Update pytania.txt
This commit is contained in:
357
pytania.txt
357
pytania.txt
@@ -1,7 +1,352 @@
|
|||||||
// Przykładowe pytanie startowe
|
// Statystyka - pytania_SiAD_AI-1.pdf z dysku Informatyka 2023 pytania 1-20
|
||||||
|
|
||||||
|
Mediana (drugi kwartyl):
|
||||||
|
-| jest wartością środkową w zbiorze obserwacji
|
||||||
|
- oddziela 75% swoich wyższych obserwacji od 25% swoich niższych obserwacji
|
||||||
|
- pojawia się najczęściej wśród wszystkich obserwacji
|
||||||
|
|
||||||
|
Rozkład prawdopodobieństwa dyskretnej zmiennej losowej może być przedstawiony:
|
||||||
|
-| w postaci tabeli, z wartościami zmiennej losowej w pierwszym wierszu i odpowiednimi prawdopodobieństwami w drugim wierszu
|
||||||
|
- w postaci tabeli, z wartościami zmiennej losowej w pierwszym wierszu i odpowiednimi częstościami w drugim wierszu
|
||||||
|
- jako $\int_{-\infty}^{\infty} f(x) dx$
|
||||||
|
|
||||||
|
Która z poniższych reprezentuje statystyki?
|
||||||
|
- proporcji populacji
|
||||||
|
-| suma zmiennych losowych stanowiących próbę
|
||||||
|
- średnia populacyjna
|
||||||
|
|
||||||
|
Niech $L$ i $U$ będą funkcjami zmiennych losowych stanowiących próbkę spełniającą $P(L < \sigma^2 < U) = 0{,}9$. Następnie różnica $(U-L)$:
|
||||||
|
-| jest długością 90% przedziału ufności dla wariancji populacji
|
||||||
|
- z 90% ufnością obejmuje prawdziwą wartość wariancji populacji
|
||||||
|
- jest 90% przedziałem ufności dla wariancji populacji
|
||||||
|
|
||||||
|
Hipoteza: $H_0: \sigma^2 = 0{,}9$, $H_1: \sigma^2 \neq 0{,}9$, jest związana z testowaniem:
|
||||||
|
-| wariancji populacji
|
||||||
|
- poziomu istotności
|
||||||
|
- wariancji próby
|
||||||
|
|
||||||
|
Załóżmy, że dwie próbki są losowo wybierane z normalnie rozmieszczonych populacji. Zanim zostanie skonstruowany przedział ufności dla różnicy między środkami populacji, najpierw zweryfikujemy, czy:
|
||||||
|
- średnie próbek są równe
|
||||||
|
- wariancje próbek są równe
|
||||||
|
-| wariancje populacji nie różnią się istotnie
|
||||||
|
|
||||||
|
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?
|
||||||
|
-| które ze średnich populacji są istotnie podobne/różne
|
||||||
|
- które ze środków próbki są jednorodne/heterogeniczne
|
||||||
|
- że populacje są/nie są normalnie rozłożone
|
||||||
|
|
||||||
|
Załóżmy, że wartość kowariancji próbki między dwiema zmiennymi losowymi jest równa $-0{,}9$. To pokazuje, że:
|
||||||
|
-| wzrost wartości jednej zmiennej oznacza spadek wartości drugiej zmiennej
|
||||||
|
- istnieje bardzo silne liniowe powiązanie między dwiema zmiennymi losowymi
|
||||||
|
- kowariancja nie może być ujemna
|
||||||
|
|
||||||
|
Która z poniższych funkcji jest poświęcona testowaniu hipotezy o dopasowaniu rozkładu częstotliwości do konkretnego wzorca?
|
||||||
|
-| chisq.test
|
||||||
|
- var.test
|
||||||
|
- t.test
|
||||||
|
|
||||||
|
Testy nieparametryczne opierają się na:
|
||||||
|
- statystykach skonstruowanych jako funkcje pomiarów o rozkładzie normalnym
|
||||||
|
-| rangach obserwacji
|
||||||
|
- graficznych ocenach obserwacji
|
||||||
|
|
||||||
|
Na wykresie pudełkowym można zobaczyć następujące wielkości:
|
||||||
|
- kwartyle, zakres, odchylenie standardowe
|
||||||
|
-| zakres, minimum, pierwszy kwartyl
|
||||||
|
- zakres, wariancja, pierwszy kwartyl
|
||||||
|
|
||||||
|
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:
|
||||||
|
- suma prawdopodobieństw związanych z wartościami całkowitymi $X$, które są większe od $a$
|
||||||
|
- $1/\lambda$
|
||||||
|
-| $1 - F(a)$, gdzie $F(x)$ to skumulowana dystrybuanta (CDF) zmiennej $X$
|
||||||
|
|
||||||
|
Próba:
|
||||||
|
- zawiera co najmniej 40 zmiennych losowych
|
||||||
|
-| jest podzbiorem populacji
|
||||||
|
- zazwyczaj oznaczana przez $\bar{X}$
|
||||||
|
|
||||||
|
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:
|
||||||
|
- poziomu ufności
|
||||||
|
-| średniej populacji
|
||||||
|
- średniej próbki
|
||||||
|
|
||||||
|
Znaczenie testu, zazwyczaj oznaczane przez $\alpha$, jest równe:
|
||||||
|
- poziomowi ufności
|
||||||
|
-| prawdopodobieństwu błędu I rodzaju
|
||||||
|
- prawdopodobieństwu błędu II rodzaju
|
||||||
|
|
||||||
|
Załóżmy, że dwie próbki są losowo wybrane z populacji o rozkładzie normalnym. Aby skonstruować przedział ufności dla różnicy średnich populacji, nie musimy weryfikować założenia o:
|
||||||
|
- homogeniczności wariancji populacji
|
||||||
|
- homogeniczności wariancji próbek
|
||||||
|
-| normalności rozkładu obu populacji
|
||||||
|
|
||||||
|
Aby przeprowadzić analizę wariancji (ANOVA) w celu przetestowania hipotezy o równości kilku średnich populacji, muszą być spełnione następujące założenia:
|
||||||
|
- normalność rozkładu każdego leczenia i równość rozmiarów próbek
|
||||||
|
-| normalność rozkładu każdej populacji i homogeniczność wariancji populacji
|
||||||
|
- równość rozmiarów próbek i homogeniczność wariancji próbek
|
||||||
|
|
||||||
|
Jeśli linia regresji ma postać $y = b_0 + b_1x$, to ujemna wartość estymacji $b_1$ pokazuje:
|
||||||
|
- jak duża jest wartość $y$, gdy $x$ jest równy estymacji $b_1$
|
||||||
|
- o ile wartość $y$ wzrasta, gdy $x$ maleje o estymację $b_1$
|
||||||
|
-| o ile wartość $y$ maleje, gdy $x$ wzrasta o 1
|
||||||
|
|
||||||
|
Która z poniższych funkcji nie jest przeznaczona do testowania normalności rozkładu?
|
||||||
|
- Test Kołmogorowa-Lillieforsa
|
||||||
|
- test Shapiro-Wilka
|
||||||
|
-| test Friedmana
|
||||||
|
|
||||||
|
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?
|
||||||
|
- test chi-kwadrat
|
||||||
|
-| test rang Wilcoxona
|
||||||
|
- test Pearsona
|
||||||
|
|
||||||
|
// Statystyka — test - II_ Przegląd próby.pdf z dysku Informatyka 2023, pytania 1–10 ze zrzutów ekranu
|
||||||
|
|
||||||
|
Analiza wariancji (ANOVA) służy do testowania hipotezy o równości:
|
||||||
|
-| kilku średnich populacyjnych
|
||||||
|
- kilku średnich z próby
|
||||||
|
- kilku wariancji populacyjnych
|
||||||
|
|
||||||
|
Która z poniższych funkcji nie przyda się do testowania normalności rozkładu prawdopodobieństwa?
|
||||||
|
-| sigma.test
|
||||||
|
- shapiro.test
|
||||||
|
- lillie.test
|
||||||
|
|
||||||
|
Błąd I-go rodzaju popełniamy, gdy:
|
||||||
|
- nie odrzucimy prawdziwej hipotezy zerowej
|
||||||
|
-| odrzucimy prawdziwą hipotezę zerową
|
||||||
|
- fałszywa hipoteza zerowa zostanie odrzucona
|
||||||
|
|
||||||
|
Z wykresu pudełkowego nie odczytamy wartości:
|
||||||
|
- minimum, rozstępu i rozstępu międzykwartylowego
|
||||||
|
-| rozstępu, wariancji i pierwszego kwartyla
|
||||||
|
- rozstępu, minimum i trzeciego kwartyla
|
||||||
|
|
||||||
|
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:
|
||||||
|
- $\int_a^b f(x)\,dx$
|
||||||
|
- $F(b)-F(a)$
|
||||||
|
-| $f(b)-f(a)$
|
||||||
|
|
||||||
|
Załóżmy, że pobrana została $n$-elementowa próba z rozkładu normalnego ze znanym odchyleniem standardowym $\sigma$. Do oceny przedziałowej średniej populacyjnej możemy wykorzystać funkcję:
|
||||||
|
- zsum.test wykorzystującą kwantyle rozkładu $N(0,1)$
|
||||||
|
-| z.test wykorzystującą kwantyle rozkładu $N(0,1)$
|
||||||
|
- t.test wykorzystującą kwantyle rozkładu t-Studenta z $n-1$ stopniami swobody
|
||||||
|
|
||||||
|
Jeżeli $X_1,\ldots,X_n$ jest próbą z rozkładu normalnego ze średnią $\mu$ i odchyleniem standardowym $\sigma$, to suma $X_1+\cdots+X_n$:
|
||||||
|
-| ma rozkład $N(n\mu,\sqrt{n}\sigma)$
|
||||||
|
- ma asymptotyczny rozkład $N(\mu,\sigma/\sqrt{n})$
|
||||||
|
- ma asymptotyczny rozkład $N(n\mu,\sqrt{n}\sigma)$
|
||||||
|
|
||||||
|
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?
|
||||||
|
- ANOVA
|
||||||
|
-| H Kruskala-Wallisa
|
||||||
|
- testu Wilcoxona
|
||||||
|
|
||||||
|
Jeśli równanie prostej regresji ma postać $y=b_0+b_1x$, to ujemna wartość współczynnika regresji $b_1$ informuje:
|
||||||
|
- o ile wzrośnie wartość $y$ jeśli wartość $x$ zmaleje o $b_1$
|
||||||
|
-| o ile zmaleje wartość $y$ jeśli wartość $x$ wzrośnie o 1
|
||||||
|
- jaka jest wartość $y$ dla $x$ równego $b_1$
|
||||||
|
|
||||||
|
Załóżmy, że pobrane zostały losowo dwie próby z rozkładów normalnych. Do oceny przedziałowej ilorazu wariancji populacyjnych można wykorzystać funkcję:
|
||||||
|
- t.test
|
||||||
|
-| var.test
|
||||||
|
- sigma.test
|
||||||
|
|
||||||
|
|
||||||
|
// Statystyka — pytania analogiczne / potencjalne
|
||||||
|
|
||||||
|
Wykres dystrybuanty zmiennej losowej dyskretnej ma kształt:
|
||||||
|
-| schodkowy
|
||||||
|
- dzwonowy
|
||||||
|
- liniowy bez skoków
|
||||||
|
|
||||||
|
Dystrybuanta $F(x)$ zmiennej losowej oznacza:
|
||||||
|
-| prawdopodobieństwo $P(X \leq x)$
|
||||||
|
- prawdopodobieństwo $P(X = x)$
|
||||||
|
- wartość funkcji gęstości w punkcie $x$
|
||||||
|
|
||||||
|
Dla ciągłej zmiennej losowej dystrybuanta jest zwykle:
|
||||||
|
-| funkcją ciągłą
|
||||||
|
- funkcją zawsze schodkową
|
||||||
|
- funkcją malejącą
|
||||||
|
|
||||||
|
Dla dyskretnej zmiennej losowej dystrybuanta:
|
||||||
|
-| może mieć skoki w punktach przyjmowanych przez zmienną losową
|
||||||
|
- zawsze jest funkcją gęstości
|
||||||
|
- zawsze jest linią prostą
|
||||||
|
|
||||||
|
Statystyka to:
|
||||||
|
-| dowolna funkcja zmiennych losowych stanowiących próbę, niezawierająca nieznanych parametrów
|
||||||
|
- dowolna funkcja nieznanych parametrów populacji
|
||||||
|
- wyłącznie średnia populacyjna
|
||||||
|
|
||||||
|
Która z poniższych wielkości nie jest statystyką?
|
||||||
|
- średnia z próby
|
||||||
|
- suma obserwacji z próby
|
||||||
|
-| średnia populacyjna $\mu$
|
||||||
|
|
||||||
|
Która z poniższych wielkości jest statystyką?
|
||||||
|
-| wariancja z próby
|
||||||
|
- wariancja populacji $\sigma^2$
|
||||||
|
- parametr $\lambda$ rozkładu wykładniczego
|
||||||
|
|
||||||
|
Statystyka może być funkcją:
|
||||||
|
-| obserwacji z próby
|
||||||
|
- wyłącznie parametrów populacji
|
||||||
|
- wyłącznie poziomu ufności
|
||||||
|
|
||||||
|
Estymator jest:
|
||||||
|
-| statystyką służącą do szacowania nieznanego parametru populacji
|
||||||
|
- zawsze znanym parametrem populacji
|
||||||
|
- zawsze błędem losowym
|
||||||
|
|
||||||
|
Niech $L$ i $U$ będą statystykami spełniającymi $P(L < \theta < U)=1-\alpha$. Wtedy przedział $(L,U)$ jest:
|
||||||
|
-| przedziałem ufności dla parametru $\theta$ na poziomie ufności $1-\alpha$
|
||||||
|
- przedziałem predykcji dla każdej przyszłej obserwacji
|
||||||
|
- przedziałem zawierającym zawsze wszystkie obserwacje z próby
|
||||||
|
|
||||||
|
Jeżeli $P(L < \mu < U)=0{,}95$, to przedział $(L,U)$ jest:
|
||||||
|
-| 95% przedziałem ufności dla średniej populacji
|
||||||
|
- 95% przedziałem ufności dla średniej próby
|
||||||
|
- 95% przedziałem ufności dla poziomu istotności
|
||||||
|
|
||||||
|
W przedziale ufności dla średniej populacji $\mu$ losowe są:
|
||||||
|
-| granice przedziału $L$ i $U$
|
||||||
|
- parametr $\mu$
|
||||||
|
- poziom ufności po obliczeniu przedziału
|
||||||
|
|
||||||
|
Poziom ufności $1-\alpha$ oznacza:
|
||||||
|
-| prawdopodobieństwo pokrycia prawdziwego parametru przez losowo skonstruowany przedział
|
||||||
|
- prawdopodobieństwo błędu I rodzaju
|
||||||
|
- wartość średniej populacji
|
||||||
|
|
||||||
|
Poziom istotności $\alpha$ oznacza:
|
||||||
|
-| prawdopodobieństwo popełnienia błędu I rodzaju
|
||||||
|
- prawdopodobieństwo popełnienia błędu II rodzaju
|
||||||
|
- prawdopodobieństwo przyjęcia hipotezy zerowej
|
||||||
|
|
||||||
|
Błąd I rodzaju polega na:
|
||||||
|
-| odrzuceniu prawdziwej hipotezy zerowej
|
||||||
|
- nieodrzuceniu fałszywej hipotezy zerowej
|
||||||
|
- odrzuceniu fałszywej hipotezy zerowej
|
||||||
|
|
||||||
|
Błąd II rodzaju polega na:
|
||||||
|
-| nieodrzuceniu fałszywej hipotezy zerowej
|
||||||
|
- odrzuceniu prawdziwej hipotezy zerowej
|
||||||
|
- odrzuceniu fałszywej hipotezy zerowej
|
||||||
|
|
||||||
|
Jeżeli hipoteza zerowa jest prawdziwa, a my ją odrzucimy, to popełniamy:
|
||||||
|
-| błąd I rodzaju
|
||||||
|
- błąd II rodzaju
|
||||||
|
- błąd estymacji punktowej
|
||||||
|
|
||||||
|
Jeżeli hipoteza zerowa jest fałszywa, a my jej nie odrzucimy, to popełniamy:
|
||||||
|
-| błąd II rodzaju
|
||||||
|
- błąd I rodzaju
|
||||||
|
- błąd standardowy średniej
|
||||||
|
|
||||||
|
Wykres pudełkowy pozwala odczytać:
|
||||||
|
-| minimum, pierwszy kwartyl, medianę, trzeci kwartyl i maksimum
|
||||||
|
- średnią, wariancję i odchylenie standardowe
|
||||||
|
- wyłącznie wartości odstające
|
||||||
|
|
||||||
|
Z wykresu pudełkowego nie odczytamy bezpośrednio:
|
||||||
|
-| wariancji
|
||||||
|
- mediany
|
||||||
|
- rozstępu międzykwartylowego
|
||||||
|
|
||||||
|
Rozstęp międzykwartylowy to:
|
||||||
|
-| różnica między trzecim a pierwszym kwartylem
|
||||||
|
- różnica między maksimum a minimum
|
||||||
|
- różnica między średnią a medianą
|
||||||
|
|
||||||
|
Mediana na wykresie pudełkowym jest zazwyczaj przedstawiona jako:
|
||||||
|
-| linia wewnątrz pudełka
|
||||||
|
- koniec górnego wąsa
|
||||||
|
- punkt odstający
|
||||||
|
|
||||||
|
ANOVA służy do testowania hipotezy o równości:
|
||||||
|
-| kilku średnich populacyjnych
|
||||||
|
- kilku wariancji z próby
|
||||||
|
- kilku median populacyjnych w każdej sytuacji
|
||||||
|
|
||||||
|
Hipoteza zerowa w jednoczynnikowej analizie wariancji ANOVA mówi, że:
|
||||||
|
-| wszystkie średnie populacyjne są równe
|
||||||
|
- wszystkie wariancje z próby są różne
|
||||||
|
- wszystkie populacje mają rozkład jednostajny
|
||||||
|
|
||||||
|
Po odrzuceniu hipotezy zerowej w ANOVA możemy stwierdzić, że:
|
||||||
|
-| co najmniej jedna średnia populacyjna różni się od pozostałych
|
||||||
|
- wszystkie średnie populacyjne są na pewno parami różne
|
||||||
|
- wszystkie wariancje populacyjne są równe
|
||||||
|
|
||||||
|
Testy post-hoc po ANOVA stosuje się, aby:
|
||||||
|
-| sprawdzić, które średnie różnią się istotnie między sobą
|
||||||
|
- sprawdzić normalność każdej populacji
|
||||||
|
- obliczyć dystrybuantę zmiennej losowej
|
||||||
|
|
||||||
|
Test Tukeya jest przykładem:
|
||||||
|
-| testu post-hoc po analizie wariancji
|
||||||
|
- testu normalności rozkładu
|
||||||
|
- testu zgodności chi-kwadrat
|
||||||
|
|
||||||
|
Funkcja `shapiro.test` służy do:
|
||||||
|
-| testowania normalności rozkładu
|
||||||
|
- testowania równości wariancji dwóch populacji
|
||||||
|
- testowania niezależności dwóch zmiennych jakościowych
|
||||||
|
|
||||||
|
Funkcja `var.test` w R służy do:
|
||||||
|
-| testowania równości wariancji dwóch populacji normalnych
|
||||||
|
- testowania normalności rozkładu
|
||||||
|
- testowania równości kilku średnich populacyjnych
|
||||||
|
|
||||||
|
Funkcja `t.test` w R może służyć do:
|
||||||
|
-| testowania hipotez dotyczących średniej
|
||||||
|
- testowania zgodności rozkładu empirycznego z teoretycznym
|
||||||
|
- testowania normalności rozkładu
|
||||||
|
|
||||||
|
Funkcja `chisq.test` może służyć do:
|
||||||
|
-| testu zgodności lub testu niezależności
|
||||||
|
- testowania średniej populacyjnej przy znanym odchyleniu standardowym
|
||||||
|
- testowania normalności rozkładu
|
||||||
|
|
||||||
|
Test Kruskala-Wallisa jest nieparametrycznym odpowiednikiem:
|
||||||
|
-| jednoczynnikowej analizy wariancji ANOVA
|
||||||
|
- testu Shapiro-Wilka
|
||||||
|
- testu F dla wariancji
|
||||||
|
|
||||||
|
Test Wilcoxona stosuje się między innymi, gdy:
|
||||||
|
-| porównujemy rozkłady bez zakładania normalności
|
||||||
|
- zawsze znamy wariancję populacji
|
||||||
|
- badamy wyłącznie zmienne nominalne
|
||||||
|
|
||||||
|
Kowariancja ujemna oznacza, że:
|
||||||
|
-| wzrostowi jednej zmiennej zwykle towarzyszy spadek drugiej zmiennej
|
||||||
|
- zmienne nie mogą być ze sobą powiązane
|
||||||
|
- obie zmienne zawsze mają rozkład normalny
|
||||||
|
|
||||||
|
Dodatnia wartość współczynnika regresji $b_1$ w modelu $y=b_0+b_1x$ oznacza, że:
|
||||||
|
-| gdy $x$ wzrasta o 1, przewidywana wartość $y$ wzrasta o $b_1$
|
||||||
|
- gdy $x$ wzrasta o 1, przewidywana wartość $y$ maleje o $b_1$
|
||||||
|
- wartość $y$ jest zawsze równa $b_0$
|
||||||
|
|
||||||
|
Ujemna wartość współczynnika regresji $b_1$ w modelu $y=b_0+b_1x$ oznacza, że:
|
||||||
|
-| gdy $x$ wzrasta o 1, przewidywana wartość $y$ maleje o $|b_1|$
|
||||||
|
- gdy $x$ wzrasta o 1, przewidywana wartość $y$ wzrasta o $b_1$
|
||||||
|
- zmienna $x$ nie ma żadnego wpływu na $y$
|
||||||
|
|
||||||
|
Dla zmiennej losowej ciągłej prawdopodobieństwo $P(a<X<b)$ obliczamy jako:
|
||||||
|
-| $F(b)-F(a)$
|
||||||
|
- $f(b)-f(a)$
|
||||||
|
- $F(a)-F(b)$
|
||||||
|
|
||||||
|
Dla zmiennej losowej ciągłej prawdopodobieństwo $P(a<X<b)$ można obliczyć jako:
|
||||||
|
-| $\int_a^b f(x)dx$
|
||||||
|
- $\int_b^a f(x)dx$
|
||||||
|
- $f(a)+f(b)$
|
||||||
|
|
||||||
|
Dla zmiennej losowej wykładniczej z dystrybuantą $F(x)$ prawdopodobieństwo $P(X>a)$ wynosi:
|
||||||
|
-| $1-F(a)$
|
||||||
|
- $F(a)$
|
||||||
|
- $f(a)$
|
||||||
|
|
||||||
Która miara statystyczna opisuje przeciętną wartość obserwacji w próbie?
|
|
||||||
- Mediana
|
|
||||||
- Wariancja
|
|
||||||
-| Średnia arytmetyczna
|
|
||||||
- Odchylenie standardowe
|
|
||||||
|
|||||||
Reference in New Issue
Block a user