PROGNOZOWANIE WIELKOŚCI WYDOBYCIA WĘGLA KAMIENNEGO W GÓRNOŚLĄSKIM ZAGŁĘBIU WĘGLOWYM Z UŻYCIEM LINIOWEJ FUNKCJI REGRESJI
|
|
- Oskar Lis
- 7 lat temu
- Przeglądów:
Transkrypt
1 PROGNOZOWANIE WIELKOŚCI WYDOBYCIA WĘGLA KAMIENNEGO W GÓRNOŚLĄSKIM ZAGŁĘBIU WĘGLOWYM Z UŻYCIEM LINIOWEJ FUNKCJI REGRESJI Staław Kowalk 1, Kryta Probrz 1 Katdra Zarządzaa Iżyr Bzpczńtwa, Poltchka Śląka Itytut Golog Stoowaj, Poltchka Śląka ul. Akadmcka, Glwc, Polko E-mal: talaw.kowalk@poll. pl, kryta.probrz@poll.pl Abtrakt: Praca dotyczy progozowaa wlkośc wydobyca w Górośląkm Zagłębu Węglowym w 010 roku a podtaw daych dotyczących lat Najprw przprowadzoo wryfkację hpotzy o lowj zalżośc wydobyca. Wykorzytao do tgo paramtryczy tt zgodośc oraz paramtryczy tt zgodośc Kołmogorowa. Natęp przprowadzoo ocę zgodośc daych z fukcją rgrj. Dokoao progozy puktowj przdzałowj. Abtract: Th papr cocr th progo th quatty gt out Uppr Sla Coalfld 010 yar o ba th data to cocr of yar Frt th vrfcato of hypoth about lar th dpdc of gttg out. Ud to th oparamtrc coformty tt a wll a o-paramtrc tt coformty Kolmogorow. Nxt wa coductd th valuato th coformty of data wth fucto of rgr. Puctual progo ad rag wa xcutd. 1. Wryfkacja hpotzy o lowj zalżośc wydobyca Zajmmy ę progozowam wlkośc wydobyca w Górośląkm Zagłębu Węglowym (GZW w 010 roku a podtaw daych z tabl 1 (lata [1]. Wydobyc [Mg 10 6 ] w GZW w latach Tabla 1 Rok Wydobyc Rok Wydobyc
2 Ilutracją tj tabl jt ryuk 1 Ry. 1. Wydobyc [Mg 10 6 ] w GZW w latach Na podtaw ryuku tabl wdzmy, ż wytępuj trd maljący powodujący zmjza ę wlkośc wydobyca. Najprw zwryfkujmy hpotzę, ż t trd ma charaktr lowy. Okrślamy lową fukcję rgrj tgo trdu []. Stoując mtodę ajmjzych kwadratów otrzymujmy y = x Fukcja ta przyjmuj wartość zro dla x= Ozacza to, ż w roku 03 zak wydobyc. Wpółczyk krukowy protj rgrj ozacza, ż śrdo co roku wydobyc będz ę zmjzało o około 4.5 Mg10 6. Do wryfkacj wykorzytamy paramtryczy tt zgodośc. Do wyzacza wartośc tatytyk łuży wzór r 1 ( 156 p gdz ozacza lczbość próby, lczbośc w r rozłączych klaach, a p prawdopodobńtwo przyalżośc do -tj klay []. p W azym przypadku jako klay będzmy uważać pozczgól lata Jako będzmy traktowal wydobyc w pozczgólych latach (oz. y, atomat p będz wlkoścą wydobyca oblczoą a podtaw fukcj rgrj (oz. ŷ. Mamy ŷ = , , , , , , , , , , , , , , , , Tak węc oblczamy a podtaw wzoru 17 1 ( y ŷ ŷ, Z tablcy rozkładu odczytujmy wartość krytyczą. dla r-k-1=17--1=14 top wobody oraz dla =0.05. Wlkość k= ozacza tutaj lczbę zacowaych paramtrów
3 fukcj rgrj []. W azym przypadku jt to fukcja lowa y=ax+b, w którj zacowaym zaym były dwa paramtry a b. Z tablc odczytujmy = Poważ = < = to ma podtaw do odrzuca hpotzy o lowj zalżośc wydobyca w pozczgólych latach. Do zbadaa, czy zalżośc zawart w tabl 1 moża uzać za low [], wykorzytamy jzcz dodatkowo paramtryczy tt zgodośc Kołmogorowa. Najprw oblczamy wlkośc kumulowa:, y k = 171.4, 319.8, 459.7, 589.1, 717., 847.7, 979.3, , 140.9, , , , , , , 199.8, 018.; ŷ = , , , , , , , k , , , , , , , , , Na podtaw tych wlkośc tworzymy dytrybuaty: mpryczą F (x (wdług y k tortyczą F t (x (wdług ŷ. Natęp oblczamy wartość tatytyk D []. k D up F ( x F ( x max y / 018. ŷ / , x t k D Z tablcy rozkładu Kołmogorowa odczytujmy dla =0.05 wartość krytyczą = Poważ = < =, to ma podtaw do odrzuca hpotzy o lowj zalżośc wydobyca w pozczgólych latach. Tak am rzultat otrzymalśmy poprzdo.. Oca zgodośc daych z fukcją rgrj Ocy zgodośc daych mpryczych z daym wykającym z ozacowaj fukcj trdu dokoujmy a podtaw oc paramtrów truktury tochatyczj, tj. odchyla tadardowgo kładka rztowgo. wpółczyka zmośc rztowj, wpółczyka zbżośc wpółczyka dtrmacj lowj [4]. 1. Odchyl tadardowgo kładka rztowgo wyo 1 1 ( y ŷ k Ozacza to, ż wlkośc wydobyca (faktycz z tabl 1 różą ę przcęt o około 7.7 Mg10 6 od tortyczych wartośc tj zmj wykających z ozacowaj fukcj trdu.. 157
4 . Wpółczyk zmośc rztowj oblczamy a podtaw wzoru V y Ozacza to, ż udzał odchyla tadardowgo kładka rztowgo w przcętj lczb wlkośc wydobyca w latach wyo 6.5%. Śwadczy to o dużj zmośc rztowj. 3. Wpółczyk zbżośc oblczmy a podtaw wzoru ( y ŷ ( y y 1 4. Wpółczyk dtrmacj lowj oblczmy a podtaw wzoru R Wpółczyk dtrmacj lowj jt oblczmy a podtaw wpółczyka zbżośc. Ozacza o, ż zmość badaj zmj tj. wlkośc wydobyca zotała wytłumaczoa w 90% przz ozacoway modl. Jt to trochę za mało. Dobrz by było, gdyby ta lczba wyoła około 95% lub węcj. 3. Progoza puktowa Dokoamy traz progozy wlkośc wydobyca dla roku 010. Progoza ta polga a podtawu lczby x=010 do fukcj rgrj y prog = = Wartość ocy x at śrdgo błędu prdykcj oblczoj progozy okrślamy a podtaw wzoru [3] 1 1 ( xzad 1 ( x x x gdz xzad ozacza wartość x, dla którj dokouj ę progozy tj. x =010. Ocy x at względgo błędu prdykcj oblczoj progozy okrślamy a podtaw wzoru [4] V % 15.46%. y prog Ozacza to, ż względy błąd progozy wyo 15.46%. Jt to dużo, czyl progoza jt dokłada. Tak błąd pow być żzy od 5%. Sprawdzmy traz, jak błąd prdykcj x at wpływa a wartość progozowaych wlkośc wydobyca y prog w 010 roku., 158
5 4. Progoza przdzałowa Chodz o to, o l moż zmć ę (a plu lub mu progozowaa wlkość wydobyca y prog w wyku błędu prdykcj x at. Wobc tgo progozowaa wlkość wydobyca będz zajdowała ę w przdzal [4] y u, y u. ( prog prog Wlkość u jt okrślaa dla utalogo z góry pozomu totośc, który typowo przyjmuj ę =0.05. Wlkość u jt odczytywaa z tablc rozkładu: ormalgo (gdy próba jt duża, >30, t-studta dla - top wobody (gdy próba jt mała, 30. W azym przykładz próba jt mała, =17, węc z tablc rozkładu t-studta dla =15 top wobody =0.05 odczytujmy u=.131. Dla azgo przykładu mamy ( , = ( , Ozacza to, ż progozowaa wlkość wlkośc wydobyca y prog w 010 roku wyo 60.7, a rzczywta moż być od 40.7 do Szrokość tgo przdzału jt trochę za duża. 5. Wok końcow Na to, ż progozowa wydobyca a podtaw tabl 1 było dokład przyczyły ę atępując czyk: 1. bardzo dobr dopaowa modlu lowgo do daych,. trochę za duż różc y ŷ mędzy wartoścam zadaym a oblczoym, 3. mała lczba daych wjścowych, 4. trochę za duży horyzot czaowy progozy. Nparamtrycz tty zgodośc możlwośc toowaa do progozy lowj fukcj rgrj. Ltratura Kołmogorowa wykluczyły jdak 1. Bla zaobów kopal wód podzmych w Polc z lat PIG Warzawa.. Grń J.: Statytyka matmatycza. Modl zadaa. PWN, Warzawa Probrz K., Borówka B.: Ubytk zaobów węgla kamgo Górośląkgo Zagłęba Węglowgo w latach ; pożąday kutk rform. Poltyka Ergtycza, T.9. Zzyt Spcjaly, Kraków Zlaś A., Pawłk B., Waat S:. Progozowa koomcz: tora, przykłady, zadaa. PWN, Warzawa
Ćwiczenia 11_12 KLASYCZNY MODEL REGRESJI LINIOWEJ
Ćwcza _ KLACZN MOL RGRJI LINIOWJ Zada. W tabl przdstawoo wysokość stawk clj X oraz udzał w ryku a pw towar mportoway spoza U. 5 5 0 0 8 0 y 5 6 3 7 0 Nalży w oparcu o poda formacj: a. Zapsać rówa fukcj
Bardziej szczegółowo( ) ( ) ( ) ( ) ( )( ) ( ) ( ) 2. r s. ( i. REGRESJA (jedna zmienna) e s = + Y b b X. x x x n x. cov( (kowariancja) = (współczynnik korelacji) = +
REGRESJA jda zma + prota rgrj zmj wzgldm. przlo wartoc paramtrów trukturalch cov r waga: a c cov kowaracja d r cov wpółczk korlacj Waracja rztowa. Nch gdz + wtd czl ozacza rd tadardow odchl od protj rgrj.
Bardziej szczegółowoWykład 6. Klasyczny model regresji liniowej
Wkład 6 Klacz modl rgrj lowj Rgrja I rodzaju pokazuj jak zmają ę warukow wartośc oczkwa zmj zalżj w zalżośc od wartośc zmj zalżj. E X m Obraz gomtrcz tj fukcj to krzwa rgrj I rodzaju czl zbór puktów płazczz,
Bardziej szczegółowoWeryfikacja modelu. ( ) Założenia Gaussa-Markowa. Związek pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi ma charakter liniowy
Wryfkacja modlu. Założa Gaussa-Markowa Zwązk pomędzy zmą objaśaą a zmym objaśającym ma charaktr lowy x, x,, K x k Wartośc zmych objaśających są ustalo ( są losow ε. Składk losow dla poszczgólych wartośc
Bardziej szczegółowo16, zbudowano test jednostajnie najmocniejszy dla weryfikacji hipotezy H
Zada Zakładając, ż zm losow,,, 6 są zalż mają rozkłady ormal ~ N( m, ),,, 6, zbudowao tst jdostaj ajmocjszy dla wryfkacj hpotzy H 0 : m 0 przy altratyw H : m 0 a pozom stotośc 0,05 W rzczywstośc okazało
Bardziej szczegółowoCHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (c.d.) MIARY ZMIENNOŚCI
D. zczyńa,.zczyń, atrały do wyładu 3 z Statyty, 009/0 [] CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (c.d.). mary połoŝa - wyład. mary zmośc (dyprj, rozproza) 3. mary aymtr (ośośc) 4. mary octracj IARY
Bardziej szczegółowoL.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5
L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk
Bardziej szczegółowoPrognozowanie- wiadomoci wstpne
Progozowa- wadomoc wtp Progozowa to racjoal woowa o zdarzach zach a podtaw zdarz zach. Clm progoz jt dotarcz otwch formacj potrzch do podjmowaa dczj. Progoz a mulacj. Progoza co dz w momc t Smulacja co
Bardziej szczegółowoTESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).
TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu
Bardziej szczegółowo$y = XB KLASYCZNY MODEL REGRESJI LINIOWEJ Z WIELOMA ZMIENNYMI NIEZALEŻNYMI
KASYCZNY ODE REGRESJI INIOWEJ Z WIEOA ZIENNYI NIEZAEŻNYI. gdz: wtor obsrwacj a zmj Y, o wmarach ( macrz obsrwacj a zmch zalżch, o wmarach ( ( wtor paramtrów struturalch (wtor współczów, o wmarach (( wtor
Bardziej szczegółowoObliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?
Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)
Bardziej szczegółowoRegresja wielokrotna. Przygotowano w oparciu o Applied Linear Regression Models Neter, Wasserman, Kutner
acj Kotrzwk Rgrja wlokrota Przygotowao w oarcu o Ald Lar Rgro odl Ntr Warma Kutr odl rgrj: - zmych zalżych... - β +β +...+β - - +ε Jśl założymy ż wówcza otać rówoważa jt otac: k β k k + ε Zakładając E(ε
Bardziej szczegółowoŁĄ
Ś ĄŻ ŁĄ Ź Ą ÓŹ Ś Ś Ą Ą Ś Ó ŚÓ Ó Ą Ó Ż Ź Ś Ż Ó Ó Ó Ż Ó Ą Ż Ó Ż Ż Ż Ż Ś Ą Ż Ć Ą Ć Ą Ż Ł Ś Ś Ź Ó Ś Ó Ó Ó Ś Ż Ź Ż Ż Ę Ą Ó Ś ź Ó Ę Ą Ź Ą Ż Ó Ś Ć Ę Ś Ą Ś Ś Ś Ą Ó Ę Ó Ę Ą Ż Ż Ó Ż ź Ą Ó Ś Ź Ż Ó Ż Ż Ź Ó Ó Ś Ś Ó
Bardziej szczegółowoHipotezy ortogonalne
Sttytyk Wykłd d Ćl -4 cl@gh.du.pl Hpotzy otogol ozwży odl lowy: Xϕ gdz X jt wkto obwcj ϕ Ω jt wkto śdch (wtośc oczkwych) o któy wdoo lży w pwj włścwj podpztz lowj Ω pztz tz. Ω d(ω)< jt loowy wkto błędów
Bardziej szczegółowoPortfel złożony z wielu papierów wartościowych
Portfel westycyy ćwczea Na odst. Wtold Jurek: Kostrukca aalza, rozdzał 4 dr Mchał Kooczyńsk Portfel złożoy z welu aerów wartoścowych. Zwrot ryzyko Ozaczea: w kwota ulokowaa rzez westora w aery wartoścowe
Bardziej szczegółowoć Ł Ą Ź Ś Ó Ó ŚĆ Ó Ż ż Ó Ó Ć Ó Ś Ą Ą Ź Ś Ś Ź Ź Ó ż Ó Ź Ś ż Ę ć ż Ę Ź ÓŻ Ś ż Ą Ó Ą Ś ż ź Ó ż ć Ż Ź Ó Ó ć ż ć ć ż ć Ą Ż Ż Ó ć Ź Ż ć Ę ć Ó Ż ć Ś ć ć Ó Ó Ą ć ć Ść ć ć Ż ż ż Ó Ż ż ć Ż ć ć ć ć ć Ó Ż ć Ę ć Ó
Bardziej szczegółowoĄ Ą Ł ś ś Ł ś Ę Ę Ś Ś Ó Ę ź ś ś ś ś ś ń Ł Ą Ę ś ś ś Ś ń Ś ś Ę Ó Ź ś ś ś ś Ś ń ń ś ś Ś ń ź Ą ś ś Ł ź Ź Ś ś Ś ś ś ń ś Ś Ś ś Ł ś Ć ź ź ś Ś ś ś Ś ń Ć Ł Ą Ę ś ś ś Ś ść Ź ś Ś ś ś ś ń Ę ś Ś ś Ą Ó ś ś Ę Ł Ź ś
Bardziej szczegółowoInstrukcja do wykonania zadania. Masa ciała. Wys. Ciała
Itrukcja do wykoaa zadaa W perwzej kolejośc ależy przygotowad tabelę z daym. W ejzej trukcj przyjęto, że do każdego wyku z tabel perwotej dodao wartośd 6. Zatem tabela wygląda atępująco: Icjały Grupa Płeć
Bardziej szczegółowoprzegrody (W ) Łukasz Nowak, Instytut Budownictwa, Politechnika Wrocławska, e-mail:lukasz.nowak@pwr.wroc.pl 1
1.4. Srawdzn moŝlwośc kondnsacj ary wodnj wwnątrz ścany zwnętrznj dla orawngo oraz dla odwrócongo układu warstw. Oblczn zawlgocna wysychana wlgoc. Srawdzn wykonujmy na odstaw skrytu Matrały do ćwczń z
Bardziej szczegółowoĆwiczenia nr 3 Finanse II Robert Ślepaczuk. Teoria portfela papierów wartościowych
Ćczea r 3 Fae II obert Ślepaczuk Teora portfela paperó artoścoych Teora portfela paperó artoścoych jet jedym z ajażejzych dzałó ooczeych faó. Dotyczy oa etycj faoych, a przede zytkm etycj dokoyaych a ryku
Bardziej szczegółowoPozycjonowanie bazujące na wielosensorowym filtrze Kalmana. Positioning based on the multi-sensor Kalman filter
Scntfc ournal Martm Unvrt of Szczcn Zzt Naukow Akadma Morka w Szczcn 8, 13(85) pp. 5 9 8, 13(85). 5 9 ozcjonowan bazując na wlonorowm fltrz Kalmana otonng bad on th mult-nor Kalman fltr otr Borkowk, anuz
Bardziej szczegółowoPrzewodnik do ćwiczeń ze statystyki
Przewodk do ćwczeń ze tatytyk Podtawowe defcje Próbka loowa, tatytycza Próbką loową jet ograczoy zbór oberwacj dokoay a pewej hpotetyczej lub realej zborowośc zwaej populacją. Waże jet, że oberwacje ą
Bardziej szczegółowoć ć ż ć ź ż ż ź ź ŚĆ Ź ź ć Ź ź ź ź ź Ś Ą Ć Ć ć Ź ź
Ł Ł ć ć Ś Ź Ć Ś ć ć ż ć ź ż ż ź ź ŚĆ Ź ź ć Ź ź ź ź ź Ś Ą Ć Ć ć Ź ź Ś Ć Ć Ś ź Ć ż ż ź ż Ć ć ż Ć Ć ż ż ź Ć Ś Ś ż ż ć ż ż Ć ż Ć Ś Ś Ź Ć Ę ż Ś Ć ć ć ź ź Ś Ć Ś Ć Ł Ś Ź Ś ć ż Ś Ć ć Ś ż ÓŹ Ś Ś Ź Ś Ś Ć ż ż Ś ż
Bardziej szczegółowoć Ę ó ż ć
Ą Ł ż ż Ę ó ó ó ć ó ć ó ż ó ó ż ó ć Ę ó ż ć ó ź ó ó ó ć ó ć ó ć ó ó ó ó ó Ę ó ó ó ż ó Ę ó ó ż ó óż ó ó ć ć ż ó Ą ó ó ć ó ó ó ó ó ż ó ó ó ó Ą ó ó ć ó ó ź ć ó ó ó ó ć ó Ę ó ż ż ó ó ż ż ó ó ó ć ó ć ó ć ó
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 szczegółowoń Ę ń Ś Ą Ń ż Ą ż ż ż ż ż ć ć ż ż ż ż ż ń ź ż ż ż ć ż ć ż ż ż ż ż ń Ą ż ń ń ż ń Ń Ę ż ź ń ż ć ć ń ż ż ż ń ż ż ż ć ć ń Ń ń ż ż Ń ć Ę ń ć ć ż ż ż ż ń Ę ń ż Ź Ś ż ć ć ż Ś ż ż ć ń ń ż ć ć ż Óż ń ń ż ż ć ć
Bardziej szczegółowoą ą ż ąż Ę ć ć ż ż ż ć ą ą
ą ą ź ą ą ż ż ź ź ą ą ż ąż Ę ć ć ż ż ż ć ą ą ą ą ż ż ż ż ż ż ć ą ą ą ą ź ż ą ą ż ź Ź ć ż ż ż ź ą ż ż ż ą ż ą ą ż ż ż Ó ż ć ą ż ż ą ż ą ż ą ż ż ż ż ż ż ć ź ć Ł ć ż ć ż ż ż ć ż ż ą ć ą ż ć ź ż ż ć ć ć ź
Bardziej szczegółowoSłużą opisowi oraz przewidywaniu przyszłego kształtowania się zależności gospodarczych.
MODEL EOOMERYCZY MODEL EOOMERYCZY DEFIICJA Modl konomtrczn jst równanm matmatcznm (lub układm równao), któr przdstawa zasadncz powązana loścow pomędz rozpatrwanm zjawskam konomcznm., uwzględnającm tlko
Bardziej szczegółowoPodstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki
tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga
Bardziej szczegółowoPodstawy analizy niepewności pomiarowych (I Pracownia Fizyki)
Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?
Bardziej szczegółowoStatystyczna analiza danych
Statytyka. v.0.9 egz mgr inf nietacj Statytyczna analiza danych Statytyka opiowa Szereg zczegółowy proty monotoniczny ciąg danych i ) n uzykanych np. w trakcie pomiaru lub za pomocą ankiety. Przykłady
Bardziej szczegółowoSTATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH
STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMNE NA STUDACH LCENCJACKCH Oacoa zgooa zz d Maę Wczo a oda:. P. Kuz, J. Podgó: Saa. Wzo ablc. SGH, Wazaa, 8. M. Wczo: Saa. Lubę o! Zbó zadań. SGH, Wazaa 6 .
Bardziej szczegółowość ść ś ś Ą ż Ść ś Ó Ó ś ń ś ń ś ń Ć Ż ż Ó Ż Ó Ó żó ń Ó ś Ż ń ż Ź ś
ś Ó Ó Ó Ó ś ń Ę ś ś Ó Ó Ż ń ń ż ń ś ż Ó ś Ó ś Ż ś ń Ó Ż ń Ó ń Ó Ż ń Ó ś Ó Ó ń Ó Ę ść ść ść ś ś Ą ż Ść ś Ó Ó ś ń ś ń ś ń Ć Ż ż Ó Ż Ó Ó żó ń Ó ś Ż ń ż Ź ś ś ńą ś ś ż ś ż Ó Ż ś Ó Ó Ó Ź Ó Ó Ś Ó Ó Ó Ó Ę ś Ę
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 szczegółowoSTATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH
STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMNE NA STUDACH LCENCJACKCH Oacoa zgotoa zz d Maę Wczo a odta:. P. Kuz, J. Podgó: Statta. Wzo tablc. SGH, Wazaa, 8. M. Wczo: Statta. Lubę to! Zbó zadań. SGH,
Bardziej szczegółowowyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=
ESTYMATOR WARIANCJI I DYSPERSJI Ozaczmy: µ wartość oczekwaa rozkładu gauowkego wyków pomarów (wartość prawdzwa merzoej welkośc σ dyperja rozkładu wyków pomarów wyk er pomarów (,..., Stoując metodę ajwękzej
Bardziej szczegółowoĘ Ę ĘŚ Ą Ł Ę ł ł ś ą ź ż ź ą ż ć ąż ą ś ą
Ń Ę ł ó ó ł ż ć ó ś ą ą ż ą ą ń ł ś ś ąż ą Ę łó Ą Ę Ą Ó ą ż ą ł ą ź ć Ę ą ś ą ą Ł Ł ł ą Ą Ę Ą Ł ą ąż ą ż ć ą Ż ć ą Ę Ę ĘŚ Ą Ł Ę ł ł ś ą ź ż ź ą ż ć ąż ą ś ą ó ó ż ą ą ż ś ż Ę ź Ą ł ł ł ą ó ń ń Ę ż ż ń
Bardziej szczegółowoÓ Ł ć ć
ź Ź ź Ź Ź ź Ó Ó Ł ć ć Ó Ć Ó Ó ć ć ć Ź ć ć Ó ź Ę Ź Ę ć ć ć Ł Ź Ę ź Ę Ę ć ć Ź Ó ć ć ć Ó ć Ó Ź Ó Ó Ó Ź ć Ó Ź Ó Ź Ź Ź Ó Ź Ź Ó Ó Ó ć ÓŹ Ź Ó Ć Ć Ó Ć Ó Ć Ź Ó Ó ć ÓÓ ć Ź ć ć Ź Ł Ę ć Ę Ę Ł Ł Ł Ź Ę Ę Ó Ń Ń ź Ł Ł
Bardziej szczegółowoLABORATORIUM SYMSE Układy liniowe
Tomasz Czarck, Warszawa, 2017 LABORATORIUM SYMSE Układy low Dyskrt systmy low, zm względm przsuęca Wśród systmów prztwarzaa sygałów ważą rolę odgrywają systmy low, zm względm przsuęca. Dcyduj o tym ch
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 szczegółowoL.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH
L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze
Bardziej szczegółowoś ś ż ó ś ń ż Ś ść ś ś ć Ś ć ż ó ż ś ż ś ć ż ż ó ż ś ż ż ż ś ó
ś ś ń ó ó ć ś ś ś ś ż ó ś ń ż Ś ść ś ś ć Ś ć ż ó ż ś ż ś ć ż ż ó ż ś ż ż ż ś ó ć Ą ś ś Ś ż ś ś ś ś ż ś ż ż ć ś ś ś ś ś ś ż ż ś ż ż ś ó ć ż ś ż ó ż Ń ś ż ś ś ś ś ó ć ś ś ś ć ż ó ó ń ś ś ś ó ó ń ż ó Ń ść
Bardziej szczegółowoĘ ś ó ó ź ć ó ó ą ś ą ą ż ą ą ś ś ą ż ą ó Ą Ę Ę Ą Ó ą ż ą ą ź ąż ą ś ą ą Ł ŁÓ Ę Ł Ę Ą Ą ą Ł ą ą ą ą ą ć ą Ę Ę Ą Ł ą ś ą ź ż ź ą ż ć ąż ą ś ą ó Ż ż ż ą ą ż ś ż ź ó ą Ą Ę Ę ż ż ś ó ó ś ż ó ą ą ą ż ś ś ą
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi o tym samym 2 x
Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoINFORMATYKA W CHEMII Dr Piotr Szczepański
INFORMATYKA W CHEMII Dr Potr Szczepńk Ktedr Chem Fzczej Fzkochem Polmeró ANALIZA REGRESJI REGRESJA LINIOWA. REGRESJA LINIOWA - metod jmejzch kdrtó. REGRESJA WAŻONA 3. ANALIZA RESZT 4. WSPÓŁCZYNNIK KORELACJI,
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 szczegółowoŁ Ł Ó Ą ć ć Ó Ą Ź Ó ć Ó Ó Ę Ą
Ą ź Ą Ą Ź Ń ź Ł Ł Ó Ą ć ć Ó Ą Ź Ó ć Ó Ó Ę Ą Ó Ó Ź Ó Ó ć ć Ź ć Ł Ź ć ć Ą Ó Ź Ó Ó ć ć ć Ł Ę ź Ę Ę Ę Ę Ę Ę Ę ć Ę Ź Ę Ę ć Ó Ę ć Ó ź Ę ÓÓ Ę Ę Ź Ó Ó ÓŹ Ł Ź Ź Ę ć Ó Ó Ź Ó Ó Ą ÓĘĘ Ó Ą Ź Ó Ó Ź Ć ÓŹ Ó ć Ą Ć Ę Ć
Bardziej szczegółowoPortfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem
Katedra Ietycj Faoych Zarządzaa yzykem Aalza Zarządzae Portfelem cz. Dr Katarzya Kuzak Co to jet portfel? Portfel grupa aktyó (trumetó faoych, aktyó rzeczoych), które zotały yelekcjooae, którym ależy zarządzać
Bardziej szczegółowoRozkład prędkości cząsteczek.
Rozkład prędkośc czątczk. Jak było powdzan wczśnj n oŝy oczkwać, Ŝ wzytk czątczk gazu ają tę aą prędkość. a podtaw znajoośc cśnna gazu oŝy jdyn polczyć dną prędkość kwadratową, a ty ay dną nrgę czątczk
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 szczegółowoĄ ś Ż ś ó Ę ó Ą ść ść Ó ść ą ś ąż ć ą ąż ą ć ż śćś ź ś ć ź ą ó ś ą ą ą ó ą ą ą ó ą ą ż ć ż ż ż ąż ź ś ó ą ó ż ą ą ó ą ą ś ą ź ą ą ą ąż ą ą ć ń ń ć ą ć ó ń ć ż ąż ó ó ć ż ć ąż Ś ą ą ć ó ś ą ą ą ó ó ą ą
Bardziej szczegółowoŚ Ó Ó Ś ż Ś Ó Ś ŚÓ Ó
Ą Ł ć Ę Ę Ł Ź Ł ż ż ż ż Ó Ł Ś Ó Ó Ś ż Ś Ó Ś ŚÓ Ó ż Ż Ó Ż Ś ć ć ż Ś Ż Ó Ż Ó ż ż Ż ż ż Ż Ż Ą ć Ż Ó ż Ż Ż ż ż Ż Ó ż Ż Ś Ć ż Ł Ę Ę Ź ć Ó ć Ś Ż ż ż Ę ż ż Ę Ż Ś ż Ś Ż ż Ś Ż Ż ż ż Ż Ż Ż Ż ż Ś Ż Ż ż Ż ż ż Ź Ż
Bardziej szczegółowoż ć ć ż ż ż ż ź ć ż ć ż ż ź ż ć ż ź ż ć ź ż ż ź ć ż ż ć ż
Ś Ś Ż Ó ż ż ż ż ć ż ż ć ż ż ż ż ź ż ż ż Ó Ś ż ć ć ż ż ż ż ź ć ż ć ż ż ź ż ć ż ź ż ć ź ż ż ź ć ż ż ć ż ż Ś ż ż ć ż Ś Ó ż ż ż ć ć ż ć ź ż ż ż ć ć ć ć ż ż ź Ó ć ż ż ż ć ź ż ć ż ć ż ż ż ż ż ć ć ć ż ż ż ź ż
Bardziej szczegółowoŚ Ż ć Ą Ż Ż ć Ś Ż Ą Ż Ą ľ Ś ć Ś Ś ć Ś ć ě Ż Ż Ż Ż Ż Ź Ż Ż Í
Ó Í ľ ä Í ľ Ä ľ Ü Ś Đ Ą Ś Ż Ś Ż Ś Ż ć Ą Ż Ż ć Ś Ż Ą Ż Ą ľ Ś ć Ś Ś ć Ś ć ě Ż Ż Ż Ż Ż Ź Ż Ż Í Ż ľ Ó Ż Ż Ż ć Ż ć Ó ć Ą ć ć ć ü Í Á í í Ś Ż Ą Ś Ż í í í í í í í í í í ć Ż Í í ć Ż Ż Ż Ź Ą Ż Ż ć Ż őż Í ć Ż ć
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoŁ Ś Ą ó ó ó ś ó ó ś ó ó ó ó ó Ó ś ó ś ó ó ś Ó ó Ó ś ó ś ó ó ó Ź ó ó ś ó ó ó ś ó ść ó ó ó Ą ó ś ó ó ó ś śó ó ó ź ó ó ś ó Ź ś ó ć ó ś Ę Ą ó ś óź ó ó ś ó ś Ę ó Ó ź ść ó ó ś ś ś Ó ó ź ó ś Ó ó ó ó ó ó ś Ó ó
Bardziej szczegółowoOBLICZANIE NIEPEWNOŚCI METODĄ TYPU B
OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość
Bardziej szczegółowoŁ Ł ŁÓ Ę ó ź ś óź ś ó Ó ż Ł Ł Ń Łó ó Ś ó ó ż ó Ó ś ś ż ż ż śó Ó ó ś ó ś ś Ó ś ś Ś ó Ś Ż ż Ó Ć ó Ó Ź Ż ż ś Ó Ó ż ś Ż Ż Ż ó Ź śó ó Ż Ż ż ó ż ó ś ś ć ó Ś Ó ż Ć Ż ś ó ć Ż ż Ó Ś ó ś ó Ó Ż Ż Ż Ś ó ć ś Ó Ż Ż
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 szczegółowoż ć ż ż Ż ą Ż ą ą ą ą ń ą Ż ą ą ń ą ą ą Ż ą ć ą Ś Ż ą Ę ą ń ż ż ń ą ą ą ą Ż
ń Ś Ę Ś Ś ń Ż ą ż Ż ą ą żą ąż ż Ż Ż Ż ą ą Ż ż ą Żą ą ą ą ż Ś ą ą Ż ż ą ą ą ą Ż Ż ć ż ć ż ż Ż ą Ż ą ą ą ą ń ą Ż ą ą ń ą ą ą Ż ą ć ą Ś Ż ą Ę ą ń ż ż ń ą ą ą ą Ż ą ą ą Ż ń ą ą ń ż ń Ż Ś ą ą ż ą ą Ś Ś ż Ś
Bardziej szczegółowoSystem finansowy gospodarki
System fasowy gospodark Zajęca r 6 Matematyka fasowa c.d. Rachuek retowy (autetowy) Maem rachuku retowego określa sę regulare płatośc w stałych odstępach czasu przy założeu stałej stopy procetowej. Przykłady
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski
PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH dr Mchał larsk I Pracowa Fzycza IF UJ, 9.0.06 Pomar Pomar zacowae wartośc prawdzwej Bezpośred (welkość fzycza merzoa jest
Bardziej szczegółowoW zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =
4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,
Bardziej szczegółowo5. OPTYMALIZACJA NIELINIOWA
5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe
Bardziej szczegółowoę ę ż ż ć ć ę ć ę ż ć ć ę Ś ę ę ę Ź Ź ż Ś ę ć ć ę ę ę ę ę ę ż ć ż ć ę ę ę Ź ę ż ę ę ę
ę Ł ć ż ć ż ć ę ę ę ż ć ż ć ę ż ż ć ę ę ę ę ę ę ę ę ę ż ę ę ę Ź ę ż ę ć ż ę ę ę Ź ć Ź ę ę ż ż ć ć ę ć ę ż ć ć ę Ś ę ę ę Ź Ź ż Ś ę ć ć ę ę ę ę ę ę ż ć ż ć ę ę ę Ź ę ż ę ę ę ć ę ę ż ę ż ć ć Ść ć ę ć ć ż
Bardziej szczegółowoŁ Ś ś
ż ź Ą ą ą ą ą Ł ś ż ś ś ą ż Ż ś ż ż ż ą ż Ł ą ą ą ń ą ś ś ą ą ą ż ś ą ą ż ą ą ą ą ż ń ą ść Ł Ś ś ś ś ą ś ś ą ń ż ą ś ź Ż ą ą ż ś ż ś ść Ź ż ż ś ą ń ą ś ż Ź Ź ż ż ż ą Ó Ż Ź ą Ś ż ść ż ą ź ż ą ą Ź ą Ś Ż
Bardziej szczegółowoMonika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu
Bardziej szczegółowośą ś ć Ą Ó ó Ę ń ó
ć Ł Ś Ó ó ś ą ś Ł ń Ą Ę ń śą ś ć Ą Ó ó Ę ń ó Ę ń Źą ń ó Ą ś ś ń Ń ó ń ń ń ń ę ś Ę ń ń ś ą ą ą ę śó ń Ó Ś ę Ź ę ść ń ó ę Ę ń ó ą ó ą ą ą ę ą ó ń ń ę ć ń ó ó ń ą ń ę ó ś ą ś Ł ą ń ą ń Źą ń ę ś ń Ź ó ę ń
Bardziej szczegółowoMateriały do wykładu 7 ze Statystyki
Materał do wkładu 7 ze Statstk Aalza ZALEŻNOŚCI pomędz CECHAMI (Aalza KORELACJI REGRESJI) korelacj wkres rozrzutu (korelogram) rodzaje zależośc (brak, elowa, lowa) pomar sł zależośc lowej (współczk korelacj
Bardziej szczegółowoTablica Galtona. Mechaniczny model rozkładu normalnego (M10)
Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,
Bardziej szczegółowoć ć ć Ś ć Ż
Ę ć ć ć Ś ć Ż Ę Ś ŚĆ Ś ć ć ć Ś ć ć ć ć ć ć Ś Ć ć ć ć ć ć ć ć ć ć ć ć ć Ś ć Ś Ż Ś Ę ć ć Ż ŚĆ ć ć ć ć ć Ż ć ć ć ć ć ć ć ź ć Ż ć ć ć ć ź ć ć ć ć ć ć ć Ć ć ć Ę ć ź ć ć ć ć ć ć ć Ę ź Ę ć ć ć ć ć ć ć ć ć ć ć
Bardziej szczegółowoRozkłady statystyk z próby. Metody probabilistyczne i statystyka Wykład 2: Rozkłady statystyk z próby. Przedziały ufnoci
Rozkłady tatytyk z próby Metody probabilitycze i tatytyka Wykład : Rozkłady tatytyk z próby. rzedziały ufoci Małgorzata Krtowka Wydział Iformatyki olitechika Białotocka e-mail: mmac@ii.pb.bialytok.pl troa
Bardziej szczegółowoĘ Ź ś ś ść ś ść ś ś ś ś Ż ż Ś ś Ę Ś ś śś Ł
ś Ą ś Ż Ż Ł ź Ś Ż ż Ż ż ż Ó Ż Ę ś Ę Ę Ę ś ś Ł Ą Ę Ź ś ś ść ś ść ś ś ś ś Ż ż Ś ś Ę Ś ś śś Ł ż Ą ś ś ś ś ś ś ć ść Ę ś ś Ą Ę Ą ż Ę ś śś Ę ś ś ś ś ż Ę ć ś ć ż ć Óź Ę Ę Ę Ą ś ś ś Ś ś Ż Ż Ż żć ś ś ź Ę Ę ś ś
Bardziej szczegółowoí ś Ś ż ś ż ś ń Ś đ ś ś Ż ć ń í ć ś ń í ś ć Ą Ż ś ń ő Ż ő ć ś Ł ż Ż ő ś Ż Ż Ż ś Ż
ÔÍ ú ż ü Ó ść ś ő Đ Í Ż í ż Ś Ż ń ś Ł Ść ő ś ś ő ś ś ś ść ý Ś ść Í í ś Ś ż ś ż ś ń Ś đ ś ś Ż ć ń í ć ś ń í ś ć Ą Ż ś ń ő Ż ő ć ś Ł ż Ż ő ś Ż Ż Ż ś Ż ż ś ś Ł Ł á ć ś Ż Ą ő Ż ż ő ő Ż Ż ś Ż ś ż ś ż őź ś ś
Bardziej szczegółowo