Komputerowa analiza danych doświadczalnych
|
|
- Edyta Zalewska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Komputerowa analiza danych doświadczalnych Wykład dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 2015/2016
2 Próby z odliczaniem. Próbki Metoda największej wiarygodności ierównosć informacyjna
3 Próba z odliczaniem. Próbki
4 Pobieranie próby z odliczaniem Często w praktyce pomiarowej mamy do czynienia z sytuacją, gdzie dokonujemy n obserwacji, z których tylko k ma pewną interesującą nas cechę. Resztę obserwacji, czyli n-k, odrzucamy Wybieramy (odliczamy) k z n elementów jest to zatem rozkład dwumianowy (liczby sukcesów k) z prawdopodobieństwem p wystąpienia badanej cechy q jej nie wystąpienia (nie znamy ich jednak jest to przedmiot badań) Pytanie: jakie jest prawdopodobieństwo wystąpienia badanej cechy p? można udowodnić, że estymatorem p jest: KADD 2016, Wykład 9 S( p)= k n Dlaczego? rozkład dwumianowy to rozkład całkowitej liczby sukcesów, natomiast rozkład wielkości p jest rozkładem średniej liczby sukcesów Rozważmy przykład: odbywają się wybory na Prezydenta RP, mamy dwóch kandydatów: BK i AD. Załóżmy, że p (60%) wszystkich wyborców preferuje AD. Jeśli jednak wybierzemy losowo 10 wyborców, mało prawdopodobne jest, że akurat 6 z nich wskaże AD (zależy to od tego na kogo się trafi ) - próbka to realizacja próby los. 4 / 26
5 Pobieranie próby z odliczaniem Rozważmy przykład: odbywają się wybory na Prezydenta RP, mamy dwóch kandydatów: BK i AD. Załóżmy, że p (60%) wszystkich wyborców preferuje AD. Jeśli jednak wybierzemy losowo 10 wyborców, mało prawdopodobne jest, że 6 z nich wskaże AD (zależy to od tego na kogo się trafi ) liczba wyborców AD w próbie losowej może wynieść trochę więcej lub trochę mniej niż 60%. Jeśli wielokrotnie powtórzymy tę czynnośc, otrzymamy rozkład (próbkowania) wielkości p (ang. sampling distribution) widzimy, że rozkład p jest związany z rozkładem dwumianowym rozkład dwumianowy to jednak rozkład całkowitej liczby sukcesów k (wyboru kandydata AD) a rozkład p to rozkład średniej liczby sukcesów średnia to oczywiście całość podzielona przez ilość, czyli rozmiar wybranej próby Podsumowując: rozkład dwumianowy całkowita ilość (np. 6 z 10), rozkład p średnia (0,6) operują na innych argumentach KADD 2016, Wykład 9 5 / 26
6 KADD 2016, Wykład 9 Pobieranie próby z odliczaniem 6 / 26 Rozkład dwumianowy ma wartość oczekiwaną: np Wartość oczekiwana rozkładu p to zaś wartość oczekiwana rozkładu dwumianowego podzielona przez wielkość próby n: p Rozkład dwumianowy ma wariancję: σ 2 =npq=np(1 p) Czyli odchylenie standardowe (ma wymiar średniej): σ= np(1 p) Dla rozkładu p musimy podzielić przez n, i wtedy otrzymamy odchylenie standardowe rozkładu p: Czyli wariancja rozkładu p: σ p 2 = p(1 p) n σ p = np(1 p) n Jak już wspomnieliśmy, najlepszym estymatorem parametru p jest: = p(1 p) n Jaki jest zaś estymator wariancji? S( p)= k n wstawiamy do wzoru na wariancję estymator wartości oczekiwanej, wtedy dostajemy: s(s( p))= 1 n k ( 1 k n ) s 2 (S( p))= 1 n k n ( 1 k n )
7 KADD 2016, Wykład 9 iepewność statystyczna 7 / 26 Zdefiniujmy teraz niepewność: Δ k= s 2 (S(np)) S(np)=n k n =k Wtedy otrzymamy: iepewność ta zależy tylko od odliczonych elementów k oraz liczebności próby I nazywana jest niepewnością (w starej nomenklaturze błędem) statystyczną Jeżeli k jest małe, czyli k n, wtedy możemy wprowadzić parametr λ=np Δ k= k ( 1 k n ) W takim przypadku możemy (patrz Wykład 5) możemy uważać, że k jest pojedynczym elementem próby opisywanej rozkładem Poissona, wówczas otrzymujemy: S(λ)=S(np)=k Δ λ= k W k n = ( n k) pk q n k Czyli w przybliżeniu niepewność statystyczna liczby odliczeń k można zapisać jako łatwy do zapamiętania wzór: Δ k k Przykład: niepewność zliczeń binu histogramu σ 2 np =np (1 p) s 2 (S(np))=k ( 1 k n ) lim n W n k=f (k)= λk k! e λ
8 Dokładniejsza interpretacja niep. statyst. KADD 2016, Wykład 9 8 / 26 Jak pamiętamy, dla dużych k rozkład Poissona można przybliżyć rozkładem Gaussa o parametrach: μ=λ, σ 2 =λ Dopóki liczba k nie jest zbyt mała (np. większa od 20, ale dużo mniejsza od n!) rozkład Poissona liczby k z parametrem λ możemy uważać za rozkład normalny zmiennej losowej X o powyższych parametrach czyli zmienna skokowa zastąpiona jest zmienną ciągłą. Gęstość prawdopodobieństwa wynosi wtedy: f (x; λ)= 1 λ 2 π exp ( ) (x λ)2 2 λ Za pomocą tej gęstości możemy zdefiniować granice przedziału ufności przy zadanym poziomie ufności 1 α P(λ m λ λ p )=1 α Prawdopodobieństwo wystąpienia prawdziwej wartości λ wewnątrz przedziału ograniczonego liczbami (λ m,λ p ) jest równe poziomowi ufności 1 α Odpowiada to warunkom: P(x>k λ=λ p )=1 α 2 P(x<k λ=λ m )=1 α 2
9 Dokładniejsza interpretacja niep. statyst. Odpowiada to warunkom: P(x>k λ=λ p )=1 α 2 P(x<k λ=λ m )=1 α 2 Można pokazać, że: Po dłuższych przekształceniach (Brandt) zakładająć σ 2 =k można pokazać, że na poziomie ufności 1 α=68,3 % (czyli na poziomie 1σ), prawdziwa wartość k znajduje się w przedziale: Gdy nie jest spełniony warunek o dużym k (tj. nie przybliżamy Poissona rozkładem Gaussa), badamy rozkład: f (n ;λ)= λn n! e λ Można dowieść, że: α 2 =F (k+1; λ p) 1 α 2 =F (k ;λ m) Aby wyznaczyć λ p,λ m należy rozwiązać powyższe równania (numerycznie) - obliczyć funkcję odwrotną do rozkładu Poissona przy α ustalonym k i zadanym prawdopodobieństwie (u nas i ) KADD 2016, Wykład 9 α 2 =ψ 0( k λ p σ ) 1 α 2 =ψ 0( k λ m σ ) ψ 0 F - dystrybuanta rozkładu normalnego (k k, k+ k ) - dystrybuanta rozkładu Poissona k 1 F (k ; λ)= n=0 f (n ;λ)=p(k<k) 2 1 α 2 9 / 26
10 Pobieranie próbki w obecności tła W wielu doświadczeniach spotykamy się też z sytuacją, kiedy nie możemy okreslić, czy zaobserwowane zdarzenia są tego rodzaju jakie badamy (sygnał) lub innego typu (tło) np. Badamy rozpad promieniotwórczy danego izotopu, ale mamy domieszkę innego typu, która rozpada się analogicznie Mamy więc wartość oczekiwaną liczby zdarzeń daną rozkładem Poissona w postaci sumy: λ=λ S +λ T Celem doświadczenia jest wyznaczenie ie możemy skorzystać z poprzednich rozważań w celu wyznaczenia granic przedziału ufności Prawdopodobieństwo zaobserwowania n zdarzeń: λ S n=n S +n T f (n ;λ S +λ T )= 1 n! e (λ S+λ T ) (λ S +λ T ) n Prawdopodobieństwa sygnału i tła: KADD 2016, Wykład 9 f (n S ; λ S )= 1 n S! e (λ S) (λ S ) n S f (n T ;λ T )= 1 n T! e (λ T) (λ T ) n T 10 / 26
11 KADD 2016, Wykład 9 Pobieranie próbki w obecności tła 11 / 26 Wiemy, że przy liczbie k zanotowanych przypadków, tło nie może tej liczby przewyższać. Wtedy wzór na tło zastępujemy wzorem: f ' (n T ;λ T )= f (n T ; λ T ) k n T =0 f (n T ; λ T ) W analogiczny sposób zastępujemy wzór zaobserwowania n zdarzeń: f '(n ;λ S +λ T )= f (n; λ S+λ T ) k n T =0 Możemy teraz obliczyć granice przedziału λ ms, λ psufności poszukiwanego parametru λ S na poziomie ufności 1 α: α 2 =F '(k+1; λ ps+λ T ) 1 α 2 =F ' (k ;λ ms+λ T ) f (n T ; λ T ), n T k, n T k k 1 F '(k ; λ s +λ t )= f ' (n; λ s +λ t )=P(k<k) n=0 F ' - dystrybuanta rozkładu f'
12 Metoda największej wiarygodności
13 KADD 2016, Wykład 9 Funkcja wiarygodności 13 / 26 Do tej pory zajmowaliśmy się estymacją parametrów rozkładów, wprowadziliśmy estymatory i warunki, jakie powinny spełniać. ie zajmowaliśmy się natomiast sposobem ich konstruowania (oprócz estymatora wartości oczekiwanej i wariancji) Problem ogólny: mamy zbiór p parametrów: określony gęstością prawdopodobieństwa: dla n zmiennych losowych: λ =(λ 1, λ 2,...,λ p ) Jeden pomiar wielkości X, czyli pobranie próby o liczności 1, prowadzi do uzyskania wyniku X ( j) ( =( X 1 =x j) ( 1, X 2 =x j) ( 2,..., X n =x j) n ) Takiemu doświadczeniu przypisujemy liczbę: dp ( j) =f ( X ( j) ; λ )dx X=( X 1, X 2,..., X n ) f =f (x ; λ) Która jest tzw. prawdopodobieństwem a posteriori. Mówi ona po uzyskaniu wyniku, jakie było prawdopodobieństwo jego uzyskania
14 KADD 2016, Wykład 9 Funkcja wiarygodności 14 / 26 Takiemu doświadczeniu przypisujemy liczbę: dp ( j) =f ( X ( j) ; λ )dx Która jest tzw. prawdopodobieństwem a posteriori. Mówi ona po uzyskaniu wyniku, jakie było prawdopodobieństwo jego uzyskania, czyli wartości X ( j) ( takiej, że: x j) i < x ( j) ( x j) ( i +dx j) i, (i=1,2,...,n) Dla próby o niezależnych elementach omawiane prawdopodobieńśtwo uzyskania wyniku iloczynem: dp= f (x ( j) ; λ )d x x ( j), x (1),..., x ( ) dane jest Gdy populacja jest charakteryzowana przez dwa różne zbiory parametrów,, wtedy możemy określić iloraz wiarygodności: Q= λ 1, λ 2 f (x ( j) ;λ 1 )d x f (x ( j) ;λ 2 )d x Możemy go określić: zbiór parametrów λ 1jest Q razy bardziej prawdopodobny niż zbiór parametrów λ 2
15 Funkcja wiarygodności Takiemu doświadczeniu przypisujemy liczbę: dp ( j) = f ( X ( j) ; λ ) dx Funkcją wiarygodności nazywamy iloczyn postaci: L= f ( x ( j) ; λ) Funkcja wiarygodności jest zmienną losową (jest funkcją próby) Przykład: iloraz wiarygodności rzut asymetryczną monetą na podstawie rzutu asymetryczną monetąii wyników tych rzutów chcemy ustalić, czy moneta należy do klasy A lub klasy B załóżmy, że próba to 5 rzutów: 1 orzeł i 4 reszki stąd funkcja wiarygodności: L A = 1 3 ( 2 3 ) 4 L B = 2 3 ( 1 3 ) 4 Q= L A z duzą dozą prawdopodobieństwa moneta należy do klasy A KADD 2016, Wykład 9 L B =8 A orzeł 1/3 2/3 reszka 2/3 1/3 B 15 / 26
16 KADD 2016, Wykład 9 Metoda największej wiarygodności 16 / 26 ajwiększą ufnością obdarzamy zbiór parametrów, dla którego funkcja wiarygodności osiąga maksymalną wartość Jak wyznaczyć maksimum? warunek konieczny: przyrównać pierwszą pochodną L do zera Różniczkowanie iloczynu jest jednak niewygodne, wprowadzamy więc logarytm funkcji wiarygodności L: l=ln L= ln f ( x ( j ) ;λ) Funkcją wiarygodności jest odpowiednikiem gęstości prawdopodobieństwa, tylko określona dla parametrów. Ponieważ jest funkcją próby losowej, jest również zmienną losową L(λ) L(λ) λ max λ λ 3 max λ 1 max λ 2 max λ
17 KADD 2016, Wykład 9 Metoda największej wiarygodności 17 / 26 W najprostszym przypadku wektor parametrów λ ma tylko jedną składową λ Musimy wtedy rozwiązać równanie wiarygodności: Czyli: gdzie: l '= d d λ ln f (X( j ) ;λ)= jest pochodną logarytmiczną f względem λ f ' f = φ ( x ( j) ; λ )= ( d d λ f (x( j) ;λ) ) /( f (x ( j) ;λ)) φ(x ( j) ; λ) l '= dl d λ =0 W przypadku gdy wektor λ ma p składowych, mamy układ p równań: l λ i =0, i=1,2,, p Przykład: powtarzanie pomiarów o różnej dokładności pomiar danej jednej wielkości różnymi przyrządami pomiarowymi: pomiary X ( j) będą się układały wokół wartości rzeczywistej λ niepewności bedą miały rozkład normalny X ( j) X ( j) mamy 1 wielkość, więc z wektora robi się jedna zmienna
18 Metoda największej wiarygodności Przykład: powtarzanie pomiarów o różnej dokładności pomiar danej wielkości różnymi przyrządami pomiarowymi: pomiary X ( j) będą się układały wokół wartości rzeczywistej λ niepewności bedą miały rozkład normalny Wniosek: pojedynczy pomiar to pobranie próby o liczebności 1 z rozkładu Gaussa o wartości średniej λ i wariancji σ j Prawdopodobieństwo a posteriori możemy zatem wyrazić jako: dp ( j) =f ( X ( j) ; λ)dx= 1 2 π σ j exp( ( X( j) λ) 2 ) 2 2σ dx j Zatem dla pomiarów funkcja wiarygodności wynosi: L= 1 2 π σ j exp( ( X( j) λ) 2 2 σ j 2 ) KADD 2016, Wykład 9 18 / 26
19 KADD 2016, Wykład 9 Metoda największej wiarygodności 19 / 26 Logarytmiczna funkcja wiarygodności: l= 1 2 ( X ( j) λ ) 2 σ j 2 Konstruujemy równanie wiarygodności: dl d λ = Którego rozwiązanie to: X ( j) λ σ j 2 =0 +const ~ λ= x ( j) 2 σ / j 1 σ j 2 Wniosek: wynik najbardziej wiarygodny jest średnią ważoną pomiarów, gdzie wagi są odwrotnościami wariancji poszczególnych pomiarów
20 KADD 2016, Wykład 9 ajbardziej wiarygodny wynik Logarytmiczna funkcja wiarygodności wynosi: l= 1 2 ( X ( j) λ) 2 +const 2 σ j Równanie wiarygodności przybiera postać: dl d λ = A jego rozwiązanie to: x ( j) λ σ j 2 =0 ~ λ= x ( j) 2 σ / j Czyli wynik najbardziej wiarygodny jest średnią ważoną pomiarów tej samej cechy, gdzie waga każdego pomiaru jest odwrotnością jego wariancji 1 σ j 2
21 Uśrednianie wielu pomiarów przykład S. Eidelman et al., Phys. Lett. B 592, 1 (2004) Pomiar stałej sprzężenia oddziaływań silnych szukanie najbardziej wiarygodnego wyniku uśredniamy wszystkie wyniki z różnych pomiarów ważąc je odwrotnością wariancji KADD 2016, Wykład 9
22 KADD 2016, Wykład 9 Przykład z rozkładem dyskretnym 22 / 26 Czasami nasze zjawisko opisywane jest rozkładem dyskretnym estymowany parametr może przyjać tylko dyskretne wartości Przykład: ze stawu, w którym pływa ryb wyłowiono wpierw K ryb i po ich zaznaczeniu wpuszczono je z powrotem. W krótkim odstępie czasu wyłowiono n ryb, z których k było znaczonych. Prawdopodobieństwo wynosi: W n,k =L(k ;n, K, )= ( )( K ) k n k Znaleźć musimy taką wartość, dla której funkcja L osiąga maksimum. Zbadajmy iloraz: L(k ;n, K, ) ( n)( k) = L(k ;n, k, 1) ( n K +k) ( n ) Jest on mniejszy od 1, gdy k>nk i większy od 1, gdy Czyli maksimum L osiagnie dla wart. całk. najbliższej k<nk nk /k
23 ierówność informacyjna
24 ierówność informacyjna Pytanie: jak skonstruować estymator o optymalnych własnościach? estymator jest nieobciążony, jeżeli wartość obciążenia dla każdej próby: B(λ)=E(S) λ=0 oraz (estymator zgodny) wariancja estymatora jest jak najmniejsza (dąży do 0 dla liczebności próby losowej dążacej do nieskończoności): σ 2 (S) - minimalna bardzo często istnieje jednak związek pomiędzy obciążeniem a wiarancją i musimy szukać kompromisu taki związek nazywamy nierównością informacyjną Oczywiste jest, że wariancja przybiera minimalną wartość, kiedy estymator jest stałą (wtedy wariancja wynosi po prostu 0) Rozpatrzmy estymator: Który jest funkcją próby: Łączna gęstość prawdopodobieństwa próby: f (x (1), x (2),..., x ( ) ; λ)=f (x (1) ; λ) f (x (2) ;λ)...f (x ( ) ; λ) KADD 2016, Wykład 9 S( X (1), X (2),..., X ( ) ) X=( X (1), X (2),..., X ( ) ) 24 / 26
25 KADD 2016, Wykład 9 ierówność informacyjna 25 / 26 Wartość oczekiwana estymatora S wynosi więc: E(S)= S( X (1), X (2),..., X ( ) ) f (x (1) ; λ) f ( x (2) ; λ)... f (x ( ) ;λ)dx (1) dx (2)... dx ( ) Wyrażenie E(S)=B(λ)+λ można zróżniczkować, po przekształceniu dostaniemy: 1+B ' (λ)= S( f ' ( x ( j) ; λ) ) f ( x ( j) ; λ) f (x(1) ; λ) f ( x ( ) ; λ)dx (1) dx (2) dx ( ) { =E S f ' ( x ( j) ; λ) f ( x ( j) ; λ) } =E { S astępnie po dłuższych przekształceniach nierówność: (B' (λ)+1) 2 σ 2 (S) I (λ) l '= φ(x ;λ)} ( j) =E (S l ' ) d d λ ln f (X( j ) ;λ)= f ' f = φ ( x ( j) ; λ )= ( d d λ f (x( j) ;λ) ) /( f (x ( j) ;λ)) φ(x ( j) ; λ) Gdzie informacja próby ze względu na λ: I (λ)=e(l ' 2 )=E(( f ' (x ; λ) f (x ; λ) )2)
26 KADD 2016, Wykład 9 ierówność informacyjna 26 / 26 ierówność informacyjna: (B' (λ)+1) 2 σ 2 (S) I (λ)=e(l ' 2 I (λ) )=E(( f ' (x ; λ) f (x ; λ) )2) ierówność informacyjna to związek pomiędzy obciążeniem, wariancją i informacją zawartą w próbie Jest to definicja ogólna nie wybraliśmy żadnego szczególnego estymatytora. Prawa strona jest zatem dolnym ograniczeniem dla wariancji danego (dowolnego) estymatora ograniczenie to nazywamy ograniczeniem minimalnej wariancji albo ograniczeniem Cramea-Rao Kiedy obciążenie nie zależy od λ, a w szczególności gdy znika (równa się zero), nierówność redukuje się do: σ 2 (S) 1 I (λ)
27 KOIEC
Komputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 27.04.2018 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 2017/2018 Metoda największej wiarygodności ierównosć informacyjna
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 7.04.09 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 08/09 Metoda największej wiarygodności ierównosć informacyjna Metoda
Bardziej szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 10 8.04.017 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 016/017 Metoda największej wiarygodności - przykład ierównosć informacyjna
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 34 58 5 konsultacje: poniedziałek: 0-, środa: - www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 4.03.06 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 05/06 Zmienne losowe, jednowymiarowe rozkłady zmiennych losowych Pomiar jako zdarzenie
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 5.05.07 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 06/07 Jednoczesna estymacja kilku parametrów - przykład Weryfikacja hipotez statystycznych
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW STATYSTYKA to nauka, której przedmiotem
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoSMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec
SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoOznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji
Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO
STATYSTYKA I DOŚWIADCZALNICTWO dla studiów magisterskich kierunku ogrodnictwo Wykład 1 Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Słowo statystyka pochodzi
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoRozkład normalny, niepewność standardowa typu A
Podstawy Metrologii i Technik Eksperymentu Laboratorium Rozkład normalny, niepewność standardowa typu A Instrukcja do ćwiczenia nr 1 Zakład Miernictwa i Ochrony Atmosfery Wrocław, listopad 2010 r. Podstawy
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoZmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
29 marca 2011 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoPojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1
Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:
Bardziej szczegółowoRozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia.
Rozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia. D A R I U S Z P I W C Z Y Ń S K I 2 2 ROZKŁAD ZMIENNEJ LOSOWEJ Polega na przyporządkowaniu
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoMetoda największej wiarygodności
Rozdział Metoda największej wiarygodności Ogólnie w procesie estymacji na podstawie prób x i (każde x i może być wektorem) wyznaczamy parametr λ (w ogólnym przypadku również wektor) opisujący domniemany
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
31 marca 2014 Przestrzeń statystyczna - podstawowe zadania statystyki Zdarzeniom losowym określonym na pewnej przestrzeni zdarzeń elementarnych Ω można zazwyczaj na wiele różnych sposobów przypisać jakieś
Bardziej szczegółowoLISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów
LISTA 4 1.Na pewnym obszarze dokonano 40 pomiarów grubości warstwy piasku otrzymując w m.: 54, 58, 64, 69, 61, 56, 41, 48, 56, 61, 70, 55, 46, 57, 70, 55, 47, 62, 55, 60, 54,57,65,60,53,54, 49,58,62,59,55,50,58,
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3.03.07 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 06/07 Zmienne losowe, jednowymiarowe rozkłady zmiennych losowych Pomiar jako zdarzenie
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoZagadnienia brzegowe dla równań eliptycznych
Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 6 6.04.08 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 07/08 Własności rozkładu normalnego Centralne twierdzenie graniczne Funkcja charakterystyczna
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoZmienna losowa. Rozkład skokowy
Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW
ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoWynik pomiaru jako zmienna losowa
Wynik pomiaru jako zmienna losowa Wynik pomiaru jako zmienna losowa Zmienne ciągłe i dyskretne Funkcja gęstości i dystrybuanta Wartość oczekiwana Momenty rozkładów Odchylenie standardowe Estymator zmiennej
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoZmienne losowe. dr Mariusz Grzadziel. rok akademicki 2016/2017 semestr letni. Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu
Zmienne losowe dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu rok akademicki 2016/2017 semestr letni Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoStatystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl
Statystyka Opisowa z Demografią oraz Biostatystyka Zmienne losowe Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka p.
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może
Bardziej szczegółowo