele probabilistyczne zjawisk losowych
Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń
Bardziej szczegółowoEstymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)
IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje
Bardziej szczegółowon n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc
5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowoLiczebnośd (w tys.) n
STATYSTYKA Statystyka bada prawidłowości w zjawiskach masowych (tz. takich, które mogą występowad ieograiczoą ilośd razy). Przedmiotem badao statyki są zbiory (populacje), których elemetami są wszelkiego
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności
Estymacja przedziałowa - przedziały ufości Próbę -elemetową charakteryzujemy jej parametrami (p. x, s, s ). Służą oe do ocey wartości iezaych parametrów populacji (m, σ, σ). Nazywamy je estymatorami puktowymi
Bardziej szczegółowoStatystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 11 czerwca Oznaczenia i definicje 4
Spis treści Ozaczeia i defiicje 4 Wioskowaie statystycze 4. Statystyki dostatecze................................................. 4.. Rodzia rozkładów wykładiczych......................................
Bardziej szczegółowo8 Weryfikacja hipotez statystycznych
Marek Beśka, Statystyka matematycza, wykład 8 04 8 Weryfikacja hipotez statystyczych 8. Hipotezy statystycze Drugą obok estymacji formą wioskowaia statystyczego jest weryfikacja hipotez statystyczych.
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowo1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,
1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =
Bardziej szczegółowoĆwiczenie 2 ESTYMACJA STATYSTYCZNA
Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej
Bardziej szczegółowoEstymacja przedziałowa:
Estymacja przedziałowa: Zamiast szukad ajlepszego estymatora, tak jak w estymacji puktowej będziemy poszukiwad przedziału, do którego będzie ależał szukay parametr z odpowiedio dużym prawdopodobieostwem.
Bardziej szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału
Bardziej szczegółowoZSTA LMO Zadania na ćwiczenia
ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowoMiary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowo(X i X) 2. n 1. X m S
Wykład 8. Przedziały ufości i testowaie hipotez A gdy ie zamy wariacji σ 2? Załóżmy, że X ma rozkład ormaly, ale ie zamy wartości ai m ai σ 2. Jak wtedy szacować wartość średią m? Przypomijmy, że Wtedy
Bardziej szczegółowoPODSTAWY BIOSTATYSTYKI ĆWICZENIA
PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało
Bardziej szczegółowoPlan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia
Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk
Bardziej szczegółowoMiary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoµ = Test jest następujący: jeŝeli X > 0.01 to odrzucamy H. 0
7. Testowaie hipotez statystyczych 7. Populacja ma rozkład ciągły opisay fukcją gęstości f ( x) ( + ) x dla x [,]. Testowaa jest hipoteza, Ŝe wobec hipotezy alteratywej, Ŝe. Wioskujemy a podstawie jedoelemetowej
Bardziej szczegółowoObserwacje odstające mają duży wpływ na średnią średnia nie jest odporna.
Wykład 8. Przedziały ufości dla średiej Średia a mediaa Mediaa dzieli powierzchię histogramu a połowy. Jest odpora ie mają a ią wpływu obserwacje odstające. Obserwacje odstające mają duży wpływ a średią
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoL.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3
L.Kowalski zadaia ze statystyki matematyczej-zestaw 3 ZADANIA - ZESTAW 3 Zadaie 3. Cecha X populacji ma rozkład N m,. Z populacji tej pobrao próbę 7 elemetową i otrzymao wyiki x7 = 9, 3, s7 =, 5 a Na poziomie
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoStatystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 23 kwietnia Oznaczenia i definicje 3
Spis treści Ozaczeia i defiicje 3 Wioskowaie statystycze 3. Statystyki dostatecze................................................. 3.. Rodzia rozkładów wykładiczych......................................
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 7.04.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
Bardziej szczegółowo1 Testy statystyczne. 2 Rodzaje testów
1 Testy statystycze Podczas sprawdzaia hipotez statystyczych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ a odrzuceiu hipotezy zerowej (H 0 ), gdy jest oa prawdziwa, czyli
Bardziej szczegółowo1 Dwuwymiarowa zmienna losowa
1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1
KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoStatystyka. Katarzyna Chudy Laskowska
Statystyka Katarzya Chudy Laskowska http://kc.sd.prz.edu.pl/ WNIOSKOWANIE STATYSTYCZNE Celem aalizy statystyczej ie jest zwykle tylko opisaie (prezetacja) posiadaych daych, czyli tzw. próby statystyczej.
Bardziej szczegółowoMetoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2
Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety
Bardziej szczegółowoTESTY LOSOWOŚCI. Badanie losowości próby - test serii.
TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Estymacja puktowa i przedziałowa Marta Zalewska Zakład Profilaktyki Zagrożeń Środowiskowych i Alergologii Populacja Próba losowa (próbka) Parametry rozkładu Estymatory (statystyki) Własości estymatorów
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowaie daych Podstawy wioskowaia statystyczego. Prawo wielkich liczb. Cetrale twierdzeie graicze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Wprowadzeie Jeśli S
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowoPorównanie dwu populacji
Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :
Bardziej szczegółowoSIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY
SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY Weryfikacja hipotez statystyczych WNIOSKOWANIE STATYSTYCZNE Wioskowaie statystycze, to proces uogóliaia wyików uzyskaych a podstawie próby a całą
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej szczegółowoParametryczne Testy Istotności
Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoZadanie 3. ( ) Udowodnij, że jeśli (X n, F n ) jest martyngałem, to. X i > t) E X n. . t. P(sup
Szkice rozwiązań zadań z serii dwuastej oraz części zadań z kartkówki. Zadaie 1. Niech (X, F ) będzie martygałem. Czy X jest domykaly, jeśli ciąg EX l X jest zbieży? X jest zbieży prawie a pewo? X jest
Bardziej szczegółowo