Zadania do ćwiczeń z AP Statistics: zestaw na powtórkę

Statystyka opisowa: średnia to suma podzielona przez n; mediana to środkowa wartość uporządkowanych danych (średnia dwóch środkowych, gdy n jest parzyste). Odchylenie standardowe z próby to s = √(Σ(x − x̄)²/(n − 1)). Wynik z = (x − μ)/σ mówi, o ile odchyleń standardowych wartość leży od średniej.

Statystyka opisowa: średnia to suma podzielona przez n; mediana to środkowa wartość uporządkowanych danych (średnia dwóch środkowych, gdy n jest parzyste). Odchylenie standardowe z próby to s = √(Σ(x − x̄)²/(n − 1)). Wynik z = (x − μ)/σ mówi, o ile odchyleń standardowych wartość leży od średniej.

Dyskretne zmienne losowe: rozkład prawdopodobieństwa wymienia każdą wartość x, jaką może przyjąć zmienna, wraz z jej prawdopodobieństwem p(x); prawdopodobieństwa mieszczą się między 0 a 1 i sumują się do 1. Wartość oczekiwana (średnia) to E(X) = Σx·p(x), średnia w długim okresie. Wariancja to Var(X) = Σ(x − μ)²·p(x) = E(X²) − μ², a odchylenie standardowe σ = √Var(X). Dla zmiany liniowej Y = aX + b: E(Y) = a·E(X) + b, Var(Y) = a²·Var(X) i σ_Y = |a|·σ_X; dodanie stałej nie zmienia rozrzutu.

Prawdopodobieństwo: przy jednakowo prawdopodobnych wynikach P(A) = sprzyjające/wszystkie. Dla zdarzeń niezależnych mnożymy: P(A i B) = P(A)·P(B). Często pomaga zdarzenie przeciwne: P(co najmniej jedno) = 1 − P(żadne). Rozkład dwumianowy: w n niezależnych próbach z prawdopodobieństwem sukcesu p, P(X = k) = C(n, k)·pᵏ·(1 − p)ⁿ⁻ᵏ.

Sumy i różnice zmiennych normalnych: jeśli X i Y są niezależne i mają rozkład normalny, to X + Y i X − Y również mają rozkład normalny. Średnie dodają się lub odejmują: E(X ± Y) = μ_X ± μ_Y. Wariancje zawsze się dodają, także dla różnicy: Var(X ± Y) = σ_X² + σ_Y², więc σ = √(σ_X² + σ_Y²). Odchylenia standardowe nigdy nie dodają się bezpośrednio. Suma n niezależnych elementów o tym samym rozkładzie ma średnią n·μ i odchylenie standardowe σ·√n. Potem standaryzuj jak zwykle: z = (x − średnia)/σ i odczytaj Φ(z).

Sumy i różnice zmiennych normalnych: jeśli X i Y są niezależne i mają rozkład normalny, to X + Y i X − Y również mają rozkład normalny. Średnie dodają się lub odejmują: E(X ± Y) = μ_X ± μ_Y. Wariancje zawsze się dodają, także dla różnicy: Var(X ± Y) = σ_X² + σ_Y², więc σ = √(σ_X² + σ_Y²). Odchylenia standardowe nigdy nie dodają się bezpośrednio. Suma n niezależnych elementów o tym samym rozkładzie ma średnią n·μ i odchylenie standardowe σ·√n. Potem standaryzuj jak zwykle: z = (x − średnia)/σ i odczytaj Φ(z).

Regresja metodą najmniejszych kwadratów: przy średnich x̄ i ȳ oraz Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² i Sxy = Σ(x − x̄)(y − ȳ) prosta ŷ = a + b·x ma współczynnik kierunkowy b = Sxy/Sxx i wyraz wolny a = ȳ − b·x̄, więc zawsze przechodzi przez punkt (x̄, ȳ). Współczynnik korelacji Pearsona r = Sxy/√(Sxx·Syy) leży między −1 a 1; r² to część zmienności y wyjaśniona przez prostą.

Regresja metodą najmniejszych kwadratów: przy średnich x̄ i ȳ oraz Sxx = Σ(x − x̄)², Syy = Σ(y − ȳ)² i Sxy = Σ(x − x̄)(y − ȳ) prosta ŷ = a + b·x ma współczynnik kierunkowy b = Sxy/Sxx i wyraz wolny a = ȳ − b·x̄, więc zawsze przechodzi przez punkt (x̄, ȳ). Współczynnik korelacji Pearsona r = Sxy/√(Sxx·Syy) leży między −1 a 1; r² to część zmienności y wyjaśniona przez prostą.

Przedział ufności dla średniej: x̄ ± margines błędu. Przy znanym σ populacji margines wynosi z·σ/√n; gdy znasz tylko odchylenie standardowe z próby s, użyj t z n − 1 stopniami swobody: t·s/√n. Wartości krytyczne: z = 1,645 (90%), 1,96 (95%), 2,576 (99%). Aby uzyskać margines E lub mniejszy, potrzebujesz n ≥ (z·σ/E)², zaokrąglone w górę.

Interval for a difference: estimate ± critical value × standard error. For two independent means with known σ: SE = √(σ₁²/n₁ + σ₂²/n₂) and z. With equal unknown variances: pooled s_p and t with n₁ + n₂ − 2 degrees of freedom. For paired data, work with the differences: d̄ ± t·s_d/√n.

Hypothesis test: the test statistic = (estimate − value under H₀)/(standard error under H₀). The p-value is the probability, assuming H₀ is true, of a statistic at least as extreme as the one observed: the area in one tail for a one-sided H₁, twice the tail area for a two-sided H₁. Reject H₀ when p ≤ α.

Moc testu: moc = 1 − β to prawdopodobieństwo odrzucenia H₀, gdy jest ona fałszywa. Wyznacz próg x̄c z μ₀ i z_α, a potem oblicz prawdopodobieństwo znalezienia się poza x̄c przy prawdziwej średniej: z = (x̄c − μ)/(σ/√n).

Testy chi-kwadrat: porównaj liczebności obserwowane O z liczebnościami E oczekiwanymi przy H₀ za pomocą χ² = Σ(O − E)²/E. Test zgodności: E = n·p dla każdej kategorii, df = k − 1 (minus jeden za każdy parametr estymowany z danych). Niezależność w tabeli r × c: E = suma wiersza × suma kolumny / suma ogólna, df = (r − 1)(c − 1). Odrzuć H₀, gdy χ² przekracza wartość krytyczną dla wybranego α.

Testy chi-kwadrat: porównaj liczebności obserwowane O z liczebnościami E oczekiwanymi przy H₀ za pomocą χ² = Σ(O − E)²/E. Test zgodności: E = n·p dla każdej kategorii, df = k − 1 (minus jeden za każdy parametr estymowany z danych). Niezależność w tabeli r × c: E = suma wiersza × suma kolumny / suma ogólna, df = (r − 1)(c − 1). Odrzuć H₀, gdy χ² przekracza wartość krytyczną dla wybranego α.