Zbiór wartości, który z prawdopodobieństwem $1-\alpha$ pokrywa prawdziwą wartość nieznanego parametru populacji, to:

Która z poniższych wielkości nie jest statystyką?

Z wykresu pudełkowego nie odczytamy wartości:

Do oceny przedziałowej różnicy proporcji populacyjnych można wykorzystać funkcję:

Funkcja `binom.test` w R służy między innymi do:

Niech $L$ i $U$ będą funkcjami zmiennych losowych stanowiących próbkę spełniającą $P(L < \sigma^2 < U) = 0{,}9$. Następnie różnica $(U-L)$:

Test Tukeya jest przykładem:

Błąd I-go rodzaju popełniamy, gdy:

Jeśli równanie prostej regresji ma postać y=b0+b1x, to dodatnia wartość współczynnika regresji b1 informuje:

Statystyka to:

Jeżeli chcemy sprawdzić, czy kolor samochodu wpływa na średnią sprzedaż danego modelu, a dostępne są co najmniej trzy kolory, najrozsądniej jest:

Gdy trzech studentów sporządza rankingi tych samych wykładowców, do sprawdzenia zgodności ich ankiet użyjemy:

W przedziale ufności dla średniej populacji $\mu$ losowe są:

Błąd II rodzaju polega na:

Jeśli równanie prostej regresji ma postać y=b0+b1x, to ujemna wartość współczynnika regresji informuje:

Rozkład prawdopodobieństwa dyskretnej zmiennej losowej może być przedstawiony:

Do weryfikacji hipotezy o dwóch średnich populacyjnych nie użyjemy:

Która z wielkości nie mierzy zróżnicowania?

Wykres pudełkowy pozwala odczytać:

Jedną z miar zróżnicowania jest:

Hipotezę zerową odrzucamy, gdy:

W analizie wariancji nie odrzucimy hipotezy zerowej, gdy wartość statystyki testowej jest:

Załóżmy, że wartość kowariancji próbki między dwiema zmiennymi losowymi jest równa $-0{,}9$. To pokazuje, że:

Funkcja `shapiro.test` służy do:

Załóżmy, że pobrane zostały losowo dwie próby z rozkładów normalnych. Do oceny przedziałowej ilorazu wariancji populacyjnych można wykorzystać funkcję:

Jeżeli $X_1,\ldots,X_n$ jest próbą z rozkładu normalnego ze średnią $\mu$ i odchyleniem standardowym $\sigma$, to suma $X_1+\cdots+X_n$:

W celu zbadania liniowej zależności między dwiema zmiennymi ilościowymi można zastosować:

Aby przeprowadzić analizę wariancji (ANOVA) w celu przetestowania hipotezy o równości kilku średnich populacji, muszą być spełnione następujące założenia:

Jeżeli $y=b_0+b_1x$ jest równaniem prostej regresji, to w teście istotności regresji hipoteza alternatywna ma postać:

Niech $L$ i $U$ będą funkcjami zmiennych losowych tworzących próbkę spełniającą $P(L < \mu < U) = 0{,}99$. Wtedy z 99% pewnością przedział $(L,U)$ pokrywa prawdziwą wartość:

Jeśli te same osoby rozwiązują kilka zadań w losowej kolejności i chcemy porównać rozkłady czasów ich rozwiązywania, użyjemy:

Ujemna wartość współczynnika korelacji między zmiennymi $X$ i $Y$ oznacza, że:

Rozważmy przykład, w którym chcemy porównać dwa rozkłady, a założenie o normalności nie ma sensu, ponieważ na przykład zbieramy tylko pomiary całkowite lub rozkłady są skośne. Który test jest odpowiedni do sprawdzenia, czy rozkłady są identyczne, jeśli próbki nie są niezależne?

Która z poniższych wielkości jest statystyką?

Która z poniższych funkcji nie jest przeznaczona do testowania normalności rozkładu?

Testy nieparametryczne opierają się na:

Dodatnia wartość kowariancji między zmiennymi $X$ i $Y$ oznacza, że:

Załóżmy, że pobrana została $n$-elementowa próba z rozkładu normalnego ze znanym odchyleniem standardowym $\sigma$. Do oceny przedziałowej średniej populacyjnej możemy wykorzystać funkcję:

Załóżmy, że przeprowadzono analizę wariancji i odrzucono hipotezę zerową o równości kilku środków populacji. Następnie możemy wykonać testy post-hoc, na przykład test Tukey Honest Significant Difference. Co wywnioskujemy z takiego testu post-hoc?

Analiza wariancji (ANOVA) służy do testowania hipotezy o równości: