Twierdzenie 1. Je»eli X 1, X 2,..., X n jest ci giem niezale»nych zmiennych losowych o jednakowym rozkªadzie normalnym N(m, σ), to zmienna losowa: X i
|
|
- Gabriela Kowal
- 6 lat temu
- Przeglądów:
Transkrypt
1 Twierdzenie 1. Je»eli X 1, X 2,..., X n jet ci giem niezale»nych zmiennych loowych o jednakowym rozkªadzie normalnym N(m, σ), to zmienna loowa: ma rozkªad normalny N(m, σ n ). X := 1 n Przykªad: 1. Wiadomo,»e wzrot (w cm) m»czyzn z rocznika 1989 ma rozkªad normalny N(177; 5). Wyloowano 16 kart zdrowia oób z z tego rocznika. Jakie jet prawdopodobie«two,»e ±rednia wzrotu obliczona na podtawie tych kart b dzie zawiera i w przedziale (176, 178)? Znamy tylko odchylenie tandardowe σ = 5 i chcemy ozacowa nieznan ±redni. Loowa próba 16-tu kart daªa ±redni X = 177. Zbudowa ymetryczny wzgl dem X przedziaª, w którym, z prawdopodobie«twem 0, 95, zawiera i nieznana ±rednia ogóªu m»czyzn z rocznika Populacja generalna - zbiór dowolnych obiektów nieidentycznych ze wzgl du na badan cech X (zmienn loowa X przyporz dkowuje loowemu obiektowi warto± cechy). Próba prota - loowo wybrany podzbiór populacji generalnej dot pny bezpo±redniej oberwacji ze wzgl du na badan cech (ci g niezale»nych X 1, X 2,..., X n zmiennych loowych o tym amym rozkªadzie co populacja generalna). Statytyka - dowolna funkcja próby protej Z = f(x 1, X 2,..., X n ). Etymator - tatytyka θ n ªu» ca do ozacowania warto±ci parametru θ rozkªadu populacji generalnej (zmiennej loowej). Etymator nazywamy zgodnym (zbie»nym tochatycznie) gdy dla dowolnego ε > 0 zachodzi: X i lim P ( θ n θ < ε) = 1. n Etymator nazywamy nieobci»onym gdy a aymptotycznie nieobci»onym gdy tzn. obci»enie E( θ n ) = θ lim E( θ n ) θ = 0 n E( θ n ) θ d»y do 0 wraz ze wzrotem liczebno±ci próby. 1
2 Najwa»niejze etymatory rednia z próby X := 1 n jet zgodnym i nieobci»onym etymatorem warto±ci oczekiwanej. Wariancja z próby 2 = 1 (X i X) 2 n jet zgodnym i aymptotycznie nieobci»onym etymatorem wariancji. ŝ 2 = 1 n 1 X i (X i X) 2 jet zgodnym i nieobci»onym etymatorem wariancji. Rozkªady prawdopodobie«twa tatytyk Denicja 1. Rozkªad χ 2 n (chi kwadrat) Pearona o n topniach wobody, to rozkªad tatytyki: χ 2 n = X X X 2 n gdzie X 1, X 2,..., X n niezale»nymi zmiennymi i jednakowym rozkªadzie normalnym N(0, 1). Denicja 2. Rozkªad t Studenta o n topniach wobody, to rozkªad tatytyki: t = t n = X χ 2 n /n gdzie X ma rozkªad normalny N(0, 1) i zmienne X i χ 2 n niezale»ne. Uwaga 1. Rozkªady χ 2 n i t-studenta aymptotycznie normalne. Dokªadniej: przy n, 2χ 2 n N( 2n 1, 1) i t n N(0, 1).W praktyce dla n 30 korzytamy z przybli»e«rozkªadem normalnym. Tablice podaj dla danej ilo±ci wobody kwantyle b d¹ warto±ci krytyczne. Przedziaªy ufno±ci dla ±redniej Na podtawie wyników próby protej chcemy ozacowa nieznan warto± oczekiwan badanej cechy buduj c przedziaª, który pokrywa t warto± z du»ym prawdopodobie«twem 1 α nazywanym poziomem ufno±ci. I model: Populacja generalna ma rozkªad normalny o znanym odchyleniu tandardowym σ. Statytyka ma rozkªad N(0, 1). U = X m n σ 2
3 σ σ P (X u α < m < X + u α ) = 1 α n n gdzie n jet liczebno±ci próby u α jet kwantylem rz du α rozkªadu N(0, 1) (tzn. P U > u α = α). II model: Populacja generalna ma rozkªad normalny o nieznanym odchyleniu tandardowym. Liczebno± próby jet maªa (n 30). Statytyka t = X m X m n 1 = n ŝ ma rozkªad t Studenta o n 1 topniach wobody. P (X t α < m < X + t α ) = 1 α n 1 n 1 gdzie t α jet kwantylem rz du 1 1 2α rozkªadu t Studenta o n 1 topniach wobody (tzn. P t > t α = α). III model: Populacja generalna ma dowolny rozkªad o ko«czonej ±redniej i wariancji. Próba jet du»a (n > 30) Statytyka ma rozkªad N(0, 1). U = X m n P (X u α < m < X + u α ) = 1 α n n gdzie n jet liczebno±ci próby u α jet kwantylem rz du α rozkªadu N(0, 1) (tzn. P U > u α = α). Szereg rozdzielczy: Uporz dkowanie wyników du»ej próby przez podziaª zakreu zmienno±ci oberwowanej cechy na przedziaªy tej amej dªugo±ci, tzw. przedziaªy klaowe, które lewotronnie domkni te. Zamiat dokªadnych pojedynczych wyników podane ilo±ci wyników, których warto±ci miezcz i w danym przedziale, tzw. liczebno±ci przedziaªów n i. Etymatory ±redniej i wariancji wyznaczone na podtawie zeregu rozdzielczego: X := 1 n k x i n i 2 = 1 n k (x i X) 2 n i 3
4 gdzie k jet ilo±ci przedziaªów, x i ±rodkami przedziaªów, n = liczebno±ci próby. k n i jet ª czn Przykªad: 2. W pewnym do±wiadczeniu farmakologicznym bada i utlenianie tkankowe w troby królików. Dokonano 40 pomiarów tego utleniania i otrzymane wyniki przedtawiono w zeregu rozdzielczym (podana jet ilo± tlenu zu»ytego w ci gu jednej godziny przez 100 mg wilgotnej tkanki). ilo± zu»ytego tlenu liczba pomiarów Przyjmuj c wpóªczynnik ufno±ci 0,95 ozacowa metod przedziaªow ±redni ilo± zu»ywanego tlenu. Przykªad: wyloowanych zgªoze«kandydatek tartuj cych w konkurie Mi Polonia daªo nat puj ce wynik wzrotu (w cm): 171, 172, 179, 170, 180, 176, 176, 175, 172, 169. Przyjmuj c wpóªczynnik ufno±ci 0,9 ozacowa ±redni wzrotu wzytkich kandydatek. Wyznaczanie liczebno±ci próby niezb dnej do uzykania zadanej dokªadno±ci ozacowania ±redniej. Zakªadamy,»e poªowa dªugo±ci przedziaªu, nie mo»e przekroczy warto±ci d. n > u2 ασ 2 d 2 n > t2 αŝ 2 d 2 (n > 1 + t2 α 2 d 2 ) odpowiednio dla rozkªadu normalnego i t-studenta. Ile kart zgªoze«nale»y doloowa w otatnim przykªadzie by uzyka przedziaª o dªugo±ci 2 cm? Przedziaªy ufno±ci dla wariancji (i odchylenia tandardowego) Dla populacji generalnej o rozkªadzie normalnym N(m, σ) z nieznanymi parametrami zacujemy warto± wariancji na podtawie wyników n-elementowej próby protej. I model: Próba maªa (n 30). Statytyka χ 2 = n2 σ 2 4
5 środek liczebność n i x i (x i -X) 2 (x i -X) 2 n i umy średnia wariancja kwantyl ,96 39, < m < 48,26 11, < < 17,606 5
6 x i (x i -X) średnia wariancja kwantyl ,8 1, ,8176 < m < 176, d = 2,
7 ma rozkªad χ 2 Pearona o n 1 topniach wobody. Dla zaªo»onego poziomu ufno±ci 1 α odczytujemy z tablic rozkªadu χ 2 kwantyle c 1 i c 2 odpowiednio rz du 1 2 α i α. Wówcza: ( n 2 ) P < σ 2 < n2 = 1 α. c 2 c 1 II model: Próba du»a n > 30. Korzytamy ze zbie»no±ci tatytyki 2χ 2 n 2n 1 N(0, 1) i dotajemy ( P 1 + u < σ < α 2n 1 u α 2n ) = 1 α gdzie u α jet kwantylem rz du 1 1 2α rozkªadu N(0, 1). Przykªad: 4. W przykªadzie z utlenianiem w troby królika wyznaczy przedziaª ufno±ci dla odchylenia tandardowego. Przyj poziom ufno±ci 1 α = 0, 95. Przykªad: 5. Pewien automat w fabryce czekolady wytwarza tabliczki czekolady o nominalnej wadze 200 g. Wiadomo,»e rozkªad wagi produkowanych tabliczek jet normalny N(m, 5). Kontrola techniczna pobraªa, prób 16 tabliczek i otrzymaªa ich ±redni wag 195 g. Czy mo»na twierdzi,»e automat rozregulowaª i i produkuje tabliczki o mniejzej ni» powinien wadze? Potawi i zwerykowa odpowiedni hipotez tatytyczn. Przyj poziom itotno±ci α = 0, 05. Parametryczne tety itotno±ci Stawiamy hipotez dotycz c warto±ci parametru rozkªadu (±redniej lub wariancji), tzw. hipotez zerow H 0 przeciw pewnej hipotezie alternatywnej (H 1 ). Przykªadowo: H 0 : m = m 0. Przy zaªo»eniu prawdziwo±ci hipotezy H 0 znany jet rozkªad odpowiedniej tatytyki. W oparciu o to zaªo»enia budujemy tzw. obzar krytyczny czyli obzar, w którym warto± tatytyki mo»e znale¹ i z maªym utalonym wcze±niej prawdopodobie«twem α nazywanym poziomem itotno±ci. Zwykle przyjmuje i α = 0, 05 lub 0, 01 Je±li wyznaczona na podtawie wyników próby warto± tatytyki wpadnie w obzar krytyczny, to H 0 odrzucamy na korzy± H 1. Je±li warto± tatytyki, nie znajdzie i w obzarze krytycznym, to twierdzamy,»e nie ma podtaw do odrzucenia H 0. Bª d pierwzego rodzaju polega na odrzuceniu hipotezy prawdziwej. 7
8 Prawdopodobie«two popeªnienia bª du pierwzego rodzaju, to poziom itotno±ci α. Bª d drugiego rodzaju polega na przyj ciu hipotezy faªzywej. Je±li nie twierdzimy prawdziwo±ci H 0 tylko,»e nie ma podtaw do jej odrzucenia, to unikamy bª du drugiego rodzaju. Kztaªt obzaru krytycznego zale»y od przyj tej hipotezy alternatywnej H 1. H 1 : m m 0 obzar dwutronny obejmuje warto±ci mniejze od kwantyla rz du 1 2 α i wi kze od kwantyla rz du α. H 1 : m > m 0 obzar prawotronny obejmuje warto±ci wi kze od kwantyla rz du 1 α. H 1 : m < m 0 obzar lewotrony obejmuje warto±ci mniejze od kwantyla rz du α. Tety itotno±ci dla ±redniej (H 0 : m = m 0 ) I model: Populacja generalna ma rozkªad normalny o znanym odchyleniu tandardowym σ. Statytyka: ma rozkªad N(0, 1). U = X m 0 n σ II model: Populacja generalna ma rozkªad normalny o nieznanym odchyleniu tandardowym. Liczebno± próby jet maªa (n 30). Statytyka: t = X m 0 X m n 1 = n ŝ ma rozkªad t Studenta o n 1 topniach wobody. III model: Populacja generalna ma dowolny rozkªad o ko«czonej ±redniej i wariancji. Próba jet du»a (n > 30). Statytyka ma rozkªad N(0, 1). U = X m 0 n 8
9 Tety itotno±ci dla dwóch ±rednich (H 0 : m 1 = m 2 ) Porównujemy dwie populacja generalne o rozkªadach N(m 1, σ 1 ), N(m 2, σ 2 ). Loujemy prób liczebno±ci n 1 z pierwzej i liczebno±ci n 2 z drugiej populacji. Zakªadamy prawdziwo± hipotezy H 0. I model: Odchylenia tandardowe σ 1, σ 2 znane. Statytyka: ma rozkªad N(0, 1). u = X 1 X 2 σ1 2 + σ2 2 n 1 n 2 II model: Odchylenia tandardowe σ 1, σ 2 nieznane ale równe (zakªadamy,»e σ 1 = σ 2 ). Liczebno±ci prób maªe. Statytyka: X 1 X 2 t = n n n 1 + n 2 2 ( ) n 1 n 2 ma rozkªad t Studenta o n 1 + n 2 2 topniach wobody. III model: Próby du»e. Statytyka ma rozkªad N(0, 1). u = X 1 X n 1 n 2 Uwaga 2. W niektórych ytuacjach zamiat tetu porównania dwóch ±rednich mo»na zatoowa tet dla ró»nicy zmiennych loowych i werykowa hipotez H 0 : m = 0 dla tak okre±lonej zmiennej. Typowa ytuacja: oba pomiary dotycz tych amych oobników np. przed operacj i po. Przykªad: 6. Zmierzono cza reakcji na pewien bodzie u 8 kierowców badanych w pracowni pychotechnicznej przed i 15 minut po wypiciu 100 g wódki. Wyniki (w ekundach) byªy nat puj ce: przed 0,22 0,18 0,16 0,19 0,20 0,23 0,17 0,25 po 0,28 0,25 0,20 0,30 0,19 0,26 0,28 0,24 Czy mo»na twierdzi,»e wódka zwi kza cza reakcji na bodziec? Przyj poziom itotno±ci α = 0, 05. Zatoowa tet ró»nic. 9
10 xi yi zi=yi-xi (zi-śr.)^2 0,22 0,28 0,06 0,0001 0,18 0,25 0,07 0,0004 0,16 0,2 0,04 1E-04 0,19 0,3 0,11 0,0036 0,2 0,19-0,01 0,0036 0,23 0,26 0,03 0,0004 0,17 0,28 0,11 0,0036 0,25 0,24-0,01 0,0036 0,4 0,0154 średnia= 0,05 0, wariancja 0, odchylenie t= 3, kierowcy poziom itotn.= 0,05 kwantyl 1,89 10
11 Tety dla wariancji i odchylenia tandardowego Stawiamy hipotez o warto±ci nieznanej wariancji (odchylenia tandardowego) populacji o rozkªadzie normalnym: I model: Próba maªa. Statytyka H 0 : σ 2 = σ 2 0 (σ = σ 0 ). χ 2 = n2 σ 2 0 ma rozkªad χ 2 o n 1 topniach wobody. II model: Próba du»a. Korzytamy z przybli»enia rozkªadem normalnym. Statytyka u = 2χ 2 2n 1 ma rozkªad N(0, 1). 1. Oczywi±cie jak zwykle tatytyki maj podane rozkªady przy zaªo»eniu prawdziwo±ci H 0. Zmienne loowe dwuwymiarowe Je±li X, Y zmiennymi okre±lonymi na tej amej przetrzeni probabilitycznej, to par (X, Y ) nazywamy zmienn loow dwuwymiarow. Dytrybuant zmiennej (X, Y ) nazywamy funkcj (dwóch zmiennych!) F : R 2 [0, 1] okre±lon wzorem F (x, y) = P (X < x Y < y). Dla typu kokowego rozkªad zmiennej (X, Y ) okre±lamy podaj c zbiory {x 1, x 2,..., x m }, {y 1, y 2,..., y n } i prawdopodobie«twa p ik := P (X = x i, Y = y k ). Rozkªady brzegowe, to znaczy rozkªady zmiennych X i Y wyznaczamy nat puj co: m p i := P (X = x i ) = p ik, p k := P (Y = y k ) = k=1 Tabela rozkªadu zmiennej dwuwymiarowej typu kokowego Y X x 1 x 2 x m y 1 p 11 p 21 p m1 p 1 y 2 p 12 p 22 p m2 p y n p 1n p 2n p mn p n p 1 p 2 p m 1 p ik 11
12 Denicja 3. Kowariancj zmiennej loowej dwuwymiarowej nazywamy parametr Cov(X, Y ) := E((X E(X)(Y E(Y )) = E(XY ) E(X)E(Y ). Wpóªczynnikiem korelacji nazywamy ρ(x, Y ) = Cov(X, Y ) D(X)D(Y ). Kowariancja dla zmiennych typu kokowego Cov(X, Y ) = i,k (x i m X )(y k m Y )p ik = i,k x i y k p ik m X m Y gdzie m X = E(X) = m x i p i ; m Y = E(Y ) = y k p k wyznaczane z rozkªadów brzegowych (podobnie jak odchylenia tandardowe, które potrzebne do wyznaczenia wpóªczynnika korelacji). Kowariancja i wpóªczynnik korelacji miar zale»no±ci liniowej mi dzy zmiennymi X, Y. ρ(x, Y ) 1, je»eli X, Y niezale»ne, to ρ(x, Y ) = 0, ρ = 1 wtedy i tylko wtedy, gdy itniej takie taªe a, b,»e P (Y = ax + b) = 1. Przykªad: 7. Do±wiadczenie polega na 3-krotnym rzucie monet. Zmienna X liczy ilo± orªów w tym do±wiadczeniu, a zmienna Y przyjmuje warto± 1 gdy orªów jet wi cej i 0 gdy wi cej jet rezek. Okre±li rozkªad zmiennej dwuwymiarowej (X, Y ). Wyznaczy wpóªczynnik korelacji. Etymator wpóªczynnika korelacji: (x i X)(y i Y ) x i y i 1 n x i y i n r = = n (x i X) 2 (y i Y ) 2 ( x 2 i 1 n n ( x i ) 2 )( yi 2 1 n n ( y i ) 2 ) k=1 12
13 Werykacja hipotezy o i itnieniu korelacji H 0 : ρ = 0 (zmienne nie korelowane) H 1 : ρ 0 zmienne korelowane lub H 1 : ρ > 0 itnieje dodatnia korelacja mi dzy X i Y lub H 1 : ρ < 0 itnieje ujemna korelacja mi dzy X i Y. Przy zaªo»eniu prawdziwo±ci H 0 tatytyka t = r 1 r 2 n 2 ma rozkªad t-studenta o n 2 topniach wobody. W przypadku odrzucenia hipotezy o braku korelacji wyznacza i zwykle prot regreji drugiego rodzaju. Regreja Denicja 4. Prot regreji lub regrej drugiego rodzaju nazywamy funkcj liniow y = ax + b, dla której wyra»enie E(Y ax b) 2 oi ga warto± najmniejz. Wykre tej funkcji nazywamy prot regreji. Twierdzenie 2. Wpóªczynniki protej regreji wyra»aj i wzorami: a = cov(x, Y ) σ 2 X = ρ σ Y σ X b = E(Y ) ae(x), a ich etymatory odpowiednio a = cov(x, Y ) 2 X = ρ Y X b = Y ax. Przykªad: 8. Wyloowano 10 par zawieraj cych zwi zek maª»e«ki i otrzymano dla nich dane o wieku ( w latach) kobiety i m»czyzny: wiek kobiety wiek m»czyzny Na poziomie itotno±ci α = 0, 05 zwerykowa hipotez,»e itnieje dodatnia korelacja mi dzy wiekiem oób zawieraj cych maª»e«two.wyznaczy prot regreji. 13
14 x i y i ax i +b (x i -X) 2 (y i -Y) 2 (xi-x)(yi-y) , , , n = , X= , Y= , , r = 0, , t = 4, , kwantyl 1, , a = 1, , b = 2,
15 wiek mężczyzny wiek kobiety 15
In»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoTesty dotyczące wartości oczekiwanej (1 próbka).
ZASADY TESTOWANIA HIPOTEZ STATYSTYCZNYCH. TESTY DOTYCZĄCE WARTOŚCI OCZEKIWANEJ Przez hipotezę tatytyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu intereującej na cechy. Hipotezy
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoTesty statystyczne teoria
Tety tatytyczne teoria przygotowanie: dr A Goroncy, dr J Karłowka-Pik Niech X,, X n będzie próbą loową protą z rozkładu P θ, θ Θ oraz niech α (0, ) będzie poziomem itotności (najczęściej 0,, 0,05, czy
Bardziej szczegółowoStatystyczna analiza danych
Statytyka. v.0.9 egz mgr inf nietacj Statytyczna analiza danych Statytyka opiowa Szereg zczegółowy proty monotoniczny ciąg danych i ) n uzykanych np. w trakcie pomiaru lub za pomocą ankiety. Przykłady
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie.
176 Wtȩp do tatytyki matematycznej trści wynika że H o : p 1 przeciwko hipotezie H 3 1: p< 1. Aby zweryfikować tȩ 3 hipotezȩ zatujemy tet dla frekwencji. Wtedy z ob 45 1 150 3 1 3 2 3 150 0 346. Tymczaem
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoElementarna statystyka Test Istotno±ci (Tests of Signicance)
Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /
Bardziej szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
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 szczegółowoElementarna statystyka Test Istotno±ci
Elementarna statystyka Test Istotno±ci Alexander Bendikov Uniwersytet Wrocªawski 27 kwietnia 2017 Alexander Bendikov (UWr) Elementarna statystyka Test Istotno±ci 27 kwietnia 2017 1 / 24 Wnioskowanie statystyczne:
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
Bardziej 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 szczegółowoElementarna statystyka
Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,
Bardziej szczegółowoE. Sadowska-Owczorz Statystyka i probabilistyka - zadania kwiecie«2018
1. Jest 50 pyta«egzaminacyjnych. Na ka»dej wylosowanej przez zdaj cego kartce napisane s trzy pytania. (a) Ile mo»e by ró»nych kartek? (b) Oblicz prawdopodobie«stwo,»e zdajacy odpowie co najmniej na jedno
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoStatystyka matematyczna. Wykład V. Parametryczne testy istotności
Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich
Bardziej szczegółowoElementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)
Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie
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 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 szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
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 szczegółowoWykªad 4. Funkcje wielu zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 4. Funkcje wielu zmiennych. Zbiory na pªaszczy¹nie i w przestrzeni.
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowo2 Liczby rzeczywiste - cz. 2
2 Liczby rzeczywiste - cz. 2 W tej lekcji omówimy pozostaªe tematy zwi zane z liczbami rzeczywistymi. 2. Przedziaªy liczbowe Wyró»niamy nast puj ce rodzaje przedziaªów liczbowych: (a) przedziaªy ograniczone:
Bardziej szczegółowoRozdziaª 1. Przeksztaªcenie Laplace'a. 1.1 Poj cia podstawowe. Autorzy: Marcin Stachura
Rozdziaª Przekztaªcenie Laplace'a Autorzy: Marcin Stachura. Poj cia podtawowe In»ynierowie i zycy poªuguj i najch tniej takimi poj ciami matematycznymi, które umo»liwiaj pogl dowe przedtawienie zagadnienia.
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 szczegółowoWykªad 12. Transformata Laplace'a i metoda operatorowa
Wykªad 2. Tranformata Laplace'a i metoda operatorowa Tranformata Laplace'a Dla odpowiednio okre±lonej klay funkcji zdeniujemy operator L, nazywany tranformat Laplace'a, okre±lony wzorem L[ f ]() = f(t)e
Bardziej szczegółowoRozwini cia asymptotyczne dla mocy testów przybli»onych
Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 9 i 10 Magdalena Alama-Bućko 14 i 21 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 14 i 21 maja 2018 1 / 25 Hipotezy statystyczne Hipoteza statystyczna nazywamy
Bardziej 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 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 szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoLABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI 1. Test dla dwóch średnich P.G. 2. Testy dla wskaźnika struktury 3. Testy dla wariancji DECYZJE Obszar krytyczny od pozostałej
Bardziej szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej szczegółowof(x) f(x 0 ) i f +(x 0 ) := lim = f(x 0 + x) f(x 0 ) wynika ci gªo± funkcji w punkcie x 0. W ka»dym przypadku zachodzi:
Pochodna funkcji Def 1 Pochodn wªa±ciw funkcji f w punkcie x 0 nazywamy granic f (x 0 ) := lim o ile granica ta istnieje i jest wªa±ciwa Funkcj f nazywamy wtedy ró»niczkowaln Przy zaªo»eniu,»e f jest ci
Bardziej szczegółowoPorównywanie wielowymiarowych wektorów warto±ci ±rednic
Porównywanie wielowymiarowych wektorów warto±ci ±rednich Politechnika Gda«ska 20 marca 2014 Cel prezentacji Niezb dny wst p teoretyczny Cel prezentacji W naszej prezentacji przedstawimy zagadnienia zwi
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowoZadania z rachunku prawdopodobie«stwa
STATYSTYKA 2 rok, informatyka,. Zadania z rachunku prawdopodobie«stwa 1. Niech A B C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A B) = P (A C) = P (B C). Pokaza,»e 1 P (A) 1. Pokaza,»e oba ograniczenia mog
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 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 szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
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 szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka matematyczna 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 szczegółowoRozkªady i warto± oczekiwana
Rozkªady i warto± oczekiwana Piotr Wilkin Zmienne losowe i rozkªady. Wst p Zmienn losow nazywamy zmienn X przyjmuj c dowolne warto±ci z pewnego zbioru D, która speªnia wªasno± y D P (X = y) = (innymi sªowy
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej 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 szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
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 szczegółowoLISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów
LISTA 4 1.Na pewnym obszarze dokonano 40 pomiarów grubości warstwy piasku otrzymując w m.: 54, 58, 64, 69, 61, 56, 41, 48, 56, 61, 70, 55, 46, 57, 70, 55, 47, 62, 55, 60, 54,57,65,60,53,54, 49,58,62,59,55,50,58,
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH
TETOWANIE HIPOTEZ TATYTYCZNYCH HIPOTEZA TATYTYCZNA przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia jest oceniana na
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoWykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.
Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja
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 szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoElementarna statystyka
Elementarna statystyka Alexander Bendikov Uniwersytet Wrocªawski Semestr wiosenny 2017 Alexander Bendikov (Wrocªaw) Elementarna statystyka Semestr wiosenny 2017 1 / 34 Elementarna analiza danych Alexander
Bardziej szczegółowoFunkcje wielu zmiennych
Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x, y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0, y 0 ) Pochodn cz stkow pierwszego rz du funkcji dwóch zmiennych wzgl
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 szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoPorównanie modeli statystycznych. Monika Wawrzyniak Katarzyna Kociałkowska
Porównanie modeli statystycznych Monika Wawrzyniak Katarzyna Kociałkowska Jaka jest miara podobieństwa? Aby porównywać rozkłady prawdopodobieństwa dwóch modeli statystycznych możemy użyć: metryki dywergencji
Bardziej szczegółowoFunkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej
Funkcje powi za«, miary zale»no±ci i grube ogony, czyli kilka sªów o zale»no±ci w statystyce i matematyce nansowej Uniwersytet Jagiello«ski 9 maja 2012 Kilka wst pnych sªów: Kowariancja i korelacja Grube
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
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 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 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
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 szczegółowoTablice wzorów z probabilistyki
Akademia Górniczo - Hutnicza im. Stanisªawa Staszica Wydziaª Elektrotechniki, Automatyki, Informatyki i In»ynierii Biomedycznej Kierunek: Automatyka i robotyka Tablice wzorów z probabilistyki Prowadz cy:
Bardziej szczegółowoStatystyka matematyczna dla kierunku Rolnictwo w SGGW. BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH. ANALIZA KORELACJI PROSTEJ.
BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH. ANALIZA KORELACJI PROSTEJ. IDEA OPISU WSPÓŁZALEśNOŚCI CECH X, Y cechy obserwowane w doświadczeniu, n liczba jednostek doświadczalnych, Wyniki doświadczenia: wartości
Bardziej szczegółowoEstymacja punktowa - Estymacja przedziałowa
Etymacja punktowa - Etymacja przedziałowa 1. Wyjaśnij pojęcia: parametr, tatytyka z próby, etymator i ocena (zacunek). Jakie związki zachodzą między nimi? O d p o w i e d ź. Parametrem (populacji) nazywa
Bardziej szczegółowo