Planowanie i analiza doświadczeń typu 2 (k p) w 2 r blokach. Stanisław Jaworski,Wojciech Zieliński
|
|
- Martyna Smolińska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Planowanie i analiza doświadczeń typu 2 (k p) w 2 r blokach Stanisław Jaworski,Wojciech Zieliński Streszczenie. W pracy przedstawiono metodę planowania i analizy eksperymentów typu 2 k p w 2 r blokach. Metoda planowania polega na odpowiednim zadaniu zbioru efektów nieestymowalnych, na podstawie którego tworzony jest plan eksperymentu. Analiza wykorzystuje wykres probabilistyczny typu chi-kwadrat. Planowanie i analizę zilustrowano na przykładzie doświadczenia z burakiem cukrowym. 1. Wstęp Jednymi z częściej stosowanymi w praktyce doświadczeniami są eksperymenty, w których czynniki mogą występować tylko na dwóch poziomach: niskim lub wysokim. Jeżeli mamy k czynników, to takie doświadczenie oznaczane jest symbolem 2 k. Jak nietrudno zauważyć, by móc oszacować wszystkie efekty występujące w takim modelu (efekty główne, współdziałania oraz wariancję błędu doświadczalnego) należałoby mieć co najmniej 2 k + 1 obserwacji. Niestety, bardzo często nie jest możliwe zebranie takiej ilości danych. Ponadto podana wyżej liczba obserwacji jest minimalną liczbą przy założeniu, Że obiekty doświadczalne są wyrównane. Jeżeli jednak tak nie jest i pojawia się konieczność grupowania obiektów w blokach, to minimalna liczba obserwacji drastycznie wzrasta. Zrodziło to potrzebę stworzenia metod planowania i analizy doświadczeń omawianego typu w przypadku, gdy możemy zebrać mniej obserwacji niż trzeba. Teoria planowania doświadczeń czynnikowych jest bardzo dobrze rozwinięta. Podstawowym założeniem, jakie leży u podstaw konstrukcji planów doświadczeń jest jednakowa precyzja estymacji efektów pojawiających się w modelu tego doświadczenia. Dokładniej, estymatory efektów tego samego rzędu (efektów głównych, współdzialań] pierwszego rzędu, drugiego rzędu, itd.) powinny mieć taką samą wariancję oraz estymatory te powinny być nieskorelowane. Okazuje się, że w przypadku, gdy mamy do dyspozycji mniej jednostek doświadczalnych niż estymowanych efektów, to musimy zrezygnować z estymacji niektórych z tych efektów. W literaturze (Federer 1955, Montgomery 1976) podane są różne sposoby konstrukcji planów, ale z reguły efekty nieestymowalne są konsekwencją wyboru planu doświadczenia. Celem niniejszej pracy jest konstrukcja oraz analiza doświadczeń przy zadanych zbiorach efektów nieestymowalnych, a także komputeryzacja tak postawionego problemu (dostępne pakiety statystyczne dają zazwyczaj jakieś plany). 2. Plan doświadczenia Rozważamy doświadczenie z k czynnikami A 1,..., A k. Chcemy przeprowadzić to doświadczenie na 2 k p jednostkach rozłożonych w 2 r blokach. Chcemy skonstruować taki plan, by efekty poszczególnych rzędów były oszacowane z taką samą precyzją. Rozważmy przypadek, gdy r = 0, tzn. jednostki doświadczalne rozłożone są w jednym bloku. Przy redukcji eksperymentu typu 2 k do 2 k p (p 0) jednostek doświadczalnych możemy estymować, z dokładnością do znaku, jedynie 2 k p 1 liniowych kombinacji efektów z wagami ±1 składających się z 2 p składników. Przykład. Chcemy przeprowadzić doświadczenie typu 2 2, to znaczy mamy dwa czynniki A oraz B. Każdy z tych czynników stosujemy na jednym z dwóch poziomów: niskim (a, b) lub wysokim (A, B). Minimalna liczba obserwacji wynosi cztery: Nr. obiektu: Zabieg: ab ab Ab AB Obserwacja: y 1 y 2 y 3 y 4 Wprowadzając średnią ogólną µ, standardowe restrykcje a+a = 0, b+b = 0 oraz odpowiednie restrykcje dla współdziałań ab, ab, Ab, AB nasze doświadczenie możemy zapisać w języku modeli liniowych w następujący sposób: y y = y y µ A B AB + ε 1 ε 2 ε 3 ε 4.
2 Ponieważ macierz planowania eksperymentu ma rząd cztery, więc w tym doświadczeniu estymowalne są wszystkie parametry poza wariancją błędu. Jak łatwo sprawdzić, estymatory najmniejszych kwadratów w tym modelu mają jednakowe wariancje oraz są nieskorelowane. Przypuśćmy, że dysponujemy mniejszą niż cztery liczbą jednostek. By zachować warunek nieskorelowania estymatorów musimy wybrać dwie jednostki doświadczalne. Zauważmy, że mamy sześć takich możliwości. Ograniczenie się jednak do dwóch jednostek powoduje, że estymowalne są tylko pewne kombinacje liniowe parametrów (wnika to z twierdzenia o estymowalności funkcji liniowych parametrów modeli liniowych). W poniższej tabelce podane są wszystkie możliwe doświadczenia i estymowalne kombinacje liniowe. Doświadczenie Obiekty Estymowalne kombinacje l 1, 2 µ A B AB 2 1, 3 µ B A AB 3 1, 4 µ + AB A + B 4 2, 3 µ AB A B 5 2, 4 µ + B A + AB 6 3, 4 µ + A B + AB W zależności od naszych potrzeb wybieramy tylko jedno z tych doświadczeń. Takie doświadczenie nazywamy doświadczeniem W teorii doświadczeń czynnikowych zazwyczaj stosuje się jedno oznaczenie na czynnik i parametr związany z tym czynnikiem. Będziemy więc mówić o czynnikach A 1,..., A k i efektach A 1,..., A k, A 1 A 2, A 1 A 3,... mając na myśli odpowiednie parametry. Rozważmy teraz przypadek, gdy jednostki doświadczalne pogrupowane są w r > 0 bloków. W modelu pojawia się więc jeszcze jeden parametr Γ, zwany efektem blokowym. Jeżeli dysponujemy tylko co najwyżej 2 k jednostkami, to w sposób oczywisty pojawi nam się uwikłanie niektórych efektów z blokami. Podobnie jak w powyższym przykładzie estymowalność efektów uzależniona jest od wyboru efektu uwikłanego z blokami. W sytuacji, gdy mamy do dyspozycji 2 k p jednostek, to uwikłane z blokami będą niektóre z estymowalnych kombinacji liniowych. Wyboru estymowalnych kombinacji liniowych dokonujemy poprzez ustalenie p; efektów nieestymowalnych z powodu redukcji eksperymentu do mniejszej liczby jednostek oraz r efektów uwikłanych z blokami. Przykład. Planujemy doświadczenie typu 2 3 z czynnikami A, B, C. Pełne doświadczenie przebiega w następujący sposób Nr. obiektu: Zabieg: abc abc abc abc Abc AbC ABc ABC Obserwacja: y 1 y 2 y 3 y 4 y 5 y 6 y 7 y 8 Przypuśćmy teraz, że mamy cztery jednostki doświadczalne (p = 1) zebrane w dwóch blokach (r = 1). Oto niektóre z możliwości zaplanowania doświadczenia Plan Obiekty Estymowalne kombinacje blok1 blok2 liniowe parametrów 1 1, 2 3, 4 I A AB B Γ C AC BC ABC 2 1, 2 3, 5 AC + BC C ABC I A B + AB Γ I AB C + ABC + Γ B A + AC BC 3 1, 2 3, 6 AC + BC C ABC I A B + AB Γ I AB + AC + BC + Γ A B + C ABC 4 1, 6 4, 7 A BC C AB 5 2, 5 3, 8 A + BC C + AB 6 1, 5 7, 8 AC + BC C + ABC Parametr Γ oznacza efekt blokowy, zaś parametr I oznacza średnią ogólną. O doświadczeniu pierwszym powiemy, że efekt A oraz kombinacja liniowa AB B nie są estymowalne odpowiednio z powodu redukcji eksperymentu i blokowania. Efekt A jest uwikłany ze średnią ogólną, a kombinacja liniowa AB B jest 2
3 uwikłana z efektem blokowym. Kombinacji liniowych efektów ze średnią ogólną oraz z efektem blokowym nie uwzględniamy w zbiorze kombinacji estymowalnych. O efektach występujących w tego typu kombinacjach mówimy, że generują redukcje oraz podział na bloki. Poniżej podane są przykładowe plany wraz z odpowiednimi efektami generującymi. Plan Obiekty Estymowalne kombinacje Efekty generujące blok1 blok2 liniowe parametrów redukcję bloki 1 1, 2 3, 4 C AC BC ABC A B 4 1, 6 4, 7 A BC C AB ABC B 5 2, 5 3, 8 A + BC C + AB ABC B 6 1, 5 7, 8 AC + BC C + ABC AB B Wyboru odpowiedniego planu doświadczenia dokonujemy na podstawie dwóch efektów podanych w ostatnich kolumnach powyższej tabeli. Efekty generujące wyznaczają z dokładnością do wag estymowalne kombinacje liniowe efektów. Podamy teraz opis planowania doświadczenia 2 k p w 2 r blokach. Bardziej szczegółowy opis znajduje się w pracy Jaworskiego i Zielińskiego (1994). Planowanie rozpoczynamy od wyboru efektów generujących redukcje eksperymentu oraz od wyboru efektów generujących podział na bloki. Każda jednostka doświadczalna oraz każdy efekt może być reprezentowany przez wektor z przestrzeni {0, 1} k. Na przykład efekt A 1 A 4 jest reprezentowany przez wektor (1, 0, 0, 1, 0,..., 0). Niech L = ({0, 1} k,, ) będzie przestrzenią liniową nad ciałem liczb Z 2. Dodawanie zdefiniowane jest jako dodawanie po współrzędnych modulo 2. Dla danego wektora a {0, 1} t, 0 < t < k, oraz wektorów w i {0, 1} k, i = 1,..., t, zdefiniujmy następujący zbiór Z t a,w 1,...,w t = { v {0, 1} k : ( a, w 1,..., a, w t ) = a }, gdzie, oznacza naturalny iloczyn skalarny w przestrzeni L. Dla ustalonych t oraz wektorów w 1,..., w t zbiory Za,w t 1,...,w t tworzą podział zbioru {0, 1} k. Odpowiednio do potrzeb merytorycznych eksperymentu wybieramy p + r liniowo niezależnych wektorów z przestrzeni L oraz, jeżeli p > 0, jeden wektor z przestrzeni {0, 1} p. Niech f 1, f 2,..., f p, b 1, b 2,..., b r {0, 1} k oraz a 0 {0, 1} p będą wybranymi przez nas wektorami. Wektory te determinują wybór 2 k p jednostek doświadczalnych i rozlokowanie ich do 2 r równolicznych bloków. Konkretnie, plan eksperymentu 2 k na 2 k p jednostkach doświadczalnych rozłożonych w 2 r blokach ma postać: { Za,b r 1,...,b r Z p a 0,f 1,...,f p : a {0, 1} r}. Konsekwencją takiego wyboru jest estymowalność tylko pewnych kombinacji liniowych. Określmy następujące odwzorowanie: {0, 1} k v KL(v) = k E(v h) g( α h, a ) g h H gdzie a 0 {0, 1} p, h = (h 1,..., h k ) H = Lin{f 1,..., f p }, g : Z 2 m g(m) = 1 2m { 1, 1}. Wektor α h = (α h1,..., α hp ) jest takim wektorem, że h = p i=1 (α hi f i ). Z niezależności wektorów f i, i = 1,..., p wynika jednoznaczność wektora α h. Niech G = Lin{b 1,..., b r } będzie przestrzenią liniową rozpiętą na wektorach b 1,..., b r. Jedynymi estymowalnymi kombinacjami liniowymi efektów są kombinacje liniowe ze zbioru: KL = { KL(v) : v {0, 1} k \ {G H} }. Przestrzenie liniowe H oraz G (z wyłączeniem wektorów zerowych) reprezentują efekty, które nie wchodzą w skład estymowalnych kombinacji liniowych efektów odpowiednio z powodu redukcji doświadczenia ( oraz k ) blokowania. Funkcja g odpowiada za wagi ±1, które zapisane są w postaci iloczynu g( α h, a ) g j=1 h j. Zależą więc od wektora a 0. 3 j=1 h j,
4 Przykład. Planujemy doświadczenie w jednym (r = 0) bloku z czynnikami A, B, C, D. Jako efekty generujące redukcję eksperymentu wybieramy AB oraz CD, tzn, wybieramy następujące wektory f 1 oraz f 2 : f 1 = (1, 1, 0, 0) oraz f 2 = (0, 0, 1, 1). Wówczas zbiorem efektów, które nie wchodzą w skład estymowalnych kombinacji liniowych efektów jest Lin{f 1, f 2 } \ {(0, 0, 0, 0)} = {AB, CD, ABCD}. W zależności od wyboru wektora a 0 mamy cztery możliwe plany doświadczenia: Plan Obiekt W ektor P rzykladowa estymowalna a 0 kombinacja liniowa I abcd abcd ABcd ABCD (0, 0) A + B + ACD + BCD II abcd ABcD abcd ABCd (0, 1) A + B ACD BCD III AbCD abcd abcd Abcd (1, 0) A B + ACD BCD IV AbcD abcd abcd AbCd (1, 1) A B ACD + BCD 3. Analiza statystyczna Ze względu na małą liczbę obserwacji oszacowanie wariancji błędu losowego będzie zawierało w sobie oszacowania niektórych, wybranych przez nas, efektów. Powinny to być oszacowania efektów nieistotnych. W przeciwnym razie estymator wariancji błędu losowego będzie obciążony wartością średnią niezerowego efektu. Ponieważ określenie a priori, które efekty są nieistotne z reguły nie jest możliwe, to określenie nieistotnych efektów dokonywane jest a posteriori. Można to zrobić wykorzystując wykres probabilistyczny. Na osi pionowej wykresu zaznaczane są sumy kwadratów S (j) (S (1) S (l) ) wybranych efektów. Na osi poziomej j q l 2a+1, zaznaczane są kwantyle centralnego rozkładu chi-kwadrat z jednym stopniem swobody rzędu a j = j = 1,..., l (0 < a < 0.5). Sposób wyznaczania kwantyli podany jest w pracy Wagnera (1990). Dla efektów nieistotnych sumy kwadratów mają centralny rozkład chi-kwadrat z jednym stopniem swobody i punkty na wykresie powinny być mniej więcej współliniowe. Punkty odbiegające od linii prostej świadczą o tym, iż odpowiednie sumy kwadratów mają niecentralny rozkład chi-kwadrat, a to oznacza, iż odpowiednich efektów nie można uznać za nieistotne. Do oszacowania wariancji błędu losowego włączamy współliniowe sumy kwadratów. W celu podania jawnego wzoru na sumy kwadratów kombinacji liniowych określamy następujące odwzorowanie: {0, 1} w C D (w) = Y (v)g( 1 v, w ), v D gdzie D {0, 1} k, Y (v) obserwacja na jednostce eksperymentalnej v, 1 - wektor składający się z jedynek. Wówczas suma kwadratów dla kombinacji liniowej efektów KL(v) ma następującą postać: SS KL(v) = [ ] 2 C Z p (v) a 0,f 1,...,fp 2 k p. Jeżeli Y (v) N(m v, σ 2 ) oraz kombinacja liniowa KL(v) jest nieistotna, to suma kwadratów SS KL(v) ma rozkład chi-kwadrat z jednym stopniem swobody. Sumy kwadratów kombinacji liniowych efektów SS KL(v) spełniają następujący warunek: dla v 1, v 2 L takich,że v 1 v 2 H zachodzi SS KL(v1) = SS KL(v2). Koncentrujemy naszą uwagę na takich wektorach v 1,..., v m, gdzie m jest pewną liczbą, że vi v j SS KL(vi ) SS KL(vj ). Bez względu na wybór wektorów f 1,..., f p, przy p > 0, zawsze m = 2 k p 1. Ponieważ istotność pewnych kombinacji liniowych będziemy chcieli zbadać przy pomocy testu, a nie wykresu probabilistycznego, ich sumy 4
5 kwadratów nie będą brane pod uwagę przy konstrukcji wykresu probabilistycznego. Powiedzmy, że będą to kombinacje ze zbioru: {KL(v i ) : i = l + 1,..., m; l < m}. Zatem do wykresu zostaną wzięte sumy kwadratów z następującego zbioru: { SSKL(vi) : i = 1,..., l }. 4. Przykład liczbowy Badaczy interesował wpływ na plon korzenia buraka (cecha Y ) siedmiu następujących czynników: dokarmianie dolistne (A), dawka (B), termin siewu (C), termin stosowania nawożenia azotowego (D), termin zbioru (E), podział dawki nawożenia azotowego (F ) oraz obsada (G). Eksperyment 2 7 należało zaplanować w 2 3 blokach w jednym powtórzeniu. Jako efekty uwikłane z blokami wybrano ABC, DEF, AF G, tzn. wybrano wektory b 1 = (1, 1, 1, 0, 0, 0, 0), b 2 = (0, 0, 0, 1, 1, 1, 0) oraz b 3 = (1, 0, 0, 0, 0, 1, 1, 0). Efekty uwikłane z blokami tworzą zbiór Lin{b 1, b 2, b 3 } \ 0 = {ABC, DEF, AF G, ADEG, BCF G, BCDEG, ABCDEF }. Wektory b i, i = l, 2, 3 zostały tak dobrane, aby uwikłane z blokami efekty były interakcjami możliwie wysokiego rzędu. Wektory b i, i = 1, 2, 3, determinują następujący plan doświadczenia (obecność litery wskazuje na wysoki poziom czynnika): Obiekt Blok I II III IV V V I V II V III l de cd acf abcdf g beg g bcdg ag 2 acdeg abcdef abdef bdf cdef df bcf bdf g 3 (1) bdef g abeg cdeg cdg abef g abc abcdf 4 abdeg ce abf abcde abce ab acdef g b 5 df g bf g bcf g a abcdef g ef bceg adeg 6 abdf cf g aceg cef bf bcdf ace cef g 7 acg be e abcef g bdef bcef abdef g cdf g 8 acef af acdef adf g af g abde f abcg 9 abg abcdg def g abc adef g bcdeg abf g c 10 bcef g adg bcdef g cg ad acdf g dg abcdeg 11 ef g adef bcd aef g ceg bcg bcdef adf 12 acdf cdef g d ade bdg acef g acd abcef 13 bcdf g abcf abdg bef ae deg def bef g 14 abef bd f g bdeg cf ac eg aef 15 bcde abceg bce cdf abcd acde acf g bde 16 bc aeg acdg bg abcf g abdf g abd cde Na podstawie uzyskanych wyników wyznaczono sumy kwadratów dla efektów. Skonstruowano następujący wykres probabilistyczny, do którego użyto sum kwadratów dla interakcji rzędu większego niż trzy: Punkty na prawo od narysowanej pionowej prostej odpowiadają efektom, których oszacowania nie powinny składać się na oszacowanie wariancji błędu losowego. Są to efekty: ABCE ABCG ABDG ADEF G ACF G ABEG ABCDEF G ADF G AC DEF ABCEF G ABC D ACDF G ABDEF G Po odrzuceniu sum kwadratów dla tych efektów ponownie skonstruowano wykres probabilistyczny. Po kilkukrotnym zastosowaniu tej procedury na oszacowanie błędu losowego złożyły się oszacowania następujących efektów: DCDG ABDE BCEG CDEF G ABDEF DEF G BDEF G BCEF ACEG BEF G ACDEF G ABEF G BDEF BCDF G ACDF ACEF BCDF BCDEF G ABDF G ABF G BCDEF CDEG CDEF ABDF ABCDEG BCEF G ACDG ABCDG BDEG BDF G AEF G ACEF G ABCDE CEF G ABCF G ABCF BCDE CDF G ABDEG ACDE ADEF 5
6 Otrzymano następujące wyniki dla efektów głównych: oznacza istotność efektu na poziomie istotności 0.05 Źródło zmienności St.sw. Średni kwadrat F A B C D E F G Bd Literatura cytowana FEDERER W.T., (1955) Experimental Design, The Macmillan Company, New York. JAWORSKI S., ZIELIŃSKI W., (1994) Planowanie eksperymentu 2 (k p) w 2 r blokach, Algorytmy Biometryczne i Statystyczne, w druku. MONTGOMERY D.C., (1976) Design and Analysis of Experiments, John Wiley & Sons, New York. WAGNER W., (1990) Zastosowanie wykresów probabilistycznych w jednozmiennej analizie wariancji, Listy Biometryczne, 27,
Planowanie eksperymentu 2 (k p) w 2 r blokach. Stanisław Jaworski, Wojciech Zieliński
Planowanie eksperymentu 2 (k p) w 2 r blokach Stanisław Jaworski, Wojciech Zieliński 1. Wstęp W praktyce często możemy spotkać się z sytuacją, kiedy nie jest możliwe wykonanie pełnego eksperymentu czynnikowego
Bardziej szczegółowo10. Kolorowanie wierzchołków grafu
p. 10. Kolorowanie wierzchołków grafu 10.1 Definicje i twierdzenia Przez k-kolorowanie wierzchołków grafu G rozumiemy przyporzadkowanie każdemu wierzchołkowi grafu G jednego z k kolorów 1, 2,...,k. p.
Bardziej szczegółowoZastosowanie analizy statystycznej i wymiarowej do prognozy odprężenia iłów
Zastosowanie analizy statystycznej i wymiarowej do prognozy odprężenia iłów Dr inż. Marzena Lendo-Siwicka 1, dr inż. Bartosz Szeląg 2, dr inż. Piotr Siwicki 1 1 SGGW w Warszawie, Wydział Budownictwa i
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW
ESTYMACJA PRZEDZIAŁOWA WYBRANYCH PARAMETRÓW POPULACJI Szkic wykładu Wprowadzenie 1 Wprowadzenie 2 3 4 Przypomnienie dotychczasowych rozważań Przedziałem ufności nazywamy przedział losowy, o którym przypuszczamy
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 szczegółowoWykład 5 Teoria eksperymentu
Wykład 5 Teoria eksperymentu Wrocław, 22.03.2017r Co to jest teoria eksperymentu? eksperyment - badanie jakiegoś zjawiska polegające na celowym wywołaniu tego zjawiska lub jego zmian oraz obserwacji i
Bardziej szczegółowoElementy statystyki STA - Wykład 5
STA - Wykład 5 Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza 1 ANOVA 2 Model jednoczynnikowej analizy wariancji Na model jednoczynnikowej analizy wariancji możemy traktować jako uogólnienie
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 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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoObozowa liga zadaniowa (seria I wskazówki)
Obozowa liga zadaniowa (seria I wskazówki) 1. Rozstrzygnij, która liczba jest większa: 9 czy 3 1? 9 < 30 8 10 < 9 10 3 0 < 3 1.. Rozstrzygnij, która liczba jest większa: 81 czy 3 49? 81 > 80 56 10 > 43
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoCiała i wielomiany 1. przez 1, i nazywamy jedynką, zaś element odwrotny do a 0 względem działania oznaczamy przez a 1, i nazywamy odwrotnością a);
Ciała i wielomiany 1 Ciała i wielomiany 1 Definicja ciała Niech F będzie zbiorem, i niech + ( dodawanie ) oraz ( mnożenie ) będą działaniami na zbiorze F. Definicja. Zbiór F wraz z działaniami + i nazywamy
Bardziej szczegółowoBukiety matematyczne dla szkoły podstawowej http://www.mat.uni.torun.pl/~kolka/
Bukiety matematyczne dla szkoły podstawowej http://www.mat.uni.torun.pl/~kolka/ 12 IX rok 2003/2004 Bukiet 1 O pewnych liczbach A, B i C wiadomo, że: A + B = 32, B + C = 40, C + A = 26. 1. Ile wynosi A
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoTesty post-hoc. Wrocław, 6 czerwca 2016
Testy post-hoc Wrocław, 6 czerwca 2016 Testy post-hoc 1 metoda LSD 2 metoda Duncana 3 metoda Dunneta 4 metoda kontrastów 5 matoda Newman-Keuls 6 metoda Tukeya Metoda LSD Metoda Least Significant Difference
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW
Było: Testowanie hipotez (ogólnie): stawiamy hipotezę, wybieramy funkcję testową f (test statystyczny), przyjmujemy poziom istotności α; tym samym wyznaczamy obszar krytyczny testu (wartość krytyczną funkcji
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoLXI Olimpiada Matematyczna
1 Zadanie 1. LXI Olimpiada Matematyczna Rozwiązania zadań konkursowych zawodów stopnia trzeciego 21 kwietnia 2010 r. (pierwszy dzień zawodów) Dana jest liczba całkowita n > 1 i zbiór S {0,1,2,...,n 1}
Bardziej szczegółowoMacierze. Rozdział Działania na macierzach
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i, j) (i 1,..., n; j 1,..., m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F R lub F C, nazywamy macierzą (rzeczywistą, gdy
Bardziej szczegółowoZadania egzaminacyjne
Rozdział 13 Zadania egzaminacyjne Egzamin z algebry liniowej AiR termin I 03022011 Zadanie 1 Wyznacz sumę rozwiązań równania: (8z + 1 i 2 2 7 iz 4 = 0 Zadanie 2 Niech u 0 = (1, 2, 1 Rozważmy odwzorowanie
Bardziej szczegółowoWykład 6 Teoria eksperymentu
Wykład 6 Teoria eksperymentu Wrocław, 11.04.2018r Kwadrat łaciński Uszeregowanie N = p 2 elementów, które podlegają klasyfikacji podwójnej ze względu na p - bloków I rodzaju (wierszy) i p bloków II rodzaju
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 szczegółowoZależności funkcyjne
Zależności funkcyjne Plan wykładu Pojęcie zależności funkcyjnej Dopełnienie zbioru zależności funkcyjnych Postać minimalna zbioru zależności funkcyjnych Domknięcie atrybutu relacji względem zależności
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoKolorowanie płaszczyzny, prostych i okręgów
Kolorowanie płaszczyzny, prostych i okręgów Jadwiga Czyżewska Pisane pod kierunkiem W.Guzickiego W 2013 roku na II etapie VIII edycji Olimpiady Matematycznej Gimnazjalistów pojawiło się zadanie o następującej
Bardziej szczegółowoRozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i,j) (i = 1,,n;j = 1,,m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F = R lub F = C, nazywamy macierzą (rzeczywistą, gdy F
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoSzkice rozwiązań z R:
Szkice rozwiązań z R: Zadanie 1. Założono doświadczenie farmakologiczne. Obserwowano przyrost wagi ciała (przyrost [gram]) przy zadanych dawkach trzech preparatów (dawka.a, dawka.b, dawka.c). Obiektami
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWektor, prosta, płaszczyzna; liniowa niezależność, rząd macierzy
Wektor, prosta, płaszczyzna; liniowa niezależność, rząd macierzy Justyna Winnicka Na podstawie podręcznika Matematyka. e-book M. Dędys, S. Dorosiewicza, M. Ekes, J. Kłopotowskiego. rok akademicki 217/218
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 28 listopada 2018 Plan zaj eć 1 Rozk lad estymatora b 2 3 dla parametrów 4 Hipotezy l aczne - test F 5 Dodatkowe za lożenie
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoPrzestrzenie wektorowe
Rozdział 4 Przestrzenie wektorowe Rozważania dotyczące przestrzeni wektorowych rozpoczniemy od kilku prostych przykładów. Przykład 4.1. W przestrzeni R 3 = {(x, y, z) : x, y, z R} wprowadzamy dwa działania:
Bardziej szczegółowo0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Bardziej szczegółowoXIV Olimpiada Matematyczna Juniorów
XIV Olimpiada Matematyczna Juniorów Zawody stopnia pierwszego część testowa (27 września 2018 r.) Rozwiązania zadań testowych 1. W sklepie U Bronka cena spodni była równa cenie sukienki. Cenę spodni najpierw
Bardziej szczegółowo= a + 1. b + 1. b całkowita?
9 ALGEBRA Liczby wymierne Bukiet 1 1. Oblicz wartość wyrażenia 1+ 1 1+ 1 1+ 1 1. 2. Znajdź liczby naturalne a, b, c i d, dla których 151 115 = a + 1 b + 1. c + 1 d 3. W podobny sposób spróbuj przekształcić
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoW. Guzicki Próbna matura, grudzień 2014 r. poziom rozszerzony 1
W. Guzicki Próbna matura, grudzień 01 r. poziom rozszerzony 1 Próbna matura rozszerzona (jesień 01 r.) Zadanie 18 kilka innych rozwiązań Wojciech Guzicki Zadanie 18. Okno na poddaszu ma mieć kształt trapezu
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoTreści zadań Obozu Naukowego OMG
STOWARZYSZENIE NA RZECZ EDUKACJI MATEMATYCZNEJ KOMITET GŁÓWNY OLIMPIADY MATEMATYCZNEJ GIMNAZJALISTÓW Treści zadań Obozu Naukowego OMG Poziom OMG 2016 rok SZCZYRK 2016 Pierwsze zawody indywidualne Treści
Bardziej szczegółowoR n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} },
nazywa- Definicja 1. Przestrzenią liniową R n my zbiór wektorów R n = {(x 1, x 2,..., x n ): x i R, i {1,2,...,n} }, z określonymi działaniami dodawania wektorów i mnożenia wektorów przez liczby rzeczywiste.
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoElementy cyfrowe i układy logiczne
Elementy cyfrowe i układy logiczne Wykład Legenda Optymalizacja wielopoziomowa Inne typy bramek logicznych System funkcjonalnie pełny Optymalizacja układów wielopoziomowych Układy wielopoziomowe układy
Bardziej szczegółowoJarosław Wróblewski Matematyka Elementarna, zima 2014/15
Kolokwium nr 3: 27.01.2015 (wtorek), godz. 8:15-10:00 (materiał zad. 1-309) Kolokwium nr 4: 3.02.2015 (wtorek), godz. 8:15-10:00 (materiał zad. 1-309) Ćwiczenia 13,15,20,22.01.2015 (wtorki, czwartki) 266.
Bardziej szczegółowo2. Wykaż, że dla dowolnej wartości zmiennej x wartość liczbowa wyrażenia (x 6)(x + 8) 2(x 25) jest dodatnia.
1. Wykaż, że liczba 2 2 jest odwrotnością liczby 1 2. 2. Wykaż, że dla dowolnej wartości zmiennej x wartość liczbowa wyrażenia (x 6)(x + 8) 2(x 25) jest dodatnia. 3. Wykaż, że dla każdej liczby całkowitej
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowo1. Liczby zespolone. Jacek Jędrzejewski 2011/2012
1. Liczby zespolone Jacek Jędrzejewski 2011/2012 Spis treści 1 Liczby zespolone 2 1.1 Definicja liczby zespolonej.................... 2 1.2 Postać kanoniczna liczby zespolonej............... 1. Postać
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoTestowanie hipotez statystycznych
round Testowanie hipotez statystycznych Wyk lad 9 Natalia Nehrebecka Stanis law Cichocki 13 grudnia 2014 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
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 szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowomacierze jednostkowe (identyczności) macierze diagonalne, które na przekątnej mają same
1 Macierz definicja i zapis Macierzą wymiaru m na n nazywamy tabelę a 11 a 1n A = a m1 a mn złożoną z liczb (rzeczywistych lub zespolonych) o m wierszach i n kolumnach (zamiennie będziemy też czasem mówili,
Bardziej szczegółowoFunkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne.
Funkcje wymierne. Funkcja homograficzna. Równania i nierówności wymierne. Funkcja homograficzna. Definicja. Funkcja homograficzna jest to funkcja określona wzorem f() = a + b c + d, () gdzie współczynniki
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoKRYTERIA OCENIANIA ODPOWIEDZI Próbna Matura z OPERONEM. Matematyka Poziom rozszerzony
KRYTERIA OCENIANIA ODPOWIEDZI Próbna Matura z OPERONEM Matematyka Poziom rozszerzony Listopad 0 Zadania zamknięte Za każdą poprawną odpowiedź zdający otrzymuje punkt. Poprawna odpowiedź Wskazówki do rozwiązania.
Bardziej szczegółowoTestowanie hipotez statystycznych
Testowanie hipotez statystycznych Wyk lad 8 Natalia Nehrebecka Stanis law Cichocki 29 listopada 2015 Plan zajeć 1 Rozk lad estymatora b Rozk lad sumy kwadratów reszt 2 Hipotezy proste - test t Badanie
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoSpis treści. Zadania... 7 Algebra... 9 Geometria Teoria liczb, nierówności, kombinatoryka Wskazówki Rozwiazania...
Spis treści Zadania... 7 Algebra... 9 Geometria... 18 Teoria liczb, nierówności, kombinatoryka... 29 Wskazówki... 39 Rozwiazania... 55 Literatura... 135 Dokument pochodzi ze strony www.gwo.pl 9 ALGEBRA
Bardziej szczegółowoWykład 7 Teoria eksperymentu
Wykład 7 Teoria eksperymentu Wrocław, 19.04.2017r Układ niekompletnych bloków losowych Zrównoważone niekompletne bloki: Gdy wszystkie porównania wyników są jednakowo ważne należy tak wybrać kombinacje
Bardziej szczegółowoGramatyki, wyprowadzenia, hierarchia Chomsky ego. Gramatyka
Gramatyki, wyprowadzenia, hierarchia Chomsky ego Teoria automatów i języków formalnych Dr inŝ. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G =
Bardziej szczegółowo0.1 Pierścienie wielomianów
0.1 Pierścienie wielomianów Zadanie 1. Znaleźć w pierścieniu Z 5 [X] drugi wielomian określający tę samą funkcję, co wielomian X 2 X + 1. (Odp. np. X 5 + X 2 2X + 1). Zadanie 2. Znaleźć sumę i iloczyn
Bardziej szczegółowoVII Olimpiada Matematyczna Gimnazjalistów
VII Olimpiada Matematyczna Gimnazjalistów Zawody stopnia pierwszego część testowa, test próbny www.omg.edu.pl (wrzesień 2011 r.) Rozwiązania zadań testowych 1. Liczba krawędzi pewnego ostrosłupa jest o
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 5
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Jednoczynnikowa analiza wariancji i porównania wielokrotne (układ losowanych bloków randomized block design RBD) Układ losowanych bloków Stosujemy, gdy podejrzewamy,
Bardziej szczegółowoFunkcja kwadratowa. f(x) = ax 2 + bx + c,
Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax 2 + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax 2, a R \
Bardziej szczegółowoINŻYNIERIA BEZPIECZEŃSTWA LABORATORIUM NR 2 ALGORYTM XOR ŁAMANIE ALGORYTMU XOR
INŻYNIERIA BEZPIECZEŃSTWA LABORATORIUM NR 2 ALGORYTM XOR ŁAMANIE ALGORYTMU XOR 1. Algorytm XOR Operacja XOR to inaczej alternatywa wykluczająca, oznaczona symbolem ^ w języku C i symbolem w matematyce.
Bardziej szczegółowoBadanie zgodności dwóch rozkładów - test serii, test mediany, test Wilcoxona, test Kruskala-Wallisa
Badanie zgodności dwóch rozkładów - test serii, test mediany, test Wilcoxona, test Kruskala-Wallisa Test serii (test Walda-Wolfowitza) Założenie. Rozpatrywane rozkłady są ciągłe. Mamy dwa uporządkowane
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoOLIMPIADA MATEMATYCZNA
OLIMPIADA MATEMATYCZNA Na stronie internetowej wwwomgedupl Olimpiady Matematycznej Gimnazjalistów (OMG) ukazały się ciekawe broszury zawierające interesujące zadania wraz z pomysłowymi rozwiązaniami z
Bardziej szczegółowoOrganizer : ART DANCE Sierpc KS FALCON. Chairman : Tomasz Kadylak. ul.dworcowa 11
RESULTS OTTT O uchar Burmistrza Rypina Rypin.0.07 Organizer : ART DANCE Sierpc KS FALCON Chairman : Tomasz Kadylak ul.dworcowa Scrutineer : Dorota Gołębiowska Krzysztof Dąbkowski E-Mail: mastersoft@sbb.rs
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 szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoPrzestrzenie liniowe
Rozdział 4 Przestrzenie liniowe 4.1. Działania zewnętrzne Niech X oraz F będą dwoma zbiorami niepustymi. Dowolną funkcję D : F X X nazywamy działaniem zewnętrznym w zbiorze X nad zbiorem F. Przykład 4.1.
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoLVIII Olimpiada Matematyczna
LVIII Olimpiada Matematyczna Rozwiązania zadań konkursowych zawodów stopnia drugiego 23 lutego 2007 r. (pierwszy dzień zawodów) Zadanie. Wielomian P (x) ma współczynniki całkowite. Udowodnić, że jeżeli
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 3 Testowanie hipotez statystycznych o wartości średniej. średniej i wariancji z populacji o rozkładzie normalnym
Wykład 3 Testowanie hipotez statystycznych o wartości średniej i wariancji z populacji o rozkładzie normalnym Wrocław, 08.03.2017r Model 1 Testowanie hipotez dla średniej w rozkładzie normalnym ze znaną
Bardziej szczegółowoEkonometria. Weryfikacja modelu. Paweł Cibis 12 maja 2007
Weryfikacja modelu Paweł Cibis pawel@cibis.pl 12 maja 2007 1 Badanie normalności rozkładu elementu losowego Test Hellwiga dla małej próby Test Kołmogorowa dla dużej próby 2 Testy Pakiet Analiza Danych
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoSzukanie rozwiązań funkcji uwikłanych (równań nieliniowych)
Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych) Funkcja uwikłana (równanie nieliniowe) jest to funkcja, która nie jest przedstawiona jawnym przepisem, wzorem wyrażającym zależność wartości
Bardziej szczegółowoRozwiązania, seria 5.
Rozwiązania, seria 5. 26 listopada 2012 Zadanie 1. Zbadaj, dla jakich wartości parametru r R wektor (r, r, 1) lin{(2, r, r), (1, 2, 2)} R 3? Rozwiązanie. Załóżmy, że (r, r, 1) lin{(2, r, r), (1, 2, 2)}.
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoTreść wykładu. Pierścienie wielomianów. Dzielenie wielomianów i algorytm Euklidesa Pierścienie ilorazowe wielomianów
Treść wykładu Pierścienie wielomianów. Definicja Niech P będzie pierścieniem. Wielomianem jednej zmiennej o współczynnikach z P nazywamy każdy ciąg f = (f 0, f 1, f 2,...), gdzie wyrazy ciągu f są prawie
Bardziej szczegółowo1. Liczby naturalne, podzielność, silnie, reszty z dzielenia
1. Liczby naturalne, podzielność, silnie, reszty z dzielenia kwadratów i sześcianów przez małe liczby, cechy podzielności przez 2, 4, 8, 5, 25, 125, 3, 9. 26 września 2009 r. Uwaga: Przyjmujemy, że 0 nie
Bardziej szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowoEGZAMIN MATURALNY W ROKU SZKOLNYM 2014/2015
EGZAMIN MATURALNY W ROKU SZKOLNYM 0/0 FORMUŁA OD 0 ( NOWA MATURA ) MATEMATYKA POZIOM PODSTAWOWY ZASADY OCENIANIA ROZWIĄZAŃ ZADAŃ ARKUSZ MMA-P CZERWIEC 0 Egzamin maturalny z matematyki nowa formuła Klucz
Bardziej szczegółowoWokół Problemu Steinhausa z teorii liczb
Wokół Problemu Steinhausa z teorii liczb Konferencja MathPAD 0 Piotr Jędrzejewicz Wydział Matematyki i Informatyki Uniwersytetu Mikołaja Kopernika w Toruniu Celem referatu jest przedstawienie sposobu wykorzystania
Bardziej szczegółowo1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe
Zjazd 7. SGGW, dn. 28.11.10 r. Matematyka i statystyka matematyczna Tematy 1. Jednoczynnikowa analiza wariancji 2. Porównania szczegółowe nna Rajfura 1 Zagadnienia Przykład porównania wielu obiektów w
Bardziej szczegółowo