Estymacja punktowa - Estymacja przedziałowa

Wielkość: px
Rozpocząć pokaz od strony:

Download "Estymacja punktowa - Estymacja przedziałowa"

Transkrypt

1 Etymacja punktowa - Etymacja przedziałowa 1. Wyjaśnij pojęcia: parametr, tatytyka z próby, etymator i ocena (zacunek). Jakie związki zachodzą między nimi? O d p o w i e d ź. Parametrem (populacji) nazywa ię liczbową charakterytykę populacji (np. średnia populacji µ lub wariancja populacji 2 ). Statytyką z próby nazywa ię liczbową charakterytykę próby (np. średnią z próby x, wariancję z próby 2 ). Etymatorem parametru populacji jet tatytyka z próby używana do ozacowania tego parametru. Oceną lub zacunkiem parametru jet konkretna wartość liczbowa etymatora z danej próby. 2. Rewident wybiera loową próbę 12 zaległych należności pośród wzytkich zaległych należności pewnej firmy. Kwoty należności ą natępujące (w dolarach): 87,50; 123,10; 45,30; 52,22; 213,00; 155,00; 39,00; 76,05; 49,80; 99,99; 132,00; 102,11. Ozacuj średnią kwotę zaległych należności firmy, a także wariancję tej kwoty. O d p o w i e d ź. Średnia: x = (87, , 11)/12 = 97, 9225; wariancja: 2 = ( (87, 5 x) (102, 11 x) 2) /(12 1) = 2686, ; odchylenie tandardowe: = 2 = 51, Podanie niżej liczby pochodzą z loowej próby dochodów oobitych robotników przemyłowych w tanie Nowy York (w tyiącach $ rocznie) 14,5; 13,2; 15,4; 12,8; 19,3; 13,4; 16,5; 17,2; 17,8; 11,5; 13,6; 18,8. Podaj punktową ocenę średniej i odchylenia tandardowego dochodów w populacji robotników przemyłowych w tym tanie. O d p o w i e d ź. Średnia: x = 15, ; wariancja: 2 = 6, ; odchylenie tandardowe: = 2, Podane niżej liczby ą loową próbą wynagrodzeń otrzymywanych przez ooby należące do kategorii "najwyżej płatnych dyrektorów firm w kraju" (w milionach $): 0,79; 1,59; 0,99; 1,12; 3,42; 5,21; 7,86; 13,23. Podaj punktową ocenę średniego wynagrodzenia dyrektora należącego do tej kategorii. O d p o w i e d ź. Średnia: x = 4, 27625; wariancja: 2 tandardowe: = 4, = 19, ; odchylenie 5. Wykorzytaj poniżzą tablicę liczb loowych do utalenia numerów identyfikacyjnych elementów próby loowej o liczebności n = 25, pobranej z populacji o liczebności 950 elementów

2 O d p o w i e d ź. Wybieramy pierwzą lepzą liczbę z tablicy i zaczynamy poruzać ię wzdłuż wybranego wierza lub kolumny w dowolnym kierunku. Skoro wybrać mamy z zakreu od 1 do 950, to decydujemy arbirtalnie, że wybierać będziemy pierwze trzy cyfry liczby z tej tablicy, która wpada do zakreu od 1 do 950, pomijając te które nie należą do tego zakreu. Ja wybrałem pierwzą liczbę z tablicy i poruzam ię w prawo po kolejnych wierzach: 104, 150, 15, 20, 816, 916, 691, 141, 223, 465, 255, 853, 309, 891, 279, 534, 241, 483, 225, (972 odrzucam nie należy do podanego zakreu), 763, 648, 151, 248, 421, Znajdź 5 liczb loowych między 0 a O d p o w i e d ź. Podobnie jak w poprzednim zadaniu, wybierając liczby czterocyfrowe: 1048, 1501, 153, 201, Co to ą rozkłady z próby i do jakich celów ich używamy? O d p o w i e d ź. Rozkład z próby jet rozkładem wzytkich możliwych wartości, jakie ta tatytyka może przyjąć, jeżeli obliczamy je na podtawie badania loowych prób o tych amych rozmiarach, pobranych z określonej populacji. Rozkład z próby łuży do zacowania (oceny) parametrów populacji. 8. Pobrano próbę o liczebności n = 5. Pod jakimi warunkami rozkład średniej z próby, X, jet normalny? O d p o w i e d ź. Rozkład X jet normalny pod warunkiem, że rozkład w populacji jet normalny. Jeżeli pobieramy próbę loową z populacji, w której rozkład jet normalny o średniej µ i odchyleniu tandardowym, to średnia z próby, X, ma rozkład normalny ze średnią (wartością oczekiwaną) µ i odchyleniem tandardowym / n. 9. W zadaniu 8 przyjmijmy, że w populacji średnią jet µ = 125, a odchyleniem tandardowym = 20. Jaka jet wartość tandardowego błędu tatytyki X, czyli SD(X)? O d p o w i e d ź. E(X) = µ = 125, SD(X) = / n = 20/ 5 8, Jeżeli średnia w populacji jet równa 1247, wariancja 10000, a próba liczy 100 elementów, to jakie jet prawdopodobieńtwo, że średnia z próby, X, przyjmie wartość mniejzą od 1230? O d p o w i e d ź. Znamy parametry populacji µ = 1247, 2 = (więc = 100). Rozpatrywana tu zmienna loowa to średnia z próby, X, która ma rozkład normalny (lub przynajmniej w przybliżeniu normalny, ze względu na dużą liczebność próby n = 100 > 30) o średniej µ = Odchyleniem tandardowym zmiennej loowej X jet SD(X) = / n = 100/ 100 = 10. Wykonujemy natępujące obliczenia: P (X < 1230) = P ( Z < 1230 µ / n ) = P ( Z < ) / = P (Z < 1, 7), 100 gdzie Z = (X µ)/(/ n) jet zmienną loową o tandardowym rozkładzie normalnym (tandaryzacją zmiennej X). P (Z < 1, 7) = P (Z > 1, 7) = 1 P (Z 1, 7) = 1 F (1, 7), gdzie F jet dytrybuantą tandardowego rozkładu normalnego, więc z tablic (lub komputera) F (1, 7) = 0, Zatem P (X < 1230) = 1 0, = 0, Jeżeli pobieramy próbę z populacji o tandardowym odchyleniu = 55, a liczebność próby n = 150, to jakie jet prawdopodobieńtwo, że średnia z próby, X, odchyli ię od średniej w populacji, µ, o co najmniej 8 jednotek? 2

3 O d p o w i e d ź. Podobnie jak we wcześniejzym zadaniu, przyjmujemy, że rozkład zmiennej X jet normalny ze wzgledu na dużą liczebność próby 150 > 30. Wartość oczekiwana E(X) = µ, odchylenie tandarowe SD(X) = / n = 55/ 150 = 4, Zatem P ( X µ 8) = P (X µ 8) + P (X µ 8) = P ( Z 8 / n ) + P ( Z 8 / n gdzie tandaryzacją X jet zmienna Z = (X µ)/(/ n). A ponieważ Z ma ymetryczną funkcję gętości (jako tandardowa zmienna normalna), to ( P ( X µ 8) = 2P Z 8 ) / = 2P (Z 1, 78). n Ale P (Z 1, 78) = 1 P (Z < 1, 78) = 1 P (Z 1, 78) = 1 F (1, 78) = 1 0, = 0, Zatem P ( X µ 8) = 2 0, = 0, ), 12. Przeciętny tan konta czekowego klienta pewnego banku wynoi 657 $, a odchylenie tandardowe 232 $. Zamierza ię pobrać próbę loową 144 kont. Jakie jet prawdopodobieńtwo, że średnia w próbie nie przekroczy 600 $? O d p o w i e d ź. Pozukiwane prawdopodobieńtwo jet równe: P ( X 600 ) ( ) X 657 = P 232/ / = P (Z 2, 95) = F ( 2, 95). 144 Zatem P (X 600) = 1 F (2, 95) = 1 0, 998 = 0, Przypuśćmy, że dyponujemy dwiema tatytykami A i B, jako etymatorami tego amego parametru w populacji. Etymator A jet nieobciażony, ale ma dużą wariancję. Etymator B ma niewielkie obciążenie ale wariancję równą jednej dzieiątej wariancji etymatora A. Który etymator uznałbyś za lepzy? Odpowiedź uzaadnij. O d p o w i e d ź. Etymator o mniejzej wariancji, mimo niewielkiego obciążenia, jet lepzy, gdyż kolejne oceny zacowanego parametru populacji poczynione za pomocą etymatora B będą efektywniejze, mniej rozprozone, mimo małego obciążenia. 14. Przypuśćmy, że dyponujemy etymatorem o tounkowo dużym obciążeniu, który jet jednak zgodny i efektywny. Czy gdybyś dyponował dużym funduzem na przeprowadzenie badań reprezentacyjnych, korzytałbyś z tego etymatora? Odpowiedź uzaadnij. O d p o w i e d ź. Duży funduz oznacza tu, że możemy pozykać próbę o dużej liczebności. Zgodny etymator będzie w tym przypadku dobry, bo prawdopodobieńtwo zbliżania ię wartości etymatora do zacowanego parametru wzrata wraz z liczebnością próby. 15. Przypuśćmy, że w badaniach reprezentacyjnych mających na celu ozacowanie wariancji w populacji połużono ię obciążonym etymatorem (biorąc w mianowniku równania 2 = n (x i x) 2 i=1 n 1 n zamiat n 1). Liczebność próby wynoiła 100. Otrzymano ocenę 1,287. Czy można utalić nieobciążoną ocenę wariancji w populacji? 3

4 O d p o w i e d ź. Oznaczmy etymator obciążony Y i jego wartość w podanej próbie przez y = 1, 287. Wtedy n (x i x) 2 i=1 y =. n Zatem n (x i x) 2 n (x i x) 2 2 i=1 i=1 n = = n 1 n n 1 = y n n 1 = yn n 1. Ponieważ liczebność próby wynoiła n = 100 i y = 1, 287, to z powyżzego ocena nieobciążonej wariancji 2 = 1, = 1, Pobrano 3 loowe próby o liczebnościach 30, 48 i 32. Dla każdej z nich obliczono średnie z próby. Jaka jet łączna liczba topni wobody dla odchyleń (tandardowych) od średniej w tych próbach? O d p o w i e d ź. Liczba topni wobody w pojedynczej próbie o liczebności n wynoi df = n 1 (df od degree of freedom). Zatem łączna liczba topni wobody to = Bank przyłał klientowi informację o średniej wartości um wypianych na czekach w ciągu otatniego mieiąca. Klient ma zanotowane umy wypiane na 17 czekach wśród 19 wytawionych przez iebie czeków. Czy korzytając z tej informacji możez odtworzyć umy wypiane na dwóch brakujących czekach? Odpowiedź uzaadnij. O d p o w i e d ź. Nie. Można odtworzyć tylko umę kwot wypianych na pozotałych dwóch czekach. Niech x oznacza średnią um przełanych klientowi przez bank. Jet ona równa: x = x x 17 + x 18 + x Bez zmniejzenia ogólności możemy założyć, że klient nie wie ile wynozą kwoty x 18 i x 19. Zatem x 18 + x 19 = 19 x (x x 17 ). 18. W zadaniu 17 zmieniły ię warunki o tyle, że klient przypomniał obie jezcze jedną, oiemnatą umę wypianą na czeku. Czy tym razem możez odtworzyć umę wypianą na brakującym czeku? Odpowiedź uzaadnij. O d p o w i e d ź. Załóżmy, że klient zanotował już obie umę x 18 + x 19. Oznaczmy ją k. Wtedy x 19 = k x 18 i znamy wzytkie umy z 19 czeków. 19. Co to jet przedział ufności i do czego jet przydatny? Co to jet poziom ufności? O d p o w i e d ź. Przedziałem ufności nazywamy przedział liczbowy, o którym przypuzczamy, że mieści ię w nim nieznany parametr populacji. Z przedziałem tym związana jet miara ufności (pewności), że ten przedział naprawdę zawiera intereujacy na parametr, zwana poziomem ufności. Przedział ufności przydatny jet do oceny (zacunku) parametrów populacji. 20. Wyjaśnij dlaczego klayczna tatytyka nie pozwala określać przedziału ufności jako przedziału do którego zacowany parametr należy z określonym prawdopodobieńtwem? 4

5 O d p o w i e d ź. Klayczna tatytyka x nie pozwala określać przedziału ufności, bowiem koro pobranie loowej próby już natąpiło i zotała obliczona pewna konkretna wartość x nie jet już ona zmienną loową i nie możemy mówić o prawdopodobieńtwie pojawienia ię tej liczby. Przedziały ufności dla µ, gdy znane jet. 21. Pośrednik w handlu nieruchomościami chce ozacować średnią wartość domu miezkalnego o określonej powierzchni w pewnej dzielnicy. Pośrednik jet przekonany, że tandardowe odchylenie wartości domu = 5500 $ i że rozkład wartości domów jet w przybliżeniu normalny. W loowej próbie 16 domów średnia wynioła x = 89673, 12 $. Wyznacz 95% przedział ufności dla średniej wartości domu w tej dzielnicy. O d p o w i e d ź. 95% przedział ufności dla średniej w populacji, µ, gdy znane jet, a próba (o liczności n) pochodzi z populacji normalnej (lub jet "dużą" próbą), wyznacza wzór: [ x 1, 96 n ; x + 1, 96 ]. n krócej, końce tego przedziału opiane a wzorem x ± 1, 96/ n. W nazym zadaniu 1, 96 Zatem 95% przedział ufności wynoi = 1, = n 16 [89673, ; 89673, ] = [86978, 12; 92368, 12] 22. W zadaniu 21 przyjmij. że pozukiwany jet 99% przedział ufności. Wyznacz nowy przedział ufności i porównaj go z przedziałem odpowiadającym 95% poziomowi ufności. O d p o w i e d ź. Na początek wyznaczamy wpółczynnik ufności według wzoru (1 α)100% = 99%, kąd 1 α = 0, 99, czyli α = 0, 01. (1 α)100% przedział ufności dla µ, gdy znamy dany jet wzorem [ x z α/2 n ; x + z α/2 ], n tzn. jet to przedział o końcach x ± z α/2 / n, gdzie z α/2 jet wartością tandaryzowanej zmiennej loowej normalnej Z, która odcina pod prawym "ogonem" krzywej gętości normalnej pole o mierze α/2. Stąd z α/2 jet dodatnim rozwiązaniem równania 1 F (x) = α/2, gdzie F jet dytrybuantą tandardowego rozkładu normalnego. Zatem z α/2 jet dodatnim rozwiązaniem równania F (x) = 1 α/2. W nazym przypadku F (z α/2 ) = 0, 995. Z tablicy rozkładu normalnego (lub komputera) odczytujemy wartość z α/2 = 2, 58. Stąd: z α/2 Zatem 99% przedział ufności wynoi = 2, = 3547, 5. n 16 [89673, , 5; 89673, , 5] = [86125, 62; 93220, 62]. 5

6 23. Producent amochodów chce ozacować średnie zużycie paliwa przez nowy model amochodu, mierzone ilością mil przejechanych na autotradzie na jednym galonie benzyny. Z doświadczeń z podobnymi modelami producent wie, że odchylenie tandardowe zużycia paliwa wynoi 4,6 (mil/galon). Pobrano 100-elementową próbę przebiegów nowego modelu na tej amej autotradzie i twierdzono, że średnio amochód przejeżdżał na jednym galonie benzyny 32 mile. Utal 95% przedział ufności dla średniej liczby kilometrów, jaką nowy model amochodu może przejechać na danej autotradzie na jednym galonie benzyny. O d p o w i e d ź. Dane mamy: = 4, 6, n = 100, x = 32. Zatem 95% przedział ufności dla µ w nazym zadaniu jet równy [ x 1, 96 ] ; x + 1, 96 = [31, 0984; 32, 9016]. n n 24. Czy w zadaniu 23 muimy zakładać, że zmienna "liczba kilometrów przejechanych na jednym galonie benzyny" ma rozkład normalny? Odpowiedź uzaadnij. O d p o w i e d ź. Nie muimy tego zakładać, gdyż pobrana próba jet duża, 100-elementowa (100 > 30). 25. Importer win mui utalić średni procent alkoholu w butelkach nowego francukiego wina. Z poprzednich doświadczeń wie on, że odchylenie tandardowe tej zmiennej wynoi 1, 2%. Importer wybiera loowo 60 butelek i twierdza, że średnia z próby x = 9, 3%. Utal 90% przedział ufności dla średniego procentu alkoholu w butelkach nowego importowanego wina. O d p o w i e d ź. Dane mamy: = 1, 2, n = 60, x = 9, 3. Aby wyznaczyć 90% przedział ufności dla µ wyznaczamy, że 1 α = 0, 9, czyli α = 0, 1. Zatem z α/2 jet wartością dla której F (z α/2 ) = 1 α/2 = 1 0, 05 = 0, 95. Z tablic rozkładu normalnego mamy: z α/2 = 1, 64 Zatem 90% przedziałem ufności dla µ w nazym zadaniu jet [ x z α/2 ] ; x + z α/2 = [9, 0459; 9, 5541]. n n 26. Firma rozważa zaintalowanie faku w jednym ze woich biur. Przed podjęciem decyzji zef firmy chce ozacować przeciętną liczbę dokumentów, która będzie wyyłana za pomocą zaintalowanego urządzenia. Na podtawie oberwacji innych biur firmy zef uważa, że tandardowe odchylenie liczby dokumentów wyyłanych dziennie za pomocą faku wynoi 32. Jet też przekonany, że liczba dokumentów wyyłanych dziennie w ten poób jet zmienną loową o rozkładzie normalnym. Zbadano 15 loowo wybranych dni. Średnia liczba wyyłanych dziennie dokumentów okazała ię równa 267 ztuk. Utal 99% przedział ufności dla przeciętnej liczby dokumentów wyyłanych dziennie z tego biura, o ile fak zotałby w nim zaintalowany. O d p o w i e d ź. Dane mamy: = 32, n = 15, x = 267, kąd α = 0, 01, z α/2 = 2, 58. Zatem 99% przedziałem ufności dla µ w nazym zadaniu jet [ x z α/2 ] ; x + z α/2 = [245, 6831; 288, 3169]. n n 6

7 27. Przy danych do zadania 26 rozpatrz ytuację, w której zef firmy byłby zaintereowany zaintalowaniem faku, gdyby mógł mieć zaufanie do tego, że przeciętna liczba dokumentów wyyłanych dziennie przekroczy 245 ztuk. Czy wynik uzykany w zadaniu 26 uprawiedliwiałby zaintalowanie faku? Odpowiedź uzaadnij. O d p o w i e d ź. Wzytkie wartości w 99% przedziale ufności z poprzedniego zadania ą więkze od 245. Dlatego zef firmy może mieć 99% zaufanie do tego, że przeciętna liczba przeyłanych dziennie dokumentów przekroczy 245 ztuk. Przedziały ufności dla µ, gdy nie jet znane. 28. Firma telefoniczna chce ozacować przeciętną długość rozmów międzymiatowych w czaie weekendu. Z loowej próby 50 rozmów otrzymano średnią x = 14, 5 minuty przy odchyleniu tandardowym z próby = 5, 6 minuty. Wyznacz 95% przedział ufności dla średniej długości rozmów międzymiatowych w czaie weekendu. O d p o w i e d ź. Końce (1 α)100% przedziału ufności w przypadku, gdy nie jet znane odchylenie tandardowe w populacji dane ą wzorem x ± t α/2 n, gdzie t α/2 jet wartością rozkładu t Studenta o n 1 topniach wobody, która odcina pod "ogonem" krzywej gętości rozkładu pole o mierze α/2 po prawej tronie. Ponieważ liczebność próby n = 50, muimy połużyć ię rozkładem t o n 1 = 59 topniach wobody. W tablicy rozkładu Studenta, w wierzu odpowiadającym 59 topniom wobody, w kolumnie odpowiadającej mierze pola pod prawym "ogonem" krzywej gętości równej 0, 025 (czyli α/2) znajdujemy t α/2 = 2, Znając tę wartość obliczamy: t α/2 = 2, , 6 = 1, 59. n 50 Zatem 95% przedział ufności dla µ w nazym zadaniu jet potaci [14, 5 1, 59; 14, 5 + 1, 59] = [12, 91; 16, 09]. 29. Firma ubezpieczeniowa zajmuje ię przypadkami nadużyć w lecznictwie i jet zaintereowana ozacowaniem przeciętnej wartości odzkodowania żądanego od lekarzy pewnej pecjalności. Zbadano 165 loowo wybranych przypadków, wśród których średnia wartość żądanego odzkodowania x wynioła $. przy odchyleniu tandardowym = 5542$. Wyznacz przedziały ufności dla przeciętnej wartości odzkodowania przy poziomach ufności 95% i 99%. O d p o w i e d ź. Wyznaczamy najpierw α/2 w obu przypadkach. Mamy 1) 1 α = 0, 95, gdy α = 0, 05, kąd α/2 = 0, 025, 2) 1 α = 0, 99, gdy α = 0, 01, kąd α/2 = 0, 005. W przypadku 1) zukamy t 0,025, a w przypadku 2) zukamy t 0,005 w tablicy rozkładu tudenta o n 1 = 164 topniach wobody. Mamy t 0,025 = 1, 975 i t 0,005 = 2, 606. Zatem przedziałami ufności ą odpowiednio: 1) [ , ; , ] = [15677, 89; 17382, 10], 7

8 2) [ , ; , ] = [15405, 66; 17654, 34]. 30. Producent opon chce ozacować przeciętny przebieg (w milach) opony okrelonego typu przed całkowitym zużyciem. Pobrano próbę 32 opon i jeżdżono na nich aż do całkowitego zużycia, notując liczbę mil przebiegu każdej opony. Otrzymano natępujące wyniki (w ty. mil): 32, 33, 28, 37, 29, 30, 25, 27, 39, 40, 26, 26, 27, 30, 25, 30, 31, 29, 24, 36, 25, 37, 37, 20, 22, 35, 23, 28, 30, 36, 40, 41. Wyznacz 95% przedział ufności dla przeciętnej liczby mil, jaką można przejechać na oponie tego typu. O d p o w i e d ź. Najpierw należy obliczyć średnią z próby: x = 1 ( ) = 30, 5625, 32 a natępnie wariancję i odchylenie tandardowe z próby: 2 = 1 31 ((32 x) (41 x) 2) = 33, , więc = 2 = 5, Parametr α jet równy 0, 05, więc α/2 = 0, 025. Z tablic rozkładu tudenta o n 1 = 31 topniach wobody odczytujemy t α/2 = 2, Zatem t α/2 Stąd 95% przedziałem ufności dla µ jet 32 = 2, [30, , 0821; 30, , 0821] = [28, 4804; 32, 6446]. 31. Firma Pier 1 Import zajmuje ię detaliczną przedażą mebli i innych przętów domowych w całym kraju. Od czau do czau firma przeprowadza badania ankietowe wśród woich klientów wybierając ich loowo na zaadzie loowania kodów pocztowych. W jednym z badań klienci byli prozeni o ocenę tołu importowanego z Tajlandii, w kali od 0 do 100. Oceny 25 klientów wypadły natępująco: 78, 85, 80, 89, 77, 50, 75, 90, 88, 100, 70, 99, 98, 55, 80, 45, 80, 76, 96, 100, 95, 90, 60, 85, 90. Wyznacz 99% przedział ufności dla podawanej przeciętnie przez klientów firmy oceny tołu. O d p o w i e d ź. W tym zadaniu n = 25, x =, = 15, 4469, α/2 = 0, 005, t α/2 = 2, Zatem 99% procentowym przedziałem ufności dla µ jet: [x t α/2 ; x + t α/2 ] = [81, 24 8, 6408; 81, , 6408] = [72, 60; 89, 88]. n n 32. Szkła kontaktowe mogą wywoływać podrażnienie gałki ocznej z powodu gromadzenia ię ubtancji białkowej na powierzchni oczewek. Nowa technologia zapowiada uporanie ię z tym problemem. Na oczewkę nakłada ię wartwę polimeru, która nie pozwala proteinom znajdującym ię we łzach gromadzić ię na oczewce. Wartwa polimeru mui mieć średnią długość 10 atomów. Zbadano próbę 15 miejc wybranych loowo na oczewce pokrytej polimerem i twierdzono natępujące grubości wartwy polimeru (mierzone w atomach): 8

9 9, 9, 8, 11, 12, 10, 9, 8, 13, 12, 10, 11, 10, 9, 7. Wyznacz 90% przedział ufności dla przeciętnej grubości wartwy polimeru na oczewce. Czy żądana grubość wartwy (10 atomów) leży wewnątrz przedziału ufności? Wyjaśnij znaczenie odpowiedzi. O d p o w i e d ź. W tym zadaniu n = 15, x = 9, 8667, = 1, 6847, α/2 = 0, 05, t α/2 = 1, Zatem 99% procentowym przedziałem ufności dla µ jet: [x t α/2 ; x + t α/2 ] = [9, , 7661; 9, , 7661] = [9, 1006; 10, 6328]. n n Mamy 90% pewność, że 10 należy do powyżzego przedziału, tzn. mamy 90% zaufanie, że wartwa polimeru kłada ię średnio z 10 atomów. Przedziały ufności dla wariancji w populacji, Cza obługi w okienku bankowym nie powinien mieć dużej wariancji, gdyż w przeciwnym przypadku kolejki maja tendencję do rozratania ię. Bank regularnie prawdza cza obługi w okienkach, by oceniać jego wariancję. Oberwacja 22 czaów obługi loowo wybranych klientów dała 2 = 8 minut 2. Wyznacz 95% przedział ufności dla wariancji czau obługi w okienku bankowym. O d p o w i e d ź. (1 α)100% przedział ufności dla wariancji w populacji, 2, gdy rozkład w populacji jet normalny, wyznacza wzór: ; χ 2 α/2 χ 2 1 α/2 gdzie χ 2 α/2 jet wartością zmiennej o rozkładzie chi-kwadrat o n 1 topniach wobody, która odcina pole o mierze α/2 z prawej trony; χ 2 1 α/2 jet wartością tej zmiennej, która odcina pole o mierze α/2 z lewej trony (a tym amym pole o mierze 1 α/2 z prawej trony). W powyżzym zadaniu n = 22, 2 = 8, α/2 = 0, 025, 1 α/2 = 0, 975, χ 2 α/2 = 35, 4789, χ 2 1 α/2 = 10, Zatem 95% przedział ufności dla 2 jet potaci: ; χ 2 α/2 = [4, 74; 16, 34]. χ 2 1 α/2 34. W loowej próbie 60 kont bankowych twierdzono wariancję tanu kont równą Wyznacz 99% przedział ufności dla wariancji tanów kont. O d p o w i e d ź. W powyżzym zadaniu n = 60, 2 = 1228, α/2 = 0, 005, 1 α/2 = 0, 995, χ 2 α/2 = 90, 7153, χ2 1 α/2 = 34, Zatem 99% przedział ufności dla 2 jet potaci: ; χ 2 α/2 = [798, 68; 2083, 73]. χ 2 1 α/2 35. Przy założeniach zadania 30 wyznacz 99% przedział ufności dla wariancji liczby mil, które można przejechać na oponie. 9

10 O d p o w i e d ź. W powyżzym zadaniu n = 32, 2 = 33, 3508, α/2 = 0, 005, 1 α/2 = 0, 995, więc χ 2 α/2 = 55, 0027, χ2 1 α/2 = 14, Zatem 99% przedział ufności dla 2 jet potaci: ; χ 2 α/2 = [18, 7968; 71, 5098]. χ 2 1 α/2 Wyznaczanie liczebności próby. 36. Firma zajmująca ię analizą rynku chce przeprowadzić badania ankietowe w celu ozacowania wydatków na rozrywki przez przeciętnego kuracjuza odwiedzającego popularne uzdrowiko. Ooba, która zleca badania, chciałaby znać te wydatki z przybliżeniem nie więkzym niż 120 $, przy poziomie ufności 95 %. Na podtawie dotychczaowych oberwacji działalności uzdrowika odchylenie tandardowe w populacji,, zacuje ię na 400 $. Jaka jet minimalna wymagana liczebność próby? O d p o w i e d ź. Minimalna wymagana liczebność próby do ozacowania średniej w populacji, µ, jet równa: n = z2 α/2 2 B 2, gdzie B jet najmniejzą liczbą przybliżenia jakiej nie chcemy przekroczyć. W nazym zadaniu α/2 = 0, 025, więc z α/2=1,96. Ponadto 2 = = i B = 120. Zatem: n = (1, 96) = 42, 684. Minimalna wymagana liczebność próby to 43 ooby. (Ponieważ elementami próby ą ludzie, trzeba wynik zaokrąglić do najbliżzej liczby całkowitej.) 37. Ile prób trzeba wykonać do ozacowania średniego przebiegu amochodu na autotradzie przy zużyciu 1 galona benzyny z dokładnością do 2 mil, jeżeli ma być oiagnięty 95% poziom ufności, a wtępna ocena wariancji w populacji przebiegów (zużywających 1 galon) wynoi około 100 mil? O d p o w i e d ź. W tym zadaniu α/2 = 0, 025, więc z α/2=1,96. Ponadto 2 = 100 i B = 2. Zatem: n = (1, 96) = 96, 04. Minimalna wymagana liczba prób to Znajdź minimalną wymaganą liczebność próby do ozacowania przeciętnej topy przychodu z pewnej lokaty kapitału (w procentach rocznie) z dokładnością do 0, 5%, przy 95% poziomie ufności. Standardowe odchylenie tej topy przychodu zacowane jet na 2% rocznie. O d p o w i e d ź. W powużzym zadaniu α/2 = 0, 025, więc z α/2=1,96. Ponadto 2 = 2 2 = 4 i B = 0, 5. Zatem: n = (1, 96)2 4 = 61, 47. 0, 25 Minimalna wymagana liczba prób to

Estymacja przedziałowa. Przedział ufności

Estymacja przedziałowa. Przedział ufności Estymacja przedziałowa Przedział ufności Estymacja przedziałowa jest to szacowanie wartości danego parametru populacji, ρ za pomocą tak zwanego przedziału ufności. Przedziałem ufności nazywamy taki przedział

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statytyka. v.0.9 egz mgr inf nietacj Statytyczna analiza danych Statytyka opiowa Szereg zczegółowy proty monotoniczny ciąg danych i ) n uzykanych np. w trakcie pomiaru lub za pomocą ankiety. Przykłady

Bardziej szczegółowo

Testy statystyczne teoria

Testy statystyczne teoria Tety tatytyczne teoria przygotowanie: dr A Goroncy, dr J Karłowka-Pik Niech X,, X n będzie próbą loową protą z rozkładu P θ, θ Θ oraz niech α (0, ) będzie poziomem itotności (najczęściej 0,, 0,05, czy

Bardziej szczegółowo

Testy dotyczące wartości oczekiwanej (1 próbka).

Testy dotyczące wartości oczekiwanej (1 próbka). ZASADY TESTOWANIA HIPOTEZ STATYSTYCZNYCH. TESTY DOTYCZĄCE WARTOŚCI OCZEKIWANEJ Przez hipotezę tatytyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu intereującej na cechy. Hipotezy

Bardziej szczegółowo

Oszacowanie i rozkład t

Oszacowanie i rozkład t Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie

Bardziej szczegółowo

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.

LABORATORIUM 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 szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja 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 szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 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 szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka 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 szczegółowo

Wnioskowanie statystyczne. Statystyka w 5

Wnioskowanie 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 szczegółowo

Estymacja punktowa i przedziałowa

Estymacja 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 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

Przedziały ufności. Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego

Przedziały ufności. Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego Przedziały ufności Poziom istotności = α (zwykle 0.05) Poziom ufności = 1 α Przedział ufności dla parametru μ = taki przedział [a,b], dla którego czyli P( μ [a,b] ) = 1 α P( μ < a ) = α/2 P( μ > b ) =

Bardziej szczegółowo

ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW

ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy

Bardziej szczegółowo

Rozkłady statystyk z próby. Statystyka

Rozkłady statystyk z próby. Statystyka Rozkłady statystyk z próby tatystyka Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających ten

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY 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 szczegółowo

Statystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )

Statystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( ) Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału

Bardziej szczegółowo

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:

Zad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności: Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności

Bardziej szczegółowo

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 2 Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 2 Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE. www.etrapez.pl Strona 1 KUR TATYTYKA Lekcja Przedziały ufności i estymacja przedziałowa ZADANIE DOMOWE www.etrapez.pl trona 1 Część 1: TET Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 We wnioskowaniu statystycznym

Bardziej szczegółowo

Statystyka matematyczna

Statystyka matematyczna Statystyka matematyczna Wykład 8 Magdalena Alama-Bućko 7 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 7 maja 2018 1 / 19 Przypomnijmy najpierw omówione na poprzednim wykładzie postaci przedziałów

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady 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 szczegółowo

Wykład 3 Hipotezy statystyczne

Wykład 3 Hipotezy statystyczne Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka 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 szczegółowo

1 Podstawy rachunku prawdopodobieństwa

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 szczegółowo

WYKŁAD 5 TEORIA ESTYMACJI II

WYKŁAD 5 TEORIA ESTYMACJI II WYKŁAD 5 TEORIA ESTYMACJI II Teoria estymacji (wyznaczanie przedziałów ufności, błąd badania statystycznego, poziom ufności, minimalna liczba pomiarów). PRÓBA Próba powinna być reprezentacyjna tj. jak

Bardziej szczegółowo

Zadania ze statystyki, cz.6

Zadania ze statystyki, cz.6 Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI. Test zgodności i analiza wariancji Analiza wariancji WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI Test zgodności i analiza wariancji Analiza wariancji Test zgodności Chi-kwadrat Sprawdza się za jego pomocą ZGODNOŚĆ ROZKŁADU EMPIRYCZNEGO Z PRÓBY Z ROZKŁADEM HIPOTETYCZNYM

Bardziej szczegółowo

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

Matematyka 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 szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD STATYSTYK Z PRÓBY Próba losowa prosta To taki dobór elementów z populacji, że każdy element miał takie samo prawdopodobieństwo znalezienia się w próbie Niezależne

Bardziej szczegółowo

1 Estymacja przedziałowa

1 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 szczegółowo

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny 1. Wyprodukowanie określonej liczby wyrobów przez jednego pracownika w ciągu godziny jest zmienną losową o następującym rozkładzie prawdopodobieństwa:

Bardziej szczegółowo

Estymacja parametro w 1

Estymacja parametro w 1 Estymacja parametro w 1 1 Estymacja punktowa: średniej, odchylenia standardowego i frakcji µ - średnia populacji h średnia z próby jest estymatorem średniej populacji = - standardowy błąd estymacji średniej

Bardziej szczegółowo

WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH

WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład

Bardziej szczegółowo

LABORATORIUM 6 ESTYMACJA cz. 2

LABORATORIUM 6 ESTYMACJA cz. 2 LABORATORIUM 6 ESTYMACJA cz. 2 TEORIA ESTYMACJI I 1. ODRZUCANIE WYNIKÓW WĄTPLIWYCH PRÓBA P (m) (m-elementowa) Obliczenie: ; s bez wyników wątpliwych Odrzucenie wyników z poza przedziału: 3s PRÓBA LOSOWA

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje

Bardziej szczegółowo

176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie.

176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie. 176 Wtȩp do tatytyki matematycznej trści wynika że H o : p 1 przeciwko hipotezie H 3 1: p< 1. Aby zweryfikować tȩ 3 hipotezȩ zatujemy tet dla frekwencji. Wtedy z ob 45 1 150 3 1 3 2 3 150 0 346. Tymczaem

Bardziej szczegółowo

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)

Bardziej szczegółowo

Algorytmy ewolucyjne (2)

Algorytmy ewolucyjne (2) Algorytmy ewolucyjne (2) zajecia.jakubw.pl/nai/ ALGORYTM GEETYCZY Cel: znaleźć makimum unkcji. Założenie: unkcja ta jet dodatnia. 1. Tworzymy oobników loowych. 2. Stoujemy operacje mutacji i krzyżowania

Bardziej szczegółowo

Metody Statystyczne. Metody Statystyczne.

Metody Statystyczne. Metody Statystyczne. gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy 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 szczegółowo

MATEMATYKA 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 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 szczegółowo

Kolokwium ze statystyki matematycznej

Kolokwium 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 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

Prawdopodobieństwo i rozkład normalny cd.

Prawdopodobieństwo i rozkład normalny cd. # # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl

Bardziej szczegółowo

Pobieranie prób i rozkład z próby

Pobieranie prób i rozkład z próby Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.

Bardziej szczegółowo

Statystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r

Statystyka 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 szczegółowo

Teoria Estymacji. Do Powyżej

Teoria Estymacji. Do Powyżej Teoria Estymacji Zad.1. W pewnym przedsiębiorstwie wylosowano niezależnie próbę 25 pracowników. Staż pracy (w latach) tych pracowników w 1996 roku był następujący: 37; 34; 0*; 5; 17; 17; 0*; 2; 24; 33;

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA 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 szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Metody analizy danych ćwiczenia Estymacja przedziałowa Program ćwiczeń obejmuje następująca zadania: 1. Dom handlowy prowadzący

Bardziej szczegółowo

STATYSTYKA wykład 5-6

STATYSTYKA 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 szczegółowo

Zadanie 1 Odp. Zadanie 2 Odp. Zadanie 3 Odp. Zadanie 4 Odp. Zadanie 5 Odp.

Zadanie 1 Odp. Zadanie 2 Odp. Zadanie 3 Odp. Zadanie 4 Odp. Zadanie 5 Odp. Zadanie 1 budżet na najbliższe święta. Podać 96% przedział ufności dla średniej przewidywanego budżetu świątecznego jeśli otrzymano średnią z próby równą 600 zł, odchylenie standardowe z próby równe 30

Bardziej szczegółowo

Estymacja parametrów rozkładu cechy

Estymacja 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 szczegółowo

ZADANIA MATURALNE LICZBY RZECZYWISTE - POZIOM PODSTAWOWY. Opracowała mgr Danuta Brzezińska

ZADANIA MATURALNE LICZBY RZECZYWISTE - POZIOM PODSTAWOWY. Opracowała mgr Danuta Brzezińska ZADANIA MATURALNE LICZBY RZECZYWISTE - POZIOM PODSTAWOWY Zad1 ( 5 pkt) 1 0 8 1 2 11 5 4 Dane są liczby x 5, y 5 2 2 1 5 a) Wyznacz liczbę, której 60% jest równe x Wynik podaj z dokładnością do 0,01 b)

Bardziej szczegółowo

Wykład 9 Wnioskowanie o średnich

Wykład 9 Wnioskowanie o średnich Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i

Bardziej szczegółowo

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie 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 szczegółowo

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki

Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...

Bardziej szczegółowo

Wykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym

Wykład 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną

Bardziej szczegółowo

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się.

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się. 1 Wstęp Będziemyrozważaćgeneratorytypux n+1 =f(x n,x n 1,...,x n k )(modm). Zakładamy,żeargumentamifunkcjifsąliczbycałkowitezezbioru0,1,...,M 1. Dla ustalenia uwagi mogą to być generatory liniowe typu:

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją

Bardziej szczegółowo

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych

Bardziej szczegółowo

Estymacja parametrów w modelu normalnym

Estymacja parametrów w modelu normalnym Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z

Bardziej szczegółowo

Statystyka. #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/ / 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 szczegółowo

IV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15

IV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15 IV WYKŁAD STATYSTYKA 26/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 4 Populacja generalna, próba, losowanie próby, estymatory Statystyka (populacja generalna, populacja próbna, próbka mała, próbka duża, reprezentatywność,

Bardziej szczegółowo

Statystyka matematyczna. Wykład V. Parametryczne testy istotności

Statystyka matematyczna. Wykład V. Parametryczne testy istotności Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja 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 szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25

Testowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów

STATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów

Bardziej szczegółowo

Założenia do analizy wariancji. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW

Założenia do analizy wariancji. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW Założenia do analizy wariancji dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Zagadnienia 1. Normalność rozkładu cechy Testy: chi-kwadrat zgodności, Shapiro-Wilka, Kołmogorowa-Smirnowa

Bardziej szczegółowo

Zawartość. Zawartość

Zawartość. Zawartość Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja 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

1.1 Wstęp Literatura... 1

1.1 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 szczegółowo

Zaliczenie. Ćwiczenia (zaliczenie = min. 15 punktów)

Zaliczenie. Ćwiczenia (zaliczenie = min. 15 punktów) Zaliczenie Ćwiczenia (zaliczenie = min. 15 punktów) Kolokwium (8/10 czerwca) = maks. 30 punktów Dwa zadania z listy pod linkiem = maks. 1 punkt http://www.fuw.edu.pl/~prozanski/ws/upload/20150415-zadania.php

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez

Bardziej szczegółowo

VII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15

VII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15 VII WYKŁAD STATYSTYKA 30/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 7 (c.d) WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności,

Bardziej szczegółowo

LVI Olimpiada Matematyczna

LVI Olimpiada Matematyczna LVI Olimpiada Matematyczna Rozwiązania zadań konkurowych zawodów topnia trzeciego 13 kwietnia 2005 r (pierwzy dzień zawodów) Zadanie 1 Wyznaczyć wzytkie trójki (x, y, n) liczb całkowitych dodatnich pełniające

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,

Bardziej szczegółowo

SIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania

SIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru

Bardziej szczegółowo

Centralne twierdzenie graniczne

Centralne 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 szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego

Statystyka. Wydział Zarządzania Uniwersytetu Łódzkiego Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria Wykład 11 Anna Skowrońska-Szmer lato 2016/2017 Powtórzenie materiału 2 Zadanie 1 Wykład 1 Eksperyment polega na pojedynczym rzucie symetryczną kostką. Przestrzeń zdarzeń

Bardziej szczegółowo

Statystyka w przykładach

Statystyka w przykładach w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie

Bardziej szczegółowo

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi

Bardziej szczegółowo

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej szczegółowo

Hipotezy statystyczne

Hipotezy statystyczne Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej

Bardziej szczegółowo

Dokładne i graniczne rozkłady statystyk z próby

Dokładne i graniczne rozkłady statystyk z próby Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,

Bardziej szczegółowo

Temat: 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 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 szczegółowo

LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI

LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI LABORATORIUM 9 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI 1. Test dla dwóch średnich P.G. 2. Testy dla wskaźnika struktury 3. Testy dla wariancji DECYZJE Obszar krytyczny od pozostałej

Bardziej szczegółowo

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1

Bardziej szczegółowo

Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26

Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 22 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 szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

ESTYMACJA. Przedział ufności dla średniej

ESTYMACJA. Przedział ufności dla średniej ESTYMACJA Przedział ufności dla średniej W grupie 900 losowo wybranych pracowników przedsiębiorstwa średnia liczba dni nieobecności w pracy wynosiła 30, a odchylenie standardowe 3 dni. a) Przyjmując współczynnik

Bardziej szczegółowo

Testowanie hipotez statystycznych cd.

Testowanie hipotez statystycznych cd. Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:

Bardziej szczegółowo

Hipotezy statystyczne

Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy

Bardziej szczegółowo

Wnioskowanie statystyczne i weryfikacja hipotez statystycznych

Wnioskowanie 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 szczegółowo