Wprowadzenie do laboratorium 1

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wprowadzenie do laboratorium 1"

Transkrypt

1 Wprowadzeie do laboratorium 1 Etymacja jedorówaiowego modelu popytu a bilety loticze

2 Etapy budowy modelu ekoometryczego Specyfikacja modelu Zebraie daych tatytyczych Etymacja parametrów modelu Weryfikacja tatytycza modelu Praktycze wykorzytaie modelu

3 Specyfikacja modelu Sformułowaie celu i zakreu modelu oraz hipotez badawczych Cele: pozawcze progotycze ormatywe Wybór i zdefiiowaie zmieych edogeiczych i egzogeiczych Wybór potaci aalityczej fukcji

4 Koleje etapy budowy modelu Zebraie daych tatytyczych Struktura daych: dae przekrojowe zeregi czaowe dae paelowe Etymacja parametrów modelu z wykorzytaiem oprogramowaia GRETL

5 Weryfikacja modelu tetowaie itotości wpływu pozczególych zmieych iezależych a zmieą zależą ( tet t-studeta oraz tet F ) ocea topia dopaowaia modelu do daych empiryczych (błąd tadardowy rezt S e, wpółczyik zmieości reztowej V e, wpółczyik determiacji R, błędy tadardowe parametrów) tetowaie feryczości / ieferyczości kładika loowego: autokorelacji kładika loowego (tet Durbia-Watoa) heterokedatyczości kładika loowego (tet White a) ocea liiowości potaci aalityczej modelu

6 Iterpretacja parametrów w przypadku fukcji liiowej Iterpretuje ię je jak pochode czątkowe: Wpółczyik â i ozacza o ile średio zmiei ię zmiea objaśiaa y, jeśli zmiea objaśiająca x i wzrośie ceteri paribu (przy iezmieioych pozotałych zmieych objaśiających) o jedotkę. w przypadku fukcji potęgowej Iterpretuje ię je jak wpółczyiki elatyczości: Wpółczyik â i ozacza o ile procet średio zmiei ię zmiea objaśiaa y, jeśli zmiea objaśiająca x i wzrośie, ceteri paribu, o jede procet.

7 Kieruki wykorzytaia modelu do celów pozawczych badaie zachowań podmiotów gopodarczych, aaliza zależości ekoomiczych, badaie fukcjoowaia ytemów ekoomiczych, weryfikacja hipotez i teorii ekoomiczych do celów progotyczych do celów ormatywych pozukiwaie efektywych decyzji gopodarczych, aaliza alteratywych polityk ekoomiczych

8 Przełaki uwzględieia kładika loowego w modelu ekoometryczym: a. iedetermiityczy charakter zjawik połeczo-gopodarczych, koieczość uwzględieia czyika loowego b. błędy wyikające z iedokładości pomiaru tatytyczego, błędy oberwacji c. błędy wyikające z ieuwzględieia wśród zmieych objaśiających iektórych czyików mogących mieć wpływ a kztałtowaie ię zmieej objaśiaej d. błędy wyikające z przyjętej potaci aalityczej (iedokładie odzwierciedlającej rzeczywitą zależość fukcyją) Przełaka (a) odzwierciedla immaetą, iezależą od badającego, właość zjawik gopodarczych iedetermiityczy, loowy charakter. Przełaki (b, c i d) odzwierciedlają błędy, które moża ograiczyć w wyiku dokoaleia metod gromadzeia i aalizy daych tatytyczych oraz metod etymacji.

9 Założeia modelu KMNK 1. y Xa (Każda oberwacja y t jet liiową fukcją oberwacji x tk oraz kładika loowego ε t ). E 0 (Składik loowy ma wartość oczekiwaą rówą zeru.) 3. E I (Założeie o feryczości kładika loowego) E t 3a. I (Wariacja kładika loowego jet tała, tz. wytępuje jedorodość wariacji kładika loowego) 3b. E t 0 t (Składik loowy jet iekoreloway, ie wytępuje autokorelacja kładika loowego) 4. X jet macierzą x (k+1) o elemetach utaloych w powtarzalych próbach 5. r ( x ) k 1 Między zmieymi objaśiającymi ie ma zależości liiowej.

10 Klaycza metoda ajmiejzych kwadratów Z tw. Gaua-Markowa: Przy powyżzych założeiach klaycza metoda ajmiejzych kwadratów (KMNK) daje ajlepze (o ajiżzej wariacji) etymatory wśród liiowych i ieobciążoych. BLUE Bet Liear Ubiaed Etimator - ajlepze ieobciążoe etymatory liiowe aˆ ( X T 1 X ) X T y

11 Tet Fihera-Sedecora Tet F Fihera Sedecora modelu umożliwia całościową oceę przydatości Hipoteza H 0 : a1, a,..., a i 0 (wzytkie parametry przy zmieych objaśiających ą rówe zero) wobec hipotezy H 1,że przyajmiej jede parametr jet róży od zera Wartość tatytyki F obliczoa dla modelu: F k 1 R k 1 ma rozkład F o poziomie itotości α oraz 1 k, k 1 P { F kr F (, 1, ) } 1 R P { F kr F (, 1, ) }

12 Tet Fihera-Sedecora - cd F F kr (, 1, ) taki wyik tetu wkazuje, że brak podtaw do odrzuceia hipotezy H 0, praktyczie ozacza to, że wzytkie wpółczyiki tojące przy zmieych objaśiających ą ieitotie róże od zera, a więc wzytkie zmiee objaśiające mają ieitoty tatytyczie wpływ a zmieą y (podumowując wzytkie zmiee x i ą ieitote, żada z ich ie ma itotego wpływu a zmieą objaśiaą y, model jet ieprzydaty z tego puktu widzeia). F F kr (, 1, ) taki wyik tetu wkazuje, że itieją podtawy do odrzuceia hipotezy H 0, tym amym ależy przyjąć hipotezę H 1. Ozacza to, że przyajmiej jede wpółczyik a i jet itotie róży od zera, a tym amym przyajmiej jeda zmiea objaśiająca ma itoty tatytyczie wpływ a zmieą y (podumowując, tet oparty a tatytyce F daje pozytywą, z puktu widzeia jakości dopaowaia modelu, odpowiedź ozacoway model zawiera itote zmiee objaśiające). gdzie, 1, ) wartość krytycza tatytyki F o poziomie itotości α oraz F kr ( 1 k, k 1

13 Tet t-studeta Tet t-studeta: umożliwia wyelekcjoować i odrzucić ieitote zmiee objaśiające H 0 : ai 0 wobec H 1 : ai aˆ i t i S zmiea loowa ai 0 ma rozkład t-studeta o poziomie itotości α oraz liczbie topi wobody r (jet to obliczoa wartość tatytyki t-studeta dla daej zmieej objaśiającej x i ) Liczba topi wobody : r t ( k 1) dla modelu z wyrazem wolym lub r t k bez wyrazu wolego P { t t (, r ) } 1 i kr P { t t (, r ) } i kr

14 t i Tet t-studeta cd. t (, r ) taki wyik tetu wkazuje, że brak podtaw do kr odrzuceia hipotezy H 0, praktyczie ozacza to, że wpółczyik a i jet ieitotie róży od zera, a zmiea x i ma ieitoty tatytyczie wpływ a zmieą y (krótko - zmiea x i jet ieitota). t i t (, r ) taki wyik tetu wkazuje, że itieją podtawy do kr odrzuceia hipotezy H 0, tym amym ależy przyjąć hipotezę H 1. Ozacza to, że wpółczyik a i jet itotie róży od zera, a zmiea x i ma itoty tatytyczie wpływ a zmieą y (krótko - zmiea x i jet itota). gdzie t kr (, r ) wartość krytycza tatytyki t-studeta o poziomie itotości α oraz liczbie topi wobody r Wykorzytując te tet ależy zatoować ekwecyją metodę odrzucaia ieitotych zmieych objaśiających zaczyając od zmieych ajmiej itotych (o ajiżzej, co do modułu, wartości tatytyki t- Studeta).

15 Tet t-studeta w GRETL Dla każdego parametru podawae ą: wartość tatytyki t-studeta p-value - empiryczy poziom itotości (dwutroe prawdopodobieńtwo związae z rozkładem t-studeta ymbolicze ozaczeie topia itotości (gwiazdki) Uwaga: Liczba gwiazdek charakteryzuje itotość zmieych: *** - zmiea itota tatytyczie przy poziomie itotości 0,01; ** - zmiea itota przy poziomie itotości 0,05; * - zmiea itota przy poziomie itotości 0,1.

16 Tet F a tet t-studeta Uwaga: Tet F ie roztrzyga czy wzytkie zmiee objaśiające ą itote, odpowiedź a takie pytaie daje tet oparty a tatytyce t-studeta.

17 Badaie założeń dotyczących kładika loowego Z a ło że ie o fery cz o ści kła d ika lo ow ego: E I o z a cza, że: m a cierz kow a ria cji jet m a cierzą d iagoal ą z jed a k ow y m i w a rto ścia m i a p rzekąt ej rów y m i σ i zera m i p o za d ia go a l ą (ξ- w ekto r) m o ż a ro zb ić a d w a zało że ia: E t I w ytęp u je jed o rod o ść w aria cji kła d ika loow ego N iep eł ie ie tego za ło że ia o z a cza, że w ytęp u je h etero ked a ty cz o ść kła d ika lo ow ego. E t 0 t kła d ik lo ow y jet ieza leż y N iep eł ie ie tego za ło że ia o z a cza, że w y tęp u je au to korela cja kła d ika lo ow ego.

18 Tet Durbia-Watoa T et D u rb i a -W a to a w ery fiku je b ra k / w ytęp ow a ie a u to ko rela cji p ierw zeg o rzęd u H ip o teza H 0 o z a cza b ra k a u to k o relacji p ierw zeg o rzęd u, 0 : 1 1 : 1 w ob ec h ip o tezy H 0. g d zie 1 - w p ó łczy ik a u to ko rela cji p ierw zego rzęd u S ta ty ty ka D u rb i a -W a to a d : d t ( e t t e e t 1 ) t p rzy b liże ie: d 1 ( 1 1 )

19 d Tet Durbia-Watoa - cd d (,, k ) taki wyik tetu wkazuje, że L ą podtawy do odrzuceia hipotezy H 0 (wioek: wytępuje autokorelacja wariacji kładika loowego) d L (,, k ) d du (,, k ) taki wyik tetu ie roztrzyga kwetii autokorelacji kładika loowego d d U (,, k ) taki wyik tetu wkazuje, że brak podtaw do odrzuceia hipotezy H 0 (wioek: ie wytępuje autokorelacja wariacji kładika loowego) d L (,, k ) - dola wartość krytycza tatytyki Durbia-Watoa dla poziomu itotości α, liczebości próby i liczby zmieych objaśiających k d U (,, k ) - góra wartość krytycza tatytyki Durbia-Watoa dla poziomu itotości α, liczebości próby i liczby zmieych objaśiających k

20 Tet Durbia-Watoa dla ujemej korelacji T et d la u jem ej ko rela cji: H ip o teza H 0 o z a cza b ra k a u to ko rela cji p ierw zeg o rzęd u, 0 : 1 w o b ec h ip o tezy H 0. 1 : 1 w y ko rzytu je ta ty ty kę d = 4 - d. D la u jem ej ko rela cji ta ty ty ka d p rzy jm u je w a rto ści z p rzed zia łu (,4 ). W ted y a leży d o ko a ć p rzekzta łce ia : d = 4 - d.

21 Ocea dopaowaia modelu do daych empiryczych błąd tadardowy rezt S e oraz wpółczyik zmieości reztowej V e wpółczyik determiacji R : iekorygoway i korygoway oraz wpółczyik zbieżości φ błędy tadardowe parametrów S ai

22 Odchyleie tadardowe kładika loowego Błąd tadardowy rezt: S e e ( k 1) Wpółczyik zmieości reztowej: V e S y e

23 Wpółczyik R W p ó łczy ik d eterm i a cji R kw ad rat (U a dju ted R -q u ared ) R SSR SSE 1 SST SST ( yˆ ( y y ) y ) e 1 ( y y ) g d zie: S S T (total um o f q u are) całko w ita (ogól a ) w aria cja zm ie ej o b ja ś ia ej y, u m a kw a d ra tów o d ch y leń w a rtości em p iry cz y ch od śred iej (zm ie o ść ca łkow ita) S S R (reg reio u m of qu are ) ob jaś io a w a ria cja zm ie ej o b ja ś ia ej y, u m a kw a d ra tów o d ch y leń w a rtości teorety cz y ch o d śred iej (zm ie o ść o b ja ś io a ) S S E (error um of q u are ) ieo b ja ś io a w a ria cja zm ie ej o b ja ś ia ej y, u m a kw a d ra tów rezt, czy li u m a kw a d ratów o d ch yleń w artości teo rety cz y ch od em p iry cz y ch (zm ie o ść ieo b ja ś io a)

24 Wpółczyik zbieżości Wpółczyik zbieżości : 1 R e ( y y ) Skorygoway wpółczyik determiacji (Adjuted R-quared) umożliwia porówywalość różych modeli ekoometryczych ~ R 1 1 (1 k 1 R )

25 Jak zapiujemy otateczy wyik etymacji ŷ = 54,353 -,871 x 1 + 1,784 x + 0,873 x 3 (9,410) (0,446) (0,539) (0,310)

26 Progoza a podtawie jedorówaiowego modelu ekoometryczego Jeżeli dla klayczego modelu regreji liiowej o potaci: y i a0 a1 x i 1... a k x i k i, i 1,..., pełioe ą wzytkie założeia chematu Gaua-Markowa, wtedy MNK-etymator jet BLUE, a progoza a okre + wyoi: y ˆ, a0 a1 x,1... a k x k, 1,..., T

27 Błędy progozy V V y y ˆ % 100 ˆ * y V V ] ) ( 1 [ 1 T T e x X X x S V Błąd progozy ex ate w okreie + - V + : Błąd progozy ex pot w okreie + - δ + : Względe błędy progozy : % 100 ˆ * y

28 Źródła błędów progoz a. błędy etymacji (wartości etymatorów różią ię od rzeczywitych wartości parametrów) b. błędy truktury tochatyczej (jeśli założeia dotyczące kładika loowego ie ą pełioe, etymatory tracą pożądae właości) c. błędy loowe (wyikające z iedetermiityczego charakteru zjawik połeczogopodarczych) d. błędy pomiaru wyikające z iedokładości pomiaru tatytyczego e. błędy pecyfikacji: - błędy wyikające z ieuwzględieia wśród zmieych objaśiających iektórych czyików mogących mieć wpływ a kztałtowaie ię zmieej objaśiaej - błędy wyikające z przyjętej potaci aalityczej, iedokładie odzwierciedlającej rzeczywitą zależość fukcyją f. błędy waruków edogeiczych (zmieia ię iła oddziaływaia między zmieymi) g. błędy waruków egzogeiczych (błędie przyjęte wartości zmieych egzogeiczych w okreie progozy)

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

Bardziej szczegółowo

Ekonometria Mirosław Wójciak

Ekonometria Mirosław Wójciak Ekoometria Mirosław Wójciak Literatura obowiązkowa Barczak A, ST. Biolik J, Podstawy Ekoometrii, Wydawictwo AE Katowice, Katowice 1998 Dziechciarz J. Ekoometria Metody, przykłady, zadaia (wyd. ) Kukuła

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

Porównanie dwu populacji

Porównanie dwu populacji Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :

Bardziej szczegółowo

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW.

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW. Statytycza ocea wyików pomiaru STATYSTYCZNA OCENA WYNIKÓW POMIARÓW CEL ĆWICZENIA Celem ćwiczeia jet: uświadomieie tudetom, że każdy wyik pomiaru obarczoy jet błędem o ie zawze zaej przyczyie i wartości,

Bardziej szczegółowo

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017 STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej

Bardziej szczegółowo

Materiały do wykładu 4 ze Statystyki

Materiały do wykładu 4 ze Statystyki Materiały do wykładu 4 ze Statytyki CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (dok.) 1. miary położeia - wykład 2 2. miary zmieości (dyperji, rozprozeia) - wykład 3 3. miary aymetrii (kośości) 4.

Bardziej szczegółowo

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości

Bardziej szczegółowo

Rozkłady statystyk z próby. Metody probabilistyczne i statystyka Wykład 2: Rozkłady statystyk z próby. Przedziały ufnoci

Rozkłady statystyk z próby. Metody probabilistyczne i statystyka Wykład 2: Rozkłady statystyk z próby. Przedziały ufnoci Rozkłady tatytyk z próby Metody probabilitycze i tatytyka Wykład : Rozkłady tatytyk z próby. rzedziały ufoci Małgorzata Krtowka Wydział Iformatyki olitechika Białotocka e-mail: mmac@ii.pb.bialytok.pl troa

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

STATYSTYKA OPISOWA WYKŁAD 1 i 2 STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu. Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD Metoda najmniejszych kwadratów Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statytyka. v.0.9 egz mgr inf nietacj Statytyczna analiza danych Statytyka opiowa Szereg zczegółowy proty monotoniczny ciąg danych i ) n uzykanych np. w trakcie pomiaru lub za pomocą ankiety. Przykłady

Bardziej szczegółowo

STATYSTYKA. Seminarium Chemia Analityczna. Dr hab. inż. Piotr Konieczka.

STATYSTYKA. Seminarium Chemia Analityczna. Dr hab. inż. Piotr Konieczka. 00--5 STATYSTYKA Semiarium Chemia Aalitycza Dr hab. iż. Piotr Koieczka e-mail: piotr.koieczka@pg.gda.pl Dokładość (accuracy) topień zgodości uzykaego wyiku pojedyczego pomiaru z wartością oczekiwaą (rzeczywitą).

Bardziej szczegółowo

Zeszyty naukowe nr 9

Zeszyty naukowe nr 9 Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

ANALIZA KORELACJI IREGRESJILINIOWEJ

ANALIZA KORELACJI IREGRESJILINIOWEJ ANALIZA KORELACJI IREGRESJILINIOWEJ 1. ZALEŻNOŚCI STOCHASTYCZNE Badajac zjawiska o charakterze masowym, w tym szczególie zjawiska spo leczo-ekoomicze, stwierdzamy, że każde z ich jest uwarukowae dzia laiem

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

Laboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1

Laboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1 1. Cel ćwiczeia: Laboratorium Sesorów i Pomiarów Wielkości Nieelektryczych Ćwiczeie r 1 Pomiary ciśieia Celem ćwiczeia jest zapozaie się z kostrukcją i działaiem czujików ciśieia. W trakcie zajęć laboratoryjych

Bardziej szczegółowo

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk

Bardziej szczegółowo

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I) Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod

Bardziej szczegółowo

This copy is for personal use only - distribution prohibited.

This copy is for personal use only - distribution prohibited. ZESZYTY NAUKOWE WSOWL - - - - - Nr 1 (159) 11 Włodzimierz KUPICZ Staiław NIZIŃSKI ETODA DIAGNOZOWANIA SILNIKÓW SPALINOWYCH W WARUNKACH TRAKCYJNYCH W pracy przedtawioo ową metodę diagozowaia ilika paliowego

Bardziej szczegółowo

INWESTYCJE MATERIALNE

INWESTYCJE MATERIALNE OCENA EFEKTYWNOŚCI INWESTYCJI INWESTCJE: proces wydatkowaia środków a aktywa, z których moża oczekiwać dochodów pieiężych w późiejszym okresie. Każde przedsiębiorstwo posiada pewą liczbę możliwych projektów

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

BADANIA DOCHODU I RYZYKA INWESTYCJI

BADANIA DOCHODU I RYZYKA INWESTYCJI StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;

Bardziej szczegółowo

Uwarunkowania rozwojowe województw w Polsce analiza statystyczno-ekonometryczna

Uwarunkowania rozwojowe województw w Polsce analiza statystyczno-ekonometryczna 3 MAŁGORZATA STEC Dr Małgorzata Stec Zakład Statystyki i Ekoometrii Uiwersytet Rzeszowski Uwarukowaia rozwojowe województw w Polsce aaliza statystyczo-ekoometrycza WPROWADZENIE Rozwój społeczo-gospodarczy

Bardziej szczegółowo

Przemysław Jaśko Wydział Ekonomii i Stosunków Międzynarodowych, Uniwersytet Ekonomiczny w Krakowie

Przemysław Jaśko Wydział Ekonomii i Stosunków Międzynarodowych, Uniwersytet Ekonomiczny w Krakowie MODELE SCORINGU KREDYTOWEGO Z WYKORZYSTANIEM NARZĘDZI DATA MINING ANALIZA PORÓWNAWCZA Przemysław Jaśko Wydział Ekoomii i Stosuków Międzyarodowych, Uiwersytet Ekoomiczy w Krakowie 1 WROWADZENIE Modele aplikacyjego

Bardziej szczegółowo

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia

Bardziej szczegółowo

Ocena dopasowania modelu do danych empirycznych

Ocena dopasowania modelu do danych empirycznych Ocea dopasowaia modelu do dach empirczch Po oszacowaiu parametrów modelu ależ zbadać, cz zbudowa model dobrze opisuje badae zależości. Jeśli okaże się, że rozbieżość międz otrzmam modelem a dami empirczmi

Bardziej szczegółowo

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości specyficznych parametrów populacji.

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości specyficznych parametrów populacji. /7/06 Biotatytyka, 06/07 dla Fizyki Medyczej, tudia magiterkie etymacja etymacja średiej puktowa przedział ufości średiej rozkładu ormalego etymacja puktowa i przedziałowa wariacji rozkładu ormalego etymacja

Bardziej szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie.

176 Wstȩp do statystyki matematycznej = 0, 346. uczelni zdaje wszystkie egzaminy w pierwszym terminie. 176 Wtȩp do tatytyki matematycznej trści wynika że H o : p 1 przeciwko hipotezie H 3 1: p< 1. Aby zweryfikować tȩ 3 hipotezȩ zatujemy tet dla frekwencji. Wtedy z ob 45 1 150 3 1 3 2 3 150 0 346. Tymczaem

Bardziej szczegółowo

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że: Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA064 Wyział Elektroiki, rok aka 2008/09, sem leti Wykłaowca: r hab A Jurlewicz Wykła 3: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług

Bardziej szczegółowo

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej.

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej. Model ciągły wycey opcji Blacka Scholesa - Mertoa Wzór Blacka - Scholesa a wyceę opcji europejskiej. Model Blacka Scholesa- Mertoa Przełomowe prace z zakresu wycey opcji: Fischer Black, Myro Scholes The

Bardziej szczegółowo

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY Weryfikacja hipotez statystyczych WNIOSKOWANIE STATYSTYCZNE Wioskowaie statystycze, to proces uogóliaia wyików uzyskaych a podstawie próby a całą

Bardziej szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

Badanie efektu Halla w półprzewodniku typu n

Badanie efektu Halla w półprzewodniku typu n Badaie efektu alla w ółrzewodiku tyu 35.. Zasada ćwiczeia W ćwiczeiu baday jest oór elektryczy i aięcie alla w rostoadłościeej róbce kryształu germau w fukcji atężeia rądu, ola magetyczego i temeratury.

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę

Bardziej szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

HTML/OA.jsp?page=/dm/oracle/apps/xxext/rep/xxre

HTML/OA.jsp?page=/dm/oracle/apps/xxext/rep/xxre Page 1 of 7 N a z w a i a d re s sp ra w o z d a w c z e j: D o ln o ś lą s k i U rz ą d W o je w ó d z k i w e W ro c ła w iu PI. P o w s ta ń c o w W a rs z a w y 1 50-153 W ro cław IN F O R M A C J

Bardziej szczegółowo

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń MIANO ROZTWORU TITRANTA Aaliza saysycza wyików ozaczeń Esymaory pukowe Średia arymeycza x jes o suma wyików w serii podzieloa przez ich liczbę: gdzie: x i - wyik poszczególego ozaczeia - liczba pomiarów

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

STATYSTYKA. Seminarium Chemia Analityczna III rok. Dr inż. Piotr Konieczka

STATYSTYKA. Seminarium Chemia Analityczna III rok. Dr inż. Piotr Konieczka STATYSTYKA Semiarium Chemia Aalitycza III rok Dr iż. Piotr Koieczka Zaczijmy od defiicji Dokladość (accuracy) zgodość pomiędzy uzykaym wyikiem pomiaru z wartością rzeczywitą (oczekiwaą). Prawdziwość (truee)

Bardziej szczegółowo

Wprowadzenie. metody elementów skończonych

Wprowadzenie. metody elementów skończonych Metody komputerowe Wprowadzeie Podstawy fizycze i matematycze metody elemetów skończoych Literatura O.C.Ziekiewicz: Metoda elemetów skończoych. Arkady, Warszawa 972. Rakowski G., acprzyk Z.: Metoda elemetów

Bardziej szczegółowo

Wyższe momenty zmiennej losowej

Wyższe momenty zmiennej losowej Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla

Bardziej szczegółowo

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

Bardziej szczegółowo

R O Z D Z IA Ł 1. P R Z E S T R Z E N IE I F O R M Y...

R O Z D Z IA Ł 1. P R Z E S T R Z E N IE I F O R M Y... SPIS TREŚCI P r z e d m o w a... L ite ratu ra u z u p e łn ia ją c a... R O Z D Z IA Ł. P R Z E S T R Z E N IE I F O R M Y.... A bstrakcyjne przestrzenie lin io w e.... Motywacja i ak sjo m aty k a...

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

Statystyka Wzory I. Analiza struktury

Statystyka Wzory I. Analiza struktury Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej

Bardziej szczegółowo

EKONOMETRIA. Temat wykładu: Co to jest model ekonometryczny? Dobór zmiennych objaśniających w modelu ekonometrycznym CZYM ZAJMUJE SIĘ EKONOMETRIA?

EKONOMETRIA. Temat wykładu: Co to jest model ekonometryczny? Dobór zmiennych objaśniających w modelu ekonometrycznym CZYM ZAJMUJE SIĘ EKONOMETRIA? EKONOMETRIA Temat wykładu: Co to jest model ekoometryczy? Dobór zmieych objaśiających w modelu ekoometryczym Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapata Tarapata@isi.wat..wat.edu.pl http://

Bardziej szczegółowo

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

Bardziej szczegółowo

9 6 6 0, 4 m 2 ), S t r o n a 1 z 1 1

9 6 6 0, 4 m 2 ), S t r o n a 1 z 1 1 O p i s p r z e d m i o t u z a m ó w i e n i a - z a k r e s c z y n n o c i f U s ł u g i s p r z» t a n i a o b i e k t ó w G d y s k i e g o O r o d k a S p o r t u i R e ks r e a c j i I S t a d i

Bardziej szczegółowo

WERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa

WERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut

Bardziej szczegółowo

Optymalizacja sieci powiązań układu nadrzędnego grupy kopalń ze względu na koszty transportu

Optymalizacja sieci powiązań układu nadrzędnego grupy kopalń ze względu na koszty transportu dr hab. iż. KRYSTIAN KALINOWSKI WSIiZ w Bielsku Białej, Politechika Śląska dr iż. ROMAN KAULA Politechika Śląska Optymalizacja sieci powiązań układu adrzędego grupy kopalń ze względu a koszty trasportu

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

Identyfikacja i modelowanie struktur i procesów biologicznych

Identyfikacja i modelowanie struktur i procesów biologicznych Idetyfikacja i modelowaie struktur i procesów biologiczych Laboratorium 4: Modele regresyje mgr iż. Urszula Smyczyńska AGH Akademia Góriczo-Huticza Aaliza regresji Aaliza regresji jest bardzo szeroka dziedzią,

Bardziej szczegółowo

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych w zakresie materiału przedstawioego a wykładzie orgaizacyjym Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli doświadczeie,

Bardziej szczegółowo

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona)

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) Wykład 7 Dwie iezależe próby Częto porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekartwo a placebo Pacjeci biorący dwa podobe lekartwa Mężczyźi a kobiety Dwie

Bardziej szczegółowo

Testy dotyczące wartości oczekiwanej (1 próbka).

Testy dotyczące wartości oczekiwanej (1 próbka). ZASADY TESTOWANIA HIPOTEZ STATYSTYCZNYCH. TESTY DOTYCZĄCE WARTOŚCI OCZEKIWANEJ Przez hipotezę tatytyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu intereującej na cechy. Hipotezy

Bardziej szczegółowo

Wykład 4 Soczewki. Przyrządy optyczne

Wykład 4 Soczewki. Przyrządy optyczne Wykład 4 Soczewki. Przyrządy optycze Soczewka cieka - rówaie zlifierzy oczewek Rozważyy teraz dwie powierzchi ferycze oddzielające ośrodki o wpółczyikach załaaia kolejo i odległych od iebie o d. Niech

Bardziej szczegółowo

Dlaczego ekonomiści głównego nurtu mogą ignorować czas?

Dlaczego ekonomiści głównego nurtu mogą ignorować czas? Dlaczego ekoomiści główego urtu mogą igorować cza? Autor: Wojciech Czariecki Poczyając od Joh B. Clarka w główym urcie ekoomii przyjął ię pogląd, że kapitał taowi permaety, homogeiczy fuduz, w którym dobra

Bardziej szczegółowo

ę M o t o c y k l e n a T o r z e F S O 2 8 i 2 9 k w i e t n i a 2 0 0 7 r. n a t o r z e j a z d p r ó b n y c h F S O w W a r s z a w i e p r z y u l. J a g i e l l o ń s k i e j 6 9 s h o w m o t o

Bardziej szczegółowo

qwertyuiopasdfghjklzxcvbnmqwerty uiopasdfghjklzxcvbnmqwertyuiopasd fghjklzxcvbnmqwertyuiopasdfghjklzx cvbnmqwertyuiopasdfghjklzxcvbnmq

qwertyuiopasdfghjklzxcvbnmqwerty uiopasdfghjklzxcvbnmqwertyuiopasd fghjklzxcvbnmqwertyuiopasdfghjklzx cvbnmqwertyuiopasdfghjklzxcvbnmq qwertyuiopasdfghjklzxcvbmqwerty uiopasdfghjklzxcvbmqwertyuiopasd fghjklzxcvbmqwertyuiopasdfghjklzx cvbmqwertyuiopasdfghjklzxcvbmq Model ekoometryczy wertyuiopasdfghjklzxcvbmqwertyui Ekoometria: projekt

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych 8. Optymalizacja decyzji iwestycyjych 8. Wprowadzeie W wielu różych sytuacjach, w tym rówież w czasie wyboru iwestycji do realizacji, podejmujemy decyzje. Sytuacje takie azywae są sytuacjami decyzyjymi.

Bardziej szczegółowo

STATYSTYKA. Seminarium Chemia Analityczna. Dr inż. Piotr Konieczka.

STATYSTYKA. Seminarium Chemia Analityczna. Dr inż. Piotr Konieczka. STATYSTYKA Semiarium Chemia Aalitycza Dr iż. Piotr Koieczka e-mail: kaczor@chem.pg.gda.pl Zaczijmy od defiicji Dokładość (accuracy) topień zgodości uzykaego wyiku pojedyczego pomiaru z wartością oczekiwaą

Bardziej szczegółowo

Rozdział 1. Nazwa i adres Zamawiającego Rozdział 2. Informacja o trybie i stosowaniu przepisów Rozdział 3. Przedmiot zamówienia

Rozdział 1. Nazwa i adres Zamawiającego Rozdział 2. Informacja o trybie i stosowaniu przepisów Rozdział 3. Przedmiot zamówienia Z n a k s p r a w y G O S I R D Z P I 2 7 1 0 1 0 2 0 1 4 S P E C Y F I K A C J A I S T O T N Y C H W A R U N K Ó W Z A M Ó W I E N I A f S p r z» t a n i e i u t r z y m a n i e c z y s t o c i g d y

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test

Bardziej szczegółowo

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu

Bardziej szczegółowo

Zadania z Matematyka 2 - SIMR 2008/ szeregi zadania z rozwiązaniami. n 1. n n. ( 1) n n. n n + 4

Zadania z Matematyka 2 - SIMR 2008/ szeregi zadania z rozwiązaniami. n 1. n n. ( 1) n n. n n + 4 Zadaia z Matematyka - SIMR 00/009 - szeregi zadaia z rozwiązaiami. Zbadać zbieżość szeregu Rozwiązaie: 0 4 4 + 6 0 : Dla dostateczie dużych 0 wyrazy szeregu są ieujeme 0 a = 4 4 + 6 0 0 Stosujemy kryterium

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

Bardziej szczegółowo

Rozwiązywanie umów o pracę

Rozwiązywanie umów o pracę Ryszard Sadlik Rozwiązywanie umów o pracę instruktaż, wzory, przykłady Ośrodek Doradztwa i Doskonalenia Kadr Sp. z o.o. Gdańsk 2012 Wstęp...7 Rozdział I Wy po wie dze nie umo wy o pra cę za war tej na

Bardziej szczegółowo

Gdyńskim Ośrodkiem Sportu i Rekreacji jednostka budżetowa

Gdyńskim Ośrodkiem Sportu i Rekreacji jednostka budżetowa Z a ł» c z n i k n r 5 d o S p e c y f i k a c j i I s t o t n y c h W a r u n k Zó aw m ó w i e n i a Z n a k s p r a w y G O S I R D Z P I 2 7 1 0 1 1 2 0 14 W Z Ó R U M O W Y z a w a r t a w Gd y n

Bardziej szczegółowo

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871 COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem)

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem) D. Miszczyńska, M.Miszczyński KBO UŁ, Badaia operacyje (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assigmet Problem) Bliskim "krewiakiem" ZT (w sesie podobieństwa modelu decyzyjego) jest zagadieie

Bardziej szczegółowo