AUTOKORELACJA SKŁADNIKÓW LOSOWYCH I JEJ WPŁYW NA ESTYMACJĘ MODELI PROCESÓW SZLIFOWANIA
|
|
- Mateusz Kaczmarczyk
- 8 lat temu
- Przeglądów:
Transkrypt
1 Wojciech Kacalak 1 szlifowanie, modele, autokorelacja składników losowych AUTOKORELACJA SKŁADNIKÓW LOSOWYCH I JEJ WPŁYW NA ESTYMACJĘ MODELI PROCESÓW SZLIFOWANIA W modelach procesów szlifowania występuje autokorelacji niektórych składników losowych. Zmniejsza to efektywność estymacji parametrów modelu. W referacie omówiono losowy charakter procesów i relacje między poszczególnymi składowymi różnych modeli. Wskazano metody zmniejszania niedokładności w modelowaniu procesów szlifowania. 1. Cechy mikroskrawania w procesach obróbki ściernej Procesy rozwoju teorii i rozwoju technologii szlifowania wzajemnie się przenikają. Nowe teorie, najlepiej jeśli są alternatywne, skłaniają do ich weryfikacji, początkowo laboratoryjnej, a następnie produkcyjnej. Nowe zastosowania tworzą z kolei pole do nowych, doskonalszych opisów zjawisk zachodzących w procesach technologicznych. W obróbce bardzo dokładnej wiele zjawisk i czynników, mało znaczących w innych metodach, nabiera znaczenia decydującego o wynikach procesu. Do takich zjawisk należy zaliczyć: nieciągłość procesu tworzenia mikrowiórów (w mikro- i submikroskali), cieplne i mechaniczne lokalne odkształcenia narzędzi i materiału obrabianego, zmienność zagłębienia ostrzy w materiał, a także losowość samego procesu mikroskrawania [1,2,3]. Przed ziarnem ściernym, między dolną częścią powierzchni natarcia a powierzchnią ścinania materiału obrabianego tworzy się strefa zastoju materiału, która nie może być stabilną w warunkach bardzo wysokich temperatur oraz nieciągłości naprzemiennych procesów narastania lokalnych odkształceń i oddzielania materiału. Nieciągłość procesu tworzenia wióra nie jest, powodowanym zakłóceniami, odstępstwem od stanu stabilnego, lecz jest stanem stabilizowanych fluktuacji, stanowiących typową cechę procesu. To wszystko powoduje, że modelowanie procesów szlifowania jest bardzo trudnym zadaniem, ale jednocześnie coraz ważniejszym dla rozwoju wiedzy i zastosowań. 2. Problemy modelowania procesów szlifowania Wszystkie fizyczne i umowne wielkości charakteryzujące proces szlifowania można podzielić na obserwowalne bezpośrednio lub pośrednio i wyznaczalne eksperymentalnie, oraz na takie, których eksperymentalne wyznaczenie w typowych warunkach procesu nie jest możliwe lub ich obserwacja byłaby wyjątkowo trudna, a wynik nie byłby wiarygodny. Do pierwszej grupy z reguły należą uśrednione wielkości globalne jak np.: moc i siła szlifowania, parametry geometryczne obrobionej powierzchni, zużycie kształtowe ściernicy. Wielkości te są oczywiście w pewnym, często znacznym, stopniu zmienne losowo, niemniej ich wartości lokalne lub chwilowe mogą być wyznaczane doświadczalnie i jest to proste zadanie inżynierskie. Do drugiej grupy można zaliczyć większość wielkości charakteryzujących chwilowe warunki mikroskrawania określonymi ostrzami znajdującymi się w strefie szlifowania, takie jak np.: chwilowy przekrój warstwy skrawanej danym ostrzem, sumaryczna praca wykonana przez określone ostrze od ustalonej chwili. Nawet jeżeli w określonej fazie eksperymentu nie interesuje nas chwilowa wartość określonej cechy, to często nie możemy zrezygnować z wyznaczenia informacji o rozkładzie wartości tej cechy, a więc np.: parametrów położenia i rozproszenia wartości chwilowych lub wartości ekstremalnych - a to już nie jest prostym zadaniem inżynierskim.
2 1 Politechnika Koszalińska Postęp w doskonaleniu opisów elementarnych zjawisk charakteryzujących procesy mikroskrawania następuje poprzez [2]: udoskonalanie wielu metod badawczych, polegające na opracowaniu nowych sposobów wyznaczania wartości i parametrów statystycznych wielkości dotąd nie wyznaczanych eksperymentalnie, zmniejszaniu niepewności pomiarowej poprzez obniżanie progu czułości, zmniejszanie niepewności systematycznej i losowej, zwiększanie stabilności czasowej i zapewnianie większej niezależności wyników od obserwatora, coraz lepsze wykorzystanie możliwości wynikających z matematycznego planowania eksperymentów i zmniejszania wpływu ograniczonej liczby danych na niepewność w wykorzystywaniu wyników eksperymentu, automatyzację zbierania, przetwarzania danych oraz przedstawiania wyników pomiarów, coraz powszechniejsze stosowanie modeli matematycznych procesów, uwzględniających probabilistyczny charakter zjawisk, a także dostosowanych do operowania informacjami niepełnymi, niepewnymi i nieścisłymi. Pierwszym problemem wymagającym rozstrzygnięcia przed przystąpieniem do modelowania i matematycznej symulacji procesu, jest wybór kompromisu między "ogólnością" opisów analitycznych, skłonnością do "przejrzystości" i łatwością interpretacji modelu z jednej strony, a zasadnością uwzględnienia wielu skomplikowanych i wzajemnie powiązanych oddziaływań z drugiej strony. Zwiększenie szczegółowości modelu powoduje zazwyczaj konieczność rezygnacji z prostych zależności deterministycznych. Jest to postępowanie w pełni uzasadnione, gdyż oznacza ulepszenie założeń do modelu. Modelowanie jest cennym narzędziem. Umożliwia rozszerzenie skali czasu, poznanie stanów pośrednich, wyodrębnienie czynników, których wpływ jest ukryty w złożonym mechanizmie kumulacji oddziaływań. Szczególną zaletą modelowania i symulacji jest możliwość oszacowania miar rozproszenia wartości cech niemierzalnych. Tak więc można np. wyznaczyć w dowolnym momencie rozkład pól warstw skrawanych przez poszczególne ziarna ścierne, podczas gdy eksperymentalnie można wyznaczyć tylko wartości średnie. Należy przy tym zwrócić szczególną uwag na powszechne nadal, w przytaczaniu wyników badań, nadużywanie pojęcia wartości średniej i błędne przyjmowanie jej za najbardziej prawdopodobną. Do ważnych zadań w najbliższym okresie - dla uzyskania postępu w modelowaniu procesów - należy zaliczyć lepsze wykorzystanie nowych metod matematycznych, takich jak: metody wnioskowania rozmytego oraz metody wykorzystujące sztuczne sieci neuronowe [1,3], a także metody wynikające z teorii badań operacyjnych, teorii procesów obsługi masowej, teorii katastrof, a ponadto procedury sekwencyjnego testowania hipotez statystycznych. 3. Wpływ cech badacza na modelowanie Modelowanie procesów jest w pewnym stopniu obciążone cechami ich obserwatora i zależy od poziomu jego wiedzy w zakresie przedmiotu modelowania oraz metod modelowania [3]. Analiza postępowania człowieka w sytuacjach, gdy odbiera on informacje z otoczenia, prowadzi do wniosków z których wynikają sposoby podwyższania obiektywizmu w ocenie zdarzeń. Obserwator ma zwykle skłonność do zawyżania prawdopodobieństwa iloczynu zdarzeń niezależnych A oraz B (sytuacji, gdy zajdzie zarówno zdarzenie A jak i zdarzenie B) oraz skłonność do zaniżania prawdopodobieństwa sumy zdarzeń A i B (sytuacji, gdy zajdzie przynajmniej jedno z tych zdarzeń). W sytuacji możliwego wystąpienia jednego ze zdarzeń niezależnych A i B, gdy zdarzenie A występowało z częstością większą od oczekiwanej, obserwator ulega skłonności do zawyżania prawdopodobieństwa oczekiwanego zdarzenia B. Obserwator jest obciążony konserwatyzmem (opóźnieniem w dokonywaniu przeszacowań prawdopodobieństwa zdarzeń wraz z napływaniem nowych informacji). Obciążenie to pomniejsza się, gdy ilość danych jest mała oraz w przypadkach zaskakujących wartości pierwszych danych. W procesie odkrywania nowych zależności występują jednak błędy, wynikające często z pomijania wpływu wielkości próbki, skłonności do przypisywania większych prawdopodobieństw informacjom łatwiej zapamiętywanym i skłonności do przedwczesnego odrzucania możliwych współzależności. Inną cechą
3 obserwatora jest często zbyt mała wnikliwość w ocenie, czy możliwa jest współzależność cech, których wartości są w danym procesie skorelowane. Bardzo często pomija się autokorelację składników losowych, co prowadzi do nieświadomego obniżenia efektywności estymacji parametrów modelu. 4. Modele procesów a kumulowanie zakłóceń Optymalizacja parametrów szlifowania może być przeprowadzona eksperymentalnie lub z wykorzystaniem modelu. Pierwszy sposób jest stosowany w przypadkach, gdy zamierza się, dla ustalonych warunków, raz tylko wyznaczyć optymalne parametry procesu. Znaczenie poznawcze tego sposobu jest niewielkie. W rozwiązywaniu zadań optymalizacji operacji szlifowania z wykorzystaniem modelu, ze względu na duży stopień losowości procesu, ważnym zagadnieniem jest poszukiwanie modelu najbardziej zgodnego z mechanizmem zmienności analizowanych wielkości wejściowych i wyjściowych. Dla zapewnienia adekwatności wyznaczanych modeli do realizacji, które mają dopiero nastąpić, istotne znaczenie ma poznanie mechanizmów kumulacji zakłóceń losowych, których skutkiem jest rozproszenie wartości badanej cechy. Typowymi mechanizmami kumulacji zakłóceń są: mechanizm addytywny, mechanizm multiplikatywny (zalecany do opisu takich wielkości jak siła i moc szlifowania, trwałość ściernicy, rozkład wymiarów ziaren po rozdrabnianiu), mechanizm addytywny-geometryczny (właściwy do opisu rozproszenia odchyłek wymiarów i kształtu). Często rozkład wynikowy jest inną funkcją np.: zależy tylko od wartości ekstremalnych lub jest złożoną funkcją zmiennych losowych. 5. Autokorelacja składników losowych Rozpatrując model pewnej wielkości wyjściowej, charakteryzującej proces szlifowania, załóżmy że nieznana zależność ma postać y* = f(x i, w j, z? ), gdzie x i to wielkości mierzalne i sterowalne, w j to wielkości mierzalne lecz niesterowalne, zaś z? to zakłócenia, których liczby nie znamy. Wyznaczmy model y = ax + u wj, w którym X jest macierzą wartości parametrów, a jest wektorem nieznanych parametrów modelu natomiast u jest wektorem składników losowych. Często zdarza się, iż składniki losowe nie są od siebie stochastycznie niezależne, co nazywa się autokorelacją składników losowych. Można wykazać, że w takim przypadku nie można wyznaczyć najlepszych nieobciążonych estymatorów parametrów modelu a, czyli nie jest możliwe otrzymanie estymatorów o minimalnej wariancji. W sytuacjach występującej autokorelacji składników losowych modelu, można przyjąć, w najprostszym przypadku, że zależność między nimi może być następująca: u k = biu k-i + ε k, gdzie b są nieznanymi parametrami, a ε k jest procesem czysto losowym, zaś i=1...n. W wielu wypadkach można w uproszczeniu przyjąć, że n=1, przy czym b i <1. Moż- i=1 na wykazać, że autokorelacja składników losowych, gdy stosuje się metodę najmniejszych kwadratów do wyznaczenia parametrów modelu a, ma wpływ na wariancję estymatorów tych parametrów. Wariancja jest wówczas wyższa niż w przypadku, gdy nie występuje autokorelacja. W modelowaniu procesów szlifowania jest to cechą typową. Trzeba zatem uwzględniać, iż efektywność estymacji parametrów modelu metodą najmniejszych kwadratów ulega obniżeniu w tym większym stopniu im silniejsza jest autokorelacja - im większe są wartości b i. 6. Estymacja parametrów modelu w warunkach autokorelacji składników losowych Jedną z metod estymacji parametrów modelu w warunkach autokorelacji składników losowych jest uogólniona metoda najmniejszych kwadratów, która polega na transformacji wektorów wartości X i u w nowe wektory TX i Tu, takie aby nowe równanie Ty = atx + Tu zawierało wektor składników losowych Tu nie wykazujący autokorelacji. Wtedy do szacowania parametrów a modelu można stosować klasyczną metodę najmniejszych kwadratów. Zastosowanie takiej transformacji wymaga jednak znajomości współczynników autokorelacji. Możliwe jest ich oszacowanie, lecz wystarczająco dokładne otrzymuje się tylko w przypadku licznych zbiorów danych (n>30). W sytuacjach, gdy n<30 szacowanie współczynników autokorelacji prowadzi do dużych błędów, co czyni całą metodę mało przydatną. Wtedy najlepiej zastosować metodę Cochrana i Orcutta, według której dwukrotnie stosuje się metodę najmniejszych kwadratów - najpierw aby oszacować parametry modelu i wyznaczyć współczynniki autokorelacji, a później by określić oceny parametrów
4 modelu. Trzeba jednak pamiętać, że estymacja parametrów modelu jest obciążona błędami szacowania współczynników autokorelacji i gdy próby są małe, to obciążenie może być znaczące. 7. Predykcja cech procesu w warunkach autokorelacji składników losowych oraz uwagi dotyczące optymalizacji wartości wynikowych procesu Wyznaczając prognozowane wartości cech procesu szlifowania y T = f(x T ) + u T, gdzie u T jest składnikiem losowym w prognozowanym okresie i rozwiązując równania oznaczające minimalizację wariancji predykcji, otrzymuje się prognozę dla okresu T=t+1 w postaci zależności y t+1 = f(x t+1 ) + b 1 e t, w której drugi składnik jest poprawką wynikającą z autokorelacji. W składniku tym b 1 oznacza parametr w zależności między składnikami losowymi zaś e t jest resztą z modelu. Optymalizacja procesu - minimalizacja lub maksymalizacja wartości określonej cechy procesu - z wykorzystaniem modelu wymaga uwzględnienia powyższych uwag, co pozwala uwzględnić charakter i siłę zależności między zmiennymi losowymi. Schemat proponowanego toku oszacowań przestawia rys.1. PARAMERTY PIERWOTNE OGRANICZAJĄCE WTÓRNE OGRANICZAJĄCE SZLIFOWANIA PROCES OBRÓBKI PLAN EKSPERYMENTU ZAKŁÓCENIA FUNKCJA KRYTERIALNA MODEL Wpływ autokorelacji składników losowych KRYTERIUM OPTYMALIZACJI MECHANIZM KUMULACJI ZAKŁÓCEŃ MECHANIZM KUMULACJI SKUTKÓW ZAKÓŁCEN ROZKŁAD WARTOŚCI I GRANICE WARUNK. OGRANICZAJĄCYCH ROZKŁAD WARTOŚCI I GRANICE UFNOŚCI DLA FUNKCJI KRYTERIALNEJ OBSZAR PARAMETRÓW DOPUSZCZALNYCH OBSZAR STANÓW UZNAWANYCH ZA OPTYMALNE ZAKRES DOPUSZCZALNYCH ZMIAN WARUNKÓW DOPUSZCZALNE ODCHYLENIA PARAMETRÓW Rys.1. Schemat procedury optymalizacji ANALIZA LOKALNEJ WRAŻLIWOŚCI ROZWIĄZANIA NA ZAKŁÓCENIA WYMAGANA DOKŁADNOŚĆ OPTYMALIZACJI Literatura: [1] Kacalak W, Wawryn K.: A fuzzy compensation of disturbances in automated manufacturing. Intelligent Engineering Systems Through Artificial Neural Networks. Vol.5. Fuzzy Logic And Evolutionary Programming. ASME Press, 1995, s [2] Kacalak W., Lewkowicz R., Bałasz B., Zawadka W.: Optimierung der Schleifprozesse schwer zerspanbarer Werkstoffe bei niedrigen Temperaturen und im Vakuum. VDI Berichte 1276, Bearbeitung neuer Werkstoffe - 2ND International Conference on Machining of Advanced Materials. VDI Verlag, Düsseldorf, 1996, s [3] Kacalak W.: Metody i zastosowania sztucznej inteligencji do diagnostyki, optymalizacji i sterowania w procesach szlifowania. XIX Naukowa Szkoła Obróbki Ściernej, Łódź 1996, s Auto-correlation of Random Components and Their Effect on Estimation of Models of Grinding Processes Auto-correlation of some random components occur in models of grinding processes. It reduces efficiency of estimation of model parameters. Random characteristics of processes and relations among particular compo-
5 nents of various models are discussed in the paper. There are shown methods decreasing inaccuracy in modeling of grinding processes.
MODELOWANIE OBCIĄŻEŃ ZIAREN AKTYWNYCH I SIŁ W PROCESIE SZLIFOWANIA
Modelowanie obciążeń ziaren ściernych prof. dr hab. inż. Wojciech Kacalak, mgr inż. Filip Szafraniec Politechnika Koszalińska MODELOWANIE OBCIĄŻEŃ ZIAREN AKTYWNYCH I SIŁ W PROCESIE SZLIFOWANIA XXXVI NAUKOWA
Bardziej szczegółowoWybrane problemy modelowania i symulacji procesów wygładzania powierzchni
Błażej Bałasz, Wojciech Kacalak, Tomasz Królikowski, Tomasz Szatkiewicz Państwowa Wyższa Szkoła Zawodowa w Gorzowie Wielkopolskim, Instytut Techniczny; Politechnika Koszalińska, Katedra Mechaniki Precyzyjnej
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoMETODYKA I ALGORYTMY MODELOWANIA I SYMULACJI ORAZ BADAŃ I ANALIZY PROCESÓW OBRÓBKI ŚCIERNEJ
METODYKA I ALGORYTMY MODELOWANIA I SYMULACJI ORAZ BADAŃ I ANALIZY PROCESÓW OBRÓBKI ŚCIERNEJ Wojciech KACALAK 1, Filip SZAFRANIEC 1 1. WPROWADZENIE Do niedawna empiryzm był, a nawet i obecnie często jest
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 szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoWYNIKI REALIZOWANYCH PROJEKTÓW BADAWCZYCH
PROPONOWANA TEMATYKA WSPÓŁPRACY prof. dr hab. inż. WOJCIECH KACALAK WYNIKI REALIZOWANYCH PROJEKTÓW BADAWCZYCH 00:00:00 --:-- --.--.---- 1 111 PROPOZYCJE PROPOZYCJE DO WSPÓŁPRACY Z PRZEMYSŁEM W ZAKRESIE
Bardziej szczegółowoEtapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
Bardziej szczegółowoALGORYTM ROZMYTEJ KOMPENSACJI NIEREGULARNYCH ZAKŁÓCEŃ W UKŁADACH PRECYZYJNEGO SZLIFOWANIA 1. ZAKŁÓCENIA W UKŁADACH I PROCESACH TECHNOLOGICZNYCH
A procesy precyzyjnego szlifowania, algorytm zakłóceń, wnioskowanie rozmyte Wojciech Kacalak* ALGORYTM ROZMYTEJ KOMPENSACJI NIEREGULARNYCH ZAKŁÓCEŃ W UKŁADACH PRECYZYJNEGO SZLIFOWANIA Procesy technologiczne
Bardziej szczegółowoSterowanie procesem i jego zdolność. Zbigniew Wiśniewski
Sterowanie procesem i jego zdolność Zbigniew Wiśniewski Wybór cech do kart kontrolnych Zaleca się aby w pierwszej kolejności były brane pod uwagę cechy dotyczące funkcjonowania wyrobu lub świadczenia usługi
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoMetrologia: organizacja eksperymentu pomiarowego
Metrologia: organizacja eksperymentu pomiarowego (na podstawie: Żółtowski B. Podstawy diagnostyki maszyn, 1996) dr inż. Paweł Zalewski Akademia Morska w Szczecinie Teoria eksperymentu: Teoria eksperymentu
Bardziej szczegółowoPODSTAWY SKRAWANIA MATERIAŁÓW KONSTRUKCYJNYCH
WIT GRZESIK PODSTAWY SKRAWANIA MATERIAŁÓW KONSTRUKCYJNYCH Wydanie 3, zmienione i uaktualnione Wydawnictwo Naukowe PWN SA Warszawa 2018 Od Autora Wykaz ważniejszych oznaczeń i skrótów SPIS TREŚCI 1. OGÓLNA
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoNazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:
Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne
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 szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoStatystyczne sterowanie procesem
Statystyczne sterowanie procesem SPC (ang. Statistical Process Control) Trzy filary SPC: 1. sporządzenie dokładnego diagramu procesu produkcji; 2. pobieranie losowych próbek (w regularnych odstępach czasu
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowoSpis treści Przedmowa
Spis treści Przedmowa 1. Wprowadzenie do problematyki konstruowania - Marek Dietrich (p. 1.1, 1.2), Włodzimierz Ozimowski (p. 1.3 -i-1.7), Jacek Stupnicki (p. l.8) 1.1. Proces konstruowania 1.2. Kryteria
Bardziej szczegółowoDorobek naukowy. Książki
e-mail:blazej.balasz@tu.koszalin.pl Dorobek naukowy Książki [współautor: T. Królikowski, W. Susłow, A. Wandycz], Arkusze kalkulacyjne. Koszalin 2008. [współautor: T. Królikowski, W. Susłow, A. Wandycz],
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
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 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 szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
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 szczegółowoRegresja i Korelacja
Regresja i Korelacja Regresja i Korelacja W przyrodzie często obserwujemy związek między kilkoma cechami, np.: drzewa grubsze są z reguły wyższe, drewno iglaste o węższych słojach ma większą gęstość, impregnowane
Bardziej szczegółowoSpis treści. Przedmowa 11
Podstawy konstrukcji maszyn. T. 1 / autorzy: Marek Dietrich, Stanisław Kocańda, Bohdan Korytkowski, Włodzimierz Ozimowski, Jacek Stupnicki, Tadeusz Szopa ; pod redakcją Marka Dietricha. wyd. 3, 2 dodr.
Bardziej szczegółowoKatedra Inżynierii Systemów Technicznych i Informatycznych prof. nadzw. dr hab. inż. Błażej Bałasz Wykaz publikacji
Katedra Inżynierii Systemów Technicznych i Informatycznych prof. nadzw. dr hab. inż. Błażej Bałasz Wykaz publikacji 1996-2016 1. Kacalak W., Rypina Ł., Tandecka K., Bałasz B.: Modelowanie w środowisku
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
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 szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoANALIZA ZJAWISKA NIECIĄGŁOŚCI TWORZENIA MIKROWIÓRÓW W PROCESIE WYGŁADZANIA FOLIAMI ŚCIERNYMI
NIECIĄGŁOŚĆ TWORZENIA MIKROWIÓRÓW prof. dr hab. inż. Wojciech Kacalak, dr inż. Katarzyna Tandecka, dr inż. Łukasz Rypina Politechnika Koszalińska XXXIII Szkoła Naukowa Obróbki Ściernej Łódź 2015 ANALIZA
Bardziej szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoODWZOROWANIE RZECZYWISTOŚCI
ODWZOROWANIE RZECZYWISTOŚCI RZECZYWISTOŚĆ RZECZYWISTOŚĆ OBIEKTYWNA Ocena subiektywna OPIS RZECZYWISTOŚCI Odwzorowanie rzeczywistości zależy w dużej mierze od możliwości i nastawienia człowieka do otoczenia
Bardziej szczegółowoZARZĄDZANIE SIECIAMI TELEKOMUNIKACYJNYMI
Wykład jest przygotowany dla II semestru kierunku Elektronika i Telekomunikacja. Studia II stopnia Dr inż. Małgorzata Langer ZARZĄDZANIE SIECIAMI TELEKOMUNIKACYJNYMI Prezentacja multimedialna współfinansowana
Bardziej szczegółowoWPŁYW ZAKŁÓCEŃ PROCESU WZBOGACANIA WĘGLA W OSADZARCE NA ZMIANY GĘSTOŚCI ROZDZIAŁU BADANIA LABORATORYJNE
Górnictwo i Geoinżynieria Rok 33 Zeszyt 4 2009 Stanisław Cierpisz*, Daniel Kowol* WPŁYW ZAKŁÓCEŃ PROCESU WZBOGACANIA WĘGLA W OSADZARCE NA ZMIANY GĘSTOŚCI ROZDZIAŁU BADANIA LABORATORYJNE 1. Wstęp Zasadniczym
Bardziej szczegółowoRECENZJA. Podstawa opracowania: pismo L.dz.PK/WM/Dz/6/302/2016, z dnia 29 kwietnia 2016 r. Dziekana Wydziału Mechanicznego Politechniki Koszalińskiej.
Prof. dr hab. inż. Józef Gawlik Politechnika Krakowska Katedra Inżynierii Procesów Produkcyjnych RECENZJA Rozprawy doktorskiej mgra inż. Łukasza Rypiny nt.: Analiza i modelowanie procesów mikroskrawania
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
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 szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoMETODYKA OCENY TOPOGRAFII FOLII ŚCIERNYCH ZE SZCZEGÓLNYM UWZGLĘDNIENIEM ROZMIESZCZENIA ZIAREN ŚCIERNYCH
XXXIII NAUKOWA SZKOŁA OBRÓBKI ŚCIERNEJ Łódź, -1 września 1 r. METODYKA OCENY TOPOGRAFII FOLII ŚCIERNYCH ZE SZCZEGÓLNYM UWZGLĘDNIENIEM ROZMIESZCZENIA ZIAREN ŚCIERNYCH Wojciech Kacalak *), Katarzyna Tandecka
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoKarta (sylabus) modułu/przedmiotu Inżynieria Materiałowa Studia II stopnia Specjalność: Inżynieria Powierzchni
Karta (sylabus) modułu/przedmiotu Inżynieria Materiałowa Studia II stopnia Specjalność: Inżynieria Powierzchni Przedmiot: Statystyczne Sterowanie Procesami Rodzaj przedmiotu: Obowiązkowy Kod przedmiotu:
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
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 szczegółowoANALIZA ROZDRABNIANIA WARSTWOWEGO NA PODSTAWIE EFEKTÓW ROZDRABNIANIA POJEDYNCZYCH ZIAREN
Akademia Górniczo Hutnicza im. Stanisława Staszica Wydział Górnictwa i Geoinżynierii Katedra Inżynierii Środowiska i Przeróbki Surowców Rozprawa doktorska ANALIZA ROZDRABNIANIA WARSTWOWEGO NA PODSTAWIE
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
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 szczegółowoMODELOWANIE OBCIĄŻEŃ ZIAREN AKTYWNYCH I SIŁ W PROCESIE SZLIFOWANIA
MODELOWANIE OBCIĄŻEŃ ZIAREN AKTYWNYCH I SIŁ W PROCESIE SZLIFOWANIA Wojciech KACALAK 1, Filip SZAFRANIEC Streszczenie: W artykule przedstawiono metodykę oraz wyniki modelowania obciążeń ziaren aktywnych
Bardziej szczegółowoKARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
Bardziej szczegółowoMODELOWANIE PROCESÓW MIKROSZLIFOWANIA PŁASZCZYZN Z ZASTOSOWANIEM ŚCIERNIC O STOŻKOWEJ LUB HIPERBOLOIDALNEJ POWIERZCHNI CZYNNEJ
MODELOWANIE PROCESÓW MIKROSZLIFOWANIA PŁASZCZYZN Z ZASTOSOWANIEM ŚCIERNIC O STOŻKOWEJ LUB HIPERBOLOIDALNEJ POWIERZCHNI CZYNNEJ Wojciech KACALAK 1, Filip SZAFRANIEC 1, Radosław KUNC 1 1. WPROWADZENIE Technologie
Bardziej szczegółowoDWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI
DWUKROTNA SYMULACJA MONTE CARLO JAKO METODA ANALIZY RYZYKA NA PRZYKŁADZIE WYCENY OPCJI PRZEŁĄCZANIA FUNKCJI UŻYTKOWEJ NIERUCHOMOŚCI mgr Marcin Pawlak Katedra Inwestycji i Wyceny Przedsiębiorstw Plan wystąpienia
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoTematy prac dyplomowych magisterskich kierunek MiBM
Tematy prac dyplomowych magisterskich kierunek MiBM Nr pracy Temat Cel Zakres Prowadzący 001/I8/Mgr/2013 Badanie sił skrawania i chropowatości powierzchni podczas obróbki stopów niklu 002/I8/ Mgr /2013
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoElektrotechnika II stopień ogólnoakademicki. stacjonarne. przedmiot specjalnościowy. obowiązkowy polski semestr II semestr letni. tak. Laborat. 30 g.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Metody estymacji parametrów i sygnałów Estimation methods of parameters
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoPaństwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki 2014/2015
Tryb studiów Niestacjonarne Nazwa kierunku studiów Finanse i Rachunkowość Poziom studiów Stopień pierwszy Rok studiów/ semestr II/4 Państwowa Wyższa Szkoła Zawodowa w Suwałkach SYLLABUS na rok akademicki
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoDrgania poprzeczne belki numeryczna analiza modalna za pomocą Metody Elementów Skończonych dr inż. Piotr Lichota mgr inż.
Drgania poprzeczne belki numeryczna analiza modalna za pomocą Metody Elementów Skończonych dr inż. Piotr Lichota mgr inż. Joanna Szulczyk Politechnika Warszawska Instytut Techniki Lotniczej i Mechaniki
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 szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
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 szczegółowoPODSTAWY DOBORU CECH GEOMETRYCZNYCH METODY I PARAMETRÓW SZLIFOWANIA CZOŁEM ŚCIERNICY O HIPERBOLOIDALNEJ POWIERZCHNI CZYNNEJ
Wojciech KACALAK, Filip SZAFRANIEC Politechnika Koszalińska Wydział Mechaniczny, Katedra Mechaniki Precyzyjnej PODSTAWY DOBORU CECH GEOMETRYCZNYCH METODY I PARAMETRÓW SZLIFOWANIA CZOŁEM ŚCIERNICY O HIPERBOLOIDALNEJ
Bardziej szczegółowoArkadiusz Manikowski Zbigniew Tarapata. Prognozowanie i symulacja rozwoju przedsiębiorstw
Arkadiusz Manikowski Zbigniew Tarapata Prognozowanie i symulacja rozwoju przedsiębiorstw Warszawa 2002 Recenzenci doc. dr. inż. Ryszard Mizera skład i Łamanie mgr. inż Ignacy Nyka PROJEKT OKŁADKI GrafComp,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoPlanowanie eksperymentu (optymalizacja procesów chemicznych)
Planowanie eksperymentu (optymalizacja procesów chemicznych) dr inż. Agnieszka Gadomska-Gajadhur E-mail: agadomska@ch.pw.edu.pl Lab. Pawilon, nr tel. 34 54 63 Plan wykładu Dlaczego planujemy eksperymenty?
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoOpis przedmiotu: Probabilistyka I
Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca
Bardziej szczegółowoPsychometria PLAN NAJBLIŻSZYCH WYKŁADÓW. Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. TEN SLAJD JUŻ ZNAMY
definicja rzetelności błąd pomiaru: systematyczny i losowy Psychometria Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. rozkład X + błąd losowy rozkład X rozkład X + błąd systematyczny
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 szczegółowoMetody badań w naukach ekonomicznych
Metody badań w naukach ekonomicznych Tomasz Poskrobko Metodyka badań naukowych Metody badań ilościowe jakościowe eksperymentalne Metody badań ilościowe jakościowe eksperymentalne Metody ilościowe metody
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoPOLITECHNIKA OPOLSKA
POLITECHNIKA OPOLSKA WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Podstaw Inżynierii Jakości Ćwiczenie nr 4 Temat: Analiza korelacji i regresji dwóch zmiennych
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 szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoTematy prac dyplomowych inżynierskich kierunek MiBM
Tematy prac dyplomowych inżynierskich kierunek MiBM Nr pracy Temat Cel Zakres Prowadzący 001/I8/Inż/2013 002/I8/Inż/2013 003/I8/ Inż /2013 Wykonywanie otworów gwintowanych na obrabiarkach CNC. Projekt
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 szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowo