Statystyczna analiza danych
|
|
- Danuta Zawadzka
- 8 lat temu
- Przeglądów:
Transkrypt
1 Statystyczna analiza danych Marek Ptak 21 października 2013 Marek Ptak Statystyka 21 października / 70
2 Część I Wstęp Marek Ptak Statystyka 21 października / 70
3 LITERATURA A. Łomnicki, Wprowadzenie do statystyki dla przyrodników W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach J. Koronacki, J. Mieliczuk, Statystyka dla studentów kierunków technicznych i przyrodniczych Marek Ptak Statystyka 21 października / 70
4 Statystyka zajmuje się opisem zjawisk masowych przy pomocy metod rachunku prawdopodobieństwa. Przykład Krzyżujemy nasiona okragłe i żółte z pomarszczonymi i zielonymi. Otrzymano następujace wyniki: pomarszczone zielone 32, pomarszczone i żółte 101, okragłe zielone 108, okragłe żółte 315. Czy stosunek wynosi 1 : 3 : 3 : 9? Marek Ptak Statystyka 21 października / 70
5 Przykład Badamy, która kapusta: biała czy czerwona zawiera więcej witaminy C. W próbkach po 100 g otrzymano następujace wyniki (w mg): biała: 45, 50, 64, 38, 66, 43, 49, 58, 31, 49 oraz czerwona: 70, 68, 55, 61, 62, 74, 52, 71, 56, 61. Który z gatunków zawiera więcej witaminy C? Marek Ptak Statystyka 21 października / 70
6 Przykład Badamy zmienność tymotki. Wykonano pomiary długości najwyższego liścia oraz kłosa kwiatostanu w próbie losowej o liczności 30 kwitnacych pędów i otrzymano następujace wyniki: Nr pędu Liść (cm) 23, 4 22, 0 25, 0 18, 1 18, 9 25, 0 19, 1 27, 5 21, 6 14, 3 Kłos (cm) 9, 8 9, 5 12, 2 8, 3 9, 5 9, 2 8, 5 12, 1 10, 4 5, , 0 16, 3 23, 1 17, 4 17, 0 26, 8 12, 5 18, 4 16, 7 24, 0 10, 6 5, 5 10, 5 7, 4 6, 8 11, 7 4, 1 9, 3 6, 2 11, , 2 21, 2 15, 0 20, 0 20, 1 19, 2 21, 0 13, 0 19, 7 26, 0 10, 2 9, 6 5, 0 8, 5 9, 7 7, 0 7, 9 4, 7 8, 3 12, 6 Czy istnieje zależność między długością najwyższego liścia a długością kłosa kwiatostanu? Marek Ptak Statystyka 21 października / 70
7 Przykład Badamy czy proporcje samic i samców pewnego bardzo rzadkiego gatunku wynosza 1 : 1, tzn, czy rozkład jest dwumianowy. Testowanie hipotez: 1 Przyjęcie założeń. 2 Otrzymanie rozkładu z próby. 3 Wyznaczenie poziomu istotności i obszaru krytycznego. 4 Przeprowadzenie badań i wyliczenie statystyki testowej. 5 Podjęcie decyzji. Marek Ptak Statystyka 21 października / 70
8 X zmienna losowa określająca liczbę samców w wybranych 10 sztukach P(X = k) = ( ) n k p k (1 p) n k ( ) P(X = 0) = 10 ( )10 ( 1 2 )0 = = 0, ( ) P(X = 1) = 10 ( )9 ( 1 2 )1 = = = 0, ( ) P(X = 2) = 10 ( )8 ( 1 2 )2 = 45 1 = 45 = 0, ( ) P(X = 3) = 10 ( )7 ( 1 2 )3 = = 15 = 0, ( ) P(X = 4) = 10 ( )6 ( 1 2 )4 = = = 0, ( ) P(X = 5) = 10 ( )5 ( 1 2 )5 = = = 0, ( ) P(X = 6) = 10 ( )4 ( 1 2 )6 = = = 0, ( ) P(X = 7) = 10 ( )3 ( 1 2 )7 = = = 0, ( ) P(X = 8) = 10 ( )2 ( 1 2 )8 = = = 0, ( ) P(X = 9) = 10 ( )1 ( 1 2 )9 = = 0, P(X = 10) = ( ) ( 1 2 )0 ( 1 2 )10 = = = 0, Marek Ptak Statystyka 21 października / 70
9 Część II Rachunek prawdopodobieństwa Marek Ptak Statystyka 21 października / 70
10 (Ω, S, P) przestrzeń probabilistyczna Np. X : Ω R zmienna losowa {ω Ω : X(ω) < t} S Dystrubuanta zmiennej losowej X F X : R [0, 1] F X (t) = P({ω Ω : X(ω) < t}) Marek Ptak Statystyka 21 października / 70
11 Zmienna losowa typu dyskretnego Skończona lub przeliczalna liczba wartości W X = {x 1, x 2,... x n, x n+1,... } P(X = x i ) = p(x i ) = p i p(x 1 ) + + p(x n ) + = 1 F X (x) = x i <x p(x i ) P(X = x i ) = p(x i ) rozkład zmiennej losowej P(a X < b) = p(x i ) a x i <b Marek Ptak Statystyka 21 października / 70
12 Przykład: Dwie komórki dzielą się każda z prawdopodobieństwem 0, 4 X zmienna losowa określająca liczbę podzielonych komórek P(X = 0) = 0, 6 0, 6 = 0, 36 P(X = 1) = 0, 6 0, 4 + 0, 4 0, 6 = 0, 48 P(X = 2) = 0, 4 0, 4 = 0, 16 Rozkład zmiennej losowej X x i p(x i ) 0, 36 0, 48 0, 16 Marek Ptak Statystyka 21 października / 70
13 Dystrybuanta zmiennej losowej X 0 dla x 0, 0, 36 dla 0 < x 1, F(x) = 0, 84 dla 1 < x 2, 1 dla 2 < x. Marek Ptak Statystyka 21 października / 70
14 Zmienna typu dyskretnego wartość oczekiwana zmiennej losowej X EX = x i p i x i Ω Wariancja zmiennej losowej X VarX, D 2 X, σ 2, σ 2 X, µ 2, DX = VarX VarX = E(X EX) 2 kwantylem rzędu p jest liczba x p taka, że P(X < x p ) P(X = x i ) p P(X = x i ) x i <x p x i x p Współczynnik zmienności τ X = DX EX Marek Ptak Statystyka 21 października / 70
15 Rozkład dwupunktowy Zmienna typu skokowego o prawdopodobieństwie: E(X) = p, D 2 (X) = p(1 p) x i 0 1 p(x i ) 1 p p Np. Prawdopodobieństwo, że nastąpiła mutacja lub nie, białe lub czarne. Marek Ptak Statystyka 21 października / 70
16 Rozkład dwumianowy Liczba sukcesów w n doświadczeniach P(X = k) = ( ) n k p k (1 p) n k X i wynik w i tej próbie X 1,..., X n niezależne zmienne losowe X = X X n E(X) = E(X X n ) = E(X 1 ) + + E(X n ) = p + + p = np D 2 (X) = D 2 (X 1 )+ +D 2 (X n ) = p(1 p)+ +p(1 p) = np(1 p) Marek Ptak Statystyka 21 października / 70
17 Rozkład geometryczny Mamy dane pewne zdarzenie losowe zachodzące z prawdopodobieństwem p. Przeprowadzamy je wiele razy. Zmienna losowa o rozkładzie geometrycznym X to liczba prób potrzebnych, aby to zdarzenie się zrealizowało P(X = k) = (1 p) k 1 p (bo k 1 zd. przeciwne i raz zd. dane) E(X) = 1 p D 2 (X) = 1 p p 2 Np. X 1 obsługa masowa, jak długo trzeba czekać, aby być obsłużonym Marek Ptak Statystyka 21 października / 70
18 Rozkład Poissona λ λk P(X = k) = e k = 0, 1, 2,... k! EX = λ D 2 X = λ µ 3 = λ Rozkład Poissona opisuje liczbę pewnych zdarzeń w pewnym określonym przedziale czasowym. Np. ile komórek podzieliło się w ciągu jakiegoś odcinka czasu, np. w ciągu 1 minuty, 1 godz. λ oznacza intensywność danego zjawiska Marek Ptak Statystyka 21 października / 70
19 Rozkład hipergeometryczny Zmienna typu skokowego o rozkładzie prawdopodobieństwa P(X = k) = (n k)( N M n k ) ( N n) EX = np D 2 X = np(1 p) ( ) N n N 1 p = M N Marek Ptak Statystyka 21 października / 70
20 Zmienna losowa typu ciągłego Istnieje f : R R ciągła (całkowalna) a<b + P(a X b) = f gęstość rozkładu F X (x) = Twierdzenie b a f (t) dt x f (t) dt X : Ω R zmienna losowa typu ciagłego + f (t) dt = 1 P(X = a) = 0 P(a < X < b) = P(a X < b) = P(a < X b) = P(a X b) = F X (b) F X (a) Marek Ptak Statystyka 21 października / 70
21 Twierdzenie f : R R gęstość zmiennej losowej, f ciagła w x 0. Wtedy F X(x) = f (x) Marek Ptak Statystyka 21 października / 70
22 Przykład f (t) = { 2 3 t2 dla 0 < t < 1, 0 dla t 0 lub t 1. Dystrybuanta ma postać 0 dla x 0, 1 F(x) = 3 ) dla 0 < x 1 1 dla 1 < x. Marek Ptak Statystyka 21 października / 70
23 Zmienna losowa typu ciągłego EX = + x f (x) dx D 2 X = VarX = E(X E(X)) 2 Kwantylem rzędu p jest liczba x p taka, że P(X < x p ) = p x p f (x) dx = p F(x p ) = p Współczynnik zmienności τ X = DX EX Marek Ptak Statystyka 21 października / 70
24 Rozkład równomierny f (x) = { 1 b a dla x [a, b], 0 dla x / [a, b]. 0 dla x < a, x a F(x) = dla a x b, b a 1 dla x > b. E(X) = a+b D 2 (X) = (b a) Marek Ptak Statystyka 21 października / 70
25 Rozkład Cauchy ego Zmienna typu ciągłego o gęstości f (x) = 1 λ λ > 0 π λ 2 +(x µ) 2 EX, D 2 X nie istnieją Marek Ptak Statystyka 21 października / 70
26 Rozkład wykładniczy f (x) = { λe λx dla x > 0, 0 dla x < 0. F(x) = { 1 e λx dla x > 0, 0 dla x < 0. Zmienna o rozkładzie wykładniczym to czas oczekiwania do wystąpienia pierwszego zdarzenia w rozkładzie Poissona Marek Ptak Statystyka 21 października / 70
27 Rozkład normalny N(µ, σ) f (x) = 1 2πσ e (x µ)2 2σ 2 F(x) = Φ(x) = 1 2π x EX = µ D 2 X = σ 2 e t2 2 dt Marek Ptak Statystyka 21 października / 70
28 Twierdzenie X zmienna o rozkładzie normalnym N(µ, σ) to EX = µ, D 2 X = σ 2. Ponadto Z = X µ σ ma rozkład N(0, 1), tzn EZ = 0, D 2 Z = 1. Marek Ptak Statystyka 21 października / 70
29 Dystrybuanta standaryzowanego rozkładu normalnego, Φ(x) = 1 x 2π e 1 2 t2 dt, x > 0 x 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359 0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753 0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141 0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517 0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879 0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224 0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549 0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852 0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133 0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389 1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621 1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830 1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015 1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177 1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319 1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441 1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545 1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633 1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706 1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767 2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817 2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857 2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890 2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916 2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936 2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952 2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964 2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974 2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981 2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990 Marek Ptak Statystyka 21 października / 70
30 Dla rozkładu normalnego zachodzi tzw. Reguła 3σ P( X µ 3σ) = 1 P( X µ < 3σ) = 1 P( 3σ < X µ < 3σ) = 1 P( 3 < X µ < 3) = 1 P( 3 < Z < 3) = σ 1 (Φ(3) Φ( 3)) = 1 (0, , 00135) = 0, 0027 Marek Ptak Statystyka 21 października / 70
31 Twierdzenie Niech X 1,..., X n będa zmiennymi losowymi o tym samym rozkładzie normalnym N(µ, σ). Wtedy zmienna Z = 1(X n X n ) ma rozkład N(µ, σ n ). Marek Ptak Statystyka 21 października / 70
32 Rozkład logarytmiczno-normalny Zmienna losowa Y ma rozkład logarytmiczno-normalny, gdy zmienna losowa X = ln Y ma rozkład normalny N(µ, σ) (ln y µ) 2 f (y) = 1 yσ 2π e 2σ 2 Marek Ptak Statystyka 21 października / 70
33 Rozkład t Studenta o n 1 stopniach swobody Zmienna losowa o gęstości f (x) = ( ) (n+1)/2 Γ[(n + 1)/2] 1 + x2, x R, n N nπ Γ(n/2) n gdzie Γ(r) = + 0 x r 1 e x dx, r > 0 Marek Ptak Statystyka 21 października / 70
34 Rozkład t Studenta o n 1 stopniach swobody Marek Ptak Statystyka 21 października / 70
35 Wartości krytyczne rozkładu t-studenta, P( T tα; r) = α α r 0,8 0,6 0,4 0,2 0,1 0,05 0,04 0,02 0,01 0,002 0, ,325 0,727 1,376 3,078 6,314 12,706 15,894 31,821 63, ,29 636,58 2 0,289 0,617 1,061 1,886 2,920 4,303 4,849 6,965 9,925 22,328 31, ,277 0,584 0,978 1,638 2,353 3,182 3,482 4,541 5,841 10,214 12, ,271 0,569 0,941 1,533 2,132 2,776 2,999 3,747 4,604 7,173 8, ,267 0,559 0,920 1,476 2,015 2,571 2,757 3,365 4,032 5,894 6, ,265 0,553 0,906 1,440 1,943 2,447 2,612 3,143 3,707 5,208 5, ,263 0,549 0,896 1,415 1,895 2,365 2,517 2,998 3,499 4,785 5, ,262 0,546 0,889 1,397 1,860 2,306 2,449 2,896 3,355 4,501 5, ,261 0,543 0,883 1,383 1,833 2,262 2,398 2,821 3,250 4,297 4, ,260 0,542 0,879 1,372 1,812 2,228 2,359 2,764 3,169 4,144 4, ,260 0,540 0,876 1,363 1,796 2,201 2,328 2,718 3,106 4,025 4, ,259 0,539 0,873 1,356 1,782 2,179 2,303 2,681 3,055 3,930 4, ,259 0,538 0,870 1,350 1,771 2,160 2,282 2,650 3,012 3,852 4, ,258 0,537 0,868 1,345 1,761 2,145 2,264 2,624 2,977 3,787 4, ,258 0,536 0,866 1,341 1,753 2,131 2,249 2,602 2,947 3,733 4, ,258 0,535 0,865 1,337 1,746 2,120 2,235 2,583 2,921 3,686 4, ,257 0,534 0,863 1,333 1,740 2,110 2,224 2,567 2,898 3,646 3, ,257 0,534 0,862 1,330 1,734 2,101 2,214 2,552 2,878 3,610 3, ,257 0,533 0,861 1,328 1,729 2,093 2,205 2,539 2,861 3,579 3, ,257 0,533 0,860 1,325 1,725 2,086 2,197 2,528 2,845 3,552 3, ,257 0,532 0,859 1,323 1,721 2,080 2,189 2,518 2,831 3,527 3, ,256 0,532 0,858 1,321 1,717 2,074 2,183 2,508 2,819 3,505 3, ,256 0,532 0,858 1,319 1,714 2,069 2,177 2,500 2,807 3,485 3, ,256 0,531 0,857 1,318 1,711 2,064 2,172 2,492 2,797 3,467 3, ,256 0,531 0,856 1,316 1,708 2,060 2,167 2,485 2,787 3,450 3, ,256 0,531 0,856 1,315 1,706 2,056 2,162 2,479 2,779 3,435 3, ,256 0,531 0,855 1,314 1,703 2,052 2,158 2,473 2,771 3,421 3, ,256 0,530 0,855 1,313 1,701 2,048 2,154 2,467 2,763 3,408 3, ,256 0,530 0,854 1,311 1,699 2,045 2,150 2,462 2,756 3,396 3, ,256 0,530 0,854 1,310 1,697 2,042 2,147 2,457 2,750 3,385 3, ,255 0,529 0,852 1,306 1,690 2,030 2,133 2,438 2,724 3,340 3, ,255 0,529 0,851 1,303 1,684 2,021 2,123 2,423 2,704 3,307 3, ,255 0,528 0,850 1,301 1,679 2,014 2,115 2,412 2,690 3,281 3, ,255 0,528 0,849 1,299 1,676 2,009 2,109 2,403 2,678 3,261 3, ,254 0,527 0,848 1,296 1,671 2,000 2,099 2,390 2,660 3,232 3, ,254 0,527 0,847 1,294 1,667 1,994 2,093 2,381 2,648 3,211 3, ,254 0,526 0,846 1,292 1,664 1,990 2,088 2,374 2,639 3,195 3, ,254 0,526 0,846 1,291 1,662 1,987 2,084 2,368 2,632 3,183 3, ,254 0,526 0,845 1,290 1,660 1,984 2,081 2,364 2,626 3,174 3, ,254 0,526 0,845 1,289 1,658 1,980 2,076 2,358 2,617 3,160 3,373 0,253 0,524 0,842 1,282 1,645 1,960 2,054 2,327 2,576 3,091 3,291 Marek Ptak Statystyka 21 października / 70
36 Rozkład χ 2 o n stopniach swobody Zmienna o gęstości f (x) = { 1 2 n/2 2 k 1 e 1 2 x2, Γ(n/2) gdy x > 0, 0, gdy x 0 Marek Ptak Statystyka 21 października / 70
37 Wartości krytyczne rozkładu χ 2, P(χ 2 χ 2 α; r) = α α r 0,999 0,995 0,99 0,975 0,95 0,9 0,1 0,05 0,025 0,01 0,005 0, ,000 0,000 0,000 0,001 0,004 0,016 2,706 3,841 5,024 6,635 7,879 10, ,002 0,010 0,020 0,051 0,103 0,211 4,605 5,991 7,378 9,210 10,597 13, ,024 0,072 0,115 0,216 0,352 0,584 6,251 7,815 9,348 11,345 12,838 16, ,091 0,207 0,297 0,484 0,711 1,064 7,779 9,488 11,143 13,277 14,860 18, ,210 0,412 0,554 0,831 1,145 1,610 9,236 11,070 12,832 15,086 16,750 20, ,381 0,676 0,872 1,237 1,635 2,204 10,645 12,592 14,449 16,812 18,548 22, ,599 0,989 1,239 1,690 2,167 2,833 12,017 14,067 16,013 18,475 20,278 24, ,857 1,344 1,647 2,180 2,733 3,490 13,362 15,507 17,535 20,090 21,955 26, ,152 1,735 2,088 2,700 3,325 4,168 14,684 16,919 19,023 21,666 23,589 27, ,479 2,156 2,558 3,247 3,940 4,865 15,987 18,307 20,483 23,209 25,188 29, ,834 2,603 3,053 3,816 4,575 5,578 17,275 19,675 21,920 24,725 26,757 31, ,214 3,074 3,571 4,404 5,226 6,304 18,549 21,026 23,337 26,217 28,300 32, ,617 3,565 4,107 5,009 5,892 7,041 19,812 22,362 24,736 27,688 29,819 34, ,041 4,075 4,660 5,629 6,571 7,790 21,064 23,685 26,119 29,141 31,319 36, ,483 4,601 5,229 6,262 7,261 8,547 22,307 24,996 27,488 30,578 32,801 37, ,942 5,142 5,812 6,908 7,962 9,312 23,542 26,296 28,845 32,000 34,267 39, ,416 5,697 6,408 7,564 8,672 10,085 24,769 27,587 30,191 33,409 35,718 40, ,905 6,265 7,015 8,231 9,390 10,865 25,989 28,869 31,526 34,805 37,156 42, ,407 6,844 7,633 8,907 10,117 11,651 27,204 30,144 32,852 36,191 38,582 43, ,921 7,434 8,260 9,591 10,851 12,443 28,412 31,410 34,170 37,566 39,997 45, ,447 8,034 8,897 10,283 11,591 13,240 29,615 32,671 35,479 38,932 41,401 46, ,983 8,643 9,542 10,982 12,338 14,041 30,813 33,924 36,781 40,289 42,796 48, ,529 9,260 10,196 11,689 13,091 14,848 32,007 35,172 38,076 41,638 44,181 49, ,085 9,886 10,856 12,401 13,848 15,659 33,196 36,415 39,364 42,980 45,558 51, ,649 10,520 11,524 13,120 14,611 16,473 34,382 37,652 40,646 44,314 46,928 52, ,222 11,160 12,198 13,844 15,379 17,292 35,563 38,885 41,923 45,642 48,290 54, ,803 11,808 12,878 14,573 16,151 18,114 36,741 40,113 43,195 46,963 49,645 55, ,391 12,461 13,565 15,308 16,928 18,939 37,916 41,337 44,461 48,278 50,994 56, ,986 13,121 14,256 16,047 17,708 19,768 39,087 42,557 45,722 49,588 52,335 58, ,588 13,787 14,953 16,791 18,493 20,599 40,256 43,773 46,979 50,892 53,672 59, ,688 17,192 18,509 20,569 22,465 24,797 46,059 49,802 53,203 57,342 60,275 66, ,917 20,707 22,164 24,433 26,509 29,051 51,805 55,758 59,342 63,691 66,766 73, ,251 24,311 25,901 28,366 30,612 33,350 57,505 61,656 65,410 69,957 73,166 80, ,674 27,991 29,707 32,357 34,764 37,689 63,167 67,505 71,420 76,154 79,490 86, ,738 35,534 37,485 40,482 43,188 46,459 74,397 79,082 83,298 88,379 91,952 99, ,036 43,275 45,442 48,758 51,739 55,329 85,527 90,531 95, ,43 104,21 112, ,520 51,172 53,540 57,153 60,391 64,278 96, ,88 106,63 112,33 116,32 124, ,156 59,196 61,754 65,647 69,126 73, ,57 113,15 118,14 124,12 128,30 137, ,918 67,328 70,065 74,222 77,929 82, ,50 124,34 129,56 135,81 140,17 149, ,756 83,852 86,923 91,573 95, ,62 140,23 146,57 152,21 158,95 163,65 173, , ,65 104,03 109,14 113,66 119,03 161,83 168,61 174,65 181,84 186,85 197,45 Marek Ptak Statystyka 21 października / 70
38 Rozkład Weibulla Zmienna o gęstości p, λ > 0 f (x) = D 2 X = λ 2 p { λp x p 1 e λxp, gdy x > 0, 0, gdy x 0 EX = λ 1 p ( 1 p + 1 ) {Γ( 2p + 1) [Γ( 1p )]2 }, gdzie Γ(r) = + 0 x r 1 e x dx, r > 0 Marek Ptak Statystyka 21 października / 70
39 Twierdzenie Czebyszewa X 1, X 2,..., X n zmienne losowe parami niezależne E(X k ) = a, D 2 (X k ) < c Wtedy lim 1 Xi a < ε) = 1 n n Marek Ptak Statystyka 21 października / 70
40 Twierdzenie X 1,..., X n niezależne zmienne losowe o tym samym rozkładzie o średniej µ < i odchyleniu standardowym σ <. Wtedy zmienna n losowa X = 1 X n i o średniej µ i odchyleniu standardowym σ n. Wniosek i=1 Jeżeli X 1,..., X n niezależne zmienne losowe o tym samym rozkładzie n normalnym N(µ, σ), to X = 1 X n i ma rozkład N(µ, σ n ). i=1 Marek Ptak Statystyka 21 października / 70
41 Twierdzenie Jeżeli X 1,..., X n to niezależne zmienne losowe o rozkładzie N(µ, σ), n n X = 1 X n i oraz S 2 = 1 (X n i X) 2, to zmienna losowa i=1 i=1 V = X µ S n 1 ma rozkład t Studenta o (n 1) stopniach swobody. Marek Ptak Statystyka 21 października / 70
42 Twierdzenie (Centralne twierdzenie graniczne Linberga-Levy ego) X 1,..., X n niezależne zmienne losowe o tym samym rozkładzie o średniej µ i wariancji σ 2. Wtedy dystrybuanta zmiennej losowej X n = 1 n (X X n ) jest zbieżna do dystrybuanty rozkładu normalnego N(µ, σ n ), tzn. dystrybuanta zmiennej losowej X µ σ n do dystrybuanty rozkładu normalnego N(0, 1). Wniosek P ( a X µ b ) P(a Z b) = Φ(b) Φ(a) σ n Z ma rozkład N(0, 1). stosujemy n > 25 zmierza Marek Ptak Statystyka 21 października / 70
43 Część III Statystyka Marek Ptak Statystyka 21 października / 70
44 Populacja to zbiór, który badamy Definicja Prosta próba losowa o liczności n nazywamy ciag niezależnych zmiennych losowych X 1,..., X n określonych na Ω takich, że każda ma taki sam rozkład. Realizacja zmiennej losowej to konkretny ciąg wartości zmiennych losowych (takie samo prawdopodobieństwo wyboru). Realizacja próby w postaci wartości np. wielkość komórki, liczba podziałów w jednostce czasu, temperatura, czasu do pierwszego podziału komórki (próba mała n 30, duża n > 30) Marek Ptak Statystyka 21 października / 70
45 Niech x 1,..., x n będzie realizacją próby. Realizacja próby małej porządkujemy. Realizacja próby dużej tworzymy szereg rozdzielczy R rozstęp, R = x max x min Dzielimy na klasy, liczba klas k 5 ln n, k = n Długość klasy b = R k n k Średnia arytmetyczna x = 1 x n i x = 1 x n i n i Średnia geometryczna g = n x1... x n g = n x n xn k k n log g = 1 log x n i i=1 Średnia harmoniczna h = i=1 ( 1 n n i=1 ) 1 1 x i i=1 h = ( 1 n k i=1 ) 1 n i x i Marek Ptak Statystyka 21 października / 70
46 Mediana (wartość środkowa) m e x 1 x 2 x n { x (n+1)/2, gdy n nieparzyste, m e = 1 (x 2 n/2 + x n/2+1 ), gdy n parzyste. Wartość modalna (moda, dominanta) m 0 próbki x 1,..., x n o powtarzających się wartościach to najczęściej powtarzająca się wartość. Marek Ptak Statystyka 21 października / 70
47 Dla szeregu rozdzielczego m e = x l + b ( m 1 n n m 2 n i ), i=1 gdzie x l lewy koniec klasy zawierającej medianę, m numer klasy zawierającej medianę, n liczność próbki, n i liczność i-tej próbki, b długość klasy. Moda środek najliczniejszej klasy. Marek Ptak Statystyka 21 października / 70
48 Miary rozproszenia (rozrzutu, rozsiania) Wariancja S 2 próbki x 1,..., x n to średnia arytmetyczna kwadratów odchyleń poszczególnych wartości x i od średniej arytmetycznej X próbki S 2 = 1 n n (x i x) 2 = 1 n n xi 2 x 2 S 2 = 1 n n (x i x) 2 n i i=1 i=1 i=1 Odchylenie standardowe S S 2 = 1 n 1 n i=1 (x i x) 2 S 2 = 1 n 1 n n i (x i x) 2 i=1 Marek Ptak Statystyka 21 października / 70
49 Miary rozproszenia (rozrzutu, rozsiania) Odchylenie przeciętne d 1 od wartości średniej x to średnia arytmetyczna wartości bezwzględnych odchyleń poszczególnych wartości x i od średniej arytmetycznej x próbki d 1 = 1 n n x i x d 1 = 1 n i=1 k n i x i x i=1 Odchylenie przeciętne d 2 od mediany m e próbki x 1,..., x n to średnia arytmetyczna wartości bezwzględnych odchyleń poszczególnych wartości x i od mediany m e próbki d 2 = 1 n n x i m e d 2 = 1 n i=1 k n i x i m e i=1 Marek Ptak Statystyka 21 października / 70
50 Miary rozproszenia (rozrzutu, rozsiania) v współczynnik zmienności v = S x 100% Moment zwykły m r rzędu r próbki x 1,..., x n to średnia arytmetyczna r-tych potęg wartości x i n k m r = 1 n x r i m r = 1 n n i x r i i=1 i=1 Moment centralny M r rzędu r próbki x 1,..., x n to średnia arytmetyczna r-tych potęg wartości x i od średniej arytmetycznej x próbki M r = 1 n n (x i x) r M r = 1 n i=1 k n i (x i x) r i=1 Marek Ptak Statystyka 21 października / 70
51 Miary rozproszenia (rozrzutu, rozsiania) Współczynnik skośności (asymetrii) γ 1 = M 3 S 3 Współczynnik koncentracji (skupienia) K = M 4 S 4 Marek Ptak Statystyka 21 października / 70
52 Przykład Zmierzono średnice 50 komórek pewnej bakterii i otrzymano następujace wyniki: 3, 6; 5, 0; 4, 0; 4, 7; 5, 2; 5, 9; 4, 5; 5, 3; 5, 5; 3, 9; 5, 6; 3, 5; 5, 4; 5, 2; 4, 1; 5, 0; 3, 1; 5, 8; 4, 8; 4, 4; 4, 6; 5, 1; 4, 7; 3, 0; 5, 5; 6, 1; 3, 8; 4, 9; 5, 6; 6, 1; 5, 9; 4, 2; 6, 4; 5, 3; 4, 5; 4, 9; 4, 0; 5, 2; 3, 3; 5, 4; 4, 7; 6, 4; 5, 1; 3, 4; 5, 2; 6, 2; 4, 4; 4, 3; 5, 8; 3, 7. Sporzadzić dla danej próbki szereg rozdzielczy. n = 50, k = 7, x min = 3, 0, x max = 6, 4. Stąd R = 3, 4, R/k = 0, 49. Marek Ptak Statystyka 21 października / 70
53 Szereg rozdzielczy Nr klasy Klasy Grupowanie wartości próbki Środki klas x i Liczebności klas n i 1 2,95-3,45 3, ,45-3,95 3, ,95-4,45 4, ,45-4,95 4, ,95-5,45 5, ,45-5,95 5, ,95-6,45 6,2 5 Marek Ptak Statystyka 21 października / 70
54 Statystyki Definicja Statystyka to każda funkcja określona na próbie Θ n (X 1,..., X n ) np. X = 1 n (X X n ) Statystykę Θ n (X 1,..., X n ), którą przyjmujemy jako ocenę nieznanego parametru Θ nazywamy estymatorem parametru Θ. Marek Ptak Statystyka 21 października / 70
55 Jakie własności powinien mieć estymator, abyśmy mogli go zaakceptować? Niech Θ n = Θ n (X 1,..., X n ) estymator parametru Θ Estymator nazywamy zgodnym, jeżeli lim P( Θ n Θ < ε) = 1 n Uwaga Θ n zgodny = n Θ n 1 n zgodny (α n Θ n, α n 1) Marek Ptak Statystyka 21 października / 70
56 Estymator nazywamy nieobciażonym EΘ n (X 1,..., X n ) = Θ Estymator asymptotycznie nieobciażony lim EΘ n(x 1,..., X n ) = Θ n Może istnieć dużo estymatorów nieobciążonych. Estymator efektywny to ten spośród estymatorów nieobciążonych, który ma najmniejszą wariancję. Marek Ptak Statystyka 21 października / 70
57 Tw. Czebyszewa mówi, że X jest estymatorem zgodnym. Twierdzenie Czebyszewa X 1, X 2,..., X n zmienne losowe parami niezależne E(X k ) = a, D 2 (X k ) < c Wtedy lim 1 Xi a < ε) = 1 n n X nieobciążony, bo E( 1 n Xi ) = 1 n E(Xi ) = 1 n nµ = µ S 2 = 1 n n (X i X) 2 zgodny asymptotycznie nieobciążony i=1 S 2 = 1 n 1 n (X i X) 2 zgodny nieobciążony i=1 Marek Ptak Statystyka 21 października / 70
58 Nieznany parametr Estymator Własności Wartość oczekiwana E(X) X = n 1 n X i zgodny nieobciążony rozkład dowolny, dla i=1 rozkładu normalnego, również efektywny mediana z próby zgodny asymptotycznie nieobciążony Wariancja D 2 (X) S1 2 = 1 n (X n i E(X)) 2 zgodny nieobciążony, dla normalnego również efektywny i=1 S 2 = 1 n (X n i X) 2 zgodny asymptotycznie nieobciążony i=1 S = n 1 1 n (X i X) 2 zgodny nieobciążony asymptotycznie efektywnie i=1 odchylenie standardowe σ S 1, S, S zgodny b ns, c ns zgodny nieobciążony, asymptotycznie efektywny dla rozkładu normalnego wskaźnik struktury ˆΘ = k n dla rozkładu Bernouliego zgodny, nieobciążony, efektywny b n = Γ( n 2 ) 2 Γ( n 1 ) n 2 c n = n 1 n = Γ2 ( n 2 ) 2 Γ 2 ( n 1 ) n n Marek Ptak Statystyka 21 października / 70
59 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Badana cecha X populacji generalnej ma rozkład N(µ, σ) przy znanym σ. H : µ = µ 0 H 1 : µ µ 0 (H 1 : µ > µ 0, H 1 : µ < µ 0 ) Statystyka testowa U = X µ 0 σ ma rozkład N(0, 1) n Marek Ptak Statystyka 21 października / 70
60 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Marek Ptak Statystyka 21 października / 70
61 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Przykład Pewien automat w fabryce czekolady wytwarza tabliczki czekolady o nominalnej wadze 250 g. Wiadomo, że rozkład wagi produkowanych tabliczek jest normalny N(µ, σ), gdzie odchylenie standardowe wynosi σ = 5. Kontrola techniczna w pewnym dniu pobrała próbkę losową 16 tabliczek czekolady i otrzymała następujące wyniki (w g): 251, 2; 246, 1; 250, 1; 247, 1; 251, 2; 251, 2; 243, 2; 243, 1; 251, 1; 245, 2; 251, 2; 245, 3; 242, 1; 250, 2; 246, 1; 252, 0. Czy (na poziomie istotności α = 0, 05) można stwierdzić, że automat produkuje tabliczki czekolady o wadze mniejszej niż nominalna? Marek Ptak Statystyka 21 października / 70
62 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Hipoteza H 0 : µ = 250g wobec hipotezy alternatywnej H 1 : µ < 250g x = 247, 9 u obl = x µ 0 σ n = 247, = 1, 68 Wartość u α, dla której P(U u α ) wynosi 1, 64 Marek Ptak Statystyka 21 października / 70
63 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Ponieważ wartość ta znalazła się w obszarze krytycznym, gdyż u obl = 1, 68 < 1, 64 = u α, więc hipotezę H 0 należy odrzucić na korzyść hipotezy alternatywnej H 1. Oznacza to, że z prawdopodobieństwem błędu mniejszym niż 0, 05 możemy twierdzić, że średnia waga tabliczek czekolady jest za niska. Marek Ptak Statystyka 21 października / 70
64 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Przykład Inne dane. Rozkład wagi produkowanych tabliczek jest normalny N(µ, σ). µ = 250 g,σ = 5, n = 16. Masa poszczególnych tabliczek czekolady (w g): 251,2; 246,1; 250,0; 249,3; 247,5; 251,2; 245,1; 247,2; 251,9; 245,7; 250,7; 244,4; 242,2; 250,3; 246,2; 252,1. Czy (na poziomie istotności α = 0, 05) można stwierdzić, że automat produkuje tabliczki czekolady o wadze mniejszej niż nominalna? Marek Ptak Statystyka 21 października / 70
65 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Hipoteza H 0 : µ = 250g wobec hipotezy alternatywnej H 1 : µ < 250g x = 248, 2 u obl = x µ 0 σ n = 248, = 1, 45 Wartość u α, dla której P(U u α ) wynosi 1, 64 Ponieważ wartość ta nie znalazła się w obszarze krytycznym, gdyż u obl = 1, 45 > 1, 64 = u α, więc nie ma podstaw do odrzucenia hipotezy H 0. Marek Ptak Statystyka 21 października / 70
66 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Przykład Inne dane. Rozkład wagi produkowanych tabliczek jest normalny N(µ, σ). µ = 250 g, σ = 5, n = 16 Masa poszczególnych tabliczek czekolady (w g): 249, 2; 248, 2; 243, 1; 249, 9; 248, 8; 249, 1; 249, 7; 245, 1; 248, 9; 247, 2; 249, 3; 248, 6; 247, 5; 248, 2; 249, 1; 247, 1;. Czy (na poziomie istotności α = 0, 05) można stwierdzić, że automat produkuje tabliczki czekolady o wadze mniejszej niż nominalna? Marek Ptak Statystyka 21 października / 70
67 Parametryczne testy istotności Testy dotyczące wartości przeciętnej. Hipoteza H 0 : µ = 250g wobec hipotezy alternatywnej H 1 : µ < 250g x = 248, 1 u obl = x µ 0 σ n = 248, = 1, 55 Wartość u α, dla której P(U u α ) wynosi 1, 64 Ponieważ wartość ta nie znalazła się w obszarze krytycznym, gdyż u obl = 1, 55 > 1, 64 = u α, więc nie ma podstaw do odrzucenia hipotezy H 0. Marek Ptak Statystyka 21 października / 70
68 Twierdzenie X 1,..., X n to prosta próba losowa o średniej µ i odchyleniu n standardowym σ. Wtedy zmienna losowa X = 1 X n i o średniej µ i odchyleniu standardowym σ n Wniosek i=1 Jeżeli próba ma rozkład normalny N(µ, σ), to X = 1 n ma rozkład N(µ, σ n ). n X i = 1 n i=1 n X i i=1 Marek Ptak Statystyka 21 października / 70
69 Twierdzenie n Jeżeli X 1,..., X n jest próba losowa o rozkładzie N(µ, σ), X = 1 n i=1 n oraz S 2 = 1 (X n i X) 2, to zmienna losowa V = X µ S n 1 ma i=1 rozkład t Studenta o (n 1) stopniach swobody. X i Marek Ptak Statystyka 21 października / 70
70 Twierdzenie (Centralne twierdzenie graniczne Linberga-Levy ego) X 1,..., X n próba losowa o średniej µ i wariancji σ 2 Wtedy dystrybuanta zmiennej losowej X n = 1 n (X X n ) jest zbieżna do dystrybuanty rozkładu normalnego N(µ, σ n ) tzn. dystrybuanta zmiennej losowej X µ σ n N(0, 1) Wniosek zmierza do dystrybuanty rozkładu normalnego P ( a X µ b ) P(a Z b) = Φ(b) Φ(a) σ n Z ma rozkład N(0, 1). stosujemy n > 25 Marek Ptak Statystyka 21 października / 70
1 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 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 szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoTablica 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 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 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 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 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 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 szczegółowoRozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia.
Rozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia. D A R I U S Z P I W C Z Y Ń S K I 2 2 ROZKŁAD ZMIENNEJ LOSOWEJ Polega na przyporządkowaniu
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 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 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 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 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 szczegółowoMETODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych
METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład - Parametry i wybrane rozkłady zmiennych losowych Parametry zmiennej losowej EX wartość oczekiwana D X wariancja DX odchylenie standardowe inne, np. kwantyle,
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 szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
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 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 szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
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 matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
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 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 szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej 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 szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej 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 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 szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
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 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. #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 szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoOpis przedmiotu: Probabilistyka I
Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca
Bardziej szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowodr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu
Kod przedmiotu TR.SIK303 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Stacjonarne
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 szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.NIK304 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Niestacjonarne
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoStatystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41
Statystyka Wykład 4 Magdalena Alama-Bućko 13 marca 2017 Magdalena Alama-Bućko Statystyka 13 marca 2017 1 / 41 Na poprzednim wykładzie omówiliśmy następujace miary rozproszenia: Wariancja - to średnia arytmetyczna
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoStatystyka. Magdalena Jakubek. kwiecień 2017
Statystyka Magdalena Jakubek kwiecień 2017 1 Nauka nie stara się wyjaśniać, a nawet niemal nie stara się interpretować, zajmuje się ona głównie budową modeli. Model rozumiany jest jako matematyczny twór,
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 szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.
WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
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 szczegółowoTestowanie hipotez dla proporcji. Wrocław, 13 kwietnia 2015
Testowanie hipotez dla proporcji Wrocław, 13 kwietnia 2015 Powtórka z rachunku prawdopodobieństwa Centralne Twierdzenie Graniczne Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu o średniej µ i
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 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 szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoTestowanie hipotez dla frakcji. Wrocław, 29 marca 2017
Testowanie hipotez dla frakcji Wrocław, 29 marca 2017 Powtórzenie z rachunku prawdopodobieństwa Centralne Twierdzenie Graniczne Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu o średniej µ i skończonej
Bardziej szczegółowoLaboratorium 3 - statystyka opisowa
dla szeregu rozdzielczego Laboratorium 3 - statystyka opisowa Agnieszka Mensfelt 11 lutego 2019 dla szeregu rozdzielczego Statystyka opisowa dla szeregu rozdzielczego Przykład wyniki maratonu Wyniki 18.
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 6 Magdalena Alama-Bućko 8 kwietnia 019 Magdalena Alama-Bućko Statystyka matematyczna 8 kwietnia 019 1 / 1 Rozkłady ciagłe Magdalena Alama-Bućko Statystyka matematyczna 8
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoWykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy
Wykład Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Zbiorowość statystyczna - zbiór elementów lub wyników jakiegoś procesu powiązanych ze sobą logicznie (tzn. posiadających wspólne cechy
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 szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
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 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 szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
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 szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoSTATYSTYKA wykład 5-6
TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Karl Popper... no matter how many instances of white swans we may have observed, this does not
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
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 szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
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 szczegółowoStatystyka, Ekonometria
Statystyka, Ekonometria Wykład dla Geodezji i Kartografii 11 kwietnia 2011 () Statystyka, Ekonometria 11 kwietnia 2011 1 / 31 LITERATURA J. Hozer, S.Kokot, W. Kuźmiński metody analizy statystycznej w wycenie
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 5 Magdalena Alama-Bućko 1 kwietnia 2019 Magdalena Alama-Bućko Statystyka matematyczna 1 kwietnia 2019 1 / 19 Rozkład Poissona Po(λ), λ > 0 - parametr tzw. rozkład zdarzeń
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli
Bardziej szczegółowoTesty zgodności. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 11
Testy zgodności Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej 27. Nieparametryczne testy zgodności Weryfikacja
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 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 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 szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoPodstawowe pojęcia. Własności próby. Cechy statystyczne dzielimy na
Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony zbiór jednostek, które
Bardziej szczegółowo