Większość zadań zamieszczonych na tej liście pochodzi z książki Modele i metody statystyki matematycznej w zadaniach, autorstwa Alicji Jokiel-Rokity
|
|
- Wiktor Pawłowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Większość zadań zamieszczonych na tej liście pochodzi z książki Modele i metody statystyki matematycznej w zadaniach, autorstwa Alicji Jokiel-Rokity i Ryszarda Magiery. W tym zbiorze można również znaleźć rozwiązania wielu spośród tych problemów. 1
2 Wstęp do statystyki matematycznej. Lista 1. 2 Lista 1. Rozkłady. 1. Zmienna losowa X ma rozkład wykładniczy z parametrem λ = 2. Wyznaczyć prawdopodobieństwa P (X > 1), P (X 3), P (1 X < 3), P ( 5 < X < 2). 2. Zmienna losowa X ma rozkład normalny N(10, 2 2 ). Wyznaczyć prawdopodobieństwa P (X < 13), P (X > 9), P (6 < X < 14), P (2 < X < 4). 3. Czas sprawnej pracy mierników pewnego typu (w dniach) ma rozkład N(900, ). Jaki powinien być okres gwarancji, aby z prawdopodobieństwem 0.95 miernik działał przynajmniej przez okres gwarancji? 4. Niech X, Y i Z będą niezależnymi zmiennymi losowymi o rozkładach N(6, 1), N(7, 1) i N(13, 1). Obliczyć P (X + Y > Z). 5. Niech X 1,..., X n będą niezależnymi zmiennymi losowymi o tym samym rozkładzie (oznaczenie: i.i.d.) N(µ, σ 2 ). Wyznaczyć rozkład średniej arytmetycznej X = X 1,..., X n. n Ile pomiarów należy wykonać, aby prawdopodobieństwo, że X odchyli się od µ o mniej niż 0.1 było większe od 0.99, jeśli σ 2 = 1/4? 6. Dla dwóch niezależnych prób X 1,..., X m i.i.d. N(µ, σ 2 1) i Y 1,..., Y n i.i.d. N(µ, σ 2 2) wyznaczyć rozkład zmiennej losowej X Y. Następnie obliczyć gdy m = 2n = 12 i σ 2 1 = σ 2, σ 2 2 = 3σ 2. P ( X Y < 0.4σ), 7. Niech X 1,..., X n będą niezależnymi zmiennymi losowymi rozkładach gamma G(α 1, β),..., G(α n, β), tzn. niech X i ma gęstość Znaleźć rozkład sumy X X n. β α Γ(α) xα 1 e βx 1 (0, ) (x). 8. Niech X 1,..., X n będą niezależnymi zmiennymi losowymi o tym samym rozkładzie N(0, 1). Wówczas zmienna losowa χ 2 n := X X 2 n ma rozkład zwany rozkładem chi-kwadrat z n stopniami swobody. Znaleźć gęstość tego rozkładu i uzasadnić, że jest ona równa gęstości rozkładu Gamma(n/2, 1/2). 9. Niech Z i Y będą niezależnymi zmiennymi losowymi o rozkładach N(0, 1) i chikwadrat z n stopniami swobody. Wówczas zmienna losowa t n := Z Y/n ma rozkład zwany rozkładem t-studenta z n stopniami swobody. Wyznaczyć gęstość tego rozkładu i udowodnić, że dla n t n jest zbieżny według rozkładu do N(0, 1).
3 Wstęp do statystyki matematycznej. Lista Wykorzystując odpowiednie tablice wyznaczyć kwantyle rzędu 1 α dla rozkładu (a) N(0, 1); (b) chi-kwadrat z v stopniami swobody; (c) t-studenta z v stopniami swobody. Przyjąć, że α {0.005, 0.025, 0.05} i v {1, 10, 20}. 11. Udowodnić, że jeśli X 1,..., X n+m będą niezależnymi zmiennymi losowymi o tym samym rozkładzie N(0, 1), to zmienna Y = X X 2 n X X 2 n+m ma rozkład beta Be(n/2; m/2). 12. U i V będą niezależnymi zmiennymi losowymi o rozkładach chi-kwadrat z m i n stopniami swobody, odpowiednio. Jaki rozkład mają zmienne losowe U + V oraz U. Odpowiedzieć na te pytania nie obliczając gęstości, a wykorzystując jedynie U + V definicję rozkładu chi-kwadrat i jedno z poprzednich zadań. 13. Niech U i V będą niezależnymi zmiennymi losowymi o rozkładach chi-kwadrat z m i n stopniami swobody, odpowiednio. Wowczas zmienna losowa F = U/m V/n ma rozkład zwany rozkładem F-Snedecora z (m, n) stopniami swobody. Wyznaczyć gestość rozkładu tej zmiennej losowej. Jaki rozkład ma zmienna losowa 1 F?
4 Wstęp do statystyki matematycznej. Lista 2. 4 Lista 2. Rozkłady normalne Oznaczenia: y 1,..., y n zmienne losowe, E(y i ) = µ i, Cov(y i, y j ) = σ ij, Y = (y 1,..., y n ) T, µ = E(Y ) = (µ 1,..., µ n ) T. macierz kowariancji dla Y : Cov(Y ) = E [ (Y µ) T (Y µ) ] = [σ ij ] n n 1. Uzasadnić, że dla dowolnej macierzy deterministycznej A r n i dla dowolnego deterministycznego wektora b R r E(AY + b) = AE(Y ) + b, Cov(AY + b) = ACov(Y )A T. 2. Załóżmy, że n-wymiarowy wektor losowy Y ma rozkład N(µ, Σ), czyli rozkład o gęstości 1 f(y) = (2π) n/2 Σ exp { (y µ) Σ 1 (y µ) }. 1/2 Znaleźć E(Y ) i Cov(Y ). Jaki rozkład ma (a) wektor losowy Σ 1/2 (Y µ); (b) zmienna losowa (Y µ) Σ 1 (Y µ). Uwaga: Jeśli A jest nieujemnie określoną macierzą symetryczną, to A 1/2 oznacza pierwiastek kwadratowy z macierzy A, czyli symetryczną i nieujemnie określoną macierz, taką że A 1/2 A 1/2 = A. Gdy A jest dodatnio określona, to A 1/2 ozn. = (A 1/2 ) Pokazać, że jeśli Y jest n-wymiarowym wektorem losowym, takim że Y D = N(µ, Σ), to dla dowolnej macierzy B wymiaru m n, BY D = N(Bµ, BΣB T ). 4. Udowodnić, że jeśli Y D = N(µ, σ 2 I), a Z = UY, gdzie U jest macierzą ortonormalną, to Z D = N(Uµ, σ 2 I) W szczególności Z 1,..., Z n są niezależne i mają rozkłady normalne. 5. Przypuśćmy, że X ma rozkład N(µ, σ 2 I n ), czyli X = (X 1,..., X n ) T jest wektorem, którego współrzędne są niezależnymi zmiennymi losowymi o jednakowym rozkładzie N(µ, σ 2 ) (próba rozmiaru n z rozkladu N(µ, σ 2 )). Niech Y = UX, gdzie U jest macierzą ortonormalną, której pierwszy wiersz ma postać Uzasadnić kolejno, że (a) taka macierz U istnieje; (b) Y 1 = nx; ( 1 n,..., (c) Y Yn 2 = n i=1 (X i X) 2 + nx 2 ; (d) Y Yn 2 = (n 1)S 2, gdzie S 2 oznacza wariancją próbkową, tzn. 1 n ). S 2 = n i=1 (X i X) 2. n 1
5 Wstęp do statystyki matematycznej. Lista 2. 5 (e) Y D = N(Uµ, σ 2 I n ), przy czym Uµ = ( nµ, 0, 0,..., 0) T. (f) Y 1,..., Y n są niezależne, Y 1 D = N( nµ, σ 2 ), Y i D = N(0, σ 2 ), i = 2,..., n. Wykorzystując te fakty udowodnić, że n(x µ)/σ i (n 1)S 2 /σ 2 są niezależnymi zmiennymi losowymi o rozkładach N(0, 1) i chi kwadrat z (n 1) stopniami swobody. 6. Zużycie wody (w hektolitrach) w pewnym osiedlu w ciagu dnia ma rozkład N(µ, 11). Obliczyć prawdopodobieństwo, ze wariancja próbkowa (empiryczna wariancja) zużycia wody w losowo wybranym kwartale nie przekroczy 100 hl. 7. Dla dwóch niezależnych prób X 1,..., X m i.i.d. N(µ 1, σ 2 ) i Y 1,..., Y n i.i.d. N(µ 2, σ 2 ) wyznaczyć rozkład zmiennej losowej SX 2. SY 2 8. Niech X = (X 1,..., X n ) będzie próbą z rozkładu wykladniczego Exp(1). Udowodnić, że dla każdego x R, lim Pr(X (n) log n x) = exp [ exp ( x)]. n 9. Niech U = (X 1,..., X n ) będzie próbą z rozkładu jednostajnego na odcinku [0, 1]. Znaleźć gęstość pary statystyk pozycyjnych (X (i), X (j) ), gdzie 1 i < j n.
6 Wstęp do statystyki matematycznej. Lista 3. 6 Lista 3. Rodziny wykładnicze. 1. Pokazać, że jeżeli P jest rodziną z parametrem skali na R +, to jej obraz przez przekształcenie Y = log X jest rodziną z parametrem położenia na R. 2. Niech P będzie jednoparametrową rodziną rozkładów gamma G(α, β), gdzie α jest ustalone, a β > 0. Pokazać, że obraz P w przekształceniu Y = σ log X, σ > 0, jest rodziną z parametrami położenia i skali (log β, σ). 3. Niech P będzie rodziną wykładniczą o gęstościach względem pewnej miary µ: [ s ] f(x; η) = exp η i T i (x) A(η) h(x), i=1 Niech Σ będzie zbiorem tych wszystkich η = (η 1,..., η s ) R s, dla których [ s ] exp η i T i (x) h(x)dµ(x) <. i=1 Stosując twierdzenie Lebesgue a o zbieżności ograniczonej udowodnić, że zachodzą wzory E η (T j ) = A(η); Cov η (T j, T k ) = 2 A(η). η j η j η k Co w tym dowodzie trzeba założyć o zbiorze Σ i o punkcie η Σ? 4. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Rayleigha R(σ), czyli z rozkładu o gęstości f(x; σ) = x σ 2 e x/(2σ2) 1 0, ) (x). Korzystając z poprzedniego zadania wyznaczyć E(Y ) i Var(Y ), gdzie Y = n i=1 X2 i. 5. Zbadać, czy następujące rodziny rozkładów są rodzinami wykładniczymi: (a) Poissona P (λ) z parametrem λ > 0; (b) beta B(α, β) z parametrami α > 0 i β > 0 o gęstości Γ(α + β) f(x; α, β) = Γ(α)Γ(β) xα 1 (1 x) β 1 1 (0,1) (x); (c) o gęstości f(x; θ) = 1 9 dla x {0.1 + θ, θ,..., θ}, θ > 0; 2(x + θ) (d) o gęstości f(x; θ) = 1 + 2θ 1 (0,1)(x), θ > 0; (e) dwuwymiarowych rozkładów normalnych (pięcioparametrowa); (f) wielomianowych M(n; p 0,..., p s ); gdzie p i > 0, i = 0,..., s, p p s = 1. (g) lognormalnych L(µ, σ 2 ), gdzie [ (µ, σ) R ] R +, o gęstości f(x; µ, σ 2 1 (log x µ) 2 ) = exp 1 2πσx 2σ 2 (0, ) (x). Jeśli tak, to która jest naturalną rodziną wykładniczą, rodziną z naturalną parametryzacją, rodziną pełnego rzędu? 6. Czy któraś z poniższych rodzin rozkładów jest rodziną wykładniczą?
7 Wstęp do statystyki matematycznej. Lista 3. 7 (a) ujemno dwumianowych NB(r, p): Pr(X = x) = Γ(x+r) Γ(r)x! px (1 p) r, x = 0, 1, 2,...; (b) Cauchy ego C(µ, σ) o gęstości f(x; µ, σ) = 1 πσ ( x µ (c) Weibulla W e(α, β) o gęstości f(x; α, β) = α β α xα 1 exp σ ) 2 [ ( ) α ] x 1 (0, ) (x) β e (x µ)/σ (d) logistycznych LG(µ, σ) o gęstości f(x; µ, σ) = 1 σ [1 + (x µ)/σ] 2 (e) podwójnie wykładniczych DE(µ, θ) o gęstości f(x; µ, θ) = 1 [ ] 2θ exp x µ. θ
8 Wstęp do statystyki matematycznej. Lista 4. 8 Lista 4. Dystrybuanta empiryczna, histogram, estymator jądrowy. 1. Niech X 1,..., X n będzie próbą losową prostą z rozkładu o dystrybuancie F i niech F n (x) = F n (x; X 1,..., X n ) będzie dystrybuntą empiryczną opartą na tej próbie. Udowodnić, że (a) Dla każdej realizacji x 1,..., x n próby X 1,..., X n, Fn (x; x 1,..., x n ) jest dystrybuantą pewnego rozkładu. Wyznaczyć ten rozkład. (b) n F n (x) = D B(n, F (x)) dla każdego x R. ( ) ( ) F (x)(1 F (x)) (c) E F Fn (x) = F (x) i Var F Fn (x) = dla każdego x R. n (d) F n (x) p.n. F (x) (zbieżność z prawdopodobieństwem 1) dla każdego x R. (e) n( F n (x) F (x)) D N(0, F (x)(1 F (x))) dla każdego x R. Następnie obliczyć E F [ Fn (x) F (x)] 2 i udowodnić, że jeśli X1,..., X n jest losową próba prostą z rozkładu o ciągłej dystrybuancie F, to rozkłady zmiennych losowych nie zależą od F. sup x R ( F n (x) F (x)) i sup F n (x) F (x) 2. Niech f n (x) = f n (x; X 1,..., X n ) będzie estymatorem histogramowym albo estymatorem jądrowym gęstości f, opartym na próbie X 1,..., X n i.i.d. f. (a) Udowodnić, że dla każdej realizacji x 1,..., x n próby X 1,..., X n, estymator f n (x; x 1,..., x n ) jest gęstością pewnego rozkładu absolutnie ciągłego względem miary Lebesgue a. (b) Dla estymatora jądrowego i ustalonego punktu x 0 R obliczyć różnicę [ ] E fn (x 0 ) f(x 0 ). Przypuśćmy, że f jest ograniczona na R i ciągła w punkcie x 0, a szerokość pasma h n dąży do zera, gdy n. Co można wówczas powiedzieć o { [ ] } E fn (x 0 ) f(x 0 ). lim n x R
9 Wstęp do statystyki. Lista 5. 9 Lista 5. Metoda momentów i metoda największej wiarogodności. 1. Niech X 1,..., X n będzie próbą prostą z populacji o rozkładzie jednostajnym na (0, θ). Za pomocą metody momentów wyznacz estymator ˆθ n parametru θ. (a) Wykorzystując ten estymator oszacuj θ dla próby 0.1, 0.3, 0.7, 0.8, 0.2. (b) Oblicz obciążenie i błąd średniokwadratowy ˆθ n. (c) Zbadaj zgodność ˆθ n. Wyznacz estymator największej wiarogodności (w skrócie: estymator MLE) parametru θ i oblicz jego wartość dla próby z punktu (a). 2. Niech X 1,..., X n będzie próbą z populacji o rozkładzie trzypunktowym P (X = 1) = p, P (X = 0) = 0.4 p, P (X = 1) = 0.6. Za pomocą metody momentów wyznacz estymator p n parametru p. Wykorzystując ten estymator oszacuj p dla próby 1, 0, 0, 1, 1, 1, 1, 0, 1, 1. Czy to oszacowanie jest sensowne? 3. Niech X = (X 1,..., X n ) będzie próbą z rozkładu dyskretnego na zbiorze {1, 2, 3} o gęstosci p θ (1) = θ 2, p θ (2) = 2θ(1 θ), p θ (3) = (1 θ) 2, θ (0, 1). Wyznaczyć estymator parametru θ metodą momentów i metodą podstawienia. 4. Niech X 1,..., X n będzie próbą prostą z populacji o rozkładzie ciągłym o gęstości { (θ + 1)x f(x) = θ, gdy 0 x 1, 0, w przeciwnym razie. (a) Znajdź estymator największej wiarogodności ˆθ parametru θ. (b) Wykorzystując θ oszacuj θ na podstawie próby 0.1, 0.3, 0.7, 0.8, Niech X 1,..., X n będzie próbą prostą z populacji o rozkładzie ciągłym o gęstości { c(1 + θx), gdy 1 x 1, f(x) = 0, w przeciwnym razie. (a) znajdź c, (b) za pomocą metody momentów wyznacz estymator parametru θ, (c) czy można wyznaczyć jawny wzór na estymator MLE dla θ? 6. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Weibulla W (α, β), gdzie α jest ustalone i znane. Znaleźć estymator MLE funkcji parametrycznej g(β) = β α. Sprawdzić, czy jest nieobciążony. Wykazać, że jest zgodny i asymptotycznie normalny. 7. Niech X = (X 1,..., X n ) będzie próbą z rozkładu (a) Gamma G(α, β), gdzie α jest znane i ustalone; (b) geometrycznego Ge(p), p (0, 1); (c) jednostajnego U(θ, θ + 1), θ R; (d) normalnego N(σ, σ 2 ), σ (0, );
10 Wstęp do statystyki. Lista (e) normalnego N(µ, σ 2 ), µ R, σ (0, ); Znaleźć estymatory MLE parametrów rozkładu. Zbadać ich nieobciążoność i zgodność. 8. W jeziorze jest nieznana liczba N ryb. W celu oszacowania N złowiono m ryb, oznakowano i wpuszczono do jeziora. Po dłuższym czasie złowiono ponownie m ryb i okazało sie, ze k z nich jest oznakowanych. Znaleźć estymator MLE parametru N. 9. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Pareto P a(1, α), α > 1. Znaleźć estymatory parametru α metodą momentów i metodą największej wiarogodności. Wykazać, że są one estymatorami zgodnymi i, dla α > 2, asymptotycznie normalnymi. Porównać wariancje asymptotyczne tych estymatorów.
11 Wstęp do statystyki matematycznej. Lista Lista 6. Dostateczność i zupełność. 1. Niech X = (X 1,..., X n ) będzie próbą prostą z rozkładu Poissona P (λ), λ (0, ) i niech T = n i=1 X i. Znaleźć rozkład warunkowy Pr(X T = t) i za pomocą definicji wykazać, że T jest statystyką dostateczną dla λ. 2. Losujemy bez zwracania n jednostek z partii N wyrobów, spośród których Nθ jest wadliwych. Niech X i, i = 1,..., n, przyjmuje wartość 1, gdy i-ta jednostka jest wadliwa i wartość 0, gdy i-ta jednostka jest dobra. Pokazać, że statystyka T = n i=1 X i jest dostateczna dla parametru θ. 3. Pokazać, że jeśli T jest statystyką dostateczną dla P oraz T = g(s) dla pewnej statystyki S i odwzorowania mierzalnego g, to S jest statystyką dostateczną dla P. 4. Niech X będzie czasem czekania na k-ty sukces w schemacie Bernoulliego z prawdopodobieństwem sukcesu p (0, 1), gdzie k > 1 ustalone (znane). Pokazać, że rozkłady X tworzą jednoparametrową rodzinę wykładniczą. Niech X 1,..., X n będzie próbą prostą z rozkładu z tej rodziny. Korzystając z twierdzenia o rodzinach wykładniczych, podać statystykę dostateczną dla parametru p i wyznaczyć jej rozkład. 5. Niech X 1,..., X n będzie próbą z rozkładu o gęstości p (θ,η) = c(θ, η)h(x)1 (θ,η) (x), gdzie h(x) jest ustaloną dodatnią funkcją całkowalną na (, ). Udowodnić, że (X (1), X (n) ) jest statystyką dostateczną dla parametru (θ, η) R R. 6. Niech X 1,..., X n będzie próbą prostą z populacji o rozkładzie P P = {P θ, θ Θ}. Wykorzystując kryterium faktoryzacji znaleźć statystykę dostateczną dla θ, tego samego wymiaru co θ, gdy (a) P θ jest rozkładem Poissona P (θ), θ (0, ); (b) P θ jest rozkładem ujemno dwumianowym NB(r, θ) ze znanym r i θ (0, 1); (c) P θ jest rozkładem wykładniczym Exp(θ), θ (0, ); (d) P θ jest rozkładem Gamma G(α, β), θ = (α, β) (0, ) (0, ); (e) P θ jest rozkładem beta Be(α, β), θ = (α, β) (0, ) (0, ); (f) P θ jest rozkładem lognormalnym LN(µ, σ 2 ), θ = (µ, σ 2 ) R (0, ); (g) P θ jest rozkładem Weinbulla W (α, θ) ze znanym α i θ (0, ). 7. Niech X 1,..., X n będzie próbą prostą z rozkładu beta B(α, α), α (0, ) Wyznaczyć minimalną statystykę dostateczną dla parametru α. Uzasadnić, że jest to statystyka zupełna. 8. Udowodnić, ze rodzina rozkładów normalnych N(µ, 1) z parametrem położenia µ R jest rodziną zupełną. 9. Niech X 1,..., X n będzie próbą z rozkładu normalnego N(σ, σ 2 ), σ > 0. Wyznaczyć minimalną statystykę dostateczną dla parametru σ. Pokazać, że nie jest ona zupełna.
12 Wstęp do statystyki matematycznej. Lista Niech X 1,..., X n będzie próbą z rozkładu jednostajnego na odcinku [0, θ], θ (0, ). Pokazać, że T (X) = X (n) jest minimalną, zupełną statystyką dostateczną. 11. Niech X 1,..., X n będzie próbą prostą z rozkładu jednostajnego na odcinku [θ 1 2 ; θ ], θ R. Udowodnić, ze (X (1), X (n) ) jest minimalną statystyką dostateczną dla parametru θ, ale nie jest statystyką zupełną. 12. Niech P będzie rodziną wszystkich rozkładów absolutnie ciągłych na prostej. Niech X 1,..., X n będzie próbą z rozkładu z tej rodziny. Wykazać, że wektor statystyk pozycyjnych jest statystyką dostateczną i zupełną, a więc również minimalną dostateczną.
13 Wstęp do statystyki. Lista Lista 7. Nieobciążoność, dopuszczalność, zgodność. 1. Niech X = (X 1,..., X n ) będzie próbą z rozkładu B(1, p), p (0, 1). (a) Znaleźć estymator UMVU dla funkcji g(p) = p r, gdzie r jest liczbą naturalną nie większą niż n. Dla r = 1 wyznaczyć funkcję ryzyka tego estymatora (przy kwadratowej funkcji straty!). (b) Znaleźć estymator UMVU dla funkcji g(p) = p(1 p) i zbadać jego asymptotyczne własności (zgodność, n-zgodność, asymptotyczną normalność). 2. Niech X = (X 1,..., X n ) będzie próbą z rozkładu jednostajnego U(α, β), α, β R, α < β. (a) Znaleźć estymatory UMVU parametrów α i β. (b) Znaleźć estymator UMVU funkcji g(α, β) = β α. 3. Pokazać, że estymator X parametru µ w rodzinie N(µ, 1) jest lepszy niż estymator T (X) = 1(X 2 (1) + X (n) ), tzn. T (X) jest niedopuszczalny; Następnie udowodnić, że w rodzinie rozkładów jednostajnych na odcinku [µ 1, µ + 1 ] jest na odwrót tzn. 2 2 X jest niedopuszczalny. 4. Niech X = (X 1,..., X n ) będzie próbą z rozkładu o dystrybuancie F. Pokazać, że dla każdego x R dystrybuanta empiryczna F n (x) jest nieobciążonym estymatorem F (x). 5. Niech X = (X 1,..., X n ) będzie próbą z rozkładu o wartości oczekiwanej µ, wariancji σ 2 i skończonym czwartym momencie centralnym µ 4 = E(X µ) 4. Wyznaczyć Var(S 2 ). 6. Niech X = (X 1,..., X n ) będzie próbą z rozkładu N(µ, σ 2 ). Dobrać stałą c, tak aby statystyka n 1 W 2 = (X i+1 X i ) 2 i=1 była nieobciążonym estymatorem parametru σ 2. Porównać wariancję W 2 z wariancją S 2. Który z estymatorów pozwala ocenić σ 2 z wiekszą dokładnością? 7. * Niech X = (X 1,..., X n ) będzie próbą z rozkładu jednostajnego na zbiorze trzypunktowym {θ 1, θ, θ + 1}, gdzie θ jest dowolną liczbą całkowitą. (a) Znaleźć rodzinę wszystkich nieobciążonych estymatorów zera. (b) Udowodnić, że dla żadnej niestałej funkcji g(θ) nie istnieje estymator UMVU, chociaż estymatory nieobciążone istnieją. 8. Niech X = (X 1,..., X n ) będzie próbą z rozkładu jednostajnego na przedziale [0, θ], gdzie θ > 0. Wykazać, że w klasie wszystkich estymatorów estymator T (X) = n + 1 n X (n) jest niedopuszczalny dla L(θ, d) = (d θ) 2, chociaż jest estymatorem UMVU. Wskazówka. Rozważyć estymator T 1 (X) = n + 2 n + 1 X (n).
14 Wstęp do statystyki. Lista * Niech zmienna losowa X ma rozkład P (X = 1) = p, P (X = x) = (1 p) 2 p x, gdy x = 0, 1,..., z parametrem p (0, 1). (a) Udowodnić, że każdy nieobciążony estymator 0 ma postać d(x) = cx. (b) Wykorzystać (a) do udowodnienia tego, że estymator UMVU funkcji g(p) = (1 p) 2 ma postać d(0) = 0 i d(x) = 0, dla pozostałych wartości x. (c) Udowodnić, że nie istnieje estymator UMVU parametru p, choć istnieją estymatory nieobciążone dla p. 10. Niech X = (X ( 1,..., X n ) będzie ) próbą z rozkładu N(µ, 1). Udowodnić, że dla każdego c R, Φ (c X) jest estymatorem UMVU funkcji parametrycznej n n 1 g c (µ) := Pr(X 1 < c) = Φ(c µ). Zbadać asymptotyczne własności tego estymatora (zgodność, n-zgodność, asymptotyczną normalność). 11. Niech X = (X 1,..., X m ) i Y = (Y 1,..., Y n ) będą niezależnymi próbami z rozkładów U(0, θ) i U(0, η). Wyznaczyć estymator UMVU ilorazu g(θ, η) = θ/η, gdy n > 1.
15 Wstęp do statystyki. Lista Lista 8. Efektywność. 1. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Bernoulliego B(1, p), p (0, 1). Uzasadnij, że T (X) = n X(1 X) jest estymatorem UMVU funkcji parametrycznej g(p) = p(1 p). Sprawdź, czy T (X) jest efektywny lub asymptotycznie n 1 efektywny. 2. Niech X = (X 1,..., X n ) będzie próbą z rozkładu normalnego N(0, σ 2 ). Pokaż, że estymator T (X) = n i=1 X2 i jest nieobciążonym i efektywnym estymatorem σ *Niech X = (X 1,..., X n ) będzie próbą z rozkładu jednostajnego U(0, θ) i niech f θ (x) oznacza gęstość rozkładu statystyki X (n). Pokaż, że (a) xf θ (x) dx x θ θ f θ(x) dx, (b) estymator UMVU parametru θ nie jest efektywny w sensie Rao-Cramera. 4. Niech X = (X 1,..., X n ) będzie próbą z rozkładu normalnego N(µ, σ), gdzie µ π n jest znane. Udowodnij, że estymator T (X) = n X i µ parametru σ jest 2 i=1 1 nieobciążony i ma efektywność π Niech X = (X 1,..., X n ) będzie próbą z rozkładu normalnego N(µ, σ 2 ) z nieznaną wartością oczekiwaną µ R i znaną wariancją σ 2 > 0. Dla ustalonego t 0 znajdź estymator UMVU dla e tµ i pokaż, że ten estymator nie jest efektywny w sensie Rao-Cramera, ale jest asymptotycznie efektywny. 6. Niech X = (X 1,..., X n ) będzie próbą z rozkładu gamma G(α, β). (a) Wyznacz estymatory parametrów α, β za pomocą metody momentów. (b) Zakładając, że α jest znane i równe α 0 wyznacz estymator parametru β za pomocą metody momentów i oblicz jego efektywność (po usunięciu obciążenia).
16 Wstęp do statystyki. Lista Lista 9. Przedziały ufności. 1. Niech X będzie pojedynczą obserwacją z rozkładu jednostajnego U(θ 1/2, θ+1/2), gdzie θ R jest nieznane. Pokaż, że Q(X; θ) = X θ jest funkcją centralną, a następnie udowodnij, że [X + c, X + d] jest przedziałem ufności dla parametru θ na poziomie ufności 1 α wtedy i tylko wtedy, gdy ma dlugość 1 α. 2. Niech X = (X 1,..., X n ) będzie próbą z rozkładu wykładniczego E(λ). Uzasadnij, że Q(X; λ) = 2nX jest funkcją centralną. Skonstruuj przedział ufności dla parametru λ na poziomie ufności 1 α. Dla n = 10 i α = 0.04 wyznacz końce tego λ przedziału. 3. Niech X = (X 1,..., X n ) będzie próbą z rozkładu z rozkładu N(θ, θ). Znajdź funkcję centralną i skonstruuj przedział ufności dla θ na poziomie ufności 1 α. 4. Niech X = (X 1,..., X n ) będzie próbą z rozkładu jednostajnego na odcinku [θ 1 ; θ + 1 ], θ R. Skonstruuj przedział ufności dla parametru θ na poziomie ufności α. 5. Niech X = (X 1,..., X m ) i Y = (Y 1,..., Y n ) będą niezależnymi próbami z rozkładów N(µ 1, σ 2 1) i N(µ 2, σ 2 2). Załóżmy, że σ 2 1 = σ 2 2 = σ i oznaczmy θ = (µ 1, µ 2, σ), g(θ) = µ 2 µ 1. Uzasadnij, że Y X g(θ) (m 1)S 2 X + (n 1)SY 2 1 n + m 2 m + 1 n jest funkcją centralną dla g(θ). Skonstruuj przedział ufności dla parametru g(θ) na poziomie ufności 1 α. 6. Niech X = (X 1,..., X m ) i Y = (Y 1,..., Y n ) będą niezależnymi próbami z rozkładów N(µ 1, σ 2 1) i N(µ 2, σ 2 2). Załóżmy, że σ 2 1 = σ 2 2 = σ i oznaczmy θ = (µ 1, µ 2, σ 1, σ 2 ), g(θ) = σ 2 1/σ 2 2. Skonstruuj przedział ufności dla parametru g(θ) na poziomie ufności 1 α. 7. Niech X = (X 1,..., X n ) będzie próbą z rozkładu N(µ, σ 2 ), gdzie σ > 0 jest znane. Podaj postać przedziału ufności dla parametru µ na poziomie ufności 1 α. 8. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Poissona z parametrem λ. Wykorzystując CTG, twierdzenie Słuckiego oraz metodę delta udowodnij, że n(x λ) (a) D N(0, 1); X (b) 2 n( X λ) D N(0, 1). Użyj tych własności do wyznaczenia asymptotycznych funkcji centralnych i konstrukcji asymptotycznych przedziałów ufności dla parametru λ, na poziomie ufności 1 α. Zauważ, że oba przedziały mają tę samą długość i są tylko przesunięte względem siebie. 9. Niech Y n będzie zmienną losową o rozkładzie chi-kwadrat z n stopniami swobody. Wykorzystując CTG, twierdzenie Słuckiego oraz metodę delta udowodnij, że
17 Wstęp do statystyki. Lista (a) Y n n 2n D N(0, 1); (b) 2Y n 2n 1 D N(0, 1); ( ) 9n 3 Yn (c) 2 n 1 D N(0, 1); Niech X = (X 1,..., X n ) będzie próbą z rozkładu N(µ, σ 2 ), gdzie µ i σ są nieznane. Wykorzystaj powyższe fakty do określenia asymptotycznych funkcji centralnych i konstrukcji asymptotycznych przedziałów ufności na poziomie ufności 1 α dla funkcji parametrycznej g(θ) = σ 2. Uwaga. Ciąg zmiennych losowych z punktu c) daje lepsze przybliżenie rozkładu chi-kwadrat niż ciągi z punktów a) i b). 10. *Niech X = (X 1,..., X n ) będzie próbą z rozkładu Weibulla o gęstości f(x; α, θ) = α θ xα 1 e xα /θ 1 (0, ) (x). Udowodnij, że Q(X; α, θ) = n i=1 (Xα i /θ) jest funkcją centralną. Wykorzystaj tę funkcję do konstrukcji zbioru ufności dla (α, θ) na poziomie ufności 1 α.
18 Wstęp do statystyki. Lista Lista 10. Testy jednostajnie najmocniejsze. 1. Niech X = (X 1,..., X n ) będzie próbą z rozkładu normalnego N(µ, 1). (a) Wyznacz statystykę testu Neymana-Pearsona (najmocniejszego, w skrócie NP) dla testowania hipotezy H 0 : µ = 0 przeciwko H 1 : µ = µ 0 > 0. (b) Wyznacz funkcję mocy dla ustalonego poziomu istotności α (0, 1 2 ). 2. Niech X ma rozkład U(0, θ), θ > 0. Skonstruuj test NP na poziomie istotności α dla hipotezy H 0 : θ = θ 0 przeciwko H 1 : θ = θ 1, gdy 0 < θ 0 < θ 1 są ustalonymi liczbami. 3. Niech X ma rozkład należący do rodziny P = {B(10, 1/2), P (1)}. Wykorzystaj tablice rozkładu dwumianowego i rozkładu Poissona do skonstruowania testu NP na poziomie istotności α = 0.1 dla hipotezy H 0 : X D = B(10, 1/2) przeciwko H 1 : X D = P (1). 4. Niech X ma rozkład należący do rodziny P = {U(0, 1) {Exp(λ), λ > 0}}. Skonstruuj test NP na poziomie istotności α = 0.1 dla hipotezy H 0 : X D = B(10, 1/2) przeciwko H 1 : X D = P (1). 5. Niech X = (X 1,..., X n ) będzie próbą z rozkładu normalnego N(0, σ 2 ). (a) Wyznaczyć statystykę testu NP dla testowania H 0 : σ = 1 przeciwko H 1 : σ = σ 0 > 1. (b) Wyznaczyć funkcję mocy dla ustalonego α (0, 1). Dla α = 0.05 oraz σ 0 { 2, 2} obliczyć moc w zależność mocy od n. 6. Niech X = (X 1,..., X n ) będzie próbą z rozkładu (a) gamma G(θ, 1), θ > 0; (b) Pareto o gęstości p θ (x) = θ x 2 1 (θ, ), θ > 0. Wyznacz statystykę testu NP dla testowania H 0 : θ = 1 przeciwko H 1 : θ = θ 1 > 1. Wyznacz asymptotyczną wartość krytyczną i obliczyć ją dla α = Dla jakich n dokładna wartość krytyczna różni się o mniej niż 0.1 od wartości asymptotycznej? Dla b) wyznaczyć funkcję mocy testu. 7. Niech X = (X 1,..., X n ) będzie próbą z rozkładu (a) normalnego N(0, θ 2 ), θ > 0; (b) beta Be(θ, 1), θ > 0. Uzasadnić monotoniczność ilorazu wiarogodności względem odpowiedniej statystyki i skonstruować test UMP dla hipotezy H 0 : θ θ 0 przeciwko H 1 : θ > θ 0. Wyznaczyć wartości krytyczne testów dla poziomu istotności α. 8. Niech X będzie zmienną losową o rozkładzie, którego gęstość należy do rodziny P = {f θ : θ Θ}, Θ R. Pokaż, że P ma monotoniczny iloraz wiarogodności względem X, gdy
19 Wstęp do statystyki. Lista (a) Θ = R, a f θ jest gęstością rozkładu podwójnie wykładniczego z parametrem położenia θ i znanym parametrem skali σ. (b) Θ = R, a f θ jest gęstością rozkładu wykładniczego na przedziale (θ, ) z ze znanym parametrem skali σ. (c) Θ = R, a f θ jest gęstością rozkładu logistycznego z parametrem położenia θ i znanym parametrem skali σ. (d) Θ = R, a f θ jest gęstością rozkładu jednostajnego U(θ, θ + 1). ( θ N θ ) (e) Θ = {1, 2,..., N}, a f θ (x) = x)( r x ( N ) dla max (r θ, 0) x min (r, θ), r gdzie r, N są znanymi liczbami naturalnymi (X ma rozkład hipergeometryczny).
20 Wstęp do statystyki. Lista Lista 11. Testy ilorazu wiarogodności. 1. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Bernoulliego B(1, p). Skonstruuj test ilorazu wiarogodności (test LR) dla hipotezy H 0 : p p 0 przeciwko H 1 : p > p 0 na poziomie istotności α. Dla jakich wartości X odrzucana jest hipoteza zerowa? 2. Niech X = (X 1,..., X n ) będzie próbą z rozkładu Poissona z parametrem λ. Skonstruuj test LR dla hipotezy H 0 : λ = λ 0 przeciwko H 1 : λ λ 0 na poziomie istotności α. Wyznacz wartość krytyczną testu dla n = 10, λ 0 = 1 i α = 0.05 oraz moc testu (niezrandomizowanego) dla λ 0 = 0.6. Wyznacz rozkład asymptotyczny statystyki testowej i asymptotyczną wartość krytyczną. 3. Niech X = (X 1,..., X n ) będzie próbą z rozkładu beta B(θ, 1). Skonstruuj test LR dla hipotezy H 0 : θ = θ 0 przeciwko H 1 : θ θ 0 na poziomie istotności α, gdzie 4. *Niech X = (X 1,..., X n ) będzie próbą z rozkładu wykładniczego E(µ, σ) o gęstości f(x; µ, µ) = 1 σ e (x µ)/σ 1 (µ, ) (x), σ (0, ) i µ (0, ). (a) Załóżmy, że σ jest znane. Skonstruuj test LR rozmiaru α dla hipotezy H 0 : µ µ 0 przeciwko H 1 : µ > µ 0, gdzie µ 0 jest znane. (b) Załóżmy, że σ jest znane. Skonstruuj test LR rozmiaru α dla hipotezy H 0 : µ = µ 0 przeciwko H 1 : µ µ 0. (c) Skonstruuj test LR rozmiaru α dla hipotezy H 0 : µ µ 0 przeciwko H 1 : µ > µ 0, gdy σ także jest nieznane. (d) Skonstruuj test LR rozmiaru α dla hipotezy H 0 : µ = µ 0 przeciwko H 1 : µ µ 0, gdy σ także jest nieznane. 5. Niech X = (X 1,..., X n ) będzie próbą z rozkładu N(µ, σ 2 ), a Y = (Y 1,..., Y m ) próbą z rozkładu N(η, τ 2 ). Zakładając niezależność obu prób, skonstruuj test ilorazu wiarogodności dla hipotezy H 0 : τ = kσ przeciwko H 1 : τ kσ, gdzie k znaną liczbą (np. k = 1) na poziomie istotności α. Dla k = 1, n = 12, m = 18, α = 0.05 wyznacz wartość krytyczną, posługując się rozkładem Snedecora. Czy otrzymany test jest nieobciążony?
21 Wstęp do statystyki. Lista Lista 12. Testy chi-kwadrat zgodności i niezależności. 1. W celu sprawdzenia czy kostka sześcienna do gry jest rzetelna (symetryczna), wykonano 120 rzutów tą kostką i otrzymano następujące wyniki: Liczba oczek Liczba rzutów Na poziomie istotności α = 0.05 zweryfikować hipotezę, że kostka jest symetryczna. 2. W pewnej fabryce zaobserwowano następujący rozkład absencji w tygodniu, zbadany w wylosowanej grupie 900 pracowników z absencją: Dzień tygodnia PN WT ŚR CZ PT SOB Liczba nieobecnych Na poziomie istotności α = 0.05 zweryfikować hipotezę, że absencja w tej fabryce jest jednakowa w każdym dniu tygodnia. 3. Zbadano 300 losowo wybranych 5 sekundowych odcinków czasowych pracy pewnej centrali telefonicznej i otrzymano empiryczny rozkład liczby zgłoszeń : Liczba zgłoszeń Liczba odcinków Na poziomie istotności α = 0.05 zweryfikować hipotezę, że liczba zgłoseń w tej centrali jest zmienną losową o rozkładzie Poissona. 4. W celu zweryfikowania hipotezy, że studentki pewnej uczelni lepiej zdają egzaminy niż studenci, wylosowano próbę 200 studentek i studentów i otrzymano następujące wyniki zaliczenia letniej sesji egzaminacyjnej: Zdany Oblany Studenci Studentki Na poziomie istotności α = 0.05 zweryfikować, za pomocą testu chi-kwadrat, hipotezę o niezależności wyników egzaminacyjnych od płci. 5. Pewien produkt można wytwarzać trzema metodami. Wysunięto hipotezę, że wadliwość produkcji nie zależy od metody wytwarzania. Wylosowano niezależnie próbę 270 sztuk wyrobu i otrzymano następujące wyniki badania jakości dla poszczególnych metod: Jakość Metoda I Metoda II Metoda III Dobra Zła Na poziomie istotności α = 0.05 zweryfikuj hipotezę o niezależności jakości produkcji od metod produkcji.
22 Wstęp do statystyki. Lista Studenci Wydziału Matematyki PWr ocenili każdego z trzech wykładowców, prowadzących zajęcia ze statystyki Beznadziejny Niezły Bardzo dobry Wykładowca nr Wykładowca nr Wykładowca nr Czy na podstawie tych danych należy odrzucić hipotezę zerową, mówiącą, że rozkład ocen dla każdego z wykładowców jest taki sam? Przyjąć poziom istotności α = 0.05.
STATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoWeryfikacja 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 szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej 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 matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoHipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.
Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
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 szczegółowoInstytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2
Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,
Bardziej szczegółowoAgata Boratyńska Statystyka aktuarialna... 1
Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej
Bardziej szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
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 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej 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 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 szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowo4.Zmienne losowe X 1, X 2,..., X 100 są niezależne i mają rozkład wykładniczy z α = 0.25 Jakie jest prawdopodobieństwo, że 1
LISTA 7 W rozwiązaniu zadań 1-4 wykorzystać centralne twierdzenie graniczne. 1.Prawdopodobieństwo, że aparat zepsuje się w czasie jego konserwacji wynosi 0.02. Jakie jest prawdopodobieństwo, że w trakcie
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 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 szczegółowoStatystyka matematyczna - Seria 1
Statystyka matematyczna - Seria. Niech Z oznacza zmienną losową o rozkładzie standardowym normalnym. Korzystając z tablic znaleźć (a) P (0 Z 2.7) (d) P (Z.37) (b) P ( Z 2.5) (e) P ( 2.5 Z 0) (c) P (Z.75)
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoLISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów
LISTA 4 1.Na pewnym obszarze dokonano 40 pomiarów grubości warstwy piasku otrzymując w m.: 54, 58, 64, 69, 61, 56, 41, 48, 56, 61, 70, 55, 46, 57, 70, 55, 47, 62, 55, 60, 54,57,65,60,53,54, 49,58,62,59,55,50,58,
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoSTATYSTYKA. 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 Karl Popper... no matter how many instances of white swans we may have observed, this does not
Bardziej szczegółowo1 Gaussowskie zmienne losowe
Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoLista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoUPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski
UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >
Bardziej szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowo1.1 Wstęp Literatura... 1
Spis treści Spis treści 1 Wstęp 1 1.1 Wstęp................................ 1 1.2 Literatura.............................. 1 2 Elementy rachunku prawdopodobieństwa 2 2.1 Podstawy..............................
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoMat. Fin. i Bio., Gdańsk, Zestaw zadań ze statystyki matematycznej. Zestaw 1 1 N
Marek Beśka, Statystyka matematyczna 1 Mat. Fin. i Bio., Gdańsk, 26.09.2016 Zestaw zadań ze statystyki matematycznej Zestaw 1 Zad. 1. Wykazać, że jeśli X 1, X 2,... są zmiennymi losowymi o jednakowych
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoRachunek prawdopodobieństwa 1B; zadania egzaminacyjne.
Rachunek prawdopodobieństwa B; zadania egzaminacyjne.. Niech µ będzie rozkładem probabilistycznym na (0, ) (0, ): µ(b) = l({x (0,) : (x, x) B}), dla B B((0, ) (0, ))), gdzie l jest miarą Lebesgue a na
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoGdy n jest duże, statystyka ta (zwana statystyką chikwadrat), przy założeniu prawdziwości hipotezy H 0, ma w przybliżeniu rozkład χ 2 (k 1).
PRZYKŁADY TESTÓW NIEPARAMETRYCZNYCH. Test zgodności χ 2. Ten test służy testowaniu hipotezy, czy rozważana zmienna ma pewien ustalony rozkład, czy też jej rozkład różni się od tego ustalonego. Tym testem
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoWykład 10 Testy jednorodności rozkładów
Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków
Bardziej szczegółowoPróbkowe odpowiedniki wielkości populacyjnych
Część I Podstawy 11 Rozdział 1 Próbkowe odpowiedniki wielkości populacyjnych 1.1 Rozkład empiryczny Statystyka matematyczna opiera się na założeniu, że dane są wynikiem pewnego doświadczenia losowego.
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoEstymatory nieobciążone
Estymatory nieobciążone Zadanie 1. Pobieramy próbkę X 1,..., X n niezależnych obserwacji z rozkładu Poissona o nieznanym parametrze λ. Szacujemy p 0 = e λ za pomocą estymatora ˆp 0 = e X, gdzie X jest
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5. 2 listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 5 2 listopada 2009 Poprzedni wykład: przedział ufności dla µ, σ nieznane Rozkład N(µ, σ). Wnioskowanie o średniej µ, gdy σ nie jest znane Testowanie H : µ = µ 0, K : µ
Bardziej szczegółowoNa podstawie dokonanych obserwacji:
PODSTAWOWE PROBLEMY STATYSTYKI MATEMATYCZNEJ Niech mamy próbkę X 1,..., X n oraz przestrzeń prób X n, i niech {X i } to niezależne zmienne losowe o tym samym rozkładzie P θ P. Na podstawie obserwacji chcemy
Bardziej szczegółowoHipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
Bardziej szczegółowo