Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Podobne dokumenty
Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

ma rozkład normalny z nieznaną wartością oczekiwaną m

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r.

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

. Wtedy E V U jest równa

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

będą niezależnymi zmiennymi losowymi o tym samym 2 x

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna

Wnioskowanie statystyczne dla korelacji i regresji.

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

ROZKŁADY ZMIENNYCH LOSOWYCH

Natalia Nehrebecka. Zajęcia 4

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

x, y środek ciężkości zbioru

Statystyka Inżynierska

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

= , t 1872, = , t 1872,0.95

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

Linie regresji II-go rodzaju

JEDNOWYMIAROWA ZMIENNA LOSOWA

Natalia Nehrebecka. Dariusz Szymański

ZAGADNIENIE TRANSPORTOWE

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

IV. ZMIENNE LOSOWE DWUWYMIAROWE

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

VI. TWIERDZENIA GRANICZNE

Statystyka Matematyczna Anna Janicka

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

FUNKCJE DWÓCH ZMIENNYCH

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Natalia Nehrebecka. Wykład 2

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

będzie próbką prostą z rozkładu normalnego ( 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.

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski

X i T (X) = i=1. i + 1, X i+1 i + 1. Cov H0. ( X i. k 31 ) 1 Φ(1, 1818) 0, 12.

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

Podprzestrzenie macierzowe

Podstawy opracowania wyników pomiarowych, analiza błędów

Średnia harmoniczna (cechy o charakterze ilorazu np. Prędkość, gęstość zaludnienia)

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.

Liniowe relacje między zmiennymi

PDF created with FinePrint pdffactory Pro trial version WIII/1

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

Stanisław Cichocki. Natalia Nehrebecka. Wykład 9

Wyrażanie niepewności pomiaru

Funkcja wiarogodności

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

16, zbudowano test jednostajnie najmocniejszy dla weryfikacji hipotezy H

Testowanie hipotez statystycznych

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

Portfel złożony z wielu papierów wartościowych

Testowanie hipotez statystycznych

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości parametrów rozkładu populacji.

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

Statystyczne charakterystyki liczbowe szeregu

ĆWICZENIE 5 TESTY STATYSTYCZNE

( ) WŁASNOŚCI MACIERZY

Weryfikacja modelu. ( ) Założenia Gaussa-Markowa. Związek pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi ma charakter liniowy

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Matematyka dyskretna. 10. Funkcja Möbiusa

( ) ( ) ( ) ( ) ( ) ( )

Statystyka. Katarzyna Chudy Laskowska

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

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

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ

Regresja REGRESJA

Testowanie hipotez statystycznych

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

Statystyka Matematyczna Anna Janicka

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

65120/ / / /200

System finansowy gospodarki

AKADEMIA MORSKA W SZCZECINIE

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

STATYSTYKA MATEMATYCZNA

Materiały do wykładu 7 ze Statystyki

Transkrypt:

Stasław Cchock Natala Nehreecka Zajęca 7-8

. Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja efektywość estymatora : twerdzee Gaussa-Markowa 4. Estymator waracj łędu losowego

Krok. Stawamy hpotezę zerową H0: Brak podstaw do odrzucea tej hpotezy ozacza że zmee są łącze estote powy zostać usuęte z modelu. Model ez ograczeń Model z ograczeam 0 0 : 3 0 H K K y 3 3 3 K K y 3 3 K K y 4 4

Krok. Przy założeu że postawoa hpoteza zerowa jest prawdzwa wyzaczamy statystykę testową z rozkładu F: F e e R R ee / ee / K g R RR g R / K Gdze: R² e e ozaczają współczyk determacj sumę kwadratów reszt dla modelu ez ograczeń R R e R e R to te sama welkośc ale dla modelu z ograczeam g ozacza lczę ograczeń K lość szacowaych parametrów w modelu ez ograczeń lcza oserwacj

Krok 3. Odczytujemy z talc rozkładu F wartość krytycza α - pozom stotośc F* F g K

Krok 4. Podjęce decyzj Dystryuata rozkładu F-Sedecora ff 0 F* F F F * - odrzucamy hpotezę zerowa zmee są łącze stote. F < F * - e ma podstaw do odrzucea hpotezy zerowej zmee są łącze estote.

. Zwązek pomędzy zmeą zależą a zmeym ezależym opsay jest rówaem: y 3 3 3 K K... 3. Zmee ojaśające są elosowe dla K 3. Wartość oczekwaa łędu losowego jest rówa zeru: E 0 3 4. Zaurzea losowe ε są sferycze. Ozacza to że warukowa macerz waracj-kowaracj wektora zaurzeń przy daej macerzy X ma postać: I gdze I ozacza macerz jedostkową.

Założee sferyczośc zaurzeń ozacza: po perwsze że waracje kolejych zaurzeń elemety a dagoalej są take same dla wszystkch oserwacj rówe gdze jest ezaą dodatą stałą; po druge że elemety pozadagoale które są kowaracjam zaurzeń dla różych oserwacj są rówe zero a węc zaurzea dla różych oserwacj są ze soą eskorelowae. I 0 0 0 0 0 0

Stałość waracj zaurzeń azywamy homoskedastyczoścą zaurzeń. Ozacza to że zaurzea losowe są jedakowo rozproszoe wokół zerowej wartośc oczekwaej. Jeśl waracje e yłyy jedakowe to sytuację taką azywamy heteroskedastyczoścą. y Rys.. Heteroskedastyczość

Reszty Ozacza to że zaurzea losowe są jedakowo rozproszoe wokół zerowej wartośc oczekwaej. Reszty 0 0 Homoskedastyczość: reszty zachowują sę losowo. Heteroskedastyczość: Waracja reszt zmea sę wraz ze zmaą zmeej ezależej X.

Przypadek zerowych kowaracj dla różych zaurzeń losowych oraz azywamy rakem autokorelacj zaurzeń. Ozacza to że zaurzea losowe dla różych oserwacj są ezależe a przez to eskorelowae a węc e mają tedecj do gromadzea sę p. wokół dodatch lu ujemych lu aprzemee dodatch ujemych wartośc. y j Rys.. Autokorelacja

Y ~ N 0 I Reszty mają rozkład ormaly z wartoścą oczekwaą zajdującą sę a l regresj. X

W klasyczym modelu regresj lowej ajlepszym lowym eocążoym estymatorem wektora parametrów jest wyzaczoe za pomocą MNK o macerzy waracj-kowaracj X X X y X X

. Estymator jest estymatorem lowym gdyż jest lową fukcją zmeej losowej y.. jest estymatorem eocążoym to zaczy. E XX Xy y X podstawając za y otrzymamy: XX Xy XX X X XX X E E XX X XX XE XX X0 3. Estymator jest estymatorem ajlepszym w tym sese że każdy y estymator lowy eocążoy ma macerz waracj-kowaracj wększą od tej dla. Estymator tak azywamy estymatorem efektywym.

{ Estymator eocążoy Ocążee Estymator ocążoy

Efektywość Estymator jest efektywym jeśl ma ajższą warację odchylee stadardowe. Estymator efektywy Estymator eefektywy

Poeważ zaurzea losowe są ezae to ezaa jest ch waracja. Wektor reszt e w wyzaczoy z próy traktujemy jako wektor estymatorów zaurzeń losowych. Isteje węc przesłaka dla wyzaczea estymatora waracj a podstawe wektora reszt e. W teor ekoometr dowodz sę twerdzee że s ˆ e K ee K

s s N e K

Stadardowy łąd szacuku parametru β mów o le jedostek wartość róż sę od ezaej welkośc parametru β. K K se X X

. Jak testujemy hpotezę o estotośc określoego podzoru regresorów?. Proszę wymeć założea klasyczego modelu regresj lowej. 3. Proszę sformułować twerdzee Gaussa-Markowa je zterpretować. 4. Co to jest łąd stadardowy estymatora? Proszę podać wzór dla przypadku regresj welu zmeych go zterpretować.

Dzękuję za uwagę