Statystyka i opracowanie danych W3: Wprowadzenie do statystycznej analizy danych Podstawy wnioskowania statystycznego. Estymacja i estymatory

Wielkość: px
Rozpocząć pokaz od strony:

Download "Statystyka i opracowanie danych W3: Wprowadzenie do statystycznej analizy danych Podstawy wnioskowania statystycznego. Estymacja i estymatory"

Transkrypt

1 Statystyka i opracowaie daych W3: Wprowadzeie do statystyczej aalizy daych Podstawy wioskowaia statystyczego. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl

2 Wprowadzeie Podstawowe cele aalizy zbiorów daych Opis ich struktury Odkrywaie i badaie zależości występujących pomiędzy daymi Narzędzia: metody statystyki matematyczej pakiety statystycze Statgraph, Statistica moduły statystycze w arkuszach kalkulacyjych, bazach daych

3 Temat: Wstępa aaliza daych

4 Na czym polega Wstępa aaliza daych: Ile daych: ile zmieych (cech: Płeć, wykształceie, staż, zarobki) ile przypadków (55) Jakie typy dae jakościowe (płeć, wykształceie) dae ilościowe (staż pracy, płaca) Ile braków, jakie, jak je zastąpić

5 Ocea struktury wykształceie pracowików

6 Jaka jest struktura wykształceia kobiet i mężczyz

7 Rozkład empiryczy zmieej ilościowej

8 Wykresy skategoryzowae; ramkowe

9 Wykresy skategoryzowae; ramkowe

10 Wykresy skategoryzowae; iterakcji

11 Statystyki opisowe

12 Badaia statystycze - rodzaje Badaia pełe obejmują wszystkie elemety populacji, p. a przeglądzie uzębieia daego pacjeta moża określić dokładą liczbę zębów i ich sta Badaia częściowe badaia elemetów próbki statystyczej, mają szerokie zastosowaia i są: koiecze w przypadku populacji ieskończoej, stosowae w populacjach skończoych bardzo liczych stosowae w przypadkach badań iszczących

13 Populacja i próba statystycza Populacja jest to zbiór wszystkich elemetów reprezetujących aalizoway problem (zjawisko) Może być zbiorem skończoym, przeliczalym lub ieprzeliczalym. Próba statystycza to podzbiór właściwy elemetów z badaej populacji

14 Badaia statystycze próby losowe Losowy dobór próby polega a tym, że o fakcie zalezieia się poszczególych elemetów populacji w próbie decyduje przypadek. Jest to taki sposób wyboru przy którym spełioe są astępujące dwa waruki; każda jedostka populacji ma dodatie, zae prawdopodobieństwo zalezieia się w próbie istieje możliwość ustaleia prawdopodobieństwa zalezieia się w próbie dla każdego zespołu elemetów populacji

15 Wybór próby reprezetatywej Od próby wymaga się reprezetatywości, czyli aby z przyjętą dokładością opisywała strukturę badaej populacji. O reprezetatywości decydują dwa czyiki: Liczebość () Sposób doboru grupy Wybór celowy, o przyależości do grupy decyduje badacz, stopień reprezetatywości zależy wyłączie od jakości selekcji Wybór losowy- każdy elemet populacji ma jedakową szasę zalezieia się w próbie z takim samym prawdopodobieństwem, stopień reprezetatywości rośie wraz ze wzrostem liczebości grupy. Stosowae są dwie techiki losowaia: Losowaie iezależe (zwrote) Losowaie zależe (bezzwrote

16 O błędach w badaiach statystyczych Badaia, zarówo pełe jak i częściowe, zawsze obciążoe są błędami, związaymi z: orgaizacją eksperymetu, iedokładością pomiarową, przetwarzaiem wyików, w badaiach częściowych z iedokładością odwzorowaia struktury populacji w strukturę próbki

17 Cechy statystycze i ich rodzaje Cechy, którymi wyróżiają się jedostki wchodzące w skład zbiorowości, azywa się cechami statystyczymi. Każda zbiorowość statystycza ma dużo cech, wyboru cech dokouje się a podstawie zakładaego celu badań. Należy wybierać takie cechy, które staowią istotą własość badaego zjawiska Typy cech cechy jakościowe iemierzale (p. kolor, sprawyiesprawy, ale jakościowymi mogą być też liczby p. r piętra, ) cechy ilościowe mierzale to takie, które dadzą się wyrazić za pomocą jedostek miary w pewej skali ( p. wzrost [cm], waga [kg], udział[%]). Cecha mierzala jest: ciągła, może przyjmować każdą wartość z określoego, skończoego przedziału liczbowego (p.odległość, ciężar, temperatura) dyskreta, skokowa przyjmuje wartości ze zbioru skończoego lub przeliczalego (ilość wyrobów wadliwych, liczba zatrudioych w zawodzie).

18 Co to jest pomiar Pomiar jest procedurą przyporządkowywaia liczb różym wartościom zmieej według ustaloej zasady. W aukach empiryczych aalizowaie różych cech staje się użytecze wtedy gdy moża mierzyć ich asileie w różych obiektach. Typowym pomiarem jest pomiar długości ( odległości dwóch puktów), polega o a policzeiu ile odcików o zaej długości ( cm, m, cal) mieści się wzdłuż mierzoego przedmiotu (odcika) Jak mierzyć zmiee ieobserwowale p. talet, agresję (liczba wulgaryzmów wypowiedziaych w jedostce czasu?), kostruujemy wskaźiki

19 Skale pomiaru Najprostszym przykładem pomiaru jest klasyfikacja, czyli azywaie, dotyczy tylko zmieych jakościowych, gdy brae pod uwagę kategorie są rozłącze, poadto, gdy bierze się pod uwagę wszystkie możliwe kategorie daej zmieej, to podział jest wyczerpujący Pomiar w skali porządkowej (ragowej) ozacza uporządkowaie ze względu a asileie cechy. Tę skalę cechuje spójość ( jeśli x jest róży od y yo x<y lub x>y) i przechodiość (x<y i y<z to x<z) Przypisaie jakiemuś pomiarowi ragę ozacza określeie jego miejsca w ustaloym porządku. Ragi ozaczają porządek a ie różice pomiędzy kolejymi pomiarami

20 Skale pomiaru według Staley Smith Steves Skala omiala dotyczy cech jakościowych, operacją pomiarową jest idetyfikacja kategorii do której ależy zaliczyć wyik, prowadzi do podziału zbioru a zbiory rozłącze ( p. samochody wg kolorów). Skala porządkowa stosowaa jest do badaia cech których atężeie jest określae przez przymiotiki, pociąga za sobą porządkowaie lub uszeregowaie badaej zmieej ( p. poiżej ormy, w ormie, powyżej ormy, albo za mały, mały, średi, duży, za duży) Skala rówomiera (przedziałowa)-stosowaia do pomiaru cech ilościowych, zakłada że zbiór wartości cechy składa się z liczb rzeczywistych określoa przez wskazaie stałej jedostki miary i relacji przyporządkowującej liczbę każdemu wyikowi obserwacji (czas kaledarzowy, temperatura o C) Skala ilorazowa- posiada wszystkie właściwości skali przedziałowej ale pomiary wg tej skali charakteryzują się stałymi stosukami i bezwzględym zerem, ma zastosowaie w fizyce, techice p.. czas jaki upłyął od chwili t do t

21 Opracowaie materiału statystyczego Szeregi statystycze Celem tych działań jest przejście od daych idywidualych do daych zbiorowych. Materiał źródłowy ależy odpowiedio posegregować i policzyć, w wyiku otrzymuje się tzw. tablice robocze. Klasyfikacja daych musi być przeprowadzoa: w sposób rozłączy, jedostki o określoych cechach muszą być jedozaczie przydzieloe do poszczególych klas W sposób zupeły, tz. klasy muszą objąć wszystkie występujące cechy daej zbiorowość Techika zestawiaia zależy od rodzaju skali pomiarowej

22 Szeregi statystycze szczegółowe rozdzielcze czasowe Z cechą ilościową Z cechą jakościową puktowe przedziałowe proste skumulowae proste skumulowae

23 Szereg rozdzielczy Przy budowie szeregu rozdzielczego wyróżia się trzy etapy: Ustaleie liczby klas oraz wielkości przedziałów klasowych Przyporządkowaie daych przyjętym przedziałom klasowym Zliczaie liczby jedostek w każdej klasie Liczba klas k zależy przede wszystkim od liczby obserwacji Stosowae bywają astępujące wzory pomoce do szacowaia liczby przedziałów budowaego szeregu rozdzielczego: k=+3,3 log lub k =

24 Numer klasy Szereg rozdzielczy prosty aaliza struktury wiekowej pacjetów Graice przedziałów klasowych dola góra Środek przedziału Liczość klasy Częstość LP a b x i i i/ , , , , , , , , ,0 Suma 05

25 Wykresy histogram licz ebość wiek

26 Statystyka Opisowa Parametrami statystyczymi ( statystykami) azywamy liczby umożliwiające sumaryczy opis zbiorowości. Parametry te tak dokładie charakteryzują zbiorowość, że mogą być wykorzystae do porówywaia różych zbiorowości. Wyróżia się astępujące grupy parametrów statystyczych: Miary położeia (klasycze i pozycyje) Miary zmieości Miary asymetrii i kocetracji

27 Miary położeia Średie arytmetycza, ważoa harmoicza geometrycza Moda- domiata Kwatyle kwartyl pierwszy mediaa (kwartyl drugi) kwartyl trzeci decyl percetyl

28 Estymatory puktowe podstawowych statystyk Estymatory wartości średich x = i = Średia arytmetycza x i x... = x x x g Średia geometrycza x i = = i = x i w w Średia ważoa, gdzie wagi w i >0 x h = i = i i Średia harmoicza x i

29 Moda (domiata) W rozkładach empiryczych określa się domiatę (modę), tj. ajczęściej występującą wartość cechy M o = x o + m m ( m m ) + ( m m + ) h m gdzie x 0 - dola graicą przedziału w którym występuje moda, h m - rozpiętość przedziału klasowego, m, m-, m+ - liczebości odpowiedio przedziału z modą, poprzediego i astępego

30 Graficze wyzaczaie mody histogram liczebość Mo wiek

31 Mediaa wzór iterpolacyjy dla zmieej ciągłej Mediaą rozkładu empiryczego Me azywamy taką wartość cechy, że co ajmiej połowa jedostek zbiorowości ma wartość cechy ie większą iż Me i jedocześie połowa jedostek ma wartość cechy ie miejszą iż Me. Czyli dystrybuata empirycza F (Me) / Dla zmieej losowej ciągłej mediaę oblicza się wg wzoru: Me m h m = x + m m i = gdzie x m - dola graica przedziału zawierającego mediaę h m, m - odpowiedio rozpiętość i liczebość przedziału mediay i

32 Mediaa Wzór Pearsoa a relacje pomiędzy Mo, Me, oraz dla rozkładów symetryczych i umiarkowaie asymetryczych x Mo = 3 ( x Me ) 5% wartości 5% wartości 5% wartości 5% wartości Q Mediaa Q3 mi Rozstęp kwartylowy Rozstęp max

33 Kwatyle Kwatylem rzędu p, gdzie 0<p<, w rozkładzie empiryczym azywamy taką wartość zmieej x p, dla której, jako pierwszej, dystrybuata empirycza spełia relację F(x p ) p, tz., że prawdopodobieństwo przyjęcia przez zmieą wartości ie większych od x p wyosi co ajmiej p, a wartości ie miejszych x p wyosi co ajmiej -p Mediaa - Kwatyl rzędu / Kwartyl - Kwatyl rzędu k/4, gdzie k=,..,3 Decyl Kwatyl rzędu k/0, gdzie k=,...,9 Percetyl Kwatyl rzędu k/00, gdzie k=,...,99;. Percetyl jest wielkością określającą jaki procet obserwacji (wyików) zajduje się poiżej zadaej wartości x p

34 Miary zmieości Miary zmieości dzielą się a miary klasycze i pozycyje. miary pozycyje : rozstęp, odchyleie ćwiartkowe, współczyik zmieości miary klasycze: wariacja, odchyleie stadardowe, odchyleie przecięte, współczyik zmieości

35 Odchyleie ćwiartkowe Kwartyle są wykorzystywae do określeia pozycyjej miary zróżicowaia, azywaej odchyleiem ćwiartkowym, którym jest wielkość Q, określoa wzorem Q = Q Q 3

36 Miary zmieości Rozstęp- ajprostsza miara zmieości Odchyleie ćwiartkowe Odchyleie przecięte Q R=x max x mi Q 3 Q = Współczyik zmieości d x x + L+ i= = = x x x i x V d = d x

37 Klasycze miary zmieości Wariacja s = ( x i= Odchyleie stadardowe s = i = i x) ( x i x Współczyik zmieości - klasyczy ) V s = s x

38 Miary skośości / asymetrii Miarą stopia i kieruku asymetrii jest klasyczy współczyik asymetrii g, obliczay według wzoru: g = A s 3 3 gdzie s jest odchyleiem stadardowym A 3 jest trzecim mometem cetralym rozkładu empiryczego A r 3 3 = ( x i x ) i = i

39 Miary skośości / asymetrii Niemiaoway współczyik asymetrii (skośości) A stosoway do porówań asymetrii wielu rozkładów A = x s Mo gdy: A=0 rozkład symetryczy asymetria lewostroa- wydłużoe lewe ramie rozkładu asymetria prawostroa wydłużoe prawe ramie rozkładu Stwierdzoo, że jedyie w przypadku bardzo silej asymetrii współczyik A przekracza wartość

40 Miary skośości / asymetrii Pozycyjy współczyik asymetrii w w = ( Q 3 Me ) ( Me Q ) Q gdzie Q jest odchyleiem ćwiartkowym, Me jest mediaą Q i Q 3 odpowiedio pierwszym i trzecim kwartylem, Stwierdzoo astępujące związki dla asymetrii lewostroej x sr <Me<Mo asymetrii prawostroej Mo<Me<x sr

41 Podstawy wioskowaia statystyczego Jeśli S jest przestrzeią zdarzeń elemetarych (w statystyce azywaa populacją), to Prostąpróbąlosową (próbką statystyczą) o liczości azywamy ciąg iezależych zmieych losowych X, X,.., X, określoych a przestrzei S i takich, że każda z ich ma te sam rozkład. Ciąg wartości x, x,.., x próby losowej X, X,.., X azywamy realizacją próby losowej. Wybór elemetów populacji powiie być dokoay w taki sposób, żeby każdy podzbiór populacji, składający się z elemetów miał taką samą szasę wybraia

42 Zadaie: oceić średi wzrost dorosłych Polaków. Jeśli wybieramy próbę spośród studetów ie jest to jedak próba wszystkich dorosłych Polaków Utożsamiamy populację z badaą cechą Szacujemy szukaą wartość ( średi wzrost) obliczając pewą wartość z próby Niech T(X, X,.., X ), w aszym rozumieiu, dobrze przybliża wartość iezaego wskaźika. Taką fukcję T azywamy statystyką. Każda tak rozumiaa statystyka jest zmieą losową, a zatem posiada określoy rozkład i te rozkład odgrywa bardzo ważą rolę w aalizie statystyczej.

43 Rozkład średiej w prostej próbie losowej Średią, w prostej próbie losowej X, X,.., X o liczości, azywamy statystykę X = X + X X Podaa defiicja jest szczególym przypadkiem statystyki T(X, X,.., X ) Średia X jest zmieą losową, a x jest kokretą wartością z jedej kokretej próby. Możemy wylosować kilka prób 00 elemetowych i z każdej otrzymać ią wartość p. x=`76,5; x =77,8...

44 Prawo Wielkich Liczb (PWL) Prawo Wielkich Liczb: Niech X będzie zmieą losową o wartości oczekiwaej µ X i skończoej wariacji σ X < i iech X, X,.., X będzie prostą próbą losową z rozkładu zmieej X. Wówczas dla dowolie małej dodatiej liczby ε i ( X [ µ ε, µ + ε ]) P X X

45 Charakterystyki rozkładu wartości średiej Zakładając, że prosta próba losowa X, X,.., X pochodzi z rozkładu o wartości średiej µ i wariacji σ, Otrzymamy ( ) X X X X X X X X.... )... ( )... ( σ σ σ σ σ µ µ µ µ µ µ µ µ = = = = = X X σ σ µ µ = = zatem

46 Cetrale twierdzeie graicze Jeśli X, X,.., X jest prostą próbą losową z rozkładu o wartości średiej µ i skończoej wariacji σ. Wówczas dla prób losowych o dużej liczebości rozkład stadaryzowaej średiej jest bliski stadardowemu rozkładowi ormalemu N(0,), tz rozkład średiej X jest w przybliżeiu rówy rozkładowi N( µ, σ / ) Zatem dla dowolych a i b (a b) i zmieej losowej Z o stadardowym rozkładzie ormalym P a X µ σ / b P ( a Z b) = Φ ( b) Φ ( a )

47 Zastosowaie - przykład P Rozkład aszego codzieego dojazdu do pracy jest w przybliżeiu jedostajy a odciku ( 0,5h,h) a jedocześie czasy dojazdów w róże di są iezależe. Jakie ( w przybliżeiu) jest prawdopodobieństwo zdarzeia, że średi dziey dojazd w ciągu 30 di przekroczy 0,8h (48 mi) Rozwiązaie: iech X i ozacza czas dojazdu w i-tym diu, i=,,30 X i ma rozkład jedostajy a odciku [0,5, ], zatem stąd 0,5 + 3 µ X = oraz σ i 4 X 48 * = X i > 0, 8 48 * P ( Z = > ( 0,5 ), 89 ) = Φ = 48 (, 89 ) = 0, 03

48 Rozkład częstości Zakładamy, że zmiea X z rozkładu, z którego pochodzi próba, może przyjmować tylko dwie wartości: ozaczmy, gdy baday obiekt posiada określoą cechę 0, gdy obiekt tej cechy ie posiada p=p(x=) q=-p=p(x=0) Liczba p, zwaa proporcją jest rówa prawdopodobieństwu posiadaia wybraej cechy (własości) przez losowo wybraą jedostkę. Zauważmy, że µ X =*p+0*(-p)=p, stąd też wyika że rozpatryway wcześiej problem szacowaia wartości średiej jest w tym kokretym przypadku jedozaczy z szacowaiem proporcji. Przykłady zastosowań: szacowaie proporcji produktów wadliwych wyprodukowaych w ciągu miesiąca, albo leworęczych ucziów przychodzących do I klasy

49 Rozkład częstości Częstością występowaia w prostej próbie losowej azywamy statystykę pˆ = i = gdzie X, X,.., X jest prostą próbą losową z rozkładu dwupuktowego o wartościach 0 i. Statystykę p obliczoą dla kokretych wartości w próbie azywamy wartością częstości X i

50 Twierdzeia o częstości występowaia. Częstość występowaia pomożoa przez liczość próby ma rozkład dwumiaowy (Berouliego) B (, p). Poadto. Dla dowolych rzeczywistych a i b, gdy p p p p p ) ( ˆ ˆ = = σ µ ) ( ) ( ) ( ˆ a b b p p p p a P Φ Φ

51 Przykład zastosowań W populacji dorosłych Polaków 39% ma kłopoty ze sem. Jakie jest prawdopodobieństwo, że w próbie 00 elemetowej, częstość osób mających kłopoty ze sem ie przekroczy 0,33. Iteresuje as P( pˆ 0,33) P Dae: a=-, b=33, = ( pˆ ) Φ = Φ(.3) = *0.39*0.6

52 Estymacja i estymatory.

53 Techiki wioskowaia statystyczego W statystyce matematyczej stosowae są dwie techiki wioskowaia: Estymacja polegająca a oszacowaiu z pewą dokładością określoych wartości charakteryzujących rozkład badaej cechy p. częstości, wartości oczekiwaej, wariacji. Weryfikacja hipotez statystyczych polegająca a sprawdzeiu słuszości przypuszczeń dotyczących postaci rozkładu cechy (testy zgodości) bądź wartości jego parametrów (parametrycze testy istotości) Obie wymieioe techiki uzupełiają się wzajemie.

54 Co to jest estymator Zakładamy, że rozkład badaej cechy w populacji geeralej jest opisay za pomocą dystrybuaty F (x;θ), gdzie Θ ozacza parametr od którego zależy ta dystrybuata (taki jak p. λ w rozkładzie Poissoa). Niezaa wartość parametru Θ będzie szacowaa (obliczoa) a podstawie próby -elemetowej (X,.,X )

55 Defiicja estymatora Estymatorem T parametru Θ rozkładu populacji geeralej azywa się statystykę (dowolą) z próby T = t (X,...,X ), która służy do oszacowaia wartości liczbowej tego parametru. Skoro szacuku parametru dokouje się w oparciu o dae z próby, zatem istieje możliwość popełieia błędu ( iech go ozacza litera d), który azyway jest błędem szacuku (estymacji) parametru Θ d = T -Θ

56 Błąd estymacji Błąd d jest też zmieą losową ( zależą od próby losowej), a za miarę tego błędu przyjmuje się = E (T Θ) Zauważmy, że jeśli E (T ) = Θ wtedy wyrażeie określające, jest wariacją D (T ) estymatora T,, a odchyleie stadardowe D(T ) jest średim (stadardowym) błędem szacuku parametru Θ, błędem względym oszacowaia jest iloraz D(T ) / Θ

57 Estymacja i estymatory Rozpatrywae dotychczas statystyki: średia i częstość ależą do ajczęściej stosowaych w praktyce. W przypadku gdy statystyki używae są do szacowaia (przybliżaia) iezaych parametrów rozkładu zmiee losowej oszą specjalą azwę: Statystykę T(X, X,.., X ), służącą do oszacowaia iezaego parametru populacji azywamy estymatorem. Dla kokretych wartości próby X =x, X =x,.., X = x liczbę T(X, X,.., X ) azywamy wartością estymatora

58 Estymacja i estymatory W zależości od tego co chcemy oszacować rozróżia się estymację parametryczą, gdy szacowae są parametry rozkładu zmieej X (p. E(X), D (X)) Estymację ieparametryczą, gdy próbujemy wioskować o postaci rozkładu cechy X w populacji. Podstawy teorii estymacji sformułował Karl Pearso a przełomie XIX i XX wieku.. Pierwszym krokiem w estymacji jest wylosowaie z populacji - elemetowej próby, po czym. a podstawie badań próby - obliczeń wykoaych a daych zawartych w próbce 3. wyciągamy wioski dotyczące badaej cechy w całej populacji.

59 Rodzaje estymacji wg kryterium wyiku Estymacja puktowa ma zastosowaie gdy, a podstawie daych z próby, chcemy ustalić liczbową wartość określoego parametru rozkładu cechy w całej populacji Estymacja przedziałowa polega a wyzaczeiu graic przedziału liczbowego, w którym, z określoym prawdopodobieństwem, zawiera się wartość szacowaego parametru Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie próby. p. dla wartości oczekiwaej jest to średia arytmetycza, albo średia ważoa. Liczba możliwych estymatorów kokretego parametru rozkładu może być duża ale, bierze się pod uwagę tylko te, które posiadają określoe właściwości (cechy).

60 Cechy dobrego estymatora Zgody Nieobciążoy Najefektywiejszy Estymator jest zgody jeśli jest stochastyczie zbieży z szacowaym parametrem. W praktyce ozacza to, że im większa próba (liczość próbki) tym większe prawdopodobieństwo, że estymator przyjmie wartości bliższe szacowaemu parametrowi. Przykład im więcej ćwiczymy tym bardziej prawdopodoby sukces.

61 Zbieżość stochastycza Ciąg zmieych losowych (X, X,.., X )={X } jest stochastyczie zbieży do stałej c, jeśli dla dowolego ε>0, jest spełioa zależość lim P( X c < ε ) = Ozacza to, że prawdopodobieństwo zdarzeia ( c < ε ) X wzrasta do, co ie ozacza zbieżości w sesie aalizy matematyczej

62 Estymator zgody Estymator T jest zgody jeśli dla dowolego ε>0. lim P { T Θ < ε } = Jeśli wybray estymator ie jest zgody to zwiększeie liczebości próby może go oddalić od wartości szacowaej. Przykład estymatorem średich wyików grupy jest średia ocea ajlepszego studeta, tak skrajie zdefiioway estymator ie jest zgody, bo zwiększeie liczości grupy zwiększa prawdopodobieństwo oddalaia go od średiej ocey w całej grupie. Jeśli estymator jest zgody to jest asymptotyczie ieobciążoy

63 Podstawowe własości estymatorów Tw.: Jeśli estymator jest ieobciążoy lub asymptotyczie ieobciążoy oraz jego wariacja spełia relację D ( T ) 0 lim = to jest o estymatorem zgodym Estymator T parametru Θ jest ieobciążoy jeśli spełioa jest relacja E (T ) = Θ Jeśli ta relacja ie zachodzi, to estymator azywamy obciążoym, a wielkość b (T ) = E (T ) - Θ azywamy obciążeiem estymatora

64 Cechy dobrego estymatora - Nieobciążoość Nieobciążoość estymatora ozacza, że wartość oczekiwaa estymatora ieobciążoego jest dokładie rówa wartości szacowaego parametru. Obciążoość ozacza, że wartości dostarczae przez taki estymator obciążoe są błędem systematyczym

65 Obciążoość i ieobciążoość estymatora Odchyleie stadardowe dae wzorem s = ( x i x) i= jest estymatorem obciążoym odchyleia stadardowego w całej populacji, a ieobciążoym jest odchyleie obliczoe z wzoru s = ( x i x) i=

66 Cechy dobrego estymatora - Efektywość Efektywość estymator jest tym efektywiejszy im miejsza jest jego wariacja. Spośród wszystkich estymatorów, które są zgode i ieobciążoe wybieramy te, który ma ajmiejszą wariację, jest ajefektywiejszy.

67 Przykłady estymatorów puktowych Estymatorem zgodym, ieobciążoym i ajefektywiejszym dla wartości oczekiwaej w populacji jest średia arytmetycza X = i= X i Mediaa wyzaczoa z próby jest ieobciążoym ale miej efektywym od średiej arytmetyczej estymatorem wartości oczekiwaej

68 Przykłady estymatorów puktowych Niech m ozacza liczbę wyróżioych elemetów w próbie elemetowej ( p. liczbę wyrobów wadliwych), wtedy statystyka będąca częstością w próbie P = m jest estymatorem zgodym, ieobciążoym i ajefektywiejszym frakcji P w populacji

69 Przykłady estymatorów puktowych S = ( X i= i X ) S jest estymatorem zgodym ale obciążoym wariacji w całej populacji. Wskazówka: tego wzoru używamy obliczając wariację z całej populacji, atomiast do estymacji a podstawie próbki ależy wyik z próby pomożyć przez współczyik /(-)

70 Własości estymatora - podsumowaie Jeśli day jest zbiór estymatorów T,... T r ieobciążoych, to te estymator, który ma w tym zbiorze ajmiejsza wariację, jest estymatorem ajefektywiejszym. Tw. Estymator parametru statystyczego powiie być: ieobciążoy zgody ajefektywiejszy Metody wyzaczaia estymatorów: metoda mometów, metoda ajwiększej wiarygodości

71 Estymacja parametrycza Ze względu a formę wyiku estymacji wyróżimy: Estymacja puktowa gdy szacujemy liczbową wartość określoego parametru rozkładu cechy w całej populacji Estymacja przedziałowa gdy wyzaczamy graice przedziału liczbowego, w których, z określoym prawdopodobieństwem, mieści się prawdziwa wartość szacowaego parametru.

72 Przedziały ufości dla klasyczych parametrów statystyczych Estymacja przedziałowa polega a wyzaczeiu graic przedziału liczbowego, w którym, z określoym prawdopodobieństwem, rówym (-α), zawiera się wartość szacowaego parametru

73 Estymacja przedziałowa P (Θ d (X,...,X )< Θ < Θ g (X,...,X )) = -α Losowy przedział (Θd,Θg ) azywa się przedziałem ufości parametru Θ Graice przedziału ufości są fukcjami zmieych losowych X,...,X -α azywamy poziomem ufości (lub współczyikiem ufości) Zwykle przyjmuje się -α = 0,99 lub 0,95 lub 0,90 w zależości od rozpatrywaego zagadieia

74 Przedział ufości dla wartości oczekiwaej, gdy zae jest odchyleie stadardowe gdzie: X Cecha X ma w populacji rozkład ormaly N( µ, σ), odchyleie stadardowe σ jest zae. Estymatorem wartości oczekiwaej µ, uzyskaym MNW jest średia arytmetycza, która jest zmieą losową o rozkładzie N(µ, σ/ ) Po stadaryzacji otrzymuję zmieą U o rozkładzie N(0,) U jest liczbą elemetów z próby losowej ozacza średią arytmetyczą obliczoą z próby losowej σ odchyleie stadardowe populacji = X σ µ

75 Przedział ufości dla wartości oczekiwaej gdy zae jest odchyleie stadardowe σ P( X u Φ(u -α/ ) = - α/ σ µ < σ α α < X + u ) = α Poziom ufości - α α/ α/ u α/ = - u -α/ 0 u -α/ u

76 Praktycza realizacja przedziałów ufości dla µ, dla prostych prób losowych o liczościach =5, z rozkładu N (0,) dla poziomu ufości -α = 0.9

77 Problem miimalej liczości próby α σ µ σ α α = < + < ) ( u X u P Długość przedziału ufości wyosi u σ α Żądamy by maksymaly błąd oszacowaia ie przekraczał zadaej z góry wartości d d u σ α Z tej relacji wyika, że d u σ α

78 Zadaie Wykoujemy pomiary grubości płytki metalowej. Jak dużą liczbę pomiarów () ależy przeprowadzić, aby prawdopodobieństwem (ufością) wyoszącym 0,95 maksymaly błąd ocey ie przekraczał 0,0 mm. Zakładamy, że odchyleie stadardowe błędów pomiarów σ=0.

79 Przedział ufości dla wartości oczekiwaej, gdy odchyleie stadardowe jest iezae Estymatorem µ, uzyskaym MNW jest średia arytmetycza, ie zamy σ, musimy zatem wybrać statystykę, która od σ ie zależy t X m = S Statystyka t ma rozkład Studeta z - stopiami swobody, ie zależy od parametru σ ale od parametru S, S jest odchyleiem stadardowym obliczoym z próby.

80 Przedział ufości dla wartości oczekiwaej, gdy odchyleie stadardowe jest iezae P Przedział ufości dla wartości oczekiwaej ma wtedy postać S ( X tα, < m < X + tα, ) = S α gdzie wartość tα,-, jest kwatylem rzędu α, z - stopiami swobody Długość przedziału wyosi tα,-s/ -

81 Kwatyle t -α (), rzędu -α,rozkładu Studeta o stopiach swobody -α

82 Przedział ufości dla wartości oczekiwaej, gdy iezay jest rozkład w populacji W praktyce często ie zay jest rozkład cechy w populacji i brak jest podstaw do przyjęcia, że jest o ormaly. Wiadomo, że średia arytmetycza wyzaczoa z próby o dowolym rozkładzie jest zmieą losową o rozkładzie N(m, σ/ ), dlatego Niezae σ moża przybliżyć obliczoym z dużej próby odchyleiem stadardowym S α σ µ σ α α = + < < ) ( u X u X P α µ α α = + < < ) ( s u X s u X P

83 Zadaie Dokoao 0 pomiarów ciśieia wody a ostatim piętrze bloku 5 piętrowego i okazało się, że średie ciśieie wyosiło, podczas gdy wariacja wyiosła 4,4. Zaleźć liczbowe wartości krańców przedziałów ufości dla wartości oczekiwaej przyjmując poziom ufości -α = 0,95 -α = 0,90 -α = 0,98

84 Przedział ufości dla wariacji w populacji ormalej Przedział jest zbudoway w oparciu o statystykę χ =s / σ, która ma rozkład χ o - stopiach swobody. W rozkładzie χ określa się dwie wartości, spełiające odpowiedio rówości P( χ χ α ) = α, P( χ χ α ) = α,

85

86 Przedział ufości dla wariacji w populacji ormalej Z podaych wzorów wyika, że ; Po przekształceiu których otrzymujemy przedział ufości dla wariacji α χ χ χ α α = < < ) (,, P α χ σ χ α α = < < ) (,, S P α χ σ χ α α = < < ) (,, S S P

87 Zadaie Odchyleie stadardowe σ błędu przyrządu pomiarowego jest iezae. Zakładamy, że rozkład błędów pomiarów jest rozkładem ormalym. Przeprowadzoo = 0 pomiarów i otrzymao astępujące wyiki {7; 7,5; 8,5; 8; 6; 7,5; 6,5; 5;5 7,5; 6 } Wyzaczyć liczbowe wartości krańców przedziałów ufości dla Wartości oczekiwaej Dla odchyleia stadardowego Na poziomie ufości -α = 0,95

88 Przedziały ufości dla proporcji p Opierając się a częstości skostruujemy przedziały ufości dla proporcji p. Jeśli próba losowa iezależych zmieych o rozkładzie puktowym P(X=)=-P(X=0) = p jest dostateczie licza, by móc skorzystać z przybliżeia rozkładem N(0,), statystyki (*) Wówczas pˆ α α α ) ˆ ( ˆ ˆ u p p p p u P p p p p ) ˆ ( ˆ ˆ

89 Zastosowaie Agecja badająca w 000 roku opiie Polaków a podstawie 000 elemetowej próby stwierdziła, że 57% popiera wejście Polski do Uii. Uzając, ze mamy do czyieia z rozkładem dwupuktowym skostruujemy przedział ufości a poziomie 0,95 dla proporcji Polaków popierających wejście Polski do UE Próba o =000 jest dostateczie licza by skorzystać ze rozkładu statystyki (*) Przedział 95% ufości to [0,54,0,60], atomiast wielkość 0,57(-0,57)/000 = 0,0056 moża uzać za błąd stadardowy otrzymaej częstości, w ujęciu procetowym wyosi o około,6%

90 Przedział ufości dla proporcji p α α α + ˆ) ˆ( ˆ ˆ) ˆ( ˆ p p u p p p p u p P Waże jest aby pamiętać jakie są miimale wymagaia a liczość próby i proporcję p, by móc rozkład podaej w (*) statystyki przybliżać rozkładem N(0,)

91 Zadaie Odchyleie stadardowe σ błędu przyrządu pomiarowego jest iezae. Zakładamy, że rozkład błędów pomiarów jest rozkładem ormalym. Przeprowadzoo = 0 pomiarów i otrzymao astępujące wyiki {7; 7,5; 8,5; 8; 6; 7,5; 6,5; 5;5 7,5; 6 } Wyzaczyć liczbowe wartości krańców przedziałów ufości dla Wartości oczekiwaej Dla odchyleia stadardowego Na poziomie ufości -α = 0,95

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie

Bardziej szczegółowo

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

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowaie daych Podstawy wioskowaia statystyczego. Prawo wielkich liczb. Cetrale twierdzeie graicze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Wprowadzeie Jeśli S

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Rachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Rachek rawdoodobieństwa i statystyka Wioskowaie statystycze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, ok407 ada@agh.ed.l Estymacja arametrycza Podstawowym arzędziem szacowaia iezaego arametr jest estymator

Bardziej szczegółowo

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

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym

Bardziej szczegółowo

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x

Bardziej szczegółowo

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności) IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I) Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod

Bardziej szczegółowo

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej).

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej). Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

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

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

Bardziej szczegółowo

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o 1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

Statystyczny opis danych - parametry

Statystyczny opis danych - parametry Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej

Bardziej szczegółowo

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

Wybrane litery alfabetu greckiego

Wybrane litery alfabetu greckiego Wybrae litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilo η eta Θ θ theta κ kappa Λ λ lambda µ mi ν i ξ ksi π pi ρ, ϱ ro σ sigma τ tau Φ φ, ϕ fi χ chi Ψ ψ psi Ω ω omega Ozaczeia a i

Bardziej szczegółowo

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś 1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Histogram: Dystrybuanta:

Histogram: Dystrybuanta: Zadaie. Szereg rozdzielczy (przyjmujemy przedziały klasowe o długości 0): x0 xi i środek i*środek i_sk częstości częstości skumulowae 5 5 8 0 60 8 0,6 0,6 5 5 9 0 70 7 0,8 0, 5 5 5 0 600 0, 0,6 5 55 8

Bardziej szczegółowo

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1). TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

STATYSTYKA OPISOWA WYKŁAD 1 i 2 STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest

Bardziej szczegółowo

Liczebnośd (w tys.) n

Liczebnośd (w tys.) n STATYSTYKA Statystyka bada prawidłowości w zjawiskach masowych (tz. takich, które mogą występowad ieograiczoą ilośd razy). Przedmiotem badao statyki są zbiory (populacje), których elemetami są wszelkiego

Bardziej szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

θx θ 1, dla 0 < x < 1, 0, poza tym, Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.

Bardziej szczegółowo

Estymacja przedziałowa:

Estymacja przedziałowa: Estymacja przedziałowa: Zamiast szukad ajlepszego estymatora, tak jak w estymacji puktowej będziemy poszukiwad przedziału, do którego będzie ależał szukay parametr z odpowiedio dużym prawdopodobieostwem.

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

Wykład 11 ( ). Przedziały ufności dla średniej Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;

Bardziej szczegółowo

Estymacja parametrów populacji

Estymacja parametrów populacji Estymacja parametrów populacji Estymacja parametrów populacji Estymacja polega a szacowaiu wartości parametrów rozkładu lub postaci samego rozkładu zmieej losowej, a podstawie próby statystyczej. Estymacje

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

Bardziej szczegółowo

ANALIZA DANYCH DYSKRETNYCH

ANALIZA DANYCH DYSKRETNYCH ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności

Estymacja przedziałowa - przedziały ufności Estymacja przedziałowa - przedziały ufości Próbę -elemetową charakteryzujemy jej parametrami (p. x, s, s ). Służą oe do ocey wartości iezaych parametrów populacji (m, σ, σ). Nazywamy je estymatorami puktowymi

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

Statystyka powtórzenie (I semestr) Rafał M. Frąk

Statystyka powtórzenie (I semestr) Rafał M. Frąk Statystyka powtórzeie (I semestr) Rafał M. Frąk TEORIA Statystyka Statystyka zajmuje się badaiem procesu zbieraia oraz iterpretacji daych liczbowych lub jakościowych. Przedmiotem statystyki są metody badaia

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

Bardziej szczegółowo

Wykład nr 2. Statystyka opisowa część 2. Plan wykładu

Wykład nr 2. Statystyka opisowa część 2. Plan wykładu Wykład r 2 Statystyka opisowa część 2 Pla wykładu 1. Uwagi wstępe 2. Miary tedecji cetralej 2.1. Wartości średie 2.2. Miary pozycyje 2.3. Domiata 3. Miary rozproszeia 4. Miary asymetrii 5. Miary kocetracji

Bardziej szczegółowo

PODSTAWY BIOSTATYSTYKI ĆWICZENIA

PODSTAWY BIOSTATYSTYKI ĆWICZENIA PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

Modele probabilistyczne zjawisk losowych

Modele probabilistyczne zjawisk losowych Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń

Bardziej szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu. Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują

Bardziej szczegółowo

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

Bardziej szczegółowo

Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl

Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY Weryfikacja hipotez statystyczych WNIOSKOWANIE STATYSTYCZNE Wioskowaie statystycze, to proces uogóliaia wyików uzyskaych a podstawie próby a całą

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871 COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)

Bardziej szczegółowo

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc 5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X

Bardziej szczegółowo

Parametryczne Testy Istotności

Parametryczne Testy Istotności Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15 Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay

Bardziej szczegółowo

1 Testy statystyczne. 2 Rodzaje testów

1 Testy statystyczne. 2 Rodzaje testów 1 Testy statystycze Podczas sprawdzaia hipotez statystyczych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ a odrzuceiu hipotezy zerowej (H 0 ), gdy jest oa prawdziwa, czyli

Bardziej szczegółowo

TESTY LOSOWOŚCI. Badanie losowości próby - test serii.

TESTY LOSOWOŚCI. Badanie losowości próby - test serii. TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla

Bardziej szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

Statystyka i rachunek prawdopodobieństwa

Statystyka i rachunek prawdopodobieństwa Statystyka i rachuek prawdopodobieństwa Filip A. Wudarski 22 maja 2013 1 Wstęp Defiicja 1. Statystyka matematycza opisuje i aalizuje zjawiska masowe przy użyciu metod rachuku prawdopodobieństwa. Defiicja

Bardziej szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

1 Twierdzenia o granicznym przejściu pod znakiem całki 1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae

Bardziej szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

Rozkłady statystyk z próby Twierdzenia graniczne

Rozkłady statystyk z próby Twierdzenia graniczne Rozkłady statystyk z róby Twierdzeia graicze PRÓBA LOSOWA Próbą losową rostą azyway ciąg -zieych losowych iezależych i osiadających jedakowe rozkłady takie jak rozkład zieej losowej w oulacji geeralej

Bardziej szczegółowo

Statystyka Wzory I. Analiza struktury

Statystyka Wzory I. Analiza struktury Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej

Bardziej szczegółowo

ZDARZENIE ELEMENTARNE to możliwy wynik doświadczenia losowego. Wszystkie takie możliwe wyniki tworzą zbiór zdarzeń elementarnych.

ZDARZENIE ELEMENTARNE to możliwy wynik doświadczenia losowego. Wszystkie takie możliwe wyniki tworzą zbiór zdarzeń elementarnych. STATYSTYKA to auka, której przedmiotem zaiteresowaia są metody pozyskiwaia i prezetacji, a przede wszystkim aalizy daych opisujących zjawiska masowe. Metody statystycze oparte są a rachuku prawdopodobieństwa.

Bardziej szczegółowo

Estymacja punktowa i przedziałowa

Estymacja punktowa i przedziałowa Estymacja puktowa i przedziałowa Marta Zalewska Zakład Profilaktyki Zagrożeń Środowiskowych i Alergologii Populacja Próba losowa (próbka) Parametry rozkładu Estymatory (statystyki) Własości estymatorów

Bardziej szczegółowo

Podstawowe pojęcia. Próba losowa. Badanie próby losowej

Podstawowe pojęcia. Próba losowa. Badanie próby losowej METODY PROBABILISTYCZNE I STATYSTYKA WYKŁAD 8: STATYSTYKA OPISOWA. ROZKŁADY PRAWDOPODOBIEŃSTWA WYSTĘPUJĄCE W STATYSTYCE. Małgorzata Krętowska Wydział Iforatyki Politechika Białostocka Podstawowe pojęcia

Bardziej szczegółowo

Statystyka w rozumieniu tego wykładu to zbiór metod służących pozyskiwaniu, prezentacji, analizie danych.

Statystyka w rozumieniu tego wykładu to zbiór metod służących pozyskiwaniu, prezentacji, analizie danych. Statystyka w rozumieiu tego wykładu to zbiór metod służących pozyskiwaiu, prezetacji, aalizie daych. Celem geeralym stosowaia tych metod, jest otrzymywaie, a podstawie daych, użyteczych uogólioych iformacji

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Pojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby.

Pojcie estymacji. Metody probabilistyczne i statystyka Wykład 9: Estymacja punktowa. Własnoci estymatorów. Rozkłady statystyk z próby. Pojcie estymacji Metody probabilistycze i statystyka Wykład 9: Estymacja puktowa. Własoci estymatorów. Rozkłady statystyk z próby. Szacowaie wartoci parametrów lub rozkładu zmieej losowej w populacji geeralej

Bardziej szczegółowo

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie

ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie WNIOSKOWANIE STATYSTYCZNE ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzeie,, S P przestrzeń probabilistycza (matematyczy model zjawiska losowego), zbiór wszystkich zdarzeń elemetarych, S zbiór zdarzeń, (podzbiory

Bardziej szczegółowo

Estymatory nieobciążone o minimalnej wariancji

Estymatory nieobciążone o minimalnej wariancji Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)

Bardziej szczegółowo

1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.

1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n. Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg

Bardziej szczegółowo

L.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3

L.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3 L.Kowalski zadaia ze statystyki matematyczej-zestaw 3 ZADANIA - ZESTAW 3 Zadaie 3. Cecha X populacji ma rozkład N m,. Z populacji tej pobrao próbę 7 elemetową i otrzymao wyiki x7 = 9, 3, s7 =, 5 a Na poziomie

Bardziej szczegółowo

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017 STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

2.1. Studium przypadku 1

2.1. Studium przypadku 1 Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.

Bardziej szczegółowo

Statystyka opisowa - dodatek

Statystyka opisowa - dodatek Statystyka opisowa - dodatek. *Jak obliczyć statystyki opisowe w dużych daych? Liczeie statystyk opisowych w dużych daych może sprawiać problemy. Dla przykładu zauważmy, że aiwa implemetacja średiej arytmetyczej

Bardziej szczegółowo

Kurs Prawdopodobieństwo Wzory

Kurs Prawdopodobieństwo Wzory Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory

Bardziej szczegółowo

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

Bardziej szczegółowo

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości

Bardziej szczegółowo

Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl

Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych

Bardziej szczegółowo