STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
|
|
- Daria Owczarek
- 5 lat temu
- Przeglądów:
Transkrypt
1 STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2
2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym rzucie wyosi 1/2. Jakie jest prawdopodobieństwo wyrzuceia 5 orłów? Statystyka matematycza W 10 rzutach moetą wypadło 5 orłów. Jakie jest prawdopodobieństwo wypadięcia orła w pojedyczym rzucie? Czy moeta jest sprawiedliwa?
3 Model statystyczy X = X 1,..., X ) ciąg zmieych losowych wyik eksperymetu, pomiaru, obserwacji, X przestrzeń próby zbiór wszystkich możliwych wartości X, P = {P θ : θ Θ} rodzia rozkładów prawdopodobieństwa a przestrzei prób X, θ parametr, Θ zbiór możliwych wartości parametru θ, X, P) model statystyczy przestrzeń statystycza), f : X R statystyka ie zależy bezpośredio od θ), prościej: statystka z próby to zmiea losowa będąca fukcją obserwowaych w próbie zmieych losowych, Próba prosta z rozkładu P θ ): X = X 1, X 2,..., X ) iezależe zmiee losowe o tym samym rozkładzie P θ ).
4 X 1, X 2,..., X próba zmiee losowe), statystyki z próby zmiee losowe): X = 1 X i, S 2 = 1 X i X ) 2, x 1, x 2,..., x realizacje próby wartości przyjęte przez zmiee losowe), ocey statystyk liczby): x = 1 x i, s 2 = 1 x i x) 2,
5 Estymacja estymacja parametrycza szacowaie iezaych wartości parametrów rozkładu cechy statystyczej w populacji geeralej, estymacja ieparametrycza szacowaie iezaego rozkładu badaych cech w populacji geeralej, estymacja puktowa za oceę wartości przyjmujemy jedą wartość dodając błąd szacuku), estymacja przedziałowa wyzaczamy przedział, w którym z dużym prawdopodobieństwem zajduje się wartość szacowaego parametru.
6 Estymator Estymator to statystyka, która służy oszacowaiu parametruów) rozkładu. Estymatorem parametru θ rozkładu zmieej losowej X azywamy statystykę ˆθ = f X 1,..., X ), której rozkład prawdopodobieństwa zależy od θ. Liczbę f x 1,..., x ) jaką przyjmuje estymator ˆθ dla realizacji próby x 1,..., x ) azywamy oceą parametru θ.
7 Pożądae cechy estymatorów Liczbę Bˆθ ) = Eˆθ θ) azywamy obciążeiem estymatora, Estymator azywamy ieobciążoym, jeśli Bˆθ ) = 0, czyli Eˆθ ) = θ. Estymator azywamy asymptotyczie ieobciążoym, jeśli lim Bˆθ ) = 0, czyli lim Eˆθ ) = θ. Estymator azywamy zgodym, jeśli zbieżość według prawdopodobieństwa stochastycza)) lim P ˆθ θ < ε) = 1 dla każdego ε > 0. Jeśli estymator jest zgody, to jest asymptotyczie ieobciążoy. Jeśli estymator jest asymptotyczie ieobciążoy i jego wariacja maleje wraz ze wzrostem liczebości próby do zera, to jest zgody.
8 Prawo wielkich liczb Beroulliego Jeśli k ozacza liczbę sukcesów w próbach Beroulliego, to ) lim P k p < ε = 1, dla każdego ε > 0, gdzie p jest prawdopodobieństwem sukcesu w pojedyczym doświadczeiu. Prawo wielkich liczb Chiczya Jeśli X ) jest ciągiem iezależych zmieych losowych o tym samym rozkładzie i skończoej wartości oczekiwaej EX 1 ) = µ, to ) lim P 1 X i µ < ε = 1, dla każdego ε > 0.
9 Średia z próby Niech X 1, X 2,..., X ) będzie próbą prostą, EX 1 ) = µ, D 2 X 1 ) = σ 2. X = 1 X i, ) 1 E X ) = E X i = 1 ) 1 D 2 X ) = D 2 X i = 1 2 D X ) = σ. EX i ) = 1 µ = µ, D 2 X i ) = 1 2 σ2 = σ2,
10 Wariacja z próby Niech X 1, X 2,..., X ) będzie próbą prostą, EX 1 ) = µ, D 2 X 1 ) = σ 2. S 2 = 1 X i X ) 2 = 1 ) 1 2 Xi 2 X i, ES 2 ) = E 1 ) 1 2 Xi 2 X i = = 1 ) E Xi E X i X j = i,j=1 = 1 σ2 + µ 2 ) 1 ) 2 E Xi 2 + E X i X j ) = i,j=1,i j = σ 2 + µ 2 1 σ µ 2 ) + 2 )µ 2) = = σ 2 + µ 2 1 σ µ 2) = 1 1 ) σ 2 = 1 σ2.
11 Nieobciążoy estymator wariacji Niech X 1, X 2,..., X ) będzie próbą prostą, EX 1 ) = µ, D 2 X 1 ) = σ 2. Ŝ 2 = 1 1 EŜ 2 ) = X i X ) 2 = 1 S 2, 1 ES 2 ) = Ale dla statystyki S 2 µ = 1 X i µ) 2 mamy 1 1 σ2 = σ 2. ESµ) 2 = 1 ) E Xi 2 2µ X i + µ 2 = = 1 EXi 2 ) 2µ 1 EX i ) + µ 2 = = 1 σ 2 + µ 2 ) 2µ 2 + µ 2 = = σ 2 + µ 2 µ 2 = σ 2.
12 Pożądae cechy estymatorów c.d. Wariacja estymatora: D 2 ˆθ ) = Eˆθ Eˆθ )) 2. Błąd średiokwadratowy estymatora: MSEˆθ ) = Eˆθ θ) 2 Mamy MSEˆθ ) = D 2 ˆθ ) + [Bˆθ )] 2 Jeśli estymator jest ieobciążoy, to MSEˆθ ) = D 2 ˆθ ). Dˆθ ) azywamy wówczas średim stadardowym) błędem szacuku parametru θ, Dˆθ )/θ jest względym błędem szacuku.
13 Pożądae cechy estymatorów c.d. Estymator azywamy ajefektywiejszym w daej klasie estymatorów, jeśli ma w tej klasie ajmiejszą wariację. Zwykle efektywość rozważamy w klasie estymatorów ieobciążoych. Estymator efektywy w sesie Rao-Cramera: estymator ieobciążoy realizujący dole ograiczeie w ierówości Rao-Cramera [ ) l f x; θ) 2 ]) 1 D 2 ˆθ ) E, θ gdzie f x; θ) jest fukcją gęstości lub fukcją prawdopodobieństwa populacji geeralej.
14 E X i Nµ, σ 2 ), ) 1 f x; µ) = exp x µ)2 2πσ 2 2σ 2, l f x; µ) = l 2πσ 2 x µ)2 ) 2σ 2, l f x; µ) 2x µ) = µ 2σ 2 = x µ σ 2, [ ) l f x; µ) 2 ] [ x ) ] µ 2 = E µ σ 2 = Ex µ)2 ) σ 4 E [ l f x; µ) µ ) 2 ]) 1 = σ2. = σ2 σ 4 = 1 σ 2,
15 Metody uzyskiwaia estymatorów metoda ajmiejszych kwadratów, metoda mometów, metoda ajwiększej wiarygodości, Fukcją wiarygodości próby azywamy wyrażeie: Lx 1,..., x ; θ) = f x i ; θ). Za ˆθ przyjmujemy wielkość maksymalizującą fukcję wiarygodości lub jej logarytm), Przy dość ogólych założeiach estymatory MNW są zgode, asymptotyczie ormale, asymptotyczie ieobciążoe i asymptotyczie ajefektywiejsze.
16 Własości rozkładu ormalego Jeśli X 1, X 2,..., X są iezależe o rozkładach ormalych: X i Nµ i, σi 2 ), to: ) X i N µ i,. σi 2 Jeśli X 1, X 2,..., X jest próbą prostą z rozkładu ormalego Nµ, σ 2 ), to: X = 1 X i N X i N µ, σ 2), µ, σ2 X µ N0, 1). σ ),
17 Rozkłady t-studeta, χ 2 oraz F Jeśli X 1, X 2,..., X jest próbą prostą z rozkładu ormalego Nµ, σ 2 ), to: S 2 σ 2 = 1 σ 2 X i X ) 2 χ 2 1, X µ X µ 1 = t 1, S Ŝ Jeśli X 1,..., X 1 oraz Y 1,..., Y 2 są iezależymi próbami prostymi z rozkładu ormalego, odpowiedio: Nµ 1, σ 2 ) i Nµ 2, σ 2 ) σ 2 jest iezae, ale takie samo w obu rozkładach!), to: Ŝ 2 X Ŝ 2 Y F 1 1, 2 1.
18 Przypomieie: Cetrale Twierdzeie Graicze Lideberga-Levy ego Jeśli X ) N jest ciągiem iezależych zmieych losowych o jedakowym rozkładzie, EX 1 ) = µ, D 2 X 1 ) = σ 2 <, to Iaczej mówiąc: k=1 ) lim P X k µ x = 1 x e 1 2 t2 dt. σ 2 2π Y = X µ σ D N0, 1), ciąg dystrybuat F Y ) zmieych losowych Y ) zbiega do dystrybuaty rozkładu ormalego stadardowego.
19 Estymacja przedziałowa Jerzy Spława-Neyma ) cecha X ma w populacji rozkład z iezaym parametrem θ, a podstawie wylosowaej z tej populacji próby X 1,..., X ) wyzaczamy θ = θx 1,..., X ), θ = θx 1,..., X ) aby dla przyjętego prawdopodobieństwa 1 α zachodził waruek ) P θx 1,..., X ) < θ < θx 1,..., X ) = 1 α. losowy przedział θ, θ) azywamy przedziałem ufości parametru θ, liczbę 1 α azywamy współczyikiem poziomem) ufości, długość przedziału ufości θ θ określa dokładość estymacji, zależy am a ajwiększej dokładości szukamy ajkrótszych przedziałów ufości.
20 Przedział ufości dla średiej w populacji ormalej o zaej wariacji Cecha X ma rozkład Nµ, σ 2 ), gdzie wariacja σ 2 jest zaa. Wyzaczymy przedział ufości dla iezaej wartości parametru µ. 1 ) X = X i N µ, σ2 Z = X µ N0, 1). σ Niech z α będzie taką liczbą, że P z α < Z < z α ) = 1 α. Wówczas 1 α = P z α < X ) µ < zα = σ ) σ σ = P X z α < µ < X + z α = ) σ σ = P X z α < µ < X + z α.
21 Przedział ufości dla średiej w populacji ormalej o zaej wariacji, c.d. otrzymaliśmy θ = X z α σ, θ = X + z α σ. zauważmy, że długość przedziału ufości wyosi tutaj 2z α σ i ie zależy od wartości w próbie, mamy P z α < Z < z α ) = 1 α z α = Φ 1 1 α ). 2
22 Przedział ufości dla średiej w populacji ormalej z iezaą wariacją Cecha X ma rozkład Nµ, σ 2 ), gdzie wariacja σ 2 jest iezaa. Wyzaczymy przedział ufości dla iezaej wartości parametru µ. t = X µ 1 t 1 gdzie S = 1 S X i X ) 2 ). Niech t α, 1 będzie taką liczbą, że P t α, 1 < t < t α, 1 ) = 1 α. Wówczas 1 α = P t α, 1 < X ) µ 1 < tα, 1 = S ) S S = P X t α, 1 < µ < X + t α, 1 = 1 1 ) S = P X t α, 1 < µ < X S + t α,
23 Przedział ufości dla średiej w populacji o iezaym rozkładzie Cecha X ma dowoly rozkład, ze zaą wariacją σ 2. Wyzaczymy przedział ufości dla iezaej wartości parametru µ. Z = X µ N0, 1). σ Zatem, jeśli jest dostateczie duże, to 1 α = P gdzie z α jest taką liczbą, że X z α σ < µ < X + z α σ ), P z α < Z < z α ) = 1 α. Jeśli σ 2 jest iezae, to dla dużego możemy przyjąć σ = S, otrzymując przedział ufości ) S S 1 α = P X z α < µ < X + z α.
24 Przykład Zmierzoo wytrzymałość 10 losowo wybraych elemetów i otrzymao astępujące wyiki: 383, 284, 339, 340, 305, 386, 387, 335, 344, 346 [Pa]. Przy założeiu, że wytrzymałość tych elemetów jest zmieą losową Nµ, σ 2 ) o iezaych parametrach µ i σ 2, wyzaczyć a podstawie tej próbki 95% realizację przedziału ufości dla µ. Poieważ x = 344, s 2 10 = 986.8, s 10 = 31.13, t 0.05,9 = 2.26, więc szukaa realizacja przedziału ufości ma postać ) 31.13, = 320.5, 367.5). 3
25 Przedział ufości dla wariacji w populacji ormalej Cecha X ma rozkład Nµ, σ 2 ), z iezaymi parametrami µ i σ 2. Wyzaczymy przedział ufości dla parametru σ 2. χ 2 = S 2 σ 2 χ2 1. Wyzaczamy takie liczby χ 2 α/2, 1, χ2 1 α/2, 1, dla których Pχ 2 χ 2 α/2, 1 ) = α 2, Pχ2 χ 2 1 α/2, 1 ) = α 2, skąd Wówczas czyli P P Pχ 2 1 α/2, 1 χ2 χ 2 α/2, 1 ) = 1 α. χ 2 1 α/2, 1 S 2 χ 2 α/2, 1 S2 σ 2 σ 2 χ2 α/2, 1 S 2 χ 2 1 α/2, 1 ) ) = 1 α, = 1 α.
26 Przykład W celu zbadaia jakości mierika wykoao im = 12 pomiarów tego samego wzorca. Otrzymao astępujące wyiki: 275, 273, 279, 267, 276, 272, 271, 269, 270, 265, 268, 277. Przy założeiu, że wyiki pomiarów mają rozkład ormaly o iezaych µ i σ 2, gdzie µ jest prawdziwą wartością wzorca, a σ 2 jest wariacją błędu pomiaru) ależy wyzaczyć 90% realizację przedziału ufości dla σ. W wyiku obliczeń otrzymujemy x = , s = Zajdujemy χ ,11 = , χ2 0.95,11 = Podstawiając do powyższego wzoru otrzymujemy przedział ufości dla wariacji σ 2 : , ), a stąd dla odchyleia stadardowego σ: , ).
27 Przedział ufości dla wariacji w populacji ormalej, duża próba Niech X 1,..., X będzie próba prostą z rozkładu Nµ, σ 2 ) gdzie µ i σ 2 są iezae, atomiast > 30. Możemy skorzystać z faktu, iż statystyka S ma asymptotyczy rozkład Nσ, σ/ 2), więc Z = S σ 2 N0, 1). σ Zatem dla z α = Φ 1 1 α/2) mamy P z α < S σ σ ) 2 < zα 1 α, więc przedział ufości dla σ a poziomie ufości 1 α ma postać ) S S P < σ < = 1 α, 1 + zα 2 1 zα 2 lub w przybliżeiu ) )) P S 1 zα 2 < σ < S 1 + zα 2 = 1 α.
28 Przedział ufości dla frakcji Cecha ma rozkład zero-jedykowy z iezaym parametrem p. Niech X ozacza liczbę sukcesów w próbie -elemetowej. Jeśli jest dostateczie duże oraz 0.04 p 0.96, to w przybliżeiu W = X N p, p1 p) Z = W p W 1 W ) Jeśli z α jest taką liczbą, że P z α < Z < z α ) = 1 α, to 1 α = P z α < = P W z α W p W 1 W ) W 1 W ) < z α = < p < W + z α N0, 1). W 1 W ).
29 Problem miimalej liczebości próby d = θ θ maksymaly błąd szacuku. 2 Dla ustaloej wartości d dobieramy liczebość próby, aby d d. W przypadku średiej w populacji ormalej ze zaą wariacją mamy d = z α σ, więc z α σ d z α σ d z2 ασ 2 d 2. W przypadku frakcji d p1 p) = z α, zatem p1 p) p1 p) z α d z α z2 αp1 p) d d 2. Jeśli ie mamy iformacji o wielkości p, to zawsze możemy szacować z góry p1 p) 1 4.
30 Przykład Przypuśćmy, że w badaiach poparcia dla kadydata w wyborach) iteresuje as liczość próby wystarczająca do wyzaczeia przedziału ufości a poziomie ufości 0.9, którego dopuszczala długość ie przekracza 5% = Otrzymujemy waruek z z = = Zazwyczaj po przeprowadzeiu badaia długość przedziału ufości będzie miejsza. Na przykład, gdy = 1083, X = 345, to W = = , W 1 W ) postać: = , a realizacja przedziału ufości dla p ma , ). Możemy wówczas powiedzieć, że a daego kadydata zdecydowaych jest głosować 31.9% wyborców z dopuszczalym błędem statystyczym l /2 = 2.3%, a poziomie ufości 0.9).
31 Uiwersaly dla dowolego rozkładu) przedział ufości dla wartości oczekiwaej otrzymujemy z ierówości Czebyszewa: P X EX ) < ε) 1 D2 X ) ε 2. Stąd dla 1 α = 1 D2 X ) ε = DX ) ε 2 α mamy P X DX ) < EX ) < X + DX ) ) 1 α. α α Jeśli X 1,..., X jest próba prostą, EX 1 ) = µ, D 2 X 1 ) = σ 2, to wyikający z ierówości Czebyszewa przedział ufości ma postać: P X σ < µ < X + σ ) 1 α. α α Na przykład dla 1 α = 0.99 otrzymujemy P X 10σ < µ < X + 10σ ) 0.99.
X 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 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 szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej 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 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 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 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 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 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 szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej 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 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 szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej 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 szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej 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 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 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 szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej 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 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 szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowaie daych Podstawy wioskowaia statystyczego. Prawo wielkich liczb. Cetrale twierdzeie graicze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Wprowadzeie Jeśli S
Bardziej 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 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 szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej 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 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 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 szczegółowoLiczebnośd (w tys.) n
STATYSTYKA Statystyka bada prawidłowości w zjawiskach masowych (tz. takich, które mogą występowad ieograiczoą ilośd razy). Przedmiotem badao statyki są zbiory (populacje), których elemetami są wszelkiego
Bardziej 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 szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej 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 szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoPrawdopodobieństwo i statystyka 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 szczegółowoModele probabilistyczne zjawisk losowych
Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń
Bardziej 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 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 szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
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 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 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 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 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 szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej 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 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 szczegółowoRozkłady statystyk z próby Twierdzenia graniczne
Rozkłady statystyk z róby Twierdzeia graicze PRÓBA LOSOWA Próbą losową rostą azyway ciąg -zieych losowych iezależych i osiadających jedakowe rozkłady takie jak rozkład zieej losowej w oulacji geeralej
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 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 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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie
WNIOSKOWANIE STATYSTYCZNE ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzeie,, S P przestrzeń probabilistycza (matematyczy model zjawiska losowego), zbiór wszystkich zdarzeń elemetarych, S zbiór zdarzeń, (podzbiory
Bardziej szczegółowo0.1 Statystyczne Podstawy Modelu Regresji
0.1 Statystycze Podstawy Modelu Regresji iech daa będzie przestrzeń probabilistycza (Ω, F, P ). Fukcję X : Ω R, określoą a przestrzei zdarzeń elemetarych Ω, o wartościach rzeczywistych, takich że x R {ω
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej 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 szczegółowoStatystyka i opracowanie danych W3: Wprowadzenie do statystycznej analizy danych Podstawy wnioskowania statystycznego. Estymacja i estymatory
Statystyka i opracowaie daych W3: Wprowadzeie do statystyczej aalizy daych Podstawy wioskowaia statystyczego. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Wprowadzeie Podstawowe cele
Bardziej szczegółowoPODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE
Marek Cieciura, Jausz Zacharski PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE CZĘŚĆ IV STATYSTYKA MATEMATYCZNA Na prawach rękopisu Warszawa, wrzesień 0 Data ostatiej aktualizacji: piątek,
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoStatystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 23 kwietnia Oznaczenia i definicje 3
Spis treści Ozaczeia i defiicje 3 Wioskowaie statystycze 3. Statystyki dostatecze................................................. 3.. Rodzia rozkładów wykładiczych......................................
Bardziej szczegółowoObserwacje odstające mają duży wpływ na średnią średnia nie jest odporna.
Wykład 8. Przedziały ufości dla średiej Średia a mediaa Mediaa dzieli powierzchię histogramu a połowy. Jest odpora ie mają a ią wpływu obserwacje odstające. Obserwacje odstające mają duży wpływ a średią
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
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 szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
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 szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
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 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 szczegółowo1) Jakie są różnice pomiędzy analiza danych a wnioskowaniem statystycznym?
Plaowaie Eksperymetów 1) Jakie są różice pomiędzy aaliza daych a wioskowaiem statystyczym? Celem aalizy daych jest prezetacja kokretego zbioru daych, w sposób ukazujący jego właściwości, w szczególości
Bardziej szczegółowoStatystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 11 czerwca Oznaczenia i definicje 4
Spis treści Ozaczeia i defiicje 4 Wioskowaie statystycze 4. Statystyki dostatecze................................................. 4.. Rodzia rozkładów wykładiczych......................................
Bardziej 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 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 szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoZSTA LMO Zadania na ćwiczenia
ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 7.04.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej 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 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 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 szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej 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 szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoZDARZENIE ELEMENTARNE to możliwy wynik doświadczenia losowego. Wszystkie takie możliwe wyniki tworzą zbiór zdarzeń elementarnych.
STATYSTYKA to auka, której przedmiotem zaiteresowaia są metody pozyskiwaia i prezetacji, a przede wszystkim aalizy daych opisujących zjawiska masowe. Metody statystycze oparte są a rachuku prawdopodobieństwa.
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 szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoWykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.
Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau
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 szczegółowoStatystyka Wzory I. Analiza struktury
Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej
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 szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
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 szczegółowo