SPRAWDZIAN NR 1 ROBERT KOPERCZAK, ID studenta : k4342

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "SPRAWDZIAN NR 1 ROBERT KOPERCZAK, ID studenta : k4342"

Transkrypt

1 TECHNIKI ANALITYCZNE W BIZNESIE SPRAWDZIAN NR 1 Autor pracy ROBERT KOPERCZAK, ID studenta : k4342 Kraków, 22 Grudnia 2009

2 2 Spis treści 1 Zadanie Szereg rozdzielczy wag kobiałek Histogram szeregu rozdzielczego wag kobiałek Dystrybuanta empiryczna (względna częstość skumulowana) Wnioski wynikające z analizy rozkładu danych Miary położenia i rozrzutu Wnioski dla plantatora Zadanie Prawdopodobieństwo pracy po rozpoczęciu konferencji Prawdopodobieństwo awarii w trakcie konferencji Prawdopodobieństwo pracy po zakończeniu konferencji Wyznacz µ, aby niezawodność w trakcie konferencji była > 95% Zadanie Wykaz źródeł... 10

3 3 1 Zadanie 1 W sezonie truskawkowym właściciele plantacji sprzedają truskawki na kobiałki, zakładając, Ŝe kobiałka truskawek waŝy mniej więcej 2 kg. Pewien młody plantator postanowił sprawdzić, ile w rzeczywistości waŝą sprzedawane przez jego pracowników truskawki. Oto wyniki zwaŝenia przypadkowych kobiałek : a) Sporządź (wykorzystując funkcję CZĘSTOŚĆ) szereg roździelczy wag kobiałek truskawek, a następnie utwórz histogram oraz dystrybuantę empiryczną, przedstawiając graficznie rozkład danych. Skomentuj otrzymane wyniki. b) Wyznacz bezpośrednio z danych, a następnie z szeregu rozdzielczego, miary połoŝenia i rozrzutu dla badanych danych. Porównaj i skomentuj wyniki otrzymane z bezpośrednich danych z wynikami otrzymanymi z szeregu rozdzielczego. c) Biorąc pod uwagę, Ŝe właściciel planuje zebrać z pola tonę truskawek, przedstaw wnioski wynikające z przeprowadzonej analizy statystycznej.

4 4 1.1 Szereg rozdzielczy wag kobiałek. Aby utworzyć szereg rozdzielczy wag kobiałek, naleŝy najpierw wyznaczyć liczbę k ilości przedziałów, taką, by 2^k była większa od ilości próbek N. Najmniejszą liczbą k, gdzie 2^k > 60 jest k=8 (2^8=64 > 60). PoniewaŜ rozstęp próbki wynosi 365, najpraktyczniej będzie, aby pierwszy przedział klasowy rozpoczynał się na 1800 gram i miał szerokość 50 gram, kaŝdy kolejny równieŝ miałby szerokość 50 gram, ostatni przedział kończyłby się na 2200 gram. W ten sposób 8 przedziałów obejmuje wszystkie próbki 1. Przedziały wagowe kobiałek [gram] większa od.. mniejsza lub równa od.. Częstość Tabela nr 1 : Częstość próbek w poszczególnych przedziałach klasowych szeregu roździelczego 1.2 Histogram szeregu rozdzielczego wag kobiałek 25 Histogram szeregu roździelczego wag kobiałek Częstość Wykres nr 1 : Histogram szeregu roździelczego 1 Wyliczenie danych w tabelce arkusz Excel

5 5 1.3 Dystrybuanta empiryczna (względna częstość skumulowana) Przedziały wagowe kobiałek [gram] większa od.. mniejsza lub równa od.. Częstość skumulowana Dystrybuanta empiryczna [%] ,7% ,3% ,7% ,0% ,3% ,0% ,3% ,0% Tabela nr 2 : Dystrybuanta empiryczna (względna częstość skumulowana) szeregu rozdzielczego wag kobiałek 100,0% 90,0% 80,0% 70,0% 60,0% 50,0% 40,0% 30,0% 20,0% 10,0% 0,0% Względna częstość skumulowana[%] szeregu roździelczego wagi kobiałek Dystrybuanta empiryczna [%] Wykres nr 2 : Dytrybuanta empiryczna szeregu rozdzielczego wag kobiałek. 1.4 Wnioski wynikające z analizy rozkładu danych. Najogólniejszym wnioskiem jest fakt, Ŝe w zwaŝonej próbce 40% kobiałek ma wagę poniŝej normy 2 kg, a 60% ma wagę powyŝej normy. W grupie kobiałek poniŝej normy zaledwie 3,3% ma wagę poniŝej 1900 gram, czyli nie powinno być wiele reklamacji ze względu na zaniŝoną

6 6 wagę. Z kolei w grupie powyŝej normy aŝ 20% kobiałek przekracza wagę 2100 gram, co oznacza, ze plantator moŝe nie osiągnąć planowanego zysku (przy załoŝeniu, Ŝe sprzedaje truskawki na kobiałki ). Niestety nie wiadomo, czy waga została wytarowana przed dokonaniem waŝenia. Jeśli nie została wytarowana, to fakt, Ŝe średnia waga jest wyŝsza od normy moŝe zostać zinterpretowana jako udział tary w pomiarze. Jest jeszcze jedno moŝliwe wytłumaczenie takiego stanu rzeczy być moŝe plantator zakłada pewne ubytki wagowe i jakościowe (np. przykład podczas transportu i przechowywania) i świadomie zalecił pracownikom lekkie przewaŝanie kobiałek. Jeśli tak, to wyniki rozkład częstości wagi w poszczególnych przedziałach klasowych wagi kobiałek pokazują, Ŝe zalecenia plantatora zostały wykonane prawidłowo. 1.5 Miary położenia i rozrzutu. Najpierw dokonano wyliczeń pomocniczych dla szeregu rozdzielczego (szczegóły w arkuszu Excel). Podsumowanie wyliczeń przedstawia się następująco 2 Miary położenia [gram] Wyliczona z danych Wyliczona z szeregu roździelczego Średnia 2 033, ,3 Mediana 2 013,5 I kwartyl (Q1) 1 990,0 III kwartyl 2 080,0 Moda 1 990,0 Miary rozrzutu Rozstęp 365,0 350,0 Odchylenie stand. (populacja) Odchylenie stand. (próbka) 65,8 69,4 66,4 70,0 Tabela nr 3 : Miary połoŝenia i rozrzutu(z danych i szeregu roździeczego) dla analizowanych danych Średnia waga dla próbki wyliczona dla wszystkich elementów próbki wynosi 2033,1 gram, i jest ok. 5 gram niŝsza od średniej wyliczonej z szeregu rozdzielczego. Rozstęp wyliczony ze średnich dla skrajnych przedziałów jest z kolei o 15 gram wyŝszy dla wszystkich elementów próbki niŝ dla szeregu rozdzielczego. JeŜeli chodzi o wartości odchyleń standardowych (zarówno liczonych jak dla próbki oraz jak dla populacji) jest większy o 3,6 gram w przypadku wyliczenia dla szeregu rozdzielczego w stosunku do wyliczeń bezpośrednio z danych. Występujące róŝnice biorą się stąd, Ŝe elementy wchodzące w skład poszczególnych przedziałów klasowych nie są równomiernie rozłoŝone w ramach przedziału. 2 Wyliczenie danych w tabelce arkusz Excel

7 7 1.6 Wnioski dla plantatora. ZałoŜenie do poniŝszych wniosków jest takie, Ŝe waga była przed dokonaniem waŝenia wytarowana, więc pomiary dotyczą wyłącznie wagi owoców. Zakładamy teŝ, Ŝe rozkład wag kobiałek jest rozkładem normalnym N(µ,σ) o wartości oczekiwanej µ=2033,1 gram i odchyleniu standardowym σ (liczonym jak dla próbki) 66,4 gram. Jeśli plantator zamierza sprzedać 1000 kg truskawek, oznacza to Ŝe musi zebrać 500 kobiałek. Pierwszy wniosek jest taki, Ŝe średnia waga 1 kobiałki wyniesie 2,0331kg, co oznacza, Ŝe plantator faktycznie zbierze 500 * 2,0331 kg = 1016,55 kg. Czyli plantator straci na transakcji 1,65%. MoŜna teŝ wyliczyć prawdopodobieństwo, Ŝe plantator nie poniesie straty. NaleŜy w tym celu wyliczyć prawdopodobieństwo, Ŝe średnia waga nie przekroczy 2000 gram. W tym celu naleŝy najpierw wystandaryzować rozkład N według wzoru : z = (x µ) / σ = - 0,498, gdzie x = P ( Z < - 0,498 ) = P( Z > 0,498 ) = 30,9%. Zatem plantator moŝe liczyć tylko na 30,9 % prawdopodobieństwo, Ŝe nie straci na sprzedaŝy, jeśli nie zmieni standardu napełniania kobiałek truskawkami. Innym wnioskiem, ilościowym, jest to, Ŝe 68,2 % kobiałek, czyli 341 kobiałek będzie zawierało się w przedziale : < 2033,1-66,4 ; 2033,1 + 66,4 > czyli od 1966,7 do 2099,4 gram. W przedziale wyznaczonym przez 2 * σ, czyli od 1900,4 do 2165,8 gram będzie znajdować się 95,4%, czyli 477 kobiałek. W przedziale wyznaczonym przez 3 * σ, czyli od 1834 do 2232,1 gram będzie znajdować się 99,7%, czyli 499 kobiałek. 2 Zadanie 2 Czas pomiędzy kolejnymi awariami serwera internetowego utrzymującego łączność firmy ze światem tworzy rozkład wykładniczy. Awarie średnio zdarzają się co 1200 godzin. Ostatnia awaria miała miejsce około miesiąca temu (720 godzin). Aktualnie rozpoczyna się wideokonferencja z uŝyciem tego serwera. Będzie ona trwała 6 dni (6x24 godziny). a) Jakie jest prawdopodobieństwo pracy serwera po momencie rozpoczęcia konferencji? b) Jakie jest prawdopodobieństwo awarii serwera w czasie trwania video konferencji? c) Jakie jest prawdopodobieństwo bezawaryjnej pracy serwera po zakończeniu wideokonferencji? d) Jaki powinien być średni odstęp czasu pomiędzy awariami, Ŝeby mieć 95% pewności, Ŝe serwer nie zepsuje się w czasie konferencji?

8 8 2.1 Prawdopodobieństwo pracy po rozpoczęciu konferencji Wskaźnik awaryjności serwera λ wynosi 1 na 1200 godzin, czyli λ = 1/1200 = 0, Prawdopodobieństwo pracy po czasie t = 720 godzin (inaczej niezawodność po czasie 720 godzin) liczymy jako : R (720) = P (T>720) = e λ * t = e 0, * 720 = e 0,6 = 54,9% Prawdopodobieństwo awarii w trakcie konferencji Prawdopodobieństwo awarii w czasie od 720-ej do 864-ej godziny pracy wyznaczymy jako róŝnicę pomiędzy niezawodnością R (720) i R (864). Zatem P (awaria_konf) = R (720) R (864) = e 0, * e 0, * 864 = = 54,88% 48,68% = 6,2% Prawdopodobieństwo pracy po zakończeniu konferencji NaleŜy wyznaczyć niezawodność po czasie zakończenia konferencji, czyli R ( *24) czyli R (864). R (864) = P (T>864) = e λ * t = e 0, * 864 = e 0,72 = 48,7% Wyznacz µ, aby niezawodność w trakcie konferencji była > 95% Niezawodność, czyli prawdopodobieństwo prawidłowej pracy serwera w czasie od 720 do 864 godziny to odwrotność prawdopodobieństwa awarii, które wyznaczono w punkcie powyŝej. Zatem przed optymalizacją, R (720 ; 864) = 1 6,2% = 93,8% Aby znaleźć µ, dla którego R (720;864) = 95% uŝyłem funkcji Analiza symulacji / szukaj wyniku programu Excel MoŜna było równieŝ przekształcić równanie poprzez zlogarytmowanie obu stron. Po dokonaniu symulacji µ = Odpowiedź : Aby mieć 95% pewności, Ŝe serwer nie zepsuje się w trakcie konferencji, średni czas pomiędzy awariami powinien wynosić co najmniej godzin 3 Wyliczenia w arkuszu Excel 4 Wyliczenia w arkuszu Excel 5 Wyliczenia w arkuszu Excel

9 9 3 Zadanie 3 Podaj niezawodność układów A i B. Wszystkie elementy układów działają niezaleŝnie, a ich niezawodności wynoszą odpowiednio: X = 0,86; Y = 0,93; Z = 0,92 X Z X Z Y Y X Układ A Dokonajmy najpierw wydzielenia : Podukład A1 szeregowe połączenie elementów X,Z,X,Z Podukład A2 szeregowe połączenie elementów Y,Y Podukład A3 równoległe połączenie podukładów A1 i A2 Niezawodność układu A obliczymy jako niezawodność szeregowego połączenia podukładu A3 i elementu X R(A1) = R(X)^2 * R(Z)^2 = 0,86^2 * 0,92^2 = 0,626 R(A2) = R(Y)^2 = 0,8649 R(A3) = 1 (1 - R(A1)) * (1 R(A2)) = 0,9495 R(A) = R(A3) * R(X) = 81,65% Z Y Y X X X Układ B Podukład B1 szeregowe połączenie elementów Y,Y Podukład B2 szeregowe połączenie elementów X,X,X

10 10 Niezawodność układu B obliczymy jako niezawodność równoległego połączenia podukładu B1, podukładu B2 i elementu Z R(B1) = R(Y)^2 = 0,8649 R(B2) = R(X)^3 = 0,63606 R(B) = 1 (1 - R(B1)) * (1 R(B2)) * (1 R(Z)) = 0, Wykaz źródeł 1. Podręcznik WSZ POU Techniki Analityczne w Biznesie (Warszawa 2009, wyd. PRET S.A.)

SPRAWDZIAN NR 2 ROBERT KOPERCZAK, ID studenta : k4342

SPRAWDZIAN NR 2 ROBERT KOPERCZAK, ID studenta : k4342 TECHNIKI ANALITYCZNE W BIZNESIE SPRAWDZIAN NR 2 Autor pracy ROBERT KOPERCZAK, ID studenta : k4342 Kraków, 22 Grudnia 2009 2 Spis treści 1 Zadanie 1... 3 1.1 Uszkodzi się tylko pierwsza maszyna.... 3 1.2

Bardziej szczegółowo

Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.

Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść

Bardziej szczegółowo

Zmienne losowe zadania na sprawdzian

Zmienne losowe zadania na sprawdzian Zmienne losowe zadania na sprawdzian Zad. 1. Podane poniżej dane dotyczą zawartości suchej masy (w %) i sosu (w %) w 24 konserwach ze śledzia w pomidorach: Zawartość suchej masy: 12,0 13,0 14,5 14,0 12,0

Bardziej szczegółowo

Wykład 3. Opis struktury zbiorowości. 1. Parametry opisu rozkładu badanej cechy. 3. Średnia arytmetyczna. 4. Dominanta. 5. Kwantyle.

Wykład 3. Opis struktury zbiorowości. 1. Parametry opisu rozkładu badanej cechy. 3. Średnia arytmetyczna. 4. Dominanta. 5. Kwantyle. Wykład 3. Opis struktury zbiorowości 1. Parametry opisu rozkładu badanej cechy. 2. Miary połoŝenia rozkładu. 3. Średnia arytmetyczna. 4. Dominanta. 5. Kwantyle. W praktycznych zastosowaniach bardzo często

Bardziej szczegółowo

Wykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy

Wykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Wykład Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Zbiorowość statystyczna - zbiór elementów lub wyników jakiegoś procesu powiązanych ze sobą logicznie (tzn. posiadających wspólne cechy

Bardziej szczegółowo

Ćwiczenia 1-2 Analiza rozkładu empirycznego

Ćwiczenia 1-2 Analiza rozkładu empirycznego Ćwiczenia 1-2 Zadanie 1. Z kolokwium z ekonometrii studenci otrzymali następujące oceny: 5 osób dostało piątkę, 20 os. dostało czwórkę, 10 os. trójkę, a 3 osoby nie zaliczyły tego kolokwium. Należy w oparciu

Bardziej szczegółowo

Statystyka matematyczna i ekonometria

Statystyka matematyczna i ekonometria Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.

Bardziej szczegółowo

Po co nam charakterystyki liczbowe? Katarzyna Lubnauer 34

Po co nam charakterystyki liczbowe? Katarzyna Lubnauer 34 Po co nam charakterystyki liczbowe? Katarzyna Lubnauer 34 Def. Charakterystyki liczbowe to wielkości wyznaczone na podstawie danych statystycznych, charakteryzujące własności badanej cechy. Klasyfikacja

Bardziej szczegółowo

ELEMENTY STATYSTYKI 1. DANE

ELEMENTY STATYSTYKI 1. DANE ELEMENTY STATYSTYKI 1. DANE W badaniach statystycznych populacją nazywamy grupę osób, zwierząt, roślin lub przedmiotów badanych. Interesują nas przy tym pewne wybrane cechy tych populacji. Takie cechy

Bardziej szczegółowo

Plan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii

Plan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii Plan wykładu Statystyka opisowa Dane statystyczne miary położenia miary rozproszenia miary asymetrii Statystyka matematyczna Podstawy estymacji Testowanie hipotez statystycznych Żródła Korzystałam z ksiażek:

Bardziej szczegółowo

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI ROZKŁAD EMPIRYCZNY Liczebności i częstości Liczebność liczba osób/respondentów/badanych, którzy udzielili tej konkretnej odpowiedzi. Podawana w osobach. Częstość odsetek,

Bardziej szczegółowo

g) wartość oczekiwaną (przeciętną) i wariancję zmiennej losowej K.

g) wartość oczekiwaną (przeciętną) i wariancję zmiennej losowej K. TEMAT 1: WYBRANE ROZKŁADY TYPU SKOKOWEGO ROZKŁAD DWUMIANOWY (BERNOULLIEGO) Zadanie 1-1 Prawdopodobieństwo nieprzekroczenia przez pewien zakład pracy dobowego limitu zużycia energii elektrycznej (bez konieczności

Bardziej szczegółowo

STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE

STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE CECHY mogą być: jakościowe nieuporządkowane - skala nominalna płeć, rasa, kolor oczu, narodowość, marka samochodu,

Bardziej szczegółowo

Eksploracja Danych. wykład 3. Sebastian Zając. 5 kwietnia 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 5 kwietnia / 21

Eksploracja Danych. wykład 3. Sebastian Zając. 5 kwietnia 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 5 kwietnia / 21 Eksploracja Danych wykład 3 Sebastian Zając WMP.SNŚ UKSW 5 kwietnia 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 5 kwietnia 2017 1 / 21 Struktura Danych Rozpatrzmy zbiór danych: Sebastian Zając

Bardziej szczegółowo

Wykład 2. Statystyka opisowa - Miary rozkładu: Miary położenia

Wykład 2. Statystyka opisowa - Miary rozkładu: Miary położenia Wykład 2 Statystyka opisowa - Miary rozkładu: Miary położenia Podział miar Miary położenia (measures of location): 1. Miary tendencji centralnej (measures of central tendency, averages): Średnia arytmetyczna

Bardziej szczegółowo

-> Średnia arytmetyczna (5) (4) ->Kwartyl dolny, mediana, kwartyl górny, moda - analogicznie jak

-> Średnia arytmetyczna (5) (4) ->Kwartyl dolny, mediana, kwartyl górny, moda - analogicznie jak Wzory dla szeregu szczegółowego: Wzory dla szeregu rozdzielczego punktowego: ->Średnia arytmetyczna ważona -> Średnia arytmetyczna (5) ->Średnia harmoniczna (1) ->Średnia harmoniczna (6) (2) ->Średnia

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli

Bardziej szczegółowo

Często spotykany jest również asymetryczny rozkład gamma (Г), opisany za pomocą parametru skali θ i parametru kształtu k:

Często spotykany jest również asymetryczny rozkład gamma (Г), opisany za pomocą parametru skali θ i parametru kształtu k: Statystyczne opracowanie danych pomiarowych W praktyce pomiarowej często spotykamy się z pomiarami wielokrotnymi, gdy podczas pomiaru błędy pomiarowe (szumy miernika, czynniki zewnętrzne) są na tyle duże,

Bardziej szczegółowo

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

W 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 szczegółowo

Laboratorium nr Wyznaczyć podstawowe statystyki (średnia, mediana, IQR, min, max) dla próby:

Laboratorium nr Wyznaczyć podstawowe statystyki (średnia, mediana, IQR, min, max) dla próby: Laboratorium nr 1 CZĘŚĆ I : STATYSTYKA OPISOWA : 1. Wyznaczyć podstawowe statystyki (średnia, mediana, IQR, min, max) dla próby: 6,9,1,2,5,2,6,2,1,0,1,4,5,6,3,7,3,2,2,3,8,5,3,4,8,0,8,0,5,1,6,4,8,0,3,2

Bardziej szczegółowo

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1

Bardziej szczegółowo

STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;

STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; - badanie skuteczności nowego leku; - badanie stopnia zanieczyszczenia gleb metalami

Bardziej szczegółowo

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1 Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.

Bardziej szczegółowo

A B. 2 5 8 18 2 x x x 5 x x 8 x 18

A B. 2 5 8 18 2 x x x 5 x x 8 x 18 Narzędzia modelowania niezawodności 1 Arkusz kalkulacyjny - jest to program zbudowany na schemacie relacyjnych baz danych. Relacje pomiędzy dwiema (lub więcej) cechami można zapisać na kilka sposobów.

Bardziej szczegółowo

Wydział Inżynierii Produkcji. I Logistyki. Statystyka opisowa. Wykład 3. Dr inż. Adam Deptuła

Wydział Inżynierii Produkcji. I Logistyki. Statystyka opisowa. Wykład 3. Dr inż. Adam Deptuła 12.03.2017 Wydział Inżynierii Produkcji I Logistyki Statystyka opisowa Wykład 3 Dr inż. Adam Deptuła METODY OPISU DANYCH ILOŚCIOWYCH SKALARNYCH Wykresy: diagramy, histogramy, łamane częstości, wykresy

Bardziej szczegółowo

Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl

Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Statystyka i analiza danych Wstępne opracowanie danych Statystyka opisowa Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych

Bardziej szczegółowo

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej cechy. Średnia arytmetyczna suma wartości zmiennej wszystkich

Bardziej szczegółowo

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści

Bardziej szczegółowo

Porównaj płace pracowników obu zakładów, dokonując kompleksowej analizy struktury. Zastanów się, w którym zakładzie jest korzystniej pracować?

Porównaj płace pracowników obu zakładów, dokonując kompleksowej analizy struktury. Zastanów się, w którym zakładzie jest korzystniej pracować? 1 Zadanie 1.1 W dwóch zakładach produkcyjnych Złomex I i Złomex II, należących do tego samego przedsiębiorstwa Złomowanie na zawołanie w ostatnim miesiącu następująco kształtowały się wynagrodzenia pracowników.

Bardziej szczegółowo

Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl

Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Statystyka i opracowanie danych W5: Wprowadzenie do statystycznej analizy danych Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Wprowadzenie Podstawowe cele analizy zbiorów danych Uogólniony opis poszczególnych

Bardziej szczegółowo

rok 2006/07 Jacek Jarnicki,, Kazimierz Kapłon, Henryk Maciejewski

rok 2006/07 Jacek Jarnicki,, Kazimierz Kapłon, Henryk Maciejewski Projekt z niezawodności i diagnostyki systemów cyfrowych rok 2006/07 Jacek Jarnicki,, Kazimierz Kapłon, Henryk Maciejewski Cel projektu Celem projektu jest: 1. Poznanie metod i napisanie oprogramowania

Bardziej szczegółowo

Rozkład zajęć, statystyka matematyczna, Rok akademicki 2015/16, semestr letni, Grupy dla powtarzających (C15; C16)

Rozkład zajęć, statystyka matematyczna, Rok akademicki 2015/16, semestr letni, Grupy dla powtarzających (C15; C16) Rozkład zajęć, statystyka matematyczna, Rok akademicki 05/6, semestr letni, Grupy powtarzających (C5; C6) Lp Grupa C5 Grupa C6 Liczba godzin 0046 w godz 600-000 C03 0046 w godz 600-000 B05 4 6046 w godz

Bardziej szczegółowo

Analiza wyników egzaminu gimnazjalnego w województwie pomorskim w latach

Analiza wyników egzaminu gimnazjalnego w województwie pomorskim w latach Barbara Przychodzeń Analiza wyników egzaminu gimnazjalnego w województwie pomorskim w latach 2012-2013 W 2012 roku po raz pierwszy został przeprowadzony egzamin gimnazjalny według nowych zasad. Zmiany

Bardziej szczegółowo

Analiza wyników sprawdzianu w województwie pomorskim latach

Analiza wyników sprawdzianu w województwie pomorskim latach Barbara Przychodzeń Analiza wyników sprawdzianu w województwie pomorskim latach 2012-2014 W niniejszym opracowaniu porównano uzyskane w województwie pomorskim wyniki zdających, którzy rozwiązywali zadania

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych 1 Zmienne losowe dyskretne 1.1 Rozkład dwumianowy Zad.1.1.1 Prawdopodobieństwo dziedziczenia pewnej cechy wynosi 0,7. Jakie jest prawdopodobieństwo, że spośród pięciu potomków

Bardziej szczegółowo

W1. Wprowadzenie. Statystyka opisowa

W1. Wprowadzenie. Statystyka opisowa W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład

Bardziej szczegółowo

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć:

1. Opis tabelaryczny. 2. Graficzna prezentacja wyników. Do technik statystyki opisowej można zaliczyć: Wprowadzenie Statystyka opisowa to dział statystyki zajmujący się metodami opisu danych statystycznych (np. środowiskowych) uzyskanych podczas badania statystycznego (np. badań terenowych, laboratoryjnych).

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematyczna Anna Janicka wykład I, 22.02.2016 STATYSTYKA OPISOWA, cz. I Kwestie techniczne Kontakt: ajanicka@wne.uw.edu.pl Dyżur: strona z materiałami z przedmiotu: wne.uw.edu.pl/azylicz akson.sgh.waw.pl/~aborata

Bardziej szczegółowo

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A

Egzamin ze Statystyki, Studia Licencjackie Stacjonarne czerwiec 2007 Temat A (imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i współczynnik ufności 0,95. Zadanie 1 W 005 roku przeprowadzono badanie ankietowe, którego

Bardziej szczegółowo

Stochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych

Stochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych PROJEKT: Analiza kluczowych parametrów turbin wiatrowych Projekt jest wykonywany z wykorzystaniem pakietu statystycznego STATISTICA. Praca odbywa się w grupach 2-3 osobowych. Aby zaliczyć projekt, należy

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem

Bardziej szczegółowo

Pytanie 2. Co to są ciągi i do czego służą?

Pytanie 2. Co to są ciągi i do czego służą? TECHNIKI ANALITYC ZNE W BIZNESIE 0 pytań do specjalisty Pytanie. Czy TECHNIKI ANALITYCZNE W BIZNESIE są częścią jakiegoś przedmiotu wykładanego na innych uczelniach? W zasadzie nie ma takiego jednego przedmiotu

Bardziej szczegółowo

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część

Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu

Bardziej szczegółowo

Wyniki egzaminu maturalnego z matematyki jako przedmiotu obowiązkowego (MMA_PP)

Wyniki egzaminu maturalnego z matematyki jako przedmiotu obowiązkowego (MMA_PP) Barbara Przychodzeń Okręgowa Komisja Egzaminacyjna w Gdańsku Analiza wyników egzaminów maturalnych z matematyki oraz fizyki i astronomii w województwie pomorskim w latach - z uwzględnieniem płci zdających

Bardziej szczegółowo

I jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek

I jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek ZADANIA statystyka opisowa i CTG 1. Dokonano pomiaru stężenia jonów azotanowych w wodzie μg/ml 1 0.51 0.51 0.51 0.50 0.51 0.49 0.52 0.53 0.50 0.47 0.51 0.52 0.53 0.48 0.59 0.50 0.52 0.49 0.49 0.50 0.49

Bardziej szczegółowo

Monitorowanie procesów wytwarzania

Monitorowanie procesów wytwarzania POLITECHNIKA KOSZALIŃSKA WYDZIAŁ MECHANICZNY kierunek Mechanika i Budowa Maszyn Monitorowanie procesów wytwarzania Ocena zdolności jakościowej procesów Koszalin Umiejętności i kompetencje: Umiejętności

Bardziej szczegółowo

I. Struktura sprawdzianu matematycznego Po gimnazjum 2010

I. Struktura sprawdzianu matematycznego Po gimnazjum 2010 Wyniki sprawdzianu matematycznego Po gimnazjum 2010 przeprowadzonego 23 września 2010 w klasach pierwszych ponadgimnazjalnych www.polowadrogi.mscdn.pl luty 2011 1 I. Struktura sprawdzianu matematycznego

Bardziej szczegółowo

Zarządzanie procesami

Zarządzanie procesami Metody pomiaru stosowane w organizacjach Zarządzanie procesami Zakres Rodzaje pomiaru metod pomiaru Klasyczne metody pomiaru organizacji Pomiar całej organizacji Tradycyjny rachunek kosztów (np. ROI) Rachunek

Bardziej szczegółowo

Statystyka 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 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 szczegółowo

KLASYFIKACJI I BUDOWY STATKÓW MORSKICH

KLASYFIKACJI I BUDOWY STATKÓW MORSKICH PRZEPISY KLASYFIKACJI I BUDOWY STATKÓW MORSKICH ZMIANY NR 3/2012 do CZĘŚCI IX MATERIAŁY I SPAWANIE 2008 GDAŃSK Zmiany Nr 3/2012 do Części IX Materiały i spawanie 2008, Przepisów klasyfikacji i budowy statków

Bardziej szczegółowo

Egzamin ze statystyki, Studia Licencjackie Stacjonarne. TEMAT C grupa 1 Czerwiec 2007

Egzamin ze statystyki, Studia Licencjackie Stacjonarne. TEMAT C grupa 1 Czerwiec 2007 Egzamin ze statystyki, Studia Licencjackie Stacjonarne TEMAT C grupa 1 Czerwiec 2007 (imię, nazwisko, nr albumu).. Przy rozwiązywaniu zadań, jeśli to konieczne, naleŝy przyjąć poziom istotności 0,01 i

Bardziej szczegółowo

Statystyka. Wykład 2. Magdalena Alama-Bućko. 27 lutego Magdalena Alama-Bućko Statystyka 27 lutego / 39

Statystyka. Wykład 2. Magdalena Alama-Bućko. 27 lutego Magdalena Alama-Bućko Statystyka 27 lutego / 39 Statystyka Wykład 2 Magdalena Alama-Bućko 27 lutego 2017 Magdalena Alama-Bućko Statystyka 27 lutego 2017 1 / 39 Banki danych: Bank danych lokalnych : Główny urzad statystyczny: https://bdl.stat.gov.pl/

Bardziej szczegółowo

Agata Boratyńska. WYKŁAD 1. Wstępna analiza danych, charakterystyki opisowe. Indeksy statystyczne.

Agata Boratyńska. WYKŁAD 1. Wstępna analiza danych, charakterystyki opisowe. Indeksy statystyczne. 1 Agata Boratyńska WYKŁAD 1. Wstępna analiza danych, charakterystyki opisowe. Indeksy statystyczne. Agata Boratyńska Wykłady ze statystyki 2 Literatura J. Koronacki i J. Mielniczuk Statystyka WNT 2004

Bardziej szczegółowo

Rozkład normalny, niepewność standardowa typu A

Rozkład 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 szczegółowo

Walidacja metod analitycznych

Walidacja metod analitycznych Kierunki rozwoju chemii analitycznej Walidacja metod analitycznych Raport z walidacji Małgorzata Jakubowska Katedra Chemii Analitycznej WIMiC AGH oznaczanie coraz niŝszych w próbkach o złoŝonej matrycy

Bardziej szczegółowo

MIARY KLASYCZNE Miary opisujące rozkład badanej cechy w zbiorowości, które obliczamy na podstawie wszystkich zaobserwowanych wartości cechy

MIARY KLASYCZNE Miary opisujące rozkład badanej cechy w zbiorowości, które obliczamy na podstawie wszystkich zaobserwowanych wartości cechy MIARY POŁOŻENIA Opisują średni lub typowy poziom wartości cechy. Określają tą wartość cechy, wokół której skupiają się wszystkie pozostałe wartości badanej cechy. Wśród nich można wyróżnić miary tendencji

Bardziej szczegółowo

Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych

Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,

Bardziej szczegółowo

W kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:

W kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów: Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,

Bardziej szczegółowo

Zadania z Zasad planowania eksperymentu i opracowania wyników pomiarów. Zestaw 3

Zadania z Zasad planowania eksperymentu i opracowania wyników pomiarów. Zestaw 3 Zestaw 3 Zadanie. 1. Dla zmiennej losowej o rozkładzie normalnym N (100; 10) obliczyć: a) P(X

Bardziej szczegółowo

Parametry statystyczne

Parametry statystyczne I. MIARY POŁOŻENIA charakteryzują średni lub typowy poziom wartości cechy, wokół nich skupiają się wszystkie pozostałe wartości analizowanej cechy. I.1. Średnia arytmetyczna x = x 1 + x + + x n n = 1 n

Bardziej szczegółowo

INFORMATYKA W CHEMII Dr Piotr Szczepański

INFORMATYKA W CHEMII Dr Piotr Szczepański INFORMATYKA W CHEMII Dr Piotr Szczepański Katedra Chemii Fizycznej i Fizykochemii Polimerów WPROWADZENIE DO STATYSTYCZNEJ OCENY WYNIKÓW DOŚWIADCZEŃ 1. BŁĄD I STATYSTYKA błąd systematyczny, błąd przypadkowy,

Bardziej szczegółowo

Matematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.

Matematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?

Bardziej szczegółowo

OPTYMALIZACJA PRODUKCJI ODLEWNI Z WYKORZYSTANIEM SYMULACJI ZDARZEŃ DYSKRETNYCH

OPTYMALIZACJA PRODUKCJI ODLEWNI Z WYKORZYSTANIEM SYMULACJI ZDARZEŃ DYSKRETNYCH OPTYMALIZACJA PRODUKCJI ODLEWNI Z WYKORZYSTANIEM SYMULACJI ZDARZEŃ DYSKRETNYCH Jan SZYMSZAL, Teresa LIS, Marian MALIŃSKI, Krzysztof NOWACKI Streszczenie: W artykule omówiono możliwości wykorzystania symulacji

Bardziej szczegółowo

ANALIZA WYNIKÓW NAUCZANIA W GIMNAZJUM NR 3 Z ZASTOSOWANIEM KALKULATORA EWD 100 ROK 2012

ANALIZA WYNIKÓW NAUCZANIA W GIMNAZJUM NR 3 Z ZASTOSOWANIEM KALKULATORA EWD 100 ROK 2012 ANALIZA WYNIKÓW NAUCZANIA W GIMNAZJUM NR 3 Z ZASTOSOWANIEM KALKULATORA EWD 100 ROK 2012 OPRACOWAŁY: ANNA ANWAJLER MARZENA KACZOR DOROTA LIS 1 WSTĘP W analizie wykorzystywany będzie model szacowania EWD.

Bardziej szczegółowo

Typy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe

Typy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe Typy zmiennych Graficzne reprezentacje danych Statystyki opisowe Jakościowe charakterystyka przyjmuje kilka możliwych wartości, które definiują klasy Porządkowe: odpowiedzi na pytania w ankiecie ; nigdy,

Bardziej szczegółowo

Wykład Prezentacja materiału statystycznego. 2. Rodzaje szeregów statystycznych.

Wykład Prezentacja materiału statystycznego. 2. Rodzaje szeregów statystycznych. Wykład 2. 1. Prezentacja materiału statystycznego. 2. Rodzaje szeregów statystycznych. 3. Wykresy: histogram, diagram i ogiwa. Prezentacja materiału statystycznego Przy badaniu struktury zbiorowości punktem

Bardziej szczegółowo

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A.

Spekulacja na rynkach finansowych. znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Spekulacja na rynkach finansowych znajomość narzędzi czy siebie? Grzegorz Zalewski DM BOŚ S.A. Narzędzia 2 Analiza techniczna Analiza fundamentalna Narzędzia (2) 3 AT astrologia rynków finansowych AF alchemia

Bardziej szczegółowo

Pozyskiwanie wiedzy z danych

Pozyskiwanie wiedzy z danych Pozyskiwanie wiedzy z danych dr Agnieszka Goroncy Wydział Matematyki i Informatyki UMK PROJEKT WSPÓŁFINANSOWANY ZE ŚRODKÓW UNII EUROPEJSKIEJ W RAMACH EUROPEJSKIEGO FUNDUSZU SPOŁECZNEGO Pozyskiwanie wiedzy

Bardziej szczegółowo

LISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów

LISTA 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 szczegółowo

Niezawodność i diagnostyka projekt

Niezawodność i diagnostyka projekt Niezawodność i diagnostyka projekt Jacek Jarnicki Henryk Maciejewski Zajęcia wprowadzające 1. Cel zajęć projektowych 2. Etapy realizacji projektu 3. Tematy zadań do rozwiązania 4. Podział na grupy, wybór

Bardziej szczegółowo

4.Zmienne losowe X 1, X 2,..., X 100 są niezależne i mają rozkład wykładniczy z α = 0.25 Jakie jest prawdopodobieństwo, że 1

4.Zmienne losowe X 1, X 2,..., X 100 są niezależne i mają rozkład wykładniczy z α = 0.25 Jakie jest prawdopodobieństwo, że 1 LISTA 7 W rozwiązaniu zadań 1-4 wykorzystać centralne twierdzenie graniczne. 1.Prawdopodobieństwo, że aparat zepsuje się w czasie jego konserwacji wynosi 0.02. Jakie jest prawdopodobieństwo, że w trakcie

Bardziej szczegółowo

XXXI MARATON WARSZAWSKI Warszawa, 27.09.2009

XXXI MARATON WARSZAWSKI Warszawa, 27.09.2009 XXXI MARATON WARSZAWSKI Warszawa, 27.09.2009 Alex.Celinski@gmail.com Rozkład wyników Przedziały 30-minutowe Lp. Przedział Liczebność Częstość czasowy Liczebność Częstość skumulowana skumulowana 1 2:00-2:30

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

Funkcje charakteryzujące proces. Dr inż. Robert Jakubowski

Funkcje charakteryzujące proces. Dr inż. Robert Jakubowski Funkcje charakteryzujące proces eksploatacji Dr inż. Robert Jakubowski Niezawodność Niezawodność Rprawdopodobieństwo, że w przedziale czasu od do t cechy funkcjonalne statku powietrznego Ubędą się mieścić

Bardziej szczegółowo

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3 ZADANIA - ZESTAW 3 Zadanie 3. L Prawdopodobieństwo trafienia celu w jednym strzale wynosi 0,6. Do celu oddano niezależnie 0 strzałów. Oblicz prawdopodobieństwo, że cel został trafiony: a) jeden raz, b)

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna. Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Bardziej szczegółowo

Podstawowe definicje statystyczne

Podstawowe definicje statystyczne Podstawowe definicje statystyczne 1. Definicje podstawowych wskaźników statystycznych Do opisu wyników surowych (w punktach, w skali procentowej) stosuje się następujące wskaźniki statystyczne: wynik minimalny

Bardziej szczegółowo

FACES IV David H. Olson, Ph.D.

FACES IV David H. Olson, Ph.D. FACES IV ANALIZA DANYCH Z UśYCIEM WYNIKÓW FACES IV David H. Olson, Ph.D. 2010 Life Innovations P.O. Box 190 Minneapolis, MN 55440 www.facesiv.com ANALIZA DANYCH Z UśYCIEM WYNIKÓW FACES IV Główne hipotezy

Bardziej szczegółowo

Zawartość. Zawartość

Zawartość. Zawartość Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami

Bardziej szczegółowo

Rachunek kosztów zmiennych

Rachunek kosztów zmiennych Rachunek kosztów zmiennych Rachunek kosztów zmiennych produkcji ogólne zarządu i sprzedaŝy prowadzenie: dr Adam Chmielewski zmienne stałe produkt zapasy sprzedane wynik finansowy Czym są stałe i zmienne?

Bardziej szczegółowo

Streszczenie. Słowa kluczowe: towary paczkowane, statystyczna analiza procesu SPC

Streszczenie. Słowa kluczowe: towary paczkowane, statystyczna analiza procesu SPC Waldemar Samociuk Katedra Podstaw Techniki Akademia Rolnicza w Lublinie MONITOROWANIE PROCESU WAśENIA ZA POMOCĄ KART KONTROLNYCH Streszczenie Przedstawiono przykład analizy procesu pakowania. Ocenę procesu

Bardziej szczegółowo

Statystyczne metody analizy danych. Agnieszka Nowak - Brzezińska

Statystyczne metody analizy danych. Agnieszka Nowak - Brzezińska Statystyczne metody analizy danych Agnieszka Nowak - Brzezińska SZEREGI STATYSTYCZNE SZEREGI STATYSTYCZNE odpowiednio usystematyzowany i uporządkowany surowy materiał statystyczny. Szeregi statystyczne

Bardziej szczegółowo

Wstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński

Wstęp 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 szczegółowo

RAPORT WSKAŹNIK EDUKACYJNEJ WARTOŚCI DODANEJ PO EGZAMINIE GIMNAZJALNYM W ROKU SZKOLNYM 2012/2013

RAPORT WSKAŹNIK EDUKACYJNEJ WARTOŚCI DODANEJ PO EGZAMINIE GIMNAZJALNYM W ROKU SZKOLNYM 2012/2013 RAPORT WSKAŹNIK EDUKACYJNEJ WARTOŚCI DODANEJ PO EGZAMINIE GIMNAZJALNYM W ROKU SZKOLNYM 2012/2013 ZESPÓŁ SZKÓŁ NR 14 W BYDGOSZCZY GIMNAZJUM NR 37 INTEGRACYJNE Opracowanie A. Tarczyńska- Pajor na podstawie

Bardziej szczegółowo

Białystok, maj Spis treści W W W. C K U B I A L Y S T O K. P L

Białystok, maj Spis treści W W W. C K U B I A L Y S T O K. P L 0,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Analiza wyników testu

Bardziej szczegółowo

Pomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś.

Pomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś. Pomiary urodzeń według płci noworodka i województwa.podział na miasto i wieś. Województwo Urodzenia według płci noworodka i województwa. ; Rok 2008; POLSKA Ogółem Miasta Wieś Pozamałżeńskie- Miasta Pozamałżeńskie-

Bardziej szczegółowo

Czy egzamin gimnazjalny jest dobrym prognostykiem sukcesu na maturze z fizyki i astronomii?

Czy egzamin gimnazjalny jest dobrym prognostykiem sukcesu na maturze z fizyki i astronomii? Krystyna Feith, Czy egzamin gimnazjalny jest dobrym prognostykiem... Krystyna Feith Okręgowa Komisja Egzaminacyjna w Łodzi Czy egzamin gimnazjalny jest dobrym prognostykiem sukcesu na maturze z fizyki

Bardziej szczegółowo

KARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4

KARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4 KARTA KURSU (do zastosowania w roku ak. 2015/16) Nazwa Statystyka 1 Nazwa w j. ang. Statistics 1 Kod Punktacja ECTS* 4 Koordynator Dr hab. Tadeusz Sozański (koordynator, wykłady) Dr Paweł Walawender (ćwiczenia)

Bardziej szczegółowo

Rachunkowość. Decyzje zarządcze 1/58

Rachunkowość. Decyzje zarządcze 1/58 Rachunkowość zarządcza Decyzje zarządcze 1/58 Decyzje zarządcze Spis treści Rodzaje decyzji zarządczych Decyzje podjąć / odrzucić działanie Ogólny opis Koszty relewantne opis i przykłady Przykłady decyzji

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości

Bardziej szczegółowo

Matematyka podstawowa I. Liczby rzeczywiste, zbiory

Matematyka podstawowa I. Liczby rzeczywiste, zbiory Zadania wprowadzające: Matematyka podstawowa I Liczby rzeczywiste, zbiory 1. Liczba jest równa 2. Liczba jest równa 3. Wynikiem działania jest 4. Przedstaw w postaci nieskracalnego ułamka zwykłego 5. Oblicz

Bardziej szczegółowo

Teoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.

Teoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem. Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2011/2012 Wykład 2 Statystyka Do tej pory było: Wiadomości praktyczne o przedmiocie Podstawowe

Bardziej szczegółowo

Z poprzedniego wykładu

Z poprzedniego wykładu PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne

Bardziej szczegółowo

Materiał dla studentów

Materiał dla studentów Materiał dla studentów Wydatki konsumpcyjne gospodarstw domowych (studium przypadku) Nazwa przedmiotu: Statystyka Kierunek studiów: Dla wszystkich studentów (przedmiot podstawowy) Studia I stopnia/studia

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady 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 szczegółowo

Teoria błędów pomiarów geodezyjnych

Teoria błędów pomiarów geodezyjnych PodstawyGeodezji Teoria błędów pomiarów geodezyjnych mgr inŝ. Geodeta Tomasz Miszczak e-mail: tomasz@miszczak.waw.pl Wyniki pomiarów geodezyjnych będące obserwacjami (L1, L2,, Ln) nigdy nie są bezbłędne.

Bardziej szczegółowo