Kwalifikacja: Badania przesiewowe w technice NIR na obecność zafałszowań przypadek odtłuszczonego mleka w proszku
|
|
- Łukasz Urbaniak
- 4 lat temu
- Przeglądów:
Transkrypt
1 Publikacja techniczna FOSS KĄCIK CHEMOMETRII Kwalifikacja: Badania przesiewowe w technice NIR na obecność zafałszowań przypadek odtłuszczonego mleka w proszku W publikacji zostały przedstawione metody jakościowe kontroli przesiewowej na obecność zafałszowań oraz przykład: wykrywanie melaminy w odtłuszczonym mleku w proszku za pomocą spektroskopii NIR i chemometrii. Autorzy: Lars Nørgaard*, Mark Westerhaus, Karin Kjeldahl, Ib Haunstrup, FOSS *lno@foss.dk PL, December 2014 Dedicated Analytical Solutions
2 Wprowadzenie Wysoka jakość w produkcji żywności i pasz opiera się na wiarygodnym ustalaniu składu surowców, półproduktów i wyrobów gotowych. Równie ważna jest jednak zdolność do wykrywania w widmie próbek nieprawidłowości, które mogą być powodowane przez zafałszowania, problemy w procesie oraz odchyłki jakości. Wykrywanie próbek odbiegających od dobrego produktu nazywane jest kwalifikacją Czytelnika odsyłamy do publikacji technicznej InFocus poświęconej terminologii, w której opisane zostały identyfikacja i kwalifikacja [1]. Zapotrzebowanie na skuteczne metody wykrywania zafałszowań i innych odchyłek jest oczywiste w niniejszym dokumencie opisujemy podstawy metody oraz przykład, jak można zastosować metody wykrywania zafałszowań w analizie mleka w proszku za pomocą systemu FOSS NIRS DS5200 w połączeniu z najnowszą wersją oprogramowania chemometrycznego WinISI. Page 2
3 Podstawy matematyczne Jako podstawę do opracowania modelu jakościowego stosujemy zbiór danych uczących, zawierający widma szeregu próbek dobrych produktów i obejmujący swoim zakresem spodziewane zróżnicowanie odpowiedniego produktu. Zastosowane metody opierają się na analizie głównych składowych (ang. Principal Component Analysis, PCA) oraz odległościach pochodnych w modelu PCA danych. Jak widać z rysunku 1., analizę PCA można opisać jako rozkład wstępnie przetworzonych danych widmowych, X, na macierze T, P oraz E dla A składowych. Macierz P zawiera ładunki, czyli ukryte widma/ wspólne struktury, macierz T zawiera koncentrację każdego z ładunków w każdej próbce, a macierz E zawiera wartości resztkowe część nie opisaną przez model (bardziej szczegółowy opis PCA w zastosowaniu do widm NIR zawiera [2]). Rysunek 1. Model PCA. Odległość danej próbki od innej można analizować na dwa sposoby: zmierzyć jako odległość od środka zbioru próbek modelu to oblicza się z wyników, albo jako odległości do modelu obliczone z wartości resztkowych: Przykładowe widmo nowej próbki, odchylone wyłącznie w przestrzeni wyników, można nazwać stężeniem odstającym wzór widma jest porównywalny z widmem dobrego produktu, lecz próbka zawiera bardzo wysokie albo bardzo niskie stężenia w porównaniu z próbkami dobrych produktów. Widmo nowej próbki, wykazujące odchylenie tylko pod względem wartości resztkowych, można nazwać odstającym wzorcem widmowym wzór widma różni się od widma produktu dobrego, lecz poziomy stężeń w próbce są porównywalne z próbkami dobrego produktu. Widmo odchylone w obu metrykach wyników i wartości resztkowych jest odstające zarówno pod względem stężenia, jak i wzorca widmowego. Metody kwalifikacyjne w WinISI zostały zaprojektowane do cechowania zbioru widm reprezentujących próbki produktów, które spełniają wymogi jakości, oraz do wykrywania odchyleń od zbioru danych. Dostępne są następujące odległości: Odległość Mahalanobisa (kwadratowa): mierzy dystans od widma do średniego widma ze zbioru danych dobrego produktu z użyciem wyników PCA (T). Wartości są skalowane tak, aby średnia odległość dla wszystkich próbek w PCA wynosiła 1,0. Miara ta przydaje się do wykrywania, czy widmo nowej próbki jest zbliżone do widma średniego w sposób przypominający próbki dobrych produktów. Page 3
4 Odległość Mahalanobisa od sąsiadów (kwadratowa): mierzy dystans pomiędzy widmem i najbliższym widmem ze zbioru danych dobrych produktów. Wartości są skalowane z użyciem tego samego współczynnika, jak w mierze odległości Mahalanobisa. Miara ta jest przydatna do wykrywania odległości od najbliższego sąsiadującego widma i porównania jej ze średnią odległością sąsiadów dla całego zbioru danych. Wartości resztkowe RMS X: to część widma, której nie wyjaśnia model PCA. W celu uzyskania wartości resztkowych RMS X obliczany jest pierwiastek kwadratowy z reszty średnio kwadratowej (RMS). To oszacowanie jest przydatne, gdy chcemy wykrywać odchylenia widmowe niepodobne do rozrzutu widm występującego w zbiorze danych dobrych produktów. Maximum X Residual: w tej metodzie, zamiast obliczania RMS, znajdowana jest największa bezwzględna wartość resztkowa X w reszcie widma nowej próbki. Jest ona bardziej niż metoda wartości resztkowych RMS X wrażliwa na niezamodelowane odchyłki w zaledwie kilku długościach fali. Jeśli, na przykład, dodatek zafałszowujący ma charakterystyczne piki przy długościach fali 2100 nm i 2300 nm, detekcja może zostać ułatwiona przez skupienie się na konkretnej części widma, w której odchylenia są największe. Maximum X Residual T: jest modyfikacją metody Maximum X Residual. Każda resztkowa długość fali X zostaje przekształcona w statystykę t poprzez podzielenie jej przez odchylenie standardowe wszystkich odpowiadających wartości resztkowych przy tejże długości fali ze zbioru dobrych produktów. Metoda zwraca największą bezwzględną wartość t. Metoda ta jest bardziej wrażliwa na niewielkie odchyłki wartości resztkowych w stosunku do wartości resztkowych ze zbioru danych dobrych produktów. Maximum Peak T: ta metoda, podobnie jak trzy poprzednie metody, również opiera się na wartościach resztkowych X w modelu PCA. Metoda ta poszukuje kształtu piku w wartościach resztkowych X. Obliczana w niej jest statystyka t poprzez podzielenie natężenia każdego piku przez odchylenie standardowe wszystkich odpowiadających natężeń pików. Metoda ta wylicza największą dodatnią wartość t dla wszystkich długości fali. Jest ona wrażliwa na dodawanie nowych składników nieobecnych w zbiorze danych dobrych produktów i reaguje na odchylenia widma. Metoda ASM: ta metoda stanowi połączenie odległości Mahalanobisa i wartości resztkowych RMS X. Jest to pierwiastek kwadratowy sumy odległości Mahalanobisa do kwadratu i odpowiednio przeskalowanych wartości resztkowych RMS X podniesionych do kwadratu. Oszacowanie to wskaże, że próbka jest dobra tylko wtedy, jeśli jej widmo będzie podobne do średniego widma dobrego produktu, oraz wartości resztkowe X będą małe. W ten sposób metody ASM łączą informacje pochodzące z modelu z informacjami spoza modelu. Metody oparte na odległości Mahalanobisa nadają się do wykrywania stężeń nietypowych, natomiast metody oparte na resztkach są odpowiednie do wykrywania różnych wzorców widmowych; ASM łączy w sobie wykrywanie odstających stężeń i wzorców widmowych. Studium przypadku dane Za pomocą przyrządu NIRS DS5200 zarejestrowano widma w bliskiej podczerwieni 214 próbek odtłuszczonego mleka w proszku, uzyskując widma w zakresie od 400 do 2500 nm z rozdzielczością 0,5 nm w sumie 4200 zmiennych na widmo (patrz rysunek 2). Page 4
5 Rysunek 2. Widma NIR w zakresie nm 214 próbek odtłuszczonego mleka w proszku Rysunek 3. Widmo NIR melaminy w zakresie nm. Zostały one podzielone na zbiór uczący złożony z 81 próbek, zbiór strojący (testowy) z 40 próbek oraz zbiór walidacyjny zawierający 93 próbki. Podział 214 próbek odbył się według czasu wykonania analizy: do zbioru uczącego zostały włączone dane z najstarszych skanów, do testowego pośrednie, a do zbioru walidacyjnego wyniki skanów najnowszych. Widma testowe i walidacyjne zostały też zanieczyszczone 0,5% melaminy (rysunek 3). Ponieważ ani odtłuszczone mleko w proszku, ani melamina nie mają wyraźnych pików w zakresie długości fal nm, w badaniach użyto jedynie zakresu bliskiej podczerwieni. Obowiązują tu te same warunki, jak przy wyborze próbek do analizy ilościowej ważne jest, aby objąć nimi rozrzut spodziewany w przyszłych dobrych próbkach. Mogą być one wybrane z wąskim rozrzutem, np. w kontekście procesu produkcji z ostatniego miesiąca, albo z szerszymi odchyleniami, dla rozwiązań laboratoryjnych. Model kwalifikacyjny Interesuje nas wykrywanie melaminy, mającej wyraźne piki w okolicach długości fal 1467 nm oraz kilka w zakresie od 1955 do 2227 nm. Do uwydatnienia tych maksimów użyto wstępnej obróbki drugą pochodną (2,20,1,1). Page 5
6 Rysunek 4. Wyniki zastosowania modelu kwalifikacyjnego. Model kwalifikacyjny (Good Product Definition definicja dobrego produktu ; GPD w WinISI) został opracowany z użyciem 81 próbek uczących. Wynik został przedstawiony na rysunku 4. Najtrudniejszym zadaniem jest ustalenie liczby komponentów, których należy użyć w modelu. Do tego celu używamy zbioru danych wzorcowych z 40 próbek i kilku próbek zanieczyszczonych. Porównanie siedmiu metod dostępnych do kwalifikacji wyraźnie wykazuje, że metoda Maximum Peak T bardzo skutecznie wykrywała melaminę, więc na niej właśnie opieramy analizę. Jeśli liczba czynników w modelu kwalifikacyjnym jest zbyt niska, modelowanie produktu będzie niekompletne (underfitting) i naturalne składniki próbki mogą przyczynić się do wysokiej wartości Maximum Peak T. Jeśli numer czynników będzie zbyt wysoki (overfitting), do wysokiej wartości Maximum Peak T może przyczynić się zdarzenia losowe. Tabela 1. przedstawia najniższe i najwyższe wartości Maximum Peak T dla zbioru strojącego i zbioru wzorcowego z zanieczyszczeniami. Zakłada się, że minimalna stężenie domieszki w próbce zanieczyszczonej jest większe niż naturalnie występujące w próbce dobrej. Przy użyciu stosunku minimalnej wartości domieszki podzielonej przez maksymalną wartość bez domieszek, siedem czynników bardzo skutecznie identyfikuje melaminę. Wartość progową należy wybrać nieco wyższą od zaobserwowanego maksimum bez domieszek. W tym przypadku odpowiednim progiem może być wartość 8,0 dla tej wartości należy też zarejestrować liczbę fałszywych identyfikacji dodatnich dla wystarczająco dużej liczby próbek czystych. Po zastosowaniu do zbioru walidacyjnego modelu kwalifikacyjnego z siedmioma czynnikami, otrzymujemy zakres bez domieszek od 2,27 do 7,79 oraz zakres z domieszkami od 50,74 do 59,44, co w oczywisty sposób identyfikuje obecność melaminy w widmie. Page 6
7 Czynniki Zbiór walidacyjny Zbiór walidacyjny z domieszkami Min. Maks. Min. Maks. 3 1,97 7,44 12,57 17,43 4 2,09 7,87 12,40 17,92 5 2,36 7,87 12,28 20,76 6 3,08 7,69 51,13 58,27 7 3,09 7,43 51,69 58,75 8 3,45 7,88 48,56 56,91 9 3,59 7,90 48,91 56, ,27 7,58 47,26 55,54 Tabela 1. Zakres wartości Maximum Peak T dla zbioru wzorcowego i zbioru walidacyjnego. Gdy należy wykonać ogólne badania przesiewowe na obecność zafałszowań za pomocą NIR, można w oprogramowaniu Mosaic-Nova połączyć użycie np. odległości Mahalanobisa do wykrywania stężeń nieprawidłowych, wartości resztkowych RMS X do wychwycenia dużych róznic widmowych, oraz Maximum Peak T do wykrywania nieprawidłowości w obrębie konkretnych pików. Wnioski Dzięki nowym funkcjom WinISI można łatwo opracować modele kwalifikacyjne dla platformy NIRS DS5200; modele te są bezproblemowo integrowane z procedurą IQ 2, obejmującym identyfikację (wybór właściwej grupy produktów, na przykład odtłuszczonego mleka w proszku), kwalifikację (czy produkt jest dobry a nie zafałszowany) oraz kwantyfikację (prognozę wilgotności i zawartości białka), co daje solidne narzędzie do zapewnienia dobrej jakości produktu. Bibliografia [1] Terminologia chemometryczna dla analizy jakościowej i ilościowej IQ 2, InFocus Vol. 38, nr 1, [2] Principal Component Analysis and Near Infrared Spectroscopy, In Focus Vol. 36, nr 1, 2012 ( FOSS Ul. Osmańska Warszawa Polska Tel.: Faks: foss@foss.pl Page 7
METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA
METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu
Bardziej szczegółowoWalidacja metod analitycznych Raport z walidacji
Walidacja metod analitycznych Raport z walidacji Małgorzata Jakubowska Katedra Chemii Analitycznej WIMiC AGH Walidacja metod analitycznych (według ISO) to proces ustalania parametrów charakteryzujących
Bardziej szczegółowoJAK UNIKAĆ PODWÓJNEGO LICZENIA SKŁADOWYCH NIEPEWNOŚCI? Robert Gąsior
Robert Gąsior Omówię klasyczne, nieco zmodyfikowane, podejście do szacowania niepewności wewnątrz-laboratoryjnej, oparte na budżecie niepewności. Budżet taki zawiera cząstkowe niepewności, które są składane
Bardziej szczegółowoMilkoScan FT1 Standaryzacja mleka i wykrywanie próbek nieprawidłowych. Dedicated Analytical Solutions
MilkoScan FT1 Standaryzacja mleka i wykrywanie próbek nieprawidłowych Analizator MilkoScan FT1 przeznaczony jest do badania płynnych produktów mleczarskich. Pozwala on na kontrolowanie i standaryzację
Bardziej szczegółowoZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA. dr inż. Aleksander Astel
ZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA dr inż. Aleksander Astel Gdańsk, 22.12.2004 CHEMOMETRIA dziedzina nauki i techniki zajmująca się wydobywaniem użytecznej informacji z wielowymiarowych
Bardziej szczegółowoDOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM. Procedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Szacowanie niepewności oznaczania / pomiaru zawartości... metodą... Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
Bardziej szczegółowoProcedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Stron 7 Załączniki Nr 1 Nr Nr 3 Stron Symbol procedury PN//xyz Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoAnaliza wariancji. dr Janusz Górczyński
Analiza wariancji dr Janusz Górczyński Wprowadzenie Powiedzmy, że badamy pewną populację π, w której cecha Y ma rozkład N o średniej m i odchyleniu standardowym σ. Powiedzmy dalej, że istnieje pewien czynnik
Bardziej szczegółowoTeoria 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 szczegółowoCharakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej)
Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) 1 Podział ze względu na zakres danych użytych do wyznaczenia miary Miary opisujące
Bardziej szczegółowoOZNACZENIE JAKOŚCIOWE I ILOŚCIOWE w HPLC
OZNACZENIE JAKOŚCIOWE I ILOŚCIOWE w HPLC prof. Marian Kamiński Wydział Chemiczny, Politechnika Gdańska CEL Celem rozdzielania mieszaniny substancji na poszczególne składniki, bądź rozdzielenia tylko wybranych
Bardziej szczegółowoStatystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33
Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,
Bardziej szczegółowoElementy statystyki wielowymiarowej
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Elementy statystyki wielowymiarowej 1.1 Kowariancja i współczynnik korelacji 1.2 Macierz kowariancji 1.3 Dwumianowy rozkład normalny 1.4 Analiza składowych
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoJAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE
1 JAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE Precyzja Dr hab. inż. Piotr KONIECZKA Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska ul. G. Narutowicza 11/1 80-95 GDAŃSK e-mail: kaczor@chem.pg.gda.pl
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoANALIZA 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 szczegółowoChemometria w analityce chemicznej
Jan Mazerski Wydział Chemiczny Politechnika Gdańska Chemometria w analityce chemicznej Plan wystąpienia Założenia metod chemometrycznych Chemometria z lotu ptaka Przykłady zastosowania technik chemometrycznych
Bardziej szczegółowoOznaczanie żelaza i miedzi metodą miareczkowania spektrofotometrycznego
Oznaczanie żelaza i miedzi metodą miareczkowania spektrofotometrycznego Oznaczanie dwóch kationów obok siebie metodą miareczkowania spektrofotometrycznego (bez maskowania) jest możliwe, gdy spełnione są
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 3: Analiza struktury zbiorowości statystycznej. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.
Statystyka w pracy badawczej nauczyciela Wykład 3: Analiza struktury zbiorowości statystycznej dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Zadania analityczne (1) Analiza przewiduje badanie podobieństw
Bardziej szczegółowoAnalizator Infratec Sofia do odbioru zboża
Analizator Infratec Sofia do odbioru zboża Łatwy w obsłudze, dokładny i przystępny cenowo Infratec Sofia jest niedrogim analizatorem, który oferuje różnej wielkości punktom skupu zboża precyzyjne badanie
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoANALIZA WYNIKÓW NAUCZANIA W GIMNAZJUM NR 3 Z ZASTOSOWANIEM KALKULATORA EWD 100 ROK 2013
ANALIZA WYNIKÓW NAUCZANIA W GIMNAZJUM NR 3 Z ZASTOSOWANIEM KALKULATORA EWD 100 ROK 2013 OPRACOWAŁY: ANNA ANWAJLER MARZENA KACZOR DOROTA LIS 1 WSTĘP W analizie wykorzystywany będzie model szacowania EWD.
Bardziej szczegółowoZASTOSOWANIE SPEKTROSKOPII ODBICIOWEJ DO OZNACZANIA ZAWARTOŚCI WODY W SERACH. Agnieszka Bilska, Krystyna Krysztofiak, Piotr Komorowski
SCIENTIARUM POLONORUMACTA Technologia Alimentaria 1(1) 2002, 85-90 ZASTOSOWANIE SPEKTROSKOPII ODBICIOWEJ DO OZNACZANIA ZAWARTOŚCI WODY W SERACH Agnieszka Bilska, Krystyna Krysztofiak, Piotr Komorowski
Bardziej szczegółowoTom 6 Opis oprogramowania
Część 9 Narzędzie do wyliczania wskaźników statystycznych Diagnostyka Stanu Nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 31 maja 2012 Historia dokumentu Nazwa dokumentu Nazwa
Bardziej szczegółowoOdchudzamy 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 szczegółowoAutomatyczne sterowanie gotowaniem cukrzycy z zastosowaniem pomiaru masy kryształów metodą spektrometrii w bliskiej podczerwieni
Automatyczne sterowanie gotowaniem cukrzycy z zastosowaniem pomiaru masy kryształów metodą spektrometrii w bliskiej podczerwieni Krajowa Spółka Cukrowa S.A. POLIMEX-CEKOP-MODER Sp. z o.o. Dr inż. Maciej
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowo10 czerwca 2016r., Warszawa
10 czerwca 2016r., Warszawa Techniki chemometryczne stosowane w opracowywaniu metod ilościowych i jakościowych Walidacja metod jakościowych Walidacja modeli ilościowych Praca z urządzeniem i obsługującym
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
Bardziej szczegółowoStatystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41
Statystyka Wykład 4 Magdalena Alama-Bućko 13 marca 2017 Magdalena Alama-Bućko Statystyka 13 marca 2017 1 / 41 Na poprzednim wykładzie omówiliśmy następujace miary rozproszenia: Wariancja - to średnia arytmetyczna
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY
ANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY Instrukcja przeprowadzania analiz badań edukacyjnych i sporządzania raportów po badaniach. Cele prowadzenia analiz jakościowych i ilościowych
Bardziej szczegółowoLINIOWOŚĆ METODY OZNACZANIA ZAWARTOŚCI SUBSTANCJI NA PRZYKŁADZIE CHROMATOGRAFU
LINIOWOŚĆ METODY OZNACZANIA ZAWARTOŚCI SUBSTANCJI NA PRZYKŁADZIE CHROMATOGRAFU Tomasz Demski, StatSoft Polska Sp. z o.o. Wprowadzenie Jednym z elementów walidacji metod pomiarowych jest sprawdzenie liniowości
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoW 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 szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoPolitechnika Warszawska
Politechnika Warszawska Wydział Elektryczny Laboratorium Teletechniki Skrypt do ćwiczenia T.02. Woltomierz RMS oraz Analizator Widma 1. Woltomierz RMS oraz Analizator Widma Ćwiczenie to ma na celu poznanie
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoAnaliza edukacyjnej wartości dodanej dla Gimnazjum w Bolimowie w roku 2011
Analiza edukacyjnej wartości dodanej dla Gimnazjum w Bolimowie w roku 2011 W kwietniu 2011 roku na egzaminie gimnazjalnym arkusz standardowy rozwiązywało 42 uczniów. Z tej grupy uczniów udało się zestawić
Bardziej szczegółowoMeatScan Szybka analiza mięsa dla zwiększenia efektywności produkcji. Dedicated Analytical Solutions
MeatScan Szybka analiza mięsa dla zwiększenia efektywności produkcji Dedicated Analytical Solutions Kontrola surowca Rozdrabnianie wstępne Mieszalnik Rozbiór i odkostnianie Produkcja przetworów mięsnych
Bardziej szczegółowoMIARY 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 szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoJAK EFEKTYWNIE I POPRAWNIE WYKONAĆ ANALIZĘ I RAPORT Z BADAŃ BIEGŁOŚCI I WALIDACJI PRAKTYCZNE WSKAZÓWKI
JAK EFEKTYWNIE I POPRAWNIE WYKONAĆ ANALIZĘ I RAPORT Z BADAŃ BIEGŁOŚCI I WALIDACJI PRAKTYCZNE WSKAZÓWKI Michał Iwaniec, StatSoft Polska Sp. z o.o. Wprowadzenie W wielu zagadnieniach laboratoryjnych statystyczna
Bardziej szczegółowoStatystyka. Wykład 3. Magdalena Alama-Bućko. 6 marca Magdalena Alama-Bućko Statystyka 6 marca / 28
Statystyka Wykład 3 Magdalena Alama-Bućko 6 marca 2017 Magdalena Alama-Bućko Statystyka 6 marca 2017 1 / 28 Szeregi rozdzielcze przedziałowe - kwartyle - przypomnienie Po ustaleniu przedziału, w którym
Bardziej szczegółowoIR II. 12. Oznaczanie chloroformu w tetrachloroetylenie metodą spektrofotometrii w podczerwieni
IR II 12. Oznaczanie chloroformu w tetrachloroetylenie metodą spektrofotometrii w podczerwieni Promieniowanie podczerwone ma naturę elektromagnetyczną i jego absorpcja przez materię podlega tym samym prawom,
Bardziej szczegółowoMiary 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 szczegółowoZakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji
Bardziej szczegółowoMilkoScan TM Mars Pierwszy MilkoScan dla każdego laboratorium
MilkoScan TM Mars Pierwszy MilkoScan dla każdego laboratorium MilkoScan Mars to nowy analizator mleka, który pozwala uniknąć stosowania czasochłonnych i pracochłonnych tradycyjnych metod analitycznych
Bardziej szczegółowoOutlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej.
Temat: WYKRYWANIE ODCHYLEO W DANYCH Outlier to dana (punkt, obiekt, wartośd w zbiorze) znacznie odstająca od reszty. prezentacji punktów odstających jest rysunek poniżej. Przykładem Box Plot wygodną metodą
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA, LISTA 3
STATYSTYKA MATEMATYCZNA, LISTA 3 1. Aby zweryfikować hipotezę o symetryczności monety; H: p = 0.5 przeciwko K: p 0.5 wykonano nią n = 100 rzutów. Wyznaczyć obszar krytyczny i zweryfikować hipotezę H gdy
Bardziej szczegółowoMetody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin. Henryk Bujak
Metody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin Henryk Bujak e-mail: h.bujak@ihar.edu.pl Ocena różnorodności fenotypowej Różnorodność fenotypowa kolekcji roślinnych zasobów
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoPodstawowe 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 szczegółowoPrzewaga klasycznego spektrometru Ramana czyli siatkowego, dyspersyjnego nad przystawką ramanowską FT-Raman
Porównanie Przewaga klasycznego spektrometru Ramana czyli siatkowego, dyspersyjnego nad przystawką ramanowską FT-Raman Spektroskopia FT-Raman Spektroskopia FT-Raman jest dostępna od 1987 roku. Systemy
Bardziej szczegółowoCz. 5. Podstawy instrumentalizacji chromatografii. aparatura chromatograficzna w skali analitycznej i modelowej - -- w części przypomnienie -
Chromatografia cieczowa jako technika analityki, przygotowania próbek, wsadów do rozdzielania, technika otrzymywania grup i czystych substancji Cz. 5. Podstawy instrumentalizacji chromatografii aparatura
Bardziej szczegółowoAnaliza Współzależności
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Współzależności Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoI.1.1. Technik technologii żywności 321[09]
I.1.1. Technik technologii żywności 321[09] Do egzaminu zostało zgłoszonych: 2 713 Przystąpiło łącznie: 2 566 przystąpiło: 2 501 ETAP PISEMNY zdało: 2 269 (90,7%) DYPLOM POTWIERDZAJĄCY KWALIFIKACJE ZAWODOWE
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoPubliczne Gimnazjum im. Jana Pawła II w Wilczej Woli ANALIZA EGZAMINU GIMNAZJALNEGO 2013 Z UWZGLĘDNIENIEM EWD
Publiczne Gimnazjum im. Jana Pawła II w Wilczej Woli ANALIZA EGZAMINU GIMNAZJALNEGO 2013 Z UWZGLĘDNIENIEM EWD EDUKACYJNA WARTOŚĆ DODANA JAKO JEDNA Z MIAR JAKOŚCI NAUCZANIA Zasoby na wejściu Szkoła Jakość
Bardziej szczegółowoAnaliza i monitoring środowiska
Analiza i monitoring środowiska CHC 017003L (opracował W. Zierkiewicz) Ćwiczenie 1: Analiza statystyczna wyników pomiarów. 1. WSTĘP Otrzymany w wyniku przeprowadzonej analizy ilościowej wynik pomiaru zawartości
Bardziej szczegółowoTypy 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 szczegółowoAnaliza spektralna widma gwiezdnego
Analiza spektralna widma gwiezdnego JG &WJ 13 kwietnia 2007 Wprowadzenie Wprowadzenie- światło- podstawowe źródło informacji Wprowadzenie- światło- podstawowe źródło informacji Wprowadzenie- światło- podstawowe
Bardziej szczegółowoWyniki operacji kalibracji są często wyrażane w postaci współczynnika kalibracji (calibration factor) lub też krzywej kalibracji.
Substancja odniesienia (Reference material - RM) Materiał lub substancja której jedna lub więcej charakterystycznych wartości są wystarczająco homogeniczne i ustalone żeby można je było wykorzystać do
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Współczynnik zmienności Klasycznym współczynnikiem (wskaźnikiem) zmienności zmiennej losowej X nazywamy wyrażenie gdzie E(X) 0. v k z (X) = D(X) E(X), Klasyczny
Bardziej szczegółowoInterpretacja wyników analiz ilości i obecności drobnoustrojów zgodnie z zasadami badań mikrobiologicznych żywności i pasz?
Wydział Biotechnologii i Nauk o Żywności Seminarium STC 2018 Interpretacja wyników analiz ilości i obecności drobnoustrojów zgodnie z zasadami badań mikrobiologicznych żywności i pasz? Dr inż. Agnieszka
Bardziej szczegółowoPromieniowanie podczerwone (ang. infrared IR) obejmuje zakres promieniowania elektromagnetycznego pomiędzy promieniowaniem widzialnym a mikrofalowym.
Próby identyfikacji białego cukru buraczanego i trzcinowego dr inż. Maciej Wojtczak Promieniowanie podczerwone Promieniowanie podczerwone (ang. infrared IR) obejmuje zakres promieniowania elektromagnetycznego
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoPL B1. AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE, Kraków, PL BUP 14/12
PL 218561 B1 RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 218561 (13) B1 (21) Numer zgłoszenia: 393413 (51) Int.Cl. G01N 27/02 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22) Data zgłoszenia:
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoĆwiczenie: "Mierniki cyfrowe"
Ćwiczenie: "Mierniki cyfrowe" Opracowane w ramach projektu: "Informatyka mój sposób na poznanie i opisanie świata realizowanego przez Warszawską Wyższą Szkołę Informatyki. Zakres ćwiczenia: Próbkowanie
Bardziej szczegółowoSzkoła Letnia STC Łódź mgr inż. Paulina Mikoś
1 mgr inż. Paulina Mikoś Pomiar powinien dostarczyć miarodajnych informacji na temat badanego materiału, zarówno ilościowych jak i jakościowych. 2 Dzięki temu otrzymane wyniki mogą być wykorzystane do
Bardziej szczegółowoLISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów
LISTA 4 1.Na pewnym obszarze dokonano 40 pomiarów grubości warstwy piasku otrzymując w m.: 54, 58, 64, 69, 61, 56, 41, 48, 56, 61, 70, 55, 46, 57, 70, 55, 47, 62, 55, 60, 54,57,65,60,53,54, 49,58,62,59,55,50,58,
Bardziej szczegółowoSTATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)
STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY) Praca z danymi zaczyna się od badania rozkładu liczebności (częstości) zmiennych. Rozkład liczebności (częstości) zmiennej to jakie wartości zmienna
Bardziej szczegółowoJastrzębie-Zdrój, grudzień 2018 r.
Końcowa analiza i wnioski z badań jakości powietrza przeprowadzonych w ramach Monitoringu wspomagającego ocenę jakości powietrza w mieście Jastrzębie-Zdrój Jastrzębie-Zdrój, grudzień 218 r. Końcowa analiza,
Bardziej szczegółowoKurs Chemometrii Poznań 28 listopad 2006
Komisja Nauk Chemicznych Polskiej Akademii Nauk Oddział w Poznaniu Wydział Technologii Chemicznej Politechniki Poznańskiej w Poznaniu GlaxoSmithKline Pharmaceuticals S.A. w Poznaniu Stowarzyszenie ISPE
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoOKRĘGOWA KOMISJA EGZAMINACYJNA W ŁODZI INFORMACJE O WYNIKACH UCZNIÓW ROZWIĄZUJĄCYCH ARKUSZE DOSTOSOWANE
OKRĘGOWA KOMISJA EGZAMINACYJNA W ŁODZI INFORMACJE O WYNIKACH UCZNIÓW ROZWIĄZUJĄCYCH ARKUSZE DOSTOSOWANE SPRAWDZIAN W ROKU 2012 SPIS TREŚCI 1. DANE STATYSTYCZNE UCZNIÓW ROZWIĄZUJĄCYCH DOSTOSOWANE ARKUSZE
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z liniowym zadaniem najmniejszych
Bardziej szczegółowoROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.
ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach
Bardziej szczegółowoAnalizator surowców paszowych i pasz NIRS DA1650
Analizator surowców paszowych i pasz NIRS DA1650 Gotowa do użycia analiza w bliskiej podczerwieni dla nowoczesnych mieszalni pasz SYSTEM DOSTOSOWANY DO WYMOGÓW PRZYSZŁOŚCI NIRS DA1650 to system analityczny
Bardziej szczegółowoZachowania odbiorców. Grupa taryfowa G
Zachowania odbiorców. Grupa taryfowa G Autor: Jarosław Tomczykowski Biuro PTPiREE ( Energia elektryczna luty 2013) Jednym z założeń wprowadzania smart meteringu jest optymalizacja zużycia energii elektrycznej,
Bardziej szczegółowoDziedziczenie poligenowe
Dziedziczenie poligenowe Dziedziczenie cech ilościowych Dziedziczenie wieloczynnikowe Na wartość cechy wpływa Komponenta genetyczna - wspólne oddziaływanie wielu (najczęściej jest to liczba nieznana) genów,
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoMiary zmienności STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 6 marca 2018
STATYSTYKA OPISOWA Dr Alina Gleska Instytut Matematyki WE PP 6 marca 2018 1 MIARY ZMIENNOŚCI (inaczej: rozproszenia, rozrzutu, zróżnicowania, dyspersji) informuja o zróżnicowaniu jednostek zbiorowości
Bardziej szczegółowoĆwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy
Ćwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy Grupa: wtorek 18:3 Tomasz Niedziela I. CZĘŚĆ ĆWICZENIA 1. Cel i przebieg ćwiczenia. Celem ćwiczenia
Bardziej szczegółowoKOMUNIKATzBADAŃ. Oczekiwania dochodowe Polaków NR 158/2015 ISSN
KOMUNIKATzBADAŃ NR 158/2015 ISSN 2353-5822 Oczekiwania dochodowe Polaków Przedruk i rozpowszechnianie tej publikacji w całości dozwolone wyłącznie za zgodą CBOS. Wykorzystanie fragmentów oraz danych empirycznych
Bardziej szczegółowoAnalizy wariancji ANOVA (analysis of variance)
ANOVA Analizy wariancji ANOVA (analysis of variance) jest to metoda równoczesnego badania istotności różnic między wieloma średnimi z prób pochodzących z wielu populacji (grup). Model jednoczynnikowy analiza
Bardziej szczegółowoWykład 4: Statystyki opisowe (część 1)
Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można
Bardziej szczegółowoTom 6 Opis oprogramowania
Część 4 Narzędzie do wyliczania wielkości oraz wartości parametrów stanu Diagnostyka stanu nawierzchni - DSN Generalna Dyrekcja Dróg Krajowych i Autostrad Warszawa, 30 maja 2012 Historia dokumentu Nazwa
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoSpektroskopia molekularna. Ćwiczenie nr 1. Widma absorpcyjne błękitu tymolowego
Spektroskopia molekularna Ćwiczenie nr 1 Widma absorpcyjne błękitu tymolowego Doświadczenie to ma na celu zaznajomienie uczestników ćwiczeń ze sposobem wykonywania pomiarów metodą spektrofotometryczną
Bardziej szczegółowo