statystyka-machen/pytania.txt

// 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 $\int_{-\infty}^{\infty} f(x) dx$

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

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

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

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 — brakujące pytania ze statystyka.md

Funkcja gęstości prawdopodobieństwa ciągłej zmiennej losowej jest:
- dowolną funkcją przyjmującą wartości z przedziału od 0 do 1
- dowolną funkcją ciągłą, dla której pole pod wykresem wynosi 1
-| dowolną funkcją nieujemną, dla której pole pod wykresem wynosi 1

Zbiór wartości, który z prawdopodobieństwem $1-\alpha$ pokrywa prawdziwą wartość nieznanego parametru populacji, to:
- obszar krytyczny
- poziom ufności
-| przedział ufności

Do testowania hipotezy o normalności rozkładu populacji można użyć:
- funkcji `zsum.test`, jeśli próba jest duża
-| funkcji `chisq.test` po odpowiednim pogrupowaniu danych
- funkcji `z.test`, jeśli odchylenie standardowe populacji jest znane

Jeśli te same osoby rozwiązują kilka zadań w losowej kolejności i chcemy porównać rozkłady czasów ich rozwiązywania, użyjemy:
- testu Spearmana
-| testu Friedmana
- testu Kruskala-Wallisa

Konstruując szereg rozdzielczy lub histogram, należy zadbać, aby przedziały:
- mogły się nakładać, o ile nie są puste
- nie musiały pokrywać wszystkich wartości
-| były rozłączne i pokrywały cały zbiór wartości

Do weryfikacji hipotezy o dwóch średnich populacyjnych nie użyjemy:
- funkcji `zsum.test`, gdy próby są duże i nie pochodzą z rozkładu normalnego
-| funkcji `var.test`
- funkcji `t.test`, gdy próby pochodzą z rozkładu normalnego

Notacja $H_0:\mu \geq 5$, $H_1:\mu < 5$ opisuje:
- hipotezę lewostronną o średniej z próby
- hipotezę prawostronną o średniej populacyjnej
-| hipotezę lewostronną o średniej populacyjnej

Testu chi-kwadrat nie użyjemy bezpośrednio do testowania:
- niezależności dwóch zmiennych w tablicy kontyngencji
- równości dwóch proporcji populacyjnych
-| normalności rozkładu populacji

Moda (dominanta):
- oddziela 75% większych obserwacji od 25% mniejszych obserwacji
-| występuje najczęściej w zbiorze obserwacji
- jest wartością środkową w zbiorze obserwacji

Estymatorów współczynników równania regresji nie wyznaczymy za pomocą:
- metody najmniejszych kwadratów
- funkcji `lm(y~x)`
-| funkcji `anova(y~x)`

W analizie wariancji nie odrzucimy hipotezy zerowej, gdy wartość statystyki testowej jest:
- niższa od odpowiedniego kwantyla rozkładu t-Studenta
- niższa od odpowiedniego kwantyla rozkładu chi-kwadrat
-| niższa od odpowiedniego kwantyla rozkładu F-Snedecora

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:
- $N(\mu,\sigma/\sqrt{n})$
-| $N(n\mu,\sqrt{n}\sigma)$
- $N(0,1)$

Hipotezę zerową odrzucamy, gdy:
-| wartość statystyki testowej należy do obszaru krytycznego
- wartość statystyki testowej należy do przedziału ufności
- poziom istotności jest niższy niż p-value

Do weryfikacji hipotezy o dwóch proporcjach populacyjnych można wykorzystać funkcję:
- `t.test`
- `binom.test`
-| `prop.test`

Jeżeli $(L,U)$ jest 95% przedziałem ufności dla odchylenia standardowego populacji, to z ufnością 95% przedział ten:
- pokrywa prawdziwą wartość średniej populacyjnej
- pokrywa prawdziwą wartość odchylenia standardowego z próby
-| pokrywa prawdziwą wartość odchylenia standardowego populacji

Dodatnia wartość kowariancji między zmiennymi $X$ i $Y$ oznacza, że:
-| gdy wartość $X$ rośnie, wartość $Y$ zwykle również rośnie
- wartość $Y$ rośnie o wartość kowariancji, gdy $X$ rośnie o 1
- gdy wartość $X$ rośnie, wartość $Y$ maleje

Ujemna wartość współczynnika korelacji między zmiennymi $X$ i $Y$ oznacza, że:
- współczynnik korelacji nie może być ujemny
- wartość $Y$ maleje dokładnie o wartość współczynnika korelacji, gdy $X$ rośnie o 1
-| gdy wartość $X$ rośnie, wartość $Y$ zwykle maleje

Jeżeli chcemy sprawdzić, czy kolor samochodu wpływa na średnią sprzedaż danego modelu, a dostępne są co najmniej trzy kolory, najrozsądniej jest:
- przeprowadzić test chi-kwadrat równości dwóch wariancji
-| przeprowadzić analizę wariancji
- użyć `t.test` do porównania dwóch średnich

Gdy dwóch ekspertów sporządza rankingi tych samych tancerzy, do sprawdzenia zgodności ich opinii użyjemy:
- testu Pearsona
-| testu Spearmana
- testu Wilcoxona

Niech dyskretna zmienna losowa $X$ przyjmuje wartości $x_1<x_2<x_3$ z prawdopodobieństwami odpowiednio $p_1,p_2,p_3$. Wtedy $P(X=x_2)$ wynosi:
- $p_1$
- 0
-| $p_2$

Jeżeli $y=b_0+b_1x$ jest równaniem prostej regresji, to w teście istotności regresji hipoteza alternatywna ma postać:
- $\rho_{XY}=0$
-| $b_1\neq 0$
- $b_0\neq 0$

// 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

Statystyka to:
-| dowolna funkcja zmiennych losowych stanowiących próbę
- dowolna funkcja parametrów populacji
- 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

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

Błąd II rodzaju polega na:
-| nieodrzuceniu fałszywej hipotezy zerowej
- odrzuceniu prawdziwej hipotezy zerowej
- odrzuceniu fałszywej hipotezy zerowej

Wykres pudełkowy pozwala odczytać:
-| minimum, pierwszy kwartyl, medianę, trzeci kwartyl i maksimum
- średnią, wariancję i odchylenie standardowe
- wyłącznie wartości odstające

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

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

Test Kruskala-Wallisa jest nieparametrycznym odpowiednikiem:
-| jednoczynnikowej analizy wariancji ANOVA
- testu Shapiro-Wilka
- testu F dla wariancji

// Statystyka — uzupełnienie brakujących poprawnych odpowiedzi

Do testowania hipotezy o dwóch średnich populacyjnych dla dużych prób można wykorzystać funkcję:
- `t.test`
-| `zsum.test`
- `var.test`

Funkcja `binom.test` w R służy między innymi do:
- testowania równości wariancji dwóch populacji
-| testowania hipotezy o jednej proporcji populacyjnej
- testowania normalności rozkładu

Funkcja `lillie.test` służy do:
- testowania równości średnich dwóch populacji
-| testowania normalności rozkładu
- testowania niezależności zmiennych w tablicy kontyngencji

W celu zbadania liniowej zależności między dwiema zmiennymi ilościowymi można zastosować:
- test Spearmana wyłącznie dla danych nominalnych
-| test Pearsona
- test Kruskala-Wallisa

Współczynniki liniowego modelu regresji $y=b_0+b_1x$ można wyznaczyć w R za pomocą:
- `anova(y~x)`
-| `lm(y~x)`
- `chisq.test(y~x)`

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:
- $N(n\mu,\sqrt{n}\sigma)$
-| $N(\mu,\sigma/\sqrt{n})$
- $N(0,1)$

Hipotezę zerową odrzucamy na poziomie istotności $\alpha$, gdy:
- $p\text{-value}>\alpha$
-| $p\text{-value}<\alpha$
- $p\text{-value}=1-\alpha$