1. Wprowadzenie. Zygmunt Lech Warsza. Serhii Zabolotnii. Pomiary Automatyka Robotyka, ISSN , R. 22, Nr 1/2018, DOI: 10.
|
|
- Angelika Julia Czajka
- 5 lat temu
- Przeglądów:
Transkrypt
1 Pomiay Automatyka Robotyka, ISSN 47-96, R., N /08, DOI: 0.433/PAR_7/49 Zygmut Lech Wasza Sehii Zabolotii Steszczeie: Pzedstawioo sposób wyzaczaia estymatoów watości i iepewości mezuadu iekowecjoalą metodą maksymalizacji wielomiau stochastyczego (PMM) dla póbki daych pomiaowych pobaych z populacji modelowaej zmieą losową o ozkładzie iesymetyczym. W metodzie PMM stosuje się statystykę wyższego zędu i opis z użyciem mometów lub kumulatów. Wyzaczoo wyażeia aalitycze dla estymatoów watości i iepewości stadadowej typu A mezuadu za pomocą wielomiau stopia =. Niepewość stadadowa watości mezuadu otzymaa metodą PPM zależy od skośości i kutozy ozkładu. Jest oa miejsza od śediej aytmetyczej wyzaczaej wg pzewodika GUM i bliższa watości teoetyczej dla ozkładu populacji daych. Jeśli ozkład te jest iezay, to estymatoy mometów i kumulatów wyzacza się z daych pomiaowych póbki. Spawdzoo skuteczość metody PMM dla kilku podstawowych ozkładów.. Wpowadzeie Poces wyzaczaia ezultatu pomiaów obejmuje statystycze szacowaie watości i ozszezoej iepewości mezuadu. Oceia się je a podstawie póbki zawieającej dae obsewacji pomiaowych pobae z ich populacji o losowym ozzucie watości. Rozzut te moża modelować okeśloym ozkładem pawdopodobieństwa. W większości stosuje się jedomodale ozkłady symetycze, w tym główie ozkład omaly (Gaussa) oaz ozkłady: ówomiey, tójkąty, tapezowe, Laplace i ie []. W pzewodiku GUM [], taktowaym jak oma międzyaodowa, zaleca się by ozzut daych pomiaowych opisywać iepewością typu A wyiku pomiau i szacować ją idetyczie, jak dla ozkładu omalego. Sposób te jest jedak iepopawy pzy koieczości modelowaia ozzutu daych pomiaowych ozkładami iegaussowskimi. Z idetyfikacji i aalizy daych pomiaowych występujących w paktyce pomiaowej wyika, że w iektóych pzypadkach tzeba też stosować ozkłady iesymetycze wskutek występowaia asymetyczych błędów pzypadkowych [3 6]. Powstają oe pzy ieliiowym ówaiu pomiau, skoelowaiu toów pomiaowych oaz istieiu zaówo stałych jak i zmieiających się detemiistyczie w takcie pomiaów iezidetyfikowaych, a więc i ieusuiętych błędów systematyczych. Jedą z ostatio popoowaych zmia w zaleceiach GUM jest stosowaie podejścia Bayesa [7, 8] waz z metodą ajwiększej wiaygodości. Do pawidłowego dobou metody pomiau oaz obliczeia iepewości pomiaów iezbęda jest wstępa idetyfikacja i pzybliżeie ozzutu daych odpowiedim dla daego zadaia pomiaowego ozkładem pawdopodobieństwa [9]. Realizuje się to zaówo metodami aalityczymi [0], jak i pzy pomocy modelowaia statystyczego metodą Mote Calo [, Supl. ], [5]. Podejście Bayesa wymaga jedak ifomacji a pioi o fukcji ozkładu daych pomiaowych. Cechuje je także potecjalie wysoki stopień złożoości pzy aalizie paametów. W pacy [] i w moogafii [4 ozdz. 9] pzedstawioo podejście alteatywe, któe ie wymaga idetyfikacji ozkładu. Polegała oa a ozmożeiu daych póbki pomiaowej metodą bootstap i spawdzeiu, któy ze zbiou jedo- i kilkuelemetowych estymatoów ma dla tych daych ajmiejszą waiację. Poiżej omawia się ie podejście alteatywe o azwie Metoda Maksymalizacji Wielomiau i akoimie PMM utwozoym od agielskiej wesji tej azwy. Metodę tę zapopoował Kucheko [5, 6]. Umożliwia oa twozeie modeli 49
2 opatych a statystyce wyższego zędu dla óżych fukcji zmieych losowych. Wzoy stają się postsze, gdy w opisie używa się kumulatów, któe łatwo wyzacza się umeyczie za pośedictwem mometów. Metodę PMM moża stosować jako azędzie matematycze do pzetwazaia daych statystyczych w takich dziedziach jak: ozpozawaie obazów fukcji [7], idetyfikacja puktu wystąpieia zmia statystyczych paametów sygału (ag. chage poit) [8, 9], wykywaie i estymacja paametów sygałów a tle iegaussowskich zakłóceń [0] oaz wielu iych. Autozy badają możliwości zastosowaia metody PMM w metologii i techice pomiaowej, w tym do wyzaczaia oce watości i iepewości pomiaów. Badaia te wykazały już, że metoda ta (w połączeiu z opacowaiem modeli pobabilistyczych opatych a statystyce wyższych zędów i ich opisem pzez momety i kumulaty) ma szeeg zalet. Upaszcza się poces sytezy i moża ówocześie uwzględić pobabilistycze właściwości kilku paametów. Popawia się szacowaie dokładości pomiaów, gdyż waiacje estymowaych paametów są wówczas miejsze. Miejsze też jest pawdopodobieństwo błędych decyzji. Opis óżych ozkładów pawdopodobieństwa pzez kumulaty wykozystuje się dotąd badzo zadko w paktyce pomiaowej. Jest o miej zay iż z użyciem mometów ozkładu, mimo że wzoy używae w aalizie zmieych losowych są postsze. Na pzykład ozkład omaly ma ieskończeie wiele mometów pazystych, zaś wszystkie jego kumulaty zędu > są ówe zeu. Omówimy kótko podstawowe właściwości kumulatów. Kumulaty są współczyikami ozwiięcia w szeeg Tayloa- -MacLauia logaytmu chaakteystyczej fukcji f ξ (u) zmieej losowej ξ []. Opisują to wzoy: κ = j d l f ( u) ξ du 0 u = jux f u = π p x e dx, ξ ( ) ξ ( ) gdzie: k kumulat zędu, p ξ (x) fukcja gęstości pawdopodobieństwa (PDF). W aalizie statystyczej używa się też bezwymiaowych współczyików kumulatów γ = κκ /. Najbadziej zae są: współczyik kumulata asymetii g 3 oaz współczyik kumulata kutozy g 4. Zalety użycia kumulatów [] są astępujące: są to odębe paamety statystycze ozkładów zmieej losowej, alteatywe do mometów i w pewym stopiu iezależe od siebie; kumulaty wyzacza się badzo posto z mometów póbki (tabela koluma lewa); pewą liczbą kumulatów wyższego zędu (lub ich współczyikami) moża schaakteyzować w posty sposób stopień iegaussowości zmieej losowej; badzo ważą właściwością kumulatów jest ich iezależość (iwaiatość) a pzesuięcie agumetu i zmiay skali zmieych losowych (tab. koluma pawa), właaddytywości, tj. kumulat i-tego zędu dla sumy iezależych statystyczie zmieych losowych jest sumą kumulatów wszystkich składowych tego zędu. Pzykładem zastosowaia tego opisu właściwości zmieej losowej w metologii jest zapopoowaa w [] metoda kutozy do wyzaczaia błędu pomiau sumy zmieych losowych o óżych ozkładach. Jedak zakes stosowaia algoytmu tej metody ogaicza się do składowych losowych opisywaych symetyczymi ozkładami PDF (fukcja gęstości pawdopodobieństwa), a jej aalityczo-gaficzy sposób ealizacji jest tudy do automatyzacji. W pacy [3], za pomocą kumulatów wykoao aalizę modeli układów pomiaowych z addytywymi i multiplikatywymi błędami pzypadkowymi w toach pzetwazaia sygałów. Zaś w [4] zbadao szczegółowo olę współczyika kumulata zędu 4 (kutozy) jako istotego paametu ozkładów symetyczych. Zależości piewszych czteech kumulatów póbki od jej mometów początkowych oaz podstawowe opeacje a kumulatach podao w tabeli. Wzoy dla k i astępych upaszczają się jeśli a = 0, czyli gdy wyaża się je pzez momety cetale póbki. Zastosowaie metody maksymalizacji wielomiau stochastyczego PMM jako iekowecjoalego azędzia matematyczego do wyzaczaia paametów wyiku pomiaów wielokotych o watościach daych pobaych losowo z ozkładu symetyczego autozy omówili w [3]. Poiżej pzedstawi się zastosowaie metody PMM dla póbek daych pomiaowych z ozkładów asymetyczych. Celem tej pacy jest: zastosowaie metody maksymalizacji wielomiau (o agielskim akoimie PMM) do sytezy algoytmów estymacji paametów mezuadu dla modeli ozkładu błędów asymetyczych opisaych kumulatami, aaliza teoetycza dokładości estymatoów paametów wielomiau, zbadaie skuteczości powyższych algoytmów modelowaia statystyczego. Rozpatywać będziemy pomiay stałej watości oczekiwaej q pojedyczej wielkości miezoej jako szczególy pzypadek istumetalego badaia mezuadu. Wyik pomiau wyzacza się a podstawie szeegu powtózoych obsewacji pomiaowych tej wielkości, lub zależego od iej sygału x. Wskutek wielu óżych oddziaływań zewętzych i wewętzych oaz iedoskoałości istumetaium (pzyządy, system pomiaowy) watości pozyskaych obsewacji, czyli suowe dae pomiaowe podlegają ozzutowi. Są oe obaczoe występowaiem iepożądaych składowych, tj. błędami pomiaowymi o chaakteze zdetemiowaym (błędy systematycze o watościach: stałych i zmieych, dyft oaz zakłóceia oscylacyje) oaz losowym Tabela. Wzoy łączące kumulaty i momety początkowe oaz podstawowe właściwości kumulatów Table. Pattes coectig cumulats ad iitial momets ad basic popeties of cumulats Wyzaczaie kumulatów z mometów początkowych Podstawowe właściwości kumulatów ówoważość iwaiatość jedoodość addytywość 50 P O M I A R Y A U T O M A T Y K A R O B O T Y K A NR /08
3 Zygmut Lech Wasza, Sehii Zabolotii (błędy pzypadkowe, outliey). Suowe dae ależy oczyścić z błędów systematyczych o watościach zaych a pioi, lub wykytych w pocesie pomiaowym [4 ozdz.]. Dae pomiaowe koyguje się popzez popawki, a wpływy o iezaych watościach, ale o pzewidywaych zakesach ich zmia, adomizuje i opisuje się iepewością typu B []. Ze skoygowaych ekspeymetalych daych póbki, jako wyik pomiaów wyzacza się metodami statystyczymi estymato watości mezuadu θˆ oaz ozkład iepewości typu A i jej watość stadadową u A. Niepewość ozszezoą U, czyli pzedział, w któym może zajdować się wyik pomiaów z okeśloym pawdopodobieństwem P, otzymuje się bądź ze splotu ozkładów iepewości typu A i B wyzaczoy metodą Mote Calo (MC) [ Supl.], bądź z geometyczej sumy ich iepewości stadadowych U = k u + u P k P współczyik ozszezeia zależy od ozkładu splotu i P. Dalszy tekst dotyczy zastosowaia statystyczej metody wielomiaowej PMM do wyzaczaia watości i iepewości wyiku pomiaów. Zbió uzyskaych i skoygowaych pzez popawki watości obsewacji pomiaowych staowi póbkę daych { z z } z =,,... z pobaych z populacji geealej jako zbiou wszystkich możliwych ich watości. Populacja ta składa się z iezależych i jedolicie ozposzoych losowo elemetów opisaych modelem x = q + h. W pomiaach q = cost jest watością miezoą, a h dowolie ozłożoą, w tym i asymetyczie, zmieą losową opisującą właściwości pobabilistycze pzypadkowych błędów pomiau w postaci ozkładu pawdopodobieństwa, bądź pzez sekwecję kumulatów i ich współczyików. W takim modelu matematyczym kumulat populacji piewszego zędu k jest watością miezoą waz z pzesuięciem o iewyelimioway błąd systematyczy, kumulat dugiej zędu k okeśla waiację składowej losowej, a współczyiki kumulatów wyższych zędów g 3, g 4,... opisują stopień odchyleia daego ozkładu od ozkładu Gaussa. Natomiast za pomocą kumulatów obliczoych ze skoygowaych daych pomiaowych póbki wyzacza się wyik pomiau jako estymato watości miezoej q oaz jego iepewość typu A. (PMM) Według metody PMM podaej pzez Kuchekę [5], oszacowaia czyli estymatoy paametów statystyczych wielkości miezoej q wyzacza się ozwiązując ówaie stochastycze [3, 4 ozdz.0] A B ( θ )[ α α ( θ )] = 0 h () ˆ i i i= i θ = ˆ θ gdzie: jest stopiem wielomiau użytego do estymacji paa- metów, a i (q), i i = x v v= ˆα i-tego zędu momety począt- kowe: teoetyczy, tj. dla populacji oaz dla póbki o daych pomiaowych. Współczyiki h i (q) dla i =, są ozwiązaiami układu algebaiczych ówań liiowych zędu dla wauków miimalizacji waiacji estymatoa q, tj.: d h i( θ ) Fi, j ( θ ) = α j ( θ ), j =, s () i= dθ gdzie: F i,j (q) = a i+j (q) a i (q)a j (q) Układ ówań () ozwiązuje się aalityczie metodą Kamea: gdzie: D = F i,j ; ( i, j =, ) wyzaczik główy układu ówań () o wymiaze, D i wyzaczik otzymay z D po zastąpieiu i-tej kolumy pzez kolumę wyazów wolych układu ówań (). D = F i,j ; W pacach [5, 6] Kuczeko wykazał, że ocey wielomiaowe θˆ będące ozwiązaiami układu ówań stochastyczych o postaci () są spóje i asymptotyczie ieobciążoe. Do wyzaczeia oce iepewości pomiau tzeba okeślić ilość wydobytej ifomacji o szacowaej wielkości q, opisaej ogólie ówaiem, (3) Ses statystyczy fukcji J,(q) jest taki sam, jak w klasyczej kocepcji Fischea o ilości ifomacji. Jeżeli, to jej odwotość dąży do waiacji estymatoa q, tj.: σ θ θ ( = limj ), ( ). (4) Wyażeia aalitycze staą się postsze po dokoaiu stadayzacji daych oygialej póbki pomiaowej, tj.: ( z v κ ) κ x, dla v, v = (5) x =,...x. Jest oa zbioem zomalizowaych daych pomiaowych o watości oczekiwaej takiej, jak estymato watości paametu q, ale o waiacji ówej. Z podstawowego wzou () dla metody PMM wyika, że pzy szacowaiu z użyciem wielomiau stopia =, watość estymatoa θˆ wielkości q jest ozwiązaiem ówaia: Otzymuje się uomowaą póbkę { x,x } ( θ )[ ˆ α θ ] 0 h, (6) = θ =θˆ Z postaci wyażeia (6) wyika, że pzy dowolej watości czyika h (q) 0 moża je pzekształcić w statystykę liiową. Estymato paametu q jest wówczas śedią aytmetyczą: ˆ θ () = x v (6a) v= Estymato o postaci (6a) jest też oszacowaiem watości oczekiwaej zmieej losowej wyzaczaym klasyczą metodą mometów (MM). Estymato o postaci (6a) ma ajmiejszą waiację dla daych pomiaowych póbki tylko wtedy, gdy zmiea losowa ma ozkład Gaussa i poadto jej pobae losowo watości x = { x, x,... x } ie są skoelowae [, 4 ozdz. 3]. Jeśli ozkład daych pomiaowych jest iy iż omaly, to do wyzaczeia estymatoów o iepewości miejszej iż dla watości śediej ależy stosować metody alteatywe. Należy też do ich iekowecjoaly sposób szacowaia estymatoów ieliiowych metodą PMM, któa wykozystuje optymalizację wielomiaów stochastyczych. Według metody PMM z wielomiaem stopia = (i pzy uomowaiu daych póbki) estymatoem paametu q jest ozwiązaie ówaia: 5
4 ( θ )[ ˆ α θ ] + h ( θ )[ ˆ α ( θ + ) ] 0 h (7) = θ =θˆ gdzie: h (q) i h (q) współczyiki optymale. Współczyiki h (q) i h (q) dla = miimalizują watość poszukiwaego estymatoa paametu q. Zajduje się je ozwiązując układ dwóch ówań liiowych o postaci () h (q) + h (q)[q + g 3 ] = h (q)[q + g 3 ] + h (q)[4q + 4qg 3 + ( + g 4 )] = q Otzymuje się wyażeia: θγ + γ 3 3 h ( θ ) = +, (8a) γ + γ 3 4 γ 3 h ( θ ) = (8b) γ + γ 3 4 Po wstawieiu tych współczyików do (), ówaie służące do oszacowaia paametu q pzyjmuje postać: ( ) ( ) θ= θ γθ γα + γ θ + γ α + γ α ˆ ˆ ˆ = 0 (9) ˆ Z aalizy wyażeia (9) wyika, że dla ozkładu symetyczego (g 3 = 0), to kwadatowe ówaie pzekształca się w liiowe o jedym tylko ozwiązaiu, takim samym jak dla ówaia (6). Jeśli g 3 0, to ówaie (9) ma dwa piewiastki: + γ γ ˆ + θ = α ± α ( ) ( α 4 4 ˆ ˆ ˆ ) +, γ γ 3 3 (0) Pzy stosowaiu metody wielomiaowej PMM, jeśli istieje kilka możliwych ozwiązań ówaia (6), to ależy wybać piewiastek będący liczbą zeczywistą. Według wzou (3) pozyska się wówczas maksymalą ilość ifomacji J (q) i ajmiejszą watość waiacji. W pzedstawiaych tu badaiach dotyczących zastosowaia metody PPM w aalizie pomiaów, zasadę wybou piewiastka ówaia (0) jako optymalego estymatoa paametu q okeśla pukt zmiay zaku współczyika asymetii, tj. dla g 3 = 0. Tak więc oszacowaiem paametu q, wyzaczoym za pomocą wielomiau stopia =, jest estymato θˆ ( ) () Jest to stosuek waiacji odchyleń od estymatoa paametu q, wyzaczoego metodą PMM () oaz waiacji odchyleń od estymatoa liiowego opisaego wzoem (6a) i szacowaego metodą PMM () z wielomiaem stopia = (czyli tak samo, jak metodą mometów MM). Estymato liiowy o postaci (6a) jest ieobciążoy (o watości początkowej ówej zeu) i zgody []. Jego waiacja ie zależy od watości szacowaego paametu, ale wyłączie od waiacji składowej losowej daych pomiaowych (kumulat dugiego zędu k = m ) i od ich liczby w póbce: (3) Z wyażeia (8) opisującego optymale współczyiki metody PMM oaz w opaciu o wzó ogóly (3) moża otzymać ilość ifomacji o estymatoach paametu q, któą uzyskuje się z póbki o wielkości za pomocą wielomiaów stochastyczych stopia = : + γ 4 J =, ( θ ) κ γ + γ 3 4 Asymptota waiacji σ ( θ ) jest odwotością J (θ), tj. σ ( θ ) κ γ = + γ 4 3 Współczyik zmiejszeia waiacji wyiesie wówczas (4) γ 3 g ( θ ) = (5) + γ Jest o fukcją współczyików g 3 i g 4 kumulatów skośości i kutozy i ie zależy od liczby daych póbki. Współczyiki kumulatów wyższych zędów ie mogą pzyjmować watości dowolych i ich gaice są ze sobą powiązae [5]. Pzykładem jest powiązaie gaic watości współczyików kumulatów g 3 i g 4. Z aalizy wzou (5) wyika, że bezwymiaowy współczyik edukcji (zmiejszaia) waiacji g (θ) ma zakes (0; ], zaś dopuszczale watości współczyików kumulatów ogaicza ieówość γ + γ ˆ θ = ( ) ˆ θ + ( ) δ ( ), () o współczyiku koekcyjym δ ( ) w postaci ozwiiętej δ + γ = γ 3 4 ( ) + sig ( γ 3) (a) + γ 4 xv x + v = = γ v v 3 Metodą wielomiaową PMM i paamety wyzaczae z daych póbki za pomocą wielomiau -tego stopia ozaczać się będzie dalej w tekście dolym ideksem (). Niepewość pomiau wg metody PMM () popouje się oceiać ilościowo za pomocą współczyika edukcji waiacji Rys.. Zależości współczyika edukcji waiacji g (q) = s (q) /s estymatoa watości mezuadu według metody (q) PMM () (z wielomiaem stopia ) od współczyików kumulata g 3, g 4 Fig. Depedece of the vaiace eductio coefficiet g (q) = s (q) /s (q) calculated by the d ode polyomial method PMM() fom cumulative coefficiets g 3, g 4 5 P O M I A R Y A U T O M A T Y K A R O B O T Y K A NR /08
5 Zygmut Lech Wasza, Sehii Zabolotii Na ysuku pzedstawioo zależości współczyika g (θ) od współczyika asymetii g 3 dla kilku stałych watości współczyika kutozy g 4 jako paametu. Kzywe z ysuku wykazują, że waiacja estymatoa wg metody PMM (), tj. z wielomiaem dugiego stopia zacząco maleje ze wzostem asymetii ozkładu (watości bezwzględe g 3 współczyików asymetii i osiąga zeo a bzegach obszau dopuszczalych watości g 3, któe wzastają waz z g 4. PMM Na podstawie pzepowadzoych ozważań opacowao pakiet opogamowaia w śodowisku pogamowym MATLAB. Pzy asymetyczie ozposzoych daych pomiaowych pakiet te umożliwia pzepowadzaie modelowaia statystyczego iezbędego do wyzaczeia estymatoa mezuadu popoowaą wielomiaową metodą PMM opatą a statystykach wyższego zędu i kumulatach. Podstawą algoytmu pakietu jest wiele ekspeymetów symulowaych metodą Mote Calo. Umożliwia o aalizę poówawczą dokładości óżych algoytmów estymacji statystyczej, a także zbadaie właściwości pobabilistyczych estymatoów wielomiaowych. Otzymywaa empiyczie watość współczyika ( θ ) g wg wzou (), wyaża względe zmiejszeie waiacji estymatoa i może staowić kyteium poówawcze skuteczości metody PMM w stosuku do sposobu wyzaczaia iepewości typu A wg GUM. Współczyik g( θ ) oblicza się a podstawie M-kotych ekspeymetów symulacyjych o tych samych początkowych watościach obsewacji pomiaowych paametów modelu. Estymato współczyika gˆ ( θ ) twozy się jako stosuek empiyczie oszacowaych waiacji ˆ σ ( θ ) estymowaego paametu (obliczoych metodą PMM z wykozystaiem wielomiau. stopia) i waiacji ˆ σ ( θ ) liiowego estymatoa tego paametu wg wzou (6). Wiaygodość wyików symulacji uzyskiwaych za pomocą algoytmów estymacji statystyczej zależy od dwóch czyików: liczby elemetów wektoa wejściowego, tj. watości obsewacji pomiaowych estymowaego paametu, liczby ekspeymetów M, pzepowadzaych z tymi samymi waukami początkowymi (watości skośości i kutozy opisujące pobabilistycze właściwości modelu). Wykoao po M = 0 4 obliczeń metodą Mote Calo dla kilku odzajów asymetyczych ozkładów daych pomiaowych. Uzyskao z ich śedie watości ekspeymetalego (tj. wyzaczoego z daych póbki pomiaowej) współczyika edukcji waiacji g ˆ( θ ). W obliczeiach estymatoów paametu q () wielomiaową metodą PMM ie bao pod uwagę ifomacji a pioi o odzaju ozkładu, a tylko watości jego współczyików kumulata jako paametów modelu. Wyzaczao je z wyażeń aalityczych wiążących momety i kumulaty ozkładu (Tabela ). W paktyce wstępują też sytuacje, gdy ifomacja o ozkładzie badaych paametów ie jest dostępa a pioi. Potzebe w aalizie estymatoy mometów moża wówczas uzyskać z daych póbki, lub w sposób algoytmiczy pzez poceduy teigowe z wykozystaiem elacji asymptotyczych: gdzie: m m 3, ( ) ˆ γ = ˆ ˆ ˆ γ = mˆ m ˆ 3 (6) mˆ i momet cetaly póbki i-tego zędu mˆ = x x i k k ( v ) v = i (7) Estymatoy o postaciach (6) i (7) są zgode i asymptotyczie ieobciążoe. Metodę obliczaia liczby k pób teigowych iezbędych do uzyskaia okeśloej watości względego błędu oszacowaia współczyików kumulata g 3 i g 4 podao w []. Zestaw wyików uzyskaych metodą Mote Calo podao w tabeli. Aaliza daych pzedstawioych w tej tabeli wykazuje zbieżość między wyikami obliczeń aalityczych i modelowaiem statystyczym. Wzasta oa waz z liczbą elemetów póbki. W szczególości óżica między ekspeymetalymi i teoetyczymi watościami współczyika edukcji waiacji g ˆ ( θ ) maleje waz ze wzostem liczby elemetów póbki (p. gdy = 0 to óżica ta ie pzekacza 5%, a gdy = 50 to óżica ta jest już miejsza od 5%). Wyiki te potwiedzają właściwość asymptotyczą (4) dotyczącą watości pozyskaej ifomacji o estymowaych paametach. Wzó (3) umożliwia użycie tej ifomacji do wyzaczeia waiacji estymatoów wielomiaową metody PMM jako ozwiązań ówaia ogólego (). Pzykłady otzymaych empiyczie metodą Mote Calo oszacowań śediej aytmetyczej i jej iepewości typu A wg GUM [] oaz estymatoa watości mezuadu według metody PMM () i jego odchyleia stadadowego (dla óżych asymetyczych ozkładów daych) ys.. Pzykłady te dotyczą symulacji Mote Calo o M = 0 4 ekspeymetach i liczbie = 50 daych obsewacji pomiaowych w póbce. Na wykesach a) b) c) d) Rys.. Wykesy pudełkowe oszacowań watości mezuadu otzymaych empiyczie metodą Mote Calo (M = 0 4 ) dla póbki o = 50 daych z populacji o ozkładach: a) wykładiczym; b) gamma (α = ); c) log-omalym; d) Weibulla Fig.. Box-plot gaphs empiically obtaied by Mote Calo method (M = 0 4 ) estimatos of measuad fo sample with = 50 data taked fom populatio of asymmetic pdf-s: a) expoetial; b) gamma (α = ); c) log-omal; d) Weibull 53
6 Tabela. Wyiki estymacji paametów uzyskae metodą Mote Calo Table. Results of estimated paametes by Mote-Calo simulatio Gamma x fx () x e, x > 0 m... Expoetial Gamma dla = f ( x ) x e, x > 0 Rozkład Teoetycze watości paametów 3 4 g Symulacje Mote Calo g = 0 = 50 = 00 = 0,5,83 0,43 0,47 0,46 0,43 =,4 3 0,6 0,63 0,6 0,6 = 4,5 0,7 0,74 0,7 0,7 = 6 0,5 0,58 0,5 0,5 m! Logomal fx () e x x 0, m e Weibull b x fx () aa x > 0, m l x b b x a e a b = 0, = a = b =,86 0,74 0,76 0,075 0,74 0,63 0,5 0,8 0,84 0,83 0,8 Tabela 3. Wyiki badaia adekwatości liiowego modelu ozkładu (fukcja Gaussa, = ) i ieliiowego wielomiaowego ( = ), oszacowae według testu Lilliefosa Table 3. Results of testig the adequacy of the Gaussia distibutio model fo liea ( = ) ad polyomial ( = ) estimates o the basis of Lilliefos test Rozkład Paametey wyjściowe testu Lilliefosa LSTAT = 0 = 50 = 00 = = = = = = Gamma = 0,5 0,045 0,036 0,08 0,0 0,08 0,009 Expoetial = 0,034 0,07 0,03 0,03 0,0 0,008 Gamma = 0,0 0,07 0,03 0,0 0,009 0,007 = 4 0,0 0,07 0,0 0,0 0,008 0,007 Logomal = 0,, µ = 0,06 0,04 0,0 0,0 0,008 0,007 Weibull a =, b = 0,03 0,07 0,0 0,0 0,006 0,004 typu pudełkowego (ag. box-plot), pole w śodkowej części zawiea 50% pzedziału ufości estymatoa, a ozaczeia dolej i góej gaicy odpowiadają,5% i 97,5%. Wykesy te potwiedzają, że metodą PMM uzyska się lepszy ezultat iż metodą klasyczą wg zaleceń GUM, gdyż awet dla małych póbek o = 0, g ( ) < θ, czyli ich waiacje są istotie miejsze. CV 0,009 Autozy zachęcają Czytelików do samodzielego spawdzeia metodą Mote Calo wyików estymacji PPM iteesujących ich ozkładów asymetyczych, iych iż podae w tabeli i do opacowaia szczegółowych wiosków o zbadaych ozkładach. Iym ważym ezultatem modelowaia statystyczego jest spawdzeie założeia, że waz ze wzostem liczby pozyskaych daych ozkłady estymatoów paametów wielkości miezoej q, obliczoe metodą PMM według wzou (), dążą asymptotyczie do fukcji Gaussa. Popawość tej hipotezy dla estymatoów wyzaczaych metodą wielomiaową PMM zbadao za pomocą testu Lilliefosa opatego a statystyce Kołmogoowa-Smiowa []. Test te jest wbudoway w opogamowaie MATLAB. W tabeli 3 pzedstawioo wyiki badaia w postaci testu Lilliefosa. LSTAT to watości póbki badaej statystyczie, CV kytycza 54 P O M I A R Y A U T O M A T Y K A R O B O T Y K A NR /08
7 Zygmut Lech Wasza, Sehii Zabolotii watość statystyki testu. Jeżeli LSTAT < CV, to hipoteza zeowa jest waża pzy zadaym poziomie kytyczym. Wyiki pzedstawioe w tabeli 3 uzyskao wykoując M = 0 4 ekspeymetów statystyczych MC dla każdego z kilku podstawowych asymetyczych ozkładów populacji daych pomiaowych i óżej liczby daych póbki x oaz pzy stałym poziomie istotości a 0 = 0,05 hipotezy zeowej (ozkład Gaussa). Pzyjęte kyteium CV = 0,009 spełiają tylko ielicze pogubioe w tabeli 3 wyiki dla liczby daych w póbce = 00. Dla miejszych ie moża ozzutu watości estymatoów mezuadu taktować jako podlegającego ozkładowi Gaussa. Wyzaczaie estymatoa waiacji mezuadu metodą wielomiaową PMM stopia ależy popzedzić podaym w pukcie 4 uomowaiem oygialych daych pomiaowych, by otzymać póbkę x. Do oszacowaia iepewości ozszezoej wyiku pomiaów a podstawie wyażeń aalityczych dla waiacji, p. takich jak otzymae w pukcie 5 dla =, potzeba jest ifomacja a pioi o odzaju ozkładów dla okeśloej liczby współczyików kumulata opisujących jej właściwości pobabilistycze. Nie atafiliśmy jeszcze w liteatuze a zależości aalitycze współczyików ozszezeia iepewości stadadowej dla óżych paametów ozkładów iegaussowskich i pzy óżej liczbie daych. Dla okeśloego ozkładu i małej liczby daych póbki moża je wyzaczać umeyczie metodą MC. Jedyie dla dużych moża pzyjąć, że są to ozkłady omale. Wato też zauważyć, że addytywe właściwości fukcji opisującej kumulaty umożliwiają w posty sposób uwzględiać składowe iepewości geeowae pzez wiele źódeł i o óżych właściwościach pobabilistyczych. Łącza aaliza wyików ozważań teoetyczych i ekspeymetów statystyczych umożliwia sfomułowaie ogólego wiosku o możliwości wykozystaia azędzia matematyczego zapopoowaego pzez Kucheko, czyli metody maksymalizacji wielomiaów stochastyczych o akoimie PPM z opisem za pomocą kumulatów. Metodę tę moża użyć w kostuowaiu algoytmów do wyzaczaia ieliiowych estymatoów watości i iepewości mezuadu dla daych pomiaowych ozposzoych losowo zaówo symetyczie [3, 4], jak i asymetyczie oaz opisaych modelem iegaussowskim. Omówioe w tej pacy badaia metodą Mote Calo wykazały w szczególości, że estymacja paametów mezuadu a podstawie daych póbki z ozkładu asymetyczego, już pzy zastosowaiu wielomiau stopia = daje większą dokładość (miejszą waiację) iż estymacja liiowa zalecaa w GUM [], tj. wyzaczaie śediej aytmetyczej i jej iepewości typu A. Zwiększeie dokładości, czyli zmiejszeie waiacji i iepewości stadadowej estymatoów osiągięto dla iegaussowskich iesymetyczych ozkładów daych pomiaowych pzez wykozystaie dodatkowej ifomacji o ich właściwościach w postaci kumulatów zędów >. Ifomacja ta zależy od watości i liczby kumulatów baych pod uwagę. W tej pacy wyażoo ją pzez bezwzględe watości współczyików kumulatów skośości i kutozy. Takie szacowaie wydaje się o wiele postsze w poówaiu do wybou odzaju ozkładu i wyzaczeia paametów jego fukcji dla daej póbki o ozposzoych daych pomiaowych. To postępowaie oaz spawdzeia adekwatości obu wyboów jest jedak iezbęde do oszacowaia iepewości. Poadto dla małych i awet śedich póbek ( < 50) ie moża jedozaczie dokoać ajlepszego wybou ozkładu. Wśód wielu możliwych kieuków dalszych badań, jako pioytetowe ależy wymieić astępujące zadaia: zwiększeie stopia wielomiau stochastyczego, gdy tzeba uzyskać badziej skutecze ozwiązaia; aaliza wpływu dokładości kumulatów ozkładu iegaussowskiego a stabilość wielomiaowej estymacji paametów mezuadu; syteza i aaliza właściwości ekuecyjych algoytmów dla estymacji wielomiaową metodą PMM paametów mezuadów wektoowych.. Novickij P.V., Zogaf I.A., ceka pogeshostiej esultatov izmieeii (Estimatio of the measuemet esult eos), Eegoatomizdat, Leigad,99 (i Russia).. Guide to the Expessio of Ucetaity i Measuemet, GUM (008) with Supplemet Evaluatio of measuemet data Popagatio of distibutios usig a Mote Calo method., JCGM 0: 008. OIML Geeva, Switzelad. 3. Doksum K., Measues of Locatio ad Asymmety. Scadiavia Joual of Statistics, Vol., No., 975,. 4. Schmellig M., Aveagig Measuemets with Hidde Coelatios ad Asymmetic Eos, MPI, (), 000, [ axiv.og/abs/hep-ex/ ]. 5. Balow R., Asymmetic Statistical Eos, axiv, 004, [ 6. Dailov A.A., Shumaova S.A., O the asymmety of the pobability desity fuctio of the eo of the esults of measuemets obtaied by meas of the complex measuemet chaels of measuemet systems, Measuemet Techiques, Vol. 55, No., 03), DOI: 0.007/s z. 7. Bich W., Cox M., Michotte C., Towads a ew GUM-a update. Metologia, Vol. 53, No. 5, 06, Cox M., Shioo K., Ifomative Bayesia type A ucetaity evaluatio, especially applicable to a small umbe of obsevatios. Metologia, Vol. 54, No. 5, 07, Levi S.F., The Idetificatio of Pobability Distibutios. Measuemet Techiques, Vol. 48, No., 005, 0, DOI: 0.007/s Casella G., Bege R.L., Statistical ifeece. Pacific Gove, CA: Duxbuy 00.. Galovska M., Wasza Z.L., The ways of effective estimatio of measuad. Pomiay Automatyka Komputey w Gospodace i Ochoie Śodowiska, N, 00, Täubet P., Abschätzug de Geauigkeit vo Messegebisse. Velag Techik, Kuzetsov B.F., Boodki D.K., Lebedeva L.V., Cumulat models of additioal eos. Sovemeye tekhologii. Sistemyi aaliz. Modeliovaie, No. (37), 03, De Calo L.T., O the meaig ad use of kutosis. Psychological methods, Vol., No. 3, 997, DOI: 0.037/08-989X Kucheko Y., Polyomial Paamete Estimatios of Close to Gaussia Radom vaiables. Gemay, Aache: Shake Velag Kucheko Y., Stochastic polyomials, Kiev: Nauk. dumka, , (i Russia). 7. Chetov O., Slipets T., Kucheko s polyomials fo template matchig, 8th IEEE Iteatioal Cofeece o Systems, Sigals ad Image Pocessig (IWSSIP), Saajevo, 6 8 Jue Zabolotii S.V., Wasza Z.L., Semi-paametic polyomial method fo etospective estimatio of the chage-poit of paametes of No-Gaussia sequeces, Advaced Mathematical ad Computatioal Tools i Metology ad Testig X. 05, DOI: 0.4/ _ Zabolotii S.W., Wasza Z.L., Semi-paametic polyomial modificatio of CUSUM algoithms fo chage-poit detec- 55
8 tio of o-gaussia sequeces. Electoic Poceedigs of XXI IMEKO Wold Cogess Measuemet i Reseach ad Idusty August 30,Septembe 4, 05, Pague, Czech Republic, Palahi V., Juh J., Joit sigal paamete estimatio i No Gaussia oise by the method of polyomial maximizatio, Joual of Electical Egieeig, Vol. 67, No. 3, 06, 7. DOI: 0.55/jee Camé H., Mathematical Methods of Statistics (PMS-9), Vol. 9, Piceto Uivesity Pess Lilliefos H.W., O the Kolmogoov-Smiov test fo omality with mea ad vaiace ukow. Joual of the Ameica Statistical Associatio, Vol. 6, No. 38, 967, , DOI: 0.307/ Wasza Z.L., Zabolotii S.W., A polyomial estimatio of measuad paametes fo samples of o-gaussia symmetically distibuted data. [i:] R. Szewczyk et all (eds.): Iovatios i Automatio, Robotics ad Measuemet Techiques. Poccedigs of Automatio-07. Seies: Advaces i Itelliget Systems ad Computig, Vol Spige It. l Publ. AG 07, , DOI: 0.007/ _ Wasza Z.L., ów. Oficya Wydawicza PIAP, Waszawa 06. Abstact: The o-stadad method fo evaluatig estimatos of the value ad ucetaity type A fo measuemet data sampled fom asymmetical distibuted with a pioi patial desciptio (ukow PDF) is peseted. This method of statistical estimatio is based o the mathematical appaatus of stochastic polyomials maximizatio ad uses the highe-ode statistics (momet & cumulat desciptio) of adom vaiables. The aalytical expessios fo fidig estimates ad aalyze thei accuacy to the degee of the polyomial = ae obtaied. It is show that the ucetaity of estimates eceived fo polyomial is geeally less tha the ucetaity of estimates obtaied based o the mea (aithmetic aveage) accodig iteatioal guide GUM. Reducig the ucetaity of measuemet depeds o the skewess ad kutosis. O the basis of the Mote Calo method caied out statistical modellig. Thei esults cofim the effectiveess of the poposed appoach. Keywods Pof. D Tech. Sc., El. Eg. Sehii V. Zabolotii 56 P O M I A R Y A U T O M A T Y K A R O B O T Y K A NR /08
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 szczegółowoĆwiczenia 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 szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoZadanie 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 szczegółowoUWAGI O WZORZE NA MOMENTY ROZKŁADU PRAWDOPODOBIEŃSTWA PÓLYI. Tadeusz Gerstenkorn. 1. Wstęp. 2. Rozkład G. Pólyi
UWAGI O WZORZE NA MOMENTY ROZKŁADU PRAWDOPODOBIEŃSTWA PÓLYI Tadeusz Gesteko Emeytoway pofeso Uiwesytetu Łódzkiego ISSN 1644-6739 e-issn 2449-9765 DOI: 10.15611/sps.2015.13.09 Steszczeie: Rozkład pawdopodobieństwa
Bardziej szczegółowo3. 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 szczegółowoWARTOŚĆ PIENIĄDZA W CZASIE
WARTOŚĆ PIENIĄDZA W CZASIE Czyiki wpływające a zmiaę watości pieiądza w czasie:. Spadek siły abywczej. 2. Możliwość iwestowaia. 3. Występowaie yzyka. 4. Pefeowaie bieżącej kosumpcji pzez człowieka. Watość
Bardziej szczegółowoWokół 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 szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoPODSTAWY 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 szczegółowoĆwiczenia 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 szczegółowoMetrologia: 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 szczegółowoKorelacja 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 szczegółowoPOMIAR PĘTLI HISTEREZY MAGNETYCZNEJ
POMAR PĘTL STEREZ MAGNETZNEJ 1. Opis teoetyczny do ćwiczenia zamieszczony jest na stonie www.wtc.wat.edu.pl w dziale DDAKTKA FZKA ĆZENA LABORATORJNE.. Opis układu pomiaowego Mateiały feomagnetyczne (feyt,
Bardziej szczegółowoSTATYSTYKA 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 szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoTrzeba 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 szczegółowoPrawdopodobieństwo 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 szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoWERYFIKACJA WPŁYWU PORÓWNAŃ PROWADZONYCH W WARUNKACH ZRÓWNOWAŻONEGO EKSPERYMENTU WEWNĄTRZLABOROTORYJNEGO NA CMC LABORATORIUM WZORCUJĄCEGO
PROBLEM AND PROGRE IN METROLOG PPM 8 Cofeece Digest Wiesław GOK Główy Uząd Mia amodziele Laboatoium Pzepływów WERFIKACJA WPŁWU PORÓWNAŃ PROWADZONCH W WARUNKACH ZRÓWNOWAŻONEGO EKPERMENTU WEWNĄTRZLABOROTORJNEGO
Bardziej szczegółowoAnaliza możliwości wykorzystania wybranych modeli wygładzania wykładniczego do prognozowania wartości WIG-u
Zbigiew Taapaa Aaliza możliwości wykozysaia wybaych modeli wygładzaia wykładiczego do pogozowaia waości WIG-u Wydział Cybeeyki Wojskowej Akademii Techiczej w Waszawie Seszczeie W aykule pzedsawioo aalizę
Bardziej szczegółowoROZKŁAD NORMALNY. 2. Opis układu pomiarowego
ROZKŁAD ORMALY 1. Opis teoetyczny do ćwiczenia zamieszczony jest na stonie www.wtc.wat.edu.pl w dziale DYDAKTYKA FIZYKA ĆWICZEIA LABORATORYJE (Wstęp do teoii pomiaów). 2. Opis układu pomiaowego Ćwiczenie
Bardziej szczegółowoMetody probabilistyczne egzamin
Imię i azwisko:....................................................... N ideksu:.............. Metody pobabilistycze egzami Data: 30.0.209 Godzia: 3:00 Zadaie [8pkt] Podaj aksjomaty Kołmogoowa dla miay
Bardziej szczegółowoSTATYSTYKA 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 szczegółowoĆwiczenie 2 ESTYMACJA STATYSTYCZNA
Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoIdentyfikacja 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 szczegółowoTwierdzenia 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 szczegółowoKATEDRA ENERGETYKI. Laboratorium Elektrotechniki UKŁAD REGULACJI PRĘDKOŚCI. Temat ćwiczenia: SILNIKA PRĄDU STAŁEGO (LEONARD TYRYSTOROWY)
KATEDRA ENERGETYKI Laboatoium Elektotechiki Temat ćwiczeia: UKŁAD REGULACJI RĘDKOŚCI SILNIKA RĄDU STAŁEGO (LEONARD TYRYSTOROWY) I. WSTĘ TEORETYCZNY 1. Chaakteystyki mechaicze silika obcowzbudego Układy
Bardziej szczegółowo4.5. PODSTAWOWE OBLICZENIA HAŁASOWE 4.5.1. WPROWADZENIE
4.5. PODTAWOWE OBCZENA HAŁAOWE 4.5.. WPROWADZENE Z dotychczasowych ozważań wiemy już dużo w zakesie oisu, watościowaia i omiau hałasu w zemyśle. Wato więc tę wiedzę odsumować w jedym zwatym ukcie, co umożliwi
Bardziej szczegółowoPROJEKT: GNIAZDO POTOKOWE
POLITEHNIK POZNŃSK WYZIŁ UOWY MSZYN I ZZĄZNI ZZĄZNIE POUKJĄ GUP ZIM-Z3 POJEKT: GNIZO POTOKOWE WYKONWY: 1. TOMSZ PZYMUSIK 2. TOMSZ UTOWSKI POWZĄY: Mg iż. Maiola Ozechowska SPIS TEŚI OZZIŁ 1. Wpowadzeie.
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowoMetoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.
Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak
Bardziej szczegółowo3. 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 szczegółowoEstymacja przedziałowa:
Estymacja przedziałowa: Zamiast szukad ajlepszego estymatora, tak jak w estymacji puktowej będziemy poszukiwad przedziału, do którego będzie ależał szukay parametr z odpowiedio dużym prawdopodobieostwem.
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)
Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W kolejnych okesach czasu t =,,3,... ubezpieczony, chaakteyzujący się paametem yzyka Λ, geneuje szkód. Dla danego Λ = λ zmienne N t N, N, N 3,... są waunkowo niezależne i mają (bzegowe) ozkłady
Bardziej szczegółowoPodstawy 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 szczegółowoZAGADNIENIE 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 szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoDobór zmiennych objaśniających do liniowego modelu ekonometrycznego
Dobó zmiennych objaśniających do liniowego modelu ekonometycznego Wstępnym zadaniem pzy budowie modelu ekonometycznego jest okeślenie zmiennych objaśniających. Kyteium wybou powinna być meytoyczna znajomość
Bardziej szczegółowoMMF ćwiczenia nr 1 - Równania różnicowe
MMF ćwiczeia - Rówaia óżicowe Rozwiązać ówaia óżicowe piewszego zędu: (a) y + y =, y = (b) y + y =!, y = Wsk Podzielić ówaie pzez! i podstawić z = y /( )! Rozwiązać ówaia óżicowe dugiego zędu: (a) + 6,
Bardziej szczegółowoKADD 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 szczegółowoĆWICZENIE PROJEKTOWE NR 4 POSADOWIENIE NA PALACH Wybrane schematy i tablice z PN-83/B :
ĆWICZENIE PROJEKTOWE NR 4 POSADOWIENIE NA PALACH Wybae schematy i tablice z PN-83/B-048 : http://www.uwm.edu.pl/edu/piotsokosz/mg.htm UWAGA! Rysuki ie są w skali!!! N = 900 kn M = 500 knm G, I L =0.3 0.0m
Bardziej szczegółowoMIERNICTWO WIELKOŚCI ELEKTRYCZNYCH I NIEELEKTRYCZNYCH
Politechnika Białostocka Wydział Elektyczny Kateda Elektotechniki Teoetycznej i Metologii nstukcja do zajęć laboatoyjnych z pzedmiotu MENCTWO WEKOŚC EEKTYCZNYCH NEEEKTYCZNYCH Kod pzedmiotu: ENSC554 Ćwiczenie
Bardziej szczegółowoMINIMALIZACJA 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 szczegółowooznaczają 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 szczegółowoMatematyka 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 szczegółowobędą 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 szczegółowoPrzejmowanie ciepła przy kondensacji pary
d iż. Michał Stzeszewski 004-01 Pzejowaie ciepła pzy kodesacji pay Zadaia do saodzielego ozwiązaia v. 0.9 1. powadzeie Jeżeli paa (asycoa lub pzegzaa) kotaktuje się z powiezchią o tepeatuze T s iższej
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólopolskie Semiaium Naukowe, 4 6 wześia 2007 w Touiu Kateda Ekoometii i Statystyki, Uiwesytet Mikołaja Kopeika w Touiu Akademia Ekoomicza w Kakowie O kwatylowym fukcjoale
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoANALIZA DANYCH DYSKRETNYCH
ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,
Bardziej szczegółowoĆWICZENIE 3 REZONANS W OBWODACH ELEKTRYCZNYCH
ĆWZENE 3 EZONANS W OBWODAH EEKTYZNYH el ćwiczenia: spawdzenie podstawowych właściwości szeegowego i ównoległego obwodu ezonansowego pzy wymuszeniu napięciem sinusoidalnym, zbadanie wpływu paametów obwodu
Bardziej szczegółowoELEMENTY MATEMATYKI FINANSOWEJ. Wprowadzenie
ELEMENTY MATEMATYI FINANSOWEJ Wpowadzeie Pieiądz ma okeśloą watość, któa ulega zmiaie w zależości od czasu, w jakim zostaje o postawioy do aszej dyspozycji. Watość tej samej omialie kwoty będzie ia dziś
Bardziej szczegółowoAnaliza numeryczna. Stanisław Lewanowicz. Aproksymacja funkcji
http://www.ii.ui.wroc.pl/ sle/teachig/a-apr.pdf Aaliza umerycza Staisław Lewaowicz Grudzień 007 r. Aproksymacja fukcji Pojęcia wstępe Defiicja. Przestrzeń liiową X (ad ciałem liczb rzeczywistych R) azywamy
Bardziej szczegółowoEstymacja 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 szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowoWIELOWYMIAROWA ANALIZA SYTUACJI SPOŁECZNO-DEMOGRAFICZNEJ POLSKI
Studia i Mateiały. Miscellaea Oecoomicae Rok 8, N /04 Wydział Zaządzaia i Admiistacji Uiwesytetu Jaa Kochaowskiego w Kielcach 50 lat kształceia ekoomistów w Kielcach Katazya Budy, Mata Szklaska, Ja Tata
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoRachunek 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 szczegółowoWpływ błędów parametrów modelu maszyny indukcyjnej na działanie rozszerzonego obserwatora prędkości
Daniel WACHOWIAK Zbigniew KRZEMIŃSKI Politechnika Gdańska Wydział Elektotechniki i Automatyki Kateda Automatyki Napędu Elektycznego doi:1015199/48017091 Wpływ błędów paametów modelu maszyny indukcyjnej
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoPODSTAWY BIOSTATYSTYKI ĆWICZENIA
PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1, zima 2016/17
Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo
Bardziej szczegółowoZADANIA NA ĆWICZENIA 3 I 4
Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.
Bardziej szczegółowoDefinicja interpolacji
INTERPOLACJA Defiicja iterpolacji Defiicja iterpolacji 3 Daa jest fukcja y = f (x), x[x 0, x ]. Zamy tablice wartości tej fukcji, czyli: f ( x ) y 0 0 f ( x ) y 1 1 Defiicja iterpolacji Wyzaczamy fukcję
Bardziej szczegółowoGraf skierowany. Graf zależności dla struktur drzewiastych rozgrywających parametrycznie
Gaf skieowany Gaf skieowany definiuje się jako upoządkowaną paę zbioów. Piewszy z nich zawiea wiezchołki gafu, a dugi składa się z kawędzi gafu, czyli upoządkowanych pa wiezchołków. Ruch po gafie możliwy
Bardziej szczegółowoParametryzacja rozwiązań układu równań
Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie
Bardziej szczegółowoWYBRANE DZIAŁY ANALIZY MATEMATYCZNEJ. Wykład 0 Wprowadzenie ( ) ( ) dy x dx ( )
Rówaia óżiczkowe zwyczaje Rówaie postaci: Wykład Wpowadzeie dy x dx ( x y ( x) ) = f () Gdzie f ( x y ) jest fukcją dwóch zmieych okeśloą i ciągłą w pewym obszaze płaskim D azywamy ówaiem óżiczkowym zwyczajym
Bardziej szczegółowoTrójparametrowe formowanie charakterystyk promieniowania anten inteligentnych w systemach komórkowych trzeciej i czwartej generacji
Zakład Zastosowań Techik Łączości lektoiczej (Z ) Tójpaametowe fomowaie chaakteystyk pomieiowaia ate iteligetych w systemach komókowych tzeciej i czwatej geeacji Paca : 35 Waszawa, gudzień 5 Tójpaametowe
Bardziej szczegółowoBADANIA 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 szczegółowosą 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 szczegółowoCharakterystyki 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 szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka.0.00 r. Zadaie Rozważy astępującą, uproszczoą wersję gry w,,woję. Talia składa się z 5 kart. Dobrze potasowae karty rozdajey dwó graczo, każdeu po 6 i układay w dwie kupki.
Bardziej szczegółowoPunktowe procesy niejednorodne
Modelowaie i Aaliza Daych Przestrzeych Wykład 5 Adrzej Leśiak Katedra Geoiformatyki i Iformatyki Stosowaej Akademia Góriczo-Huticza w Krakowie Puktowe procesy iejedorode Jak wcześiej wspomiao, dla procesów
Bardziej szczegółowoSTATYSTKA 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 szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowoD. 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 szczegółowoEstymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)
IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym
Bardziej szczegółowoSTATYSTYCZNY OPIS UKŁADU CZĄSTEK
WYKŁAD 6 STATYSTYCZNY OPIS UKŁADU CZĄSTK Zespół statcz moża opisać: ) Klasczie pzestzeń fazowa P ( P PN, q, q q N) q Każda kofiguacja N cząstek zespołu statczego opisaa jest puktem w pzestzei fazowej.
Bardziej szczegółowoPodstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja
Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoREZONATORY DIELEKTRYCZNE
REZONATORY DIELEKTRYCZNE Rezonato dielektyczny twozy małostatny, niemetalizowany dielektyk o dużej pzenikalności elektycznej ( > 0) i dobej stabilności tempeatuowej, zwykle w kształcie cylindycznych dysków
Bardziej szczegółowoO pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii
O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję
Bardziej szczegółowoL(x, 0, y, 0) = x 2 + y 2 (3)
0. Małe dgania Kótka notatka o małych dganiach wyjasniające możliwe niejasności. 0. Poszukiwanie punktów ównowagi Punkty ównowagi wyznaczone są waunkami x i = 0, ẋi = 0 ( Pochodna ta jest ówna pochodnej
Bardziej szczegółowoArtykuł techniczny CVM-NET4+ Zgodny z normami dotyczącymi efektywności energetycznej
1 Artykuł techiczy Joatha Azañó Dział ds. Zarządzaia Eergią i Jakości Sieci CVM-ET4+ Zgody z ormami dotyczącymi efektywości eergetyczej owy wielokaałowy aalizator sieci i poboru eergii Obeca sytuacja Obece
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoOcena siły oddziaływania procesów objaśniających dla modeli przestrzennych
Michał Benad Pietzak * Ocena siły oddziaływania pocesów objaśniających dla modeli pzestzennych Wstęp Ekonomiczne analizy pzestzenne są ważnym kieunkiem ozwoju ekonometii pzestzennej Wynika to z faktu,
Bardziej szczegółowoMODELOWANIE ROZMYTE W ANALIZIE JAKOŚCIOWEJ Z WYKORZYSTANIEM ŚRODOWISKA OLAP
ZESZYTY AUKOWE 79-85 Adzej CHOJACKI MODELOWAIE ROZMYTE W AALIZIE JAKOŚCIOWEJ Z WYKORZYSTAIEM ŚRODOWISKA OLAP Steszczeie W efeacie pzedstawioo matematyczy detemiistyczy model stuktuy daych w śodowisku OLAP
Bardziej szczegółowoDobór zmiennych do modelu ekonometrycznego
Dobó zmiennych do modelu ekonometycznego Metody dobou zmiennych do modelu ekonometycznego opate na teście F Model zedukowany ya 0 +a x+a x+.+a x Model pełny ya 0 +a x+a x+.+a x +a + x + + +a k x k Częściowy
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoZWIĄZEK FUNKCJI OMEGA Z DOMINACJĄ STOCHASTYCZNĄ
Studia konomiczne. Zeszyty Naukowe Uniwesytetu konomicznego w Katowicach ISSN 283-86 N 237 25 Infomatyka i konometia 2 wa Michalska Uniwesytet konomiczny w Katowicach Wydział Infomatyki i Komunikacji Kateda
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowo