prvi dio Flashcards

1
Q

Tipovi uzorka?

A

Prost slučajan uzorak, Stratifikovan uzorak ,Uzorak skupina, Sistematski uzorak

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Funkcija verodostojnost uzorka prekidnog tipa?

A

proizvod verovatnoća P(Xi)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Funkcija verodostojnost uzorka neprekidnog tipa?

A

proizvod funkcaija f(Xi)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Kakvu raspodelu ima uzorak izvučen iz populacije sa normalnom raspodelom?

A

Normalnu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Prost slučajan uzorak je skup od n nezavisnih slučajnih promenljivih koje imaju?

A

Istu raspodelu i to raspodelu populacije

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Parametri osnovnog skupa su?

A

Konstante

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Parametri opšteg skupa su promenljive koje zavise od?

A

Populacije

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Statistika je?

A

Funkcija definisana na uzorku

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Opšti statistički model?

A

F(Xi,Θi)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Statistika Z ima?

A

Normalnu raspodelu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Ukoliko posmatramo statistiku kao neku f-ju na uzorku važi sledeće?

A

Jedna ista statistika ima različite raspodele za različite populacije

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Uzorak je?

A

Podskup statističkog skupa na čijim elementima merimo vrednost obeležja X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Statistički skup je populacija, a uzorak?

A

izabran podskup na kome se meri vrednost obeležja X je uzorak.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Očekivana vrednost sredine uzorka E(x) je

A

Jednaka očekivanoj vrednosti populacije X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Ako obeležje X ima normalnu raspodelu tada sredina uzorka izvučenog iz ove populacije ima?

A

Normalnu raspodelu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Sa povećanjem veličine uzorka, varijansa sredine uzorka ?

A

tezhi 0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Na osnovu CGT rešavaju se problemi

A

 Određivanje vreovatnoće da će sredina uzorka i sredina populacije razlikovati za manje od
zadatog broja
 Određivanje intervala oko sredine uzorka tako da da sa zadatom verovatnoćom tvrdimo da
će poopulacija biti u tom intervalu
 Određivanje obima uzorka za koji će se uz zadatu verovatnoću sredina uzorka i sredina
populacije razlikovati za manje od zadatog broja

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Na osnovu CGT zaključujemo:

A

Za dovoljno veliko n sredina uzorka će imati približno normalnu raspodelu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Košijeva teorema

A

H manje G manje X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Sturgesovo pravilo

A

k=1+3.3logN

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Indeks

A

Količnik vrednosti obeležja X u trenutku t i vrednosti obeležja u nekom drugom

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Lančani indeks

A

Količnici vrednosti obeležja X u trenutku t i vrednosti obeležja u prethodnom trenutku
merenja t-1

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Bazni indeks

A

Posmatranje promene posmatranog obeležja u vremenskoj seriji u odnosu na jedan
trenutak merenja sa kojim podelimo

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Mo

A

je sredina intervala koja ima najveću frekvenciju

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Me
je vrednost obeležja x koji deli uređen statistički skup na dva dela
26
Svi momenti su nepristrasni a varijansa je
negativno pristrasna
27
Raspodela asimetrična u desno
nadvuceno x vece Me
28
Raspodela asimetrična u levo
nadvuceno x manjeMe
29
Šta je ocena:
Statistika definisana na uzorku
30
Šta ne predstavlja ocenu:
β
31
Opšti problem teorije ocenjivanja:
Na osnovu rezultata merenja obeležja X u uzorku, treba oceniti raspodelu obeležja na celoj populaciji a zatim iz te raspodele ocenjivati I nepoznate parametre populacije
32
Postupkom statističkog ocenjivanja dobijamo:
 Tačkaste ocene |  Intervalne ocene
33
Dobru ocenu karakteriše:
Što manji varijabilitet
34
Što je obim uzorka veći:
Preciznost ocene je veća
35
Bićemo sigurni u tačnost zaključka ako nepoznati parameter na populaciji ocenimo:
Intervanlnom ocenom
36
Poželjne osobine ocene parametra su:
 Nepristrasnost (Centriranost)  Saglasnost  Efikasnost
37
Osobina ocene koja nije poželjna:
Što manja efikasnost
38
Varijansa uzorka je:
Negativno pristrasna ocena varijanse populacije
39
Optimalna ocena nepoznatog parametra populacije u klasi nepristrasnih ocena je:
Nepristrasna ocena sa minimalnom varijansom
40
Srednja kvadratna greška ocene je:
Varijansa statistike koja predstavlja nepristrasnu ocenu
41
Srednja kvadratna greška ocene je (razlika):
Očekivana vrednost kvadrata razlike između ocene parametra i prave vrednosti parametra
42
Sa povećanjem uzorka srednja kvadratna greška se:
Smanjuje
43
Da bi ocena jednog parametra bila bolja od ocene drugog parametra:
Mora imati manju srednju kvadratnu grešku
44
Nepristrasna ocena je efikasnija od druge ako
ima manju standardnu grešku
45
Efikasnost ocene nepoznatog parametra populacije je:
Količnik minimalne srednje kvadratne greške i srednje kvadratne greške ocene
46
Efikasnost ocene se kreće između
0 i 1
47
Asimptotska efikasnost ocene:
2/PI
48
Koje metode spadaju u tačkaste ocene:
 Metoda maksimalne verodostojnosti |  Metoda najmanjih kvadrata
49
Metoda maksimalne verodostojnosti se koristi za:
Izbor jedne vrednosti parametra modela (kao ocene tih parametara), ali tako da funkcija verodostojnosti ima što je moguće veću vrednost
50
Sa povećanjem nivoa poverenja
povećava se dužina intervala poverenja
51
Sa povećanjem obima uzorka
smanjuje se dužina intervala poverenja
52
Sturges-ово правило: k= 1+3.3logN.
У циљу одређивања оптималног броја k групних интервала за статистички скуп од N елемената
53
sta je homoskedasticnost
varijansa je konstantna
54
za sta se koristi metoda max verodostojnosti
izbor jedne vrednosti parametara modela
55
kad je minimalna moc testa
m=m0 i 1-alfa=beta i 1-beta=alfa
56
redosled testova
ks 2 uzorka -> mw/t-test -> ww
57
testovi koji menjaju t-test
mw,ww,ks za 2
58
sto je vrednost koef. determinacije bliza A
udeo objasnjenog i ukupnog varijabiliteta prema y je veci
59
raspodela kod vlrm
n-k-1
60
stae netacno
rangirani i kvalitativni podaci se rade iskljucivo parametarski
61
ako izmedju x i y postoji determnisticka linerana veza,
koef determinacije ce imati vrednost 1
62
indukcija? dedukcija? testiranje hipoteza?
...
63
zamena za x2 test (test saglasnosti)
KS za 1 uzorak
64
moc testa je najveca u zavinosti od
m>m0 i monotono rastuca
65
statisticka obelezja mogu biti
kvalitativna i kvantitativna
66
nepristrasnost ocene
ocekivana vrednost teta bar bude bas teta
67
odakle se uzima interval pvoerenja
interval u kome se nepoznati parametar populacije nalazi sa odredjenom verovatnocom
68
problem statistickog zakljucivanja
problem ocenjivanja | problem testiranja hipoteza
69
prosta hipoteza
hipoteza koja se moze odnositi na samo jednu mogucu vrednost parametra ili samo jednu tacno odredjenu raspodelu
70
nepristrasna ocena
cija je ocekivana vrednost jednaka bas toj vrednosti paramtra, i toe pozeljna osobina ocene
71
uzorak potice iz 2dimenzionalne normalne raspodele, pretpostavka o nezavinosti obelezja ekvivalentna je
HO(ro ili (p)=0)
72
ks test za 1 uzorak spada u testove
testove saglasnosti
73
efikasnost teta bar ocene teta parametra
kolicnik minimalne srednje kvadratne greske i sredjnje kvadratne greske ocene
74
x ima normalnu spljostenos, 2. pirsonov koeficijent
je 3
75
koeficijent varijacije
st dev / aritm sredine * 100
76
t test je alternativa
man witni
77
prost slucajni uzorak velicine n je
skup od n nezavisnih slucajnih promenljivih, koje imaju istu raspodelu i ta raspodela je i raspodela populacije
78
srednje kvadratna greska ocene je
razlika izmedju ocene parametara i prave vrednosti parametra
79
opt ocena parametra m je
x bar
80
kod man vitnija nulta je
obe populacije imaju istu raspodelu - oba uzorka iz iste populacije
81
kod testiranja hipoteze o varijansi
DO najvise interesuje, da l je varijansa veca od neke unapred odredjene vrednosti
82
prost linearni regeresioni model se sastoji od
jedne zavisne i jedne kontrolisane
83
normalna raspodela kod koje je ocekivana vrednost populacije 0 a varijanse 1
standardizovana normalna raspodela
84
iz raspodele apsolutnih frekvencija, kumulativne su
sve freq za prethodnog intervala se saberu
85
kod KS sa 2 uzorka h0 glasi
2 nezavisna uzorka su izvucena iz iste populacije
86
CGT
...
87
h0 ZA test koraka za 1 uzorak je
x1...xn je slucajan
88
koeficijent determinacije vrednosti od
[0,1]
89
u testiranju hipoteza za pojedinacne parametre beta, | visestruki regresioni model koristi se stat
studentove raspodele sa n-k-1 ss
90
paramteraski provera nezavisnosti ss i raspodela
studentova n-2 ss
91
u prostom LRM, parametri dodeljeni primenom metodde najmanjih kvadrata... imaju
normalnu raspodelu
92
pokazatelj kvaliteta regresionog modela
koeficijent determinacije
93
u lrm kao ocena slucajnih odstupanja EPSILONi koriste se
reziduali ei
94
P bar, ili ocena nepoznate proporcije vrvtnoce P je
nepristrasna ocena
95
sve sredine su
nepristrasne ocene
96
sa povecanjem velicine uzorka, n tezi beskonacno
sredina uzorka tezi m
97
za zadati nivo poverenja, duzina itnervala poverenja za ocekivanu vrednost m je
direktno proporcionalna velicini uzorka
98
obicni momenti uzorka su
nepristrasne ocene obicnih momenta populacije
99
ako X na populaciji ima normalnu raspodelu, tad su sredina i varijansa uzorka
nezavisne statistike
100
sredina uzorka je nepristrasna ocena
ocekivanoj vrednosti populacije
101
Statisticko testiranje hipoteza
teorija utvrdjivanja kriterijuma donosenja odluka na osnovu statistickih podataka i primenom metoda statisticke analize
102
paramtersski tesovi
na osnovu osobina populacije donosimo zakljucke o osobinama uzorka izvucenih iz takve raspodele, poredimo rezultate sa zakljuckom i donosimo odluku
103
testiranje hipoteze
postupak za proveru hipoteze na osnovu uzorka
104
parametarski se odnosi na | neparametarski se odnosi na
odredjene parametre populacije | raspodelu koje obelezje ima
105
Slozene hipoteze
proveravaju vise razlcitih slucajeva
106
H0 je uvek
prosta hipoteza
107
S na 2 je 0 ako
sve vrednosti u uzorku su iste
108
sto je pristrasnost veca
to su i razlike vece
109
sto je srednje kvadratna greska blizu 0
to je ocena efikasnija