Wzory, najważniejsze kroki metod dla każdego tematu i 10 zadań do ćwiczenia, z pełnymi rozwiązaniami na końcu.
Przeciągnij z tak, aby zacieniowane pole pod standardową krzywą normalną, na prawo od z, wynosiło 0,7995. Znajdź z z dokładnością do dwóch miejsc po przecinku.
Średnice otworów D mają rozkład normalny ze średnią 25,04 mm i odchyleniem standardowym 0,015 mm. Średnice wałów d są niezależne i mają rozkład normalny ze średnią 25 mm i odchyleniem standardowym 0,02 mm. Losowo wybrany wał pasuje, gdy D − d > 0. Wyznacz prawdopodobieństwo P, że pasuje. Zaokrąglij z do dwóch miejsc po przecinku.
Próba 30 elementów ma średnią 94,5 i odchylenie standardowe s = 2,5. Populacja ma w przybliżeniu rozkład normalny. Wyznacz margines błędu E przedziału ufności 90% dla średniej.
Odchylenie standardowe populacji wynosi 14. Jak liczna musi być próba n, aby przedział ufności 99% dla średniej miał margines błędu co najwyżej 2?
Twierdzi się, że średnia populacji wynosi 500; odchylenie standardowe populacji jest znane i wynosi 16. Losowa próba 64 obserwacji ma średnią 497,24. Przetestuj H₀: μ = 500 przeciw H₁: μ ≠ 500. Wyznacz wartość p p.
Jednostronny test z na poziomie α = 0,01 ma wykryć przesunięcie średniej o 2 jednostek z mocą 95 %. Odchylenie standardowe wynosi 13. Wyznacz minimalną liczebność próby n.
Tabela podaje 6 par obserwacji x = wydatki na reklamę w tys. € i y = sprzedaż w tys. €. Wyznacz współczynnik determinacji r² prostej najmniejszych kwadratów.
Tabela podaje 5 par obserwacji x = wiek samochodu w latach i y = cena w tys. €. Użyj prostej najmniejszych kwadratów ŷ = a + b·x. Wyznacz prognozę ŷ dla x = 2,5.
Tabela kontyngencji pokazuje liczebności obserwowane. W teście niezależności chi-kwadrat wyznacz liczebność oczekiwaną E dla komórki „pracownicy, samochód”.
Tabela pokazuje liczebności obserwowane. Sprawdź na poziomie α = 0,01, czy obie zmienne są niezależne (bez poprawki na ciągłość). Oblicz statystykę testową χ², a potem porównaj ją z wartością krytyczną z tabeli.
Odpowiedź: z = −0,84
Od pola z powrotem do z: Φ(z) to pole na lewo od z. Dla pola lewego ogona A znajdź w tablicy z, dla którego Φ(z) = A. Pole prawego ogona A oznacza Φ(z) = 1 − A. Pole środkowe A między −z a z zostawia (1 − A)/2 w każdym ogonie, więc Φ(z) = (1 + A)/2. Dla wartości x użyj x = μ + zσ.
Znajdź 0,2005 wewnątrz tablicy i odczytaj z.
Odpowiedź: P = 0,9452
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) = μX ± μY. Wariancje zawsze się dodają, także dla różnicy: Var(X ± Y) = σX² + σY², więc σ = √(σX² + σY²). 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).
Odpowiedź: E = 0,7755
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.
Odpowiedź: n = 326
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.
Liczebność próby jest liczbą całkowitą, a zaokrąglenie w dół dałoby za duży margines.
Odpowiedź: p = 0,1676
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.
p > 0,05, więc nie ma podstaw do odrzucenia H₀ na poziomie 5 %.
Odpowiedź: n = 667
Liczebność próby dla testu: aby wykryć prawdziwe przesunięcie δ z mocą 1 − β w jednostronnym teście z na poziomie α, błąd standardowy musi spełniać δ = (z_α + z_β)·σ/√n, więc n = ((z_α + z_β)·σ/δ)², zaokrąglone w górę.
Odpowiedź: r² = 0,9687
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.
Około 96,87% zmienności y jest wyjaśnione przez prostą.
Odpowiedź: ŷ = 26,05
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.
Odpowiedź: E = 18,41
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.
Odpowiedź: χ² = 31,71
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.
χ² jest większe od wartości krytycznej, więc H₀ zostaje odrzucona: zmienne wydają się powiązane.
ExamProblems · examproblems.com/courses/statistics-2-inference