Analiza wariancji. Źródło: Aczel A. D. Statystyka w zarządzaniu. Barbara Gładysz
|
|
- Łukasz Lewicki
- 6 lat temu
- Przeglądów:
Transkrypt
1 Analiza wariancji Źródło: Aczel A. D. Statystyka w zarządzaniu
2 Analiza wariancji jednoczynnikowa
3 Populacja Pole trójkąty kwadraty kółka
4 Populacja Pole trójkąty SUMA 4 Średnia 6 kwadraty SUMA Średnia kółka SUMA Średnia
5 Średnie w populacjach Populacja Pole trójkaty SUMA 4 Średnia 6 kwadraty SUMA 46 Średnia 11,5 kółka SUMA 6 Średnia
6 Wariancje w populacjach Populacja Pole trójkaty SUMA 4 10 Średnia 6 3,333 MAX kwadraty ,5,5 11-0,5 0, ,5 0, ,5,5 SUMA 46 5 Średnia 11,5 1,667 kółka SUMA 6 Średnia x x ( x x) 1 MIN
7 Test Bartlett a równości wariancji ( ) ZAŁ.: k populacji o rozkładach normalnych N µ, δ Liczność prób: n i, i =1,,..., k i i H 0... H1 : : δ 1 = δ = = δ k Nie wszystkie wariancje są równe.
8 Χ =,303 ( ) k ( ) n k log sˆ n i 1 log sˆ i c i= 1 -rozkład Χ ( k 1) gdzie: n = n i= 1 n i sˆ = n 1 k k i= 1 ( n 1) ˆ i s i k ( ) k = c 1 3 k 1 i= 1 ni 1 n k c = = k + 1 ( n k ) gdy n =... nk,
9 Obszar krytyczny testu:
10 Test Bartlett a równości wariancji ( ) ZAŁ.: k populacji o rozkładach normalnych N µ, δ Liczność prób: n i, i =1,,..., k i i H 0... H1 : : δ 1 = δ = = δ k Nie wszystkie wariancje są równe. Χ =,303 c k ( n k) log sˆ ( 1) log ˆ = 0, 68 i= 1 n i s i 0,68 < Χ 0 =,05 ( ) 5, 99 Nie ma podstaw do odrzucenia hipotezy o równości wariancji. H 0
11 Analiza wariancji jednoczynnikowa H 0 : µ 1 = µ =... = µ r H1 : Nie wszystkie średnie są równe. F = MSTr MSE -rozkład F-Snedecora o (r-1,n-r) stopniach swobody gdzie: MSTr MSE - średnie odchylenie kwadratowe między populacjami - średnie odchylenie kwadratowe błędu losowego Obszar krytyczny testu:
12 Średnia w populacji (i) x i = n i j n x i ij Średnia z całej próby x r i= = 1 n i j n x ij
13 Suma odchyleń kwadratowych od średnich w populacjach SSE = r n ( i x ) ij xi i= 1 j= 1 Średnie odchylenie kwadratowe od średnich w populacjach MSE = = r i= 1 SSE n r Suma odchyleń kwadratowych między populacjami SSTr MSTr n i ( x x ) Średnie odchylenie kwadratowe od średnich między populacjami i SSTr = r 1
14 Populacja Pole ij x i ij x i x i trójkaty , , , ,86 kwadraty ,5,5 11,5 1, ,5 0,5 11,5 1, ,5 0,5 11,5 1, ,5,5 11,5 1,076 kółka , , ,099 SUMA 76 SSE= 17 SSTr 159,909 średnia n=11 6,909 SSE 17 MSE = = 159,9 = = 79, 95 n r 8 = SSTr r x x ( x ) ( ) x i x MSTr = MSE 79,95,15 MSSTr F = = 37, 6 1
15 Analiza wariancji jednoczynnikowa H1 H : µ = = 0 : 1 µ µ 3 Nie wszystkie średnie są równe. F MSTr = MSE = 79,95,15 = 37,6 Poziom istotności testu α = 0, 05 Wartość krytyczna F (3-1,11-3)=4,46 0,05 37,6 > 4,46 -> odrzucamy hipotezę o równości średnich
16
17 Test Tuckeya jednorodności dla jednakowych liczebności w grupach Statystyka testowa dla różnic studentyzowanych T ( r, n r) α = q α MSE n i Wnioskowanie: x i x j > < T T α α ( r, n r) ( r, n r) średnie średnie rózne równe
18 Test Tuckeya jednorodności dla różnych liczebności w grupach Statystyka testowa dla różnic studentyzowanych T ( r, n r) α = q α MSE ( n i ) min Wnioskowanie: x i x j > < T T α α ( ) r, n r ( r, n r) średnie średnie rózne równe
19 Test Tuckeya jednorodności dla różnych liczebności w grupach Statystyka testowa dla różnic studentyzowanych T α Wnioskowanie: ( r, n r ) = q α MSE n i n j x i x j > < T T α α ( ) r, n r ( r, n r) średnie średnie rózne równe
20 Test Tuckeya jednorodności dla jednakowych liczebności w grupach Statystyka testowa dla różnic studentyzowanych T α MSE,15 ( r, n r) = q = 4,04 = 3, 4 α n i 3 Wnioskowanie: x x x ko ko kw x xt x kw t = 9,5 > 3,4 pola rózne = 4 > 3,4 pola rózne = 5,5 > 3,4 pola rózne
21
22 Test Tuckeya jednorodności
23 Analiza wariancji dwuczynnikowa (z n powtórzeniami)
24 LOKALIZACJA (A) MARKA (B) I II III Centrum Peryferia Źródło: Mercik J., Szmigiel Cz. Ekonometria Cena produktu w zależności od lokalizacji sklepu i firmy produkcyjnej
25 Test Hartley a równości wariancji ZAŁ.: k populacji o rozkładach normalnych Liczność prób: n1 = n =... = nk = n 5 N ( µ, δ ) i i H 0... H1 : : δ 1 = δ = = δ k Nie wszystkie wariancje są równe. H = Sˆ Sˆ max min -rozkład H (n,k-1 ) Obszar krytyczny testu:
26 wariancje sˆi LOKALIZACJA (A) FIRMA (B) I II III Centrum 4 6,33 4,33 Peryferia 7 4,33 4 H H1 0 : δ 11 = δ1 = δ13 = δ 1 = δ = δ 3 : Nie wszystkie wariancje są równe. H = S S 7 4 max = = min 1,75 Wartość krytyczna H (6,3-1)=66 0,05 1,75 < 66 -> nie ma postaw do odrzucenia hipotezy o równości wariancji UWAGA: n<5!
27 Test Bartlett a równości wariancji ( ) ZAŁ.: k populacji o rozkładach normalnych N µ, δ Liczność prób: n i, i =1,,..., k i i H 0... H1 : : δ 1 = δ = = δ k Nie wszystkie wariancje są równe.
28 Χ =,303 ( ) k ( ) n k log sˆ n i 1 log sˆ i c i= 1 -rozkład Χ ( k 1) gdzie: n = n i= 1 n i sˆ = n 1 k k i= 1 ( n 1) ˆ i s i k ( ) k = c 1 3 k 1 i= 1 ni 1 n k c = = k + 1 ( n k ) gdy n =... nk,
29 LOKALIZACJA (A) FIRMA (B) I II III Centrum 4 6, ,33333 Peryferia 7 4, wariancje sˆi k 1 = n k ( n i 1) sˆ = 4, 99 ˆ i i= 1 s Χ =,303 c k ( n k) log sˆ ( 1) log ˆ = 1, 03 i= 1 n i s i < Χ 0 =,05 ( 5) 11, 07 Nie ma podstaw do odrzucenia hipotezy o równości wariancji. H 0
30 Obszar krytyczny testu:
31 ANALAZA WARIANCJI DWUCZYNNIKOWA a liczba poziomów czynnika A, b liczba poziomów czynnika B, n liczba obserwacji w klasie. xijk k - ta obserwacja dla poziomu i czynnika A oraz poziomu j czynnika B
32 Wpływ czynnika A na wartość oczekiwaną badanej cechy. H 0... µ H 1 : µ 1.. = µ.. = = a.. : Nie wszystkie powyższe równości zachodzą. Wpływ czynnika B na wartość oczekiwaną badanej cechy. H 0... µ H1 : : µ.1. = µ.. = =. b. Nie wszystkie powyższe równości zachodzą. Łączny wpływ czynników A i B na wartość oczekiwaną badanej cechy. H : µ = µ 1. =... = µ ab. = 0 H1 : Nie wszystkie powyższe równości zachodzą.
33 X = a i b j n k abn X ijk - wartość średnia dla wszystkich obserwacji, X i.. = b j n k bn X ijk - wartość średnia dla poziomu i czynnika A, X. j. = a i n k an X ijk - wartość średnia dla poziomu j czynnika B, X ij. = n k X n ijk - wartość średnia dla poziomu i czynnika A oraz dla poziomu j czynnika B.
34 LOKALIZACJA (A) MARKA (B) I II III Centrum ,00 30,67 34,33 35,33 Peryferia ,00 1,33 5,00 4,78 34,50 6,00 9,67 30,06
35 SST = SSA+ SSB + SSAB + SSE gdzie: SST = a b n i= 1 j= 1 k= 1 ( ) X X ijk - łączna suma kwadratów odchyleń, SSA = bn ( a ) X i.. X i= 1 - suma kwadratów odchyleń dla czynnika A, SSB = an ( b ) X. j. X j= 1 - suma kwadratów odchyleń dla czynnika B, SSAB = n a b ( X ij. X i.. X. j. + X ) i= 1 j= 1 - suma kwadratów odchyleń dla interakcji AxB, SSE = a b n ( X ) ijk X ij. i= 1 j= 1 k= 1 - suma kwadratów odchyleń dla błędu.
36 SST SSA 3 3 = i= 1 j= 1 k= 1 a = bn i= 1 ( ) X ijk X = ( 41 30,05) + ( 31 30,05) ( 5 30,05) = 79, 94 ( ) [( ) ( ) ] X i X = ,33 30,05 + 4,78 30,05 501, 39.. = SSB = an b j= 1 ( ) X X = [ ( ) + ( ) + ( ) ] 3 34,50 30,05 6,00 30,05 9,67 30,. j. 05 = 3 SSAB a b = n i= 1 j= 1 ( ) X X X + X = ij. i.. [( ) ( ) ] 41,00 35,33 34, , ,00 4,78 9, ,05 = 13, 44. j. SSE 3 3 = ( ) X ijk X ij. = ( 41 41) + ( 39 41) ( 5 5) = 60 i= 1 j= 1 k = 1
37 Źródło zmienności Suma kwadratów odchyleń Liczba stopni swobody Średnie odchylenie kwadratowe Wartość statystyki F-Snedecora Czynnik A SSA a-1 Czynnik B SSB b-1 Interakcja SSAB (a-1)(b-1) Błąd SSE ab(n-1) SSA MSA = a 1 SSB MSB = b 1 MSAB = SSE MSE = ab SSAB ( a 1)( b 1) ( n 1) MSA F = MSE F = F = MSB MSE MSAB MSE Suma SST abn-1
38 Źródło zmienności Lokalizacja (A) Suma kwadratów odchyleń Liczba stopni swobody Średnie odchylenie kwadratowe Statystyka F- Snedecora Istotnoś ć F 501, ,39 100,8 ~0,000 Marka (B) 18,11 109,06 1,81 0,0001 Interakcja 13,44 6,7 1,34 0,973 Błąd Całkowita 79,94 17
39 Obszar krytyczny.
40 Łączny wpływ lokalizacji i marki (A x B) na wartość oczekiwaną ceny. H : µ = µ = = µ H 1 : Nie wszystkie powyższe równości zachodzą. F = 1, 34 <,05 (,1 ) 3, 89 F 0 = Nie ma podstaw do odrzucenia hipotezy H 0 o braku łącznego wpływu lokalizacji i marki na cenę.
41 45,00 40,00 35,00 30,00 5,00 0,00 15,00 10,00 5,00 0,00 I II III Centrum Peryferia średnia
42 H µ = H 1 : 1.. µ.. Wpływ lokalizacji (A) na wartość oczekiwaną ceny. 0 : 1.. µ.. F = 100, 8 > F ( 1,1 ) = 4, 75 0,05 Odrzucamy hipotezę H 0 na korzyść hipotezy Lokalizacja sklepu ma wpływ na cenę. H 1
43 Wpływ marki (B) na wartość oczekiwaną ceny. H : µ = µ = µ H : 1 zachodzą. Nie wszystkie powyższe równości F = 1, 8 > F (,1 ) = 3, 89 0,05 H H1 Odrzucamy hipotezę 0 na korzyść hipotezy Marka ma wpływ na cenę.
44 45,00 40,00 35,00 30,00 5,00 0,00 15,00 10,00 5,00 0,00 Centrum Peryferia I II III średnia
45 Obliczenia w Excelu
46
47
48 Analiza wariancji dwuczynnikowa PRZYKŁAD INTERAKCJI
49 POLE FIGURA KOLOR (A) (B) 4 trójkąt czerwony 5 trójkąt czerwony 7 trójkąt czarny 8 trójkąt czarny 10 kwadrat czarny 11 kwadrat czarny 1 kwadrat czerwony 13 kwadrat czerwony 1 koło czerwony koło czerwony 3 koło czarny
50 Table of Least Squares Means for Col_1 with 95,0 Percent Confidence Intervals Stnd. Lower Upper Level Count Mean Error Limit Limit GRAND MEAN 11 6,58333 Col_ ko³o 3,5 0, ,1369 3,3631 kwadrat 4 11,5 0, ,591 1,4088 trójk¹t 4 6,0 0, , ,90884 Col_3 czarny 5 7,0 0, , ,85686 czerwony 6 6, , ,446 6,90873 Col_ by Col_3 ko³o czarny 1 3,0 0, ,183 4,81768 ko³o czerwony 1,5 0,5 0,14706,7859 kwadrat czarny 10,5 0,5 9, ,7853 kwadrat czerwony 1,5 0,5 11,147 13,7853 trójk¹t czarny 7,5 0,5 6,1471 8,7859 trójk¹t czerwony 4,5 0,5 3,1471 5, The StatAdvisor This table shows the mean Col_1 for each level of the factors. It also shows the standard error of each mean, which is a measure of its sampling variability. The rightmost two columns show 95,0% confidence intervals for each of the means. You can display these means and intervals by selecting Means Plot from the list of Graphical Options.
51 Analysis of Variance for Col_1 - Type III Sums of Squares Source Sum of Squares Df Mean Square F-Ratio P-Value MAIN EFFECTS A:Col_ 145,0 7,5 145,00 0,0000 B:Col_3 1, , ,57 0,1174 INTERACTIONS AB 13,0 6,5 13,00 0,0104 RESIDUAL,5 5 0, TOTAL (CORRECTED) 176, All F-ratios are based on the residual mean square error. The StatAdvisor The ANOVA table decomposes the variability of Col_1 into contributions due to various factors. Since Type III sums of squares (the default) have been chosen, the contribution of each factor is measured having removed the effects of all other factors. The P-values test the statistical significance of each of the factors. Since P-values are less than 0,05, these factors have a statistically significant effect on Col_1 at the 95,0% confidence level.
52 Interaction Plot 15 1 Col_3 czarny czerwony Col_ ko³o kwadrat trójk¹t Col_
53 ANOVA dla danych zblokowanych w kwadrat łaciński Dzień tygodnia Sklep Poniedziałek B C A D E Wtorek A D C E B Środa C E B A D Czwartek D B C E A Piątek E A D B C Źródło: Aczel A. D. Statystyka w zarządzaniuc Rodzaj reklamy
54 ANOVA dla danych zblokowanych
55 DANE ZBLOKOWANE W KWADRAT ŁACIŃSKI Dzień tygodnia Sklep S1 S S3 S4 S5 Poniedziałek B C A D E Wtorek A D C E B Środa C E B A D Czwartek D B E C A Piątek E A D B C Źródło: Aczel A. D. Statystyka w zarządzaniuc Rodzaj reklamy
56 Dzień tygodnia Sklep S1 S S3 S4 S5 Poniedziałek B=5 C=4 A=6 D=4 E=3 Wtorek A=7 D=3 C=5 E= B=4 Środa C=4 E=3 B=4 A=8 D=4 Czwartek D=3 B=5 E=4 C=5 A=7 Piątek E=3 A=7 D=3 B=6 C=5 Sprzedaż
57 Dzień tygodnia Sklep Sprzedaż w dniach tygodnia S1 S S3 S4 S5 SUMA Poniedziałek Wtorek Środa Czwartek Piątek Sprzedaż w sklepach (SUMA) Sprzedaż ogółem
58 Dzień tygodnia Sklep S1 S S3 S4 S5 Poniedziałek B=5 C=4 A=6 D=4 E=3 Wtorek A=7 D=3 C=5 E= B=4 Środa C=4 E=3 B=4 A=8 D=4 Czwartek D=3 B=5 E=4 C=5 A=7 Piątek E=3 A=7 D=3 B=6 C=5 REKLAMA Sklep S1 S S3 S4 S5 SUMA A B C D E
59 H : µ = µ =... = µ 0 H1 : A B E Nie wszystkie powyższe równości zachodzą. - sprzedaż nie zależy od rodzaju reklamy - sprzedaż zależy od rodzaju reklamy
60 Źródło zmienności Suma kwadratów odchyleń Liczba stopni swobody Średnie odchylenie kwadratowe Wartość statystyki F-Snedecora Bloki -wiersze SSRB r-1 MSRB Bloki - kolumny SSCB r-1 MSCB Zabiegi SSTr r-1 MSTr F=MSTR/MSE Błąd losowy SSE (r-1)(r-) MSE Suma SST r -1
61 OBLICZENIA SST= (suma kwadratów wszystkich liczb w tablicy) (suma wszystkich liczb w tablicy)^/r^ SSRB = suma kwadratów sum w wierszach/r (suma wszystkich liczb w tablicy)^/r^ SSCB = suma kwadratów sum w kolumnach/r (suma wszystkich liczb w tablicy)^/r^ SSTr = suma kwadratów sum efektów zabiegów/r (suma wszystkich liczb w tablicy)^/r^ SSE = SST SSRB SSCB - SSTr
62 Analiza wariancji dla danych zblokowanych w kwadratach łacińskich H 0 : µ 1 = µ =... = µ r H1 : Nie wszystkie średnie są równe. F = MSTr MSE -rozkład F-Snedecora o (r-1,(r-1)(r-)) stopniach swobody gdzie: MSTr MSE - średnie odchylenie kwadratowe względem zabiegów - średnie odchylenie kwadratowe błędu losowego Obszar krytyczny testu:
63 PODSUMOWANIE Licznik Suma Średnia Wariancja Poniedziałek 5 4,4 1,3 Wtorek 5 1 4, 3,7 Środa 5 3 4,6 3,8 Czwartek 5 4 4,8, Piątek 5 4 4,8 3, S1 5 4,4,8 S 5 4,4,8 S3 5 4,4 1,3 S S ,6,3
64 ANALIZA WARIANCJI Źródło wariancji SS df MS F Wartość-p Test F Bloki wiersze dni tygodnia 1,36 4 0,34 Bloki kolumny sklepy 1,36 4 0,34 Zabiegi reklama 48,96 4 1,4,67 1,60483E-05 3,59167 Błąd 6,48 1 3,465 Razem 58,16 4
65 H : µ = µ = µ = = µ 0 H1 : A B C D Nie wszystkie średnie są równe. E F MSTr = MSE = 1,4 3,465 =,67 Poziom istotności testu α = 0, 05 Wartość krytyczna F (5-1,(5-1)(5-))=3,6 0,05,67 > 3,6 -> odrzucamy hipotezę o równości średnich
66 Analiza wariancji ulosowiony, całkowicie zblokowany plan eksperymentu H 0 : µ 1 = µ =... = µ r H1 : Nie wszystkie średnie są równe. F = MSTr MSE -rozkład F-Snedecora o (r-1,(r-1)(r-)) stopniach swobody gdzie: MSTr MSE - średnie odchylenie kwadratowe względem zabiegów - średnie odchylenie kwadratowe błędu losowego Obszar krytyczny testu:
67 Źródło zmienności Suma kwadratów odchyleń Liczba stopni swobody Średnie odchylenie kwadratowe Wartość statystyki F-Snedecora Bloki SSBL n-1 MSRB Zabiegi SSTr r-1 MSTr F=MSTR/MSE Błąd losowy SSE (n-1)(r-1) MSE Suma SST nr-1
68 H0: Nie ma różnicy w przeciętnej ocenie aktorek w opinii społecznej Losowy porządek prezentacji aktorek pierwszy wybrany widz Aktorka B Aktorka C Aktorka A drugi wybrany widz Aktorka C Aktorka B Aktorka A trzeci wybrany widz Aktorka A Aktorka C Aktorka B czwarty wybrany widz Aktorka B Aktorka A Aktorka C
Analiza wariancji. Źródło: Aczel A. D. Statystyka w zarządzaniu. Barbara Gładysz
Analiza wariancji Źródło: Aczel A. D. Statystyka w zarządzaniu Analiza wariancji jednoczynnikowa Populacja Pole trójkąty 4 5 3 7 4 8 kwadraty 0 3 4 3 kółka 3 3 Populacja Pole trójkąty 4 5 3 7 4 8 SUMA
Bardziej szczegółowoRozwiązanie: MSFA MSAB
Zadanie 1: Skompletuj poniższą tablicę analizy wariancji dwutorowej. Źródło SS? Wariancja? A 1828,09 2 MSFA=914,045? B 1102,34 3 =367,447 17,09? 88,91??? Błąd? 12??? 3277,34 23?? Rozwiązanie powyższego
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 szczegółowo(LMP-Liniowy model prawdopodobieństwa)
OGÓLNY MODEL REGRESJI BINARNEJ (LMP-Liniowy model prawdopodobieństwa) Dla k3 y α α α α + x + x + x 2 2 3 3 + α x x α x x + α x x + α x x + ε + x 4 2 5 3 6 2 3 7 2 3 Zał.: Wszystkie zmienne interakcyjne
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 szczegółowoStatystyka matematyczna. Wykład V. Parametryczne testy istotności
Statystyka matematyczna. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Weryfikacja hipotezy o równości wartości średnich w dwóch populacjach 2 3 Weryfikacja hipotezy o równości wartości średnich
Bardziej 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 szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW
Było: Testowanie hipotez (ogólnie): stawiamy hipotezę, wybieramy funkcję testową f (test statystyczny), przyjmujemy poziom istotności α; tym samym wyznaczamy obszar krytyczny testu (wartość krytyczną funkcji
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 szczegółowoJEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1
Powtórzenie: ANOVA 1 JEDNOCZYNNIKOWA ANALIZA WARIANCJI, ANOVA 1 Obserwowana (badana) cecha Y Czynnik wpływający na Y (badany) A A i i ty poziom czynnika A (i=1..a), n i liczba powtórzeń w i tej populacji
Bardziej szczegółowoProblem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015
Problem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015 Problem dwóch prób X = (X 1, X 2,..., X n ) - próba z rozkładu normalnego N (µ, σ 2 X ),
Bardziej szczegółowo, a ilość poziomów czynnika A., b ilość poziomów czynnika B. gdzie
Test Scheffego, gdzie (1) n to ilość powtórzeń (pomiarów) w jednej grupie (zabiegu) Test NIR Istnieje wiele testów dla porównań wielokrotnych opartych o najmniejszą istotna różnicę między średnimi (NIR).
Bardziej szczegółowoStatystyka. #6 Analiza wariancji. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2015/ / 14
Statystyka #6 Analiza wariancji Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2015/2016 1 / 14 Analiza wariancji 2 / 14 Analiza wariancji Analiza wariancji jest techniką badania wyników,
Bardziej szczegółowoWykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich
Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich Magdalena Frąszczak Wrocław, 22.03.2017r Problem Behrensa Fishera Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu normalnego
Bardziej szczegółowoTesty dla dwóch prób w rodzinie rozkładów normalnych
Testy dla dwóch prób w rodzinie rozkładów normalnych dr Mariusz Grządziel Wykład 12; 18 maja 2009 Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego)
Bardziej szczegółowoWykład 12 ( ): Testy dla dwóch prób w rodzinie rozkładów normalnych
Wykład 12 (21.05.07): Testy dla dwóch prób w rodzinie rozkładów normalnych Przykład Rozważamy dane wygenerowane losowo; ( podobne do danych z przykładu 7.2 z książki A. Łomnickiego) n 1 = 9 poletek w dąbrowie,
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 4 Konrad Miziński, nr albumu 233703 31 maja 2015 Zadanie 1 Wartości oczekiwane µ 1 i µ 2 oszacowano wg wzorów: { µ1 = 0.43925 µ = X
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 szczegółowoPorównanie 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 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 szczegółowoAnalizy wariancji ANOVA (analysis of variance)
ANOVA Analizy wariancji ANOVA (analysis of variance) jest to metoda równoczesnego badania istotności różnic między wieloma średnimi z prób pochodzących z wielu populacji (grup). Model jednoczynnikowy analiza
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 szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
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 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 szczegółowoWykład dla studiów doktoranckich IMDiK PAN. Biostatystyka I. dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW
Wykład dla studiów doktoranckich IMDiK PAN Biostatystyka I dr Anna Rajfura Kat. Doświadczalnictwa i Bioinformatyki SGGW anna_rajfura@sggw.pl Program wykładu w skrócie 1. Jednoczynnikowa analiza wariancji
Bardziej szczegółowoAlgorytm k-średnich. Źródło: LaroseD.T., Okrywanie wiedzy w danych.wprowadzenie do eksploracji danych, PWN, Warszawa 2005.
Algorytm k-średnich Źródło: LaroseD.T., Okrywanie wiedzy w danych.wprowadzenie do eksploracji danych, PWN, Warszawa 005. Dane a b c d e f g h (,3) (3,3) (4,3) (5,3) (,) (4,) (,) (,) Algorytm k-średnich
Bardziej szczegółowoBadanie zgodności dwóch rozkładów - test serii, test mediany, test Wilcoxona, test Kruskala-Wallisa
Badanie zgodności dwóch rozkładów - test serii, test mediany, test Wilcoxona, test Kruskala-Wallisa Test serii (test Walda-Wolfowitza) Założenie. Rozpatrywane rozkłady są ciągłe. Mamy dwa uporządkowane
Bardziej szczegółowoZałożenia 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 szczegółowoKatedra Genetyki i Podstaw Hodowli Zwierząt Wydział Hodowli i Biologii Zwierząt, UTP w Bydgoszczy
Ćwiczenie: Analiza zmienności prosta Przykład w MS EXCEL Sprawdź czy genotyp jagniąt wpływa statystycznie na cechy użytkowości rzeźnej? Obliczenia wykonaj za pomocą modułu Analizy danych (jaganova.xls).
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 szczegółowoWykład 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 szczegółowoPorównanie modeli statystycznych. Monika Wawrzyniak Katarzyna Kociałkowska
Porównanie modeli statystycznych Monika Wawrzyniak Katarzyna Kociałkowska Jaka jest miara podobieństwa? Aby porównywać rozkłady prawdopodobieństwa dwóch modeli statystycznych możemy użyć: metryki dywergencji
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 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 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 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 szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoZadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.
Zadania ze statystyki cz. 8 I rok socjologii Zadanie 1. W potocznej opinii pokutuje przekonanie, że lepsi z matematyki są chłopcy niż dziewczęta. Chcąc zweryfikować tę opinię, przeprowadzono badanie w
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez dla średnich w rozkładzie normalnym. Wrocław, r
Statystyka matematyczna Testowanie hipotez dla średnich w rozkładzie normalnym Wrocław, 18.03.2016r Testowanie hipotez dla średniej w rozkładzie normalnym dla jednej próby Model 1 Testowanie hipotez dla
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.
Bardziej szczegółowoBADANIE POWTARZALNOŚCI PRZYRZĄDU POMIAROWEGO
Zakład Metrologii i Systemów Pomiarowych P o l i t e c h n i k a P o z n ańska ul. Jana Pawła II 24 60-965 POZNAŃ (budynek Centrum Mechatroniki, Biomechaniki i Nanoinżynierii) www.zmisp.mt.put.poznan.pl
Bardziej szczegółowoWykład 8 Dane kategoryczne
Wykład 8 Dane kategoryczne Wrocław, 19.04.2017r Zmienne kategoryczne 1 Przykłady zmiennych kategorycznych 2 Zmienne nominalne, zmienne ordynalne (porządkowe) 3 Zmienne dychotomiczne kodowanie zmiennych
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 23 maja 2018 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej 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 szczegółowo1 Estymacja przedziałowa
1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α
Bardziej szczegółowoWykład 12 Testowanie hipotez dla współczynnika korelacji
Wykład 12 Testowanie hipotez dla współczynnika korelacji Wrocław, 24 maja 2017 Współczynnik korelacji Niech będą dane dwie próby danych X = (X 1, X 2,..., X n ) oraz Y = (Y 1, Y 2,..., Y n ). Współczynnikiem
Bardziej 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 szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH
TETOWANIE HIPOTEZ TATYTYCZNYCH HIPOTEZA TATYTYCZNA przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Prawdziwość tego przypuszczenia jest oceniana na
Bardziej szczegółowoBADANIE POWTARZALNOŚCI PRZYRZĄDU POMIAROWEGO
Zakład Metrologii i Systemów Pomiarowych P o l i t e c h n i k a P o z n ańska ul Jana Pawła II 24 60-965 POZNAŃ budynek Centrum Mechatroniki, iomechaniki i Nanoinżynierii) wwwzmispmtputpoznanpl tel +48
Bardziej szczegółowoWykład 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 szczegółowoStatystyka w analizie i planowaniu eksperymentu
19 kwietnia 2011 Testy dla dwóch grup 1 Analiza danych dla dwóch grup: test t-studenta dla dwóch grup sparowanych; test t-studenta dla dwóch grup niezależnych (jednakowe wariancje) test Z dla dwóch grup
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 szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoStatystyka matematyczna. Wykład VI. Zesty zgodności
Statystyka matematyczna. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści 1 Testy zgodności 2 Test Shapiro-Wilka Test Kołmogorowa - Smirnowa Test Lillieforsa Test Jarque-Bera Testy zgodności Niech x
Bardziej szczegółowoAnaliza wariancji - ANOVA
Analiza wariancji - ANOVA Analiza wariancji jest metodą pozwalającą na podział zmienności zaobserwowanej wśród wyników eksperymentalnych na oddzielne części. Każdą z tych części możemy przypisać oddzielnemu
Bardziej szczegółowoAutor: Dariusz Piwczyński 1 Ćwiczenie. Analiza zmienności złożona. Testy wielokrotnych porównań
Autor: Dariusz Piwczyński 1 Ćwiczenie. Analiza zmienności złożona. Testy wielokrotnych porównań Analizę wariancji możemy wykonać w SAS za pomocą procedury ANOVA oraz GLM. ANOVA Analysis of variance (Analiza
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 szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoZadania ze statystyki cz.8. Zadanie 1.
Zadania ze statystyki cz.8. Zadanie 1. Wykonano pewien eksperyment skuteczności działania pewnej reklamy na zmianę postawy. Wylosowano 10 osobową próbę studentów, których poproszono o ocenę pewnego produktu,
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3 Konrad Miziński, nr albumu 233703 26 maja 2015 Zadanie 1 Wartość krytyczna c, niezbędna wyliczenia mocy testu (1 β) wyznaczono za
Bardziej szczegółowoZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.
Opracowała: Joanna Kisielińska ZMIENNE LOSOWE Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R tzn. X: R. Realizacją zmiennej losowej
Bardziej szczegółowoWykład 11 Testowanie jednorodności
Wykład 11 Testowanie jednorodności Wrocław, 17 maja 2018 Test χ 2 jednorodności Niech X i, i = 1, 2,..., k będą niezależnymi zmiennymi losowymi typu dyskretnego przyjmującymi wartości z 1, z 2,..., z l,
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 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 szczegółowoWykład: Założenia analizy wariancji. Analiza wariancji złożona i testy wielokrotnych porównań.
Wykład: Założenia analizy wariancji. Analiza wariancji złożona i testy wielokrotnych porównań. Założenia analizy wariancji: Niezależność zmiennych objaśniających (czynników). Homogeniczność wariancji (równość
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Bardziej szczegółowoStatystyka 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 szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoWykorzystanie testu Levene a i testu Browna-Forsythe a w badaniach jednorodności wariancji
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 4/18/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.4.48 WIESŁAWA MALSKA Wykorzystanie testu Levene a i testu Browna-Forsythe
Bardziej szczegółowoZawartość. 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 szczegółowoBADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ
WYKŁAD 3 BADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ Było: Przykład. Z dziesięciu poletek doświadczalnych zerano plony ulw ziemniaczanych (cecha X) i oznaczono w nich procentową zawartość
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 szczegółowoJednoczynnikowa analiza wariancji. Wnioskowanie dla jednoczynnikowej ANOV-y. Porównywanie poszczególnych średnich
(Wykład 13) Jednoczynnikowa analiza wariancji Wnioskowanie dla jednoczynnikowej ANOV-y Format danych Hipotezy i model ANOVA Tabela ANOVA i test F Porównywanie poszczególnych średnich Jednoczynnikowa ANOVA
Bardziej szczegółowoStatystyka i Analiza Danych
Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania analizy wariancji w opracowywaniu wyników badań empirycznych Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki -
Bardziej szczegółowoLABORATORIUM 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 szczegółowoKORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y. 2. Współczynnik korelacji Pearsona
KORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y 2. Współczynnik korelacji Pearsona 3. Siła i kierunek związku między zmiennymi 4. Korelacja ma sens, tylko wtedy, gdy związek między zmiennymi
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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Jednoczynnikowa analiza wariancji i porównania wielokrotne (układ losowanych bloków randomized block design RBD) Układ losowanych bloków Stosujemy, gdy podejrzewamy,
Bardziej szczegółowoWszystkie wyniki w postaci ułamków należy podawać z dokładnością do czterech miejsc po przecinku!
Pracownia statystyczno-filogenetyczna Liczba punktów (wypełnia KGOB) / 30 PESEL Imię i nazwisko Grupa Nr Czas: 90 min. Łączna liczba punktów do zdobycia: 30 Czerwona Niebieska Zielona Żółta Zaznacz znakiem
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 szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 9 i 10 Magdalena Alama-Bućko 14 i 21 maja 2018 Magdalena Alama-Bućko Statystyka matematyczna 14 i 21 maja 2018 1 / 25 Hipotezy statystyczne Hipoteza statystyczna nazywamy
Bardziej szczegółowoSIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY
SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Weryfikacja hipotez statystycznych Statystyka i demografia PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY
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 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 szczegółowoTesty nieparametryczne
Testy nieparametryczne 1 Wybrane testy nieparametryczne 1. Test chi-kwadrat zgodności z rozkładem oczekiwanym 2. Test chi-kwadrat niezależności dwóch zmiennych kategoryzujących 3. Test U Manna-Whitney
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.
WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?
Bardziej 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 szczegółowoOutlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej.
Temat: WYKRYWANIE ODCHYLEO W DANYCH Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej. Przykładem Box Plot wygodną metodą
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 szczegółowoTestowanie hipotez dla frakcji. Wrocław, 29 marca 2017
Testowanie hipotez dla frakcji Wrocław, 29 marca 2017 Powtórzenie z rachunku prawdopodobieństwa Centralne Twierdzenie Graniczne Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu o średniej µ i skończonej
Bardziej 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 szczegółowoAutor: Dariusz Piwczyński 1 Ćwiczenie: Doświadczenia 2-grupowe w układzie niezależnym i zależnym.
Autor: Dariusz Piwczyński 1 Ćwiczenie: Doświadczenia 2-grupowe w układzie niezależnym i zależnym. Zadania: Arkusz kalkulacyjny Excel Do weryfikacji różnic między dwiema grupami obiektów w Excelu wykorzystujemy
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych Testowanie hipotez statystycznych Ewa Szczurek szczurek@mimuw.edu.pl Instytut Informatyki Uniwersytet Warszawski 1/23 Testowanie hipotez średniej w R Test istotności dla wartości
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
STATYSTYKA WNIOSKOWANIE STATYSTYCZNE ESTYMACJA oszacowanie z pewną dokładnością wartości opisującej rozkład badanej cechy statystycznej. WERYFIKACJA HIPOTEZ sprawdzanie słuszności przypuszczeń dotyczących
Bardziej szczegółowoWykład 9 Testy rangowe w problemie dwóch prób
Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora
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 szczegółowoANALIZA WARIANCJI - KLASYFIKACJA JEDNOCZYNNIKOWA
ANALIZA WARIANCJI - KLASYFIKACJA JEDNOCZYNNIKOWA Na poprzednich zajęciach omawialiśmy testy dla weryfikacji hipotez, że dwie populacje o rozkładach normalnych mają jednakowe wartości średnie. Co jednak
Bardziej szczegółowo