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

Do testowania hipotezy o normalności rozkładu populacji można użyć:

Testy post-hoc po ANOVA stosuje się, aby:

Do weryfikacji hipotezy o dwóch proporcjach populacyjnych można wykorzystać funkcję:

Hipotezę zerową odrzucamy, gdy:

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:

Rozstęp międzykwartylowy to:

Która z poniższych funkcji nie przyda się do testowania normalności rozkładu prawdopodobieństwa?

Do testowania hipotezy o dwóch średnich populacyjnych dla dużych prób można wykorzystać funkcję:

Która z poniższych funkcji przeznaczona jest do testowania hipotezy o dopasowaniu rozkładu liczebności do zadanego wzorca?

Wykres pudełkowy pozwala odczytać:

Niech $f(x)$ będzie funkcją gęstości prawdopodobieństwa ciągłej zmiennej losowej $X$ i niech $F(x)$ będzie jej dystrybuantą. Wówczas $P(a < X < b)$ nie może być obliczone ze wzoru:

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

Próba:

Testy nieparametryczne opierają się na:

Jedną z miar zróżnicowania jest:

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

Na wykresie pudełkowym można zobaczyć następujące wielkości:

Która z poniższych wielkości jest statystyką?

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

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

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

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

Jeżeli $X_1,\ldots,X_n$ jest próbą z rozkładu normalnego o średniej $\mu$ i odchyleniu standardowym $\sigma$, to średnia z próby $\overline{X}$ ma rozkład:

Do weryfikacji hipotezy o dwóch średnich populacyjnych nie użyjemy:

Notacji H0:p≤0.9, H1:p>0.9 użyjemy do zapisu:

Funkcja `lillie.test` służy do:

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

Wykres dystrybuanty zmiennej losowej dyskretnej ma kształt:

Załóżmy, że $X$ jest zmienną losową o rozkładzie wykładniczym z parametrem $\lambda$. Prawdopodobieństwo, że $X$ jest większe od pewnego $a$, czyli $P(X > a)$, można obliczyć jako:

Jeżeli $X_1,\ldots,X_n$ jest dużą próbą z rozkładu o wartości oczekiwanej $\mu$ i odchyleniu standardowym $\sigma$, to suma $X_1+\cdots+X_n$ ma asymptotyczny rozkład:

Załóżmy, że dwie próbki są losowo wybierane z normalnie rozmieszczonych populacji. Zanim zostanie skonstruowany przedział ufności dla różnicy między środkami populacji, najpierw zweryfikujemy, czy:

Jeżeli $(L,U)$ jest 95% przedziałem ufności dla odchylenia standardowego populacji, to z ufnością 95% przedział ten:

Moda (dominanta):

Która z wielkości nie mierzy zróżnicowania?

Rozważmy eksperyment, w którym badana jest liczba niedopełnionych puszek w zależności od automatu napełniającego (jest 6 automatów). Eksperymentator zauważył, że z upływem czasu ilość napoju w puszce maleje, niezależnie od tego, który automat je napełnia. Zatem założenie o normalności rozkładu liczby niedopełnionych puszek nie ma sensu. Którego testu użyć do sprawdzenia, czy wybór automatu ma wpływ na liczbę niedopełnionych puszek?

Statystyka to:

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

Dystrybuanta $F(x)$ zmiennej losowej oznacza:

Test Tukeya jest przykładem: