Modelowanie i Analiza Danych Przestrzennych
|
|
- Anna Kozieł
- 7 lat temu
- Przeglądów:
Transkrypt
1 Modelowaie i Aaliza Daych Przestrzeych Wykład 3 Adrzej Leśiak Katedra Geoiformatyki i Iformatyki Stosowaej Akademia Góriczo-Huticza w Krakowie Wstęp do statystyki W statystyce pod pojęciem populacji rozumiemy zbiór wszystkich możliwych wyików obserwacji (pomiarów) będących kompletym obiektem aszych zaiteresowań; a przykład są to wszyscy mieszkańcy Staów Zjedoczoych. Populacja może być truda lub iemożliwa do wyczerpującej aalizy. W statystyce, ograiczoy zbiór podday aalizie i azywamy go próbą. Na przykład próba używaa w badaiach opiii publiczej CBOS. Niestety, termi "próbka" bądź próba ma róże zaczeia w geologii i w statystyce. Nauki o Ziemi zbiór daych próbka Statystyka Próba elemet
2 Zmiea losowa częstotliwość Zmiea losowa lub jest wielkością która może przyjąć jedą z wartości z określoej dziedziy z określoą częstotliwością względą. Kocepcja zmieej losowej jest szeroko stosowaa w statystyce i geostatystyce aby opisać aalizowaą populację (i w rezultacie p. zaleźć iezaą wartość parametru populacji w określoej lokalizacji czaso-przestrzeej). Aaliza opisowa: Próbka zazwyczaj obejmuje kilkaaście kilkuset pomiarów, które są lepiej zrozumiałe, gdy zorgaizowae je w odpowiedi sposób. Jest to waży aspekt statystyki. Liczba przeprowadzoych pomiarów jest azywaa wielkość próbki. Istieje wiele metod, aby uczyić dae więcej bardziej zrozumiałymi. Niektóre z ich są bardziej przydate iż ie i zależe od takich czyików, jak wielkość próbki i ostatecze cele aalizy. Tablica (tabela) częstości Mając zbiór daych umeryczych jeśli zakres zmieości daych podzieloy zostaie a klasy (zwykle takich samych długościach), oraz wszystkie obserwacje są przypisae do odpowiadających im klas, otrzymaym wyikiem jest względa częstość tych klas. Powyższy przykład to dae dużego koceru aftowego dotyczące głębokości (w stopach) do ilości graic rozdzielających warstwy w wybraym odwiercie. Zbiór te będzie stosoway do graficzej ilustracji iych defiicji w tym wykładzie.
3 Histogram Histogram jest graficzą reprezetacją tabeli częstości. Kumulata (częstość skumulowaa) Tablica częstości (i histogram) są uzależioe od liczebości klas i wartości początkowej pierwszej klasy. Aby uikąć tej wielozaczości moża wyświetlać wartość daej obserwacji z i jako wartość proporcjoalą do ilości próbek których wartość jest miejsza iż z i. Wartości a osi pioowej są ajczęściej możoe przez 00/ (%) gdzie jest ilością przedziałów. Kokreta wartość jest aoszoa w środku przedziału. Statystyka opisowa Statystyki opisowe są uzupełieiem lub alteratywym (do histogramu i częstości skumulowaej) sposobem opisu populacji. Statystyki podają pewe wartości liczbowe charakteryzujące próbę i mogą (lecz ie muszą) być estymatorami całej populacji. Geeralie, statystyki opisowe są podzieloe a trzy kategorie: Miary lokalizacji lub wycetrowaia Miary kocetracji lub dyspersji Miary kształtu (p. symetrii lub jej braku) Miary lokalizacji lub wycetrowaia - dają oe wyobrażeie o wartości średiej daych. Oi są: Wartość średia (arytmetycza) Mediaa Wartość ajbardziej prawdopodoba (oczekiwaa)
4 Średia arytmetycza częstotliwość skumulowaa Wartość średia jest obliczaa wg wzoru: mˆ = z i Dla daych tabeli wartość ta wyosi: ft Mediaa częstotliwość skumulowaa Q 2 = 2 z ( + ) 2 ( z + z ) 2 ( 2) + jesli jest ieparzyste jesli jest parzyste Mediaa Q 2 jest to liczba dzieląca daą populację a dwie części w te sposób, że połowa wartości populacji jest miejsza od tej liczby a połowa większa od iej. Jeśli ustawimy pobrae elemety próby od ajwiększej do ajmiejszej (jest to tzw. szereg rozdzielczy) to jego środek wyzacza wartość mediay Q 2. Dla daych tabeli wartość mediay wyosi: 798 ft
5 Wartość ajbardziej prawdopodoba (oczekiwaa) częstotliwość skumulowaa Wartość ajbardziej prawdopodoba może być w prosty sposób określoa a podstawie histogramu. Jest to środek klasy o ajwiększej liczebości (czerwoa strzałka). Wartość ta może być rówież określoa jako maksymala wartość fukcji gęstości prawdopodobieństwa (jeśli się uda taką fukcję określić dla badaej populacji). Dla daych tabeli wartość ajbardziej prawdopodoba wyosi: 7935 ft Robustess Odporość (ag. robustess) ozacza zdolość daej metody statystyczej (p. pozwalajacej określić wartość pewego parametru p. tedecji lub cetralizacji) do prawidłowego działaia ie tylko w optymalych warukach, ale też w Przypadku obecość problemów z daymi, łagode do umiarkowaego odstępstwa od założeń, lub obu tych czyików jedocześie. Na przykład, w obecości dużych błędów mediaa jest bardziej iezawoda iż średiej arytmetycza.
6 Miary rozproszeia (rozprzestrzeieia) populacji Miary rozproszeie bądź rozprzestrzeiaia pozwalają ilościowo określić jak jakim stopiu dae są rozproszoe wokół wartości średiej (to zaczy czy są ciaso rozlokowae wokół tej wartości). Do ajczęściej używaych parametrów ależą: wariacja odchyleie stadardowe wartości ekstremale kwatyle zakres międzykwartylowy Wariacja Wariacja jest uśredioą sumą kwadratów odchyłek od wartości średiej populacji (bądź próby). Wzór dla skończoej próby o liczebości i zaej wartości średiej m ma postać: σˆ = i ( z m) = z m 2 W wypadku, gdy wartość średia jest estymowaa z próby wzór przyjmuje postać: σˆ 2 = ˆ Wariacja daych z tabeli wyosi 5474 ft 2 ( z i m) Odporość (ag. robustess) wariacji jest z reguły miejsza iż iych miar rozproszeia. i 2
7 i odchyleie stadardowe σˆ częstotliwość skumulowaa Odchyleie stadardowe jest pierwiastkiem z wariacji. 2 ˆ σ = σˆ Jedostki odchyleia stadardowego są idetycze z jedostkami mierzoego parametru tworzącego próbę. Odchyleie stadardowe dla daych z tabeli wyosi 74.5 ft σˆ σˆ σˆ σˆ Zgodie z twierdzeiem Czebyszewa dla dowolej próbki i dowolego t> ilość daych które różią się od wartości mˆ o więcej iż t σˆ jest co ajwyżej rówa t -2 czyli: P( X mˆ t ˆ σ ) 2 t Wartości ekstremale częstotliwość skumulowaa Wartości ekstremale to miimala i maksymala wartość w daej próbie. Dla daych z tabeli wyoszą oe odpowiedio: Mi = 7696 Max = 8059 Obie wartości są łatwe do wyzaczeia lecz mają jedyie ograiczoy związek z wartością miimalą i maksymalą całej populacji, które a pewo przyjmują wartości rówe wartościom z próby bądź odpowiedio miejszą i większą.
8 Kwatyle, decyle i percetyle częstotliwość skumulowaa Podobie jak mediaa Q 2 dzieli szereg rozdzielczy daej populacji a dwie części o rówej liczebości, tak kwatyle dzielą ją a cztery rówe części, decyle a dziesięć zaś percetyle a sto (wg liczebości). Dla daych z tabeli kwatyle wyoszą odpowiedio: Q = ft Q 2 = 798 ft Q 3 = ft Współczyik iqr częstotliwość skumulowaa Różica pomiędzy ajwiększym a ajmiejszym kwatlem jest azywaa współczyikiem iqr (ag. iterquatile rage) : iqr = Q 3 Q Może oa służyć do szacowaie dyspersji próby statystyczej. Dla daych tabeli wartość współczyika iqr wyosi: 94 ft Jako pomiar dyspersji współczyik iqr jest bardziej iż wariacja odpory a błędy w daych lecz ie bierze pod uwagę wpływu wartości skrajych (b. dużych i b. małych w stosuku do większości daych z populacji).
9 Elemety odstające liczebość Wartości odstające są zacząco róże od pozostałej części daych z próby. Rodzi to podejrzeia, że mogą oe ależeć do iej populacji lub mogą po prostu być błędami, często trudymi do wyjaśieia. W każdej próbie, odstających elemetów jest zawsze iewiele, jeśli są w ogóle. Praktyczie elemety odbiegające o więcej iż.5 wartości współczyika iqr od mediay są uzawae jako elemety umiarkowaie odstające a o więcej iż 3 wartości współczyika iqr od mediay jako elemety ekstremalie odstające. Dla daych z tabeli wartość większa od 8240 ft jest uzaa za błąd. Wykres pudełkowy Wykres pudełkowy w sposób zwarty podaje wartości parametrów statystyczych daej próby. Zawiera: - Mediaę - Kwatyle Q i Q 3 - Mi i Max - wartości odstające (ie zawsze) Zamiast Mi i Max podaje się czasem percetyle q 05 i q 95
10 Miary Kształtu Najczęściej stosowae miary kształtu rozkładu wartości próby (histogramu) to: Współczyik asymetrii Kwatylowy współczyik skośości Współczyik kurtozy Współczyik asymetrii (skośości) służy do pomiaru asymetrii histogramu. Defiicja: B = ( z i m) 3 σ Jeśli: - B < 0 lewa część histogramu jest wydłużoa - B = 0 histogram jest symetryczy - B > 0 prawa część histogramu jest wydłużoa 3 Kwatylowy współczyik skośości Kwatylowy współczyik skośości służy podobym celom co współczyik asymetrii. Różicą jest jego miejsza podatość a zakłóceia gdyż operując a kwatylach używa jedyie iformacji pochodzącej z cetralej części histogramu. Defiicja: ( Q Q ) ( Q Q ) 2 2 qs = iqr 3 Jeśli: - qs < 0 lewa część histogramu jest wydłużoa - qs = 0 histogram jest symetryczy - qs > 0 prawa część histogramu jest wydłużoa
11 Współczyik kurtozy Współczyik kurtozy jest miarą kocetracji wartości próby wokół jej wartości średiej. Defiicja: B 2 = ( z i m) 4 σ Jeśli: - B 2 < 3 histogram jest bardziej skocetroway iż pdf rozkładu ormalego - B 2 = 3 histogram jest skocetroway tak jak pdf rozkładu ormalego - B 2 > 3 histogram jest miej skocetroway iż pdf rozkładu ormalego 4 Statystyki dwuwymiarowe Najczęściej jesteśmy zaiteresowai porówaiem dwóch lub więcej pomiarów, które zostały wykoae dla tego samego obiektu lub w tym samym miejscu. Wśród ajbardziej powszechych sposobów charakteryzowaia tego typu zagadień dwuwymiarowych moża wymieić: Wykres puktowy Współczyik korelacji Regresja Wykres kwatyl-kwatyl Wykres prawdopodobieństwo-prawdopodobieństwo Niektóre z tych kocepcji może być uogólioe a większą ilość zmieych.
12 Wykres puktowy (ag. scatter plot) Wykres puktowy rozproszeia jest zbudoway we współrzędych, które podają wartości dwóch parametrów pomierzoych dla daego obiektu. Wykres puktowy jest sporządzay w celu obrazowaia, potwierdzaia potecjalie istiejących związków pomiędzy parametrami zarówo odoście ich formy (liiowy lub ie), ukierukowaia i siły (słaby lub sily związek). Kowariacja Dla zmieych ciągłych omówioa a poprzedim wykładzie. Dla zmieych dyskretych : C X, Y = x y i i ( ) xi y i Współczyik korelacji Współczyik korelacji jest ajczęściej uzywaym parametrem do opisu związku pomiędzy wieloma zmieymi. Jeśli σ X i σ Y są odchyleiami stadardowymi zmieych X i Y o ich wsółczyik korelacji ρ jest rówy: ρ = C X, Y σ X σ Y Współczyik korelacji służy wyłączie określaiu liiowej zależości pomiędzy zmieymi. Jeśli: - ρ< 0 zmiee są ujemie liiowo skorelowae ρ = 0 zmiee ie są skorelowae 0 < ρ zmiee są dodatio liiowo skorelowae
13 Regresja Regresja pozwala a określeie aalityczej zależości pomiędzy wieloma zmieymi losowymi podając stopień ich zależości. Pozwala tym samym a estymację wartości iepomierzoej a próbce. Związek pomiędzy zmieymi X i Y jest postaci: gdzie: f ( ) x i y i x i ( ; ) + i = f p ε ;p - jest dowolą fukcją p - to wektor iezaych parametrów ε i - to zmiea losowa ozaczająca odchyłkę y Mając określoą postać fukcji f dobieramy kokrete wartości parametrów pmiimalizując całkowitą odchyłkę (p. jak w metodzie ajmiejszych kwadratów sumę kwadratów wszystkich odchyłek). 2 2 r = ε i x Rozpatrzmy przypadek metody ajmiejszych kwadratów, gdy fukcja f jest wielomiaem. Wioski: - im stopień wielomiau wyższy tym dopasowaie lepsze - im stopień wielomiau wyższy tym model jest bardziej uzależioy od błędów Najlepiej stosować wielomiay st 3 Wysoka korelacja może ie wystarczyć do określeia wartości jedej zmieej a podstawie drugiej, jeśli współczyik korelacji jest mały. Duża korelacja może być spowodowae wspólą zależością dwóch zmieych z trzecią, ieujawioą czyiąc tym samym aalizę iekompletą.
14 Wykres kwatyl-kwatyl Wykres q-q to wykres puktowy dla daych uporządkowaych w szereg rozdzielczy. Wykres q-q jest czuły a przesuięcia oraz skalowaie rozkładu. Pozwala o a efektywe porówywaie rozkładów dwóch parametrów (ich wartości mi i max oraz tempa arastaia) Wykres prawdopodobieństwo-prawdopodobieństwo Jeśli zamiast p. zmieej X wprowadzimy zmieą zestadaryzowaą : Z = X µ σ to otrzymamy zmieą o rozkładzie stadardowym p. dla zmieej o rozkładzie ormalym zmiea zestadaryzowaa będzie miała wartość średią 0 i wariację. Wykres p-p to wykres puktowy sporządzoy a podstawie dystrybuat (kumulat) daych dwóch zmieych. Jeśli zmiee mają róże zakresy stosuje się zawsze proces stadaryzacji.
15 Wykresy q-q i p-p stosuje się główie do szybkiego porówywaia stopia podobieństwa dwóch rozkładów z próby. Jeśli rozkłady są takie same pukty są ulokowae a przekątej wykresu. Wykres p-p jest ieczuły a przesuięcie i skalowaie. Jedostki wartości prawdopodobieństwa. Metoda jest tylko i wyłączie metodą poglądową (jakościową)
Statystyka opisowa. () Statystyka opisowa 24 maja / 8
Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów
Bardziej szczegółowoMiary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.
MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,
Bardziej szczegółowoStatystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste
Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
Bardziej szczegółowoPlan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia
Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk
Bardziej szczegółowoStatystyczny opis danych - parametry
Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoMiary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoMiary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.
Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału
Bardziej szczegółowoWykład nr 2. Statystyka opisowa część 2. Plan wykładu
Wykład r 2 Statystyka opisowa część 2 Pla wykładu 1. Uwagi wstępe 2. Miary tedecji cetralej 2.1. Wartości średie 2.2. Miary pozycyje 2.3. Domiata 3. Miary rozproszeia 4. Miary asymetrii 5. Miary kocetracji
Bardziej szczegółowoPodstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja
Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im
Bardziej szczegółowoSTATYSTYKA OPISOWA PODSTAWOWE WZORY
MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoCOLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871
COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoĆwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona
Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)
Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoHistogram: Dystrybuanta:
Zadaie. Szereg rozdzielczy (przyjmujemy przedziały klasowe o długości 0): x0 xi i środek i*środek i_sk częstości częstości skumulowae 5 5 8 0 60 8 0,6 0,6 5 5 9 0 70 7 0,8 0, 5 5 5 0 600 0, 0,6 5 55 8
Bardziej szczegółowoParametryczne Testy Istotności
Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoBADANIA DOCHODU I RYZYKA INWESTYCJI
StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;
Bardziej szczegółowoWybrane litery alfabetu greckiego
Wybrae litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilo η eta Θ θ theta κ kappa Λ λ lambda µ mi ν i ξ ksi π pi ρ, ϱ ro σ sigma τ tau Φ φ, ϕ fi χ chi Ψ ψ psi Ω ω omega Ozaczeia a i
Bardziej szczegółowoStatystyka powtórzenie (I semestr) Rafał M. Frąk
Statystyka powtórzeie (I semestr) Rafał M. Frąk TEORIA Statystyka Statystyka zajmuje się badaiem procesu zbieraia oraz iterpretacji daych liczbowych lub jakościowych. Przedmiotem statystyki są metody badaia
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowo1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o
1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoStatystyka Opisowa. w2: podstawowe miary. Jerzy Stefanowski Instytut Informatyki Politechnika Poznańska. Poznań, 2015/16 aktualizacja 2017
Statystyka Opisowa w2: podstawowe miary Jerzy Stefaowski Istytut Iformatyki Politechika Pozańska Pozań, 205/6 aktualizacja 207 STATYSTYKA OPISOWA Techiki wstępej aalizy daych i ich prezetacji: gromadzeie,
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej szczegółowoEstymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)
IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoKurs Prawdopodobieństwo Wzory
Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa
Bardziej szczegółowoPodstawowe pojęcia. Próba losowa. Badanie próby losowej
METODY PROBABILISTYCZNE I STATYSTYKA WYKŁAD 8: STATYSTYKA OPISOWA. ROZKŁADY PRAWDOPODOBIEŃSTWA WYSTĘPUJĄCE W STATYSTYCE. Małgorzata Krętowska Wydział Iforatyki Politechika Białostocka Podstawowe pojęcia
Bardziej szczegółowoModele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017
STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej
Bardziej szczegółowoAnaliza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora
Aaliza wyików symulacji i rzeczywistego pomiaru zmia apięcia ładowaego kodesatora Adrzej Skowroński Symulacja umożliwia am przeprowadzeie wirtualego eksperymetu. Nie kostruując jeszcze fizyczego urządzeia
Bardziej szczegółowoWykład 11 ( ). Przedziały ufności dla średniej
Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowoStatystyka opisowa - dodatek
Statystyka opisowa - dodatek. *Jak obliczyć statystyki opisowe w dużych daych? Liczeie statystyk opisowych w dużych daych może sprawiać problemy. Dla przykładu zauważmy, że aiwa implemetacja średiej arytmetyczej
Bardziej szczegółowoJak obliczać podstawowe wskaźniki statystyczne?
Jak obliczać podstawowe wskaźiki statystycze? Przeprowadzoe egzamiy zewętrze dostarczają iformacji o tym, jak ucziowie w poszczególych latach opaowali umiejętości i wiadomości określoe w stadardach wymagań
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoMIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń
MIANO ROZTWORU TITRANTA Aaliza saysycza wyików ozaczeń Esymaory pukowe Średia arymeycza x jes o suma wyików w serii podzieloa przez ich liczbę: gdzie: x i - wyik poszczególego ozaczeia - liczba pomiarów
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1
KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej szczegółowoPODSTAWY BIOSTATYSTYKI ĆWICZENIA
PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych w zakresie materiału przedstawioego a wykładzie orgaizacyjym Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli doświadczeie,
Bardziej szczegółowoStatystyka Wzory I. Analiza struktury
Uiwersytet Ekooiczy w Katowicach Wzory I. Aaliza struktury 1. Miary tedecji cetralej (średie, przecięte Średia arytetycza Dla sz. ważoego Dla sz. ważoego dla z. ciągłej Dla szeregu wyliczającego: dla zieej
Bardziej szczegółowoĆwiczenie 2 ESTYMACJA STATYSTYCZNA
Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoStatystyka i rachunek prawdopodobieństwa
Statystyka i rachuek prawdopodobieństwa Filip A. Wudarski 22 maja 2013 1 Wstęp Defiicja 1. Statystyka matematycza opisuje i aalizuje zjawiska masowe przy użyciu metod rachuku prawdopodobieństwa. Defiicja
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje
Bardziej szczegółowoMateriały do wykładu 4 ze Statystyki
Materiały do wykładu 4 ze Statytyki CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (dok.) 1. miary położeia - wykład 2 2. miary zmieości (dyperji, rozprozeia) - wykład 3 3. miary aymetrii (kośości) 4.
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
Bardziej szczegółowoZDARZENIE ELEMENTARNE to możliwy wynik doświadczenia losowego. Wszystkie takie możliwe wyniki tworzą zbiór zdarzeń elementarnych.
STATYSTYKA to auka, której przedmiotem zaiteresowaia są metody pozyskiwaia i prezetacji, a przede wszystkim aalizy daych opisujących zjawiska masowe. Metody statystycze oparte są a rachuku prawdopodobieństwa.
Bardziej szczegółowoObserwacje odstające mają duży wpływ na średnią średnia nie jest odporna.
Wykład 8. Przedziały ufości dla średiej Średia a mediaa Mediaa dzieli powierzchię histogramu a połowy. Jest odpora ie mają a ią wpływu obserwacje odstające. Obserwacje odstające mają duży wpływ a średią
Bardziej szczegółowoPunktowe procesy niejednorodne
Modelowaie i Aaliza Daych Przestrzeych Wykład 5 Adrzej Leśiak Katedra Geoiformatyki i Iformatyki Stosowaej Akademia Góriczo-Huticza w Krakowie Puktowe procesy iejedorode Jak wcześiej wspomiao, dla procesów
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowo1 Dwuwymiarowa zmienna losowa
1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla
Bardziej szczegółowo1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,
1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =
Bardziej szczegółowoTestowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15
Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay
Bardziej szczegółowooznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:
Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoStwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).
Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności
Estymacja przedziałowa - przedziały ufości Próbę -elemetową charakteryzujemy jej parametrami (p. x, s, s ). Służą oe do ocey wartości iezaych parametrów populacji (m, σ, σ). Nazywamy je estymatorami puktowymi
Bardziej szczegółowoEstymacja parametrów populacji
Estymacja parametrów populacji Estymacja parametrów populacji Estymacja polega a szacowaiu wartości parametrów rozkładu lub postaci samego rozkładu zmieej losowej, a podstawie próby statystyczej. Estymacje
Bardziej szczegółowoZeszyty naukowe nr 9
Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę
Bardziej szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoCiągi liczbowe wykład 3
Ciągi liczbowe wykład 3 dr Mariusz Grządziel semestr zimowy, r akad 204/205 Defiicja ciągu liczbowego) Ciagiem liczbowym azywamy fukcję odwzorowuja- ca zbiór liczb aturalych w zbiór liczb rzeczywistych
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 7.04.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoMETODY NUMERYCZNE dr inż. Mirosław Dziewoński
Metody Numerycze METODY NUMERYCZNE dr iż. Mirosław Dziewoński e-mail: miroslaw.dziewoski@polsl.pl Pok. 151 Wykład /1 Metody Numerycze Aproksymacja fukcji jedej zmieej Wykład / Aproksymacja fukcji jedej
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowo