Statystyka, Ekonometria
|
|
- Danuta Adamczyk
- 4 lat temu
- Przeglądów:
Transkrypt
1 Statystyka, Ekonometria Wykład dla Geodezji i Kartografii 11 kwietnia 2011 () Statystyka, Ekonometria 11 kwietnia / 31
2 LITERATURA J. Hozer, S.Kokot, W. Kuźmiński metody analizy statystycznej w wycenie nieruchomości, Warszawa 2002 B. Ney Metody statystyczne w geodezji,. Wyd. AGH, Kraków 1976 M. Gruszczyński, T. Kuszewski, M. Podgórska, Ekonometria i badania operacyjne, PWN Warszawa 2009, A. Barańska, Criteria of Database Quality Appraisement and Choice Stochastic Models in Prediction of Real Estate Market Value, FIG Working Week 2004, Athens, Greece M. Chumek; A. Iwaszkiewicz, Statystyka matematyczna w wycenie nieruchomości, Nieruchomości nr 9 [73] wrzesień () Statystyka, Ekonometria 11 kwietnia / 31
3 Metody statystyczne powinny znajdować zastosowanie do analizy rynku nieruchomości (...), a wyniki takich analiz powinny być wykorzystane do wyceny nieruchomości w ramach podejścia porównawczego i podejścia dochodowego. Zastosowanie metod statystycznych do identyfikacji zjawisk zachodzących na rynku nieruchomości obiektywizuje wnioski płynące z ich obserwacji. ("UŻYTECZNOŚĆ MODELI EKONOMETRYCZNYCH W WYCENIE NIERUCHOMOŚCI POLSKIE I ZAGRANICZNE OPINIE", R. Pawlukowicz, AE Wrocław) () Statystyka, Ekonometria 11 kwietnia / 31
4 Część I Zmienne losowe () Statystyka, Ekonometria 11 kwietnia / 31
5 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
6 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
7 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
8 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
9 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
10 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
11 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
12 Populacja jest zbiorem, który badamy. Jeśli niemożliwe jest zbadanie go w całości, pobieramy próbę i badamy ją. Statystyka zajmuje się wnioskowaniem o populacji na podstawie próby przy pomocy metod rachunku prawdopodobieństwa. Ekonometria to dział statystyki obejmujacy badania nieeksperymentalne, badajacy zależności występujace w procesach ekonomicznych. Definicja Zmienna losowa X nazywamy funkcję przyporzadkowuj ac a zdarzeniu elementarnemu liczbę, tzn. X(ω) R. Example wynik egzaminu (ocena, punkty), wynik pomiaru długości działki, liczba transakcji nieruchomościami na terenie gminy, cena nieruchomości (np. 1m 2 działki lub mieszkania), średnia cena. () Statystyka, Ekonometria 11 kwietnia / 31
13 Typy zmiennych losowych: skokowe (dyskretne). Mogą przyjąć skończoną lub przeliczalną liczbę wartości z pewnego W. np. liczba współwłaścicieli nieruchomości, liczba drzew na działce budowlanej, liczba pomieszczeń w mieszkaniu. ciągłe. Mogą przyjąć wszystkie wartości z pewnego przedziału [a, b]. np. pole pow. działki, cena 1 m 2, odległość od centrum miasta Często wyróżnia się także tzw. zmienne jakościowe, np. jakość wyrobu, jakość gleby. Nie są to zm. losowe według powyższej definicji, ale statystyka dysponuje także metodami ich badania. () Statystyka, Ekonometria 11 kwietnia / 31
14 Typy zmiennych losowych: skokowe (dyskretne). Mogą przyjąć skończoną lub przeliczalną liczbę wartości z pewnego W. np. liczba współwłaścicieli nieruchomości, liczba drzew na działce budowlanej, liczba pomieszczeń w mieszkaniu. ciągłe. Mogą przyjąć wszystkie wartości z pewnego przedziału [a, b]. np. pole pow. działki, cena 1 m 2, odległość od centrum miasta Często wyróżnia się także tzw. zmienne jakościowe, np. jakość wyrobu, jakość gleby. Nie są to zm. losowe według powyższej definicji, ale statystyka dysponuje także metodami ich badania. () Statystyka, Ekonometria 11 kwietnia / 31
15 Typy zmiennych losowych: skokowe (dyskretne). Mogą przyjąć skończoną lub przeliczalną liczbę wartości z pewnego W. np. liczba współwłaścicieli nieruchomości, liczba drzew na działce budowlanej, liczba pomieszczeń w mieszkaniu. ciągłe. Mogą przyjąć wszystkie wartości z pewnego przedziału [a, b]. np. pole pow. działki, cena 1 m 2, odległość od centrum miasta Często wyróżnia się także tzw. zmienne jakościowe, np. jakość wyrobu, jakość gleby. Nie są to zm. losowe według powyższej definicji, ale statystyka dysponuje także metodami ich badania. () Statystyka, Ekonometria 11 kwietnia / 31
16 Typy zmiennych losowych: skokowe (dyskretne). Mogą przyjąć skończoną lub przeliczalną liczbę wartości z pewnego W. np. liczba współwłaścicieli nieruchomości, liczba drzew na działce budowlanej, liczba pomieszczeń w mieszkaniu. ciągłe. Mogą przyjąć wszystkie wartości z pewnego przedziału [a, b]. np. pole pow. działki, cena 1 m 2, odległość od centrum miasta Często wyróżnia się także tzw. zmienne jakościowe, np. jakość wyrobu, jakość gleby. Nie są to zm. losowe według powyższej definicji, ale statystyka dysponuje także metodami ich badania. () Statystyka, Ekonometria 11 kwietnia / 31
17 Typy zmiennych losowych: skokowe (dyskretne). Mogą przyjąć skończoną lub przeliczalną liczbę wartości z pewnego W. np. liczba współwłaścicieli nieruchomości, liczba drzew na działce budowlanej, liczba pomieszczeń w mieszkaniu. ciągłe. Mogą przyjąć wszystkie wartości z pewnego przedziału [a, b]. np. pole pow. działki, cena 1 m 2, odległość od centrum miasta Często wyróżnia się także tzw. zmienne jakościowe, np. jakość wyrobu, jakość gleby. Nie są to zm. losowe według powyższej definicji, ale statystyka dysponuje także metodami ich badania. () Statystyka, Ekonometria 11 kwietnia / 31
18 Typy zmiennych losowych: skokowe (dyskretne). Mogą przyjąć skończoną lub przeliczalną liczbę wartości z pewnego W. np. liczba współwłaścicieli nieruchomości, liczba drzew na działce budowlanej, liczba pomieszczeń w mieszkaniu. ciągłe. Mogą przyjąć wszystkie wartości z pewnego przedziału [a, b]. np. pole pow. działki, cena 1 m 2, odległość od centrum miasta Często wyróżnia się także tzw. zmienne jakościowe, np. jakość wyrobu, jakość gleby. Nie są to zm. losowe według powyższej definicji, ale statystyka dysponuje także metodami ich badania. () Statystyka, Ekonometria 11 kwietnia / 31
19 Definicja Dystrybuanta zmiennej X nazywamy funkcję F : R R taka, że tzn. F(x) = P({ω : X(ω) < x}). F(x) = P(X < x), Dystrybuanta jest funkcją, która zawiera pełną informację o zmiennej losowej, tzn. w całości ją charakteryzuje. Poza tym zmienna losowa dyskretna jest scharakteryzowana przez swój rozkład p dany najczęściej w postaci x i x 1 x 2... p i = p(x i ) p 1 p 2... Zmienna ciągła jest scharakteryzowana przez funkcję gęstości prawdopodobieństwa f (x). () Statystyka, Ekonometria 11 kwietnia / 31
20 Definicja Dystrybuanta zmiennej X nazywamy funkcję F : R R taka, że tzn. F(x) = P({ω : X(ω) < x}). F(x) = P(X < x), Dystrybuanta jest funkcją, która zawiera pełną informację o zmiennej losowej, tzn. w całości ją charakteryzuje. Poza tym zmienna losowa dyskretna jest scharakteryzowana przez swój rozkład p dany najczęściej w postaci x i x 1 x 2... p i = p(x i ) p 1 p 2... Zmienna ciągła jest scharakteryzowana przez funkcję gęstości prawdopodobieństwa f (x). () Statystyka, Ekonometria 11 kwietnia / 31
21 Definicja Dystrybuanta zmiennej X nazywamy funkcję F : R R taka, że tzn. F(x) = P({ω : X(ω) < x}). F(x) = P(X < x), Dystrybuanta jest funkcją, która zawiera pełną informację o zmiennej losowej, tzn. w całości ją charakteryzuje. Poza tym zmienna losowa dyskretna jest scharakteryzowana przez swój rozkład p dany najczęściej w postaci x i x 1 x 2... p i = p(x i ) p 1 p 2... Zmienna ciągła jest scharakteryzowana przez funkcję gęstości prawdopodobieństwa f (x). () Statystyka, Ekonometria 11 kwietnia / 31
22 Definicja Dystrybuanta zmiennej X nazywamy funkcję F : R R taka, że tzn. F(x) = P({ω : X(ω) < x}). F(x) = P(X < x), Dystrybuanta jest funkcją, która zawiera pełną informację o zmiennej losowej, tzn. w całości ją charakteryzuje. Poza tym zmienna losowa dyskretna jest scharakteryzowana przez swój rozkład p dany najczęściej w postaci x i x 1 x 2... p i = p(x i ) p 1 p 2... Zmienna ciągła jest scharakteryzowana przez funkcję gęstości prawdopodobieństwa f (x). () Statystyka, Ekonometria 11 kwietnia / 31
23 Definicja Dystrybuanta zmiennej X nazywamy funkcję F : R R taka, że tzn. F(x) = P({ω : X(ω) < x}). F(x) = P(X < x), Dystrybuanta jest funkcją, która zawiera pełną informację o zmiennej losowej, tzn. w całości ją charakteryzuje. Poza tym zmienna losowa dyskretna jest scharakteryzowana przez swój rozkład p dany najczęściej w postaci x i x 1 x 2... p i = p(x i ) p 1 p 2... Zmienna ciągła jest scharakteryzowana przez funkcję gęstości prawdopodobieństwa f (x). () Statystyka, Ekonometria 11 kwietnia / 31
24 Własności F oraz p i f : p i = 1 x i W f (x)dx = 1 R F(x) = F(x) = p i x i <x x f (t)dt oraz f (x) = F (x) (jeśli F istnieje) () Statystyka, Ekonometria 11 kwietnia / 31
25 Własności F oraz p i f : p i = 1 x i W f (x)dx = 1 R F(x) = F(x) = p i x i <x x f (t)dt oraz f (x) = F (x) (jeśli F istnieje) () Statystyka, Ekonometria 11 kwietnia / 31
26 Własności F oraz p i f : p i = 1 x i W f (x)dx = 1 R F(x) = F(x) = p i x i <x x f (t)dt oraz f (x) = F (x) (jeśli F istnieje) () Statystyka, Ekonometria 11 kwietnia / 31
27 Własności F oraz p i f : p i = 1 x i W f (x)dx = 1 R F(x) = F(x) = p i x i <x x f (t)dt oraz f (x) = F (x) (jeśli F istnieje) () Statystyka, Ekonometria 11 kwietnia / 31
28 Własności F oraz p i f : p i = 1 x i W f (x)dx = 1 R F(x) = F(x) = p i x i <x x f (t)dt oraz f (x) = F (x) (jeśli F istnieje) () Statystyka, Ekonometria 11 kwietnia / 31
29 Charakterystyki (parametry) zmiennych losowych: charakterystyka zmienna dyskretna zmienna ciągła średnia x i p i x f (x) dx (w. oczekiwana) EX = m wariancja D 2 X = σ 2 odch. standardowe DX = σ x i W Inne: mediana x med : F(x med ) = 1 2. momenty (centralne) wyższych rzędów (x i m) 2 p i (x m) 2 f (x) dx x i W R = xi 2 p i E 2 X = x 2 f (x) dx E 2 X x i W R D 2 X jak dla dyskr. R () Statystyka, Ekonometria 11 kwietnia / 31
30 Charakterystyki (parametry) zmiennych losowych: charakterystyka zmienna dyskretna zmienna ciągła średnia x i p i x f (x) dx (w. oczekiwana) EX = m wariancja D 2 X = σ 2 odch. standardowe DX = σ x i W Inne: mediana x med : F(x med ) = 1 2. momenty (centralne) wyższych rzędów (x i m) 2 p i (x m) 2 f (x) dx x i W R = xi 2 p i E 2 X = x 2 f (x) dx E 2 X x i W R D 2 X jak dla dyskr. R () Statystyka, Ekonometria 11 kwietnia / 31
31 Charakterystyki (parametry) zmiennych losowych: charakterystyka zmienna dyskretna zmienna ciągła średnia x i p i x f (x) dx (w. oczekiwana) EX = m wariancja D 2 X = σ 2 odch. standardowe DX = σ x i W Inne: mediana x med : F(x med ) = 1 2. momenty (centralne) wyższych rzędów (x i m) 2 p i (x m) 2 f (x) dx x i W R = xi 2 p i E 2 X = x 2 f (x) dx E 2 X x i W R D 2 X jak dla dyskr. R () Statystyka, Ekonometria 11 kwietnia / 31
32 Niektóre, często występujące rozkłady zmiennych losowych dyskretnych 1 rozkład Bernoulli ego 2 rozkład Poissona, W = {0, 1,...} Występuje w zjawiskach losowych: liczba zgłoszeń do węzła sieci np. BSC, RNC liczba transakcji przeprowadzonych w ciągu roku na pewnym obszarze. () Statystyka, Ekonometria 11 kwietnia / 31
33 Niektóre, często występujące rozkłady zmiennych losowych dyskretnych 1 rozkład Bernoulli ego 2 rozkład Poissona, W = {0, 1,...} Występuje w zjawiskach losowych: liczba zgłoszeń do węzła sieci np. BSC, RNC liczba transakcji przeprowadzonych w ciągu roku na pewnym obszarze. () Statystyka, Ekonometria 11 kwietnia / 31
34 Niektóre, często występujące rozkłady zmiennych losowych dyskretnych 1 rozkład Bernoulli ego 2 rozkład Poissona, W = {0, 1,...} Występuje w zjawiskach losowych: liczba zgłoszeń do węzła sieci np. BSC, RNC liczba transakcji przeprowadzonych w ciągu roku na pewnym obszarze. () Statystyka, Ekonometria 11 kwietnia / 31
35 Niektóre, często występujące rozkłady zmiennych losowych dyskretnych 1 rozkład Bernoulli ego 2 rozkład Poissona, W = {0, 1,...} Występuje w zjawiskach losowych: liczba zgłoszeń do węzła sieci np. BSC, RNC liczba transakcji przeprowadzonych w ciągu roku na pewnym obszarze. () Statystyka, Ekonometria 11 kwietnia / 31
36 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
37 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
38 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
39 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
40 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
41 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
42 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
43 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
44 Niektóre, często występujące rozkłady zmiennych losowych ciągłych { 1 1 rozkład jednostajny: f (x) = b a dla x [a, b], 0 dla x / [a, b]. { λe λx dla x > 0, 2 rozkład wykładniczy f (x) = 0 dla x < 0. Np. X czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona 3 rozkład normalny (Gaussa) X N(m, σ) f (x) = 1 e (x m)2 2σ 2 2πσ reguła 3σ : P( X m < 3σ) 0, 997, 4 rozkład lognormalny: Y ma rozkład lognormalny, gdy X = ln Y ma rozkład normalny. 5 rozkład Pareto, stosowany np. w ubezpieczeniach f (x) = k x k+1. () Statystyka, Ekonometria 11 kwietnia / 31
45 Badanie zależności między zmiennymi losowymi współczynnik korelacji liniowej Pearsona zmiennych X, Y ρ = E(X EX) E(Y EY) σ X σ Y współczynnik korelacji rang Spearmana ρ S, współczynnik korelacji rang Kendalla ρ K. Twierdzenie X, Y - zmienne losowe. 1 1 ρ 1, 2 ρ = 1 P(Y = a + bx) = 1, 3 X i Y niezależne ρ = 0. () Statystyka, Ekonometria 11 kwietnia / 31
46 Badanie zależności między zmiennymi losowymi współczynnik korelacji liniowej Pearsona zmiennych X, Y ρ = E(X EX) E(Y EY) σ X σ Y współczynnik korelacji rang Spearmana ρ S, współczynnik korelacji rang Kendalla ρ K. Twierdzenie X, Y - zmienne losowe. 1 1 ρ 1, 2 ρ = 1 P(Y = a + bx) = 1, 3 X i Y niezależne ρ = 0. () Statystyka, Ekonometria 11 kwietnia / 31
47 Badanie zależności między zmiennymi losowymi współczynnik korelacji liniowej Pearsona zmiennych X, Y ρ = E(X EX) E(Y EY) σ X σ Y współczynnik korelacji rang Spearmana ρ S, współczynnik korelacji rang Kendalla ρ K. Twierdzenie X, Y - zmienne losowe. 1 1 ρ 1, 2 ρ = 1 P(Y = a + bx) = 1, 3 X i Y niezależne ρ = 0. () Statystyka, Ekonometria 11 kwietnia / 31
48 Badanie zależności między zmiennymi losowymi współczynnik korelacji liniowej Pearsona zmiennych X, Y ρ = E(X EX) E(Y EY) σ X σ Y współczynnik korelacji rang Spearmana ρ S, współczynnik korelacji rang Kendalla ρ K. Twierdzenie X, Y - zmienne losowe. 1 1 ρ 1, 2 ρ = 1 P(Y = a + bx) = 1, 3 X i Y niezależne ρ = 0. () Statystyka, Ekonometria 11 kwietnia / 31
49 Badanie zależności między zmiennymi losowymi współczynnik korelacji liniowej Pearsona zmiennych X, Y ρ = E(X EX) E(Y EY) σ X σ Y współczynnik korelacji rang Spearmana ρ S, współczynnik korelacji rang Kendalla ρ K. Twierdzenie X, Y - zmienne losowe. 1 1 ρ 1, 2 ρ = 1 P(Y = a + bx) = 1, 3 X i Y niezależne ρ = 0. () Statystyka, Ekonometria 11 kwietnia / 31
50 Regresja liniowa Próba: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Metoda najmniejszych kwadratów: szukamy prostej y = ax + b tak, by wielkość J(a, b) = n (y i (ax i + b)) 2 osiągała minimum. J a = 0, J b = 0 a = n (x i x)(y i y) n (x i x) 2 b = y ax () Statystyka, Ekonometria 11 kwietnia / 31
51 Regresja liniowa Próba: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Metoda najmniejszych kwadratów: szukamy prostej y = ax + b tak, by wielkość J(a, b) = n (y i (ax i + b)) 2 osiągała minimum. J a = 0, J b = 0 a = n (x i x)(y i y) n (x i x) 2 b = y ax () Statystyka, Ekonometria 11 kwietnia / 31
52 Regresja liniowa Próba: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Metoda najmniejszych kwadratów: szukamy prostej y = ax + b tak, by wielkość J(a, b) = n (y i (ax i + b)) 2 osiągała minimum. J a = 0, J b = 0 a = n (x i x)(y i y) n (x i x) 2 b = y ax () Statystyka, Ekonometria 11 kwietnia / 31
53 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
54 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
55 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
56 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
57 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
58 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
59 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
60 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
61 Najczęściej występujące modele ekonometryczne: modele dynamiczne, oparte na szeregach czasowych gdy t T, dla jednej zmiennej są postaci: Y t = f (t) + g(t) + ɛ t, gdzie f (t) przedstawia trend np. liniowy, potęgowy itp., g(t) składnik cykliczny, a ɛ t składnik losowy. Zmienne ɛ t tworzą ciąg parami nieskorelowanych zmiennych losowych o rozkładzie N(0, σ) (zwany białym szumem). Dla wielu zmiennych: Y t = H(X 1t, X 2t,..., X mt ) + ɛ t, gdzie H może być liniowa, potęgowa, wykładnicza, logarytmiczna itd. ze względu na każdą zmienną. modele statyczne, oparte na danych przekrojowych liniowy model addytywny: model multiplikatywny: Y = a 0 + a 1 X 1 + a 2 X a m X m Y = a 0 a X 1 1 ax axm m (można go przedstawić w postaci addytywnej) Y jest zmienną objaśnianą, a X i zmiennymi objaśniającymi. () Statystyka, Ekonometria 11 kwietnia / 31
62 Można budować także statyczne modele nieliniowe. Przykłady zależności: logarytmiczna Y = a ln X + b, potęgowa Y = ax k, k < 1 (zależność jest słabsza od liniowej) wykładnicza Y = ae X + b, potęgowa Y = ax k, k > 1 (zależność jest silniejsza od liniowej) Estymacja parametrów modelu przeprowadzana jest metodą najmniejszych kwadratów (MNK, częściej) lub metodą największej wiarogodności (MNW rzadziej). () Statystyka, Ekonometria 11 kwietnia / 31
63 Można budować także statyczne modele nieliniowe. Przykłady zależności: logarytmiczna Y = a ln X + b, potęgowa Y = ax k, k < 1 (zależność jest słabsza od liniowej) wykładnicza Y = ae X + b, potęgowa Y = ax k, k > 1 (zależność jest silniejsza od liniowej) Estymacja parametrów modelu przeprowadzana jest metodą najmniejszych kwadratów (MNK, częściej) lub metodą największej wiarogodności (MNW rzadziej). () Statystyka, Ekonometria 11 kwietnia / 31
64 Można budować także statyczne modele nieliniowe. Przykłady zależności: logarytmiczna Y = a ln X + b, potęgowa Y = ax k, k < 1 (zależność jest słabsza od liniowej) wykładnicza Y = ae X + b, potęgowa Y = ax k, k > 1 (zależność jest silniejsza od liniowej) Estymacja parametrów modelu przeprowadzana jest metodą najmniejszych kwadratów (MNK, częściej) lub metodą największej wiarogodności (MNW rzadziej). () Statystyka, Ekonometria 11 kwietnia / 31
65 Część II Próba, statystyka opisowa () Statystyka, Ekonometria 11 kwietnia / 31
66 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
67 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
68 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
69 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
70 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
71 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
72 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
73 Próba jest podzbiorem populacji. Cechuje ją rozkład (w próbie) oraz m.in. charakterystyki, które są tzw. estymatorami parametrów populacji: n k 1 średnia x = 1 n x i, średnia ważona x = 1 n x i n i, jest estymatorem parametru m 2 wariancja s 2 = 1 n n (x i x) 2, jest estymatorem σ 2 3 odch. stand. (średni błąd kwadratowy) s, estymator σ 4 mediana (wartość środkowa), estymator x med, 5 moda 6 estymator ρ : 1 n n (x i x)(y i y) r =, s X s Y 7 estymatory parametrów a, b: n (x i x)(y i y) â = n (x i x) 2, ˆb = y âx () Statystyka, Ekonometria 11 kwietnia / 31
74 Szereg rozdzielczy: tabela z wartościami próby (n = 87) i odpowiadającymi im częstościami Przykład cena 1 m 2 (tys. zł) częstość n i (3, 4] 7 (4, 5] 11 (5, 6] 17 (6, 7] 19 (7, 8] 17 (8, 9] 10 (9, 10] 6 () Statystyka, Ekonometria 11 kwietnia / 31
75 () Statystyka, Ekonometria 11 kwietnia / 31
76 Dla szeregów rozdzielczych prawdziwe są wzory na charakterystyki próby poprawione przez wagi n i. () Statystyka, Ekonometria 11 kwietnia / 31
77 Część III Wnioskowanie statystyczne () Statystyka, Ekonometria 11 kwietnia / 31
78 Hipoteza statystyczna to każde przypuszczenie dotyczące nieznanej cechy populacji np. rozkładu lub wartości parametru rozkładu. Równocześnie z hipotezą H formułowana jest hipoteza alternatywna H A. Definicja Test statystyczny to metoda postępowania, która możliwym realizacjom próby losowej x 1,...x n przypisuje decyzję odrzucenia, badź nie odrzucenia weryfikowanej hipotezy. Decyzja jest podejmowana na podstawie stwierdzenia, czy statystyka testowa (czyli pewna funkcja próby) leży w obszarze krytycznym K. Definicja Poziom istotności α jest to prawdopodobieństwo, że prawdziwa jest hipoteza H pod warunkiem, że przyjęta została hipoteza H A. Ustalany jest on z góry, najczęściej α = 0, 1, α = 0, 05 lub α = 0, 01. Poziom istotności jednoznacznie wyznacza obszar krytyczny K danego testu. () Statystyka, Ekonometria 11 kwietnia / 31
79 Hipoteza statystyczna to każde przypuszczenie dotyczące nieznanej cechy populacji np. rozkładu lub wartości parametru rozkładu. Równocześnie z hipotezą H formułowana jest hipoteza alternatywna H A. Definicja Test statystyczny to metoda postępowania, która możliwym realizacjom próby losowej x 1,...x n przypisuje decyzję odrzucenia, badź nie odrzucenia weryfikowanej hipotezy. Decyzja jest podejmowana na podstawie stwierdzenia, czy statystyka testowa (czyli pewna funkcja próby) leży w obszarze krytycznym K. Definicja Poziom istotności α jest to prawdopodobieństwo, że prawdziwa jest hipoteza H pod warunkiem, że przyjęta została hipoteza H A. Ustalany jest on z góry, najczęściej α = 0, 1, α = 0, 05 lub α = 0, 01. Poziom istotności jednoznacznie wyznacza obszar krytyczny K danego testu. () Statystyka, Ekonometria 11 kwietnia / 31
80 Hipoteza statystyczna to każde przypuszczenie dotyczące nieznanej cechy populacji np. rozkładu lub wartości parametru rozkładu. Równocześnie z hipotezą H formułowana jest hipoteza alternatywna H A. Definicja Test statystyczny to metoda postępowania, która możliwym realizacjom próby losowej x 1,...x n przypisuje decyzję odrzucenia, badź nie odrzucenia weryfikowanej hipotezy. Decyzja jest podejmowana na podstawie stwierdzenia, czy statystyka testowa (czyli pewna funkcja próby) leży w obszarze krytycznym K. Definicja Poziom istotności α jest to prawdopodobieństwo, że prawdziwa jest hipoteza H pod warunkiem, że przyjęta została hipoteza H A. Ustalany jest on z góry, najczęściej α = 0, 1, α = 0, 05 lub α = 0, 01. Poziom istotności jednoznacznie wyznacza obszar krytyczny K danego testu. () Statystyka, Ekonometria 11 kwietnia / 31
81 Hipoteza statystyczna to każde przypuszczenie dotyczące nieznanej cechy populacji np. rozkładu lub wartości parametru rozkładu. Równocześnie z hipotezą H formułowana jest hipoteza alternatywna H A. Definicja Test statystyczny to metoda postępowania, która możliwym realizacjom próby losowej x 1,...x n przypisuje decyzję odrzucenia, badź nie odrzucenia weryfikowanej hipotezy. Decyzja jest podejmowana na podstawie stwierdzenia, czy statystyka testowa (czyli pewna funkcja próby) leży w obszarze krytycznym K. Definicja Poziom istotności α jest to prawdopodobieństwo, że prawdziwa jest hipoteza H pod warunkiem, że przyjęta została hipoteza H A. Ustalany jest on z góry, najczęściej α = 0, 1, α = 0, 05 lub α = 0, 01. Poziom istotności jednoznacznie wyznacza obszar krytyczny K danego testu. () Statystyka, Ekonometria 11 kwietnia / 31
82 Zasada: Jeśli statystyka testowa należy do K, to odrzucamy H na korzyść H A, stwierdzamy, że H A jest prawdziwa z prawdopodobieństwem 1 α. Jeśli stat. test. nie należy do W, to nie ma podstaw do odrzucenia H, ale nie jest to równoważne ze stwierdzeniem jej prawdziwości. () Statystyka, Ekonometria 11 kwietnia / 31
83 Zasada: Jeśli statystyka testowa należy do K, to odrzucamy H na korzyść H A, stwierdzamy, że H A jest prawdziwa z prawdopodobieństwem 1 α. Jeśli stat. test. nie należy do W, to nie ma podstaw do odrzucenia H, ale nie jest to równoważne ze stwierdzeniem jej prawdziwości. () Statystyka, Ekonometria 11 kwietnia / 31
84 Przykłady rozkład powierzchni działek jest normalny (lognormalny), rozkład ceny 1 a działki bud jest wykładniczy, średnia cena 1 a działki w Małopolsce wynosiła w 2010 roku 9 tys zł, między ceną mieszkania a jego wiekiem istnieje dodatnia korelacja. () Statystyka, Ekonometria 11 kwietnia / 31
85 Przykłady rozkład powierzchni działek jest normalny (lognormalny), rozkład ceny 1 a działki bud jest wykładniczy, średnia cena 1 a działki w Małopolsce wynosiła w 2010 roku 9 tys zł, między ceną mieszkania a jego wiekiem istnieje dodatnia korelacja. () Statystyka, Ekonometria 11 kwietnia / 31
86 Przykłady rozkład powierzchni działek jest normalny (lognormalny), rozkład ceny 1 a działki bud jest wykładniczy, średnia cena 1 a działki w Małopolsce wynosiła w 2010 roku 9 tys zł, między ceną mieszkania a jego wiekiem istnieje dodatnia korelacja. () Statystyka, Ekonometria 11 kwietnia / 31
87 Przykłady rozkład powierzchni działek jest normalny (lognormalny), rozkład ceny 1 a działki bud jest wykładniczy, średnia cena 1 a działki w Małopolsce wynosiła w 2010 roku 9 tys zł, między ceną mieszkania a jego wiekiem istnieje dodatnia korelacja. () Statystyka, Ekonometria 11 kwietnia / 31
88 Przykłady rozkład powierzchni działek jest normalny (lognormalny), rozkład ceny 1 a działki bud jest wykładniczy, średnia cena 1 a działki w Małopolsce wynosiła w 2010 roku 9 tys zł, między ceną mieszkania a jego wiekiem istnieje dodatnia korelacja. () Statystyka, Ekonometria 11 kwietnia / 31
89 Testy na normalność test Shapiro-Wilka test χ 2 test λ Kołmogorowa (z poprawką Lillieforce a) () Statystyka, Ekonometria 11 kwietnia / 31
90 Testy na normalność test Shapiro-Wilka test χ 2 test λ Kołmogorowa (z poprawką Lillieforce a) () Statystyka, Ekonometria 11 kwietnia / 31
91 Testy na normalność test Shapiro-Wilka test χ 2 test λ Kołmogorowa (z poprawką Lillieforce a) () Statystyka, Ekonometria 11 kwietnia / 31
92 Testy na normalność test Shapiro-Wilka test χ 2 test λ Kołmogorowa (z poprawką Lillieforce a) () Statystyka, Ekonometria 11 kwietnia / 31
93 Test t na istotność współczynnika korelacji ρ { H : ρ = 0 H A : ρ 0 (ew. ρ > 0, ρ < 0) lub w wersji { H : ρ = ρ 0 H A : ρ ρ 0 (>, <) () Statystyka, Ekonometria 11 kwietnia / 31
94 Test t na istotność współczynnika korelacji ρ { H : ρ = 0 H A : ρ 0 (ew. ρ > 0, ρ < 0) lub w wersji { H : ρ = ρ 0 H A : ρ ρ 0 (>, <) () Statystyka, Ekonometria 11 kwietnia / 31
95 Testy na istotność współczynników prostej regresji y = ax + b test t-studenta dla współczynnika kierunkowego a, { H : a = 0 H A : a 0 (ew.a > 0 lub a < 0) test t-studenta dla wyrazu wolnego b, { H : b = 0 H A : b 0 (ew.b > 0 lub b < 0) W powyższych hipotezach mogą zamiast 0 występować inne wartości, np. H : a = 2, 3. () Statystyka, Ekonometria 11 kwietnia / 31
96 Testy na istotność współczynników prostej regresji y = ax + b test t-studenta dla współczynnika kierunkowego a, { H : a = 0 H A : a 0 (ew.a > 0 lub a < 0) test t-studenta dla wyrazu wolnego b, { H : b = 0 H A : b 0 (ew.b > 0 lub b < 0) W powyższych hipotezach mogą zamiast 0 występować inne wartości, np. H : a = 2, 3. () Statystyka, Ekonometria 11 kwietnia / 31
97 Testy na istotność współczynników prostej regresji y = ax + b test t-studenta dla współczynnika kierunkowego a, { H : a = 0 H A : a 0 (ew.a > 0 lub a < 0) test t-studenta dla wyrazu wolnego b, { H : b = 0 H A : b 0 (ew.b > 0 lub b < 0) W powyższych hipotezach mogą zamiast 0 występować inne wartości, np. H : a = 2, 3. () Statystyka, Ekonometria 11 kwietnia / 31
98 Testy na istotność współczynników prostej regresji y = ax + b test t-studenta dla współczynnika kierunkowego a, { H : a = 0 H A : a 0 (ew.a > 0 lub a < 0) test t-studenta dla wyrazu wolnego b, { H : b = 0 H A : b 0 (ew.b > 0 lub b < 0) W powyższych hipotezach mogą zamiast 0 występować inne wartości, np. H : a = 2, 3. () Statystyka, Ekonometria 11 kwietnia / 31
99 Weryfikacja modelu ekonometrycznego Y = a 0 + a 1 X 1 + a 2 X a m X m. weryfikacja istotności układu współczynników a 0,..., a m, test Fishera-Snedecora m H : a 2 j = 0 H A : j=0 m a 2 j 0 weryfikacja istotności poszczególnych współczynników regresji w oparciu o statystykę t Studenta j=0 H : a j = 0 H A : a j 0 badanie reszt modelu. Powinny być parami nieskorel, o rozkł. N(0, σ), obliczenie współczynnika determinacji R 2 = n (ŷ i ȳ) 2 n (y i ȳ) 2, gdzie ŷ i są obliczone na podstawie modelu. () Statystyka, Ekonometria 11 kwietnia / 31
100 Weryfikacja modelu ekonometrycznego Y = a 0 + a 1 X 1 + a 2 X a m X m. weryfikacja istotności układu współczynników a 0,..., a m, test Fishera-Snedecora m H : a 2 j = 0 H A : j=0 m a 2 j 0 weryfikacja istotności poszczególnych współczynników regresji w oparciu o statystykę t Studenta j=0 H : a j = 0 H A : a j 0 badanie reszt modelu. Powinny być parami nieskorel, o rozkł. N(0, σ), obliczenie współczynnika determinacji R 2 = n (ŷ i ȳ) 2 n (y i ȳ) 2, gdzie ŷ i są obliczone na podstawie modelu. () Statystyka, Ekonometria 11 kwietnia / 31
101 Weryfikacja modelu ekonometrycznego Y = a 0 + a 1 X 1 + a 2 X a m X m. weryfikacja istotności układu współczynników a 0,..., a m, test Fishera-Snedecora m H : a 2 j = 0 H A : j=0 m a 2 j 0 weryfikacja istotności poszczególnych współczynników regresji w oparciu o statystykę t Studenta j=0 H : a j = 0 H A : a j 0 badanie reszt modelu. Powinny być parami nieskorel, o rozkł. N(0, σ), obliczenie współczynnika determinacji R 2 = n (ŷ i ȳ) 2 n (y i ȳ) 2, gdzie ŷ i są obliczone na podstawie modelu. () Statystyka, Ekonometria 11 kwietnia / 31
102 Weryfikacja modelu ekonometrycznego Y = a 0 + a 1 X 1 + a 2 X a m X m. weryfikacja istotności układu współczynników a 0,..., a m, test Fishera-Snedecora m H : a 2 j = 0 H A : j=0 m a 2 j 0 weryfikacja istotności poszczególnych współczynników regresji w oparciu o statystykę t Studenta j=0 H : a j = 0 H A : a j 0 badanie reszt modelu. Powinny być parami nieskorel, o rozkł. N(0, σ), obliczenie współczynnika determinacji R 2 = n (ŷ i ȳ) 2 n (y i ȳ) 2, gdzie ŷ i są obliczone na podstawie modelu. () Statystyka, Ekonometria 11 kwietnia / 31
103 Weryfikacja modelu ekonometrycznego Y = a 0 + a 1 X 1 + a 2 X a m X m. weryfikacja istotności układu współczynników a 0,..., a m, test Fishera-Snedecora m H : a 2 j = 0 H A : j=0 m a 2 j 0 weryfikacja istotności poszczególnych współczynników regresji w oparciu o statystykę t Studenta j=0 H : a j = 0 H A : a j 0 badanie reszt modelu. Powinny być parami nieskorel, o rozkł. N(0, σ), obliczenie współczynnika determinacji R 2 = n (ŷ i ȳ) 2 n (y i ȳ) 2, gdzie ŷ i są obliczone na podstawie modelu. () Statystyka, Ekonometria 11 kwietnia / 31
104 Weryfikacja modelu ekonometrycznego Y = a 0 + a 1 X 1 + a 2 X a m X m. weryfikacja istotności układu współczynników a 0,..., a m, test Fishera-Snedecora m H : a 2 j = 0 H A : j=0 m a 2 j 0 weryfikacja istotności poszczególnych współczynników regresji w oparciu o statystykę t Studenta j=0 H : a j = 0 H A : a j 0 badanie reszt modelu. Powinny być parami nieskorel, o rozkł. N(0, σ), obliczenie współczynnika determinacji R 2 = n (ŷ i ȳ) 2 n (y i ȳ) 2, gdzie ŷ i są obliczone na podstawie modelu. () Statystyka, Ekonometria 11 kwietnia / 31
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 7
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
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 szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
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 szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
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 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 szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
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 szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
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 szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
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 szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
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 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 szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
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 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 szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoĆWICZENIE 11 ANALIZA KORELACJI I REGRESJI
ĆWICZENIE 11 ANALIZA KORELACJI I REGRESJI Korelacja 1. Współczynnik korelacji 2. Współczynnik korelacji liniowej definicja 3. Estymacja współczynnika korelacji 4. Testy istotności współczynnika korelacji
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych Marek Ptak 21 października 2013 Marek Ptak Statystyka 21 października 2013 1 / 70 Część I Wstęp Marek Ptak Statystyka 21 października 2013 2 / 70 LITERATURA A. Łomnicki, Wprowadzenie
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
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 szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
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 szczegółowoZJAZD 4. gdzie E(x) jest wartością oczekiwaną x
ZJAZD 4 KORELACJA, BADANIE NIEZALEŻNOŚCI, ANALIZA REGRESJI Analiza korelacji i regresji jest działem statystyki zajmującym się badaniem zależności i związków pomiędzy rozkładami dwu lub więcej badanych
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 szczegółowoBadanie zgodności z określonym rozkładem. F jest dowolnym rozkładem prawdopodobieństwa. Test chi kwadrat zgodności. F jest rozkładem ciągłym
Badanie zgodności z określonym rozkładem H 0 : Cecha X ma rozkład F F jest dowolnym rozkładem prawdopodobieństwa Test chi kwadrat zgodności F jest rozkładem ciągłym Test Kołmogorowa F jest rozkładem normalnym
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
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 szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoPRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW
PRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW Rachunek prawdopodobieństwa (probabilitis - prawdopodobny) zajmuje się badaniami pewnych prawidłowości (regularności) zachodzących przy wykonywaniu doświadczeń
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
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 szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoSPIS TEŚCI CZĘŚĆ I RACHUNEK PRAWDOPODOBIEŃSTWA
SPIS TEŚCI PRZEDMOWA...13 CZĘŚĆ I RACHUNEK PRAWDOPODOBIEŃSTWA 1. ZDARZENIA LOSOWE I PRAWDOPODOBIEŃSTWO...17 1.1. UWAGI WSTĘPNE... 17 1.2. ZDARZENIA LOSOWE... 17 1.3. RELACJE MIĘDZY ZDARZENIAMI... 18 1.4.
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
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 szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
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 Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna
Bardziej szczegółowoEkonometria. Zajęcia
Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
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 szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoWydział Matematyki. Testy zgodności. Wykład 03
Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA, LISTA 3
STATYSTYKA MATEMATYCZNA, LISTA 3 1. Aby zweryfikować hipotezę o symetryczności monety; H: p = 0.5 przeciwko K: p 0.5 wykonano nią n = 100 rzutów. Wyznaczyć obszar krytyczny i zweryfikować hipotezę H gdy
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 9 i 10 Magdalena Alama-Bućko 14 i 21 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 14 i 21 maja 2018 1 / 25 Hipotezy statystyczne Hipoteza statystyczna nazywamy
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoStatystyka matematyczna. Wykład V. Parametryczne testy istotności
Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
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 szczegółowoZależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),
Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
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 szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoKorelacja krzywoliniowa i współzależność cech niemierzalnych
Korelacja krzywoliniowa i współzależność cech niemierzalnych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej
Bardziej szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoZwiększenie wartości zmiennej losowej o wartość stałą: Y=X+a EY=EX+a D 2 Y=D 2 X
Własności EX, D 2 X i DX przy przekształceniach liniowych Zwiększenie wartości zmiennej losowej o wartość stałą: Y=X+a EY=EX+a D 2 Y=D 2 X Przemnożenie wartości zmiennej losowej przez wartość stałą: Y=a*X
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej szczegółowoTESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.
TESTY NIEPARAMETRYCZNE 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa. Standardowe testy równości średnich wymagają aby badane zmienne losowe
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 szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Zmienna losowa dwuwymiarowa i korelacja
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Zmienna losowa dwuwymiarowa i korelacja Zmienna losowa dwuwymiarowa Definiujemy ją tak samo, jak zmienną losową jednowymiarową, z tym że poszczególnym zdarzeniom elementarnym
Bardziej szczegółowo