8 Weryfikacja hipotez statystycznych

Wielkość: px
Rozpocząć pokaz od strony:

Download "8 Weryfikacja hipotez statystycznych"

Transkrypt

1 Marek Beśka, Statystyka matematycza, wykład Weryfikacja hipotez statystyczych 8. Hipotezy statystycze Drugą obok estymacji formą wioskowaia statystyczego jest weryfikacja hipotez statystyczych. Zacziemy od defiicji hipotezy statystyczej Defiicja 8. Każde przypuszczeie dotyczące iezaego rozkładu prawdopodobieństwa cechy X azywa się hipotezą statystyczą. A więc w realych sytuacjach w których moża przeprowadzać pewe obserwacje i które opisuje się za pomocą jakiegoś modelu probabilistyczego, każde twierdzeie specyfikujące model probabilistyczy odzwierciedlający aturalą zmieość obserwacji azywamy hipotezą statystyczą. Przykład 8.2 Kilka przykładów hipotez statystyczych:. Liczba zgłoszeń w cetrali telefoiczej (cecha X) w przedziale czasu długości t ma rozkład Poissoa z parametrem λ > 0. Wysuwamy przypuszczeie λ = 3. Przypuszczeie to jest hipoteza statystyczą i piszemy H (λ = 3). 2. Do kasy biletowej zgłasza się przeciętie dwóch iteresatów w ciągu miuty. Przypuszczeie: Liczba iteresatów (cecha X) zgłaszających się do kasy w ciagu ustaloego odcika czasu o długości t podlega rozkładowi Poissoa z parametrem 2t jest hipotezą statystyczą, którą ozaczymy przez H Niech cecha X ozacza wartość siły zrywającej włóka określoego rodzaju. Dla poszczególych włókie przyjmuje oa róże ie dające się z góry określić wartości. Przypuszczeie: Rozważa cecha X ma rozkład ormaly N(450, σ 2 ) jest hipotezą statystyczą, która ozaczymy przez H Niech cecha X będzie tak jak wyżej. Przypuszczeie cecha X ma rozkład ormaly N(450, 90) jest hipotezą statystyczą, którą ozaczymy przez H 4. Z podaego przykładu widzimy, że hipoteza statystycza może dotyczyć wartości parametrów rozkładu, wtedy mamy do czyieia z hipoteza parametryczą p. H lub dotyczyć postaci rozkładu, wtedy mamy do czyieia z hipoteza ieparametryczą p. H 2, H 3,H 4 z przykładu powyżej. Hipotezę statystyczą, która określa całkowicie rozkład prawdopodobieństwa azywamy hipotezą prostą w przeciwym razie mamy do czyieia z hipotezą złożoą. W przykładzie powyżej hipoteza H 3 jest hipotezą złożoą, pozostałe są hipotezami prostymi. Formułując hipotezę statystyczą H dokoujemy podziału wszystkich możliwych rozkładów cechy X a dwa zbiory. Jede tworzą rozkłady opisae przez hipotezę H drugi jest dopełieiem pierwszego zbioru. Przyjęto tą wyjściową hipotezę H azywać hipotezą zerową i ozaczać przez H 0, a hipotezę mówiącą, że rozkład cechy X ależy do drugiego

2 Marek Beśka, Statystyka matematycza, wykład 8 05 zbioru hipotezą alteratywą i ozaczać przez H a. Będziemy wtedy pisać H 0 H a i mówić, że stawiamy hipotezę H 0 przeciwko hipotezie H a. Przykład 8.3 Nawiązując do przykładu 8.2 sformułujemy hipotezy zerowe i hipotezy alteratywe.. H 0 (λ = 3) H a (λ 3). 2. H 0 (cecha X ma rozkład Poissoa z parametrem 2t) H a (cecha X ma rozkład dyskrety ie będący rozkładem Poissoa). 3. H 0 (cecha X ma rozkład ormaly N(450, σ 2 )) H a (cecha X ma rozkład ormaly N(450, σ 2 ) lub iy rozkład typu ciągłego ). 4. H 0 (cecha X ma rozkład ormaly N(450, 90)) H a (cecha X ma rozkład ormaly N(450, 90) lub iy rozkład typu ciągłego ). Zauważmy, że w powyższym przykładzie hipotezy zerowe w, 2, 4 są proste, a w 3 hipoteza zerowa jest złożoa. Wszystkie hipotezy alteratywe w powyższym przykładzie są złożoe. 8.2 Testy statystycze Hipoteza statystycza poddawaa jest weryfikacji za pomocą odpowiedio dobraego testu statystyczego. Testem statystyczym hipotezy H 0 H a azywamy postępowaie, które precyzuje dla jakiej próbki x = (x,..., x ) przyjmujemy H 0, a dla jakiej odrzucamy H 0 (tz. przyjmujemy H a ). Podzbiór W X tych próbek dla których odrzucamy hipotezę H 0 azywamy obszarem odrzuceia hipotezy H 0 lub obszarem krytyczym (zbiorem krytyczym). Dopełieie tego zbioru W = X \ W azywamy obszarem przyjęcia hipotezy H 0. Warto tu podkreślić, że test statystyczy ie udowadaia w sesie logiki prawdziwości czy fałszywaości hipotezy. Staowi o tylko formę podejmowaia decyzji w przypadku braku pełej iformacji. Testy statystycze służące do weryfikacji hipotezy parametryczej azywamy testami parametryczymi, a służące do weryfikacji hipotez ieparametryczych testami ieparametryczymi. Wśród tych ostatich wyróżia się testy zgodości służące do weryfikacji hipotez dotyczących postaci rozkładu cechy X. Będziemy wyróżiać testy iezradomizowae i test zradomizowae. Defiicja 8.4 Testem iezradomizowaym hipotezy H 0 H a azywamy azywamy fukcję φ : X {0, } określoą wzorem φ(x) = {, x W, 0, x W. x X, gdzie W jest obszarem krytyczym.

3 Marek Beśka, Statystyka matematycza, wykład 8 06 Jeśli φ(x) =, to odrzucamy H 0 i przyjmujemy H a, gdy φ(x) = 0 to przyjmujemy H 0 i odrzucamy H a. Zazwyczaj obszar krytyczy koostruuje się w oparciu o pewą statystykę T : (X, B) (Y, A). Wtedy obszarowi krytyczemu W B odpowiada pewie obszar U A taki, że W = T (U). Statystykę T azywamy wtedy statystyką testową. Przykład 8.5 Cecha X ma rozkład ormaly N(m, σ 2 ), gdzie σ 2 jest zae. Rozważmy hipotezy H 0 (m = m 0 ) H a (m m 0 ). Wtedy obszar krytyczy może być określoy astępująco { W = x X : x m 0 } > c σ dla pewego ustaloego c IR, gdzie T (x) = x m 0 σ jest statystyką testową. Obszarowi krytyczemu W odpowiada zatem obszar U = {t IR : t > c}. Jeśli teraz T (x) U to odrzucamy H 0, jeśli T (x) U to przyjmujemy H 0. Defiicja 8.6 Testem zradomizowaym hipotezy H 0 przeciwko H a azywamy mierzalą fukcję φ : X [0, ], gdzie φ(x) jest prawdopodobieństwem podjęcia decyzji o odrzuceiu hipotezy H 0, gdy zaobserwowao próbkę x X. W przypadku testu zradomizowaego dla daej próbki x hipoteza H 0 zostaje przyjęta z prawdopodobieństwem φ(x) i odrzucoa z prawdopodobieństwem φ(x). Decyzję o odrzuceiu lub przyjęciu hipotezy H 0 podejmuje się a podstawie eksperymetu Beroulliego w którym zdarzeie przyjąć H 0 ma prawdopodobieństwo φ(x), a odrzucić H 0 ma prawdopodobieństwo φ(x). Zauważmy, że test iezradomizoway jest szczególym przypadkiem testu zradomizowaego. 8.3 Błędy I i II rodzaju, moc testu Defiicja 8.7 Błędem I rodzaju azywamy podjęcie decyzji o odrzuceiu hipotezy statystyczej H 0, gdy jest oa prawdziwa (i powia być przyjęta). Błąd I rodzaju może być kotroloway przez odpowiedi wybór obszaru krytyczego. Może to am zapewić, że prawdopodobieństwo błędu I rodzju ie będzie większe od pewej z góry przyjętej stałej.

4 Marek Beśka, Statystyka matematycza, wykład 8 07 Defiicja 8.8 Błędem II rodzaju azywamy podjecie decyzji o przyjęciu hipotezy H 0, gdy jest oa fałszywa (i powia być odrzucoa). Poiższa tabelka przedstawia am możliwe przypadki jaki mogą zajść: Decyzja Hipoteza Odrzucić H 0 Przyjąć H 0 H 0 prawdziwa Błąd I rodzaju Decyzja poprawa H 0 fałszywa Decyzja poprawa Błąd II rodzaju Okazuje się, że ie moża zmiimalizować jedocześie błędów I i II rodzaju. Defiicja 8.9 Niech (X, B, P), gdzie P = {µ θ } θ Θ będzie przestrzeią statystyczą idukowaą przez próbę X = (X,..., X ), a φ testem. Wtedy fukcję β φ : Θ [0, ] określoą wzorem β φ (θ) = E θ (φ(x)), θ Θ azywamy fukcją mocy testu. Zauważmy, że w przypadku testu iezradomizowaego β φ (θ) = µ θ (W ) = P {X W }, gdzie W jest obszarem krytyczym φ. Jeśli hipotezie zerowej odpowiada zbiór Θ 0, a hipotezie alteratywej zbiór Θ 0, to β φ(θ) dla θ Θ 0 jest prawdopodobieństwem błędu I rodzaju, a β φ (θ) dla θ Θ 0 jest prawdopodobieństwem błędu II rodzaju. Fukcję mocy β φ obciętą do zbioru Θ 0 azywamy mocą testu. Niemożość jedoczesego zmiimalizowaia błędów I i II rodzaju spowodowała wybór pewego kompromisu, miaowicie ustala się z góry ograiczeie α a prawdopodobieństwo błędu I rodzaju. Na ogół przyjmuje się, że α = 0, 05, α = 0, 0 lub α = 0, 00. Tak więc dla testu φ będziemy mieli (8.) β φ (θ) α, θ Θ 0. To góre ograiczeie α błędu I rodzaju azywamy poziomem istotości testu, a liczbę sup β φ (θ) θ Θ 0 rozmiarem testu. Następie spośród testów spełiających (8.) wybieramy taki, który miimalizuje prawdopodobieństwo błędu II rodzaju. Tak skostruowae testy azywamy testami istotości. Test, który przy ustaloym prawdopodobieństwie błędu I rodzaju miimalizuje prawdopodobieństwo błędu II rodzaju azywamy testem ajmociejszym dla

5 Marek Beśka, Statystyka matematycza, wykład 8 08 H 0 względem prostej hipotezy alteratywej H a. Jeśli test jest ajmociejszy względem każdej hipotezy alteratywej ze zbioru hipotez Θ 0, a więc hipotezy alteratywej złożoej azywamy go testem jedostajie ajmociejszym. Lemat 8.0 (Podstawowy lemat Neymaa-Pearsoa) Niech (X, B, P), gdzie P = {µ θ } θ Θ będzie przestrzeią statystyczą idukowaą przez próbę X = (X,..., X ). Załóżmy, że Θ = {θ 0, θ } (θ 0 θ ) oraz rozkłady µ θ0, µ θ są absolutie ciągłe względem pewej σ - skończoej miary λ tz. µ θ0 (A) = f 0 dλ, µ θ (A) = f dλ, A B. Rozważmy problem testowaia hipotezy (8.2) H 0 (θ = θ 0 ) H a (θ = θ ) a poziomie istotości α. A (i) (Istieie testu) Dla daego α (0, ) istieje test φ hipotezy (8.2) o rozmiarze α tz. taki, że (8.3) E θ0 φ(x) = α. (ii) (Dostateczość) Jeśli φ jest testem hipotezy (8.2) o rozmiarze α oraz istieje t > 0 takie, że A (8.4) φ(x) = {, gdy f (x) > tf 0 (x), 0, gdy f (x) < tf 0 (x), dla λ p.w. x X, test φ jest testem ajmociejszym dla testowaia hipotezy (8.2) a poziomie istotości α. (iii) (Koieczość) Jeśli test φ jest testem ajmociejszym dla testowaia hipotezy (8.2) a poziomie istotości α, to dla pewego t > 0 spełia o waruek (8.4). Uwaga. Skrócoą wersję tego lematu moża wypowiedzieć astępująco: Niech E X będzie mierzalym obszarem w przestrzei próbek takim, że µ θ0 (E) α. Przypuśćmy, że istieje obszar E = {f > tf 0 } taki, że µ θ0 (E ) = α. Wtedy µ θ (E ) µ θ (E). Dowód lematu 8.0. (i) Ozaczmy f (x) T (x) = f 0 (x), f 0(x) > 0, +, f 0 (x) = 0, x X oraz iech F (t) = µ θ0 ({x X : T (x) t}), t IR.

6 Marek Beśka, Statystyka matematycza, wykład 8 09 Dla α (0, ) iech t α = F ( α). Zauważmy, że µ θ0 ({x X : f (x) = t α f 0 (x)}) = µ θ0 ({x X : T (x) = t α }) = F (t α ) F (t α ). Jeśli t α jest puktem ciągłości F, to test φ określamy wzorem φ(x) = {, gdy f (x) > t α f 0 (x), 0, gdy f (x) t α f 0 (x) lub φ(x) = {, gdy f (x) t α f 0 (x), 0, gdy f (x) < t α f 0 (x) dla x X. Wtedy E θ0 φ(x) = F (t α ) = F (F ( α)) = ( α) = α. Zatem φ jest (iezradomizowaym) testem o rozmiarze α. Jeśli t α ie jest puktem ciągłości F, to test φ określamy wzorem, gdy f (x) > t α f 0 (x), α ( F (t α )) φ(x) = F (t α ) F (t α ), gdy f (x) = t α f 0 (x), 0, gdy f (x) < t α f 0 (x), x X. Wtedy E θ0 φ(x) = µ θ0 ({x X : f (x) > t α f 0 (x)})+ α ( F (t α )) F (t α ) F (t α ) µ θ 0 ({x X : f (x) = t α f 0 (x)}) = F (t α ) + α ( F (t α)) F (t α ) F (t α ) [F (t α) F (t α )] = α. Zatem φ jest (zradomizowaym) testem o rozmiarze α i dowód istieia testu o rozmiarze α (0, ) został zakończoy. (ii) Niech φ będzie testem o rozmiarze α hipotezy (8.2) spełiającym waruek (8.4) i iech φ będzie iym testem hipotezy (8.2) a poziomie istotości α tz. mamy {x : φ(x)>φ (x)} E θ φ(x) E θ φ (X) = [φ(x) φ (x)] f (x) dλ(x)+ E θ0 φ (X) α. X [φ(x) φ (x)] f (x) dλ(x) = {x : φ(x)<φ (x)} Jeśli φ(x) > φ (x), to φ(x) > 0. Zatem f (x) tf 0 (x). Stąd A t [φ(x) φ (x)] f 0 (x) dλ(x). {x : φ(x)>φ (x)} [φ(x) φ (x)] f (x) dλ(x) = A+B.

7 Marek Beśka, Statystyka matematycza, wykład 8 0 Podobie, jeśli φ(x) < φ (x), to φ(x) <. Zatem f (x) tf 0 (x). Stąd B t [φ(x) φ (x)] f 0 (x) dλ(x). {x : φ(x)<φ (x)} Ostateczie, więc otrzymujemy E θ φ(x) E θ φ (X) = A + B t X [φ(x) φ (x)] f 0 (x) dλ(x) = t[e θ0 φ(x) E θ0 φ (X)] = t[α E θ0 φ (X)] 0. Zatem test φ jest co ajmiej tak mocy jak test φ i dowód dostateczości został zakończoy. (iii) Niech φ będzie testem hipotezy (8.2) o rozmiarze α spełiającym waruek (8.4). Z puktu (ii) mamy E θ φ (X) = E θ φ(x). Rozważmy zbiór C = {x X : φ (x) φ(x) f (x) tf 0 (x)}. Dla dowodu wystarczy wykazać, że λ(c) = 0. Zauważmy, że (8.5) [φ (x) φ(x)][f (x) tf 0 (x)] > 0 dla x C. Załóżmy, że λ(c) > 0. Wtedy z (8.5) mamy [φ (x) φ(x)][f (x) tf 0 (x)] dλ(x) = Ale wtedy 0 = X co daje sprzeczość. C X [φ (x) φ(x)][f (x) tf 0 (x)] dλ(x) > 0. [φ (x) φ(x)]f (x) dλ(x) > t [φ (x) φ(x)]f 0 (x) dλ(x) 0 X Wiosek 8. Załóżmy, że spełioe są założeia lematu Neymaa-Pearsoa. Jeśli β jest mocą ajmociejszego testu (8.2) a poziomie istotości α (0, ), to β > α chyba, że µ θ0 = µ θ. Dowód. Rozważmy test φ α. Jest to test a poziomie istotości α i moc tego testu jest rówa α, więc z założeia β α. Przypuśćmy, że β = α. Wtedy test φ jest testem ajmociejszym, więc z lematu Neymaa-Pearsoa musi spełiać waruek (8.4). Poieważ α (0, ), więc dla pewego t mamy f = tf 0, λ - p.w. Ale f i f 0 są gęstościami, stąd t =. Zatem µ θ0 = µ θ.

8 Marek Beśka, Statystyka matematycza, wykład 8 Przykład 8.2 Rzucamy osiem razy moetą iesymetryczą z prawdopodobieństwem wyrzuceie orzełka w jede próbie rówym θ (0, ). Korzystając z lematu Neymaa- Pearsoa zbudujemy ajmociejszy test dla testowaia hipotezy ( H 0 θ = ) ( H a θ = 2 ) 2 3 a poziomie istotości α = 0, 05. Korzystają ze wzoru a rozkład dwumiaowy otrzymujemy gęstości: ( ) 8 ( ) x ( f 0 (x) = ) ( ) 8 x 8 ( ) 8, = x = 0,,..., 8. x 2 2 x 2 oraz f (x) = ( ) 8 (2 x ( ) 8 x, x = 0,,..., 8. x 3) 3 Wartości powyższych gęstości zebrao w tabelce poiżej Z powyższej tabelki widzimy, że x f 0 (x) f (x) f (x)/f 0 (x) 0 0, , , ,0325 0, , , , , ,2875 0, , , , , ,2875 0,27329, , , , ,0325 0, , , , ,98872 f (x) > 3 x > 6. f 0 (x) Zatem korzystając z lematu Neymaa-Pearsoa test iezradomizoway a poziomie istotości α = 0, 05 ma postać { dla x > 6, φ(x) = 0 dla x 6. Jego rozmiar wyosi E θ0 φ = 0, , 0325 = 0, , a moc tego testu jest rówa β φ (θ ) = 0, , = 0, Test zradomizoway o rozmiarze

9 Marek Beśka, Statystyka matematycza, wykład 8 2 0, 05 będzie miał postać dla x > 6, φ(x) = 9/40 dla x = 6, 0 dla x < 6. Jego moc wyosi β φ (θ ) = 0, , = 0, Jest o zgodie z lematem Neymaa-Pearsoa testem ajmociejszym. Przykład 8.3 Niech X = (X,..., X ) będzie próbą z rozkładu ormalego N(m, σ 2 ), gdzie σ > 0 jest zae. Zbudujemy test ajmociejszy a poziomie istotości α (0, ) dla testowaie hipotezy Zauważmy, że Podobie f 0 (x) = f (x) = H 0 (m = θ 0 ) H a (m = θ ), gdzie θ > θ 0. [ (σ 2π) exp 2σ 2 [ (σ 2π) exp 2σ 2 (x i θ 0 ) 2], x = (x,..., x ) IR. (x i θ ) 2], x = (x,..., x ) IR. Na mocy lematu Neymaa-Pearsoa obszar krytyczy dla ajmociejszego testu ma postać Zauważmy, że W = f (x) [ f 0 (x) t exp 2σ 2 { x IR : f (x) f 0 (x) t }. (x i θ ) 2 + 2σ 2 (x i θ 0 ) 2] t x(θ θ 0 ) 2 (θ2 θ 2 0) t x t. Zatem dla wyzaczeia obszaru krytyczego wystarczy zaleźć takie t aby µ θ0 {x : x t } = α. Zauważmy, że { µ θ0 x : x θ 0 } u α = α, σ gdzie u α jest kwatylem rzędu α stadardowego rozkładu ormalego N(0, ). Stąd { µ θ0 x : x σ } u α + θ 0 = α.

10 Marek Beśka, Statystyka matematycza, wykład 8 3 Zatem obszar krytyczy aszego testu ma postać (8.6) W = {x : x σ } u α + θ 0. Zbudoway test jest więc rówy (8.7) φ(x) = Jego moc wyosi {, x W, 0, x W. x IR. µ θ (W ) = µ θ { x : x σ u α + θ 0 } = { µ θ x : x θ } u α + σ σ (θ 0 θ ) = ( ) ( ) Φ u α + σ (θ 0 θ ) = Φ u α + σ (θ θ 0 ). Na koiec zauważmy, że otrzymay test (8.7) z obszarem krytyczym (8.6) jest rówież jedostajie ajmociejszym testem a poziomie istotości α (0, ) do testowaia hipotezy H 0 (m = θ 0 ) H a (m > θ 0 ). 8.4 Test Kołmogorowa Niech cecha X posiada ciągłą dystrybuatę F X, która jest iezaa. Zadaie polega a zweryfikowaiu hipotezy (prostej) Rozważmy statystykę Kołmogorowa H 0 (F X = F ) H a (F X F ). D = sup F (u; X) F (u), u R gdzie X = (X,..., X ) jest próbą losową prostą. Jak wiadomo D 0, P p.w, więc duże wartości tej statystyki będą przeczyły testowaej hipotezie H 0. poziomie istotości α (0, ) zbiór krytyczy będzie miał postać gdzie d (α) jest tak dobrae, że W = d (α),, P {D > d (α)} = α. Na daym Okazuje się, że wartość krytyczą d (α) możemy dokładaie wyzaczyć, bo rozkład statystyki Kołmogorowa D, gdy prawdziwa jest hipoteza zerowa H 0 ie zależy od postaci dystrybuaty F. Dokładiej mamy astępujące twierdzeie

11 Marek Beśka, Statystyka matematycza, wykład 8 4 Twierdzeie 8.4 Jeśli hipoteza zerowa H 0 jest prawdziwa, to rozkład statystyki Kołmogorowa ie zależy od postaci dystrybuaty F. Dowód. Korzystając własości uogólioej dystrybuaty odwrotej oraz z twierdzeia.7 otrzymujemy { } P {D > d (α)} = P F (x; X) F (x) > d (α) = { P { P sup 0<t< sup x R { P sup x R } I (,x] (X i ) F (x) > d (α) = } I (, F (t)](x i ) F (F (t)) > d (α) = sup 0<t< } I (, t] (U i ) t) > d (α), gdzie U i, i =, 2,..., są iezależe i mają rozkład jedostajy a (0, ), bo P {X i F (t)} = P {X i < F (t)} = P {F (X i ) < t} = P {F (X i ) t} i przyjmujemy U i = F (X i ), i =, 2,...,. Zauważmy, że aby obliczyć wartość statystyki Kołmogorowa D a próbce, wystarczy zauważyć, że występujący w D kres góry realizuje się w jedym z puktów skoku dystrybuaty empiryczej. W praktyczych zastosowaiach postępuje się astępująco: (i) porządkujemy próbkę x = (x, x 2,..., x ) iemalejąco (ii) Obliczamy x () x (2) x (). D = max F (x (i) ) i oraz D + = max i i i F (x (i)). (iii) Obliczamy D = max{d, D + }. (iv) Z tablic kwatyli rozkładu Kołmogorowa odczytujemy wartość krytyczą.

12 Marek Beśka, Statystyka matematycza, wykład 8 5 Przykład 8.5 Wyikami obserwacji są 0, 87, 0, 56,, 37, 0, 8, 2, 46. Na poziomie istotości α = 0, 05 chcemy testem Kołmogorowa zweryfikować hipotezę, że próbka została pobraa z populacji w której badaa cecha ma stadardoway rozkład wykładiczy tj. o dystrybuacie F (x) = ( e x ) I (0, ), x IR (jest to asza hipoteza zerowa H 0 ). Porządkujemy próbkę Dalsze obliczeia zebraliśmy w tabelce 0, 8, 0, 56, 0, 87,, 37, 2, 46. i x (i) i/ F (x (i) ) (i )/ i F (x (i)) F (x(i) ) i 0,8 0,2 0, ,0353 0, ,56 0,4 0,4288 0,2 0,0288 0, ,87 0,6 0,580 0,4 0,090 0,80 4,37 0,8 0,7456 0,6 0,0544 0, ,46 0,945 0,8 0,0855 0,45 Z tabelki odczytujemy D + = 0, 0855 i D = 0, Zatem D = max{d, D + } = 0, Z tablic kwatyli rozkładu Kołmogorowa odczytujemy d (α) = d 5 (0, 05) = 0, 563. Zbiór krytyczy jest więc postaci W = 0, 563,. Mamy więc D W. Zatem a poziomie istotości α = 0, 05 próbka ie przeczy hipotezie zerowej H Test χ 2 - Pearsoa Zakładamy, że cecha X ma dowoly rozkład. Testujemy hipotezę H 0 (F X = F ) H a (F X F ). Hipoteza zerowa musi być hipotezą prostą, liczość próbki 00. Dzielmy prostą IR a k przedziałów (klas) postaci (a i, a i+ dla i = 0,,... k 2 oraz (a k, a k ),

13 Marek Beśka, Statystyka matematycza, wykład 8 6 gdzie a 0 = i a k = +. Przez i ozaczmy ilość elemetów próbki x i, które wpadą do i-tej klasy tj. do przedziału (a i, a i, gdy i =,..., k lub (a k, a k ), gdy i = k. Wielkości i azywamy liczościami doświadczalymi. Odpowiadają im liczości teoretycze tj. p i, gdzie p i = F (a i ) F (a i ). Poadto wymaga się aby p i 5, i =,... k. Gdy w jakieś klasie tak ie jest to łączymy tą klasę z sąsiedią. Zauważmy, że p i =. Statystyką testową jest tzw. statystyka Pearsoa postaci χ 2 = (N i p i ) 2 p i, gdzie wektor losowy N = (N, N 2,..., N k ) spełia waruek oraz posiada rozkład wielomiaowy tz. N i = P {(N, N 2,..., N k ) = (, 2,... k )} =!! 2! k! (p ) (p 2 ) 2 (p k ) k. Wartość statystyki Pearsoa a próbce x z której i elemetów wpadło do i - tej klasy, i =, 2,..., k wyosi χ 2 obl = ( i p i ) 2 2 i =. p i p i Zachdzi astępujące twierdzeie Pearsoa z 900 roku Twierdzeie 8.6 (Pearso) Jeśli hipoteza zerowa H 0 jest prawdziwa, to statystyka Pearsoa χ 2 (N i p i ) 2 = p i ma przy rozkład graiczy (w słabej zbieżości), którym jest rozkład chi-kwadrat o k stopiach swobody. Dowód. Ozaczmy Y i = N i p i pi, i =, 2,..., k.

14 Marek Beśka, Statystyka matematycza, wykład 8 7 Zauważmy, że χ 2 = Y 2 i oraz Y i pi = 0. Obliczmy fukcję charakterystyczą wektora losowego Y = (Y, Y 2,..., Y k ) w pukcie t = (t, t 2,..., t k ). Mamy ( ϕ Y (t) = E exp i t, Y = E exp i ( exp i ( t j pj )E exp i ) ( t j Y j = E exp i t ) j N j pj t j N j p j pj ) = Zauważmy, ( że ostati czyik jest fukcją charakterystyczą wektora losowego N w pukcie t p t, p2 2 t,..., pk k ). Poieważ, 2,..., k k =, 2,..., k k = więc ostateczie Stąd ( ϕ N (t) = E exp i t, N = E exp i ( exp i ) t j N j = )! t j j! 2! k! (p ) (p 2 ) 2 (p k ) k =!! 2! k! (eit p ) (e it 2 p 2 ) 2 (e it k p k ) k = ( ϕ Y (t) = exp i )( t j pj p j exp it ) j. pj [ ( lim ϕ Y(t) = lim exp i Rozwijając fukcję exp w szereg otrzymujemy lim ( ), e it j p j t j pj )( p j exp it )] j. pj lim ϕ Y(t) = [( i k t j p j ( k t j p j ) 2 +o 2 ( )) ( p j + it j pj t2 j 2p j +o( ))] =

15 Marek Beśka, Statystyka matematycza, wykład 8 8 [( lim i gdzie t j pj ( 2 [ lim + 2 ( t j pj ) 2+o ( t j pj ) 2 2 ))( + i t j pj 2 ( ))] t 2 j + o = { exp [ ( t 2 ) 2 ]} ( j t j pj = exp ) 2 2 At, t, A = p p p 2 p p 3 p 2 p p 2 p 2 p 3 p p k p 2 p k p k p p k p 2 p k p 3 p k ( ))] t 2 j+o = jest macierzą symetryczą i ieujemie określoą. Wykazaliśmy, że graiczy rozkład jest rozkładem ormalym tj. jego charakterystycza dla t = (t,..., t k ) IR k ma postać { ϕ(t) = exp [ ( t 2 ) 2 ]} ( j t j pj = exp ) 2 2 At, t. Niech W = (W, W 2,..., W k ) będzie wektorem losowym takim, że ϕ W = ϕ. Wtedy możemy apisać, że (8.8) Y = (Y, Y 2,..., Y k ) Niech U będzie macierzą ortogoalą taką, że U T = D W = (W, W 2,..., W k ). p p2 p3 pk oraz iech X = U T W. Wtedy ϕ X (x) = E exp i x, X = E exp i x, U T W = E exp i Ux, W = ( exp ) 2 AUx, Ux.

16 Marek Beśka, Statystyka matematycza, wykład 8 9 Podstawiając t = Ux dostajemy ( ϕ X (x) = exp ) { 2 At, t = exp [ ( t 2 ) 2 j t j pj ]}. 2 Z własości macierzy ortogoalych mamy Zatem Stąd t 2 = x 2 tj. t 2 + t t 2 k = x2 + x x 2 k. ( t 2 + t t 2 k = x2 + x x 2 k + ) 2 t j pj ( t 2 k ) 2 t j pj = x 2 + x x 2 k. [ ϕ X (x) = exp 2 ( k x 2 j Tak więc rozkład wektora losowego X jest stadardowym rozkładem a IR k, a stąd zmiea losowa X 2 ma rozkład chi-kwadrat o k stopiach swobody. Poieważ W 2 = X 2, więc W 2 ma rówież rozkład chi-kwadrat o k stopiach swobody. Stąd i z (8.8) dostajemy (N i p i ) 2 = Y 2 D p i W 2. Zatem rozkładem graiczym (w słabej zbieżości) statystyki Pearsoa jest rozkład chikwadrat o k stopiach swobody. Przy założeiu prawdziwości hipotezy zerowej duże wartości statystyki testowej a próbce przeczą hipotezie zerowej. Jeśli α jest poziomem istotości testu, to zbiór krytyczy W ma postać W = χ 2 k, α, ), gdzie χ2 k, α jest kwatylem rozkładu chi-kwadrat o k stopiach swobody rzędu α. Jeśli χ 2 obl W, to odrzucamy hipotezę zerową, w przeciwym przypadku mówimy, że a poziomie istotości α próbka ie przeczy hipotezie zerowej. Przykład 8.7 Z populacji w której badaa cecha X ma iezaą dystrybuatę F pobrao próbkę o liczości = 200. Otrzymae wyiki pogrupowao w 0 rówych klas, które przedstawioo w tabelce. )].

17 Marek Beśka, Statystyka matematycza, wykład 8 20 Lp. klasy i p i ( i p i ) 2 ( i p i ) 2 /p i (45; 45, ,45 2 (45, 5; ,05 3 (46; 46, ,25 4 (46, 5; ,20 5 (47; 47, ,45 6 (47, 5; ,80 7 (48; 48, ,80 8 (48, 5; ,20 9 (49; 49, ,00 0 (49, 5; 50) ,80 Na poziomie istotości α = 0, 05 zweryfikować hipotezę, że cecha X ma rozkład jedostajy a przedziale (45, 50). Naszą hipotezą zerową jest hipoteza mówiąca, że cecha ma rozkład jedostajy a przedziale (45, 50). Hipotezą alteratywą jest, że rozkład cechy X jest róży od tego rozkładu. Mamy = 200 oraz k = 0. Obliczamy p i = I j 5 dx = 5 I j = 5 2 =, j =, 2,..., 0, 0 gdzie I j = (45 + (j )/2; 45 + j/2, j =, 2,..., 0. Sumując ostatią kolumę w tabeli powyżej dostajemy wartość statystyki Pearsoa a daej próbce; χ 2 obl = 5. Z tablic rozkładu chi-kwadrat zajdujemy kwatyl χ 2 9;0,95 = 6, 99. Zatem zbiór krytyczy ma postać W = 6, 99, + ). Poieważ χ 2 obl W, więc próbka ie przeczy aszej hipotezie. Przykład 8.8 Rzucoa = 20 razy kostką do gry i otrzymao wyiki i i Na poziomie istotości α = 0, 05 zweryfikować hipotezę, że kostka jest symetrycza i jedoroda. Jest to asza hipoteza zerowa. Hipoteza alteratywa jest zaprzeczeiem hipotezy zerowej. Dokoujemy obliczeia statystyki testowej a próbce. Mamy = 20, k = 6 oraz przy prawdziwości hipotezy zerowej p i = /6, i =, 2,..., 6. Obliczeia zebrao w tabelce poiżej.

18 Marek Beśka, Statystyka matematycza, wykład 8 2 i i p i ( i p i ) 2 ( i p i ) 2 /p i , , , , , ,05 Wartość statystyki a próbce jest sumą liczb z ostatiej kolumy w tabelce powyżej i wyosi oa χ 2 obl = 2, 2. W celu wyzaczeia zbioru krytyczego zajdujemy w tablicach kwatyl rozkładu chi-kwadrat o 5 stopiach swobody rzędu 0, 95 i wyosi o χ 2 5;0,95 =, 070. Zatem zbior krytyczy ma postać W =, 070, + ). Poieważ χ 2 obl W, więc a poziomie istotości α = 0, 05 odrzucamy hipotezę zerową. Zauważmy, że gdy przyjmiemy poziom istotości testu α = 0, 0, to χ 2 5;0,99 = 5, 09, więc zbiór krytyczy W = 5, 09, + ) i χ 2 obl W. Zatem a poziomie istotości α = 0, 0 próbka ie przeczy hipotezie zerowej. 8.6 Porówywaie średich (aaliza wariacji) Rozważmy astępujący problem. Na podstawie k iezależych prób (k > 2) X,, X,2,..., X, X 2,, X 2,2,..., X 2,2,,,,,, X k,, X k,2,..., X k,k pochodzacych z k populacji w których cecha X miała odpowiedio rozkłady ormale N(m, σ 2 ), N(m 2, σ 2 ),..., N(m k, σ 2 ) chcemy zweryfikować hipotezę zerową H 0 (m = m 2 =... m k ). Hipotezą alteratywą jest zaprzeczeie hipotezy zerowej. W zgadieiach praktyczych problem taki pojawia się, gdy weryfikujemy hipotezę, że rozmiar jakiegoś wyróżioego czyika ie ma wpływu a poziom badaego zjawiska. Niech X i = i i X i,j, i =, 2,..., k. Gdyby hipoteza H 0 była prawdziwa, wszystkie średie X i, i =, 2,..., k byłyby miej więcej takie same. Za statystykę testową przyjmuje się statystykę która byłaby w jakimś

19 Marek Beśka, Statystyka matematycza, wykład 8 22 sesie miarą zróżicowaia tych średich p. (8.9) (X i X) 2, gdzie X jest średią ważoą wszystkich średich X i, i =, 2,..., k lub iaczej średią ze wszystkich k prób tj. X = i X i = i X i,j, gdzie = i. Gdy = 2 = = k, to X = k X i. Za wyborem statystyki (8.9) jako statystyki testowej przemawia to, że jest to pewa forma kwadratowa z próby, a więc jej rozkład powiie być rozkładem typu chi-kwadrat, co ułatwiłoby operowaie tą statystyką. Podstawą teoretyczą dla kostrukcji odpowiediego testu jest astępujące twierdzeie. Twierdzeie 8.9 (Cochraa-Fishera) Niech Y = (Y,..., Y ) będzie wektorem losowym o rozkładzie ormalym N(0,I). Poadto iech dla i =, 2,..., k y T A i y = A i y, y, y IR będą formami kwadratowymi takimi, że rz(a i ) = i oraz y 2 = y, y = y T y = y T A i y, y IR. Wówczas zmiee losowe Y T A i Y, i =, 2,..., k są iezależe i mają rozkłady chi-kwadrat o i stopiach swobody odpowiedio wtedy i tylko wtedy, gdy i =. Dowód. (Koieczość). Jeśli zmiee losowe Y T A i Y, i =, 2,..., k sa iezależe i mają rozkłady chi-kwadrat o i stopiach swobody odpowiedio, to zmiea losowa Y T A i Y

20 Marek Beśka, Statystyka matematycza, wykład 8 23 ma rozkład chi-kwadrat o k i stopiach swobody. Z drugiej stroy zmiea losowa Y T Y = Y i 2 ma rozkład chi-kwadrat o stopiach swobody. Poieważ Y T Y = Y T A i Y, więc k i =. (Dostateczość). Załóżmy, że k i =. Z przedstawieia formy kwadratowej w postaci kaoiczej wyika, że istieją takie liczby b i,j, i, j =, 2,..., takie, że y T A i y = ε i, (b mi +,y + + b mi +,y ) ε i,i (b mi,y + + b mi,y ) 2, i =, 2,..., k, gdzie y = (y,..., y ), ε j,i = ±, j i, m 0 = 0, m i = i j, i =, 2,..., k. Przyjmując B = [b i,j ] i,j możemy zapisać (8.0) y T y = y T A i y = y T B T DBy, y IR, gdzie D jest macierzą diagoalą mającą a przekatej wyrazy rówe ±. Stąd Poieważ więc B jest macierzą ieosobliwą. Zatem B T DB = I = det(b T )det(d)det(b), D = ( B T ) B = ( BB T ). Macierz BB T jest rzędu, jest dodatio określoa, więc wszystkie elemety przekątej macierzy D są rówe, czyli BB T = I. Stąd wyika, że B T B = I, więc macierz B jest macierzą ortogoalą. Zatem składowe losowego wektora V = BY

21 Marek Beśka, Statystyka matematycza, wykład 8 24 są iezależymi zmieymi losowymi o rozkładzie ormalym N(0,). Ale z kostrukcji (patrz (8.0)) wyika, że Y T A Y = V V 2, Y T A 2 Y = V V 2 + 2,... =...,... =...,... =..., Y T A k Y = V k V 2 k, więc Y T A i Y dla i =, 2,..., k są iezależe i mają odpowiedio rozkłady chi-kwadrat o i stopiach swobody odpowiedio. Wykorzystamy teraz to twierdzeie do kostrukcji odpowiediego testu dla rozważaego przez as problemu porówywaia k średich. Ozaczmy Y i,j = X i,j m i, j =, 2,..., i, i =, 2,..., k, σ Y = (Y,,..., Y,,..., Y k,,..., Y k,k ), Y i = i Y = i Y i,j, i =, 2,..., k, i Y i = i Y i,j. Oczywiście wektor losowy Y ma rozkład ormaly N(0, I). Sumę kwadratów współrzędych wektora losowego Y T Y zapiszemy w postaci 2 Y T Y = i Yi,j 2 = (Y i,j Y i + Y i Y + Y ) 2 = i (Y i,j Y i ) 2 + i (Y i,j Y i )(Y i Y ) + 2 i (Y i Y ) 2 + Y 2 + i (Y i,j Y i )Y + 2 Zauważmy, że sumy mieszaych iloczyów są rówe zero, zatem (8.) Y T Y = i (Y i,j Y i ) 2 + i (Y i Y )Y. i (Y i Y ) 2 + Y 2.

22 Marek Beśka, Statystyka matematycza, wykład 8 25 Wyzaczymy macierz A i taką aby i i (Y i,j Y i ) 2 = Y 2 i,j i Y 2 i = Y T A i Y. Ze wzoru powyżej wiadać, że macierz A i składa się z samych zer oprócz elemetów zajdujących się w wierszach od i + do wiersza i i w kolumach od i + do kolumy i. Elemety macierzy A i zajdujące się w wyżej wymieioych wierszach i kolumach tworzą podmacierz postaci i i i i i i i i i i i Obliczmy rząd tej macierzy (możemy pomożyć ją przez i, co ie zmiei jej rzędu). i i rz(a i ) = rz = i. i i Dodając kolumy od drugiej do ostatiej do pierwszej kolumy, a astępie wiersze od 2 do ostatiego do pierwszego wiersza otrzymujemy dalej i 0 i rz = 0 i rz i i i i i ( i ) ( i ) =

23 Marek Beśka, Statystyka matematycza, wykład 8 26 Odejmując pierwszy wiersz do pozostałych, a astepie kolumy od drugiej do ostatiej dodajemy do pierwszej mamy rz i i i 0 0 i 0 0 i Wyzaczymy teraz macierz A taką aby Zauważmy, że = rz i (Y i Y ) 2 = Y T AY. 0 i i = i. i (Y i Y ) 2 = i Y 2 i 2 i Y i Y + i Y 2 = i Y 2 i Y 2 = i j,l= i Y i,j Y i,l i m m= l= Y i,j Y m,l. Stąd macierz A jest różicą dwóch macierzy (pierwsza jest macierzą blokową) A = C C C k gdzie w pierwszej macierzy macierz C i, i =, 2,..., k jest macierzą wymiaru i i i jej elemetami są liczby i. Obliczymy rząd macierzy A. Po skreśleiu idetyczych wierszy i kolum otrzymujemy 2 rz(a) = rz = k k k,

24 Marek Beśka, Statystyka matematycza, wykład 8 27 Pomożymy macierz A przez 2 rz = k Odejmujemy pierwszy wiersz od pozostałych, astępie możymy i - tą kolumę przez i dla i =, 2,..., k rz 0 0 k = rz 2 3 k Dodajemy kolumy od drugiej do ostatiej do pierwszej kolumy k rz = k = Forma kwadratowa Y 2 ma oczywiście rząd. Ostateczie więc forma kwadratowa Y T Y jest sumą k form kwadratowych rzędu i dla i =, 2,..., k plus jedej rzędu k i jedej rzędu. Poieważ ( i ) + k + =, więc z twierdzeia Cochraa-Fishera wioskujemy, że zmiee losowe i (Y i,j Y i ) 2, i =, 2,..., k, i (Y i Y ) 2 i Y 2 są iezależymi zmieymi losowymi mającymi rozkłady chi-kwadrat z liczbą stopi swobody rówą ich rzędom. Przejdziemy teraz kostrukcji testu w celu zweryfikowaia aszej hipotezy zerowej H 0 (m = m 2 =... m k ).

25 Marek Beśka, Statystyka matematycza, wykład 8 28 Załóżmy, że hipoteza zerowa jest prawdziwa tz. m = m 2 =... m k. Wtedy dla i =, 2,..., k mamy oraz Y i = i Y = Zatem i Y i,j = i i Y i,j = i i σ 2 X i,j m i σ X i,j m i σ = i i = i (X i X) 2 = X i,j σ i m i σ = X i σ m i σ = X i σ m σ X i,j σ i (Y i Y ) 2 i m i σ ma rozkład chi-kwadrat o k stopiach swobody. Jeśli σ 2 jest zae, to (8.2) σ 2 i (X i X) 2 = X σ m σ. jest statystyką z próby (czyli aszą statystyką testową). Duże wartości tej statystyki świadczą przeciwko weryfikowaej hipotezie H 0. Dla daego poziomu istotości α wartość krytyczą zajdujemy z tablic rozkładu chi-kwadrat. Zbiór krytyczy ma postać W = χ 2 k ; α, + ), gdzie χ 2 k ; α jest kwatylem z rozkładu chi-kwadrat o k stopiach swobody rzędu α. Jeśli wariacja σ 2 ie jest zaa to zmiea losowa (8.2) ie jest statystyką z próby. Zauważmy, że i i σ 2 (X i,j X i ) 2 = (Y i,j Y i ) 2 jest zmieą losową o rozkładzie chi-kwadrat o k stopiach swobody i iezależą od (8.2), więc statystyka (przy założeiu prawdziwości hipotezy H 0 ) F k, k = k σ 2 i(x i X) 2 k σ 2 k i (X i,j X i ) 2 k ie zależy od σ 2 i ma rozkład F-Sedecora o (k, k) stopiach swobody. Jeśli α jest poziomem istotości testu, to zbiór krytyczy W ma postać W = F k, k; α, + ),

26 Marek Beśka, Statystyka matematycza, wykład 8 29 gdzie F k, k; α jest kwatylem rzędu α rozkładu F-Sedecora o (k, k) stopiach swobody. Opisaa procedura testowa jest pewym szczególym przypadkiem procedur rozważaych w tzw. aalizie wariacji (ANOVA Table). Nazwa pochodzi stąd, że przy założeiu prawdziwości hipotezy H 0 wariacja empirycza wszystkich obserwacji {X i,j : j i, i k} zostaje rozłożoa a sumę wariacji wewątrzpróbkowej i wariacji międzypróbkowej i (X i,j X i ) 2 i (X i X) 2. Rzeczywiście, ze wzoru (8.) dostajemy (8.3) S 2 Y := YT Y Y 2 = Poadto i (Y i,j Y i ) 2 + i (Y i Y ) 2. S 2 Y = i Y 2 i,j Y 2 = i X 2 i,j 2X i,jm + m 2 σ 2 ( X σ m ) 2 = σ i X 2 i,j σ 2 2 X σ 2 m + m2 σ 2 ( X 2 σ 2 2 X σ 2 m + m2 σ 2 ) = Stąd z (8.3) i z tego, że i X 2 i,j σ 2 X2 σ 2 = S2 X σ 2. i (Y i,j Y i ) 2 = i σ 2 (X i,j X i ) 2 i i (Y i Y ) 2 = σ 2 i (X i X) 2 dostajemy S 2 X = i (X i,j X i ) 2 + i (X i X) 2. Z tego puktu widzeia skostruoway test może być iterpretoway w astępujący sposób: Hipoteza H 0 o rówości średiach zostaje odrzucoa, gdy wariacja międzypróbkowa jest duża a tle wariacji wewątrzpróbkowej.

27 Marek Beśka, Statystyka matematycza, wykład 8 30 Uwaga. W przypadku, gdy k = 2 stosujemy test oparty o statystykę testową t = X X 2, S 2+ 2S która przy założeiu prawdziwości hipotezy zerowej H 0 (m = m 2 ) ma rozkład t-studeta o stopiach swobody (patrz zadaie z ćwiczeń). Niech α będzie poziomem istotości testu. Postać zbioru krytyczego zależy od hipotezy alteratywej. Jeśli H a (m < m 2 ), to W = (, t + 2 2, α, gdzie t + 2 2, α jest kwatylem rzędu α rozkładu t-studeta o stopiach swobody. Jeśli H a (m > m 2 ), to Gdy atomiast H a (m m 2 ), to W = t + 2 2, α, + ). W = (, t + 2 2, α/2 t + 2 2, α/2, + ), gdzie t + 2 2, α/2 jest kwatylem rzędu α/2 rozkładu t-studeta o stopiach swobody.

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Twierdzenia graniczne:

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

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

16 Przedziały ufności

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

Bardziej szczegółowo

TESTY LOSOWOŚCI. Badanie losowości próby - test serii.

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

Bardziej szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Lista 6. Estymacja punktowa

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

Bardziej szczegółowo

Estymacja przedziałowa

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Statystyka matematyczna dla leśników

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

Bardziej szczegółowo

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

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

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

Bardziej szczegółowo

UKŁADY RÓWNAŃ LINOWYCH

UKŁADY RÓWNAŃ LINOWYCH Ekoeergetyka Matematyka. Wykład 4. UKŁADY RÓWNAŃ LINOWYCH Defiicja (Układ rówań liiowych, rozwiązaie układu rówań) Układem m rówań liiowych z iewiadomymi,,,, gdzie m, azywamy układ rówań postaci: a a a

Bardziej szczegółowo

Estymatory nieobciążone o minimalnej wariancji

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

Bardziej szczegółowo

Podstawowe rozkłady zmiennych losowych typu dyskretnego

Podstawowe rozkłady zmiennych losowych typu dyskretnego Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea

Bardziej szczegółowo

Testowanie 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. 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 szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

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

Bardziej szczegółowo

( ) WŁASNOŚCI MACIERZY

( ) WŁASNOŚCI MACIERZY .Kowalski własości macierzy WŁSNOŚC MCERZY Własości iloczyu i traspozycji a) możeie macierzy jest łącze, tz. (C) ()C, dlatego zapis C jest jedozaczy, b) możeie macierzy jest rozdziele względem dodawaia,

Bardziej szczegółowo

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

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

Bardziej szczegółowo

µ = Test jest następujący: jeŝeli X > 0.01 to odrzucamy H. 0

µ = Test jest następujący: jeŝeli X > 0.01 to odrzucamy H. 0 7. Testowaie hipotez statystyczych 7. Populacja ma rozkład ciągły opisay fukcją gęstości f ( x) ( + ) x dla x [,]. Testowaa jest hipoteza, Ŝe wobec hipotezy alteratywej, Ŝe. Wioskujemy a podstawie jedoelemetowej

Bardziej szczegółowo

ANALIZA DANYCH DYSKRETNYCH

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

Bardziej szczegółowo

Parametryczne Testy Istotności

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Modele probabilistyczne zjawisk losowych

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

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

Bardziej szczegółowo

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)

Bardziej szczegółowo

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

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

Bardziej szczegółowo

1 Układy równań liniowych

1 Układy równań liniowych Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

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

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

Estymacja parametrów populacji

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

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że

Bardziej szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

PODSTAWY BIOSTATYSTYKI ĆWICZENIA

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

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobieństwo i statystyka.0.00 r. Zadaie Rozważy astępującą, uproszczoą wersję gry w,,woję. Talia składa się z 5 kart. Dobrze potasowae karty rozdajey dwó graczo, każdeu po 6 i układay w dwie kupki.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Twierdzenie Cayleya-Hamiltona

Twierdzenie Cayleya-Hamiltona Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest

Bardziej szczegółowo

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

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

Bardziej szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty

MODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 2: RENTY. PRZEPŁYWY PIENIĘŻNE. TRWANIE ŻYCIA 1. Rety Retą azywamy pewie ciąg płatości. Na razie będziemy je rozpatrywać bez żadego związku z czasem życiem człowieka.

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności

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

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2 Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety

Bardziej szczegółowo

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i = Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy

Bardziej szczegółowo

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

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

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja rozwiązań układu równań Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie

Bardziej szczegółowo

1 Testy statystyczne. 2 Rodzaje testów

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

Bardziej szczegółowo

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:

Relacje rekurencyjne. będzie następująco zdefiniowanym ciągiem: Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.

Bardziej szczegółowo

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

Idea. 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 szczegółowo

(X i X) 2. n 1. X m S

(X i X) 2. n 1. X m S Wykład 8. Przedziały ufości i testowaie hipotez A gdy ie zamy wariacji σ 2? Załóżmy, że X ma rozkład ormaly, ale ie zamy wartości ai m ai σ 2. Jak wtedy szacować wartość średią m? Przypomijmy, że Wtedy

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17

Jarosław Wróblewski Analiza Matematyczna 1, zima 2016/17 Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo

Bardziej szczegółowo

Wykład 11. a, b G a b = b a,

Wykład 11. a, b G a b = b a, Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

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

Bardziej szczegółowo

Analiza matematyczna. Robert Rałowski

Analiza matematyczna. Robert Rałowski Aaliza matematycza Robert Rałowski 6 paździerika 205 2 Spis treści 0. Liczby aturale.................................... 3 0.2 Liczby rzeczywiste.................................... 5 0.2. Nierówości...................................

Bardziej szczegółowo

Metody badania zbieżności/rozbieżności ciągów liczbowych

Metody badania zbieżności/rozbieżności ciągów liczbowych Metody badaia zbieżości/rozbieżości ciągów liczbowych Ryszard Rębowski 14 grudia 2017 1 Wstęp Kluczowe pytaie odoszące się do zagadieia badaia zachowaia się ciągu liczbowego sprowadza się do sposobu opisu

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń

Bardziej szczegółowo

Znajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek

Znajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy

Bardziej szczegółowo

Statystyka. Katarzyna Chudy Laskowska

Statystyka. Katarzyna Chudy Laskowska Statystyka Katarzya Chudy Laskowska http://kc.sd.prz.edu.pl/ WNIOSKOWANIE STATYSTYCZNE Celem aalizy statystyczej ie jest zwykle tylko opisaie (prezetacja) posiadaych daych, czyli tzw. próby statystyczej.

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo

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

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

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

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

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

ZSTA LMO Zadania na ćwiczenia

ZSTA LMO Zadania na ćwiczenia ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie

Bardziej szczegółowo

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic). Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic

Bardziej szczegółowo

Porównanie dwu populacji

Porównanie dwu populacji Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :

Bardziej szczegółowo

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

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

Pierwiastki z liczby zespolonej. Autorzy: Agnieszka Kowalik

Pierwiastki z liczby zespolonej. Autorzy: Agnieszka Kowalik Pierwiastki z liczby zespoloej Autorzy: Agieszka Kowalik 09 Pierwiastki z liczby zespoloej Autor: Agieszka Kowalik DEFINICJA Defiicja : Pierwiastek z liczby zespoloej Niech będzie liczbą aturalą. Pierwiastkiem

Bardziej szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

Zadania z algebry liniowej - sem. I Liczby zespolone

Zadania z algebry liniowej - sem. I Liczby zespolone Zadaia z algebry liiowej - sem. I Liczby zespoloe Defiicja 1. Parę uporządkowaą liczb rzeczywistych x, y azywamy liczbą zespoloą i ozaczamy z = x, y. Zbiór wszystkich liczb zespoloych ozaczamy przez C

Bardziej szczegółowo

x 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem

x 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem 9.1. Izomorfizmy algebr.. Wykład Przykłady: 13) Działaia w grupach często wygodie jest zapisywać w tabelkach Cayleya. Na przykład tabelka działań w grupie Z 5, 5) wygląda astępująco: 5 1 3 1 1 3 1 3 3

Bardziej szczegółowo

Rekursja 2. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak

Rekursja 2. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak Rekursja Materiały pomocicze do wykładu wykładowca: dr Magdalea Kacprzak Rozwiązywaie rówań rekurecyjych Jedorode liiowe rówaia rekurecyje Twierdzeie Niech k będzie ustaloą liczbą aturalą dodatią i iech

Bardziej szczegółowo