FORMULAS FOR STATISTICS 1
|
|
- ŌΣίμων Κυπραίος
- 5 χρόνια πριν
- Προβολές:
Transcript
1 FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X) = µ, var(x) = σ2 n, E(S 2 ) = σ 2 Sample statistics for normal distribution Z = X µ σ/ n T = X µ S/ n N(0, 1) t with n 1 degrees of freedom V = (n 1)S2 σ 2 = (X i X) 2 σ 2 χ 2 with n 1 degrees of freedom Z = (X 1 X 2 ) (µ 1 µ 2 ) σ 2 1 /n 1 + σ 2 2/n 2 N(0, 1) T = (X 1 X 2 ) (µ 1 µ 2 ) S p 1/n1 + 1/n 2 t with n 1 + n 2 2 degrees of freedom, where S 2 p = (n 1 1)S (n 2 1)S 2 2 n 1 + n 2 2 W = (X 1 X 2 ) (µ 1 µ 2 ) S 2 1 /n 1 + S 2 2/n 2 t with assuming σ 1 = σ 2 (a 1 + a 2 ) 2 a 2 1/(n 1 1) + a 2 2/(n 2 1) degrees of freedom, where a 1 = s2 1 n 1 and a 2 = s2 2 n 2 (Welch Satterthwaite approximation) F = S2 1/σ 2 1 S 2 2/σ 2 2 F with n 1 1 and n 2 1 degrees of freedom i
2 Point estimation Parameter θ Estimate ˆθ Estimator ˆΘ µ ˆµ = x X σ 2 σ 2 = s 2 S 2 m ˆm = q(0.5) Q(0.5) Interval estimation of expectation Z = X µ σ/ n : x ± z σ α/2 n T = X µ S/ n : x ± t s α/2 n (with n 1 degrees of freedom) Z = (X 1 X 2 ) (µ 1 µ 2 ) σ1 2 : (x 1 x 2 ) ± z α/2 + σ2 2 σ 2 1 /n 1 + σ2/n 2 2 n 1 n 2 T = (X 1 X 2 ) (µ 1 µ 2 ) 1 : (x 1 x 2 ) ± t α/2 s p + 1 S p 1/n1 + 1/n 2 n 1 n 2 (with n 1 + n 2 2 degrees of freedom) W = (X 1 X 2 ) (µ 1 µ 2 ) s 2 1 : (x 1 x 2 ) ± t α/2 + s2 2 (Welch Satterthwaite) S 2 1 /n 1 + S2/n 2 2 n 1 (with = (a 1 + a 2 ) 2 a 2 1/(n 1 1) + a 2 2/(n 2 1) degrees of freedom, where a 1 = s2 1 n 1 and a 2 = s2 2 n 2 ) n 2 Estimation of proportion for the binomial distribution ( ) n P(X = x) = p x (1 p) n x x E(X) = np, var(x) = np(1 p) ˆp = x n i=x ( ) n ˆp i i L(1 ˆp L ) n i = α 2, x i=0 ( ) n ˆp i i U(1 ˆp U ) n i = α 2 V = F = S2 1/σ 2 1 S 2 2/σ 2 2 (n 1)S2 σ 2 : : s 2 1 s 2 2 Interval estimation of variance (n 1)s 2 h 2,α/2 and 1 f 2,α/2 and s2 1 s f 1,α/2 (n 1)s2 h 1,α/2 (with n 1 degrees of freedom) (with n 1 1 and n 2 1 degrees of freedom) ii
3 Testing expectations z = x µ 0 σ/ n and H 0 : µ = µ 0 : H 1 Critical region P-probability µ > µ 0 z z α 1 Φ(z) µ < µ 0 z z α Φ(z) µ µ 0 z z α/2 2 min ( Φ(z), 1 Φ(z) ) Φ is the standard normal cumulative distribution function. t = x µ 0 s/ n and H 0 : µ = µ 0 : H 1 Critical region P-probability µ > µ 0 t t α 1 F (t) µ < µ 0 t t α F (t) µ µ 0 t t α/2 2 min ( F (t), 1 F (t) ) F is the cumulative t-distribution function with n 1 degrees of freedom. z = x 1 x 2 d 0 and H 0 : µ 1 µ 2 = d 0 : σ 2 1 /n 1 + σ2/n 2 2 H 1 Critical region P-probability µ 1 µ 2 > d 0 z z α 1 Φ(z) µ 1 µ 2 < d 0 z z α Φ(z) µ 1 µ 2 d 0 z z α/2 2 min ( Φ(z), 1 Φ(z) ) Φ is the standard normal cumulative distribution function. t = x 1 x 2 d 0, where s 2 p = (n 1 1)s (n 2 1)s 2 2, and H 0 : µ 1 µ 2 = d 0 : s p 1/n1 + 1/n 2 n 1 + n 2 2 H 1 Critical region P-probability µ 1 µ 2 > d 0 t t α 1 F (t) µ 1 µ 2 < d 0 t t α F (t) µ 1 µ 2 d 0 t t α/2 2 min ( F (t), 1 F (t) ) F is the cumulative t-distribution function with n 1 + n 2 2 degrees of freedom. t = x 1 x 2 d 0 and H 0 : µ 1 µ 2 = d 0 (Welch Satterthwaite) : s 2 1 /n 1 + s 2 2/n 2 H 1 Critical region P-probability µ 1 µ 2 > d 0 t t α 1 F (t) µ 1 µ 2 < d 0 t t α F (t) µ 1 µ 2 d 0 t t α/2 2 min ( F (t), 1 F (t) ) F is approximatively the cumulative t-distribution function with (a 1 + a 2 ) 2 a 2 1/(n 1 1) + a 2 2/(n 2 1) degrees of freedom, where a 1 = s2 1 and a 2 = s2 2. n 1 n 2 iii
4 v = Testing variances (n 1)s2 σ 2 0 and H 0 : σ 2 = σ 2 0 : H 1 Critical region P-probability σ 2 > σ0 2 v h 2,α 1 F (v) σ 2 < σ0 2 v h 1,α F (v) σ 2 σ0 2 v h 1,α/2 or v h 2,α/2 2 min ( F (v), 1 F (v) ) F is the cumulative χ 2 -distribution function with n 1 degrees of freedom. f = 1 k s 2 1 s 2 2 and H 0 : σ 2 1 = kσ 2 2 : H 1 Critical region P-probability σ1 2 > kσ2 2 f f 2,α 1 G(f) σ1 2 < kσ2 2 f f 1,α G(f) σ1 2 kσ2 2 f f 1,α/2 tai f f 2,α/2 2 min ( G(f), 1 G(f) ) G is the cumulative F-distribution function with n 1 1 and n 2 1 degrees of freedom. Goodness-of-fit test H o : P(T 1 ) = p 1,..., P(T k ) = p k H = k (F i np i ) 2 np i χ 2 with k 1 degrees of freedom Independence test. Contingence tables P(T 1 ) = p 1,..., P(T k ) = p k and P(S 1 ) = q 1,..., P(S l ) = q l P(T i S j ) = p i,j (i = 1,..., k and j = 1,..., l) H 0 : p i,j = p i q j (i = 1,..., k and j = 1,..., l) H = k l (F i,j F i G j /n) 2 j=1 F i G j /n χ 2 with (k 1)(l 1) degrees of freedom Contingence table: S 1 S 2 S l Σ T 1 f 1,1 f 1,2 f 1,l f 1 T 2 f 2,1 f 2,2 f 2,l f T k f k,1 f k,2 f k,l f k Σ g 1 g 2 g l n iv
5 Maximum likelihood estimation L(θ 1,..., θ m ; x 1,..., x n ) = f(x 1 ; θ 1,..., θ m ) f(x n ; θ 1,..., θ m ) l(θ 1,..., θ m ; x 1,..., x n ) = ln f(x 1 ; θ 1,..., θ m ) + + ln f(x n ; θ 1,..., θ m ) (ˆθ 1,..., ˆθ m ) = argmax L(θ 1,..., θ m ; x 1,..., x n ) or θ 1,...,θ m (ˆθ 1,..., ˆθ m ) = argmax θ 1,...,θ m l(θ 1,..., θ m ; x 1,..., x n ) Model: Data: Linear regression y = β 0 + β 1 x β k x k + ɛ x 1 x 2 x k y x 1,1 x 1,2 x 1,k y 1 x 2,1 x 2,2 x 2,k y x n,1 x n,2 x n,k y n 1 x 1,1 x 1,2 x 1,k y 1 ɛ 1 β 0 1 x 2,1 x 2,2 x 2,k X = , y = y 2., ɛ = ɛ 2., β = β 1. 1 x n,1 x n,2 x n,k y n Data model: y = Xβ + ɛ. ɛ n β k ˆβ = b = (X T X) 1 X T y = β + (X T X) 1 X T ɛ C = (c ij ) = (X T X) 1 H = XCX T (hat matrix) P = I n H E(b i ) = β i, var(b i ) = c ii σ 2 and cov(b i, b j ) = c ij σ 2 σ 2 = ŷ = Xb e = y ŷ = Py = Pɛ SSE = e 2 = e 2 i = (y i ŷ i ) 2 SSE n k 1 = MSE, MSE = RMSE v
6 SST = (y i y) 2, SSR = (ŷ i y) 2 SST = SSE + SSR MST = SST n 1, MSR = SSR k ANOVA-table: Source of variation Degrees of freedom Sums of squares Mean squares F Regression Residual Total variation k n k 1 n 1 SSR SSE SST MSR σ 2 = MSE (MST) F = MSR MSE H 0 : β 1 = = β k = 0 : F = MSR MSE F with k and n k 1 degrees of freedom H 0 : β i = β 0,i ; T i = b i β 0,i RMSE c ii t with n k 1 degrees of freedom R 2 = SSR SST = 1 SSE SST Radj 2 = 1 MSE MST = 1 n 1 n k 1 Categorical regressors: z i z i,1 z i,2 z i,mi 1 A i, A i, A i,mi A i,mi SSE SST, y = β 0 + β 1 x β k x k + l (β i,1 z i,1 + + β i,mi 1z i,mi 1) + ɛ Logistical regression P(y = A) = e β 0 β 1 x 1 β k x k L(β 0,..., β k ) = L 1 (β 0,..., β k ) L n (β 0,..., β k ), where 1 p i = 1 + e β 0 β 1 x i,1 β k x i,k, if y i = A L i (β 0,..., β k ) = 1 p i = e β 0 β 1 x i,1 β k x i,k 1 + e β 0 β 1 x i,1 β k x i,k, if y i = B vi
7 (b 0, b 1,..., b k ) = argmax β 0,β 1...,β k L(β 0, β 1,..., β k ) ˆp 0 = e b 0 b 1 x 0,1 b k x 0,k. H = 12 n(n + 1) k j=1 Kruskal Wallis-test H 0 : µ 1 = = µ k W 2 j n j 3(n + 1) χ 2 with k 1 degrees of freedom Spearman rank correlation coefficient Samples: x 1,1,...,x 1,n and x 2,1,...,x 2,n Sequence numbers: r 1,1,...,r 1,n and r 2,1,...,r 2,n r S = r S = 1 (r 1,i r)(r 2,i r) (r 1,i r) 2 6 n(n 2 1) (r 2,i r) 2, where r = d 2 i, where d i = r 1,i r 2,i n (Assuming there are no duplicate numbers in the samples!) vii
8 Standard normal distribution Quantiles of the standard normal distribution z viii
9 χ 2 -distribution Quantiles of the chi-square distribution (left tail) d.o.f Quantile (left tail) E This table was produced using APL programs written by William Knight. ix
10 t-distribution Quantiles of the t-distribution (right tail) (both tails) D e g r e e s o f f r e e d o m (both tails) (right tail) This table was calculated by APL programs written by William Knight. x
11 F-distribution Right tail quantiles f 2, for F-distribution for = 0.05, 0.025, 0.01 and degrees of freedom v 1 and v 2. The inverses are the left tail quantiles f 1, for the same :s, and degrees of freedom v 2 and v 1. v 2 v 1 v 2 xi
12 Signed-rank test Critical Values of the Wilcoxon Signed Ranks Test n Two-Tailed Test One-Tailed Test! =.05! =.01! =.05! = xii
13 Mann Whitney-testi Critical Values of the Wilcoxon Ranked-Sums Test (Two-Tailed Testing) n! m Note: n is the number of scores in the group with the smallest sum of ranks; m is the number of scores in the other group. xiii
14 Two-sided tolerance interval table The table gives the coefficient k for a two-sided tolerance interval. k: γ = 0.1 γ = 0.05 γ = 0.01 n α = 0.1 α = 0.05 α = 0.01 α = 0.1 α = 0.05 α = 0.01 α = 0.1 α = 0.05 α = xiv
15 One-sided tolerance interval table The table gives the coefficient k for a one-sided tolerance interval. k: γ = 0.1 γ = 0.05 γ = 0.01 n α = 0.1 α = 0.05 α = 0.01 α = 0.1 α = 0.05 α = 0.01 α = 0.1 α = 0.05 α = xv
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Διαβάστε περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραBiostatistics for Health Sciences Review Sheet
Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................
Διαβάστε περισσότεραAquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET
Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical
Διαβάστε περισσότεραΕπιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata
One-way ANOVA µε το SPSS Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata To call in a statistician after the experiment is
Διαβάστε περισσότεραχ 2 test ανεξαρτησίας
χ 2 test ανεξαρτησίας Καθηγητής Ι. Κ. ΔΗΜΗΤΡΙΟΥ demetri@econ.uoa.gr 7.2 Το χ 2 Τεστ Ανεξαρτησίας Tο χ 2 τεστ ανεξαρτησίας (όπως και η παλινδρόμηση) είναι στατιστικά εργαλεία για τον εντοπισμό σχέσεων μεταξύ
Διαβάστε περισσότεραTable A.1 Random numbers (section 1)
A Tables Table Contents Page A.1 Random numbers 696 A.2 Orthogonal polynomial trend contrast coefficients 702 A.3 Standard normal distribution 703 A.4 Student s t-distribution 704 A.5 Chi-squared distribution
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ ΤΟ PASW ΜΕ ΜΙΑ ΜΑΤΙΑ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ: Η ΜΕΣΗ ΤΙΜΗ ΚΑΙ Η ΔΙΑΜΕΣΟΣ... 29
ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ... 1 Μεταβλητές...5 Πληθυσμός, δείγμα...7 Το ευρύτερο γραμμικό μοντέλο...8 Αναφορές στη βιβλιογραφία... 11 2 ΤΟ PASW ΜΕ ΜΙΑ ΜΑΤΙΑ... 13 Περίληψη... 13 Εισαγωγή... 13 Με μια ματιά...
Διαβάστε περισσότεραTABLES AND FORMULAS FOR MOORE Basic Practice of Statistics
TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Exploring Data: Distributions Look for overall pattern (shape, center, spread) and deviations (outliers). Mean (use a calculator): x = x 1 + x
Διαβάστε περισσότερα794 Appendix A:Tables
Appendix A Tables A Table Contents Page A.1 Random numbers 794 A.2 Orthogonal polynomial trend contrast coefficients 800 A.3 Standard normal distribution 801 A.4 Student s t-distribution 802 A.5 Chi-squared
Διαβάστε περισσότεραExercise 2: The form of the generalized likelihood ratio
Stats 2 Winter 28 Homework 9: Solutions Due Friday, March 6 Exercise 2: The form of the generalized likelihood ratio We want to test H : θ Θ against H : θ Θ, and compare the two following rules of rejection:
Διαβάστε περισσότεραο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x
η &, ε ε 007!# # # ι, ι, η ιι ι ι ι ι η (.. ι, η ι η, ι & ι!ι η 50, ι ηιη 000 ι, ι, ',!,! )!η. (, ηι, ι ι ι ι "!η. #, ι "ι!η ι, ηι, ι ι ι η. ι, ι ι, ' ι ι ι η ι ι ι ι # ι ι ι ι ι 7. ο),,),--,ο< $ι ιι!η
Διαβάστε περισσότεραPENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI
155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia
Διαβάστε περισσότεραSupplementary Appendix
Supplementary Appendix Measuring crisis risk using conditional copulas: An empirical analysis of the 2008 shipping crisis Sebastian Opitz, Henry Seidel and Alexander Szimayer Model specification Table
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
Διαβάστε περισσότεραQueensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
Διαβάστε περισσότεραStatistical Inference
Statistical Inference ANOVA - Nonparametric Statistics Sonia Malefaki Department of Mechanical Engineering & Aeronautics University of Patras, Greece. : 2610 997673, : smalefaki@upatras.gr March 14, 2017
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 1 ο ΒΑΣΙΚΕΣ ΤΕΧΝΙΚΕΣ ΔΕΙΓΜΑΤΟΛΗΨΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΩΝ ΜΕ ΧΡΗΣΗ ΕΛΕΓΧΩΝ (STUDENT S T).. 21
Πίνακας Περιεχομένων Πρόλογος... 17 ΚΕΦΑΛΑΙΟ 1 ο ΒΑΣΙΚΕΣ ΤΕΧΝΙΚΕΣ ΔΕΙΓΜΑΤΟΛΗΨΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΩΝ ΜΕ ΧΡΗΣΗ ΕΛΕΓΧΩΝ (STUDENT S T).. 21 (Basic Sampling Techniques and Questionnaire Analysis using
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο ανεξάρτητα δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,..., Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ )
Διαβάστε περισσότεραΓια να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.
A. ΈΛΕΓΧΟΣ ΚΑΝΟΝΙΚΟΤΗΤΑΣ A 1. Έλεγχος κανονικότητας Kolmogorov-Smirnov. Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov. Μηδενική υπόθεση:
Διαβάστε περισσότεραη πιθανότητα επιτυχίας. Επομένως, η συνάρτηση πιθανοφάνειας είναι ίση με: ( ) 32 = p 18 1 p
ΑΣΚΗΣΗ 1 ΣΕΜΦΕ 14-15 i. Έστω yi ο αριθμός των προσπαθειών κάθε μαθητή μέχρι να πετύχει τρίποντο. Ο αριθμός των προσπαθειών πριν ο μαθητής να πετύχει τρίποντο θα είναι xi = yi - 1, i = 1,,18. 2 2 3 2 1
Διαβάστε περισσότερα519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008
.. ( ) 2008 519.22(07.07) 78 : ( ) /.. ;. : -, 2008. 38 c. ( ) STATISTICA.,. STATISTICA.,. 519.22(07.07),.., 2008.., 2008., 2008 2 ... 4 1...5...5 2...14...14 3...27...27 3 ,, -. " ", :,,,... STATISTICA.,,,.
Διαβάστε περισσότερα+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, 6-5-0 Άσκηση 8. Δίνονται οι παρακάτω 0 παρατηρήσεις (πίνακας Α) με βάση τις οποίες θέλουμε να δημιουργήσουμε ένα γραμμικό μοντέλο για την πρόβλεψη της Υ μέσω των ανεξάρτητων μεταβλητών
Διαβάστε περισσότερα1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά
1. Ιστόγραμμα Δεδομένα από το αρχείο Data_for_SPSS.xls Αλλαγή σε Variable View (Κάτω αριστερά) και μετονομασία της μεταβλητής σε NormData, Type: numeric και Measure: scale Αλλαγή πάλι σε Data View. Graphs
Διαβάστε περισσότερα5.4 The Poisson Distribution.
The worst thing you can do about a situation is nothing. Sr. O Shea Jackson 5.4 The Poisson Distribution. Description of the Poisson Distribution Discrete probability distribution. The random variable
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραEstimation for ARMA Processes with Stable Noise. Matt Calder & Richard A. Davis Colorado State University
Estimation for ARMA Processes with Stable Noise Matt Calder & Richard A. Davis Colorado State University rdavis@stat.colostate.edu 1 ARMA processes with stable noise Review of M-estimation Examples of
Διαβάστε περισσότεραΈλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο εξαρτημένων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Wilcoxon test) Σε ορισμένες περιπτώσεις απαιτείται ο έλεγχος της ύπαρξης στατιστικά
Διαβάστε περισσότεραOther Test Constructions: Likelihood Ratio & Bayes Tests
Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :
Διαβάστε περισσότεραProbability and Random Processes (Part II)
Probability and Random Processes (Part II) 1. If the variance σ x of d(n) = x(n) x(n 1) is one-tenth the variance σ x of a stationary zero-mean discrete-time signal x(n), then the normalized autocorrelation
Διαβάστε περισσότεραST5224: Advanced Statistical Theory II
ST5224: Advanced Statistical Theory II 2014/2015: Semester II Tutorial 7 1. Let X be a sample from a population P and consider testing hypotheses H 0 : P = P 0 versus H 1 : P = P 1, where P j is a known
Διαβάστε περισσότεραHW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1)
HW 3 Solutions a) I use the autoarima R function to search over models using AIC and decide on an ARMA3,) b) I compare the ARMA3,) to ARMA,0) ARMA3,) does better in all three criteria c) The plot of the
Διαβάστε περισσότεραΜαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο
Κατανομές Στατιστικών Συναρτήσεων Δύο δείγματα από κανονική κατανομή Έστω Χ= ( Χ, Χ,..., Χ ) τ.δ. από Ν( µ, σ ) μεγέθους n και 1 n 1 1 Y = (Y, Y,...,Y ) τ.δ. από Ν( µ, σ ) 1 n 1 Χ Y ( µ µ ) S σ Τ ( Χ,Y)
Διαβάστε περισσότεραAreas and Lengths in Polar Coordinates
Kiryl Tsishchanka Areas and Lengths in Polar Coordinates In this section we develop the formula for the area of a region whose boundary is given by a polar equation. We need to use the formula for the
Διαβάστε περισσότεραSolution Series 9. i=1 x i and i=1 x i.
Lecturer: Prof. Dr. Mete SONER Coordinator: Yilin WANG Solution Series 9 Q1. Let α, β >, the p.d.f. of a beta distribution with parameters α and β is { Γ(α+β) Γ(α)Γ(β) f(x α, β) xα 1 (1 x) β 1 for < x
Διαβάστε περισσότεραΆσκηση 10, σελ. 119. Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F
Άσκηση 0, σελ. 9 από το βιβλίο «Μοντέλα Αξιοπιστίας και Επιβίωσης» της Χ. Καρώνη (i) Αρχικά, εισάγουμε τα δεδομένα στο minitab δημιουργώντας δύο μεταβλητές: τη x για τον άτυπο όγκο και την y για τον τυπικό
Διαβάστε περισσότεραΥπολογιστική Φυσική Στοιχειωδών Σωματιδίων
Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων Όρια Πιστότητας (Confidence Limits) 2/4/2014 Υπολογ.Φυσική ΣΣ 1 Τα όρια πιστότητας -Confidence Limits (CL) Tα όρια πιστότητας μιας μέτρησης Μπορεί να αναφέρονται
Διαβάστε περισσότερα6.3 Forecasting ARMA processes
122 CHAPTER 6. ARMA MODELS 6.3 Forecasting ARMA processes The purpose of forecasting is to predict future values of a TS based on the data collected to the present. In this section we will discuss a linear
Διαβάστε περισσότεραΓενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση
Γενικευμένα Γραμμικά Μοντέλα (GLM) Επισκόπηση Γενική μορφή g( E[ Y X ]) Xb Κατανομή της Υ στην εκθετική οικογένεια Ανεξάρτητες παρατηρήσεις Ενας όρος για το σφάλμα g(.) Συνδετική συνάρτηση (link function)
Διαβάστε περισσότερα6. MAXIMUM LIKELIHOOD ESTIMATION
6 MAXIMUM LIKELIHOOD ESIMAION [1] Maximum Likelihood Estimator (1) Cases in which θ (unknown parameter) is scalar Notational Clarification: From now on, we denote the true value of θ as θ o hen, view θ
Διαβάστε περισσότεραSOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM
SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr T t N n) Pr max X 1,..., X N ) t N n) Pr max
Διαβάστε περισσότεραSOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM
SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr (T t N n) Pr (max (X 1,..., X N ) t N n) Pr (max
Διαβάστε περισσότεραJesse Maassen and Mark Lundstrom Purdue University November 25, 2013
Notes on Average Scattering imes and Hall Factors Jesse Maassen and Mar Lundstrom Purdue University November 5, 13 I. Introduction 1 II. Solution of the BE 1 III. Exercises: Woring out average scattering
Διαβάστε περισσότεραEE512: Error Control Coding
EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3
Διαβάστε περισσότεραAreas and Lengths in Polar Coordinates
Kiryl Tsishchanka Areas and Lengths in Polar Coordinates In this section we develop the formula for the area of a region whose boundary is given by a polar equation. We need to use the formula for the
Διαβάστε περισσότεραChapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment
Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...
Διαβάστε περισσότεραGaussian related distributions
Gaussian related distributions Santiago Aja-Fernández June 19, 009 1 Gaussian related distributions 1. Gaussian: ormal PDF: MGF: Main moments:. Rayleigh: PDF: MGF: Raw moments: Main moments: px = 1 σ π
Διαβάστε περισσότεραΑν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.
ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει
Διαβάστε περισσότεραη π 2 /3 χ 2 χ 2 t k Y 0/0, 0/1,..., 3/3 π 1, π 2,..., π k k k 1 β ij Y I i = 1,..., I p (X i = x i1,..., x ip ) Y i J (j = 1,..., J) x i Y i = j π j (x i ) x i π j (x i ) x (n 1 (x),..., n J (x))
Διαβάστε περισσότεραΔείγμα πριν τις διορθώσεις
Εισαγωγή Α ΜΕΡΟΣ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ 1 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Εισαγωγή 1.1.1 Περιγραφική Στατιστική (Descriptive Statistics) 1.1.2 Επαγωγική ή Αναλυτική Στατιστική (Inferential or Αnalytical Statistics)
Διαβάστε περισσότεραLecture 7: Overdispersion in Poisson regression
Lecture 7: Overdispersion in Poisson regression Claudia Czado TU München c (Claudia Czado, TU Munich) ZFS/IMS Göttingen 2004 0 Overview Introduction Modeling overdispersion through mixing Score test for
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότεραDEMOCRITUS UNIVERISTY OF THRACE Dept. of Physical Education and Sport Sciences Doctoral Program of Study COURSE OUTLINE
DEMOCRITUS UNIVERISTY OF THRACE Dept. of Physical Education and Sport Sciences Doctoral Program of Study COURSE OUTLINE 1. COURSE TITLE: Advanced Statistics 2. COURSE COORDINATOR/ LECTURER: Mavrommatis
Διαβάστε περισσότεραΜηχανική Μάθηση Hypothesis Testing
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Μηχανική Μάθηση Hypothesis Testing Γιώργος Μπορμπουδάκης Τμήμα Επιστήμης Υπολογιστών Procedure 1. Form the null (H 0 ) and alternative (H 1 ) hypothesis 2. Consider
Διαβάστε περισσότεραAn Inventory of Continuous Distributions
Appendi A An Inventory of Continuous Distributions A.1 Introduction The incomplete gamma function is given by Also, define Γ(α; ) = 1 with = G(α; ) = Z 0 Z 0 Z t α 1 e t dt, α > 0, >0 t α 1 e t dt, α >
Διαβάστε περισσότεραCHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS
CHAPTER 5 SOLVING EQUATIONS BY ITERATIVE METHODS EXERCISE 104 Page 8 1. Find the positive root of the equation x + 3x 5 = 0, correct to 3 significant figures, using the method of bisection. Let f(x) =
Διαβάστε περισσότεραList MF20. List of Formulae and Statistical Tables. Cambridge Pre-U Mathematics (9794) and Further Mathematics (9795)
List MF0 List of Formulae and Statistical Tables Cambridge Pre-U Mathematics (979) and Further Mathematics (979) For use from 07 in all aers for the above syllabuses. CST7 Mensuration Surface area of shere
Διαβάστε περισσότεραAnti-Final CS/SE 3341 SOLUTIONS
CS/SE 3341 SOLUTIONS Anti-Final 1. Users call help desk every 15 minutes, on the average. There is one help desk specialist on duty, and her average service time is 9 minutes. Modeling the help desk as
Διαβάστε περισσότεραFormulas in Project Risk
Formulas in Project Risk Jørn Vatn Email: jorn.vatn@ntnu.no 2014-07-04 - Rev2 Some important formulas from the course compendium Project Risk Analysis are listed in this memo. For assumptions and limitations,
Διαβάστε περισσότεραΚλωνάρης Στάθης. ΠΜΣ: Οργάνωση & Διοίκηση Επιχειρήσεων Τροφίμων και Γεωργίας
Κλωνάρης Στάθης ΠΜΣ: Οργάνωση & Διοίκηση Επιχειρήσεων Τροφίμων και Γεωργίας Μέχρι τώρα ασχοληθήκαμε με τις τεχνικές εκτίμησης παραμέτρων για ένα πληθυσμό όπως: τον Μέσο µ και το ποσοστό p Θα συνεχίσουμε
Διαβάστε περισσότερα3.4 SUM AND DIFFERENCE FORMULAS. NOTE: cos(α+β) cos α + cos β cos(α-β) cos α -cos β
3.4 SUM AND DIFFERENCE FORMULAS Page Theorem cos(αβ cos α cos β -sin α cos(α-β cos α cos β sin α NOTE: cos(αβ cos α cos β cos(α-β cos α -cos β Proof of cos(α-β cos α cos β sin α Let s use a unit circle
Διαβάστε περισσότεραRepeated measures Επαναληπτικές μετρήσεις
ΠΡΟΒΛΗΜΑ Στο αρχείο δεδομένων diavitis.sav καταγράφεται η ποσότητα γλυκόζης στο αίμα 10 ασθενών στην αρχή της χορήγησης μιας θεραπείας, μετά από ένα μήνα και μετά από δύο μήνες. Μελετήστε την επίδραση
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, -- Άσκηση. Δίνονται τα παρακάτω δεδομένα 5 7 8 9 5 X 8 5 5 5 9 7 Y. 5.. 7..7.7.9.. 5.... 8.. α) Να γίνει το διάγραμμα διασποράς β) εξετάστε τα μοντέλα Υ = β + β Χ + ε, (linear),
Διαβάστε περισσότερα20/12/2016. Συνεχής Ασυνεχής
20/12/2016 ΣΤΑΤΙΣΤΙΚΗ : Παράσταση Περιγραφή δεδομένων Σύγκριση δεδομένων Εξαγωγή συμπερασμάτων Σχέση αιτίου - αιτιατού Με τις στατιστικές μεθόδους επιδιώκεται αφενός η συνοπτική αλλά εμπεριστατωμένη παρουσίαση
Διαβάστε περισσότεραΜη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2
Μη Παραμετρικοί Έλεγχοι & Η Δοκιμασία Χ 2. Μη Παραμετρικοί Έλεγχοι Παραμετρικοί είναι οι κλασικοί έλεγχοι υποθέσεων της Στατιστικής οι οποίοι διεξάγονται κάτω από κάποιες προϋποθέσεις για τις παραμέτρους
Διαβάστε περισσότεραLAMPIRAN. Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan. 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk.
LAMPIRAN Lampiran I Daftar sampel Perusahaan No. Kode Nama Perusahaan 1. AGRO PT Bank Rakyat Indonesia AgroniagaTbk. 2. BACA PT Bank Capital Indonesia Tbk. 3. BABP PT Bank MNC Internasional Tbk. 4. BBCA
Διαβάστε περισσότεραΣΥΣΧΕΤΙΣΗ & ΠΑΛΙΝΔΡΟΜΗΣΗ
ΣΥΣΧΕΤΙΣΗ & ΠΑΛΙΝΔΡΟΜΗΣΗ Για να προσδιορίσουμε την ύπαρξη σχέσης μεταξύ μεταβλητών, χρησιμοποιούμε την ανάλυση συσχέτισης. Για να προβλέψουμε την τιμή μιας μεταβλητής (εξαρτημένη μεταβλητή) με τη βοήθεια
Διαβάστε περισσότεραΆσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:
Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5
Διαβάστε περισσότεραIntroduction to the ML Estimation of ARMA processes
Introduction to the ML Estimation of ARMA processes Eduardo Rossi University of Pavia October 2013 Rossi ARMA Estimation Financial Econometrics - 2013 1 / 1 We consider the AR(p) model: Y t = c + φ 1 Y
Διαβάστε περισσότεραTable 1: Military Service: Models. Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed
Tables: Military Service Table 1: Military Service: Models Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 num unemployed mili mili num unemployed mili 0.489-0.014-0.044-0.044-1.469-2.026-2.026
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΤΑΤΙΣΤΙΚΗΣ 1 Παλινδρόµηση Έλεγχοι Υποθέσεων ΙI ΕΠΙΜΕΛΕΙΑ ΣΗΜEΙΩΣΕΩΝ: ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ ΗΜΗΤΡΙΟΥ ΒΑΣΙΛΕΙΟΣ
Διαβάστε περισσότεραΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο
ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ Παιεάο Δπζηξάηηνο ΑΘΗΝΑ 2014 1 ΠΔΡΙΔΥΟΜΔΝΑ 1) Δηζαγσγή 2) Πεξηγξαθηθή Αλάιπζε 3) ρέζεηο Μεηαβιεηώλ αλά 2 4) Πξνβιεπηηθά / Δξκελεπηηθά Μνληέια
Διαβάστε περισσότεραKey Formulas From Larson/Farber Elementary Statistics: Picturing the World, Second Edition 2002 Prentice Hall
64_INS.qxd /6/0 :56 AM Page Key Formulas From Larson/Farber Elemenary Saisics: Picuring he World, Second Ediion 00 Prenice Hall CHAPTER Class Widh = round up o nex convenien number Maximum daa enry - Minimum
Διαβάστε περισσότερα22 .5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation
Διαβάστε περισσότεραΑσκήσεις Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη. Διοίκηση των Επιχειρήσεων
Ασκήσεις Εξετάσεων Μεταπτυχιακό Πρόγραμμα Σπουδών στη Διοίκηση των Επιχειρήσεων ΑΣΚΗΣΗ 1: Έλεγχος για τη μέση τιμή ενός πληθυσμού Η αντικαπνιστική νομοθεσία υποχρεώνει τους καπνιστές που εργάζονται σε
Διαβάστε περισσότεραSummary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
Διαβάστε περισσότεραΑνάλυση ποσοτικών δεδομένων. ΕΡΓΑΣΤΗΡΙΟ 2 ΔΙΟΙΚΗΣΗ & ΚΟΙΝΩΝΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΣΤΗΝ ΤΟΞΙΚΟΕΞΆΡΤΗΣΗ Dr. Ρέμος Αρμάος
Ανάλυση ποσοτικών δεδομένων ΕΡΓΑΣΤΗΡΙΟ 2 ΔΙΟΙΚΗΣΗ & ΚΟΙΝΩΝΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΣΤΗΝ ΤΟΞΙΚΟΕΞΆΡΤΗΣΗ Dr. Ρέμος Αρμάος Εισαγωγή στη στατιστική Στατιστική: σύνολο αρχών και μεθοδολογιών που χρησιμοποιούνται για:
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 13. Συμπεράσματα για τη σύγκριση δύο πληθυσμών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Διαβάστε περισσότεραComputable error bounds for asymptotic expansions formulas of distributions related to gamma functions
Computable error bounds for asymptotic expansions formulas of distributions related to gamma functions Hirofumi Wakaki (Math. of Department, Hiroshima Univ.) 20.7. Hiroshima Statistical Group Meeting at
Διαβάστε περισσότεραLecture 34 Bootstrap confidence intervals
Lecture 34 Bootstrap confidence intervals Confidence Intervals θ: an unknown parameter of interest We want to find limits θ and θ such that Gt = P nˆθ θ t If G 1 1 α is known, then P θ θ = P θ θ = 1 α
Διαβάστε περισσότερατατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Λφση επαναληπτικής άσκησης Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το
Διαβάστε περισσότεραΜΗ ΠΑΡΑΜΕΤΡΙΚΕΣ ΣΥΓΚΡΙΣΕΙΣ
ΚΕΦΑΛΑΙΟ 16 ΜΗ ΠΑΡΑΜΕΤΡΙΚΕΣ ΣΥΓΚΡΙΣΕΙΣ Η ερευνητική πρακτική έχει δείξει ότι όταν υπάρχει σοβαρή παραβίαση (violation) της παραδοχής τής κανονικότητας (assumption of normality) ή και της παραδοχής τής
Διαβάστε περισσότεραΛυμένες Ασκήσεις για το μάθημα:
Λυμένες Ασκήσεις για το μάθημα: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ ΚΩΝΣΤΑΝΤΙΝΟΣ ΖΑΦΕΙΡΟΠΟΥΛΟΣ Τμήμα: ΔΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΣΠΟΥΔΩΝ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραHarold s Statistics Probability Density Functions Cheat Sheet 30 May PDF Selection Tree to Describe a Single Population
Harold s Statistics Probability Density Functions Cheat Sheet 30 May 2016 PDF Selection Tree to Describe a Single Population Qualitative Quantitative Copyright 2016 by Harold Toomey, WyzAnt Tutor 1 Discrete
Διαβάστε περισσότεραΈλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Mann Whitney U τεστ)
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ δύο ανεξάρτητων δειγμάτων, που δεν ακολουθούν την κανονική κατανομή (Mann Whitney U τεστ) Σε ορισμένες περιπτώσεις απαιτείται ο έλεγχος της ύπαρξης
Διαβάστε περισσότεραk A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +
Chapter 3. Fuzzy Arithmetic 3- Fuzzy arithmetic: ~Addition(+) and subtraction (-): Let A = [a and B = [b, b in R If x [a and y [b, b than x+y [a +b +b Symbolically,we write A(+)B = [a (+)[b, b = [a +b
Διαβάστε περισσότερα1. Hasil Pengukuran Kadar TNF-α. DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm
HASIL PENELITIAN 1. Hasil Pengukuran Kadar TNF-α DATA PENGAMATAN ABSORBANSI STANDAR TNF α PADA PANJANG GELOMBANG 450 nm NO KADAR ( pg/ml) ABSORBANSI 1. 0 0.055 2. 15.6 0.207 3. 31.5 0.368 4. 62.5 0.624
Διαβάστε περισσότεραΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ
A εξάμηνο 2009-2010 ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ Μεθοδολογία Έρευνας και Στατιστική ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Χειμερινό Εξάμηνο 2009-2010 Ποιοτικές και Ποσοτικές
Διαβάστε περισσότερα- International Scientific Electronic Journal, Issue 1, 2004 Department of Cultural Technology and Communication University of the Aegean
Μια έκθεση για τα αρχαία ελληνικά µαθηµατικά. Ανδροµάχη Γκαζή Περίληψη Το παρόν άρθρο εξετάζει τις πιο σηµαντικές παραµέτρους ανάπτυξης µιας έκθεσης για τα αρχαία ελληνικά µαθηµατικά και παρουσιάζει τα
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Αναλυτική στατιστική Σύγκριση ποιοτικών
Διαβάστε περισσότεραΣτατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο
Εαρινό εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων (ΓΓ04) ΑΝΤΩΝΙΟΣ ΧΡ. ΜΠΟΥΡΑΣ Εαρινό Εξάμηνο 2009-2010 Στατιστική και Θεωρία Πιθανοτήτων users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr
Διαβάστε περισσότερα( ) ( ) STAT 5031 Statistical Methods for Quality Improvement. Homework n = 8; x = 127 psi; σ = 2 psi (a) µ 0 = 125; α = 0.
STAT 531 Statistical Methods for Quality Improvement Homework 3 4.8 n = 8; x = 17 psi; σ = psi (a) µ = 15; α =.5 Test H : µ = 15 vs. H 1 : µ > 15. Reject H if Z > Z α. x µ 17 15 Z = = =.88 σ n 8 Z α =
Διαβάστε περισσότεραΔείγμα (μεγάλο) από οποιαδήποτε κατανομή
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)
Διαβάστε περισσότεραp n r.01.05.10.15.20.25.30.35.40.45.50.55.60.65.70.75.80.85.90.95
r r Table 4 Biomial Probability Distributio C, r p q This table shows the probability of r successes i idepedet trials, each with probability of success p. p r.01.05.10.15.0.5.30.35.40.45.50.55.60.65.70.75.80.85.90.95
Διαβάστε περισσότεραΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών
ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Εισαγωγή Οικονοµετρία (Econometrics) είναι ο τοµέας της Οικονοµικής επιστήµης που περιγράφει και αναλύει
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραAppendix A3. Table A3.1. General linear model results for RMSE under the unconditional model. Source DF SS Mean Square
Appendix A3 Table A3.1. General linear model results for RMSE under the unconditional model. Source DF SS F Value Pr > F Model 107 374.68 3.50 8573.07
Διαβάστε περισσότερα2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
Διαβάστε περισσότεραΠεριεχόμενα. Πρόλογος 17 ΚΕΦΑΛΑΙΟ 1 23
Περιεχόμενα Πρόλογος 17 Μέρος A ΚΕΦΑΛΑΙΟ 1 23 ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ 23 1.1 Εισαγωγή 23 1.1.1 Περιγραφική Στατιστική (Descriptive Statistics) 24 1.1.2 Επαγωγική ή Αναλυτική Στατιστική (Inferential or
Διαβάστε περισσότεραΘέματα Στατιστικής στη γλώσσα R
Θέματα Στατιστικής στη γλώσσα R Ποσότητες οδηγοί και τα ποσοστιαία σημεία των αντίστοιχων κατανομών Ν(0,1) Student s t X 2, F Διαστήματα εμπιστοσύνης-έλεγχοι Υποθέσεων ένα δείγμα για τη μέση τιμή κανονικής
Διαβάστε περισσότερα