ZStat Teorija (Bonus) Cekanavicius Murauskas

Literatra
STATISTIKA
IR
JOS TAIKYMAI
V.ekanaviius, G.Murauskas
V. ekanaviius, G. Murauskas
Pastaba:
iuolaikin statistika tai mokslas

apie informacijos
rinkim,
sisteminim,
analizavim,
interpretavim.
mogus, kuris nesustodamas skrupulingai

visk vis skaiiuoja ir skaiiuoja ir dar
klasifikuoja ir klasifikuoja nra statistikas.
(greiiau jau serga izofrenija).
statistika, tai ne tik ir ne tiek duomen
sisteminimas, kiek tam tikr hipotezi
tikrinimas.
tai ir bus ms pagrindin duona
(divsis).
Statistika ir jos taikymai I, II
Trys statistikos dalys:
Pagrindiniai statistikos terminai
Duomen rinkimas
Populiacija - objekt, kuri savybs tiriamos, aib.

Imtis - tai populiacijos dalis, kuri naudojama
statistiniame tyrime.
Apraomoji statistika, nagrinjanti

duomen sisteminimo metodus.
Parametras - populiacijos charakteristika

(apibendrinantis matas).
Statistins ivados analizs ir

interpretavimo metodai.
Statistika - imties charakteristika

(apibendrinantis matas).
5
Kodl reikia statistikos (mokslo)?
Populiacija
Tiriamos didels populiacijos.

Surinkti informacij apie vis populiacij
labai brangu ir ilgai trunka.
Nemanoma ivardinti vis populiacijos
element (pvz., bedarbi , valdinink,
narkoman populiacijos vis laik kinta).
Imtis
Kokia turi bti imtis?
Kintamojo svoka
Imtys turi bti reprezentatyvios.

Imtis reprezentatyvi, jei ji teisingai atspindi
tiriamo poymio galim reikmi
populiacijoje proporcijas.
Toliau laikoma, kad imtis paprastoji
atsitiktin grintin imtis.
Kai populiacija didel - daniausiai nra
didelio skirtumo tarp grintins
irnegrintins imi.
Populiacijos, kartu ir imties,

elementus vienija tiriamasis poymis.
Matuodami poym, gauname tam
tikr dyd, kuris kinta kartu su imties
nariais.
is dydis vadinamas kintamuoju.
Matuojam
pasirinkt poym!
10
Matavim skals yra skaii

(arba simboli) priskyrimo objektams ar
vykiams metodai.
Parenkama
Matuojama
Matavim skals:
Pavadinim
Rang
Interval - Santyki
Populiacija
Imtis
Duomenys
11
12
Pavadinim skal
Pavadinim skal
Duomen aib, gauta naudojant i skal,

susideda i vard, antrai ar kategorij.
- Nomen lotynikai vardas.
Objektus galima tik klasifikuoti, t.y. priskirti
vienai ar kitai grupei.
Kiekvienas objektas priskiriamas vienai ir
tik vienai grupei.
ioje skalje aritmetins operacijos neturi
prasms.
Tautyb: Lietuvis, rusas, lenkas . . .

Ekonomins
veiklos
klasifikavimas:
gamybiniai, prekybiniai, finansiniai verslai
Pato indeksas: 2005,1011,
Optimistai
13
Neapsisprend
14
Rang skal
Rang skal
mokymosi lygis: vidurinis,auktasis,

mokslo vardai: daktaras, hab. daktaras,
varybose uimtoji vieta: 1,10,
i skal naudojama tada, kai statistikas

gali nustatyti objekt tiriamo poymio,
savybs skirtumus ir pagal tai juos
irikiuoti eil.
Nuomon apie sutuoktin:
Objektus galima ne tik skirstyti klases,

bet ir jas sutvarkyti.
Pesimistai
Nekenia
15
Kenia
Ignoruoja
Mgsta
Myli
16
Interval-santyki skal
Interval-santyki skal
Celsijaus ir Fahrenheito temperatr skals.
Matavimams naudojant i skal, objektus

galima ne tik klasifikuoti, tvarkyti, bet ir
kiekybikai vertinti skirtumus tarp klasi.
Nulinis takas interval skalje yra laisvai
parenkamas ir nereikia tiriamos savybs
nebuvimo.
-Nulis laipsni pasirenkamas laisvai.

-Nulis nereikia ilumos ar alio nebuvim.
Kalendorinis laikas.
prie 4000m
Biblin pradia
Krikionybs pradia
VII a.
17
Islamo pradia
18
Skaiiuojant statistik danai:

ranginis kintamasis su 4 ir maiau
skirting rang- traktuojamas, kaip
nominalus.
ranginis kintamasis su 5 rangais
traktuojamas, kaip intervalinis (jam
skaiiuojamas vidurkis ir pan.)
Apraomoji statistika
19
Apraomoji statistika leidia koncentruotai

urayti informacij, esani dideliuose
duomen masyvuose.
Todl ji gali bti naudojama ir visos
populiacijos duomenims apdoroti.
Reikm
x1
Santykinis
danis
Sukauptasis
santykinis
danis
xk
f1/n f2/n
...
...
f1/n (f1+f2)/n
...
(f1+f2 +
...+fk)/n
21
x2
fk/n
Duomen grupavimas
Duomen
grupavimas
22
Intervalini dani lentel
Nustatoma:
Grupavimo interval skaiius.
Grupavimo interval plotis.
Interval kratiniai takai.
Palyginkime
Darb.sk.
[30,35)
[25,30)
[20,25)
[15, 20)
[10,15)
[5,10)
Grupavimo interval ilgiai vienodi,

intervalai nesikerta, kiekviena kintamojo
reikm patenka tik vien interval.
20
Dani lentels
Apraomoji statistika tai duomen sisteminimo ir grafinio

vaizdavimo metodai
Danis
1
4
6
9
3
2
= 25
23
Intervalin
Skaiius
30
29
25
20
19
18
17
15
14
13
5
Danis
1
1
3
6
1
2
1
5
2
1
2
Paprastoji
24
10
Grupuot duomen grafinis

vaizdavimas
Grupuotiems duomenims daniausiai

braioma histograma,
t.y. empirins grupuot duomen tankio
funkcijos grafikas.
Count
0
[5,10)
[10,15)
[15,20)
[20,25)
[25,30)
[30,35)
VAR00002
Cases weighted by VAR00003
25
Vidurkis
Vidurkis
26
Pavyzdys
Imties vidurkis (imties didumas n)
Dviej firm programuotoj atlyginimas:

I : 1000;2000;3000;5000;9000 Lt
II: 4000;4000;4000;4000;4000 Lt
x + x 2 + ... + x n
x = 1
n
Populiacijos vidurkis (populiacijos didumas N)
Atlyginim vidurkis 4000 Lt.

Taiau matome, kad I firmoje yra ir dideli
ir ma atlyginim, II visi vienodi.
x 1 + x 2 + ... + x N
N
27
Dispersijos
Imties dispersija
(x1 x) + (x2 x) +...(xn x)

=
n -1
1 2 2
n
(x1 + x2 +...+ x2n )
(x)2
n -1
n -1
2
s2 =
29
28
savybs
Jos privalumas yra tas, kad atsivelgiama

visus duomenis ir pateikiamas vidutinis
skirtum nuo vidurkio kvadratas.
Dispersija visuomet neneigiama.
Dispersija lygi nuliui tik tuo atveju, kai visi
stebjimai lygs.
30
Standartinio nuokrypio savybs
Standartinis nuokrypis
s=
Standartinis nuokrypis matuojamas
s2
= 2
tokiais paiais vienetais kaip ir

patys duomenys.
J lengviau interpretuoti ir lyginti su
duomenimis nei dispersij.
Imties
Populiacijos
31
Pavyzdys
Normalioji kreiv
Imtis: 1000,2000,3000,5000,9000 Lt
Vidurkis 4000 Lt
Dispersija 9750000 Lt2
Std = 3122,4989... Lt
Empirikai nustatyta, kad daugelis

histogram yra panaios funkcijos
x ,s
32
33
1
2 s 2
exp
(x - x ) 2
2s 2
grafik.
34
Normalioji kreiv ir histograma
Koreliacija
35
Koreliacijos koeficiento savybs
Tiesin priklausomyb
Koreliacijos koeficientas yra skaiius tarp 1 ir 1:
1 (X, Y) 1
Kuo tiesin priklausomyb stipresn, tuo

koreliacija toliau nuo nulio.
37
38
Koreliacija
Vertinimas i akies
| r | < 0.3 korelicija labai silpna

0.3 < | r | < 0.5 silpna koreliacija
0.5 < | r | < 0.7 vidutin koreliacija
0.7 < | r | < 0.9 stipri koreliacija
0.9 < | r | =< 1 labai stipri koreliacija
39
40
Koreliacijos koeficiento savybs

Jeigu (X,Y) > 0, tai didesnius X atitiks
didesni Y), jeigu (X,Y) < 0, tai
didesnius X atitiks maesni Y.
Koreliacijos koeficientas nematuoja
netiesins priklausomybs.
Statistins ivados
41
42
Tyrimo schema
Statistins ivados
Tikslas, ityrus imtis, padaryti ivad
apie vis populiacija.
Daniausiai vertiname kakoki skaitin
charateristik:
Vidutin
Tyrimo hipotez
reikm (vidurk)
Statistin hipotez
Proporcij
Reikmi
isibarstym (dispersij)
priklausomyb (koreliacij)
Imties tyrimas
Kintamj
Jas vadinsime paramterais.

Ivada
43
44
Statistin hipotez
Tyrimo hipotez
Statistin hipotez - tai teiginys apie

populiacijos parametr (parametrus).
Statistin hipotez niekada nra teiginys apie
imties statistik.
Tai yra tai, k tyrjas tikisi. Pavyzdiui,

1. Kompanijoje diskriminuojami vyresnio
amiaus darbuotojai.
2. Jaunimo gaujose vaikinai vidutinikai
vyresni, nei merginos.
3. Nusikaltim skaiius priklauso nuo policijos
patruli skaiiaus.
Tyrimo hipotezse formuluojamos moni
(kartais teisinink) kalba, be matematikos.
Statistin hipotez ir tyrimo hipotez skirtingi dalykai.

Statistin hipotez nerodoma - ji priimama
arba atmetama, atsivelgiant imties
duomenis.
Statistin hipotez tik dalis statistinio tyrimo.
45
Statistin parametrin hipotez

sudaro du alternatyvs teiginiai
46
Statistins hipotezs pavyzdiai:
Nulin hipotez H0 . Daniausiai tai

teiginys, kad jokio parametr skirtumo
nra.
H 0 : = 180
H1 : 180
Alternatyvioji hipotez (alternatyva) H1 .

Tai teiginys, kad parametrai skiriasi.
H 0 : 180
H1 : > 180
47
dvipus alternatyva
vienpus alternatyva
48
Grieta nelygyb raoma tik

alternatyvoje H1
Pavyzdys
Tyrimo hipotez: Firma diskriminuoja vyresnio
amiaus darbuotojus.
Duomenys: Tarkime, kad vyresni nei 60m
darbuotojai sudaro a dal vis darbuotoj.
Takime p yra vyresenij dalis tarp
atleistj.
Statistin hipotez:
Nordami tai pabrti raysime
H 0 : = 180
H 1 : > 180
: 180
H 1 : > 180
o ne H 0
H0: p=a
H1: p>a
49
Pavyzdys
50
Klaid klasifikacija
Kadangi imtis yra atisitktin, tai neivengiamai
galima padaryti tokias klaidas
Pirmos ries klaida. Atmetame H0 , o ji
teisinga.
Antros ries klaida. Priimame H0 , o ji
klaidinga.
Tyrimo hipotez: Nusikaltim skaiius

priklauso nuo policijos patruli skaiiaus.
Duomenys: Tarkime, kad inome kiek naktimis
budjo policijos patruli ir kiek nusikaltim
vykdyta gatvse.
Statistin hipotez:
H0: = 0
H1: < 0
Primena galimai klaidingus teismo (bent jau

prisiekusij) sprendimus.
51
Pavyzdys
= mot
52
Reikmingumo lygmuo
H 0 : vyr
H 1 : vyr > mot
Nemanoma abiej ri klaidas
padaryti labai maomis.

Daniausiai fiksuojama pirmos ries
klaidos tikimyb, kuri vadinama
kriterijaus reikmingumo lygmeniu .
Kaip taisykl = 0.05.
Tai reikia, kad jei jau skelbsime apie
statistikai reikming skirtum, tai
garantija bus nemaesn u 95 %.
(gaujose vyresni vyrai)
I ries klaida - nusprsti, kad vidutinikai

vyresni vyrai, nors i tikrj taip nra.
II ries klaida - nusprsti, kad vyrai nra
vyresni, nors i tikrj jie vyresni.
53
54
Kaip nusprendiama ar atmesti H0
Kriterijaus galia
Surandame statistikos reikmi srit (kritin

srit), kur esant teisingai nulinei hipotezei
neturtume pakliti.
Jei imties statistika patenka kritin srtit nulin hipotez H0 atmetame.
Kritin sritis naudojama, kai hipotezs
tikrinamos, skaiiuojant rankomis.
Kai hipotezs tikrinamos statistiniais
paketais, lengviau sprsti pagal
p-reikm.
Tikimyb nepadaryti antros ries klaidos

vadinama kriterijaus galia :
P ( atmesti neteising H0 ) =
Kriterijaus galia i anksto nefiksuojama.
Galingesnis tas kriterijus, kurio didesnis.
55
P-reikm
56
Tegul reikmingumo lygmuo lygus , o

p-reikm lygi p . Tuomet:
p - reikm yra tikimyb atmesti teising H0

suskaiiuota konkretiems duomenims.
Reikmingumo lygmuo teorinis trokimas
prie analizuojant duomenis.
(pasiadjimas, kad sprendimo klaidos
tikimyb bus nedidesn u 5%).
P-reikm: tikimyb velti klaid konkretiems
duomenims.
Gerai, kai p-reikm maa (maesn u
reikmingumo lygmen).
H0 atmetame, jeigu
p<
H0 neatmetame, jeigu
57
Pastabos:
58
Statistini ivad formulavimas

Jei atmetame nulin hipotez H0 , tai
sakome, kad imties statistika
statistikai reikmingai skiriasi nuo
spjamo populiacijos parametro.
Ir kritin sritis ir p-reikm skaiiuojami

konkreios imties konkretiems
duomenims.
p-reikm priklauso ir nuo imties didumo!
reikmingumo lygmuo pasirenkamas
nepriklausomai nuo imties.
Statistikai reikmingas skirtumas

tereikia, kad maai tiktina, jog H0
teisinga.
59
60
10
Nota bene
Parametrinio kriterijaus sudarymo ir

taikymo etapai:
Neatmesta nulin hipotez tereikia, kad

turimi imties duomenys jai neprietarauja.
Galbt tiesiog duomen per maai, kad
nulin hipotez galima bt atmesti.
Udavinio formulavimas.
Tikimybinio modelio parinkimas.
Statistins hipotezs uraymas.
Kriterijaus taikymas.
Ivad formulavimas.
Statistikai reikmingas skirtumas ir tyrimo

prasme reikmingas skirtumas ne tas pat.
Statistikai reikmingu gali bti pripaintas ir
labai maas skirtumas vien todl, kad
duomen labai daug.
61
62
Duomenys
Hipotez apie vidurkio
lygyb skaiiui
Stjudento t-testas vienai imiai
Viena intervalini duomen imtis

(x1,x2,,xn) gauta matuojant normalj
atsitiktin dyd
X~N(,
, 2 )
dispersija 2 neinoma.
63
Statistin ivada
su p - reikme
Statistin hipotez:
: = a
: a
64
H0 atmetame (vidurkis stat. reikmingai

skiriasi nuo a , jei
p<
H0 neatmetame (vidurkis stat. reikm.

nesiskiria nuo a), jei
(hipotez formuluojama populiacijai)

ia
65
- reikmingumo lygmuo
66
11
Pavyzdys
Statistin hipotez:
krepinio sirgalius igr 1.1; 2; 3; 0; 0.5;

1; 5; 4; 2; 1.5; 0.5 l alaus.
ar vidutinis igerto alaus kiekis stat.
reikmingai skiriasi nuo 1 l?
taigi, bandome atsiriboti nuo
pasiteisinim, kad ia jau taip ijo, o tai
apskritai tai ...
67
: =1
: > 1
68
Dvi imtys, gautos matuojant

nepriklausomus kintamuosius.
Imi didumai gali skirtis.
vienaip t-kriterijus taikomas, kai
dispersijos lygios ir kitaip, kai ne.
aptarsime abudu atvejus.
Stjudento t kriterijus,
taikomas nepriklausomoms
imtims
69
Duomenys

Statistin hipotez:
Dvi intervalini duomen imtys

(x1,x2,,xn) ir (y1,y2,,ym) gautos
matuojant du nepriklausomus
normaliuosius atsitiktinius dydius
X~N(
X, 2 )
70
H0: x = y
H1: x = y
ir
Y ~N(
Y, 2 ) , Vidurkiai X , Y ir
dispersija 2 neinomi.
71
(hipotez formuluojama populiacijoms)
72
12
Pavyzdys
Statistins ivados
su p - reikme
keli magistrai ir keli fuksai balais vertino

idj egzamino paym leisti suinoti tik
paiam laikaniam studentui.
magistrai: 7,6,5,8,9,10,9,8,7,6
fukseliai: 5,6,7,6,5,4,8,2,5,6
Ar apklaust magistr ir fuks nuomons
skiriasi statistikai reikmingai?
(t.y. ar galima laikyti, kad vis magistr ir
vis fuks nuomons skiriasi)
H0 atmetame (vidurkiai stat. reikmingai

skiriasi) , jei
p<
H0 neatmetame (vidurkiai stat. reikm.

nesiskiria), jei
p >=
ia
73
74
Statistin hipotez:
Stjudento t kriterijus,
taikomas priklausomoms
imtims
(porinis t testas)
H0: M = F (vertina vienodai)

H1: M = F (vertina
nevienodai)
75
76
Tiriame:
Dvi imtys, gautos matuojant
priklausomus kintamuosius.
Imi didumai vienodi.
Galima sivaizduoti, kad kiekvienam
respondentui turime matavim
poras (x,y).
Danai duomenys gaunami dukart
imatavus t pat respondent.
Ar dieta buvo efektyvi.

Ar knygas respondentai skaito trumpiau,
nei iri TV.
Ar student IQ met pradioje buvo
didesnis, nei pabaigoje.
Ar vyresnieji vaikai labiau link prisiimti
atsakomyb, nei j broliai ar seserys.
Visais atvejais dukart matuojame

tuos paius respondentus.
77
78
13
Duomenys

Statistin hipotez:
Intervalini duomen poros (x1,y1),

(x2,y2),, (xn,yn) gautos matuojant du
priklausomus normaliuosius atsitiktinius
dydius
X~N(
X, X2 )
H0: x = y
H1: x = y
ir
Y ~ N(
Y, Y2 ) , Vidurkiai X , Y ir
dispersijos X2 , Y2 neinomi.

79
80
Statistins ivados
su p - reikme
Hipotez apie koreliacijos

koeficiento lygyb nuliui
H0 atmetame (vidurkiai stat. reikmingai

skiriasi) , jei
p<
H0 neatmetame (vidurkiai stat. reikm.

nesiskiria), jei
Ar du kintamieji koreliuoja
p >=
ia
81
Duomenys
Pavyzdiai
Ar studentai tuo geriau mokosi, kuo
daugiau turi pinig?
Ar geresniais balais stoj, geriau ir po
to mokosi?
Ar IQ ir igeriamo alkoholio kiekis
susijs?

Visais atvejais skaiiuojame ar

kintamieji koreliuoja.
82
83
Intervalini duomen poros (x1,y1),

(x2,y2),, (xn,yn) gautos matuojant du
priklausomus normaliuosius atsitiktinius
dydius
X~N(
X, X2 )
ir
Y ~ N(
Y, Y , Vidurkiai X , Y ir
dispersijos X2 , Y2 neinomi.
2)
84
14
Statistin hipotez:
Statistin hipotez:
H 0 : = 0
H 1 : 0
H 0 : nekoreliuoja
H1 : koreliuoja
85
Statistin ivada
su p - reikme
86
ANOVA
H0 atmetame (kintamieji stat. reikmingai

koreliuoja, jei
Vienfaktorin
dispersin analiz
p<
H0 neatmetame (kintamieji stat. reikm.

nekoreliuoja), jei
ia
ANalysis Of VAriance
87
88
PAVYZDIAI
ANOVA yra t kriterijaus

apibendrinimas keletui
nepriklausom imi.
Jei dispersijos lygios, dviems imtims

ANOVA ir t kriterijus duoda t pat
atsakym.
89
ar lietuviai, latviai ir karelai tiek pat

laiko naro internete,
ar priklauso klaid skaiius nuo
igerto vyno ries,
ar vis kurs studentai vienodai
intelektuals,
ar vidutinikai vienodai garsiai rkia
L. Ryto ir K. algirio sirgaliai.
90
15
Kodl neutenka t testo?
iek tiek termin ...
Nes iauga tikimyb bent kart rasti neesam

skirtum!!!
Matuojame keli grupi respondentus
Lyginame keturias grupes t testu:

Vienas t-testas (
= 0.05) I ries klaida = 5.0% (1-0.95)
Du t-testai
bent viena I ries klaida = 9.8% (1-0.952)
I grup
Trys t-testai bent viena I ries klaida = 14.3% (1-0.953)

...
ei t-testai bent viena I ries klaida = 26.5% (1-0.956)
91
92
Kintamieji:
Normals
Lygi dispersij
Nepriklausomi
tai, pagal k skirstome grupes nepriklausomas kintamasis arba

faktorius (tautyb, vyno ris,
kursas). Faktorius - kategorinis.
93
94
Statistin ivada
su p - reikme
Statistin hipotez:
H0: 1 = 2 == k
H0 atmetame (ne visi vidurkiai lygs), jei
p<
H1: ne visi vidurkiai

lygs
H0 neatmetame (visi vidurkiai stat. reikm.

nesiskiria), jei
ia
III grup
ANOVA prielaidos
tai, k matuojame - priklausomas

kintamasis ( laikas internete, klaid
skaiius, IQ,). Priklausomas
kintamasis - intervalinis.
I I grup
95
96
16
ANOVA lentel
Kvadrat suma
Grupi 64
Vidin 84.00
Visa
148
Source Sum of Squares

Between
SSB
Within
SSW
Total
SST
Pavyzdys
LL
2
12
Dispersijos v. F
32
4.5
7
df
k-1
N-k
N-1
Mean square
MSB
MSW
p
< .05
F
F
p
p
Vienoje firmoje 2 brigados m dirbti

grojant skirtingai muzikai: klasikai ir pop.
Treioji grup - kontrolin.
Duomenys:
1 grup: 760, 722, 695, .
2 grup: 691, 653, 681, .
3 grup: 723, 747, 771, .
97
ANOVA skirtumus rado,

kas toliau ?????
Pavyzdys
H0: 1 = 2 = 3
H1: ne visi lygs
Kvadrat suma
Grupi
39016,4
Vidin
10617
Visa
49633,4
LL Dispersijos v. F
2
19508,2
49,6
27
393,2
Toliau : POST HOC testai.

Tikslas: Nustatyti kuri grupi
vidurkiai skiriasi statistikai
reikmingai.
p
< .05
99
100
Post hoc : Stebuklai su

vidurkiais
Keletas termin
Post hoc : Stebuklai su vidurkiais
POST HOC testai taikomi PO Anovos.

Padeda rasti besiskirianias grupes.
Gali:
Aprioriniai testai taikomi VIETOJE

Anovos.
98
101
stat. reikm. nesiskirti nuo
stat. reikm. nesiskirti nuo
stat. reikm. skirtis nuo
102
17
Statistin ivada
su p - reikme
Daniausiai taikomi post hoc testai:

LSD testas (nerekomenduojame).
Bonferroni testas - liberalus, danai
ras skirtumus.
Tukey HSD testas - konservatyvus,
labai nelinks vidurki skirtumus
pripainti stat.reikmingais.
Dar yra Scheffe ir DAUG kit.
Vidurkiai stat. reikmingai skiriasi, jei
p <
Vidurkiai stat. reikmingai, nesiskiria, jei
ia
103
104
Blokuot duomen
dispersin analiz
Pavyzdyje apie muzik ir darb:

Bonferroni:
Skiriasi: klasika ir tyla, pop ir tyla.
Nesiskiria: klasika ir pop.
Repeated measures ANOVA
105
106
PAVYZDIAI
Blokuot duom. ANOVA

yra porinio t kriterijaus
apibendrinimas keletui
priklausom imi.
kraujospdis matuojamas po
mnesio, po pusmeio ir po met.
Iekoma skirtum.
stebime studento IQ kitim

pereinant i kurso kurs.
Neparametrinis analogas - Friedman

testas.
107
ta pati iuri vertina kelias grauoles.

108
18
iek tiek termin ...
Blokuotieji duomenys
tai, k matuojame - priklausomas

kintamasis ( rezultatas, vertinimas).
Priklausomas kintamasis intervalinis.
1 slyg. 2 slyg. 3 slyg.

1 blokas
2 blokas
duomenis sudaro blokai daniausiai kelis kartus pamatuoto

respondento rezultat vektorius.
3 blokas
109
110
Lygios skirtum dispersijos
Blokins ANOVA prielaidos
1 skirtumas
Kintamieji:
Normals
Lygi dispersij
Kintamj skirtum dispersijos lygios
(sferikumo prielaida)
1
matavi
mas
111
Statistin hipotez:
2 skirtumas
2
matavi
mas
3
matavi
mas
112
Pavyzdiui:
H0: visi vidurkiai lygs
H0: visos grauols vidutinikai

vertinamos vienodai
H1: ne visi vidurkiai lygs
H1: ne visos vertinamos vienodai
113
114
19
Statistin ivada
su p - reikme
POST HOC testai
Vidurkiai stat. reikmingai skiriasi, jei
Taikomi ir interpretuojami, kaip ir

vienfaktorinje ANOVA.
p <
Vidurkiai stat. reikmingai, nesiskiria, jei
ia
DANI LENTELS
115
116
ia pateikiami kriterijai pritaikomi tik

duomen aibms uraytoms dani
lentelmis.
Praktikai aptariamas tik vienas -
(chi-kvadrato)
kriterijus ir jo modifikacijos.
Kokie bna kvadratai
Suderinamumo kriterijus
(goodness of fit)
suderinamumo kriterijus yra
Hipotezs apie proporcijos lygyb

skaiiui apibendrinimas.
CHI SQUARE
20
Suderinamumo kriterijus
diskreiajam skirstiniui
Pavyzdys. 60 atsitiktinai parinkt irov
atsak klausim, kokia televizija geriausia.
Atsakymai:
TV kanalas
II III IV
Pasirinko
8 10
Jei visi 6 kanalai bt vienodai populiars,

kiekvien kanal rinktsi kas etas
respondentas.
1
Taigi, pirm kanal rinktsi
60 = 10
6
respondent, ir antr 10 ir t.t.
TV
II
III IV V
Pasirinko
10 12 12 13
VI
12 12 13
Ar remiantis iais duomenimis galima sakyti,

kad populiacijoje vis kanal reitingai yra
vienodi?
suderinamumo kriterijus
Duomenys. Viena kategorin imtis.

Pagal vien poym visi n imties
respondent suskirstomi k kategorij.
kiekvienoje kategorijoje bent 5 resp.
spjame, kokia dalis populiacijos
paklius pirm kategorij, kuri antrj ir
t.t
Statistin hipotez:
H0 : Spjimas teisingas.
H1 : Spjimas neteisingas.
stebime
Turi rinktis 10 10 10 10 10 10
tikims
Reikt tikrinti ar labai (t.y. ar statistikai
reikmingai) skiriasi 5 nuo 10; 8 nuo 10 ir t.t.
VI
Statistin hipotez galima urayti

vairiai. Pvz.
H0 : I TV kanal rinksis 1/6 populiacijios,
II TV kanal rinksis 1/6 populiacijos,...
H0 : TV kanal irov santykis
1:1:1:1:1:1
arba 10:10:10:10:10:10
Kriterijaus statistika
inome o m
- kiek imties
respondent pateko m-t kategorij;
suskaiiuojame, kiek imtyje turt bti
toki respondent, jei nulin hipotez
(spjamas santykis) bt teisingas:
e m = n p 0m
21
Statistin ivada
su
p - reikme
Pavyzdiai
H0 atmetame (duomenys spjamos proporcijos

stat. reikmingai nepatvirtina, jei
p<
H0 neatmetame (duomenys spjamai proporcijai

stat. reikm. neprietarauja), jei
ia
1.
2.
3.
4.
5.
6.
Tikriname brokuot gamini procent.

Tikriname ar avarijos daniau vyksta
penktadieniais, nei kitomis savaits dienomis.
Ar sportinink kraujo parametrai skiriasi nuo
populiacijos kraujo parametr.
Ar reikia keisti pakuoi proporcijas.
Ar duomenys turi Puasono skirstin.
Ar duomenys turi Normalj skirstin.
kriterijus. Poymi
nepriklausomumo tikrinimas
Porini dani lentels

sex Respondent's Sex * life Is Life Exciting or Dull Crosstabulation
1 Male
2 Female
Total
Count
% within sex
Respondent's Sex
% within life Is Life
Exciting or Dull
Count
% within sex
Respondent's Sex
Exciting or Dull
Count
% within sex
Respondent's Sex
Exciting or Dull
life Is Life Exciting or Dull

1 Exciting 2 Routine
3 Dull
213
200
12
Total
425
50,1%
47,1%
2,8%
100,0%
49,1%
39,6%
29,3%
43,4%
221
305
29
555
39,8%
55,0%
5,2%
100,0%
50,9%
60,4%
70,7%
56,6%
434
505
41
980
44,3%
51,5%
4,2%
100,0%
100,0%
100,0%
100,0%
100,0%
213 i 434 sudaro 49.1%, 221 50.9%

Duomenys

Du kategoriniai kintamieji.
inome kiekvieno repondento abiej
kintamj reikmes.
Kategorij gali bti keletas.
Pvz. Lytis (vyr., mot.); Tikyba (katal.,
protest., islamas) ir pan.
Danai reikia nusprsti ar du

kategoriniai kintamieji yra
nepriklausomi (priklausomi):
Ar nusikalstamumo lygis priklauso nuo
bedarbysts lygio?
Ar usienio politika priklauso nuo to,
kokia partija yra valdioje?
Ar perkamo automobilio spalva
priklauso nuo perkaniojo lyties?
Statistin hipotez:
H0 : poymiai nepriklausomi
H1 : poymiai priklausomi
22
Statistin ivada
su p - reikme
H0 atmetame (poymiai stat. reikmingai
priklausomi), jei
p<
H0 neatmetame (poymiai stat. reikm.

nepriklausomi), jei
ia
homogenikumo kriterijus.
Pavyzdiai.
ar rko vienodas vis tikyb atstov

procentas;
ar vyrai ir moterys turi panaius rinkim
prioritetus;
ar vyrai sudaro tok pat psichologijos ir
filologijos student procent.
Statistin ivada
su p - reikme
H0 atmetame (populiacijos stat.
reikmingai skiriasi), jei
p<
H0 neatmetame (populiacijos stat. reikm.

nesiskiria), jei
ia
kriterijus. Poymi
homogenikumo tikrinimas
Kadangi vis tiek lyginamos procentins

sudtys, tai galima hipotezes formuluoti
ir procent terminais:
vienas poymis stebimas keliose
populiacijose;
tikriname, ar visose populiacijose
poymis vienodai pasiskirsts;
skaiiuojama, kaip ir nepriklausomumo
atveju
Statistin hipotez:
H0 : pagal tiriam poym
populiacijos nesiskiria.
H1 : populiacijos skiriasi.
Pastabos
2 kriterijus labai jautrus duomen
skaiiui.
negali bti daug pustui kategorij.
(nedaugiau 25%)
taikomas ir ranginiams duomenims, jei
rang maiau, nei 5.
nenusako prieastingumo.
23
Tiesin regresija - toks modelis,

kai vien (priklausom)
kintamj takoja vienas arba
keletas (nepriklausom)
kintamj.
Tiesin regresija
139
PAVYZDIAI
PAVYZDIAI
ar poegzamininis dirglumas
priklauso nuo gauto paymio, nuo
egzamino trukms ir nuo ko labiau,
kaip antikvarins keramikos kaina
priklauso nuo jos senumo ir aukciono
dalyvi skaiiaus,
ar diplomo paymi vidurkis ir
komunikabilumas gali padti
prognozuoti bsim atlyginim.
141
imatavome IQ pirmame kurse. Ar

galima prognozuoti koks bus
studento diplomo paymi vidurkis?
kiek padids pelnas, padidinus
reklamos ilaidas 10 000 Lt?
kok vidutin valstybinio egzamino
bal galima prognozuoti mokiniui per
baigiamj kontrolin surinkusiam 87
tk.?
142
Pavyzdys:
Kodl neutenka koreliacijos?
Koreliacija tarp ilaid reklamai ir

pajam yra 0,99.
Taigi, priklausomyb labai stipri.
Taigi, didjant reklamos ilaidoms,
bendrosios pajamos didja.
Ar naudinga firmai padidinti ilaidas
reklamai?
Atrodyt, kad taip!
Koreliacija nustato ar stipri yra

kintamj priklausomyb.
Koreliacija nustato, tiesiogin ta
priklausomyb ar atvirktin.
Koreliacija neleidia daryti
prognozi.
140
143
144
24
Gali bti taip...
Taiau, kartais koreliacijos

koeficiento negana!!!
1 Lt reklamai atnea kelis Lt pajam.

Valio!!!
Pelnas padids!
pajamos
- Ne, negaliu patikti, - atsak Alisa.

- Negali? - ujausdama paklaus
Karalien. - Dar kart pamgink:
giliai kvpk ir usimerk.
L.Kerolis
ilaidos reklamai
145
Bet gali bti ir taip...
146
Regresija tinka prognozms.
1 Lt reklamai atnea kelis centus pajam.
Pavyzdiai:
nustatyti gio ir svorio priklausomyb,
rodyti mediagos kancerogenin
poveik,
nustatyti nusikaltim skaiiaus ir
gyventoj tankumo priklausomyb.
pajamos
Vaje!!!
Pelnas sumas!
ilaidos reklamai
147
Duomenys
148
MODELIS
Y = 0 + 1X 1 + ... + n X n + e
(X11,, X21,, X31,,, Xk1,, Y1) , .,

(X1n,, X2n,, X3n,,, Xkn,, Yn) .
tai, k prognozuosime priklausomas kintamasis ( Y , kaina)
pagal k - nepriklausomi kintamieji
(regresoriai) ( X-ai , metai, dalyvi
skaiius).
149
Y priklauso nuo stebim X- ir nuo

dar kakoki nestebim dalyk e.
e atsitiktinis dydis (normalus) su 0
vidurkiu ir neinoma dispersija.
150
25
Visi kintamieji intervaliniai*.
Modelis grafikai
* iskyrus pseudokintamuosius .
X-ai vienas kito neveikia,
X-ai veikia Y-.
vieno X-o per kitus neireiki.
X1
151
Parametr vertinimas
152
em = ym - y(x1m, x2m,... xkm)
y(x) = a + b1x1 + ... + bkxk
= ym - (a + b1x1m + + bkxkm)
Liekamosios paklaidos suskaiiuojamos
visiems duomenims
bt kiek galima ariau vis stebim ym

153
154
Kai yra vienas kintamasis
Maiausi kvadrat metodas:

Parametrai a ir b1,...bk parenkami
taip, kad bendroji paklaid
suma
SSE = e12 + e 22 + ... + e 2n
Surandame a ir b, tokius, kad ties
y(x) = a + bx
(regresijos ties) bt kiek galima ariau
vis sklaidos diagramos tak.
bt maiausia.
X3
Liekamoji paklaida
Surandame a ir b1, b2,... bk tokius, kad

regresijos funkcijos reikms
X2
155
156
26
Atstumas tarp (xm,ym) ir tiess
Gauta lygtis y(x) gali bti taikoma

prognozms.
y(x) = a + b1x1 + ... + bkxk

bk parodo, kiek padids y , jei xk
padids vienetu.
157
kaina = 1000+
4*Metai+ 200*Dalyviai
Prognozuojama tik, jei regresijos

modelis duomenims tinka.
Jei dalyviai 2, o puodas 300 m.

senumo, tai prognozuojame, kad jis
kainuos 1000+4*300+200*2=2600 Lt.
kiekvienas naujas dalyvis pabrangina
prek 200Lt.
159
Modelio suderinamumas su
duomenimis
Prognoz daroma tik tokiems x, kurie

neioka u nagrinjam x- srities.
Prognoz tuo tikslesn, kuo x ariau
vis stebt xm vidurki.
160
Liekamj paklaid analiz
Ar tinka regresija nustatome analizuodami

Liekamsias paklaidas,
Determinacijos koeficient,
ANOVA lentel,
t-testus,
Multikolinearum.
158
Prognozavimas
Pvz., keramikos aukcione kaina:
161
Kaip ir paprastojoje regresijoje liekamj

paklaid em analiz reikia:
a) iskiri nustatym;
b) sklaidos diagram analiz.
162
27
Kenksminga iskirtis:
Iskirtys yra dviej tip:

isiskirianios Xm reikms,
isiskirianios ym reikms.
Gali kenkti prognozs tikslumui.
163
Nekenksminga iskirtis:
164
Iskiri atsiradimo prieastys:

Daniausiai - duomen vedimo klaida.
Paalinio kintamojo taka (pvz. metin
visaliaudin vent).
inant iskirties atsiradimo prieastis,
danai t stebjim galima paalinti.
Negalima stebjimo alinti tik todl, kad
jis iskirtis!!!
165
Determinacijos koeficientas
Yra keli iskiri nustatymo bdai

Mes naudosime Kuko mat Dm :
R2 =
Jis skaiiuojamas kiekvienam duomeniui

(t.y. kiekvienai porai (xm,,ym)).
R =
2
Stebjimas yra iskirtis, jei Dm >1.
166
SSR
SST
variacija paaikinama modelio

visa variacija
167
168
28
Kuo R2 ariau 1, tuo modelis geresnis.

Maiau u 0,20 - nelabai gerai
Daugialyps koreliacijos koeficientas
Jeigu stebjim yra nedaug, o x- daug,

tai R2 yra didelis, nors regresijos
modelis gali visai netikti.
Todl, tuo atveju geriau naudoti
koreguot R2
2
adj
n -1
= 1
(1 - R 2 )
n - k -1
R=
Parodo, kaip Y priklauso nuo vis X-.

Neparodo ar visi X-ai reikalingi.
169
170
Statistins ivados
su p- reikme:
ANOVA lentel:
Tikrina hipotez:
H0 atmetame (tiesin regresija galbt

tinka), jei
H0: visi bm = 0
H1: ne visi bm = 0.
p<
Kitais odiais:
H0 neatmetame (tiesin regresija netinka),

jei
H0: y nuo x- nepriklauso

H1: y nuo x- priklauso.
p >=
Tik neinome nuo kuri x-.

R2
ia
171
172
Statistins ivados
su p- reikme:
t-testai koeficientams bm
Iekome nesvarbi x-.
Tikrina hipotez:
H0 atmetame (kintamasis modeliui tinka),

jei
H0: bm = 0
H1: bm = 0
p<
Jei nulins hipotezs neatmetame-tai

kintamasis tartinas (modelyje
galbt nereikalingas).
H0 neatmetame (kintamasis tartinas), jei
p >=
ia
173
174
29
Multikolinearumas
K daryti su tartinais
kintamaisiais?
pakartojame regresijos model be
tartino kintamojo.
jei R2 reikm nedaug sumajo,
kintamj i modelio paaliname,
jei R2 reikm daug sumajo, kintamj
modelyje paliekame.
175
X3
177
Pavyzdys: Gauname
R2 =
0.799, ANOVA p-reikm 0.

Gauname regresijos lygt
LITERACY = -39 +
+ 4.39 * LIFEXPF - 2.94 * LIFEXPM
Taigi, valstybs kur moterys ilgiau gyvena
- ratingesns (daugiklis + 4.39 ).
O valstybs, kur vyrai ilgiau gyvena maiau ratingos (daugiklis - 2.94).
176
Failas World95, kintamieji :

LITERACY (rating moni
procentas).
LIFEXPF (vidutin moter gyvenimo
trukm).
LIFEXPM (vidutin vyr gyvenimo
trukm).
Tirsime ar valstybs ratingum takoja
vyr ir mot. gyvenimo trukms.
X2
Pavyzdys
Multikolinearumas
X1
Tai situacija, kai tarp x- yra stipriai

koreliuojani.
Tada informacija apie vien x- atsispindi
kituose ir is x-as modelyje nelabai
reikalingas.
Modelyje gali atsirasti keist priklausomybi.
Modelio prognozs tampa nestabilios
(papildomas stebjimas gali labai pakeisti
regresijos funkcij).
179
178
Pavyzdys: Ivada
moterims skaityti sveika (ratingose
valstybse ilgiau gyvena),
o vyrams skaityti nesveika (ratingose
valstybse trumpiau gyvena).
Ivada neteisinga! Aiku, kad
isivysiusiose valstybse (taigi ir
ratingose) ir vyrai ir moterys gyvena
ilgai.
180
30
Jeigu prognozuotume ratingum

tik pagal vien kintamj, gautume:
LITERACY = -50 +1.9 * LIFEXPM
ir
LITERACY = -52 + 1.8 * LIFEXPF.
Viskas tvarkoje! Priklausomyb teisinga.
181
Kaip nustatyti multikolinearum:
183
Pvz., manome, kad buto ploto ir kainos

priklausomyb dviejuose rajonuose yra
madaug vienoda, tik yra rajono antkainis.
182
Pseudokintamieji
184
Pseudokintamj kodavimas:
Jei kintamasis dvireikmis, jo reikmes
koduojame 0 ir 1.
Jei kintamasis trireikmis, tai traukiame
du pseudokintamuosius- abu gyja tik
dvi reikmes 0 ir 1.
pvz. 0 ir 0 atitiks pirm rajon, 0 ir 1
atitiks antr rajon, o 1 ir 0 - trei.
pseudokintamj vienu maiau, nei
reikmi - nenaudojame 1 ir 1.
Koreliacija tarp LIFEXPM ir

LIFEXPF yra 0.98!
Turime kintamj multikolinearum.
Moralas: daug x- nebtinai gerai.
Tai k daryti?
Paalinti vien kintamj, arba imti
abiej vidurk.
Nors iaip visi X-ai turi bti intervaliniai,

kartais model traukiamas ir kategorinis
kintamasis.
Taip daroma, jei maoka duomen ir
manome, kad visoms kategorijoms
regresijos funkcija skiriasi tik per
konstant.
Kintamasis vadinamas pseudokintamuoju ir
specialiai koduojamas.
Tikriname ar dispersijos majimo

daugiklis (VIF) nra didelis.
Blogai, kai VIF>4.
Pavyzdyje VIF>28.
Kartais VIF bna ir maesnis, bet
regresijos lygtis atrodo keistai.
Patarimas: Pasiskaiiuoti ir atskir
x- bei y koreliacijas.
Abu kintamieji stipriai koreliuoja:
185
186
31
Pseudokintamj naudojimas
Standartinis tyrimas:
Regresijos funkcij konkreiai

kategorijai gaunama i bendrosios
funkcijos staius pseudokintamojo
reikm.
Pvz.Kaina= 20+1.2 * plotas+ 5 * pseudo
bus Kaina=25+ 1.2 * plotas, vienam
rajonui ir
Kaina=20+ 1.2 * plotas, kitam rajonui.
R2 , ANOVA, t-testai, VIF ir grafikai

pads nustatyti reikalingus X-us.
R parodys, kaip Y priklauso nuo vis
X- ikart.
B-koeficientai pads sudaryti regresijos
funkcij.
Beta-koeficientai pads nustatyti, kurie
kintamieji svarbesni.
187
188
Pastabos:
Kai priklausomyb netiesin danai
naudojamos transformacijos (pvz. X2
paymime nauju kintamuoju X-u).
Yra ir specialus regresijos metodas ingsnin regresija (step-wise), kai
kintamieji traukiami funkcijos lygt po
vien, atsisakant maai taking.
189
Neparametriniai kriterijai
dar vadinami ranginiais kriterijais;

nereikalauja kintamj normalumo;
tinka maoms imtims;
maiau galingi, nei parametriniai;
lygina skirstinius, todl kiek sunkiau
interpretuojami (pvz. nebus ivad apie
vidurkius).
2 kriterijus irgi neparametrinis;
Tipika dvipus hipotez

H0 : X ir Y skirstiniai nesiskiria
H1 : X ir Y skirstiniai skiriasi
Pvz.:
H0 : psichologai ir sociologai vienodai
gerai ilaiko statistik.
H1 : nevienodai
32
Tipika vienpus hipotez
Rangavimas
priskiriame imties elementui jo didum
atitinkani viet - rang.
H0 : X ir Y skirstiniai nesiskiria
H1 : X skirstinys links gyti maesnes
reikmes u Y.
Imtis 13 17 20 21 90
Eil.Nr . 1X 2 3Y 4 5
Rangas 1 2 3 4 5
Rangavimas
Rangavimas
kai imties elementai sutampa, jie gauna

vienod rang.
Imtis
13 17
17
21 90
Eil . Nr .
1
2
3
4
5
Rangas
1
2 .5 2 .5
4
5
kai imties elementai sutampa, jie gauna

vienod rang.
Imtis
13 17 17 17 90
Eil . Nr .
1
2
3
4
5
Rangas
1
3
3
3
5
vis rang suma lygi
1+2++n=n(n+1)/2.
2+3
= 2 .5
2
Mann-Whitney kriterijus
1. Stjudento t kriterijaus
nepriklausomoms imtims analogas;
2. bet nelygina vidurki;
3. lygina skirstinius;
4. kuris kintamasis links bti didesniu
parodo didesnis vidutinis rangas.
Mann - Whitney kriterijus
197
198
33
Duomenys
Statistin hipotez:
dvi nepriklausomos imtys, gautos

matuojant intervalinius arba
ranginius kintamuosius.
imi didumai gali skirtis.
skirting ranginio kintamojo reikmi
turi bti bent 5.
1.
2.
3.
H0 : kintamj skirstiniai nesiskiria

H1 : kintamj skirstiniai skiriasi.
199
Kriterijaus idja:
200
Kriterijaus idja:
Visas lyginam kintamj reikmes

suraome vien variacin eilut.
Suranguojame t eilut.
Lyginame kiekvienos imties element
vidutinius rangus.
Didesnis rangas- 'kintamasis links
bti didesniu'.
X: 12,14; Y: 3,15,20
Y X X Y Y
3 12 14 15 20
1 2 3 4 5
Vidutiniai rangai:
2+3
1+ 4 + 5
X:
= 2.5, Y :
= 3.33
2
3
Y 'link bti didesniais' u X.
201
Statistin ivada
su p - reikme
p<
H0 neatmetame (kintamj skirstiniai stat.

reikm. nesiskiria), jei
202
Pavyzdys
H0 atmetame (kintamj skirstiniai stat.

ia
203
Ar vyresni, nei 40 m. juodaodiai ir

baltieji vienodai palankiai vertina
klasikin muzik?
rangini kintamj reikms: 1-labai
palankiai, 2-palankiai,.,5-labai
nepalankiai.
Tarkime, kad reikmingumo lygmuo yra
0,05.
204
34
Wilcoxon kriterijus
1.
Wilcoxon
kriterijus
2.
3.
4.
205
Duomenys
1.
2.
3.
4.
207
Kriterijaus idja:
206
H0 : kintamj skirstiniai nesiskiria

H1 : kintamj skirstiniai skiriasi.
208
Kriterijaus idja:
(12,13), (20,30), (5,3), (4,2), (15,17),
(25,30).
Skirtumai: -1, -10, 2, 2, -2, -5.
Moduliai:1(-), 2(-), 2(+),2(+),5(-),10(-).
Rangai: 1(-), 3(-), 3(+), 3(+), 5(-), 6(-).
Vidutiniai rangai: (+): 3, (-): 3.75
Suskaiiuojame reikmi
skirtumus kiekvienai porai.
Suranguojame skirtum
modulius.
Lyginame vidutinius teigiam ir
neigiam skirtum rangus.
Statistin hipotez:
dvi priklausomos imtys, gautos

matuojant intervalinius arba ranginius
kintamuosius.
imi didumai vienodi
daniausiai stebime tuos pat
respondentus dukart;
turi bti bent 5.
Stjudento t kriterijaus porinms

(priklausomoms) imtims analogas;
bet nelygina vidurki;
lygina skirstinius;
kuris kintamasis links bti didesniu
parodo didesnis vidutinis kintamj
skirtumo rangas.
209
210
35
Statistin ivada
su p - reikme
Pavyzdys
Ar vyresni, nei 50 m. respondentai
vienodai palankiai vertina klasikin
muzik ir diaz?
nepalankiai.
0,05.
H0 atmetame (kintamj skirstiniai stat.

p<
H0 neatmetame (kintamj skirstiniai stat.

ia
211
212
Spearmano kriterijus
1.
2.
Spearman koreliacija
3.
4.
213
Duomenys
1.
2.
3.
214
Statistin hipotez:
porin imtis, gauta matuojant

intervalinius arba ranginius
kintamuosius.
galima naudoti ir imi rangus.
turi bti bent 5.
Pearsono koreliacijos analogas.

Interpretuojamas visikai
analogikai;
skaiiuoja Pearsono koreliacij tarp
imi rang;
tai leidia naudoti ir specialiu atveju,
kai duomenys jau suranguoti.
H0 : kintamieji nekoreliuoja.
H1 : kintamieji koreliuoja.
215
216
36
Statistin ivada
su p - reikme
Pavyzdys
Ar vyresni, nei 50 m. respondentai,
palankiau vertinantys miuziklus,
palankiau vertina ir klasikin muzik?
nepalankiai.
0,05.
H0 atmetame (kintamieji stat. reikmingai

koreliuoja), jei
p<
H0 neatmetame (kintamieji stat. reikm.

nekoreliuoja), jei
ia
217
SPSS
Spearman specialus atvejis
Correlations
Spearman's rho
CLASSICL
Correlation Coefficient
CLASSICL
Classical
Music
1.000
Sig. (2-tailed)
MUSICAL
S
218
MUSICALS
Broadway
Musicals
.399**
1.
.000
504
.399**
Sig. (2-tailed)
.000
489
499
489
1.000
**. Correlation is significant at the .01 level (2-tailed).
2.
3.
4.
Kiekviena i dviej mokytoj surikiavo

mokinius pagal gabumus.
Pirma: A, B, C, D, E, F, G, H, I,J, K, L.
Antra: B, C, A, D, H,E, F, G, K, I,J, L.
Ar mokytoj nuomons koreliuoja?
Stat. reikmingai koreliuoja. Palankiau vertinantys

miuziklus, palankiau vertins ir klasik.
219
220
SPSS
Statistin hipotez:
Pirma: A,B,C,D,E,F,
G,H,I,J,K,L
Antra: B, C, A,D,
H,E, F,G,K,I,J,L.
H0 : nuomons nekoreliuoja.
H1 : nuomons koreliuoja.
is stulpelis
nebtinas
221
222
37
SPSS
Correlations
Spearman's rho
MOKYT1
MOKYT1
1.000
Sig. (2-tailed)
N
MOKYT2
MOKYT2
.916**
.
12
12
.916**
Sig. (2-tailed)
.000
12
12
Kruskal - Wallis kriterijus
.000
1.000
**. Correlation is significant at the .01 level (2-tailed).
nuomons labai stipriai teigiamai koreliuoja

223
Kruskal-Wallis kriterijus
1.
2.
3.
4.
5.
Duomenys
Mann-Whitney kriterijaus apibendrinimas

keletui (2 ir daugiau) imi.
Interpretuojamas visikai analogikai;
vidutinis rangas rodo didesnius imi
balus.
nepasako, kurie kintamieji skiriasi.
yra ANOVA neparametrinis analogas.
224
1.
2.
keletas nepriklausom intervalini

arba rangini imi.
turi bti bent 5.
225
226
Statistin ivada
su p - reikme
Statistin hipotez:
H0 atmetame (kakurie skirstiniai stat.

H0 : visi skirstiniai nesiskiria

H1 : kakurie skirstiniai skiriasi.
p<
H0 neatmetame (visi skirstiniai stat.

ia
227
228
38
Pavyzdys
Ar tarp prasimokiusi nemaiau 13m.
respondent vis rasi atstovai
vienodai vertina rap?
nepalankiai.
0,05.
Friedman kriterijus
229
Friedmano kriterijus
1.
2.
3.
4.
5.
Rang interpretacija
Wilcoxon kriterijaus apibendrinimas

keletui (2 ir daugiau) imi.
jei imtys 2, Wilcoxono kriterijus
geriau.
interpretacija paprastesn u
Wilcoxon
nepasako, kurie kintamieji skiriasi.
yra Repeated measures
neparametrinis analogas
1.
2.
3.
231
Duomenys
1.
2.
3.
Tarkime respondentas para trims

aktoriams paymius: aktoriui A - 10,
aktoriui B - 6, aktoriui C - 8.
Paymiai ranguojami. Aktori gauti
rangai: aktoriaus A - 3, aktoriaus B -1
, aktoriaus C - 2.
vidutiniai rangai atspindi t pat.
232
Statistin hipotez:
keletas imi, gaut matuojant

priklausomus intervalinius arba
ranginius kintamuosius.
turi bti bent 5.
galima kiekvieno respondento
atsakymus suranguoti ir inaudoti
tuos rangus.
230
H0 : vis kintamj skirstiniai

nesiskiria.
H1 : kakuri kintamj skirstiniai
skiriasi.
233
234
39
Statistin ivada
su p - reikme
Pavyzdys
Ar prasimok daugiau nei 15 m.
respondentai, vienodai palankiai
vertina miuziklus, klasik ir bigbendus?
nepalankiai.
0,05.
H0 atmetame (kakurie skirstiniai stat.

p<
H0 neatmetame (visi skirstiniai stat.

ia
235
SPSS
SPSS
Test
Ranks
CLASSICL Classical Music
236
Mean Rank
1.87
2.05
df
2.08
Asymp. Sig.
MUSICALS Broadway
Musicals
BIGBAND Bigband Music
p-reikm
Statisticsa
343
Chi-Square
14.286
2
.001
a. Friedman Test
palankiausiai vertinta (kodavimas!) klasika
ne visi stiliai vienodai populiars

237
SPSS
Friedman spec. atvejis
Penki ekspertai vertino al A,B ir C.

Pirmas: B, C, A (t.y. geriausias B,)
Antras: B, C, A
Treias: A arba C, B
Ketvirtas: A, B,C
Penktas: B, A,C
Ar visos alaus rys vienodai
populiarios?
238
rangai!
is stulpelis
nebtinas
239
rys
240
40
SPSS
SPSS
Test Statisticsa
Ranks
Mean Rank
2.10
1.60
2.30
1.368
df
Asymp. Sig.
.504
a. Friedman Test
populiariausias B alus
Chi-Square
vertinim skirtumai stat. nereikmingi

241
242
41

ZStat Teorija (Bonus) Cekanavicius Murauskas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ZStat Teorija (Bonus) Cekanavicius Murauskas

Cargado por

Copyright:

Formatos disponibles

Literatra

iuolaikin statistika tai mokslas

mogus, kuris nesustodamas skrupulingai

Statistika ir jos taikymai I, II

Trys statistikos dalys:

Pagrindiniai statistikos terminai

Populiacija - objekt, kuri savybs tiriamos, aib.

Apraomoji statistika, nagrinjanti

Parametras - populiacijos charakteristika

Statistins ivados analizs ir

Statistika - imties charakteristika

Kodl reikia statistikos (mokslo)?

Tiriamos didels populiacijos.

Kokia turi bti imtis?

Imtys turi bti reprezentatyvios.

Populiacijos, kartu ir imties,

Matavim skals yra skaii

Duomen aib, gauta naudojant i skal,

Tautyb: Lietuvis, rusas, lenkas . . .

mokymosi lygis: vidurinis,auktasis,

i skal naudojama tada, kai statistikas

Nuomon apie sutuoktin:

Objektus galima ne tik skirstyti klases,

Celsijaus ir Fahrenheito temperatr skals.

Matavimams naudojant i skal, objektus

-Nulis laipsni pasirenkamas laisvai.

Skaiiuojant statistik danai:

Apraomoji statistika leidia koncentruotai

Intervalini dani lentel

Grupavimo interval ilgiai vienodi,

Apraomoji statistika tai duomen sisteminimo ir grafinio

Grupuot duomen grafinis

Grupuotiems duomenims daniausiai

Imties vidurkis (imties didumas n)

Dviej firm programuotoj atlyginimas:

Atlyginim vidurkis 4000 Lt.

(x1 x) + (x2 x) +...(xn x)

Jos privalumas yra tas, kad atsivelgiama

Standartinio nuokrypio savybs

Standartinis nuokrypis matuojamas

tokiais paiais vienetais kaip ir

Empirikai nustatyta, kad daugelis

Normalioji kreiv ir histograma

Koreliacijos koeficiento savybs

Koreliacijos koeficientas yra skaiius tarp 1 ir 1:

Kuo tiesin priklausomyb stipresn, tuo

| r | < 0.3 korelicija labai silpna

Koreliacijos koeficiento savybs

Jas vadinsime paramterais.

Statistin hipotez - tai teiginys apie

Tai yra tai, k tyrjas tikisi. Pavyzdiui,

Statistin hipotez ir tyrimo hipotez skirtingi dalykai.

Statistin parametrin hipotez

Statistins hipotezs pavyzdiai:

Nulin hipotez H0 . Daniausiai tai

Alternatyvioji hipotez (alternatyva) H1 .

Grieta nelygyb raoma tik

Nordami tai pabrti raysime

Tyrimo hipotez: Nusikaltim skaiius

Primena galimai klaidingus teismo (bent jau

H 1 : vyr > mot

Nemanoma abiej ri klaidas

padaryti labai maomis.

(gaujose vyresni vyrai)

p - reikm yra tikimyb atmesti teising H0

bent viena I ries klaida = 9.8% (1-0.952)

Trys t-testai bent viena I ries klaida = 14.3% (1-0.953)