Rozwini cia asymptotyczne dla mocy testów przybli»onych
|
|
- Zuzanna Lis
- 5 lat temu
- Przeglądów:
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 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 szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej 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 szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej 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 szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoEstymacja 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 szczegółowoSTATYSTYKA
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 szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej 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 szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka 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 szczegółowoTestowanie 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 szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoWykład 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 szczegółowoGdy 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 szczegółowoTestowanie 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 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 szczegółowo2. (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 szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoIdea. 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 szczegółowoKolokwium 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 szczegółowoTestowanie 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 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 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 szczegółowoPrawdopodobieństwo 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 szczegółowoStatystyka. #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 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 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 szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 1 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 1 1 / 28 Kontakt Dr Šukasz
Bardziej 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 szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoWst 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 szczegółowoWykład 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 szczegółowoMacierze. 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 szczegółowoEkonometria 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 szczegółowoWeryfikacja 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 szczegółowoEGZAMIN 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 szczegółowoEkonometria. 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 szczegółowoMatematyka 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 szczegółowoI 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
Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy
Bardziej szczegółowoWykład 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 szczegółowoTwierdzenie 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 szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoPodstawy 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 szczegółowoPakiety 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 szczegółowoModele 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 szczegółowo2.1 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 szczegółowoStatystyka 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 szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoAndrzej 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 szczegółowoHipotezy 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 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 szczegółowoHipotezy 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 szczegółowoWykład 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 szczegółowoSTATYSTYKA 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 szczegółowoWłasności 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 szczegółowoWykład 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 szczegółowoStatystyka 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 szczegółowoTestowanie 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 szczegółowoIndeksowane 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 szczegółowoAM 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 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 szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoRozdziaª 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 szczegółowoDynamiczne 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 szczegółowoModele 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 szczegółowoHipotezy 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 szczegółowoZadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =
Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoProblem 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 szczegółowoTestowanie 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 szczegółowoZbiory 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 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 szczegółowoFunkcje 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 szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoO 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 szczegółowoPakiety 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 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 szczegółowoEkonometryczne 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 szczegółowoLABORATORIUM 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 szczegółowob) 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 szczegółowoAnaliza 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 szczegółowoSTATYSTYKA. 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 szczegółowoWykład 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 szczegółowoTESTOWANIE 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 szczegółowoWYKŁADY 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 szczegółowoRozdziaª 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 szczegółowoStanisław 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 szczegółowoMatematyka 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 szczegółowoPrawdopodobieństwo 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 szczegółowoStatystyka 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 szczegółowoEkonometria. 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 szczegółowoPodstawy 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 szczegółowodet 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 szczegółowoWYKŁADY 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 szczegółowoTemat: 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 szczegółowoMetody 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 szczegółowoStopę 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