1 Wnioskowanie statystyczne

2 Próbkowanie (sampling)

3 SE (standard error) SE rozkład próbkowania – sampling distribution

4 ważna rzecz! µ

5

6 µ P(z>0.8)=0.468

7 ważna rzecz! µ P(z>1.7)=0.045

8 Jeżeli to prawdopodobieństwo jest odpowiednio małe, możemy odrzucić H0 Dane nie pasują do H0 Dane nie wspierają H0 Otrzymanie takich danych przy założeniu prawdziwości H0 jest bardzo małe Wnioskowanie statystyczne

9 Jak małe musi być to prawdopodobieństwo? Arbitralne! (kryterium Fishera)

10 ważna rzecz! µ P(z>1.7)=0.045

11 Wnioskowanie statystyczne H0: średnia µ w populacji wynosi 3 H1: średnia µ w populacji jest większa od 3 Na poziomie istotności p

12 Wnioskowanie statystyczne Rodzaje hipotez Używaliśmy hipotezy jednostronnej! H1: średnia µ w populacji jest większa od 3 Ustaliliśmy przedział krytyczny (Z kryt )

13 µ 0.81.7 1.645 P(z>1.64)z kryt to odrzucamy hipotezę 0!

14 Wnioskowanie statystyczne Rodzaje hipotez

15 hipoteza dwustronna „bezpieczniejsza” ma swój koszt! – dwustronne przedziały krytyczne są nieco mniejsze!

16 1.645 1.96 -1.96

17 Wnioskowanie statystyczne Rodzaje hipotez

18 Statystyka testowa

19 Błąd I rodzaju (  ), błąd II rodzaju (  ) Błąd I rodzaju odrzucamy H0, gdy w rzeczywistości jest ona prawdziwa maksymalna szansa popełnienia błędu I rodzaju to   to poziom istotności testu Błąd II rodzaju nie odrzucamy H0, chociaż jest ona fałszywa szansa błędu II rodzaju to  1-  to moc testu (prawdopodobieństwo odrzucenia hipotezy zerowej, gdy jest ona fałszywa)

20 Istotność a wielkość efektu (effect size statistics) różnica między średnimi może być istotna, ale nie interesuje nas to z punktu widzenia praktycznego Lek nadciśnieniowy A vs Lek nadciśnieniowy B B obniża ciśnienie o 1 mmHg w stosunku do leku A (różnica istotna statystycznie, p