Rozwini cia asymptotyczne dla mocy testów przybli»onych

Wielkość: px
Rozpocząć pokaz od strony:

Download "Rozwini cia asymptotyczne dla mocy testów przybli»onych"

Transkrypt

1 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 / 22

2 Wprowadzenie Niech n N. Rozwa»my test ϕ n na poziomie istotno±ci α (0, 1), sªu» cy do testowania prostej hipotezy zerowej H 0 : S n P (n) 0 przeciwko prostej hipotezie alternatywnej H 1 : S n P (n) 1. Zakªadamy,»e obszar krytyczny testu ϕ n jest postaci {S n > c n }, natomiast β n oznacza jego moc. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

3 Wprowadzenie Niech n N. Rozwa»my test ϕ n na poziomie istotno±ci α (0, 1), sªu» cy do testowania prostej hipotezy zerowej H 0 : S n P (n) 0 przeciwko prostej hipotezie alternatywnej H 1 : S n P (n) 1. Zakªadamy,»e obszar krytyczny testu ϕ n jest postaci {S n > c n }, natomiast β n oznacza jego moc. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

4 Wprowadzenie c.d. Czasami rozkªad statystyki S n nie jest znany! Niech Ŝ n b dzie statystyk, która przy H 0 i H 1 speªnia warunek S n Ŝ n = O p (a n ), gdzie lim n a n = 0. Zdeniujmy test ˆϕ n na poziomie istotno±ci α, którego obszar odrzucenia jest postaci {Ŝ n > ĉ n }. Niech ˆβ n oznacza jego moc. Test ˆϕ n jest asymptotycznym przybli»eniem testu ϕ n (przy n ). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

5 Wprowadzenie c.d. Czasami rozkªad statystyki S n nie jest znany! Niech Ŝ n b dzie statystyk, która przy H 0 i H 1 speªnia warunek S n Ŝ n = O p (a n ), gdzie lim n a n = 0. Zdeniujmy test ˆϕ n na poziomie istotno±ci α, którego obszar odrzucenia jest postaci {Ŝ n > ĉ n }. Niech ˆβ n oznacza jego moc. Test ˆϕ n jest asymptotycznym przybli»eniem testu ϕ n (przy n ). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

6 Problem rozwini cia asymptotycznego dla mocy Problem: Skoro S n Ŝ n = O p (a n ), to czy zachodzi równie» z b n 0? β n ˆβ n = O(b n ) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

7 Gªówny rezultat Twierdzenie 1 [Majerski, Szkutnik, 2010] Zaªó»my,»e (i) Przy obu hipotezach H 0 i H 1 mamy S n Ŝ n = O p (a n ) (ii) lim n c n = lim n ĉ n = c (iii) G sto±ci f (n) j statystyk Ŝ n istniej przy H j (j = 0, 1). Dla n dostatecznie du»ych, f (n) 0 s nierosn ce, a f (n) 1 s niemalej ce w pewnym otoczeniu c, w którym wszystkie te g sto±ci s lipschitzowskie ze wspóln staª. (iv) lim inf n f (n) 0 (ĉ n ) > 0 (v) Przy H 0 i H 1 oraz z Z n := (S n Ŝ n )/a n r > 0 : lim sup E Z n r < n Wówczas, β n ˆβ n = O ( an r r+1 ). (1) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

8 Gªówny rezultat c.d. Twierdzenie 2 [Majerski, Szkutnik, 2010] Przy zaªo»eniach (i)-(iv) Twierdzenia 1 zachodzi β n ˆβ n = o(1). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

9 Obja±nienie warunku (ii) Warunek (ii) lim n c n = lim n ĉ n = c zachodzi gdy, przy H 0 : S n ma rozkªad graniczny o g sto±ci f 0 ci gªej i ±ci±le dodatniej w c = F 1 0 (1 α) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

10 Obja±nienie warunku (ii) Warunek (ii) lim n c n = lim n ĉ n = c zachodzi gdy, przy H 0 : S n ma rozkªad graniczny o g sto±ci f 0 ci gªej i ±ci±le dodatniej w c = F 1 0 (1 α) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

11 Przykªady - ogólny model Rozwa»my test na poziomie istotno±ci α o obszarze odrzucenia {S n > c n}. Zdeniujmy S n = { (1 n k )S n, z prawdopodobie«stwem p n ; S n + X n, z prawdopodobie«stwem 1 p n, gdzie 0 k R. Zakªadamy,»e lim n p n = 1; Sn i X n s niezale»nymi zmiennymi losowymi; przy obu hipotezach H 0 i H 1, Sn = O p (1) Wówczas, S n = S n + O p (n k ). (2) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

12 Przykªady - ogólny model Rozwa»my test na poziomie istotno±ci α o obszarze odrzucenia {S n > c n}. Zdeniujmy S n = { (1 n k )S n, z prawdopodobie«stwem p n ; S n + X n, z prawdopodobie«stwem 1 p n, gdzie 0 k R. Zakªadamy,»e lim n p n = 1; Sn i X n s niezale»nymi zmiennymi losowymi; przy obu hipotezach H 0 i H 1, Sn = O p (1) Wówczas, S n = S n + O p (n k ). (2) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

13 Przykªady - ogólny model Rozwa»my test na poziomie istotno±ci α o obszarze odrzucenia {S n > c n}. Zdeniujmy S n = { (1 n k )S n, z prawdopodobie«stwem p n ; S n + X n, z prawdopodobie«stwem 1 p n, gdzie 0 k R. Zakªadamy,»e lim n p n = 1; Sn i X n s niezale»nymi zmiennymi losowymi; przy obu hipotezach H 0 i H 1, Sn = O p (1) Wówczas, S n = S n + O p (n k ). (2) P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

14 Przykªad 1: konieczno± warunku (v) w Tw. 1 Przyjmijmy w modelu p n = 1 1/ log n. Przy H 0 zaªó»my: S n U[0, 1]; P 0 (X n > 1) = 1. Przy H 1 zaªó»my,»e: G sto±ci S n X n U[ 3, 2]. s postaci f S (t) = 1 1 n [0,1](t) + n 1 1 [1,2](t); n n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

15 Przykªad 1: konieczno± warunku (v) w Tw. 1 Przyjmijmy w modelu p n = 1 1/ log n. Przy H 0 zaªó»my: S n U[0, 1]; P 0 (X n > 1) = 1. Przy H 1 zaªó»my,»e: G sto±ci S n X n U[ 3, 2]. s postaci f S (t) = 1 1 n [0,1](t) + n 1 1 [1,2](t); n n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

16 Przykªad 1: konieczno± warunku (v) w Tw. 1 Przyjmijmy w modelu p n = 1 1/ log n. Przy H 0 zaªó»my: S n U[0, 1]; P 0 (X n > 1) = 1. Przy H 1 zaªó»my,»e: G sto±ci S n X n U[ 3, 2]. s postaci f S (t) = 1 1 n [0,1](t) + n 1 1 [1,2](t); n n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

17 Przykªad 1: konieczno± warunku (v) w Tw. 1, c.d. Mo»na pokaza,»e: zachodz warunki (ii)-(iv); warunek (v) nie zachodzi, bo β S β S 1/ log n. r > 0 : E n k (S n S n ) r, (gdy n ) Wniosek: Bez warunku (v) teza Twierdzenia 1 nie musi zachodzi. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

18 Przykªad 1: konieczno± warunku (v) w Tw. 1, c.d. Mo»na pokaza,»e: zachodz warunki (ii)-(iv); warunek (v) nie zachodzi, bo β S β S 1/ log n. r > 0 : E n k (S n S n ) r, (gdy n ) Wniosek: Bez warunku (v) teza Twierdzenia 1 nie musi zachodzi. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

19 Przykªad 2: konieczno± warunku (iii) w Tw. 1, c.d. Mo»na przyj takie zaªo»enia w modelu,»e: zachodz warunki (ii),(iv),(v) (z r = 1); warunek (iii) nie zachodzi β S 1, ale β S = 1/2! Wniosek: Bez warunku (iii) teza Twierdzenia 1 nie musi zachodzi. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

20 Przykªad 2: konieczno± warunku (iii) w Tw. 1, c.d. Mo»na przyj takie zaªo»enia w modelu,»e: zachodz warunki (ii),(iv),(v) (z r = 1); warunek (iii) nie zachodzi β S 1, ale β S = 1/2! Wniosek: Bez warunku (iii) teza Twierdzenia 1 nie musi zachodzi. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

21 Przykªad 3: konieczno± warunku (iv) w Tw. 1 Mo»na przyj takie zaªo»enia w modelu,»e zachodz warunki (ii),(iii),(v) (z r = 1); warunek (iv) nie zachodzi; β S β S 1/ log n. Wniosek: Bez warunku (iv) teza Twierdzenia 1 nie musi zachodzi. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

22 Najmocniejsze testy niezmiennicze wielowymiarowej normalno±ci Niech X 1,..., X n - próba prosta z rozkªadu w R p. F ( )-ustalona dystrybuanta w R p. gdzie H 0 : X i N p (m, Σ) vs H 1 : X i F (U( b)), m, b R p ; Σ, U M(p, p). Σ dodatnio okre±lona, U nieosobliwa. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

23 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci p = 2, U UT (2), F U([0, 1] [0, 1]). S MPI -statystyka najmocniejszego testu niezmienniczego wzgl dem grupy przeksztaªce«g : X i U X i + b S Lapl -stat. testu opartego na aproksymacji Laplace'a; S LR -stat. testu ilorazu wiarygodno±ci. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

24 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci p = 2, U UT (2), F U([0, 1] [0, 1]). S MPI -statystyka najmocniejszego testu niezmienniczego wzgl dem grupy przeksztaªce«g : X i U X i + b S Lapl -stat. testu opartego na aproksymacji Laplace'a; S LR -stat. testu ilorazu wiarygodno±ci. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

25 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci p = 2, U UT (2), F U([0, 1] [0, 1]). S MPI -statystyka najmocniejszego testu niezmienniczego wzgl dem grupy przeksztaªce«g : X i U X i + b S Lapl -stat. testu opartego na aproksymacji Laplace'a; S LR -stat. testu ilorazu wiarygodno±ci. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

26 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci p = 2, U UT (2), F U([0, 1] [0, 1]). S MPI -statystyka najmocniejszego testu niezmienniczego wzgl dem grupy przeksztaªce«g : X i U X i + b S Lapl -stat. testu opartego na aproksymacji Laplace'a; S LR -stat. testu ilorazu wiarygodno±ci. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

27 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci p = 2, U UT (2), F U([0, 1] [0, 1]). S MPI -statystyka najmocniejszego testu niezmienniczego wzgl dem grupy przeksztaªce«g : X i U X i + b S Lapl -stat. testu opartego na aproksymacji Laplace'a; S LR -stat. testu ilorazu wiarygodno±ci. (zlogarytmowane i odpowiednio unormowane). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

28 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Twierdzenie 3 [Majerski, Szkutnik 2010] Przy obu hipotezach, H 0 i H 1 zachodzi oraz ( ) log n S MPI S Lapl = O p n 2 ( ) log 2 n S MPI S LR = O p. S Lapl, S LR statystyki testowe quasi-najmocniejszych testów niezmienniczych. n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

29 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Twierdzenie 3 [Majerski, Szkutnik 2010] Przy obu hipotezach, H 0 i H 1 zachodzi oraz ( ) log n S MPI S Lapl = O p n 2 ( ) log 2 n S MPI S LR = O p. S Lapl, S LR statystyki testowe quasi-najmocniejszych testów niezmienniczych. n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

30 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Symulowane g sto±ci statystyki S MPI dla n = 5, 15, 50, 125 n=5 n=15 n=50 n=125 n=5 n=15 n=50 n= (a) G sto±ci przy H 0. (b) G sto±ci przy H 1. P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

31 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Symulacje sugeruj,»e warunki (ii)-(iv) Twierdzenia 1 zachodz dla obu testów, natomiast warunek (v) zachodzi tylko dla testu S LR (z dowolnym r > 0). (v) Przy H 0 i H 1 oraz z Z n := (S n Ŝ n )/a n r > 0 : lim sup E Z n r < n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

32 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Symulacje sugeruj,»e warunki (ii)-(iv) Twierdzenia 1 zachodz dla obu testów, natomiast warunek (v) zachodzi tylko dla testu S LR (z dowolnym r > 0). (v) Przy H 0 i H 1 oraz z Z n := (S n Ŝ n )/a n r > 0 : lim sup E Z n r < n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

33 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Warunek (v) dla testu S Lapl wymusza osªabienie rz du zbie»no±ci z na ( ) log n S MPI S Lapl = O p n 2 S MPI S Lapl = O p ( log n Wtedy symulacje sugeruj,»e (v) zachodzi dla dowolnego r > 0. n ). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

34 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Warunek (v) dla testu S Lapl wymusza osªabienie rz du zbie»no±ci z na ( ) log n S MPI S Lapl = O p n 2 S MPI S Lapl = O p ( log n Wtedy symulacje sugeruj,»e (v) zachodzi dla dowolnego r > 0. n ). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

35 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Warunek (v) dla testu S Lapl wymusza osªabienie rz du zbie»no±ci z na ( ) log n S MPI S Lapl = O p n 2 S MPI S Lapl = O p ( log n Wtedy symulacje sugeruj,»e (v) zachodzi dla dowolnego r > 0. n ). P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

36 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Je»eli tak jest, to z Twierdzenia 1: (( ) log a ) n β MPI = β Lap + O oraz (( ) log 2 a ) n β MPI = β LR + O, dla dowolnego 0 < a < 1. n n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

37 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Podobny wynik dla: p = 2, U UT (2), F Exp(1) Exp(1). Tutaj ( ) 1 β MPI = β Lap + O log 2 2 n n oraz ( ) 1 β MPI = β LR + O log 2 2 n n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

38 Zastosowanie do quasi-najmocniejszych testów niezmienniczych wielowymiarowej normalno±ci, c.d. Podobny wynik dla: p = 2, U UT (2), F Exp(1) Exp(1). Tutaj ( ) 1 β MPI = β Lap + O log 2 2 n n oraz ( ) 1 β MPI = β LR + O log 2 2 n n P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

39 Dzi kuj za uwag! P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa / 22

Statystyka matematyczna - ZSTA LMO

Statystyka 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 szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1

Bardziej szczegółowo

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

5. (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 szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany

Bardziej szczegółowo

In»ynierskie zastosowania statystyki wiczenia

In»ynierskie zastosowania statystyki wiczenia Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

Estymacja parametru gªadko±ci przy u»yciu falek splajnowych

Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Estymacja parametru gªadko±ci przy u»yciu falek splajnowych Politechnika Gda«ska Wydziaª Fizyki Technicznej i Matematyki Stosowanej Wisªa, 3-7.12.2012 Przestrze«Biesowa Przestrze«Biesowa B s p,q, 1 p,

Bardziej szczegółowo

STATYSTYKA

STATYSTYKA Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym

Bardziej szczegółowo

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast

Bardziej szczegółowo

Biostatystyka, # 5 /Weterynaria I/

Biostatystyka, # 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 szczegółowo

Biostatystyka, # 4 /Weterynaria I/

Biostatystyka, # 4 /Weterynaria I/ Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie

Bardziej szczegółowo

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4. Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ

Bardziej szczegółowo

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

Gdy n jest duże, statystyka ta (zwana statystyką chikwadrat), przy założeniu prawdziwości hipotezy H 0, ma w przybliżeniu rozkład χ 2 (k 1).

Gdy n jest duże, statystyka ta (zwana statystyką chikwadrat), przy założeniu prawdziwości hipotezy H 0, ma w przybliżeniu rozkład χ 2 (k 1). PRZYKŁADY TESTÓW NIEPARAMETRYCZNYCH. Test zgodności χ 2. Ten test służy testowaniu hipotezy, czy rozważana zmienna ma pewien ustalony rozkład, czy też jej rozkład różni się od tego ustalonego. Tym testem

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych

WYKŁADY 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 szczegółowo

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach

2. (8 punktów) 3. (8 punktów) 4. (8 punktów) 5. (8 punktów) EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Znajd¹ rozwi zanie poni»szego zagadnienia programowania liniowego: Zmaksymalizowa x 1 2x 2 + x 3 x 5 przy ograniczeniach x 1 3x 2 + x 3 + 2x 5 = 8

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie

Bardziej szczegółowo

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę

Bardziej szczegółowo

Kolokwium ze statystyki matematycznej

Kolokwium ze statystyki matematycznej Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę

Bardziej szczegółowo

Testowanie hipotez statystycznych.

Testowanie hipotez statystycznych. Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich

Bardziej szczegółowo

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Elementarna 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 szczegółowo

MODELE LINIOWE i MIESZANE

MODELE 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach

Bardziej szczegółowo

Statystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28

Statystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28 Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych

Bardziej szczegółowo

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. 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 szczegółowo

Statystyka matematyczna - ZSTA LMO

Statystyka matematyczna - ZSTA LMO Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz

Bardziej szczegółowo

Metody probablistyczne i statystyka stosowana

Metody 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 szczegółowo

Stacjonarne szeregi czasowe

Stacjonarne szeregi czasowe e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa

Bardziej szczegółowo

Wst p do ekonometrii II

Wst p do ekonometrii II Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy

Bardziej szczegółowo

Wykład 10 Testy jednorodności rozkładów

Wykład 10 Testy jednorodności rozkładów Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków

Bardziej szczegółowo

Macierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja

Macierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) W modelu rezerwy R n = u + n (W 1 + + W n ) wiemy,»e W i s iid o rozkªadzie geometrycznym na 0, 1, 2,...

Bardziej szczegółowo

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª

Bardziej szczegółowo

Matematyka dyskretna dla informatyków

Matematyka dyskretna dla informatyków UNIWERSYTET IM. ADAMA MICKIEWICZA W POZNANIU Jerzy Jaworski, Zbigniew Palka, Jerzy Szyma«ski Matematyka dyskretna dla informatyków uzupeænienia Pozna«007 A Notacja asymptotyczna Badaj c du»e obiekty kombinatoryczne

Bardziej szczegółowo

I Rok LOGISTYKI: wykªad 2 Pochodna funkcji. iloraz ró»nicowy x y x

I Rok LOGISTYKI: wykªad 2 Pochodna funkcji. iloraz ró»nicowy x y x I Rok LOGISTYKI: wykªad 2 Pochodna funkcji Niech f jest okre±lona w Q(x 0, δ) i x Q(x 0, δ). Oznaczenia: x = x x 0 y = y y 0 = f(x 0 + x) f(x 0 ) y x = f(x 0 + x) f(x 0 ) iloraz ró»nicowy x y x = tgβ,

Bardziej szczegółowo

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

Wykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym

Wykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną

Bardziej szczegółowo

Twierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski

Twierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej

Bardziej szczegółowo

Matematyka z elementami statystyki

Matematyka z elementami statystyki Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.

Bardziej szczegółowo

Podstawy statystycznego modelowania danych - Wykªad 7

Podstawy statystycznego modelowania danych - Wykªad 7 Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz

Bardziej szczegółowo

Pakiety statystyczne - Wykªad 8

Pakiety statystyczne - Wykªad 8 Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji

Bardziej szczegółowo

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7 Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych

Bardziej szczegółowo

Andrzej D browski. Analiza danych jako±ciowych

Andrzej D browski. Analiza danych jako±ciowych Andrzej D browski Analiza danych jako±ciowych 1 0.1. Wst p Table 1. Typy analizy wielowymiarowej statystycznej typ argumentu kategoryczny ilo±ciowy mieszany odpowiedzi kategoryczny tablice kontyngencji,

Bardziej szczegółowo

Hipotezy statystyczne

Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy

Bardziej szczegółowo

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA 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 szczegółowo

Hipotezy statystyczne

Hipotezy statystyczne Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej

Bardziej szczegółowo

Wykład 12 Testowanie hipotez dla współczynnika korelacji

Wykład 12 Testowanie hipotez dla współczynnika korelacji Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z

Bardziej szczegółowo

Własności statystyczne regresji liniowej. Wykład 4

Własności statystyczne regresji liniowej. Wykład 4 Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności

Bardziej szczegółowo

Wykład 12 Testowanie hipotez dla współczynnika korelacji

Wykład 12 Testowanie hipotez dla współczynnika korelacji Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem

Bardziej szczegółowo

Statystyka matematyczna. Wykład VI. Zesty zgodności

Statystyka matematyczna. Wykład VI. Zesty zgodności Statystyka matematyczna. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści 1 Testy zgodności 2 Test Shapiro-Wilka Test Kołmogorowa - Smirnowa Test Lillieforsa Test Jarque-Bera Testy zgodności Niech x

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Testowanie hipotez statystycznych Przypuśdmy, że mamy do czynienia z następującą sytuacją: nieznany jest rozkład F rządzący pewnym zjawiskiem losowym. Dysponujemy konkretną próbą losową ( x1, x2,..., xn

Bardziej szczegółowo

Indeksowane rodziny zbiorów

Indeksowane rodziny zbiorów Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T

Bardziej szczegółowo

AM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium

AM II /2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium AM II.1 2018/2019 (gr. 2 i 3) zadania przygotowawcze do I kolokwium Normy w R n, iloczyn skalarny sprawd¹ czy dana funkcja jest norm sprawd¹, czy dany zbiór jest kul w jakiej± normie i oblicz norm wybranego

Bardziej szczegółowo

Elementarna statystyka Test Istotno±ci (Tests of Signicance)

Elementarna 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 szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek; EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie

Bardziej szczegółowo

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych:

Bardziej szczegółowo

Dynamiczne wªasno±ci algorytmu propagacji przekona«

Dynamiczne wªasno±ci algorytmu propagacji przekona« BP propagacji przekona«4. Interdyscyplinarne Warsztaty Matematyczne Wydziaª Fizyki Politechnika Warszawska B dlewo, 26 maja, 2013 BP 1 2 3 4 5 6 BP Rysunek: Zbiór zmiennych losowych. BP Rysunek: Zbiór

Bardziej szczegółowo

Modele wielorównaniowe. Estymacja parametrów

Modele wielorównaniowe. Estymacja parametrów Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW

Bardziej szczegółowo

Hipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.

Hipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym. Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny

Bardziej szczegółowo

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M = Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo

Problem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015

Problem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015 Problem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015 Problem dwóch prób X = (X 1, X 2,..., X n ) - próba z rozkładu normalnego N (µ, σ 2 X ),

Bardziej szczegółowo

Testowanie hipotez statystycznych. Wprowadzenie

Testowanie hipotez statystycznych. Wprowadzenie Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,

Bardziej szczegółowo

Zbiory ograniczone i kresy zbiorów

Zbiory ograniczone i kresy zbiorów Zbiory ograniczone i kresy zbiorów Def.. Liczb m nazywamy ograniczeniem dolnym a liczb M ograniczeniem górnym zbioru X R gdy (i) x m; (ii) x M. Mówimy,»e zbiór X jest ograniczony z doªu (odp. z góry) gdy

Bardziej szczegółowo

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA 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 szczegółowo

Funkcje wielu zmiennych

Funkcje wielu zmiennych dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )

Bardziej szczegółowo

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej

Bardziej szczegółowo

O pewnej regule alokacji jako sposobie inwestowania na gieªdzie papierów warto±ciowych

O pewnej regule alokacji jako sposobie inwestowania na gieªdzie papierów warto±ciowych O pewnej regule alokacji jako sposobie inwestowania na gieªdzie papierów warto±ciowych Paweª Gªadki 1 Podstawowe poj cia teorii gier dwuosobowych Strategia gracza to reguªa okre±laj ca wybór przez gracza

Bardziej szczegółowo

Pakiety statystyczne Wykªad 14

Pakiety statystyczne Wykªad 14 Pakiety statystyczne Wykªad 14 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki Plan wykªadu Model mieszany 1. Podstawy teoretyczne 2. Przykªady w R 3. Przykªady zastosowania Tomasz

Bardziej szczegółowo

Metoda największej wiarogodności

Metoda 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 szczegółowo

Ekonometryczne modele nieliniowe

Ekonometryczne modele nieliniowe Ekonometryczne modele nieliniowe Wykład 10 Modele przełącznikowe Markowa Literatura P.H.Franses, D. van Dijk (2000) Non-linear time series models in empirical finance, Cambridge University Press. R. Breuning,

Bardziej szczegółowo

LABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej

LABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej LABORATORIUM 3 Przygotowanie pliku (nazwy zmiennych, export plików.xlsx, selekcja przypadków); Graficzna prezentacja danych: Histogramy (skategoryzowane) i 3-wymiarowe; Wykresy ramka wąsy; Wykresy powierzchniowe;

Bardziej szczegółowo

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej szczegółowo

Analiza i aproksymacja nieliniowego modelu elastycznego ograniczaj cego odksztaªcenie

Analiza i aproksymacja nieliniowego modelu elastycznego ograniczaj cego odksztaªcenie Analiza i aproksymacja nieliniowego modelu elastycznego ograniczaj cego odksztaªcenie Wojciech O»a«ski 9 Kwi 2015 Przykªad ukªadu mechanicznych o ograniczaj cym odksztaªceniu: nierozciagliwa struna σ spreżyna

Bardziej szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Karl Popper... no matter how many instances of white swans we may have observed, this does not

Bardziej szczegółowo

Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich

Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich Magdalena Frąszczak Wrocław, 22.03.2017r Problem Behrensa Fishera Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu normalnego

Bardziej szczegółowo

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.

TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie

Bardziej szczegółowo

Rozdziaª 5. Modele wektorowej autoregresji

Rozdziaª 5. Modele wektorowej autoregresji Rozdziaª 5. Modele wektorowej autoregresji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 5) Modele VAR 1 / 32 Wielowymiarowe modele szeregów czasowych Modele VAR uwzgl dniaj wzajemne powi zania mi

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 7

Stanisław Cichocki Natalia Nehrebecka. Wykład 7 Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności

Bardziej szczegółowo

Matematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski

Matematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja

Bardziej szczegółowo

Podstawy statystycznego modelowania danych Analiza prze»ycia

Podstawy statystycznego modelowania danych Analiza prze»ycia Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate

Bardziej szczegółowo

det A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32

det A := a 11, ( 1) 1+j a 1j det A 1j, a 11 a 12 a 21 a 22 Wn. 1 (Wyznacznik macierzy stopnia 2:). = a 11a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32 Wyznacznik Def Wyznacznikiem macierzy kwadratowej nazywamy funkcj, która ka»dej macierzy A = (a ij ) przyporz dkowuje liczb det A zgodnie z nast puj cym schematem indukcyjnym: Dla macierzy A = (a ) stopnia

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE

Bardziej szczegółowo

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1 Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.

Bardziej szczegółowo

Metody dowodzenia twierdze«

Metody dowodzenia twierdze« Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku

Bardziej szczegółowo

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α. Stopy zbieżności Stopę zbieżności ciagu zmiennych losowych a n, takiego, że a n oznaczamy jako a n = o p (1 p 0 a Jeśli n p n α 0, to a n = o p (n α i mówimy a n zbiega według prawdopodobieństwa szybciej

Bardziej szczegółowo