Spis tre´sci -...
Transcript of Spis tre´sci -...
Spis tresci
Spis tresci1 Weryfikacja hipotez statystycznych 1
1.1 Pojecia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Porównania z normami 32.1 Wstep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32.2 Porównanie z normami: wartosc srednia . . . . . . . . . . . . . . 32.3 Porównanie z normami: wariancja . . . . . . . . . . . . . . . . . 62.4 Porównanie z normami: frakcja . . . . . . . . . . . . . . . . . . . 6
3 Porównanie populacji 73.1 Wstep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73.2 Testowanie hipotez: porównanie dwóch srednich . . . . . . . . . 93.3 Testowanie hipotez: porównanie dwóch wariancji . . . . . . . . . 113.4 Testowanie hipotez: porównanie dwóch frakcji . . . . . . . . . . 123.5 Testowanie hipotez: porównanie wielu srednich . . . . . . . . . . 14
4 Test chi-kwadrat niezaleznosci 17
5 Testy diagnostyczne 20
1 Weryfikacja hipotez statystycznych
1.1 PojeciaPojecia
Hipoteza statystycznaDowolne przypuszczenie dotyczace rozkładu prawdopodobienstwa cechy w po-pulacji.
Oznaczenie H0
Test statystycznyPostepowanie majace na celu odrzucenie lub nie odrzucenie hipotezy statystycz-nej.
1
Statystyka testowaFunkcja próby na podstawie której wnioskuje sie o odrzuceniu lub nie hipotezystatystycznej.
Pojecia
WnioskowanieRzeczywistosc: Wniosek o hipotezie H0
nie odrzucac odrzucicH0 prawdziwa prawidłowy nieprawidłowyH0 nieprawdziwa nieprawidłowy prawidłowy
Pojecia
WnioskowanieRzeczywistosc: Wniosek o hipotezie H0
nie odrzucac odrzucicH0 prawdziwa prawidłowy nieprawidłowyH0 nieprawdziwa nieprawidłowy prawidłowy
Pojecia
WnioskowanieRzeczywistosc: Wniosek o hipotezie H0
nie odrzucac odrzucicH0 prawdziwa prawidłowy bład I rodzajuH0 nieprawdziwa bład II rodzaju prawidłowy
Pojecia
Bład I rodzajuBład wnioskowania polegajacy na odrzuceniu hipotezy, gdy w rzeczywistosci jestona prawdziwa.
Poziom istotnosciDowolna liczba z przedziału (0, 1) okreslajaca prawdopodobienstwo popełnieniabłedu I rodzaju.
Oznaczenie: α
2
Pojecia
Bład II rodzajuBład wnioskowania polegajacy na nieodrzuceniu hipotezy, gdy w rzeczywistoscijest ona fałszywa.
Moc testuPrawdopodobienstwo nie popełnienia błedu II rodzaju.
Oznaczenie: 1− β
2 Porównania z normami
2.1 WstepJedna populacja
WstepAnalizujemy pewna ceche w populacji
Porównania z normami obejmuja m.in.:
• porównanie poziomu cechy
• porównanie zróznicowania cechy
Jedna populacja
Wstep - cecha ciagłaPróba: X1, . . . , Xn
Charakterystyki próby:
X, varX, s2 =varXn− 1
Jedna populacja
Wstep - cecha dychotomiczne
p =k
n
3
2.2 Porównanie z normami: wartosc sredniaRozkład normalny N(µ, σ2)
Hipoteza H0 : µ = µ0
Srednia µ oraz wariancja σ2 sa nieznane
Test StudentaStatystyka testowa
temp =X − µ0
S
√n
WnioskowanieWartosc krytyczna t(α;n− 1)
Jezeli |temp| > t(α;n− 1), to hipoteze H0 : µ = µ0 odrzucamy
Testowanie hipotezy H0 : µ = µ0
Przykład - trescPrzypuszczenie: maszyna pakujaca kostki masła nastawiona na jednostkowa mase250 g uległa po pewnym czasie rozregulowaniu. W celu weryfikacji tego przy-puszczenia z biezacej produkcji pobrano próbe otrzymujac wyniki 254, 269, 254,248, 263, 256, 258, 261, 264, 258. Czy mozna na tej podstawie sadzic, ze ma-szyna uległa rozregulowaniu?
Testowanie hipotezy H0 : µ = µ0
Przykład - rozwiazaniePopulacja: paczkowane kostki masła
Cecha X: masa kostki masłaZałozenie: cecha X ma rozkład normalny N(µ, σ2)Formalizacja: Rozregulowanie maszyny moze byc interpretowane jako odej-
scie od nominalnej wagi. Zatem nalezy zbadac, czy srednia µ wynosi 250, czyliweryfikujemy hipoteze H0 : µ = 250
Technika statystyczna: test Studenta (test t)poziom istotnosci α = 0.05
4
Testowanie hipotezy H0 : µ = µ0
Przykład - rozwiazanieObliczenia
n = 10
x = 258.5
s2 = 36.05
temp = 4.47
Testowanie hipotezy H0 : µ = µ0
Przykład - rozwiazanieWartosc krytyczna: t(0.05; 9) = 2.2622
Odpowiedz:Poniewaz |temp| > t(0.05; 9), wiec hipoteze H0 odrzucamyWniosek: maszyna uległa rozregulowaniu
Testowanie hipotezy H0 : µ = µ0
Przykład - inne rozwiazaniePopulacja: paczkowane kostki masła
Cecha X: masa kostki masłaZałozenie: cecha X ma rozkład normalny N(µ, σ2)Formalizacja: Rozregulowanie maszyny moze byc interpretowane jako odej-
scie od nominalnej wagi. Zatem nalezy zbadac, czy srednia µ wynosi 250, czyliweryfikujemy hipoteze H0 : µ = 250
Technika statystyczna: przedział ufnosci dla sredniej µpoziom ufnosci 1− α = 0.95
Testowanie hipotezy H0 : µ = µ0
Przykład - inne rozwiazanieObliczenia
µ ∈ (254.20, 262.80)
Odpowiedz: Poniewaz µ0 = 250 6∈ (254.20, 262.80), wiec hipoteze H0 odrzu-camy
Wniosek: maszyna uległa rozregulowaniu
5
Testowanie hipotezy H0 : µ = µ0
Przedział ufnosci a test hipotezyH0 nie odrzucamy na poziomie istotnosci α
mµ0 nalezy do przedziału ufnosci
na poziomie ufnosci 1− α
2.3 Porównanie z normami: wariancjaRozkład normalny N(µ, σ2)
Hipoteza H0 : σ2 = σ20
Srednia µ oraz wariancja σ2 sa nieznane
Test chi-kwadratStatystyka testowa
χ2emp =
varXσ20
WnioskowanieWartosci krytyczne χ2
(1− α
2;n− 1
)oraz χ2
(α2;n− 1
)Jezeli χ2
emp < χ2(1− α
2;n− 1
)lub χ2
emp > χ2(α2;n− 1
), to hipoteze H0 :
σ2 = σ20 odrzucamy
2.4 Porównanie z normami: frakcjaRozkład dwumianowy B(n, p)
Hipoteza H0 : p = p0k - liczba sukcesów w próbie n elementowej
Test przyblizony („duze” n)Statystyka testowa
uemp =k − np0√np0(1− p0)
WnioskowanieWartosc krytyczna u1−α/2
Jezeli |uemp| > u1−α/2, to H0 : p = p0 odrzucamy
6
Hipoteza H0 : p = p0
Przykład - trescW swojej ofercie sprzedazy stawu rybnego jego własciciel podaje, iz w stawiezyje tysiac karpi. Potencjalny nabywca zainteresowany jest sprawdzeniem praw-dziwosci tego twierdzenia. W tym celu wyłowiono sto karpi i po zaobraczkowaniuich wpuszczono je z powrotem do stawu. Po jakims czasie ponownie odłowionosto ryb i stwierdzono, ze wsród nich jest pietnascie zaobraczkowanych. Czy wswietle uzyskanych wyników mozna reklame uznac za prawdziwa?
Hipoteza H0 : p = p0
Przykład - rozwiazaniePopulacja: ryby w stawie
Cecha X: ryba zaobraczkowana/nie zaobraczkowanaZałozenie: cecha X ma rozkład dwupunktowy D(p)Formalizacja: Jezeli w stawie zyje N ryb, to odsetek zaobraczkowanych wy-
nosi 100/N . Zgodnie z twierdzeniem własciciela, N = 1000, czyli odsetek rybzaobraczkowanych wynosi 0.1
Technika statystyczna: Przyblizony test hipotezy H0 : p = 0.1Poziom istotnosci: α = 0.05
Hipoteza H0 : p = p0
Przykład - rozwiazanieObliczenia
n = 100
k = 15
uemp =k − np0√np0(1− p0)
=15− 10√
100 · 0.1 · 0.9= 1.6667
Hipoteza H0 : p = p0
Przykład - rozwiazanieWartosc krytyczna: u1−0.05/2 = u0.975 = 1.96
Odpowiedz: Poniewaz |uemp| < u0.975, wiec hipotezy H0 nie odrzucamyWniosek: mozna uznac, ze w stawie jest tysiac ryb
7
3 Porównanie populacji
3.1 WstepDwie populacjeWstepAnalizujemy te sama ceche w dwóch niezaleznych od siebie populacjach
Analiza porównawcza obejmuje m.in.:
• porównanie poziomu cech
• porównanie zróznicowania cech
Dwie populacjeWstep - cechy ciagłePróba z pierwszej populacji: X11, . . . , X1n1
Charakterystyki pierwszej próby:
X1, varX1, s21 =varX1
n1 − 1
Dwie populacjeWstep - cechy ciagłePróba z drugiej populacji: X21, . . . , X2n2
Charakterystyki drugiej próby:
X2, varX2, s22 =varX2
n2 − 1
Dwie populacjeWstep - cechy ciagłeCharakterystyki łaczne
S2e =
varX1 + varX2
n1 + n2 − 2
Sr =
√S2e
(1
n1
+1
n2
)
8
Dwie populacje
Wstep - cechy dychotomicznePierwsza populacja:
p1 =k1n1
Druga populacja:
p2 =k2n2
Razem:p =
k1 + k2n1 + n2
3.2 Testowanie hipotez: porównanie dwóch srednichRozkłady normalne N(µ1, σ
21) i N(µ2, σ
22)
Hipoteza H0 : µ1 = µ2
załozenie: σ21 = σ2
2
Test StudentaStatystyka testowa
temp =X1 − X2
Sr
WnioskowanieWartosc krytyczna t(α;n1 + n2 − 2)
Jezeli |temp| > t(α;n1 + n2 − 1), to hipoteze H0 : µ1 = µ2 odrzucamy
Hipoteza H0 : µ1 = µ2
Przykład - trescBadano zawartosc tłuszczu w serach zółtych produkowanych zima i latem. Wkazdym z dwóch okresów zbadano zawartosc tłuszczu w dziesieciu serach. Napodstawie uzyskanych wyników stwierdzic, czy zawartosc tłuszczu w serze zół-tym zalezy od pory roku.
Sery produkowane zima:∑x1i = 293.7, varx1 = 35.321
9
Sery produkowane latem:∑x2i = 271.2, varx2 = 18.176
Hipoteza H0 : µ1 = µ2
Przykład - rozwiazaniePopulacja 1: sery produkowane latem
Populacja 2: sery produkowane zimaCecha X: zawartosc tłuszczuZałozenia:cecha X ma w populacji 1 rozkład N(µ1, σ
21)
cecha X ma w populacji 2 rozkład N(µ2, σ22)
σ21 = σ2
2
Zadanie: weryfikacja hipotezy H0 : µ1 = µ2
Technika statystyczna: test Studenta porównania srednichpoziom istotnosci α = 0.05
Hipoteza H0 : µ1 = µ2
Przykład - rozwiazanieObliczenia
x1 = 29.37, varX1 = 35.321
x2 = 27.12, varX2 = 18.176
s2r =35.321 + 18.176
18
(1
10+
1
10
)= 0.5944
Hipoteza H0 : µ1 = µ2
Przykład - rozwiazanieObliczenia
temp =x1 − x2sr
=29.37− 27.12
0.771= 2.918
t(0.05; 18) ≈ 2.1009
10
Hipoteza H0 : µ1 = µ2
Przykład - rozwiazanieOdpowiedz: Poniewaz |temp| > t(0.05; 18), wiec hipoteze H0 : µ1 = µ2 odrzu-camy
Wniosek. Srednie zawartosci tłuszczu w serach produkowanych latem i zimanie sa takie same.
Hipoteza H0 : µ1 = µ2
Przykład - dalsze wnioskiPoniewaz weryfikowana hipoteza została odrzucona, wiec mozna pokusic sie oocene róznic miedzy srednimi zawartosciami tłuszczu.
Skonstruowac przedział ufnosci dla róznicy µ1−µ2 srednich (poziom ufnosci0.95)
Z przeprowadzonych wczesniej obliczen otrzymujemy:
(29.37− 27.12− 2.1009 · 0.771, 29.37− 27.12 + 2.1009 · 0.771)
(0.631, 3.869).
Hipoteza H0 : µ1 = µ2
Przykład - dalsze wnioskiµ1 − µ2 ∈ (0.631, 3.869).
Poniewaz oba konce tego przedziału sa dodatnie, wiec mozemy stwierdzic, zesrednia zawartosc tłuszczu w serach produkowanych latem jest wyzsza niz sred-nia zawartosc tłuszczu w serach produkowanych zima. Co wiecej, przecietnie wletnich serach jest tego tłuszczu wiecej o co najmniej 0.631, ale nie wiecej niz3.869 jednostek.
3.3 Testowanie hipotez: porównanie dwóch wariancjiRozkłady normalne N(µ1, σ
21) i N(µ2, σ
22)
Hipoteza H0 : σ21 = σ2
2
nieznane wartosci srednie µ1 oraz µ2
Test F
11
Statystyka testowa
Femp =S21
S22
Rozkłady normalne N(µ1, σ21) i N(µ2, σ
22)
Hipoteza H0 : σ21 = σ2
2
nieznane wartosci srednie µ1 oraz µ2
WnioskowanieWartosci krytyczne
F(
1− α
2;n1 − 1, n2 − 1
)oraz F
(α2
;n1 − 1, n2 − 1)
Jezeli Femp < F(1− α
2;n1 − 1, n2 − 1
)lub Femp > F
(α2;n1 − 1, n2 − 1
),
to hipoteze H0 : σ21 = σ2
2 odrzucamy
3.4 Testowanie hipotez: porównanie dwóch frakcjiRozkłady dwumianowe B(n1, p1) i B(n2, p2)
Hipoteza H0 : p1 = p2załozenie: n1 i n2 „duze”
Test przyblizonyStatystyka testowa
uemp =p1 − p2√
p(1− p)( 1n1
+ 1n2
)
WnioskowanieWartosc krytyczna u1−α/2
Jezeli |uemp| ≥ u1−α/2, to H0 : p1 = p2 odrzucamy
12
Hipoteza H0 : p1 = p2
Przykład - trescCelem badania było porównanie przygotowania z matematyki kandydatów na stu-dia bedacych absolwentami liceów oraz techników. W tym celu sposród kandy-datów zdajacych matematyke wylosowano 400 absolwentów liceów oraz 600 ab-solwentów techników. W wylosowanej grupie stwierdzono, ze 385 absolwentówliceów oraz 501 absolwentów techników rozwiazało test wstepny. Czy mozna natej podstawie sadzic, ze przygotowanie w obu grupach absolwentów jest jedna-kowe?
Hipoteza H0 : p1 = p2
Przykład - rozwiazaniePopulacja 1: absolwenci liceów zdajacy egzamin wstepny
Populacja 2: absolwenci techników zdajacy egzamin wstepnyCecha X: umiejetnosc rozwiazania testu (tak/nie)Załozenia:cecha X ma w populacji 1 rozkład B(n1, p1)cecha X ma w populacji 2 rozkład B(n2, p2)Zadanie: Weryfikacja hipotezy H0 : p1 = p2Technika statystyczna: Test przyblizony (poziom istotnosci α = 0.05)
Hipoteza H0 : p1 = p2
Przykład - rozwiazanieObliczenia
n1 = 400 k1 = 385 p1 = 385/400 = 0.9625
n2 = 600 k2 = 501 p2 = 501/600 = 0.8350
p = (385 + 501)/(400 + 600) = 0.886
uemp =0.9625− 0.8350√
0.886(1− 0.886)(
1400
+ 1600
) = 6.215
13
Hipoteza H0 : p1 = p2
Przykład - rozwiazanieWartosc krytyczna u0.975 = 1.96
Odpowiedz: poniewaz |uemp| > u0.975, wiec hipoteze H0 : p1 = p2 odrzu-camy
Wniosek: przygotowanie absolwentów liceów i techników z matematyki niejest takie same
Hipoteza H0 : p1 = p2
Przykład - dalsze wnioskiPoniewaz weryfikowana hipoteza została odrzucona, wiec mozna pokusic sie oocene róznic miedzy odsetkami absolwentów, którzy zdaja pomyslnie egzamin.
Skonstruowac przedział ufnosci dla róznicy p1 − p2 srednich (poziom ufnosci0.95)
Z przeprowadzonych wczesniej obliczen otrzymujemy:
(0.9625− 0.8350− 1.96 · 0.0205, 0.9625− 0.8350 + 1.96 · 0.0205)
(0.0873, 0.1677).
Hipoteza H0 : p1 = p2
Przykład - dalsze wnioskip1 − p2 ∈ (0.0873, 0.1677).
Poniewaz oba konce tego przedziału sa dodatnie, wiec mozemy stwierdzic, zeabsolwenci liceów sa lepiej przygotowani do egzaminu niz absolwenci techników.Co wiecej, odsetek absolwentów liceów pozytywnie zdajacych egzamin jest wyz-szy od odsetka absolwentów techników o co najmniej 8.7%, ale nie wiecej niz16.8%.
3.5 Testowanie hipotez: porównanie wielu srednichKilka populacji
WstepAnalizujemy te sama ceche w kilku niezaleznych od siebie populacjach
Analiza porównawcza obejmuje m.in.:
14
• porównanie poziomu cech
• porównanie zróznicowania cech
Kilka populacji
Wstep - cechy ciagłePróba z i-tej populacji: Xi1, . . . , Xini
(i = 1, . . . , K)Charakterystyki i-tej próby:
Xi, varX i, s2i =varX i
ni − 1
Kilka populacji
Wstep - cechy ciagłeCharakterystyki łaczne
N = n1 + · · ·+ nK
¯X =1
N
K∑i=1
ni∑j=1
Xij
S2e =
varX1 + · · ·+ varXK
N −K
Rozkłady normalne N(µi, σ2i ), i = 1, . . . , K
Hipoteza H0 : µ1 = · · · = µKzałozenie: σ2
1 = · · · = σ2K
Test FStatystyka testowa
Femp =
∑Ki=1(Xi − ¯X)2/(K − 1)
S2e
WnioskowanieWartosc krytyczna F (α;K − 1, N −K)
Jezeli Femp > F (α;K − 1, N −K), to hipoteze H0 : µ1 = · · · = µK odrzu-camy
15
Rozkłady normalne N(µi, σ2i ), i = 1, . . . , K
Tabela analizy wariancjiZródło Stopnie Sumy Srednie Femp
zmiennosci swobody kwadratów kwadratyCzynnik k − 1 varA S2
a = varAk−1
S2a/S
2e
Bład losowy N − k varE S2e = varE
N−kOgółem N − 1 varT
Rozkłady normalne N(µi, σ2i ), i = 1, . . . , K
Wniosek praktycznyPrzynajmniej jedna ze srednich µ1, . . . , µk jest inna od pozostałych.
PytanieJaki jest układ srednich?
Grupa jednorodnaPodzbiór srednich, które mozna uznac za takie same.
Rozkłady normalne N(µi, σ2i ), i = 1, . . . , K
Procedury porównan wielokrotnychTukeya, Scheffégo, Bonfferroniego, Duncana, Newmana–Kuelsa
Ogólna ideaNIR — najmniejsza istotna róznica
Jezeli|Xi − Xj| < NIR|Xi − Xl| < NIR|Xl − Xj| < NIR,to uznajemy, ze µi = µj = µl.
ANOVA - przykład
PrzykładPrzeprowadzic analize porównawcza wyników punktowych klasówki w grupachstudenckich.
16
ANOVA - przykład
PrzykładPopulacje: dziesiec populacji indeksowanych numerami grup studenckich
Badana cecha: ilosc punktów uzyskanych na klasówceZałozenia:cecha X ma w i–tej populacji rozkład N(µi, σ
2i ) (i = 1, . . . , 10)
σ21 = · · · = σ2
10
ANOVA - przykład
PrzykładFormalizacja
weryfikacja hipotezy H0 : µ1 = · · · = µ10
Techniki statystyczne• Jednoczynnikowa analiza wariancji• Porównania szczegółowePoziom istotnosci 0.05
4 Test chi-kwadrat niezaleznosciTest chi-kwadrat niezaleznosci
PrzykładW celu stwierdzenia, czy podanie chorym na pewna chorobe nowego leku przy-nosi poprawe w ich stanie zdrowia wylosowano dwie grupy pacjentów w jednako-wym stopniu chorych na te chorobe. Jednej grupie podawano nowy lek, zas dru-giej podawano leki tradycyjne. Na podstawie zanotowanych zmian stanu zdrowiazbadac, czy nowy lek daje inne efekty leczenia niz lek tradycyjny.
lek bez wyrazna całkowitepoprawy poprawa wyleczenie
nowy 20 40 60tradycyjny 45 20 15
17
Test chi-kwadrat niezaleznosci
Postac danychKlasy Klasy cechy X
cechy Y 1 2 . . . m1 n11 n12 . . . n1m
2 n21 n22 . . . n2m...
......
...k nk1 nk2 . . . nkm
Test chi-kwadrat niezaleznosci
Statystyka testowa
χ2emp =
k∑i=1
m∑j=1
(nij − ntij)2
ntij
gdzie
ntij =ni·n·j
N, N =
k∑i=1
m∑j=1
nij
ni· =m∑j=1
nij, n·j =k∑i=1
nij
Test chi-kwadrat niezaleznosci
WnioskowanieJezeli χ2
emp > χ2(α; (k − 1)(m − 1)), to hipoteze hipoteze o niezaleznosci cechodrzucamy
Test chi-kwadrat niezaleznosci
Przykład - rozwiazaniePopulacja: chorzy na pewna chorobe
Cechy (X, Y ): (zmiana stanu zdrowia, rodzaj leku)Załozenia: cechy maja charakter jakosciowyZadanie: Weryfikacja hipotezy badane cechy sa niezalezneTechnika statystyczna: Test niezaleznosci chi-kwadrat (poziom istotnosci
α = 0.05)
18
Test chi-kwadrat niezaleznosci
Przykład - rozwiazanieObliczenia:
liczba osób, których stan zdrowia:bez poprawy: 65wyrazna poprawa: 60całkowicie wyleczonych: 75
liczba osób:leczonych nowym lekiem: 120leczonych tradycyjnie: 80
Test chi-kwadrat niezaleznosci
Przykład - rozwiazanieGdyby stan zdrowia nie zalezał od leku, to powinno byc
lek bez wyrazna całkowitepoprawy poprawa wyleczenie
nowy 39 36 45tradycyjny 26 24 30
a jestlek bez wyrazna całkowite
poprawy poprawa wyleczenienowy 20 40 60
tradycyjny 45 20 15
Test chi-kwadrat niezaleznosci
Przykład - rozwiazanieWartosc statystyki testu chi-kwadrat niezaleznosci
χ2emp = 36.75
Wartosc krytyczna: 5.99Stwierdzamy, ze nowy lek ma inne działanie niz tradycyjny.
19
Test chi-kwadrat niezaleznosci
Przykład - rozwiazanielek bez wyrazna całkowite
poprawy poprawa wyleczenienowy 16.67% 33.33% 50.00%
tradycyjny 56.25% 25.00% 18.75%32.50% 30.00% 37.50%
Test chi-kwadrat niezaleznosci
Przykład - rozwiazanie
5 Testy diagnostycznePrzykład
Test CRPCRP (białko C-reaktywne) jest czułym wskaznikiem ostrych i przewlekłych sta-nów zapalnych o róznym pochodzeniu. Poziom CRP, jednego z tzw. białek ostrejfazy, wzrasta w surowicy i osoczu w trakcie ogólnej, niespecyficznej odpowie-dzi na infekcje (głównie bakteryjne) oraz stany zapalne bez tła infekcyjnego(...)Oznaczenie stezenia CRP wykorzystuje sie w diagnostyce (...)
Fizjologiczne stezenie CRP nie przekracza 5 mg/L, stezenie wieksze niz 10mg/L uznawane jest za patologiczne.
20
Pojecia
Wynik testuRzeczywistosc: Wynik testu
dodatni ujemnychory (+) prawidłowy nieprawidłowyzdrowy (-) nieprawidłowy prawidłowy
Pojecia
Wynik testuRzeczywistosc: Wynik testu
dodatni ujemnychory (+) prawidłowy nieprawidłowyzdrowy (-) nieprawidłowy prawidłowy
Pojecia
Wynik testuRzeczywistosc: Wynik testu
dodatni ujemnychory (+) prawdziwie dodatni nieprawdziwie ujemny
zdrowy (-)nieprawdziwie do-
datni prawdziwie ujemny
Pojecia
Czułosc testuprawdopodobienstwo uzyskania wyniku prawdziwie dodatniego
to znaczyprawdopodobienstwo uzyskania wyniku dodatniego dla osoby chorej
okresla zdolnosc testu do wykrywania osób chorych
21
Pojecia
Swoistosc testuprawdopodobienstwo uzyskania wyniku prawdziwie ujemnego
to znaczyprawdopodobienstwo uzyskania wyniku ujemnego dla osoby zdrowej
okresla zdolnosc testu do wykrywania osób zdrowych
Zadanie
CelWyznaczyc wartosc krytyczna dla testu minimalizujaca prawdopodobienstwa błe-dów.
To znaczy jak najbardziej czułego i o jak najwiekszej swoistosci
Przykład
Zdrowi i chorzy
Przykład
Zdrowi i chorzy
22
barierka swoistosc czułosc4 15.87% 99.87%5 50.00% 97.72%6 84.13% 84.13%7 97.72% 50.00%8 99.87% 15.87%9 100.00% 2.28%
Przykład
Krzywa ROC (odsetek wyników pozytywnych)
25
barierka 1-swoistosc czułosc4 84.13% 99.87%5 50.00% 97.72%6 15.87% 84.13%7 2.28% 50.00%8 0.13% 15.87%9 0.00% 2.28%
Przykład
Krzywa ROC
Nieznajomosc matematyki zabija
Irena Cieslinska GW 21.11.2014Zrobiłam mammografie. Dostałam wynik. Pozytywny. - Czy mam raka, dokto-
rze? - zapytałam.- Czułosc testu wynosi 87 proc. To nie oznacza z cała pewnoscia, ze ma
pani nowotwór, bo zawsze jest jeszcze szansa, ze zalicza sie pani do 13 proc.szczesliwców. Radziłbym wykonac teraz dodatkowe badania, biopsje.
- Ale ryzyko, ze mam raka, wynosi jakies 87 proc.?- Niestety tak. Przykro mi to mówic.
26
A jak powinno byc
Czułosc wynosi 87%P{wynik pozytywny|osoba chora} = 0.87
Swoistosc wynosi 93%P{wynik pozytywny|osoba zdrowa} = 0.07
A jak powinno byc
Czestosc wystepowania choroby wynosi 0.7%P{osoba chora} = 0.007
Ogólny odsetek wyników pozytywnychP{wynik pozytywny} =
P{wynik pozytywny|osoba chora} · P{osoba chora}+P{wynik pozytywny|osoba zdrowa} · P{osoba zdrowa} =
0.87 · 0.007 + 0.07 · 0.993 = 0.0756
A jak powinno byc
Ryzyko choroby przy pozytywnym wynikuP{osoba chora|wynik pozytywny} =
P{wynik pozytywny|osoba chora} · P{osoba chora}P{wynik pozytywny}
=
0.87 · 0.007
0.0756= 0.0805
27