WZORY SiEwFiR EGZAMIN

MIARY PRZECIĘTNE:

  • Średnia


$$\overset{\overline{}}{x} = \frac{\sum_{}^{}{x_{i}n_{i}}}{n} = \frac{\sum_{}^{}x_{i}}{n}$$

  • Mediana


$$2n + 1 \Rightarrow M = \frac{n + 1}{2};2n \Rightarrow \ M = \ \overset{\overline{}}{x} = \ \left\lbrack \frac{n}{2} + \left( \frac{n}{2} + 1 \right) \right\rbrack$$

  • Dominanta

  • Odchylenie standardowe


$$s = \sqrt{\frac{\sum_{}^{}{\left( x_{i} - \overset{\overline{}}{x} \right)^{2}n_{i}}}{n}}$$


$$s^{2} = \frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{2}n_{i}}{n} = \frac{\sum_{}^{}x_{i}^{2}n_{i}}{n} - \left( \overset{\overline{}}{x} \right)^{2} = \frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{2}}{n}$$

  • Współczynnik zmienności


$$V = \frac{s}{\overset{\overline{}}{x}}100\%$$

  • Współczynnik asymetrii


$$A_{s} = \frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{3}n_{i}}{ns^{3}} = \frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{3}}{ns^{3}}$$

  • Współczynnik skupienia/Kurtoza


$$K = \frac{\sum_{}^{}{\left( x_{i} - \overset{\overline{}}{x} \right)^{4}n_{i}}}{ns^{4}} = \frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{4}}{ns^{4}}$$

  • Przedział zmienności (liczbowa granica)


$$\left( \overset{\overline{}}{x} - s;\overset{\overline{}}{x} + s \right)$$


$$\overset{\overline{}}{x} - s \leq x_{\text{TYP}} \leq \overset{\overline{}}{x} + s$$

ROZKŁAD BERNOULLIEGO:

  • Wartość oczekiwana


EX = np

  • Wariancja


D2X = np(1−p)

ROZKŁAD NORMALNY:


N(0,1)


N(m,σ)

  • Funkcja gęstości


$$f\left( x \right) = \frac{1}{\sigma\sqrt{2\pi}}e^{- \frac{\left( x - m \right)^{2}}{2\sigma^{2}}},\ \ \ \ - \infty < x < + \infty$$

  • Standaryzacja zmiennej X


$$u = \frac{X - m}{\sigma}$$

ROZKŁAD POISSONA:


$$P\left( X = k \right) = \frac{\lambda^{k}}{k!}e^{- \lambda};\ \ \ \ \lambda > 0$$

EX = λ; λ = EX = D2X = np

D2X = λ e = 2, 7182818

FUNKCJA GĘSTOŚCI:

  1. f(x) ≥ 0,

  2. −∞+∞f(x)dx = 1;  


abf(x)dx = P(a<Xb)

  • Dystrybuanta


F(x) = ∫−∞xf(t)dt = P(X<x)


P(Xa) = F(a)

  • Wartość oczekiwana


EX = ∫−∞+∞xf(x)dx

  • Wariancja


D2X = ∫−∞+∞[xEX]2f(x)dx

ROZKŁAD χ2:

z k stopniami swobody:


χ12 + χ22+…+χk2

  • Wartość oczekiwana


EX = k

  • Wariancja


D2X = 2k

  • P(χk2χα2) = α

1 − α

  • Wartość oczekiwana


$$EX = \sum_{}^{}{x_{i}p_{i}}$$

  • Wariancja


$$D^{2}X = \sum_{}^{}{\left( x_{i} - EX \right)^{2}p_{i}} = EX^{2} - \left( \text{EX} \right)^{2}$$

  • Odchylenie standardowe


$$DX = \sqrt{D^{2}X}$$

  • Suma prawdopodobieństwa


$$\sum_{}^{}{p_{i} = 1}$$

ROZKŁAD JEDNOSTAJNY:

  • Funkcja gęstości


$$f\left( x \right) = \left\{ \begin{matrix} 0\ , \\ \frac{1}{\begin{matrix} b - a \\ 0, \\ \end{matrix}} \\ \end{matrix}\ , \right.\ \text{\ \ \ \ \ }\begin{matrix} x < a \\ a \leq x \leq b \\ x > b \\ \end{matrix}$$

  • Dystrybuanta


$$F\left( x \right) = \left\{ \begin{matrix} 0\ , \\ \frac{x - a}{\begin{matrix} b - a \\ 1, \\ \end{matrix}} \\ \end{matrix}\ , \right.\ \text{\ \ \ \ \ }\begin{matrix} x < a \\ a \leq x \leq b \\ x > b \\ \end{matrix}$$

ROZKŁAD T-STUDENTA:

z k stopniami swobody:


$$T_{k} = \frac{T}{\sqrt{\chi_{\alpha}^{2}}}\sqrt{k}$$

  • Wartość oczekiwana


EX = 0

  • Wariancja


$$D^{2}X = \frac{k}{k - 2}$$

  • P{|Tk|>tα} = α


$$\text{\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ }\frac{\left( 1 - \alpha \right)}{2}$$

DYSTRYBUANTA:


F(X) = P(Xx)


P(Xa) = F(a)


P(X>a) = 1 − F(a)


P(a<X<b) = F(b) − F(a)


P(X<a) = F(a) − P(X=a)


P(aX<b) = F(b) − F(a) − P(X=b) + P(X=a)


F(−1) = P(X≤−1) = 1 − F(1)


F(1) = P(X≤1)

  • Wartość oczekiwana


$$EX = \frac{a + b}{2}$$

  • Wariancja


$$D^{2}X = \frac{\left( b - a \right)^{2}}{12}$$

TESTY NIEZALEŻNOŚCI:


H0 : P(X=xiY=yi) = P(X=xi)P(Y=yi)


H1 : nie

$\chi^{2} = \frac{\sum_{}^{}\left( n_{\text{ij}} - np_{\text{ij}} \right)^{2}}{np_{\text{ij}}}$ H0 − odrzucic  : χ2 ≥ χα2


 α = (s−1)(k−1)

  • Współczynnik zależności Czuprowa


$$T = \sqrt{\frac{\chi^{2}}{n\left( s - 1 \right)\left( k - 1 \right)}}$$


T = 0;       T = 1;            T ∈ ⟨0;1⟩

ROZKŁAD WYKŁADNICZY:

  • Funkcja gęstości


$$f\left( x \right) = \left\{ \begin{matrix} 0, \\ \lambda e^{- \lambda x}, \\ \end{matrix} \right.\ \text{\ \ \ \ }\begin{matrix} x < 0 \\ x \geq 0 \\ \end{matrix}$$

ROZKŁAD BERNOULLIEGO:

$P\left( X = k \right) = \begin{pmatrix} n \\ k \\ \end{pmatrix}p^{k}\left( 1 - p \right)^{n - k}$ $\begin{pmatrix} n \\ k \\ \end{pmatrix} = \frac{n!}{k!\left( n - k \right)!}$

$\begin{pmatrix} n \\ 0 \\ \end{pmatrix} = 1$ 0!=1

$\begin{pmatrix} n \\ n \\ \end{pmatrix} = 1$ 1!=1


$$\begin{pmatrix} n \\ 1 \\ \end{pmatrix} = n$$


$$\begin{pmatrix} n \\ n - k \\ \end{pmatrix} = \begin{pmatrix} n \\ k \\ \end{pmatrix} = n$$

  • Dystrybuanta


$$F\left( x \right) = \left\{ \begin{matrix} 0, \\ 1 - e^{- \lambda x},\ \ \ \ \ \\ \end{matrix}\begin{matrix} x < 0 \\ x \geq 0 \\ \end{matrix} \right.\ $$

  • Wartość oczekiwana


$$EX = \frac{1}{\lambda};\ \ \ \lambda = \frac{1}{\text{EX}}$$

  • Wariancja


$$D^{2}X = \frac{1}{\lambda^{2}}$$

MODEL LINIOWY:

  • Sprowadzenie nieliniowych modeli do modeli liniowych:

y = ax + b y = axb lna = x

$a = r\frac{\text{Sy}}{\text{Sx}}$ y = aebx a = ex

$b = \overset{\overline{}}{y} - a\overset{\overline{}}{x}$ y = ax2 + b

  • Relacja Pearsona (współ. korelacji)


$$r = \frac{\sum_{}^{}{\left( x_{i} - \overset{\overline{}}{x} \right)\left( y_{i} - \overset{\overline{}}{y} \right)}}{\text{nSxSy}};\ \ \ \ \ \ \ \ r \in \left\langle - 1;1 \right\rangle$$

LOSOWANIE NIEZALEŻNE:

PRZEDZIAŁ UFNOŚCI DLA ŚREDNIEJ

I model


$$P\left\{ \overset{\overline{}}{x} - u_{\alpha}\frac{\sigma}{\sqrt{n}} < m < \overset{\overline{}}{x} + u_{\alpha}\frac{\sigma}{\sqrt{n}} \right\} = 1 - \alpha$$

II model


$$P\left\{ \overset{\overline{}}{x} - t_{\alpha}\frac{s}{\sqrt{n - 1}} < m < \overset{\overline{}}{x} + t_{\alpha}\frac{s}{\sqrt{n - 1}} \right\} = 1 - \alpha$$

III model


$$P\left\{ \overset{\overline{}}{x} - u_{\alpha}\frac{s}{\sqrt{n}} < m < \overset{\overline{}}{x} + u_{\alpha}\frac{s}{\sqrt{n}} \right\} = 1 - \alpha$$

$\mathbf{t}_{\mathbf{\alpha,n - 1}}\mathbf{\text{\ \ \ \ \ \ \ \ \ \ }}\mathbf{u}_{\mathbf{\alpha}}\mathbf{= 1 -}\frac{\mathbf{1}}{\mathbf{2}}\mathbf{\alpha}$

LOSOWANIE ZALEŻNE:

ESTYMACJA ŚREDNIEJ:

I model


$$P\left\{ \overset{\overline{}}{x} - u_{\alpha}\frac{s}{\sqrt{n}}\sqrt{1 - \frac{n}{N}} < m < \overset{\overline{}}{x} + u_{\alpha}\frac{s}{\sqrt{n}}\sqrt{1 - \frac{n}{N}} \right\} = 1 - \alpha$$

II model


$$P\left\{ \overset{\overline{}}{x} - t_{\alpha}\frac{\hat{s}}{\sqrt{n}}\sqrt{1 - \frac{n}{N}} < m < \overset{\overline{}}{x} + t_{\alpha}\frac{\hat{s}}{\sqrt{n}}\sqrt{1 - \frac{n}{N}} \right\} = 1 - \alpha$$


$$n = \frac{N}{1 + \frac{Nd^{2}}{{u_{\alpha}^{2}s}^{2}}}$$

PRZEDZIAŁ UFNOŚCI DLA PROCENTÓW/WSKAŹNIKA STRUKTURY:


$$P\left\{ \frac{m}{n} - u_{\alpha}\sqrt{\frac{\frac{m}{n}\left( 1 - \frac{m}{n} \right)}{n}} < p < \frac{m}{n} + u_{\alpha}\sqrt{\frac{\frac{m}{n}\left( 1 - \frac{m}{n} \right)}{n}} \right\} = 1 - \alpha$$

LOSOWANIE WARSTWOWE:

ESTYMACJA ŚREDNIEJ POPULACJI:


$$P\left\{ \overset{\overline{}}{x_{w}} - u_{\alpha}D\left( \overset{\overline{}}{x_{w}} \right) < m < \overset{\overline{}}{x_{w}} + u_{\alpha}D\left( \overset{\overline{}}{x_{w}} \right) \right\} = 1 - \alpha$$

$D^{2}\left( \overset{\overline{}}{x_{w}} \right)\mathbf{=}\left( \frac{\mathbf{1}}{\mathbf{n}}{\mathbf{-}\frac{\mathbf{1}}{\mathbf{N}}} \right)\sum_{h = 1}^{L}{W_{h}s_{h}^{2}}$ $\overset{\overline{}}{x_{w}}\mathbf{=}\sum_{h = 1}^{L}{W_{h}\overset{\overline{}}{x_{h}}}$

$n_{h} = \frac{N_{h}}{N}n = W_{h}n$ $W_{h} = \frac{N_{h}}{N}$ $n = \frac{\sum_{}^{}{W_{h}s_{h}^{2}}}{\frac{d^{2}}{u_{\alpha}^{2}} + \frac{\mathbf{1}}{\mathbf{N}}\sum_{}^{}{W_{h}s_{h}^{2}}}$

PRZEDZIAŁ UFNOŚCI DLA WARIANCJI:

I model


$$P\left\{ \frac{ns^{2}}{c_{2}} < \sigma^{2} < \frac{ns^{2}}{c_{1}} \right\} = 1 - \alpha;\ \ \ \ \left\{ \begin{matrix} c_{1}\ \ \ \ dla\ \ \ \ n - 1\ \ \ i\ \ \ 1 - \frac{1}{2}\alpha \\ c_{2}\ \ dla\ \ \ \ \ n - 1\ \ \ i\ \ \ \frac{1}{2}\alpha \\ \end{matrix} \right.\ $$


$$s^{2} = \frac{\frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{2}}{n}}{\bullet n};\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ ns^{2} = \sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{2}$$

II model


$$P\left\{ \frac{s}{1 + \frac{u_{\alpha}}{\sqrt{2n}}} < \sigma < \frac{s}{1 - \frac{u_{\alpha}}{\sqrt{2n}}} \right\} = 1 - \alpha$$

TESTY PARAMETRYCZNE:

TEST DLA WARTOŚCI ŚREDNIEJ POPULACJI:

H0 : m = m0 H0 : m = m0 H0 : m = m0 ∖ nH1 : m ≠ m0 H1 : m > m0 H1 : m < m0

I, III model (H0 − odrzucic)

|u| ≥ uα u ≥ uα u ≤ uα

$1 - \frac{1}{2}\alpha$ 1 − α α

II model (H0 − odrzucic)

|t| ≥ tα t ≥ tα t ≤ −tα

α 2α 2α

WYZNACZENIE NIEZBĘDNEJ LICZBY POMIARU DO PRÓBY:

I model


$$n = \frac{u_{\alpha}^{2}\sigma^{2}}{d^{2}}$$

II model


$$n = \frac{t_{\alpha}^{2}{\hat{s}}^{2}}{d^{2}};\ \ \ \ \ \ \ \ \ {\hat{s}}^{2} = \frac{1}{n - 1}\sum_{}^{}{\left( x_{i} - \overset{\overline{}}{x} \right)^{2}n_{i}}$$

III model


$$n = \frac{u_{\alpha}^{2}p\left( 1 - p \right)}{d^{2}};\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ n = \frac{u_{\alpha}^{2}}{{4d}^{2}}$$

I model


$$u = \frac{\overset{\overline{}}{x} - m_{0}}{\sigma}\sqrt{n}$$

II model


$$t = \frac{\overset{\overline{}}{x} - m_{0}}{\sigma}\sqrt{n - 1} = \frac{\overset{\overline{}}{x} - m_{0}}{\hat{s}}\sqrt{n}\text{\ \ \ \ \ \ \ \ \ \ \ \ }\hat{s} = \sqrt{\frac{\sum_{}^{}\left( x_{i} - \overset{\overline{}}{x} \right)^{2}}{n - 1}}$$

III model


$$u = \frac{\overset{\overline{}}{x} - m_{0}}{s}\sqrt{n}$$

$\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ u = \frac{\frac{m}{n} - p}{\sqrt{\frac{p\left( 1 - p \right)}{n}}}$ $\overline{p} = \frac{m_{1} + m_{2}}{n_{1} + n_{2}}$ $n = \frac{n_{1}*\ n_{2}}{n_{1} + n_{2}}$ $u = \ \frac{\frac{m_{1}}{n_{1}} - \frac{m_{2}}{n_{2}}}{\sqrt{\frac{\overline{p}(1 - \overline{p})}{n}}}$

ANALIZA WARIANCJI – TEST:

H0 : m1 = m2 = … = mk $\left. \ \begin{matrix} \alpha \\ k - 1\ oraz\ n - k \\ \end{matrix} \right\} F_{\alpha}$

H1 : nie F ≥ Fα;  H0 − odrzucic,

ma wplyw

Źródło zmienności Suma kwadratów Stopnie swobody Wariancja Test F
(czynnik) między grupami
$$\sum_{}^{}\left( {\overset{\overline{}}{x}}_{i} - \overset{}{x} \right)^{2}n_{i}$$

k − 1

$${\hat{s}}_{1}^{2}$$

$$F = \frac{{\hat{s}}_{1}^{2}}{{\hat{s}}_{2}^{2}}$$
wewnątrz grup (składnik losowy)
$$\sum_{}^{}{\sum_{}^{}\left( x_{\text{ij}} - \overset{\overline{}}{x_{i}} \right)^{2}}$$

n − k

$${\hat{s}}_{2}^{2}$$

H0 : m1 = m2 = … = mk FA ≥ FαA;    H0 − odrzucic,  ma wplyw 

H1 : nie FB ≥ FαB;    H0 − odrzucic,  ma wplyw

Źródło zmienności Suma kwadratów Stopnie swobody Wariancja Test F

między grupami

(czynnik A)


SKA

r − 1

$${\hat{s}}_{1}^{2}$$

$$F_{A} = \frac{{\hat{s}}_{1}^{2}}{{\hat{s}}_{3}^{2}}$$

między grupami

(czynnik B)


SKB

k − 1

$${\hat{s}}_{2}^{2}$$

$$F_{B} = \frac{{\hat{s}}_{2}^{2}}{{\hat{s}}_{3}^{2}}$$
wewnątrz grup
SKR

(r−1)(k−1)

$${\hat{s}}_{3}^{2}$$

TEST LUKI:

$\overset{\overline{}}{x_{1}} < \overset{\overline{}}{x_{2}} < \ldots < \overset{\overline{}}{x_{n}}$ $\overset{\overline{}}{x_{2}} - \overset{\overline{}}{x_{1}} > L - istotne$


$$L = t_{\alpha}\sqrt{\frac{2{\hat{s}}_{2}^{2}}{d}};\ \ \ \ \ \ d = \frac{n}{k}\text{\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ }t_{\alpha}\ \ \ \ \ dla\ \ \ \ n - k$$


$$SKC = \sum_{}^{}{\sum_{}^{}\left( x_{\text{ij}} - \overset{}{x} \right)^{2}}\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ SKR = SKC - SKA - SKB$$


$$SKA = k\sum_{}^{}\left( \overset{\overline{}}{x_{i}} - \overset{}{x} \right)^{2}\text{\ \ \ \ \ \ \ \ \ \ \ \ \ }\left. \ \begin{matrix} \alpha \\ r - 1\ oraz\ \left( r - 1 \right)\left( k - 1 \right) \\ \end{matrix} \right\} F_{\text{αA}}\text{\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ }$$


$$SKB = r\sum_{}^{}\left( \overset{\overline{}}{x_{j}} - \overset{}{x} \right)^{2}\text{\ \ \ \ \ \ \ \ \ \ \ \ }\left. \ \begin{matrix} \alpha \\ \ k - 1\ oraz\ \left( r - 1 \right)\left( k - 1 \right) \\ \end{matrix} \right\} F_{\text{αB}}\ $$


Wyszukiwarka

Podobne podstrony:
matematyka wzory na 1 egzamin
statystyka wzory na egzamin zkw5xf4iosgbietwkpeub53rkm2z5feqn6kqp4y ZKW5XF4IOSGBIETWKPEUB53RKM2Z5F
wzory na egzamin, niezbędnik rolnika 2 lepszy, technika rolna
Wzory na egzamin 12
wzory statystyka egzamin 2i2l5ljxnhgukunq7o2p2eptv26ho5zopheuoqa 2I2L5LJXNHGUKUNQ7O2P2EPTV26HO5ZOP
Wzory na egzamin
wzory na egzamin
wzory na egzamin
Wzory na egzamin STAL 2
wzory egzamin
wzory egzamin FINANSE PRZEDSI c4 98BIORSTW
wzory egzamin
Egzamin, TC Termodynamika wzory
egzamin wzory lek
egzamin wzory lek (2)
Egzamin TC, Termodynamika wzory
Wzory kwiatowe na egzamin, Biologia, botanika(1)

więcej podobnych podstron