Regresja Analiza wariancji Regresja logistyczna. Regresja, Anova. Stanisław Jaworski. UM Zakład Profilaktyki...
|
|
- Kazimiera Tomczak
- 7 lat temu
- Przeglądów:
Transkrypt
1 UM Zakład Profilaktyki...
2 Model regresji prostoliniowej Model regresji wielokrotnej Przykład W pewnej klinice badano związek między aktywnością enzymów aminotransferazy a stężeniem amoniaku we krwi u chorych z ostrą niewydolnością wątroby. Pobrano losową próbę 10 pacjentów i otrzymano następujące wyniki: aktywność stężenie Pytania 1. Czy stężenie amoniaku we krwi można rozpoznać po poziomie aktywności enzymów? 2. Czy w przypadku istnienia takiej zależności, można ją przedstawić w zwartej formie, za pomocą funkcji?
3 Model regresji prostoliniowej Model regresji wielokrotnej danych > aktywność< c(430,470,520,570,630,690,740,770,800,780) > stężenie< c(31,33,36,39,42,47,51,54,55,57) Utworzenie wykresu > plot(aktywność,stężenie,pch=19,col= red ) Punkty na wykresie są wypełnione: pch=19. Punkty są koloru czerwonego: col= red.
4 Model regresji prostoliniowej Model regresji wielokrotnej Ocena wykresu daje pewne podstawy do przyjęcia następującej zależności: y i = β 0 + β 1 x i + e i, i = 1, 2,..., n, gdzie y i stężenie amoniaku we krwi i tego pacjenta x i aktywność enzymu w organiźmie i tego pacjenta e i błąd dopasowania
5 Model regresji prostoliniowej Model regresji wielokrotnej Metoda najmniejszych kwadratów Parametry β 0 oraz β 1 dobieramy tak, aby średniokwadratowy błąd dopasowania, mianowicie i e2 i = i (y i β 0 β 1 x i ) 2, był minimalny. W ten sposób dobrane parametry oznaczamy przez ˆβ 0 oraz ˆβ 1. Wyrażają się one wzorami i ˆβ 1 = (x i x)(y i ȳ) i (x i x i ) 2, ˆβ0 = ȳ ˆβ 1 x Wówczas gdzie (y i ˆβ 0 ˆβ 1 x i ) 2 = (1 r 2 ) i i r = i (x i x)(y i ȳ) i (y i ȳ i ) 2 i (x i x) 2 (y i ȳ) 2,
6 Model regresji prostoliniowej Model regresji wielokrotnej Współczynnik r jest miernikiem zależności liniowej.
7 Model regresji prostoliniowej Model regresji wielokrotnej Pytania 1. Czy stężenie amoniaku we krwi można rozpoznawać po aktywności enzymów? 2. W jaki sposób wyznaczyć ewentualną zależność liniową między stężeniem amoniaku a aktywnością enzymów? W jaki sposób sprawdzić wiarygodność tej zależności? Aby odpowiedzieć na postawione pytania, musimy przyjąć model statystyczny, który pozwoli nam na uogólnienie wniosków z próby 10 pacjentów na całą populację pacjentów.
8 Model Regresja Model regresji prostoliniowej Model regresji wielokrotnej Przyjmujemy następujący model: Y i = β 0 + β 1 x i + ε i, i = 1, 2,..., n, gdzie ε i, i = 1, 2,..., n, są niezależnymi zmiennymi losowymi o tym samym rozkładzie N(0, σ 2 ). Uwagi Y 1, Y 2,..., Y n, są zmiennymi losowymi, a y 1, y 2,..., y n są ich realizacjami. Model dotyczy rozkładu warunkowego Y X = x.
9 Model Regresja Model regresji prostoliniowej Model regresji wielokrotnej Przyjmujemy następujący model: Y i = β 0 + β 1 x i + ε i, i = 1, 2,..., n, gdzie ε i, i = 1, 2,..., n, są niezależnymi zmiennymi losowymi o tym samym rozkładzie N(0, σ 2 ). Uwagi Y 1, Y 2,..., Y n, są zmiennymi losowymi, a y 1, y 2,..., y n są ich realizacjami. Model dotyczy rozkładu warunkowego Y X = x.
10 Model regresji prostoliniowej Model regresji wielokrotnej Cztery hipotetyczne realizacje doświadczenia według modelu. Takich realizacji jest nieskończenie wiele. Wśród nich znajduje się rzeczywiste doświadczenie.
11 Estymacja Regresja Model regresji prostoliniowej Model regresji wielokrotnej ˆβ 0, ˆβ 1 są oszacowaniami punktowymi parametrów β 0 oraz β 1. Oszacowania przedziałowe dla β 0 oraz β 1 są postaci β 1 ( ˆβ 1 t(α; n 2)S β1, ˆβ 1 + t(α; n 2)S β1 ) β 0 ( ˆβ 0 t(α; n 2)S β0, ˆβ 0 + t(α; n 2)S β0 ) gdzie S 2 β 1 = S 2 varx, S 2 β 0 = S 2 varx ( varx n + x 2) S 2 = vary ˆβ 1 cov(x, y) n 2 = vary(1 r 2 ) n 2
12 Estymacja Regresja Model regresji prostoliniowej Model regresji wielokrotnej ˆβ 0, ˆβ 1 są oszacowaniami punktowymi parametrów β 0 oraz β 1. Oszacowania przedziałowe dla β 0 oraz β 1 są postaci β 1 ( ˆβ 1 t(α; n 2)S β1, ˆβ 1 + t(α; n 2)S β1 ) β 0 ( ˆβ 0 t(α; n 2)S β0, ˆβ 0 + t(α; n 2)S β0 ) gdzie S 2 β 1 = S 2 varx, S 2 β 0 = S 2 varx ( varx n + x 2) S 2 = vary ˆβ 1 cov(x, y) n 2 = vary(1 r 2 ) n 2
13 Weryfikacja hipotez Regresja Model regresji prostoliniowej Model regresji wielokrotnej H 0 : β 1 = 0 H 1 : β 1 0 Statystyka testowa F emp = ˆβ 1 2 Sβ 2 = ˆβ 1 cov(x, y) 1 S 2 Hipotezę odrzucamy, jeżeli F emp > F (α; 1, n 2). F (α; 1, n 2) jest wartością krytyczną rozkładu F.
14 Weryfikacja hipotez Regresja Model regresji prostoliniowej Model regresji wielokrotnej H 0 : β 1 = a H 1 : β 1 a Statystyka testowa t emp = ˆβ 1 a S β1 Hipotezę odrzucamy, jeżeli t emp > t(α; n 2). t(α; n 2) jest wartością krytyczną rozkładu t Studenta.
15 Model regresji prostoliniowej Model regresji wielokrotnej Obliczenia w R dla podanego przykładu
16 Model regresji prostoliniowej Model regresji wielokrotnej Obliczenia w R dla podanego przykładu Zgodnie z oznaczeniami oraz obliczeniami w R mamy: r 2 = , F emp = 452.5, t emp = (przy a = 0) Przedział ufności dla β 1 (na poziomie ufności 0.95): ( , ) Przedział ufności dla β 0 (na poziomie ufności 0.95): ( , )
17 Model regresji prostoliniowej Model regresji wielokrotnej Obszar ufności dla prostej regresji. Obszar predykcji
18 Obszar ufności dla prostej regresji Model regresji prostoliniowej Model regresji wielokrotnej Obszar ufności dla prostej regresji umożliwia nam wnioskowanie o wartościach średnich zmiennej Y jednocześnie dla wielu wybranych wartości zmiennej X. gdzie f (x) (ˆf (x) t(α; n 2)S Y ; ˆf (x) + t(α; n 2)S Y ) ˆf (x) = ˆβ 0 + ˆβ 1 x S 2 Y = S 2 ( 1 n + (x x)2 varx )
19 Obszar predykcji Regresja Model regresji prostoliniowej Model regresji wielokrotnej Obszar predykcji umożliwia nam wnioskowanie o wartościach zmiennej Y jednocześnie dla wielu wybranych wartości zmiennej X. Y (x) (ˆf (x) t(α; n 2)S Y (x) ; ˆf (x) + t(α; n 2)S Y (x) ) gdzie Y (x) oznacza wartość zmiennej Y dla wybranej wartości x zmiennej X oraz ( SY 2 (x) = S ) (x x)2 + n varx
20 Model regresji prostoliniowej Model regresji wielokrotnej Obliczenia w R dla podanego przykładu Zgodnie z oznaczeniami oraz obliczeniami w R mamy (na poziomie ufności 0.95): Przedział ufności dla f (635): ( , ) Przedział ufności dla Y (635): ( , )
21 Model Regresja Model regresji prostoliniowej Model regresji wielokrotnej Przyjmujemy następujący model: Y i = β 0 + β 1 x 1i β p x pi + ε i, i = 1, 2,..., n, gdzie ε i, i = 1, 2,..., n, są niezależnymi zmiennymi losowymi o tym samym rozkładzie N(0, σ 2 ). Uwagi Y 1, Y 2,..., Y n, są zmiennymi losowymi, a y 1, y 2,..., y n są ich realizacjami. Model dotyczy rozkładu warunkowego Y X = x.
22 Model Regresja Model regresji prostoliniowej Model regresji wielokrotnej Przyjmujemy następujący model: Y i = β 0 + β 1 x 1i β p x pi + ε i, i = 1, 2,..., n, gdzie ε i, i = 1, 2,..., n, są niezależnymi zmiennymi losowymi o tym samym rozkładzie N(0, σ 2 ). Uwagi Y 1, Y 2,..., Y n, są zmiennymi losowymi, a y 1, y 2,..., y n są ich realizacjami. Model dotyczy rozkładu warunkowego Y X = x.
23 Przykład Regresja Model regresji prostoliniowej Model regresji wielokrotnej Y (Poziom) liczba urodzin w przeliczeniu na 1000 osób X 1 (Status) status socjoekonomiczny (wypadkowa poziomu wykształcenia, oczekiwań życiowych, śmiertelności niemowląt, frakcji kobiet w wieku zatrudnionych poza rolnictwem, produktu krajowego brutto, frakcji populacji żyjącej w miastach) par X 2 (Planowanie) indeks planowania rodziny (odzwierciedla poziom zaangażowania państwa w planowanie struktury rodziny)
24 Model regresji prostoliniowej Model regresji wielokrotnej Kraj Status Planowanie Poziom Boliwia Brazylia Chile Kolumbia Kostaryka Kuba Dominikana Ekwador Salwador Gwatemala Haiti Honduras Jamajka Meksyk Nikaragua Panama Paragwaj Peru Trynidad i Tobago Wenezuela 91 7 Regresja, 11Anova
25 Model regresji prostoliniowej Model regresji wielokrotnej Przypuśćmy, że mamy dane wprowdzone do R pod zmienną dane: Chcemy za pomocą metody najmniejszych kwadratów oszacować współczynniki funkcji regresji. Przyjmujemy model regresji: gdzie i = 1,..., 20. Poziom i = β 0 + β 1 Status i + β 2 Planowanie i + ε i
26 Model regresji prostoliniowej Model regresji wielokrotnej Obliczenia w R dla podanego przykładu
27 Model regresji prostoliniowej Model regresji wielokrotnej Oszacowane współczynniki: ˆβ 0 = , ˆβ1 = , ˆβ2 = Zanim przejdziemy do zinterpretowania tych współczynników, należy sprawdzić, czy różnią się istotnie od zera. W pierwszej kolejności należy zweryfikować hipotezę H 0 : β 1 = β 2 = 0 Oznacza ona, że Status oraz Planowanie nie wyjaśniają różnic w Poziomie urodzeń w poszczególnych krajach. Do weryfikacji tej hipotezy stosujemy test F. Wartość tej statystyki wynosi F emp = Hipotezę odrzucamy (na poziomie istotności α), jeżeli F emp > F (α, p, n p 1). F (0.05, 2, 17) =
28 Model regresji prostoliniowej Model regresji wielokrotnej Ponieważ F emp = > F (0.05, 2, 17) (równoważnie p value = 1.132e 05 = < α = 0.05 ), hipotezę odrzucamy. Wniosek jest taki, że przynajmniej jedna cecha objaśniająca (Status, Planowanie) wyjaśnia poziom urodzeń w poszczególnych krajach. Następnym krokiem jest weryfikacja hipotez cząstkowych. Postać i tej hipotezy cząskowej jest następująca: H 0 : β i = 0 Na poziomie istotności α = 0.05 weryfikujemy tę hipotezę za pomocą testu t-studenta. Statystyka testowa ma postać: t emp = ˆβ i /S βi Jeżeli t emp > t(α, n p 1), to hipotezę odrzucamy.
29 Model regresji prostoliniowej Model regresji wielokrotnej W podanym przykładzie możemy na przykład zweryfikować hipotezę H 0 : β 1 = 0 mówiącą, że poziom urodzeń nie zależy od statusu socjoekonomicznego. Statystyka testowa dla tej hipotezy wynosi t emp = / = 2.507, a wartość krytyczna t(0.05, 17) = Hipotezę zatem odrzucamy na poziomie istotności 0.05.
30 Model regresji prostoliniowej Model regresji wielokrotnej Podobnie odrzucamy hipotezę H 0 : β 2 = 0 Wniosek końcowy jest taki, że za pomocą cech Status oraz Planowanie możemy lepiej wyjaśnić zmienność liczby urodzeń w badanych krajach, niż byśmy mogli to zrobić bez tych cech. Pewnym miernikiem dopasowania modelu do danych jest współczynik korelacji wielokrotnej R, który jest liczbą z przedziału (0, 1). W naszym przykładzie R 2 = Możemy teraz zinterpretować współczynniki funkcji regresji. Oszacowanie tej funkcji ma postać: Poziom = ˆβ 0 + ˆβ 1 Status + ˆβ 2 Planowanie
31 Model regresji prostoliniowej Model regresji wielokrotnej Poziom = Status Planowanie
32 Model regresji prostoliniowej Model regresji wielokrotnej Weryfikacja modelu za pomocą analizy reszt qqnorm(model$res,xlab= Kwantyle teoretyczne,ylab= Kwantyle empiryczne,main= Normalny wykres prawdopodobieństwa ) qqline(model$res)
33 Model regresji prostoliniowej Model regresji wielokrotnej plot(model$fitted.values,model$res,xlab= Wartości funkcji regresji,ylab= Reszty,col= red,pch=19) abline(h=0) qqline(model$res)
34 Model regresji prostoliniowej Model regresji wielokrotnej
35 Jednoczynnikowa analiza wariancji Testy analizy wariancji są podstawowym narzędziem statystyki eksperymentalnej. Służą do sprawdzenia, czy czynniki, których poziomy możemy z góry ustalić przed wykonaniem eksperymentu, wywierają istotny wpływ na kształtowanie średniej wartości badanej cechy mierzalnej. Czynniki te nazywamy esperymentalnymi. Badanym obietom (jednostkom eksperymentalnym) poziomy tych czynników przydzielane są losowo. Są czynniki, których poziomów nie możemy przydzielić losowo do obiektów, ponieważ stanowią ich integralną charakterystykę. Nazywamy je czynnikami klasyfikującymi. Poziomy każdego czynnika mogą być ustalone. Mówimy wtedy stałych czynnikach lub efektach. Poziomy czynnika mogą też być wylosowane z populacjii wszystkich możliwych poziomów. Wtedy są to czynniki losowe
36 Jednoczynnikowa analiza wariancji Testy analizy wariancji są podstawowym narzędziem statystyki eksperymentalnej. Służą do sprawdzenia, czy czynniki, których poziomy możemy z góry ustalić przed wykonaniem eksperymentu, wywierają istotny wpływ na kształtowanie średniej wartości badanej cechy mierzalnej. Czynniki te nazywamy esperymentalnymi. Badanym obietom (jednostkom eksperymentalnym) poziomy tych czynników przydzielane są losowo. Są czynniki, których poziomów nie możemy przydzielić losowo do obiektów, ponieważ stanowią ich integralną charakterystykę. Nazywamy je czynnikami klasyfikującymi. Poziomy każdego czynnika mogą być ustalone. Mówimy wtedy stałych czynnikach lub efektach. Poziomy czynnika mogą też być wylosowane z populacjii wszystkich możliwych poziomów. Wtedy są to czynniki losowe
37 Jednoczynnikowa analiza wariancji Testy analizy wariancji są podstawowym narzędziem statystyki eksperymentalnej. Służą do sprawdzenia, czy czynniki, których poziomy możemy z góry ustalić przed wykonaniem eksperymentu, wywierają istotny wpływ na kształtowanie średniej wartości badanej cechy mierzalnej. Czynniki te nazywamy esperymentalnymi. Badanym obietom (jednostkom eksperymentalnym) poziomy tych czynników przydzielane są losowo. Są czynniki, których poziomów nie możemy przydzielić losowo do obiektów, ponieważ stanowią ich integralną charakterystykę. Nazywamy je czynnikami klasyfikującymi. Poziomy każdego czynnika mogą być ustalone. Mówimy wtedy stałych czynnikach lub efektach. Poziomy czynnika mogą też być wylosowane z populacjii wszystkich możliwych poziomów. Wtedy są to czynniki losowe
38 Jednoczynnikowa analiza wariancji Testy analizy wariancji są podstawowym narzędziem statystyki eksperymentalnej. Służą do sprawdzenia, czy czynniki, których poziomy możemy z góry ustalić przed wykonaniem eksperymentu, wywierają istotny wpływ na kształtowanie średniej wartości badanej cechy mierzalnej. Czynniki te nazywamy esperymentalnymi. Badanym obietom (jednostkom eksperymentalnym) poziomy tych czynników przydzielane są losowo. Są czynniki, których poziomów nie możemy przydzielić losowo do obiektów, ponieważ stanowią ich integralną charakterystykę. Nazywamy je czynnikami klasyfikującymi. Poziomy każdego czynnika mogą być ustalone. Mówimy wtedy stałych czynnikach lub efektach. Poziomy czynnika mogą też być wylosowane z populacjii wszystkich możliwych poziomów. Wtedy są to czynniki losowe
39 Jednoczynnikowa analiza wariancji Testy analizy wariancji są podstawowym narzędziem statystyki eksperymentalnej. Służą do sprawdzenia, czy czynniki, których poziomy możemy z góry ustalić przed wykonaniem eksperymentu, wywierają istotny wpływ na kształtowanie średniej wartości badanej cechy mierzalnej. Czynniki te nazywamy esperymentalnymi. Badanym obietom (jednostkom eksperymentalnym) poziomy tych czynników przydzielane są losowo. Są czynniki, których poziomów nie możemy przydzielić losowo do obiektów, ponieważ stanowią ich integralną charakterystykę. Nazywamy je czynnikami klasyfikującymi. Poziomy każdego czynnika mogą być ustalone. Mówimy wtedy stałych czynnikach lub efektach. Poziomy czynnika mogą też być wylosowane z populacjii wszystkich możliwych poziomów. Wtedy są to czynniki losowe
40 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
41 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
42 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
43 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
44 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
45 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
46 Przykład Regresja Jednoczynnikowa analiza wariancji Mamy trzy ośrodki szkolenia. W każdym ośrodku przeprowadzamy dwa rodzaje szkolenia. Rodzaj szkolenia przydzielany jest losowo do każdego uczestnika programu (eksperymentu). Mamy zatem dwa czynniki: rodzaj szkolenia oraz ośrodek szkolenia. Jeżeli ten sam rodzaj szkolenia jest lepszy w każdym ośrodku, wniosek nasuwa się sam, ponieważ rodzaj szkolenia przydzielony został losowo do każdego uczestnika. W przypadku wykrycia różnic między ośrodkami, wniosek nie jest już tak oczywisty. Nie wiemy, czy uczestnicy programu są lepiej szkoleni w danym ośrodku, ponieważ jest on lepiej wyposażony, posiada lepszych wykładowców, uczestnicy są lepiej przygotowani, (czynnik edukacji możnaby wyeliminować poprzez rozlosowanie uczestników do ośrodków) Rodzaj szkolenia jest czynnikiem eksperymentalnym, a ośrodek szkolenia klasyfikującym.
47 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Założenia 1. Na każdym poziomie czynnika rozkład prawdopodobieństwa badanej cechy mierzalnej a) jest normalny b) ma tę samą wariancję 2. Obserwacje są niezależne Cel 1. Zweryfikować, czy średnia wartość badanej cechy zależy od czynnika 2. Jeżeli średnia zależy od czynnika, zbadać w jaki sposób i jakie są tego konsekwencje
48 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Założenia 1. Na każdym poziomie czynnika rozkład prawdopodobieństwa badanej cechy mierzalnej a) jest normalny b) ma tę samą wariancję 2. Obserwacje są niezależne Cel 1. Zweryfikować, czy średnia wartość badanej cechy zależy od czynnika 2. Jeżeli średnia zależy od czynnika, zbadać w jaki sposób i jakie są tego konsekwencje
49 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Model Y ij = µ i + ε ij gdzie i jest indeksem określający poziom czynnika (i = 1,..., k; k liczba poziomów czynnika) j jest indeksem określającym numer powtórzenia obserwacji przy ustalonym poziomie czynnika (j = 1,..., n i; n i-liczba powtórzeń przy i tym poziomie czynnika) Y ij jest zmienną losową; przy i-tym poziomie czynnika oznacza j-tą wartość obserwowanej cechy µ i jest wartością oczekiwaną zmiennej Y ij; oznacza średnią wartość obserwowanej cechy przy i-tym poziomie czynnika ε ij jest zmienną losową o rozkładzie N(0, σ 2 ). O zmiennych losowych ε ij, i = 1,..., k, j = 1,..., n i, zakładamy, że są niezależne
50 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Model Y ij = µ i + ε ij gdzie i jest indeksem określający poziom czynnika (i = 1,..., k; k liczba poziomów czynnika) j jest indeksem określającym numer powtórzenia obserwacji przy ustalonym poziomie czynnika (j = 1,..., n i; n i-liczba powtórzeń przy i tym poziomie czynnika) Y ij jest zmienną losową; przy i-tym poziomie czynnika oznacza j-tą wartość obserwowanej cechy µ i jest wartością oczekiwaną zmiennej Y ij; oznacza średnią wartość obserwowanej cechy przy i-tym poziomie czynnika ε ij jest zmienną losową o rozkładzie N(0, σ 2 ). O zmiennych losowych ε ij, i = 1,..., k, j = 1,..., n i, zakładamy, że są niezależne
51 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Model Y ij = µ i + ε ij gdzie i jest indeksem określający poziom czynnika (i = 1,..., k; k liczba poziomów czynnika) j jest indeksem określającym numer powtórzenia obserwacji przy ustalonym poziomie czynnika (j = 1,..., n i; n i-liczba powtórzeń przy i tym poziomie czynnika) Y ij jest zmienną losową; przy i-tym poziomie czynnika oznacza j-tą wartość obserwowanej cechy µ i jest wartością oczekiwaną zmiennej Y ij; oznacza średnią wartość obserwowanej cechy przy i-tym poziomie czynnika ε ij jest zmienną losową o rozkładzie N(0, σ 2 ). O zmiennych losowych ε ij, i = 1,..., k, j = 1,..., n i, zakładamy, że są niezależne
52 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Model Y ij = µ i + ε ij gdzie i jest indeksem określający poziom czynnika (i = 1,..., k; k liczba poziomów czynnika) j jest indeksem określającym numer powtórzenia obserwacji przy ustalonym poziomie czynnika (j = 1,..., n i; n i-liczba powtórzeń przy i tym poziomie czynnika) Y ij jest zmienną losową; przy i-tym poziomie czynnika oznacza j-tą wartość obserwowanej cechy µ i jest wartością oczekiwaną zmiennej Y ij; oznacza średnią wartość obserwowanej cechy przy i-tym poziomie czynnika ε ij jest zmienną losową o rozkładzie N(0, σ 2 ). O zmiennych losowych ε ij, i = 1,..., k, j = 1,..., n i, zakładamy, że są niezależne
53 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Model Y ij = µ i + ε ij gdzie i jest indeksem określający poziom czynnika (i = 1,..., k; k liczba poziomów czynnika) j jest indeksem określającym numer powtórzenia obserwacji przy ustalonym poziomie czynnika (j = 1,..., n i; n i-liczba powtórzeń przy i tym poziomie czynnika) Y ij jest zmienną losową; przy i-tym poziomie czynnika oznacza j-tą wartość obserwowanej cechy µ i jest wartością oczekiwaną zmiennej Y ij; oznacza średnią wartość obserwowanej cechy przy i-tym poziomie czynnika ε ij jest zmienną losową o rozkładzie N(0, σ 2 ). O zmiennych losowych ε ij, i = 1,..., k, j = 1,..., n i, zakładamy, że są niezależne
54 Jednoczynnikowa analiza wariancji Jednoczynnikowa analiza wariancji Model Y ij = µ i + ε ij gdzie i jest indeksem określający poziom czynnika (i = 1,..., k; k liczba poziomów czynnika) j jest indeksem określającym numer powtórzenia obserwacji przy ustalonym poziomie czynnika (j = 1,..., n i; n i-liczba powtórzeń przy i tym poziomie czynnika) Y ij jest zmienną losową; przy i-tym poziomie czynnika oznacza j-tą wartość obserwowanej cechy µ i jest wartością oczekiwaną zmiennej Y ij; oznacza średnią wartość obserwowanej cechy przy i-tym poziomie czynnika ε ij jest zmienną losową o rozkładzie N(0, σ 2 ). O zmiennych losowych ε ij, i = 1,..., k, j = 1,..., n i, zakładamy, że są niezależne
55 Jednoczynnikowa analiza wariancji Zatem Y ij N(µ i, σ 2 ), i = 1,..., k, j = 1,..., n i, są niezależnymi zmiennymi losowymi Porównanie wartości średnich Test F (poziom istotności α) Statystyka testowa H 0 : µ 1 =... = µ k F emp = S 2 a S 2 e Jeżeli F emp > F (α; k 1, N k), to hipotezę H 0 : µ 1 = = µ k odrzucamy. Wniosek praktyczny: przynajmniej jedna ze średnich µ 1,..., µ k jest inna od pozostałych
56 Jednoczynnikowa analiza wariancji Podział całkowitej sumy kwadratów Y ij Ȳ.. }{{} zmienność całkowita = Ȳi. }{{ Ȳ.. + Y } ij }{{ Ȳi. } zmienność zmienność średnich wokół średniej (Y ij Ȳ.. ) 2 = n i (Ȳ i. Ȳ.. ) 2 i j i }{{}}{{} SST SSTR SST całkowita suma kwadratów SSTR suma kwadratów dla czynnika SSE suma kwadratów reszt + i S 2 a = SSTR/(k 1), S 2 e = SSE/(N k), N = i n i (Y ij Ȳ i. ) 2 j } {{ } SSE
57 Jednoczynnikowa analiza wariancji Grupy jednorodne podzbiory średnich, które można uznać za takie same Procedury porównań wielokrotnych postępowanie statystyczne zmierzające do podzielenia zbioru średnich na grupy jednorodne Procedury: Tukeya, Scheffégo, Bonfferroniego, Duncana, Newmana Kuelsa i inne. Ogólna idea procedur porównań wielokrotnych (n 1 = = n k ) NIR najmniejsza istotna różnica Jeżeli Ȳ i Ȳ j < NIR, to uznajemy, że µ i = µ j. Jeżeli Ȳi Ȳj < NIR Ȳ i Ȳ l < NIR Ȳ l Ȳ j < NIR, to uznajemy, że µ i = µ j = µ l. Badając w ten sposób wszystkie pary średnich próbkowych otrzymujemy podział zbioru średnich na grupy jednorodne.
58 Jednoczynnikowa analiza wariancji Procedura Tukeya Założenie: n 1 = = n k = n NIR = t(α; k, N k)s e 1 n t(α; k, N k) wartość krytyczna studentyzowanego rozstępu Przypadek nierównolicznych prób Jedna z modyfikacji procedury Tukeya ( 1 1 NIR ij = t(α; k, N k)s e + 1 ) 2 n i n j
59 Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Rozważmy dwuwartościową zmienną: 1 choroba wystąpiła, 0 choroba nie wystąpiła. Oznaczmy ją przez D (na przykład: choroba wieńcowa). Przedmiotem zainteresowania jest dwuwartościowa zmienna, któr określa grupę ryzyka: 1 jest w grupie ryzyka, 0 nie ma w grupie ryzyka. Oznaczmy ją przez E (na przykład: palenie papierosów). Zauważmy, że aby zbadać związek grupy ryzyka (palaczy) z chorobą (chorobą wieńcową), często musimy brać pod uwagę dodatkowe charakterystyki takie, jak wiek C 1, rasa C 2 czy płeć C 3. Te charakterystyki nie interesują nas w sposób bezpośredni. Są to tak zwane zmienne kontrolne. Zmienną E (ekspozycja) razem ze zmiennymi kontrolnymi C 1, C 2, C 3 nazywamy zmiennymi NIEZALEŻNYMI, a zmienną D nazywamy zmienną ZALEŻNĄ. (E, C 1, C 2, C 3 ) D }{{} niezależne
60 Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Rozważmy dwuwartościową zmienną: 1 choroba wystąpiła, 0 choroba nie wystąpiła. Oznaczmy ją przez D (na przykład: choroba wieńcowa). Przedmiotem zainteresowania jest dwuwartościowa zmienna, któr określa grupę ryzyka: 1 jest w grupie ryzyka, 0 nie ma w grupie ryzyka. Oznaczmy ją przez E (na przykład: palenie papierosów). Zauważmy, że aby zbadać związek grupy ryzyka (palaczy) z chorobą (chorobą wieńcową), często musimy brać pod uwagę dodatkowe charakterystyki takie, jak wiek C 1, rasa C 2 czy płeć C 3. Te charakterystyki nie interesują nas w sposób bezpośredni. Są to tak zwane zmienne kontrolne. Zmienną E (ekspozycja) razem ze zmiennymi kontrolnymi C 1, C 2, C 3 nazywamy zmiennymi NIEZALEŻNYMI, a zmienną D nazywamy zmienną ZALEŻNĄ. (E, C 1, C 2, C 3 ) D }{{} niezależne
61 Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Rozważmy dwuwartościową zmienną: 1 choroba wystąpiła, 0 choroba nie wystąpiła. Oznaczmy ją przez D (na przykład: choroba wieńcowa). Przedmiotem zainteresowania jest dwuwartościowa zmienna, któr określa grupę ryzyka: 1 jest w grupie ryzyka, 0 nie ma w grupie ryzyka. Oznaczmy ją przez E (na przykład: palenie papierosów). Zauważmy, że aby zbadać związek grupy ryzyka (palaczy) z chorobą (chorobą wieńcową), często musimy brać pod uwagę dodatkowe charakterystyki takie, jak wiek C 1, rasa C 2 czy płeć C 3. Te charakterystyki nie interesują nas w sposób bezpośredni. Są to tak zwane zmienne kontrolne. Zmienną E (ekspozycja) razem ze zmiennymi kontrolnymi C 1, C 2, C 3 nazywamy zmiennymi NIEZALEŻNYMI, a zmienną D nazywamy zmienną ZALEŻNĄ. (E, C 1, C 2, C 3 ) D }{{} niezależne
62 Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Rozważmy dwuwartościową zmienną: 1 choroba wystąpiła, 0 choroba nie wystąpiła. Oznaczmy ją przez D (na przykład: choroba wieńcowa). Przedmiotem zainteresowania jest dwuwartościowa zmienna, któr określa grupę ryzyka: 1 jest w grupie ryzyka, 0 nie ma w grupie ryzyka. Oznaczmy ją przez E (na przykład: palenie papierosów). Zauważmy, że aby zbadać związek grupy ryzyka (palaczy) z chorobą (chorobą wieńcową), często musimy brać pod uwagę dodatkowe charakterystyki takie, jak wiek C 1, rasa C 2 czy płeć C 3. Te charakterystyki nie interesują nas w sposób bezpośredni. Są to tak zwane zmienne kontrolne. Zmienną E (ekspozycja) razem ze zmiennymi kontrolnymi C 1, C 2, C 3 nazywamy zmiennymi NIEZALEŻNYMI, a zmienną D nazywamy zmienną ZALEŻNĄ. (E, C 1, C 2, C 3 ) D }{{} niezależne
63 Funkcja logistyczna f (z) = 1 1+e z Przykład: badania prospektywne Przykład: badania retrospektywne Ryzyko wystąpienia choroby chcemy wyrazić za pomocą prawdopodobieństwa. Prawdopodobieństwo jest wartością z przedziału (0,1). W naszym przypadku chcemy uzależnić je od zmiennych niezależnych. Argument z reprezentuje mi zmienne niezależne, a f (z) ryzyko wystąpienia choroby.
64 Model Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Podstawiamy Otrzymujemy z = β 0 + β 1 C 1 + β 2 C 2 + β 3 C 3 + β 4 E P(D = 1 C 1, C 2, C 3, E) = e (β0+β1c1+β2c2+β3c3+β4e)
65 Przykład 1 Regresja Przykład: badania prospektywne Przykład: badania retrospektywne D = wystąpienie choroby wieńcowej (0 lub 1) E = poziom katecholamin (0 - niski, 1 - wysoki) C 1 = wiek (ciągła) C 2 = wynik elektrokardiogramu (0 - w normie, 1 - poza normą) n = 609 liczba badanych kobiet Czas obserwacji = 9 lat (E, C 1, C 2 ) D Czas: T 0 T 1 Wynik estymacji (z = β 0 + β 1 C 1 + β 2 C 2 + β 3 E): ˆβ 0 = 3.911, ˆβ1 = 0.029, ˆβ2 = 0.342, ˆβ3 = 0.652
66 Przykład, cd Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Chcemy wykorzystać wyniki estymacji w celu oszacowania ryzyka wystąpienia choroby wieńcowej u osób: a) o wysokim poziomie katecholamin w wieku 40 lat, których elektrokardiogram nie wykazał odstępstw od normy E = 1, C 1 = 40, C 2 = 0 b) o niskim poziomie katecholamin w wieku 40 lat, których elektrokardiogram nie wykazał odstępstw od normy E = 0, C 1 = 40, C 2 = 0
67 Przykład, cd Regresja Przykład: badania prospektywne Przykład: badania retrospektywne ad a) 1 ˆP(D = 1 C 1 = 40, C 2 = 0, E = 1) = 1 + e ( (40) (0) (1)) = ad b) 1 ˆP(D = 1 C 1 = 40, C 2 = 0, E = 0) = 1 + e ( (40) (0) (0)) = RR = ˆP(D = 1 C 1 = 40, C 2 = 0, E = 1) ˆP(D = 1 C 1 = 40, C 2 = 0, E = 0) = 1.82
68 Przykład 2 Regresja Przykład: badania prospektywne Przykład: badania retrospektywne W badaniach retrospektywnych nad przypuszczalnym znaczeniem grupy krwi w chorobie wrzodowej układu pokarmowego zebrano dane: Choroba wrzodowa Grupa kontrolna Grupa O Grupa A Grupa O Grupa A Londyn Manchester Newcastle Celem badań jest sprawdzenie, czy ryzyko choroby wrzodowej zależy od grupy krwi. Zatem za zmienną zależną powinniśmy przyjąć występowanie choroby wrzodowej, a za niezależną grupę krwi. Oznacza to, że zbierając dane, powinniśmy wylosować osoby z każdą grupą krwi, a następnie po ustalonym czasie zliczyć osoby z chorobą i bez choroby wrzodowej: ( ) Miasto, Grupa krwi Choroba Czas: T 0 T 1
69 Przykład, cd. Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Poręczniej jest zebrać dane odwrotnie: ( ) Choroba Miasto, Grupa krwi najpierw wybieramy osoby spośród chorych oraz zdrowych, a następnie zliczamy osoby z grupą krwi O oraz A. Jeżeli nie kontrolujemy, miejsca zamieszkania osoby, zmienna Miasto ma charakter losowy i mamy powyższy schemat. Przy wyborze osób z konkretnych miast mamy schemat: Miasto, Choroba Grupa krwi (!) Nie możemy oszacować w sposób bezpośredni ryzyka choroby wrzodowej, ponieważ liczba chorych w stosunku do zdrowych jest z góry ustalona i nie odzwierciedla rozkładu liczby chorych osób w populacji osób chorych i zdrowych. Zatem nie możemy bezpośrednio oszacowć prawdopodobieństwa. P(Choroba Grupa krwi, Miasto)
70 Przykład, cd. Regresja Przykład: badania prospektywne Przykład: badania retrospektywne Możemy za to oszacować P(Grupa krwi Choroba, Miasto), Przyjmijmy Nazwa cechy Grupa krwi Choroba Miasto Przyjmowane wartości A, O Tak, Nie Londyn, Manchester, Newcastle Przykłady zapisu: P(A Tak, Londyn), P(O Tak, Londyn), P(A Nie, Newcastle)
71 Przykład: badania prospektywne Przykład: badania retrospektywne Przyjmujemy model P(A Choroba, Miasto) = e z z = β 0 + β 1 L(Choroba = Tak) + β 2 L(Miasto = Manchester) + + β 3 L(Miasto = Newcastle) Przykłady L(PRAWDA) = 1 = 1 L(FAŁSZ) 1 P(A Tak, Londyn) = 1 + e (β0+β1) 1 P(A Nie, Manchester) = 1 + e (β0+β2) P(O Tak, Londyn) = 1 P(A Tak, Londyn) = e (β0+β1)
72 Przykład: badania prospektywne Przykład: badania retrospektywne Obliczenia w R:
73 Przykład: badania prospektywne Przykład: badania retrospektywne Obliczenia w R: ˆβ 0 = , ˆβ1 = , ˆβ2 = , ˆβ3 =
74 Przykład: badania prospektywne Przykład: badania retrospektywne Znaczenie oszacowanych parametrów. Można pokazać, że (dla każdego Miasta) ( / ) P(A Tak, Miasto) P(A Nie, Miasto) ln P(O Tak, Miasto) P(O Nie, Miasto) = β 1 Zatem mamy następujący iloraz szans: / P(A Tak, Miasto) P(A Nie, Miasto) OR = P(O Tak, Miasto) P(O Nie, Miasto) = eβ1
75 Przykład: badania prospektywne Przykład: badania retrospektywne Można pokazać: OR = = = / P(A Tak, Miasto) P(A Nie, Miasto) P(O Tak, Miasto) P(O Nie, Miasto) = / P(Tak A, Miasto) P(Nie A, Miasto) P(Tak O, Miasto) P(Nie O, Miasto) = / P(Tak A, Miasto) P(Tak O, Miasto) P(Nie A, Miasto) P(Nie O, Miasto) Oznacza to, że iloraz szans w badaniu retrospektywnym jest identyczny z ilorazem szans w badaniu prospektywnym. Przyjmując RR = P(Tak A, Miasto) P(Tak O, Miasto) oraz P(Nie A, Miasto) P(Nie O, Miasto) 1 otrzymujemy RR OR
76 Przykład: badania prospektywne Przykład: badania retrospektywne Otrzymane przybliżenia jest realne, jeżeli procentowo jest bardzo mało ludzi chorych na wrzody układu pokarmowego. Obliczenia: e ˆβ 1 = e Wnioski: 1. Ryzyko choroby wrzodowej jest większe u osób z grupą krwi O. 2. Ryzyko choroby wrzodowej u osoby z grupą A jest o ok. 30% mniejsze niż u osoby z grupą O.
Porównanie wielu rozkładów normalnych
Porównanie wielu rozkładów normalnych Założenia:. X i N(µ i, σi 2 ), i =,..., k 2. X,..., X k są niezależne Czy µ = = µ k? Czy σ 2 = = σ 2 k? Próby: X i,..., X ini, i =,..., k X i, varx i, s 2 i = varx
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoPorównanie dwóch rozkładów normalnych
Porównanie dwóch rozkładów normalnych Założenia: 1. X 1 N(µ 1, σ 2 1), X 2 N(µ 2, σ 2 2) 2. X 1, X 2 są niezależne Ocena µ 1 µ 2 oraz σ 2 1/σ 2 2. Próby: X 11,..., X 1n1 ; X 21,..., X 2n2 X 1, varx 1,
Bardziej szczegółowohipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoElementy statystyki STA - Wykład 5
STA - Wykład 5 Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza 1 ANOVA 2 Model jednoczynnikowej analizy wariancji Na model jednoczynnikowej analizy wariancji możemy traktować jako uogólnienie
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoAnaliza wariancji. dr Janusz Górczyński
Analiza wariancji dr Janusz Górczyński Wprowadzenie Powiedzmy, że badamy pewną populację π, w której cecha Y ma rozkład N o średniej m i odchyleniu standardowym σ. Powiedzmy dalej, że istnieje pewien czynnik
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoSzkice rozwiązań z R:
Szkice rozwiązań z R: Zadanie 1. Założono doświadczenie farmakologiczne. Obserwowano przyrost wagi ciała (przyrost [gram]) przy zadanych dawkach trzech preparatów (dawka.a, dawka.b, dawka.c). Obiektami
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA (wykład ) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Weryfikacja (testowanie) hipotez statystycznych
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoWNIOSKOWANIE W MODELU REGRESJI LINIOWEJ
WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ Dana jest populacja generalna, w której dwuwymiarowa cecha (zmienna losowa) (X, Y ) ma pewien dwuwymiarowy rozk lad. Miara korelacji liniowej dla zmiennych (X, Y
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład. Producent pewnych detali twierdzi, że wadliwość jego produkcji nie przekracza 2%. Odbiorca pewnej partii tego produktu chce sprawdzić, czy może wierzyć producentowi.
Bardziej szczegółowo1 Weryfikacja hipotez statystycznych
Spis treści Spis treści 1 Weryfikacja hipotez statystycznych 1 1.1 Pojęcia................................ 1 2 Porównania z normami 3 2.1 Wstęp................................ 3 2.2 Porównanie z normami:
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoJEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA
JEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1 Obserwowana (badana) cecha Y Czynnik wpływający na Y (badany) A A i i ty poziom czynnika A a liczba poziomów (j=1..a), n i liczba powtórzeń w i tej populacji
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoBadanie zgodności z określonym rozkładem. F jest dowolnym rozkładem prawdopodobieństwa. Test chi kwadrat zgodności. F jest rozkładem ciągłym
Badanie zgodności z określonym rozkładem H 0 : Cecha X ma rozkład F F jest dowolnym rozkładem prawdopodobieństwa Test chi kwadrat zgodności F jest rozkładem ciągłym Test Kołmogorowa F jest rozkładem normalnym
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoZad. 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 szczegółowoTestowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona;
LABORATORIUM 4 Testowanie hipotez dla dwóch zmiennych zależnych. Moc testu. Minimalna liczność próby; Regresja prosta; Korelacja Pearsona; dwie zmienne zależne mierzalne małe próby duże próby rozkład normalny
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoStatystyka 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 szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoREGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji
Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 11 DOŚWIADCZENIE JEDNOCZYNNIKOWE W UKŁADZIE CAŁKOWICIE LOSOWYM PORÓWNANIA SZCZEGÓŁOWE
WYKŁAD 11 DOŚWIADCZENIE JEDNOCZYNNIKOWE W UKŁADZIE CAŁKOWICIE LOSOWYM PORÓWNANIA SZCZEGÓŁOWE Było: Przykład. W doświadczeniu polowym załoŝonym w układzie całkowicie losowym w czterech powtórzeniach porównano
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoCechy X, Y są dowolnego typu: Test Chi Kwadrat niezależności. Łączny rozkład cech X, Y jest normalny: Test współczynnika korelacji Pearsona
Badanie zależności między cechami Obserwujemy dwie cechy: X oraz Y Obiekt (X, Y ) H 0 : Cechy X oraz Y są niezależne Próba: (X 1, Y 1 ),..., (X n, Y n ) Cechy X, Y są dowolnego typu: Test Chi Kwadrat niezależności
Bardziej szczegółowo1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe
Zjazd 7. SGGW, dn. 28.11.10 r. Matematyka i statystyka matematyczna Tematy 1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe nna Rajfura 1 Zagadnienia Przykład porównania wielu obiektów w
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoESTYMACJA 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 szczegółowoPrzykład 1. (A. Łomnicki)
Plan wykładu: 1. Wariancje wewnątrz grup i między grupami do czego prowadzi ich ocena 2. Rozkład F 3. Analiza wariancji jako metoda badań założenia, etapy postępowania 4. Dwie klasyfikacje a dwa modele
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoRegresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).
Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 7 23 listopada 2009 Wykład 6 (16.XI.2009) zakończył się zdefiniowaniem współczynnika korelacji: E X µ x σ x Y µ y σ y = T WSPÓŁCZYNNIK KORELACJI ρ X,Y = ρ Y,X (!) WSPÓŁCZYNNIK
Bardziej szczegółowoTesty post-hoc. Wrocław, 6 czerwca 2016
Testy post-hoc Wrocław, 6 czerwca 2016 Testy post-hoc 1 metoda LSD 2 metoda Duncana 3 metoda Dunneta 4 metoda kontrastów 5 matoda Newman-Keuls 6 metoda Tukeya Metoda LSD Metoda Least Significant Difference
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 8
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 8 Regresja wielokrotna Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X 1, X 2, X 3,...) na zmienną zależną (Y).
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO. Wykład 2
STATYSTYKA I DOŚWIADCZALNICTWO Wykład Parametry przedziałowe rozkładów ciągłych określane na podstawie próby (przedziały ufności) Przedział ufności dla średniej s X t( α;n 1),X + t( α;n 1) n s n t (α;
Bardziej szczegółowoWIELKA 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 szczegółowoStosowana Analiza Regresji
Model jako : Stosowana Analiza Regresji Wykład XI 21 Grudnia 2011 1 / 11 Analiza kowariancji Model jako : Oprócz czynnika o wartościach nominalnych chcemy uwzględnić wpływ predyktora o wartościach ilościowych
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWERYFIKACJA MODELI MODELE LINIOWE. Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno
WERYFIKACJA MODELI MODELE LINIOWE Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno ANALIZA KORELACJI LINIOWEJ to NIE JEST badanie związku przyczynowo-skutkowego, Badanie współwystępowania cech (czy istnieje
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoAnaliza wariancji i kowariancji
Analiza wariancji i kowariancji Historia Analiza wariancji jest metodą zaproponowaną przez Ronalda A. Fishera. Po zakończeniu pierwszej wojny światowej był on pracownikiem laboratorium statystycznego w
Bardziej szczegółowoStatystyczna analiza danych (molekularnych) analiza wariancji ANOVA
Statystyczna analiza danych (molekularnych) analiza wariancji ANOVA Anna Gambin 19 maja 2013 Spis treści 1 Przykład: Model liniowy dla ekspresji genów 1 2 Jednoczynnikowa analiza wariancji 3 2.1 Testy
Bardziej szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoLABORATORIUM 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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoTestowanie 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 szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoLABORATORIUM 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 szczegółowoNIEZALEŻNOŚĆ i ZALEŻNOŚĆ między cechami Test chi-kwadrat, OR, RR
NIEZALEŻNOŚĆ i ZALEŻNOŚĆ między cechami Test chi-kwadrat, OR, RR M Zalewska Zakład Profilaktyki ZagrożeńŚrodowiskowych i Alergologii Analiza niezależności zmiennych jakościowych (test niezależności Chi-kwadrat)
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowo), 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 szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoStatystyka 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 szczegółowoSTATYSTYKA 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 szczegółowoTESTY NIEPARAMETRYCZNE. 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa.
TESTY NIEPARAMETRYCZNE 1. Testy równości średnich bez założenia normalności rozkładu zmiennych: Manna-Whitney a i Kruskala-Wallisa. Standardowe testy równości średnich wymagają aby badane zmienne losowe
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoAdam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska
Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowoSTATYSTYKA wykład 8. Wnioskowanie. Weryfikacja hipotez. Wanda Olech
TATYTYKA wykład 8 Wnioskowanie Weryfikacja hipotez Wanda Olech Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoSTATYSTYKA 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 szczegółowoTestowanie 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 szczegółowoTestowanie 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 szczegółowoMetody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji
gkrol@mail.wz.uw.edu.pl #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji 1 Ryzyko błędu - powtórzenie Statystyka niczego nie dowodzi, czyni tylko wszystko mniej lub bardziej prawdopodobnym
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoa. opisać badaną cechę; cechą X jest pomiar średnicy kulki
Maszyna ustawiona jest tak, by produkowała kulki łożyskowe o średnicy 1 cm. Pomiar dziesięciu wylosowanych z produkcji kulek dał x = 1.1 oraz s 2 = 0.009. Czy można uznać, że maszyna nie rozregulowała
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoWykład 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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoWykład 5 Teoria eksperymentu
Wykład 5 Teoria eksperymentu Wrocław, 22.03.2017r Co to jest teoria eksperymentu? eksperyment - badanie jakiegoś zjawiska polegające na celowym wywołaniu tego zjawiska lub jego zmian oraz obserwacji i
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoStatystyki: 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 szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoHipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.
Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowo