Przedziaªy ufno±ci a testowanie hipotez statystycznych Konspekt do zaj : Statystyczne metody analizy danych
|
|
- Stanisława Walczak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Przedziaªy ufo±ci a testowaie hipotez statystyczych Kospekt do zaj : Statystycze metody aalizy daych Agieszka Nowak-Brzezi«ska 26 listopada Wprowadzeie Celem zaj ma by omówieie podstawowych zagadie«i auka rozró»iaia estymacji puktowej i przedziaªowej od testowaia hipotez. Z uwagi a ograiczeia czasowe materiaª b dzie omawiaª tylko ajwa»iejsze tre±ci, reszt studet zajdzie w rozdziale trzecim podr czika: [J. Koroacki i J. Mieliczuk, Statystyka dla studetów kieruków techiczych i przyrodiczych, WNT 2006]. Aby ju» a samym poczatku usystematyzowa sobie wiedz w tym zakresie przypomijmy,»e: ˆ z estymacj b dziemy mie do czyieia zawsze wtedy, gdy a podstawie próby losowej próbujemy uogólia wyiki a ieza posta (i parametry) rozkªadu zmieej losowej caªej populacji oraz szacowa bª dy wyikaj ce z tego uogólieia. B dziemy wyró»ia (w ramach estymacji parametryczej) estymacj puktow oraz przedziaªow. W estymacji puktowej oce warto±ci szukaego parametru jest kokreta warto± uzyskaa z próby, atomiast w estymacji przedziaªowej operuje si poj ciem przedziaªu ufo±ci, czyli przedziaªu, do którego z pewym prawdopodobie«stwem ale»y szukaa warto±. ˆ z testowaiem hipotez za± b dziemy mie do czyieia wtedy, gdy ajpierw stawiamy przypuszczeia a temat rozkªadu, a ast pie sprawdzamy ich poprawo±. Pami tajmy,»e estymator to statystyka wyliczoa a podstawie próby a sªu-» ca do oszacowaia parametru caªej populacji. Mo»e im by ±redia arytmetycza, odchyleie stadardowe, mediaa, wspóªczyiki zmieo±ci. O estymacji (estymatorach) b dziemy mówi, zaim wykoamy prób, dlatego o tym,»e parametry szacowae b d a pewo obliczo warto±ci (dla estymacji puktowej) albo b d ale»e do pewego przewidziaego przedziaªu (dla estymacji przedziaªowej), mo»emy mówi jedyie z pewym prawdopodobie«stwem. Gdy jedak prób ju» wykoamy, to ie mówimy o prawdopodobie«stwie czy szacowaiu pewej warto±ci parametru (zmieej losowej) ale o kokretych realizacjach tych paramterów. 1
2 2 Estymacja puktowa i przedziaªowa Estymator puktowy to iaczej liczba (wyzaczoa a podstawie próby), która z pewym przybli»eiem okre±la warto± odpowiediego parametru w ca- ªej populacji. Puktowym estymatorem ±rediej z populacji m jest poprostu ±redia z próby ( x). Podobie, estymatorem odchyleia stadardowego s jest odchyleie stadardowe z próby ozaczay cz sto jako σ. Estymator przedziaªowy polega a okre±leiu tzw. przedziaªu ufo±ci czyli zakresu, w którym prawdopodobie (z prawdopodobie«stwem 1 α) zajduje si iezay parametr populacji µ. Prawdopodobie«stwo to zwae jest poziomem ufo±ci. Przedziaª ufo±ci kostruujemy a podstawie próby losowej i ufamy,»e b dzie o zawieraª prawdziw warto± szacowaego parametru µ. 2.1 Przedziaª ufo±ci Przedziaª ufo±ci dla zaej wariacji S Przedziaª ufo±ci dla µ a poziomie ufo±ci 1 α daego rozkªadu ormalego, gdy zaa jest wariacja tego rozkªadu S ma posta : [ x z 1 α 2 σ, x + z 1 α 2 gdzie: ˆ x - ±redia z próby licz cej elemetów, ˆ σ - odchyleie stadardowe z próby, ˆ 1 α - poziom ufo±ci, σ ], ˆ z 1 α to kwatyl rz du 1 α 2 2 stadardowego rozkªadu ormalego. Jest to taka warto± zmieej losowej,»e warto±ci wi ksze lub rówe tej warto- ±ci (a prawo od tej warto±ci) s przyjmowae z prawdopodobie«stwem co ajmiej 1 α 2. Warto± ta odczytawaa jest z tablic rozkªadu ormalego stadaryzowaego N(0, 1). Przykªad takiej tablicy zajdziemy pod adresem: T01_ormaly.pdf Skoro uzajemy,»e P ( X µ z 1 α 2 σ ) = 1 α gdzie X to ±redia dla zaobserwowaej próby losowej, a µ to oszacowaa (estymowaa) warto± tego parametru, to zakªadamy,»e bª d (ró»ica warto±ci szacowaej do tej faktyczie potem uzyskaej z próby - bez wzgl du a warto± ) ie b dzie przekraczaª a poziomie ufo±ci 1 α warto±ci z 1 α 2 σ Przedziaª ufo±ci dla iezaej wariacji S Gdy ie zamy warto±ci odchyleia stadardowego, wówczas wyzaczamy zmie losow t = x µ S. Rozkªad tej zmieej ie zale»y od iezaego parametru µ i jest to tzw. rozkªad t Studeta z 1 stopiami swobody (t 1 ) o zaej 2
3 g sto±ci. Gdy mamy zmie losow t i jej rozkªad t 1, to przedziaª ufo±ci dla µ budujemy te» a poziomie ufo±ci 1 α [ x t 1 α 2, 1 s, x + t 1 α 2, 1 s ] gdzie t 1 α 2, 1 to kwatyl rz du 1 α rozkªadu 2 t 1. Warto±ci kwatyli odczytamy z tablic statystyczych dla rozkladu t Studeta. Powiy si oe azywa kwatyle t α, rozkªadu t Studeta z stopiami swobody. Przykªad takiej tablicy zajdziemy pod adresem: statystyka.ifo/iosci/t03_studet.pdf Zaczeie wielko±ci próby losowej Gdy próba losowa jest odpowiedio licza, wówczas zmiee T i Z staj si ierozró»iale, tz. kwatyle rozkªadu t d» do kwatyli tego samego rz du ale rozkªadu ormalego N(0.1). Czyli, dla dostateczie du»ej próby ( 30) przedziaª ufo±ci awet je±li ie zamy warto±ci odchyleia stadardowego σ b dzie przyjmowaª posta : [ x z 1 α 2 s, x + z 1 α s 2 ] dla warto±ci ±rediej µ a poziomie ufo±ci 1 α. Poziom ufo±ci rozumiemy tak,»e dla okoªo 100(1 α)% prób losowych obliczoy przedziaª ufo±ci zawiera szacoway parametr. Im wi kszy mamy zbiór obserwacji tym miejszy (w sesie dªugo±ci) b dzie ustaloy przedziaª ufo±ci. Je»eli α = 0.05, to 1 α = 0.95 ozacza to,»e ±redio a ka»de 100 przedziaªów obliczoych dla 100 prób losowych, w 95 przypadkach prawdziwa warto± parametru α zajduje si wew trz przedziaªu, atomiast w 5 przypadkach zajduje si poza przedziaªem. 2.2 Przykªad Powiedzmy,»e mamy dae warto±ci: 4, 15, 9, 16, 6, 5, 16, 4, 11, 8 Maj c podae warto±ci poszczególych elemetów próby mo»emy z ªatwo±ci wyzaczy warto± ±redi x = 9.4, za± odchyleie stadardowe Przedziaª ufo±ci b dzie mówiª a ile ufamy (z jakim prawdopodobie«swem) temu,»e faktyczie te parametry (±redia, odchyleie stadardowe) b d przyjmowa okre±loe warto±ci. Wi c budujemy taki przedziaª ufo±ci: X N(9.4, 4.88 ) Je±li chcemy mówi o prawdopodobie«stwie ie miejszym i» 0.95, to aszym przypadku powiemy,»e z prawdopodobie«stwem rówym 95% powiemy,»e µ (6.38, 12.42). Najcz ±ciej stosuje si poziomy ufo±ci: 90%, 95%, 99%. Np. poziom ufo±ci o warto±ci 95% ozacza,»e ufamy daej iformacji w 95%, czyli bierzemy pod uwag,»e mog wyst pi bª dy, ale ie mo»e by ich wi cej i» 5%. Je±li teraz te 5% ma by rozªo»oe rówo dla warto±ci z graicy zbioru, czyli maj przekracza zaªo»oe warto±ci miimale i maksymale, to ozacza,»e szukamy w tabelach rozkªadu ormalego warto±ci odpowiadaj cej (czyli 2.5%, które uzyskali±my dziel c 5% a póª) a to warto± 1.96 (z = 1.96). 3
4 3 Przedziaªy ufo±ci w ±rodowisku R 3.1 Rozkªad ormaly Dae: ±redia = 5, odchyleie stadardowe = 2, rozmiar próby = 20, poziom ufo±ci 95% Szukae: przedziaª ufo±ci =? > a <- 5 > s <- 2 > <- 20 > error <- qorm(0.975)*s/sqrt() > left <- a-error > right <- a+error > left [1] > right [1] > Prawdziwa warto± ±rediej przy poziomie ufo±ci rówym 95% b dzie si mie±ciª w przedziale (4.12, 5.88). 3.2 Rozkªad t Studeta Dae: ±redia=5, stadardowe odchyleie=2, rozmiar próby = 20, poziom ufo±ci=95% Szukae: przedziaª ufo±ci=? > a <- 5 > s <- 2 > <- 20 > error <- qt(0.975,df=-1)*s/sqrt() > left <- a-error > right <- a+error > left [1] > right [1] Przedziaª ufo±ci dla prawdziwej warto±ci ±rediej przy zadaym poziomie ufo±ci rówym 95% ma posta : (4.06, 5.94). 4 Testowaie hipotez Z testowaiem hipotez mamy do czyieia zawsze wtedy, gdy ie chcemy estymowa daego parametru p. warto±ci ±rediej rozkªadu, ale iteresuje as p czy warto± ta jest miejsza, czy mo»e wi ksza, albo po prostu rówa pewej okre±loej warto±ci. Nie pytamy wi c ile wyosi warto± ±redia µ ale czy 4
5 µ < µ 0 (albo µ > µ 0, lub te» µ µ 0 ), gdzie µ 0 jest pew ustalo z góry liczb. Hipotezy statystycze zestawia b dziemy parami: hipotezie zerowej (podstawowej) przeciwstawimy hipotez przeciw tzw. alteratyw : ˆ hipoteza zerowa (H 0 ) mówi ca,»e fakt A jest prawdziwy, ˆ hipoteza alteratywa (H a ) mówi ca,»e fakt A jest faªszywy (w okre±loy sposób). Testowaie hipotez polega a wyborze mi dzy hipotez zerow podlegaj c werykacji H 0 a hipotez alteratyw H a, któr jeste±my skªoi przyj gdy odrzucimy hipotez zerow. Wyboru tego dokoujemy a podstawie wyików próby wylosowaej z populacji. Hipoteza zerowa to ta, w której prawdziwo± zazwyczaj ie wierzymy i tak aprawd b dziemy chcieli j odrzuci a korzy± tej drugiej zwaej alteratyw. Wa»e jest to,»e odrzuci mo»emy tylko hipotez zerow i to z okre±loym prawdopodobie«stwem popeªieia bª du, je±li zajdziemy ku temu powody (wówczas przyjmiemy za prawdziw hipotez alteratyw ). Natomiast trzeba wyra¹ie zazaczy,»e igdy testowaie hipotez ie b dzie prowadzi do udowodieia prawdziwo±ci daej hipotezy. Tylko jeda z hipotez mo»e by uzaa za prawdziw, wtedy drug uzamy za faªszyw. Skoro wszelkie wioski (hipotezy) wyci gamy a podstawie ie caªej populacji a jedyie wybraej próby musimy si liczy z tym,»e tylko z okre±loym prawdopodobie«stwej orzekamy o prawdziwo±ci stawiaej hipotezy. Warto± tego prawdopodobie«stwa precyzuj dwa bª dy statystycze: 1. bª d I-go rodzaju, mówi cy o prawdopodobie«stwie odrzuceia hipotezy zerowej gdy jest oa tak aprawd prawdziwa. Prawdopodobie«stwo to okre±limy jako α i b dziemy azywa poziomem istoto±ci testu. Je±li wi c dopuszczamy prawdopodobie«stwo bª du I-go rodzaju z warto±ci α = 0.01 ozacza to,»e, ±redio bior c, raz a sto wykoaych testów odrzucimy hipotez zerow gdy tak aprawd b dzie oa prawdziwa. 2. bª d drugiego rodzaju który ma miejsce wtedy, gdy ie odrzucimy hipotezy zerowej, mimo,»e jest oa faªszywa. Prawdopodobie«stwa popeªieia bª dów pierwszego i drugiego rodzaju oraz liczebo±ci próby s wielko±ciami zale»ymi. Je»eli liczebo± próby si ie zmieia, to zmiejszaj c warto± bª du I-go rodzaju, zwi kszamy prawdopodobie«stwo bª du II-go rodzaju. W teorii testowaia hipotez wa»y jest wybór poziomu istoto±ci, czyli dopuszczalego prawdopodobie«stwa bª dego odrzuceia hipotezy zerowej. Najcz ±ciej przyjmoway poziom istoto±ci to 0.05 ozaczaj cy,»e ±redio bª die odrzucimy hipotez zerow ie cz ±ciej i» raz a 20 razy. 4.1 Algorytm testowaia hipotez statystyczych Wioskowaie statystycze obejmuje ast puj ce czyo±ci: 1. Sformuªowaie hipotezy zerowej H 0 i hipotezy alteratywej H a. 2. Ustaleie poziomu istoto±ci α. 5
6 3. Wybór statystyki (tzw. statystyki testowej ) do werykacji hipotezy H 0 i ustaleie obszaru krytyczego (warto±ci krytyczych). 4. Obliczeie warto±ci statystyki w próbie. 5. Sformuªowaie wiosków (werykacja hipotezy H 0 ) przez porówaie warto±ci obliczoej statystyki z warto±ciami krytyczymi; b dzie to jede z dwóch wiosków: ˆ odrzuca si hipotez zerow i za prawdziw uzaje si hipotez alteratyw, lub ˆ ie ma podstaw do odrzuceia H 0 (co ozacza zgod a jej przyj cie). Test statystyczy opiera si a zaªo»eiu,»e gdy prawdziwa jest hipoteza zerowa, maªo prawdopodobe jest uzyskaie w próbie warto±ci statystyki z obszaru krytyczego, co ie ozacza,»e ie jest w ogóle iemo»liwe. Przyjmijmy,»e poziom istoto±ci α = 0.05 i wyobra¹my sobie,»e z populacji pobrao bardzo du»o prób tej samej wielko±ci. Nawet je»eli hipoteza H 0 jest prawdziwa to w 5% wszystkich prób uzyskamy warto± statystyki z obszaru krytyczego. W±ród tych 5% prób mo»e zale¹ si ta jeda reala próba, któr dyspoujemy i gdyby a jej podstawie testowa hipotez H 0, ale»aªoby j mimo prawdziwo±ci odrzuci. Popeªioy zostaªby bª d pierwszego rodzaju, polegaj cy a odrzuceiu hipotezy prawdziwej. Prawdopodobie«stwo popeªieia takiego bª du wyzacza poziom istoto±ci testu. Przyjmuj c jego i»sze warto±ci, zmiejszamy ryzyko popeªieia bª du pierwszego rodzaju. Rozwa»my test hipotezy takiej,»e ±redia w próbie rówa jest pewej okre±loej warto±ci: H 0 : µ = µ 0 za± H a : µ > µ 0 a poziomie istoto±ci α = Je»eli zaobserwowaa warto± statystyki testowej z (w tym wypadku b dzie to warto± ±redia w próbie) jest typowa to ie b dzie podstaw do odrzuceia hipotezy zerowej. Natomiast im bardziej ta warto± b dzie ietypowa przy zachodzeiu H 0, tym wi ksze s szase a odrzuceie hipotezy zerowej. Ozaczaj c kwatyl rz du 1 α rozkªadu symbolem z 1 α mamy prawdopodobie«stwo hipotezy zerowej H 0 rówe: P H0 (z z 1 α ) = α. Powiemy,»e je±li hipoteza zerowa ma zaj± to warto±ci statystyki testowej z mog zale¹ si w zbiorze C = {z : z z 1 α }, czyli w zbiorze wszystkich takich elemetów które s ie miejsze i» z 1 α z prawdopodobie«stwem α. eby byªa jaso±, je±li α = to z 1 α = z Wi c z tablic rozkªadu b dziemy odczytywa warto± z 0.999, która wyosi Teraz w takim razie, je±li otrzymaa warto± statystyki z b dzie ie miejsza i» 3.09 wówczas uzamy j za ietypow, i odrzucimy hipotez zerow a korzy± alteratywej. Je- ±li za± otrzymamy warto± miejsz i» 3.09 wówczas stwierdzimy, ze ie ma podstaw do odrzuceia hipotezy zerowej. Zbiór warto±ci statystyki testowej, który pozwala odrzuci H 0 azwiemy krytyczym C, i b dzie o zawieraª te warto±ci, które fatyczie s ie miejsze i» okre±loa warto± z 1 α. Natomiast zbiór takich warto±ci, które ie pozwol odrzuci H 0 azwiemy zbiorem przyj C. W takim razie, elemety le» ce a graicy tych dwóch zbiorów azwiemy warto±ciami krytyczymi. Tak aprawd hipotezy mo»emy podzieli a trzy zestawy mo»liwo±ci w przypadku badaia warto±ci ±rediej dla daej próby: 6
7 zbór hipoteza zerowa hipoteza alteratywa liczba stro przedziaªów 1 µ = µ 0 µ µ µ > µ 0 µ < µ µ < µ 0 µ > µ 0 1 Czyli je±li hipoteza zerowa mówi,»e pewa warto± statystyki testowej jest rówa pewej okre±loej warto±ci, za± alteratywa po prostu gªosi,»e ta warto± jest ia, wówczas mówimy o tzw. te±cie dwustroym - jako»e w kotek±cie hipotezy alteratywej twierdzimy jedyie,»e warto± krytycza jest ró»a od zadaej warto±ci statystyki testowej, a wi c jest albo miejsza albo wi ksza. Zatem o te±cie jedostroym b dziemy mówi, gdy warto± krytycza jest odpowiedio albo miejsza albo wi ksza od zadaej statystyki testowej. Bardzo istote jest potem okre±leie poziomu istoto±ci α. Musimy zatem okre±li jak u»y zaobserwowaej próby do przyj cia b d¹ odrzuceia hipotezy zerowej. W tym celu okre±lamy wªa±ie tzw. poziom istoto±ci. Najcz ±ciej te poziom okre±la warto±ci 0.01, 0.05, lub 0.10, ale geeralie warto± ta ale»y do przedziaªu Test polega teraz a sprawdzeiu, czy asza hipoteza odo±ie warto±ci ±rediej ró»i si zacz c od pewej zaobserwowaej a wybraej próbie daych, warto±ci ±rediej. Wykoaie testu obejmuje oszacowaie bª du stadardowego, liczby stopi swobody, statystyki testowej oraz tzw. p - warto±ci. ˆ bª d stadardowy SE, który dla próby licz cej elemetów, b dziemy wyzacza jako: SE = s, ˆ stopie swobody DF, rówe rozmiarowi próby mius 1: DF = 1, ˆ statystyka testowa okre±loa symbolem t i obliczoa jako t = ( x µ), gdzie SE x to oczywi±cie warto± ±redia z proby, za± µ jest hipotez dotycz c ±rediej populacji (H 0 ) a SE jest bª dem stadardowym, ˆ p-warto± (p-value), której wyzaczaie jest bardzo subtelym zadaiem. Mo»emy po porstu powiedzie,»e im miejsza jest ta warto± tym bardziej jeste±my sªoi odrzuci hipotez zerow. 5 Przykªady 5.1 Test dwustroy Producet kosiarek zaiwestowaª w opracowaie owego eergooszcz dego silika do kosiarek. Twierdzi o,»e silik b dzie pracowaª ieprzerwaie przez 5 godzi (300 miut) a jede galo bezyy. Zbadao 50 silików, i okazaªo si,»e pracowaªy oe ze ±redim czasem rówym 295 miut, z odchyleiem stadardowym rówym 20 miut. Chcemy zatem sprawdzi, czy hipoteza o tym,»e te owy silik pracuje ze ±redim czasem 300 miut jest prawdziwa. A zatem hipoteza alteratywa b dzie mówi po prostu o tym,»e te czas jest ii i» 300 miut.przeprowadzimy test tej hipotezy, przy poziomie istoto±ci rówym Stawiamy hipotez : ˆ hipoteza zerowa H 0 : µ = 300 ˆ hipoteza alteratywa H a : µ 300 7
8 2. test przeprowadzimy dla poziomu istoto±ci α = obliczymy warto± SE, i dla okre±loego df wyzaczymy warto± statystyki testowej t): ˆ SE = s = = = 2.83 ˆ DF = 1 = 50 1 = 49 ˆ t = ( x µ) SE = ( ) 2.83 = 1.77 ˆ skoro mamy test obustroy, tz.,»e p - warto± jest prawdopodobie«stwem,»e dla 49 stopi swobody warto± statystyki t przez as wyzaczoa jest miejsza od 1.77 b d¹ wi ksza od ˆ A wi c zajdujemy w tabelach rozkªadu ormalego 1 warto± P (t < 1.77) = 0.04 oraz P (t > 1.77) = Wtedy, p-warto± = = skoro p-warto± rówa 0.08 jest wi ksza i» poziom istoto±ci 0.05 to ie mo»emy odrzuci hipotezy zerowej. 5.2 Test jedostroy Pewa szkoªa podstawowa ma 300 ucziów. Dyrektor Szkoªy jest zdaia,»e ±redie IQ tych ucziów wyosi coajmiej 110. W celu zwerykowaia tej hipotezy, poddao testowi 20 wybraych ucziów. w±ród ich ±redia wyiosªa 108, przy odchyleiu stadardowym rówym 10. Chcemy wi c zaakceptowa b d¹ odrzuci t hipotez,»e ±redio ucze«tej szkoªy ma IQ przyajmiej 110. Test przeprowadzimy a poziomie istoto±ci rówym 0.01, ktory przypomijmy ozacza, ze zakªadamy,»e a 100 przeprowadzoych testów (o takiej samej wielko±ci próby) tylko w 1 przypadku dopuszczamy odrzuceie hipotezy zerowej w przypadku gdy tak aprawd bylaby oa prawdziwa. 1. stawiamy hipotez : ˆ hipoteza zerowa H 0 : µ 110 ˆ hipoteza alteratywa H a : µ < poziom istoto±ci test ma wyosi obliczymy warto± SE, i dla okre±loego df wyzaczymy warto± statystyki testowej t): ˆ SE = s = = = ˆ DF = 1 = 20 1 = 19 ˆ t = ( x µ) SE = ( ) = ˆ skoro mamy test jedostroy, tz.,»e p-warto± ma by prawdopodobie«stwem»e obliczoa statystyka testowa t przy 19 stopiach swobody jest miejsza i» ˆ A wi c zajdujemy w tabelach rozkªadu ormalego 2 p-warto± jako P (t < 0.894) =
9 4. Je±li p warto± jest rówa 0.19 a wi c jest wi ksza i» zaday poziom istoto±ci 0.01 ie mo»emy odrzuci hipotezy zerowej. 6 Testowaie hipotez w ±rodowisku R Dae: Odchyleie stadardowe=20, rozmiar próby = 50, poziom ufo±ci=95% Szukae: prawdziwa warto± ±redia =? Przyjmujemy,»e warto± ta mo»e si waha w stosuku do szacowaej warto±ci a o warto± 1.5 > a<-300 > s<-20 > <-50 > error <- qorm(0.975)*s/sqrt() > left <- a-error > right <- a+error > left [1] > right [1] Widzimy,»e a poziomie istoto±ci 0.95 przedziaª ufo±ci dla ±rediej warto±ci próby ma posta ( , ). Teraz chcemy wyzaczy warto± statystyki z dla prawdziwej warto±ci ±rediej rówej = 301.5: > assumed <- a > Zleft <- (left-assumed)/(s/sqrt()) > Zright <-(right-assumed)/(s/sqrt()) > p <- porm(zright)-porm(zleft) > p [1] Prawdopodobie«stwo popeªieia bª du II rodzaju (czyli przyj cia hipotezy zerowej,»e ±redia jest rówa gdy jest oa faªszywa) wyosi w przybli»eie 8%. Moc testu wyzaczymy jako 1 p: > 1-p [1] Moc testu wyosi ok 91.8%, co ozacza,»e je±li prawdziwa warto± ±redia ró»i si od warto±ci 300 o 1.5 to prawdopodobie«stwo,»e odrzucimy hipotez zerow jest du»e i wyosi ok 91.8%. Mo»emy tak aprawd u»y jedej tylko komedy R, której wykoaie wyzaczy wszystkie potrzebe iformacje: > power.t.test(=,delta=1.5,sd=s,sig.level=0.05, + type="oe.sample",alterative="two.sided",strict = TRUE) Oe-sample t test power calculatio = 50 delta = 1.5 sd = 20 9
10 sig.level = 0.05 power = alterative = two.sided 7 Maªy eksperymet - bardzo pouczaj cy Zaªó»my,»e mamy do rozwi zaia ast puj cy problem: Cea metra kwadratowego (w tys.zª) dla 14 losowo wybraych mieszka«w mie±cie A: 3.75, 3.89, 5.09, 3.77, 3.53, 2.82, 3.16, 2.79, 4.34, 3.61, 4.31, 3.31, 2.50, 3.27 W prasie podao iformacj,»e ±redia cea metra kwadratowego wyosi 3.8 tys. zª. Czy powy»sze dae potwierdzaj to stwierdzeie? W ±rodowisku R test dla hipotezy zerowej mówi cej,»e ±redia wyosi 3.8 tys. zª, b dzie wygl daª ast puj co: > z<-c(3.75,3.89,5.09,3.77,3.53,2.82,3.16,2.79,4.34,3.61,4.31,3.31,2.50,3.27) > t.test(z,mu=3.8) Oe Sample t-test data: z t = , df = 13, p-value = 0.26 alterative hypothesis: true mea is ot equal to percet cofidece iterval: sample estimates: mea of x Zwró my uwag,»e a poziomie istoto±ci 0.95 ale»y odrzuci hipotez zerow a korzy± hipotezy alteratywej, która mówi,»e po prostu ±redia cea metra kwadratowego mieszka«w mie±cie A ie wyosi 3.8 tys. zª. To co jest tu istote, i co b dziemy dalej aalizowa to p-warto± która tutaj jest rowa 0.26 i statystyka testowa t, która wyosi A teraz sprawd¹my co si staie, gdyby±my asz hipotez przybli»yli do faktyczej warto±ci ±rediej: > t.test(z,mu=3.5) Oe Sample t-test data: z t = , df = 13, p-value = alterative hypothesis: true mea is ot equal to percet cofidece iterval: sample estimates: mea of x Widzimy,»e p-warto± wzrasta (a statystyka testowa t maleje) gdy asza hipoteza jest bli»sza prawdzie i zwró my uwag rówie» i a to,»e ie zmieiaj c poziomu istoto±ci ie zmieia si przedziaª ufo±ci dla warto±ci ±rediej. A teraz podajmy hipotez rów prawdziwej warto±ci ±rediej: 10
11 > t.test(z,mu= ) Oe Sample t-test data: z t = 0, df = 13, p-value = 1 alterative hypothesis: true mea is ot equal to percet cofidece iterval: sample estimates: mea of x Jak widzimy, gdy podali±my dokªadie tak hipotez dotycz c warto±ci ±rediej w daym zbiorze jak prawdziwa warto± ±redia, wówczas statystyka testowa t rówa si 0 za± p-warto± rówa si 1. Iymi sªowy: Im miejsza b dzie p-warto±, tym mociejsze staje si przekoaie o faªszywo±ci hipotezy zerowej i prawdziwo±ci hipotezy alteratywej. 8 Zadaia 1. W pewej miejscowo±ci mieszka«cy twierdz,»e ±redie oszcz do±ci przypadaj ce a jedego mieszka«ca s i»sze od zª. Czy to twierdzeie jest sªusze, skoro dla losowy wybraych 314 osób ±redie oszcz do±ci wyosiªy zª, z odchyleiem stadardowym 268, 8 zª (przyjmij poziom istoto±ci 0.05). 2. W pewej cukieri postaowioo sprawdzi, czy rzeczywi±cie ±redia rocza ilo± (w kg) kupowaych ciastek przez jedego klieta wyosi 15 kg. W celu sprawdzeia, tego twierdzeia, zbadao 10 klietów i okazaªo si,»e ±redia ilo± kupowaych ciastek wyosi 14, 2 kg, a odchyleie stadardowe 1, 2 kg. Werykacj tej hipotezy przeprowad¹ przy poziomie istoto±ci Podpowiedzi do zada«1. Zadaie 1. test jedostroy, odrzucimy hipotez zerow. 2. Zadaie 2. test dwustroy, ie b dzie podstaw by odrzuci hipotez zerow. 10 Bibliograa Opracowaie przygotowao w oparciu o prace: 1. J. Koroacki i J. Mieliczuk, Statystyka dla studetów kieruków techiczych i przyrodiczych, WNT, C. Wataªa, Biostatystyka - wykorzystaie metod statystyczych w pracy badawczej w aukach biomedyczych, Alfa Medica Press,
12 pdf 12
Wykład 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 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 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 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 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 szczegółowoZadanie 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 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 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 szczegółowoIn»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 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 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 szczegółowoANALIZA DANYCH DYSKRETNYCH
ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,
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 szczegółowoPojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby.
Pojcie estymacji Metody probabilistycze i statystyka Wykład 9: Estymacja puktowa. Własoci estymatorów. Rozkłady statystyk z próby. Szacowaie wartoci parametrów lub rozkładu zmieej losowej w populacji geeralej
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 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 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 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 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 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 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 szczegółowoEstymacja parametrów populacji
Estymacja parametrów populacji Estymacja parametrów populacji Estymacja polega a szacowaiu wartości parametrów rozkładu lub postaci samego rozkładu zmieej losowej, a podstawie próby statystyczej. Estymacje
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 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 szczegółowoPolitechnika Wrocªawska Instytut Matematyki i Informatyki. Statystyka w liceum. Paweª Sztonyk
Politechika Wrocªawska Istytut Matematyki i Iformatyki Statystyka w liceum Paweª Sztoyk Waªbrzych, 5 listopada 2014 1 Aaliza daych liczbowych 1.1 Histogram czyli prezetacja gracza Histogramem azywamy jede
Bardziej szczegółowoWykªad 05 (granice c.d., przykªady) Rozpoczniemy od podania kilku przykªadów obliczania granic ci gów. n an = + dla a > 1. (5.1) lim.
Wykªad 05 graice cd, przykªady Rozpocziemy od podaia kilku przykªadów obliczaia graic ci gów Niech a > Ozaczmy a = c > 0 Mamy Poiewa» c = +, wi c tak»e a = + c + c c a = + dla a > 5 Poadto, zauwa»amy,»e
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 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 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 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 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 szczegółowoszereg jest szeregiem o wyrazach nieujemnych. Ponadto dla α (0; π ) zachodzi nierówno± sinα < α,
.. si Poiewa» si < 1; 1 >, wi c zbadajmy szereg zªo»oy z warto±ci bezwzgl dych wyrazów szeregu daego w zadaiu: () si = si, ale si < 0; 1 > Zatem si 1 () Po prawej stroie powy»szej ierówo±ci mamy szereg
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 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 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 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 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 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 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 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 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 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 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 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 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 - 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 szczegółowoEstymacja przedziałowa - przedziały ufności
Estymacja rzedziałowa - rzedziały ufości Próbę -elemetową charakteryzujemy jej arametrami ( x, s, s ). SłuŜą oe do ocey wartości iezaych arametrów oulacji (m, σ, σ). Nazywamy je estymatorami uktowymi iezaych
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
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 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 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 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 szczegółowoRachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Rachek rawdoodobieństwa i statystyka Wioskowaie statystycze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, ok407 ada@agh.ed.l Estymacja arametrycza Podstawowym arzędziem szacowaia iezaego arametr jest estymator
Bardziej szczegółowoPodstawy matematyki nansowej
Podstawy matematyki asowej Omówimy tutaj odstawowe oj cia matematyki asowej. Jest to dobre miejsce, gdy» zagadieia te wi» si z ci gami, w szczególo±ci z ci giem arytmetyczym i geometryczym. Omówimy zagadieie
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 szczegółowo1 Wnioskowanie statystyczne podstawowe poj cia
1 Wioskowaie statystycze podstawowe poj cia 1.1 arametry rozkªadu, próba losowa We wioskowaiu statystyczym próbujemy a podstawie losowej próbki z pewej populacji wioskowa a temat caªej populacji. Mo»emy
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 szczegółowoMarek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa
Mare Be±a, Statystya matematycza, wyªad 3 38 3 Statystyi zupeªe 3. Wyªadicze rodziy rozªadów prawdopodobie«stwa Zacziemy od deicji Deicja 3. Rodzi rozªadów {µ θ } θ Θ azywamy wyªadicz rodzi rozªadów -
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 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 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 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 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 szczegółowoEKONOMETRIA. Temat wykładu: Co to jest model ekonometryczny? Dobór zmiennych objaśniających w modelu ekonometrycznym CZYM ZAJMUJE SIĘ EKONOMETRIA?
EKONOMETRIA Temat wykładu: Co to jest model ekoometryczy? Dobór zmieych objaśiających w modelu ekoometryczym Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapata Tarapata@isi.wat..wat.edu.pl http://
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 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 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 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 szczegółowoCzas trwania obligacji (duration)
Czas rwaia obligacji (duraio) Do aalizy ryzyka wyikającego ze zmia sóp proceowych (szczególie ryzyka zmiay cey) wykorzysuje się pojęcie zw. średiego ermiu wykupu obligacji, zwaego rówież czasem rwaia obligacji
Bardziej szczegółowoO liczbach naturalnych, których suma równa się iloczynowi
O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą
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 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 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 szczegółowoPrace domowe z matematyki Semestr zimowy 2010/2011. Zoa Zieli«ska-Kolasi«ska
Prace domowe z matematyki Semestr zimowy 2010/2011 Zoa Zieli«ska-Kolasi«ska 5 pa¹dzierika 2010 Rozdziaª 0 Uwagi Prace domowe ie s obowi zkowe aczkolwiek zach cam gor co do ich robieia i oddawaia mi a kartkach.
Bardziej szczegółowoA.1. Asymptotyka bez notacji asymptotycznej. Przykªad A.1. Zbada zachowanie asymptotyczne liczb Fibonacciego. Pokaza,»e. F n = round ( 1 5 Φ n )
A Notacjaasymptotycza Badaj c du»e obiekty kombiatorycze cz sto ie jest koiecze pozaie dokªadej warto±ci okre±loej wielko±ci (szczególie gdy wzór dokªady jest skomplikoway), a jedyie jej warto± przybli»o,
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 szczegółowoWykªad 2. Szeregi liczbowe.
Wykªad jest prowadzoy w oparciu o podr czik Aaliza matematycza 2. Deicje, twierdzeia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 2. Szeregi liczbowe. Deicje i podstawowe twierdzeia Deicja Szeregiem liczbowym
Bardziej szczegółowoTw. 1. Je»eli ci g {a n } ma granic a i ci g {b n } ma granic b, to ci g {a n b n } ma granic a b. Tw. 2. b n. Tw. 3. Tw. 4.
Tw.. Je»eli ci g {a } ma graic a i ci g {b } ma graic b, to ci g {a + b } ma graic a+b. Tw.. Je»eli ci g {a } ma graic a i ci g {b } ma graic b, to ci g {a b } ma graic a-b. Tw.. Je»eli ci g {a } ma graic
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 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 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 szczegółowoPrzedziały ufności. dr Alina Semrau-Giłka
Przedziały ufości dr Alia Semrau-Giłka Co to jet przedział ufości? Przedział ufości loowy przedział mający tę właość, że z dużym, z góry zadaym prawdopodobieńtwem, pokrywa wartość zacowaego parametru 𝜃.
Bardziej szczegółowoLista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że
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 szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowo> 1), wi c na mocy kryterium porównawczego szereg sin(n n)
.65. si() W szeregu tym wyst puj wyrazy dodatie i ujeme, ale ie a przemia. Zbadajmy wi c szereg: si() zªo»oy z warto±ci bezwzgl dych wyrazów szeregu daego w zadaiu. Poiewa» si(), wi c si() = Po prawej
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowowi c warunek konieczny zbie»no±ci szeregu jest speªniony. 12 = 9 12 = 3 4 k(k+1) k=1 ( k+1 k(k+1) n+1 = 1 1 n+1 = 1 0 = 1 36 = =
32 (+) Jest to szereg o wyrazach dodatich Poadto wyraz ogóly tego szeregu jest zbie»y do 0, wi c waruek koieczy zbie»o±ci szeregu jest speªioy s (+) 2 s 2 s + 2 (2+) 2 + 2 3 2 + 6 3 6 + 6 4 6 2 3 s 3 s
Bardziej szczegółowoZbiory. Zadanie 5. Wykaza to»samo±ci (a) A (B \ C) = [(A B) \ C] (A C), (b) A \ [B \ (C \ D)] = (A \ B) [(A C) \ D],
x FAQ ANALIZA R c ZADANIA Zbiory Zadaie 1. Opisa zbiory A B, A B, A \ B, B \ A je±li A = {x R : x 3x < 0, }; B = {x R : x 3x + 4 0} Zadaie. Niech A, B, C, D b d podzbiorami przestrzei X. Udowodi,»e A \
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 szczegółowoRAP pa¹dziernika S n = S 0 + i=1. p r q l = p r q l r. N n(a,b)
RAP 4 5 pa¹dzierika 008 Wykªad : PSL metoda zliczaia ±cie»ek Wykªadowca: Adrzej Ruci«ski Pisarz:Bartosz Naskr cki i Marek Kaluba Wst p B dziemy dalej studiowa zachowaia osobika, którego gr zajmowali±my
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 szczegółowo2.1. Studium przypadku 1
Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.
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 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 szczegółowotest dla średniej rozkładu normalnego moc testu test dla wariancji rozkładu normalnego test dla rozkładu dwumianowego, Poissona
/9/7 Biostatystyka, 6/7 dla Fizyki Medyczej, studia magisterskie test dla średiej rozkładu ormalego moc testu test dla wariacji rozkładu ormalego test dla rozkładu dwumiaowego, Poissoa Estymacja przedziałowa
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 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 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 szczegółowo