Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
|
|
- Zofia Szymańska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b R, X N(µ, σ, Y N(, τ, µ, R, σ, τ > 0 i iech zmiee losowe X i Y będą iezależe Wówczas: ˆ EX µ, ˆ V ar(x σ, ˆ X + b N(µ + b, σ, ˆ ax N(aµ, a σ, ˆ X µ σ N(0,, ˆ X + Y N(µ +, σ + τ Rozkład N(0, azywamy stadardowym rozkładem ormalym Jego gęstość jest postaci: f(x π e x Gęstość rozkładu N(0, jest fukcją parzystą Niech ξ N(0,, µ R, σ > 0 Wówczas σξ + µ N(µ, σ Φ dystrybuata rozkładu N(0, x R Φ( x Φ(x Φ fukcja kwatylowa rozkładu N(0, p (0, Φ (p Φ ( p Niech Φ µ,σ ozacza dystrybuatę rozkładu N(µ, σ, µ R, σ > 0 Wówczas x R ( x µ Φ µ,σ (x Φ σ Niech Φ µ,σ ozacza fukcję kwatylową rozkładu N(µ, σ, µ R, σ > 0 Wówczas p (0, Φ µ,σ (p σφ (p + µ Rozkład chi-kwadrat z stopiami swobody χ, N + Niech ξ, ξ,, ξ N(0, będą iezależymi zmieymi losowymi Wówczas ξ + ξ + + ξ χ Niech X χ i Y χ κ,, κ N +, będą iezależymi zmieymi losowymi Wówczas ˆ P (X 0, ˆ EX, ˆ V ar(x, ˆ X + Y χ +κ
2 χ dystrybuata rozkładu χ, (χ fukcja kwatylowa rozkładu χ Wzór a gęstość rozkładu chi-kwadrat przy zastosowaiu w im fukcji γ Eulera zachowuje ses także dla iecałkowitej liczby stopi swobody, a zatem w oparciu o iego możemy zdefiiować rozkład chi-kwadrat z liczbą stopi swobody będącą dowolą liczbą dodatią Rozkład Studeta z stopiami swobody t, N + Niech ξ 0, ξ, ξ,, ξ N(0, będą iezależymi zmieymi losowymi Wówczas ξ 0 ξ + ξ + + ξ t Rówoważe: iech ξ 0 N(0, i χ χ będą iezależymi zmieymi losowymi Wówczas ξ 0 χ t Gęstość rozkładu t jest fukcją parzystą Niech X t Wówczas EX 0 t dystrybuata rozkładu t x R t ( x t (x t fukcja kwatylowa rozkładu t p (0, t (p t ( p D Niech X t, N + Wówczas X N(0, Wzór a gęstość rozkładu Studeta przy zastosowaiu w im fukcji γ Eulera zachowuje ses także dla iecałkowitej liczby stopi swobody, a zatem w oparciu o iego możemy zdefiiować rozkład Studeta z liczbą stopi swobody będącą dowolą liczbą dodatią Rozkład Fishera-Sedecora z i κ stopiami swobody F,κ,, κ N + Niech ξ, ξ,, ξ, ζ, ζ,, ζ κ N(0, będą iezależymi zmieymi losowymi Wówczas ξ + ξ + + ξ ζ + ζ + + ζ κ κ F,κ Rówoważe: iech χ χ i χ χ κ będą iezależymi zmieymi losowymi Wówczas Niech X F,κ Wówczas ˆ P (X 0, ˆ /X F κ, χ χ κ F,κ F,κ dystrybuata rozkładu F,κ, F,κ fukcja kwatylowa rozkładu F,κ Niech X F,,, N + Wówczas X p (0, D χ F,κ(p Fκ,( p Twierdzeie Fishera Niech X, X,, X będzie próbą z rozkładu N(µ, σ Wówczas statystyki X i X i i (X i X i
3 są iezależe Poadto i (X i X σ χ Test Studeta dla jedej próby Niech X, X,, X będzie próbą z rozkładu N(µ, σ, przy czym µ R i σ > 0 uzajemy za iezae Rozważamy astępujący problem testowaia hipotez: Niech X H : µ µ 0 vs K : µ > µ 0 H : µ µ 0 vs K : µ < µ 0 H : µ µ 0 vs K : µ µ 0 X i Ze względu a to, że mamy EX µ, test oprzemy a różicy X µ 0 : i ˆ jeśli różica X µ 0 jest duża (zaczie większa od 0, to przemawia to za prawdziwością hipotezy µ > µ 0, ˆ jeśli różica X µ 0 jest mała (zaczie miejsza od 0, to przemawia to za prawdziwością hipotezy µ < µ 0, ˆ jeśli różica X µ 0 jest duża mała (oddaloa od 0, to przemawia to za prawdziwością hipotezy µ µ 0 Jako że X N(µ, σ, to przy H zachodzi X N(µ 0, σ, a zatem X µ 0 σ N(0, Poieważ jedak ie zamy wartości σ, spróbujemy zastąpić σ statystyką S wariacją próbkową ieobciążoą (jako że ES σ Rozważmy statystykę (X i X czyli tzw i W S σ S σ (X i X i σ (X i X i σ Zgodie z twierdzeiem Fishera liczik ostatiego wyrażeia jest zmieą losową o rozkładzie χ iezależą od X, zatem przy H X µ 0 σ gdzie S S W iej postaci: W X µ 0 S i t, X µ 0 ( (X i X H K Zbiór krytyczy p-wartość µ µ 0 µ > µ 0 (t ( α, t (T µ µ 0 µ < µ 0 (, t (α (, t ( α t (T µ µ 0 µ µ 0 (, t ( α (t ( α, ( t ( T mi(t (T, t (T 3
4 3 Test Studeta dla par obserwacji Niech ( X Y, ( X Y,, ( X Y będzie próbą z ustaloego rozkładu, którego wartość oczekiwaa istieje Niech Zi X i Y i, i,,, Zakładamy, że Z, Z,, Z N(µ, σ, przy czym przyjmujemy, że µ R i σ > 0 ie są zae Niech EX µ, EY µ, przy czym zakładamy, że µ, µ R ie są zae Rozważamy astępujący problem testowaia hipotez: H : µ µ µ 0 vs K : µ µ > µ 0 H : µ µ µ 0 vs K : µ µ < µ 0 H : µ µ µ 0 vs K : µ µ µ 0, gdzie µ 0 R jest ustaloą liczbą Zauważmy, że µ µ µ, a zatem rozważay problem testowaia hipotez jest rówoważmy problemowi H : µ µ 0 vs K : µ > µ 0 H : µ µ 0 vs K : µ < µ 0 H : µ µ 0 vs K : µ µ 0 i może być rozwiązay za pomocą testu Studeta dla jedej próby Z, Z,, Z Często rozważa się zagadieie z µ 0 0 Wówczas rozważae hipotezy przyjmują postać: H : µ µ vs K : µ > µ H : µ µ vs K : µ < µ H : µ µ vs K : µ µ 4 Test Studeta dla dwóch prób iezależych Niech będą dae dwie iezależe próby: X, X,, X z rozkładu N(µ, σ i Y, Y,, Y z rozkładu N(µ, σ, przy czym µ, µ R i σ uzajemy za iezae Rozważamy astępujący problem testowaia hipotez: gdzie µ 0 R jest ustaloą liczbą Niech H : µ µ µ 0 vs K : µ µ > µ 0 H : µ µ µ 0 vs K : µ µ < µ 0 H : µ µ µ 0 vs K : µ µ µ 0, X X i i Y Y j i Ze względu a to, że EX µ i EY µ, a zatem E(X Y µ µ, test oprzemy a statystyce : ˆ jeśli statystyka jest duża (zaczie większa od 0, to przemawia to za prawdziwością hipotezy µ µ > µ 0, ˆ jeśli statystyka jest mała (zaczie miejsza od 0, to przemawia to za prawdziwością hipotezy µ µ < µ 0, ˆ jeśli statystyka jest duża mała (oddaloa od 0, to przemawia to za prawdziwością hipotezy µ µ µ 0 j 4
5 Skoro X N(µ, σ i Y N(µ, σ to X Y N(µ µ, σ + σ, a zatem przy H zachodzi X Y N(µ 0, σ + σ, czyli ( N(0, σ + Poieważ jedak ie zamy wartości σ, spróbujemy zastąpić σ statystyką Niech S p ( S p i + W ( σ + (X i X + (Y j Y S p σ j + i (X i X j σ + + (Y j Y σ Ułamki w licziku ostatiego wyrażeia są iezależymi zmieymi losowymi o rozkładach odpowiedio χ i χ (zgodie z twierdzeiem Fishera, zatem ich suma jest zmieą losową o rozkładzie χ + Łatwo moża stąd wywioskować, że EW + + i V ar(w ( + ( + + W szczególości z tego, że EW, wyika, że ES p σ, czyli że S p jest ieobciążoym estymatorem σ Statystyka S p bywa azywaa wspólą wariacją próbkową (ag pooled sample variace Zgodie z twierdzeiem Fishera zmiea losowa W jest iezależa od zmieych losowych X i Y, zatem przy H σ ( + gdzie S p S p W iej postaci: X Y µ 0 ( W S p + S p + t +, ( + (X i X + (Y j Y i j + H K Zbiór krytyczy p-wartość µ µ µ 0 µ µ > µ 0 (t ( α, + t + (T µ µ µ 0 µ µ < µ 0 (, t + (α (, t ( α t + + (T µ µ µ 0 µ µ µ 0 (, t ( α + (t ( α +, ( t + ( T mi(t + (T, t + (T Często powyższy test stosuje się dla µ 0 0 Wówczas rozważae hipotezy przyjmują postać: H : µ µ vs K : µ > µ H : µ µ vs K : µ < µ H : µ µ vs K : µ µ 5
6 5 Test Welcha Niech będą dae dwie iezależe próby: X, X,, X z rozkładu N(µ, σ i Y, Y,, Y z rozkładu N(µ, σ, przy czym µ, µ R i σ, σ > 0 uzajemy za iezae Rozważamy astępujący problem testowaia hipotez: H : µ µ µ 0 vs K : µ µ > µ 0 H : µ µ µ 0 vs K : µ µ < µ 0 H : µ µ µ 0 vs K : µ µ µ 0, gdzie µ 0 R jest ustaloą liczbą Tak postawioy problem testowaia (tj bez założeia, że σ σ, azyway jest problemem Behresa-Fishera Niech X X i i Y Y j i Tak jak przy teście Studeta dla dwóch prób ie zależych, ze względu a to, że EX µ i EY µ, a zatem E(X Y µ µ, test oprzemy a statystyce : ˆ jeśli statystyka jest duża (zaczie większa od 0, to przemawia to za prawdziwością hipotezy µ µ > µ 0, ˆ jeśli statystyka jest mała (zaczie miejsza od 0, to przemawia to za prawdziwością hipotezy µ µ < µ 0, ˆ jeśli statystyka jest duża mała (oddaloa od 0, to przemawia to za prawdziwością hipotezy µ µ µ 0 Skoro X N(µ, σ i Y N(µ, σ to X Y N(µ µ, σ + σ, a zatem przy H zachodzi X Y N(µ 0, σ + σ, czyli X Y µ 0 N(0, σ + σ Poieważ jedak ie zamy wartości σ i σ, spróbujemy zastąpić σ i σ statystykami odpowiedio S i j (X i X i S j (Y j Y S jest ieobciążoym estymatorem σ i podobie S jest ieobciążoym estymatorem σ Z twierdzeia Fishera wiemy, że σ i (X i X χ W takim razie V ar ( ( S σ V ar i (X i X σ Podobie σ j (Y j Y χ W takim razie V ar ( ( S V ar σ j (Y j Y σ ( σ 4 ( V ar σ 4 ( V ar i (X i X σ ( j (Y j Y σ σ 4 ( ( σ4 σ 4 ( ( σ4 Niech W S + S σ + σ 6
7 Ze względu a to, że ES σ i ES σ, widzimy, że EW Statystyki S i S są iezależe Stąd V ar(w V ar S + S σ + σ V ar(s + V ar(s ( σ + σ σ 4 σ 4 + ( σ + σ Rozkład statystyki W ie ależy do rodziy rozkładów chi-kwadrat, jedak będziemy się starali przybliżyć te rozkład rozkładem z rodziy rozkładów chi-kwadrat Niech ozacza liczbę stopi swobody poszukiwaego rozkładu Wyzaczymy ją w oparciu o rówaie V ar(w (a podobieństwo rozważań w kostrukcji testu Studeta dla dwóch prób iezależych W takim razie σ 4 σ 4 + ( σ + σ, czyli ( σ + σ σ 4 + σ 4 Ostateczy wyik otrzymujemy, zastępując σ i σ statystykami S i S odpowiedio: ( S + S S 4 + S 4, czyli ( S + S ( S ( S + Ostatie rówaie osi azwę rówaia Welcha-Satterthwaite a, stąd i test, który kostruujemy bywa azyway testem Welcha-Satterthwaite a Zmiea losowa W jest iezależa od zmieych losowych X i Y, zatem statystyka σ + σ W S + S przy H ma w przybliżeiu rozkład t możemy zastąpić przez [ ] W iej postaci: i (X i X + ( j (Y j Y ( H K Zbiór krytyczy p-wartość µ µ µ 0 µ µ > µ 0 (t ( α, t (T µ µ µ 0 µ µ < µ 0 (, t (α (, t ( α t (T µ µ µ 0 µ µ µ 0 (, t ( α (t ( α, ( t ( T mi(t (T, t (T Często powyższy test stosuje się dla µ 0 0 Wówczas rozważae hipotezy przyjmują postać: H : µ µ vs K : µ > µ H : µ µ vs K : µ < µ H : µ µ vs K : µ µ 7
8 6 Porówaie wariacji w dwóch próbach pochodzących z rozkładów ormalych Niech będą dae dwie iezależe próby: X, X,, X z rozkładu N(µ, σ i Y, Y,, Y z rozkładu N(µ, σ, przy czym µ, µ R i σ, σ > 0 uzajemy za iezae Rozważamy astępujący problem testowaia hipotez: gdzie r > 0 jest ustaloą liczbą Niech i H : σ /σ r vs K : σ /σ > r H : σ /σ r vs K : σ /σ < r H : σ /σ r vs K : σ /σ r, X X i, X Y j, S j i (X i X i S Ze względu a to, że ES σ i ES σ, a zatem ES /ES σ /σ, test oprzemy a statystyce j (Y j Y r S S ˆ jeśli statystyka T jest duża (zaczie większa od, to przemawia to za prawdziwością hipotezy σ /σ > r, ˆ jeśli statystyka T jest mała (zaczie miejsza od, to przemawia to za prawdziwością hipotezy σ /σ < r, ˆ jeśli statystyka T jest duża mała (oddaloa od, to przemawia to za prawdziwością hipotezy σ /σ r Poieważ przy czym zgodie z twierdzeie Fishera to przy H mamy T F, W iej postaci: i (X i X i (Xi X σ : σ j (Y j Y σ χ i, j (Yj Y σ χ i statystyki te są iezależe, r i (X i X, (Y j Y j H K Zbiór krytyczy p-wartość σ/σ r σ/σ > r (F, F, (T σ/σ r σ/σ < r (, F, F, (T σ/σ r σ/σ r (, F, (F,, mi(f, (T, F, (T Często powyższy test stosuje się dla r Wówczas rozważae hipotezy przyjmują postać: H : σ σ vs K : σ > σ H : σ σ vs K : σ < σ H : σ σ vs K : σ σ 8
9 Sytuacja, w której ie wszystkie obserwacje pochodzą z rozkładów o tej samej wariacji, azywamy heteroskedastyczością daych (w przeciwieństwie do homoskedastyczości daych, gdy wszystkie obserwacje pochodzą z rozkładów o tej samej wariacji W praktyce zależości od dopasowaia daych do rozkładów ormalych, postulowaego ilorazu wariacji i postulowaej różicy wartości oczekiwaych w celu porówaia wartości oczekiwaych dwóch rozkładów zaleca się przeprowadzeie jedej z dwóch procedur: ˆ przetestowaie rówości wariacji w pierwszym kroku; jeśli brak podstaw do odrzuceia hipotezy o rówości wariacji, wykoujemy test Studeta dla dwóch prób iezależych, jeśli ależy odrzucić hipotezę o rówości wariacji, wykoujemy test Welcha, ˆ wykoaie od razu testu Welcha bez uprzediego testowaia rówości wariacji 7 Fukcje w pakiecie R Do przeprowadzeia testu Studeta dla jedej próby, testu Studeta dla par obserwacji, testu Studeta dla dwóch prób iezależych i testu Welcha w R służy fukcja ttest ˆ Jeśli podamy tylko argumet x, pozostawiając ynull, a zatem podamy tylko jedą próbę, wykoa się test Studeta dla jedej próby ˆ Jeśli podamy argumety x i y oraz paired TRUE (domyśla wartość: paired FALSE, wykoa się test Studeta dla par obserwacji ˆ Jeśli podamy argumety x i y oraz varequal TRUE (domyśla wartość: varequal FALSE, wykoa się test Studeta dla dwóch prób iezależych ˆ Jeśli podamy argumety x i y oraz pozostawimy domyślą wartość varequal FALSE, wykoa się test Welcha ˆ alterative "twosided" (a ogół wartość domyśla ozacza alteratywę postaci µ µ µ 0, ˆ alterative "greater" (rówoważie: alterative "g" ozacza alteratywę postaci µ µ > µ 0, ˆ alterative "less" (rówoważie: alterative "l" ozacza alteratywę postaci µ µ < µ 0 ˆ W argumecie mu umieszczamy µ 0 W przypadku testów wymagających podaia dwóch prób przy podaiu daych możemy posłużyć się także formułą postaci lhs~rhs, gdzie lhs określa wektor daych zaś rhs służy do podziału daych a dwie grupy Do przeprowadzeia testu dla wariacji służy fukcja vartest ˆ alterative "twosided" (a ogół wartość domyśla ozacza alteratywę postaci σ /σ r, ˆ alterative "greater" (rówoważie: alterative "g" ozacza alteratywę postaci σ /σ > r, ˆ alterative "less" (rówoważie: alterative "l" ozacza alteratywę postaci σ /σ < r ˆ W argumecie ratio umieszczamy r Przy podaiu daych możemy posłużyć się także formułą postaci lhs~rhs, gdzie lhs określa wektor daych zaś rhs służy do podziału daych a dwie grupy 9
16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoParametryczne Testy Istotności
Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać
Bardziej szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoRozkład χ 2 = + 2π 2. Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej:
Rozkład χ Niech ziea losowa a rozkład oralyn(; µ,). Zajdziey rozkład zieej: µ Stadaryzjąc zieą losową µ otrzyjey stadaryzoway rozkład Gassa: ( ;, ) ep N 0 π Rozkład zieej a więc postać: d ( X + ) N N ep
Bardziej szczegółowoχ 2 = + 2π 2 Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej: σ
χ Niech ziea losowa a rozkład oralyn(; µ,). Zajdziey rozkład zieej: µ Stadaryzjąc zieą losową µ otrzyjey stadaryzoway rozkład Gassa: ( ;, ) ep N 0 π Rozkład zieej a więc postać: d ( X + ) N N ep d π Rozważy
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoPorównanie dwu populacji
Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowoZnajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek
Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy
Bardziej szczegółowoRozkłady statystyk z próby Twierdzenia graniczne
Rozkłady statystyk z róby Twierdzeia graicze PRÓBA LOSOWA Próbą losową rostą azyway ciąg -zieych losowych iezależych i osiadających jedakowe rozkłady takie jak rozkład zieej losowej w oulacji geeralej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje
Bardziej szczegółowoStatystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste
Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x
Bardziej szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej 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. 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 szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoI. Podzielność liczb całkowitych
I Podzielość liczb całkowitych Liczba a = 57 przy dzieleiu przez pewą liczbę dodatią całkowitą b daje iloraz k = 3 i resztę r Zaleźć dzieik b oraz resztę r a = 57 = 3 b + r, 0 r b Stąd 5 r b 8, 3 więc
Bardziej szczegółowoTESTY LOSOWOŚCI. Badanie losowości próby - test serii.
TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5. 2 listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 5 2 listopada 2009 Poprzedni wykład: przedział ufności dla µ, σ nieznane Rozkład N(µ, σ). Wnioskowanie o średniej µ, gdy σ nie jest znane Testowanie H : µ = µ 0, K : µ
Bardziej szczegółowoLista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że
Bardziej szczegółowoO liczbach naturalnych, których suma równa się iloczynowi
O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą
Bardziej szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
Bardziej szczegółowoStatystyka Wzory I. Analiza struktury
Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej
Bardziej 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 szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych Testowanie hipotez statystycznych Ewa Szczurek szczurek@mimuw.edu.pl Instytut Informatyki Uniwersytet Warszawski 1/23 Testowanie hipotez średniej w R Test istotności dla wartości
Bardziej szczegółowo1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,
1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoEKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą
EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1A, zima 2014/15. n = Rozwiązanie: Stosując wzór na wartość współczynnika dwumianowego otrzymujemy
12. Dowieść, że istieje ieskończeie wiele par liczb aturalych k < spełiających rówaie ( ) ( ) k. k k +1 Stosując wzór a wartość współczyika dwumiaowego otrzymujemy ( ) ( )!! oraz k k! ( k)! k +1 (k +1)!
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 szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej 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 szczegółowoMetoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2
Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka.0.00 r. Zadaie Rozważy astępującą, uproszczoą wersję gry w,,woję. Talia składa się z 5 kart. Dobrze potasowae karty rozdajey dwó graczo, każdeu po 6 i układay w dwie kupki.
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowoTesty dla dwóch prób w rodzinie rozkładów normalnych
Testy dla dwóch prób w rodzinie rozkładów normalnych dr Mariusz Grządziel Wykład 12; 18 maja 2009 Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego)
Bardziej szczegółowoWykład 12 ( ): Testy dla dwóch prób w rodzinie rozkładów normalnych
Wykład 12 (21.05.07): Testy dla dwóch prób w rodzinie rozkładów normalnych Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego) n 1 = 9 poletek w dąbrowie,
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowon n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc
5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X
Bardziej szczegółowo(X i X) 2. n 1. X m S
Wykład 8. Przedziały ufości i testowaie hipotez A gdy ie zamy wariacji σ 2? Załóżmy, że X ma rozkład ormaly, ale ie zamy wartości ai m ai σ 2. Jak wtedy szacować wartość średią m? Przypomijmy, że Wtedy
Bardziej 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 szczegółowoZSTA LMO Zadania na ćwiczenia
ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie
Bardziej szczegółowoWykład 11. a, b G a b = b a,
Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoa 1, a 2, a 3,..., a n,...
III. Ciągi liczbowe. 1. Defiicja ciągu liczbowego. Defiicja 1.1. Ciągiem liczbowym azywamy fukcję a : N R odwzorowującą zbiór liczb aturalych N w zbiór liczb rzeczywistych R i ozaczamy przez { }. Używamy
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1, zima 2016/17
Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo
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 szczegółowoModele probabilistyczne zjawisk losowych
Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń
Bardziej 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 szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowo1 Dwuwymiarowa zmienna losowa
1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla
Bardziej szczegółowooznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:
Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:
Bardziej szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
Bardziej szczegółowoI. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n
I. Ciągi liczbowe Defiicja 1. Fukcję określoą a zbiorze liczb aturalych o wartościach rzeczywistych azywamy ciągiem liczbowym. Ciągi będziemy ozaczać symbolem a ), gdzie a ozacza -ty wyraz ciągu a ). Defiicja.
Bardziej szczegółowo8 Weryfikacja hipotez statystycznych
Marek Beśka, Statystyka matematycza, wykład 8 04 8 Weryfikacja hipotez statystyczych 8. Hipotezy statystycze Drugą obok estymacji formą wioskowaia statystyczego jest weryfikacja hipotez statystyczych.
Bardziej szczegółowoPodstawowe pojęcia. Próba losowa. Badanie próby losowej
METODY PROBABILISTYCZNE I STATYSTYKA WYKŁAD 8: STATYSTYKA OPISOWA. ROZKŁADY PRAWDOPODOBIEŃSTWA WYSTĘPUJĄCE W STATYSTYCE. Małgorzata Krętowska Wydział Iforatyki Politechika Białostocka Podstawowe pojęcia
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 szczegółowoTesty adaptacyjne dla problemu k prób
Instytut Matematyczny Polskiej Akademii Nauk Oddział Wrocław Problem testowania Problem Testowania Weryfikacja hipotezy Notacja Pomocnicza statystyka rangowa Załóżmy, że X l1,..., X lnl, l = 1,..., k,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
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. Katarzyna Chudy Laskowska
Statystyka Katarzya Chudy Laskowska http://kc.sd.prz.edu.pl/ WNIOSKOWANIE STATYSTYCZNE Celem aalizy statystyczej ie jest zwykle tylko opisaie (prezetacja) posiadaych daych, czyli tzw. próby statystyczej.
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie
WNIOSKOWANIE STATYSTYCZNE ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzeie,, S P przestrzeń probabilistycza (matematyczy model zjawiska losowego), zbiór wszystkich zdarzeń elemetarych, S zbiór zdarzeń, (podzbiory
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej szczegółowo