Metody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t"

Transkrypt

1 Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t

2 Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania 2. Regresja logistyczna w pakiecie R 3. Testy statystyczne w pakiecie R, Modele liniowe... Wykªad 2 2/35

3 Podstawy teoretyczne Model logistyczny zmienna zale»na przyjmuje dwie mo»liwe warto±ci 0 lub 1 np. czªowiek ma anemi, b d¹ nie mo»liwo± modelowania prawdopodobie«stwa zdarzenia opisywanego przez zmienn zale»n w zale»no±ci od ró»nych zmiennych niezale»nych (zarówno jako±ciowych jak i ilo±ciowych), Modele liniowe... Wykªad 2 3/35

4 Podstawy teoretyczne Ogólna posta modelu: Y B(1, p) - rozkªad dwumianowy z prawdopodobie«stwem sukcesu p. Tzn. zmienna Y przyjmuje warto± 1 z prawdopodobie«stwem p i warto± 0 z prawdopodobie«stwem 1 p. p = E(Y X ) = exp(x β) 1 + exp(x β), Modele liniowe... Wykªad 2 4/35

5 Podstawy teoretyczne Szansa (ang. odds) to funkcja prawdopodobie«stwa. Zamiast wyliczania klasycznego prawdopodobie«stwa, czyli stosunku liczby sukcesów do liczby wszystkich prób, wyliczamy stosunek prawdopodobie«stwa sukcesu do prawdopodobie«stwa pora»ki. Niech o oznacza szans oraz p prawdopodobie«stwo sukcesu. Wtedy: o = p = p, o (0, ) log(o) (, ) 1 p o, p (0, 1) 1 + o, Modele liniowe... Wykªad 2 5/35

6 Podstawy teoretyczne, Modele liniowe... Wykªad 2 6/35

7 Podstawy teoretyczne, Modele liniowe... Wykªad 2 7/35

8 Podstawy teoretyczne Funkcja logistyczna przyjmuje warto±ci od 0 do 1. Model mo»e opisywa warto±ci prawdopodobie«stwa, które s zawsze zawarte mi dzy 0 a 1. Ksztaªt funkcji przypomina rozci gni t liter S. Pokazuje on,»e zmiany funkcji s minimalne, je±li warto±ci zmiennych s mniejsze od pewnej warto±ci progowej. Gdy j przekrocz, wówczas warto± funkcji zaczyna gwaªtownie rosn do 1; prawdopodobie«stwo utrzymuje si na wyj tkowo wysokim poziomie - blisko 1. Poj cie warto±ci progowej jest cz sto u»ywane w badaniach medycznych i epidemiologicznych., Modele liniowe... Wykªad 2 8/35

9 Podstawy teoretyczne Przykªad: Anemi zdiagnozowano u 80 na 100 pacjentów chorych na raka. o = = = 4 Oznacza to,»e prawdopodobie«stwo wyst pienia anemii wsród osób chorych na raka jest cztery razy wi ksze ni» prawdopodobie«stwo niepojawienia si anemii., Modele liniowe... Wykªad 2 9/35

10 Podstawy teoretyczne Regresja logistyczna wyra»a prawdopodobie«stwo jako szans tzn: P(X ) 1 P(X ) = exp(β 0 + X 1 β X n β n ) Natomiast logarytm szans wynosi: log ( ) P(X ) = β 0 + X 1 β X n β n 1 P(X ), Modele liniowe... Wykªad 2 10/35

11 Podstawy teoretyczne exp(β j ) > 1 - czynnik opisywany przez zmienn niezale»n X j dziaªa stymuluj co na mo»liwo± wyst pienia badanego zjawiska, przy kontrolowanym wpªywie pozostaªych zmiennych uwzgl dnionych w równaniu exp(β j ) < 1 - czynnik opisywany przez zmienn niezale»n X j dziaªa ograniczaj co na mo»liwo± wyst pienia badanego zjawiska, przy kontrolowanym wpªywie pozostaªych zmiennych uwzgl dnionych w równaniu exp(β j ) = 1 - czynnik opisywany przez zmienn niezale»n X j nie ma wpªywu na wyst pienia badanego zjawiska, przy kontrolowanym wpªywie pozostaªych zmiennych uwzgl dnionych w równaniu, Modele liniowe... Wykªad 2 11/35

12 Podstawy teoretyczne Iloraz szans (ang. odds ratio) stosuje si w przypadku porównywania dwóch klas obserwacji. Jest to iloraz szans,»e dane zdarzenie zajdzie w pierwszej grupie elementów, oraz»e zajdzie ono równie» w drugiej. Opisane jest wzorem: OR = p 1 1 p 1 1 p 2 p 2 = o 1 o 2 OR > 1 - zaj±cie zdarzenia jest bardziej prawdopodobne w grupie nr 1 OR < 1 - zaj±cie zdarzenia jest bardziej prawdopodobne w grupie nr 2 OR = 1 - zaj±cie zdarzenia jest tak samo prawdopodobne w grupie nr 1 i nr 2, Modele liniowe... Wykªad 2 12/35

13 Podstawy teoretyczne Przykªad: Anemi zdiagnozowano u 80 na 100 pacjentów chorych na raka oraz u 20 na 100 zdrowych osób zdjagnozowano anemi. o 1 = = = 4 i o 2 = = = 0.25 OR = o 1 o 2 = = 16 Oznacza to,»e jest szesnastokrotnie wi ksza szansa wyst pienia anemii u ludzi chorych na raka ni» ludzi zdrowych., Modele liniowe... Wykªad 2 13/35

14 Podstawy teoretyczne Zaªo»enia: Zale»no± mi dzy logarytmem szans a wektorem zmiennych obja±niaj cych musi by liniowa. Zmienna obja±niana musi by binarna, gdzie poziom zakodowany jako 1 reprezentuje po» dany wynik (sukces). Obserwacje musz by niezale»ne korzystamy z tego wyprowadzaj c posta funkcji wiarygodno±ci. Model musi by dobrze dopasowany, to znaczy zawiera tylko te zmienne obja±niaj ce, które maj wpªyw na zmienn obja±nian, oraz nie pomija»adnej takiej zmiennej. W danych nie mo»e wyst powa silna wspóªliniowo± jest ona ¹ródªem problemów numerycznych., Modele liniowe... Wykªad 2 14/35

15 Podstawy teoretyczne - Funkcja wiarygodno±ci Zmienna zale»na Y jest binarna i dla pojedynczej obserwacji zachodzi: { 1, z prawdopodobie«stwem p(x1 ) Y i X i = 0, z prawdopodobie«stwem 1 p(x 1 ) St d L(X i, β)=p(y i = 1 X i ) Y i P(Y i = 0 X i ) 1 Y i =p(x i ) Y i [1 p(x i )] 1 Y i, Modele liniowe... Wykªad 2 15/35

16 Podstawy teoretyczne - Funkcja wiarygodno±ci Zgodnie z zaªo»eniem o niezale»no±ci n zmiennych objasniaj cych mamy L(X 1,..., X n, β) = n p(x i ) Y i [1 p(x i )] 1 Y i i=1 Cz sto funkcj wiarygodno±ci zast puje si jej logarytmem, z uwagi na ªatwiejsz obliczeniowo posta : log(l(x 1,..., X n, β)) = n (Y i logp(x i ) + (1 Y i )log1 p(x i )) i=1, Modele liniowe... Wykªad 2 16/35

17 Podstawy teoretyczne - Testowanie hipotez Statystyka dewiancji D: D = 2log(funkcja wiarygodno±ci testowanego modelu) Hipotezy badawcze: H 0 : zbiór zmiennych w modelu jest nieistotny H 1 : zbiór zmiennych w modelu jest istotny Statystyka testowa: ( ) f. wiaryg. dla modelu z wyrazem wolnym G = 2log χ 2 n f. wiaryg. testowanego modelu, Modele liniowe... Wykªad 2 17/35

18 Podstawy teoretyczne - Testowanie hipotez Hipotezy badawcze: H 0 : zmienna X i nie jest istotna (β i = 0) H 1 : zmienna X i jest istotna (β i 0) Statystyka testowa: ( ) f. wiaryg. dla modelu bez zmiennej Xi G = 2log χ 2 1 f. wiaryg. testowanego modelu, Modele liniowe... Wykªad 2 18/35

19 Podstawy teoretyczne - Testowanie hipotez Hipotezy badawcze: H 0 : zmienna X i nie jest istotna (β i = 0) H 1 : zmienna X i jest istotna (β i 0) Statystyka testowa: W = β i SE( β i ) N (0, 1) Przedziaªy ufno±ci: β i ± SE( β i ) z 1 α 2, Modele liniowe... Wykªad 2 19/35

20 Podstawy teoretyczne Zmienne obja±niaj ce s wspóªliniowe, gdy s mocno skorelowane ze sob. Efekt ten wyra»any jest poprzez wspóªczynnik VIF i (ang. variance ination factor), który pokazuje, o ile wariancje wspóªczynników s zawy»one z powodu zale»no±ci liniowych w badanym modelu regresji. Obliczamy go ze wzoru: VIF i = 1 1 R 2 i, gdzie R 2 jest wspóªczynnikiem wielokrotnej determinacji dla i-tej i zmiennej w modelu regresji liniowej. Przyjmuje si,»e warto± VIF i > 10 wskazuje na obecno± wspóªliniowo±ci w modelu., Modele liniowe... Wykªad 2 20/35

21 Przykªad analizy - Pakiet R Zbiór danych skªada si z 488 pacjentek pewnego szpitala poªo»niczego w USA. B dziemy chcieli sprawdzi, czy pewne zmienne, wpªywaj na nisk wag noworodka. Zbiór danyc ma nast pujac struktur kolumn: numer identykacyjny pacjentki numer porodu czy pacjentka paliªa podczas ci»y (0 - Nie, 1 - Tak) rasa (1 - biaªa, 2 - czarna, 3 - inna) wiek matki (w latach), Modele liniowe... Wykªad 2 21/35

22 Przykªad analizy - Pakiet R waga matki podczas ostatniej miesi czki (w funtach, 1 funt = 0.45kg) waga dziecka po porodzie (w gramach) czy waga dziecka byªa za niska (0 - Nie, 1 - Tak (< 2500g)) Modele liniowe... Wykªad 2 22/35

23 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 23/35

24 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 24/35

25 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 25/35

26 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 26/35

27 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 27/35

28 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 28/35

29 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 29/35

30 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 30/35

31 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 31/35

32 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 32/35

33 Przykªad analizy - Pakiet R, Modele liniowe... Wykªad 2 33/35

34 Dzi kuj za uwag, Modele liniowe... Wykªad 2 34/35

35 Bibliograa Joanna Giemza i Katarzyna Zwierzchowska Wprowadzenie do modelu regresji logistycznej wraz z przykªadem zastosowania w pakiecie statystycznym R do danych o pacjentach po przeszczepie nerki'- praca magisterska na Uniwersytecie Warszawskim Wydziaª Matematyki, Informatyki i Mechaniki, Modele liniowe... Wykªad 2 35/35

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany

Bardziej szczegółowo

Podstawy statystycznego modelowania danych - Wykªad 7

Podstawy statystycznego modelowania danych - Wykªad 7 Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz

Bardziej szczegółowo

Pakiety statystyczne - Wykªad 8

Pakiety statystyczne - Wykªad 8 Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji

Bardziej szczegółowo

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja

Bardziej szczegółowo

Wykªad 6: Model logitowy

Wykªad 6: Model logitowy Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3

Bardziej szczegółowo

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:

Bardziej szczegółowo

Ekonometria - wykªad 8

Ekonometria - wykªad 8 Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana

Bardziej szczegółowo

Podstawy statystycznego modelowania danych Analiza prze»ycia

Podstawy statystycznego modelowania danych Analiza prze»ycia Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate

Bardziej szczegółowo

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza

Bardziej szczegółowo

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13 Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for

Bardziej szczegółowo

Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)

Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie

Bardziej szczegółowo

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 5: Narz dzia wnioskowania w ekonometrii bayesowskiej (5) Ekonometria Bayesowska 1 / 8 Plan wykªadu 1 Przedziaªy ufno±ci HPDI Werykacja hipotez podej±cie bayesowskie 3 Werykacja

Bardziej szczegółowo

Modele wielorównaniowe. Problem identykacji

Modele wielorównaniowe. Problem identykacji Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria

Bardziej szczegółowo

Ekonometria - wykªad 1

Ekonometria - wykªad 1 Ekonometria - wykªad 1 0. Wprowadzenie Barbara Jasiulis-Goªdyn 28.02.2014 2013/2014 Ekonometria Literatura [1] B. Borkowski, H. Dudek, W. Szczesny, Ekonometria. Wybrane Zaganienia, PWN, Warszawa 2003.

Bardziej szczegółowo

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 3 29 pa¹dziernik 2015 1 / 39 Plan wykªadu 1. Test log-rank dla wi cej ni» dwóch grup 2. Test Mantela-Haenszela dla wi cej ni» dwóch grup 3. Wst p do

Bardziej szczegółowo

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1 Podstawowe

Bardziej szczegółowo

Informatyka w selekcji - Wykªad 1

Informatyka w selekcji - Wykªad 1 Informatyka w selekcji - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1 Podstawowe informacje o przedmiocie 2 Wst p do pakietu

Bardziej szczegółowo

Matematyka z elementami statystyki

Matematyka z elementami statystyki Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.

Bardziej szczegółowo

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª

Bardziej szczegółowo

Modele wielorównaniowe. Estymacja parametrów

Modele wielorównaniowe. Estymacja parametrów Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW

Bardziej szczegółowo

MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH

MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH MODEL HAHNFELDTA I IN. ANGIOGENEZY NOWOTWOROWEJ Z UWZGL DNIENIEM LEKOOPORNO CI KOMÓREK NOWOTWOROWYCH Urszula Fory± Zakªad Biomatematyki i Teorii Gier, Instytut Matematyki Stosowanej i Mechaniki, Wydziaª

Bardziej szczegółowo

Pakiety statystyczne Wykªad 14

Pakiety statystyczne Wykªad 14 Pakiety statystyczne Wykªad 14 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki Plan wykªadu Model mieszany 1. Podstawy teoretyczne 2. Przykªady w R 3. Przykªady zastosowania Tomasz

Bardziej szczegółowo

Statystyka matematyczna - ZSTA LMO

Statystyka matematyczna - ZSTA LMO Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1

Bardziej szczegółowo

Statystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW

Statystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest

Bardziej szczegółowo

Uogólniony model liniowy

Uogólniony model liniowy Uogólniony model liniowy Ogólny model liniowy y = Xb + e Każda obserwacja ma rozkład normalny Każda obserwacja ma tą samą wariancję Dane nienormalne Rozkład binomialny np. liczba chorych krów w stadzie

Bardziej szczegółowo

Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska

Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska. Anna Stankiewicz Izabela Słomska Adam Kirpsza Zastosowanie regresji logistycznej w studiach nad Unią Europejska Anna Stankiewicz Izabela Słomska Wstęp- statystyka w politologii Rzadkie stosowanie narzędzi statystycznych Pisma Karla Poppera

Bardziej szczegółowo

Biostatystyka, # 5 /Weterynaria I/

Biostatystyka, # 5 /Weterynaria I/ Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

In»ynierskie zastosowania statystyki wiczenia

In»ynierskie zastosowania statystyki wiczenia Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie

Bardziej szczegółowo

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka

Bardziej szczegółowo

Metody probablistyczne i statystyka stosowana

Metody probablistyczne i statystyka stosowana Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo

Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4

Bardziej szczegółowo

Wykªad 1+2: Klasyczny model regresji liniowej. Podstawy R

Wykªad 1+2: Klasyczny model regresji liniowej. Podstawy R Wykªad 1+2: Klasyczny model regresji liniowej Podstawy R Ekonometria Stosowana SGH KMNK i R 1 / 45 Plan wykªadu 1 Informacje organizacyjne 2 Wprowadzenie do ekonometrii Ekonometria Dane i postacie funkcyjne

Bardziej szczegółowo

Efekty przestrzenne w konwergencji polskich podregionów

Efekty przestrzenne w konwergencji polskich podregionów Efekty przestrzenne w konwergencji polskich podregionów Mikoªaj Herbst EUROREG UW Piotr Wójcik WNE UW Konferencja Ministerstwa Rozwoju Regionalnego Budowanie spójno±ci terytorialnej i przeciwdziaªanie

Bardziej szczegółowo

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan

Bardziej szczegółowo

Quick Launch Manual:

Quick Launch Manual: egresja Odds atio Quick Launch Manual: regresja logistyczna i odds ratio Uniwesytet Warszawski, Matematyka 28.10.2009 Plan prezentacji egresja Odds atio 1 2 egresja egresja logistyczna 3 Odds atio 4 5

Bardziej szczegółowo

1 Bª dy i arytmetyka zmiennopozycyjna

1 Bª dy i arytmetyka zmiennopozycyjna 1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy

Bardziej szczegółowo

Ekonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 5 i 6 Modelowanie szeregów czasowych (5-6) Ekonometria 1 / 30 Plan prezentacji 1 Regresja pozorna 2 Testowanie stopnia zintegrowania szeregu 3 Kointegracja 4 Modele dynamiczne (5-6)

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 8: Restrykcje na parametry w postaci nierówno±ci: analiza bayesowska (8) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Restrykcje nierówno±ciowe: podej±cie klasyczne a bayesowskie

Bardziej szczegółowo

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria

Bardziej szczegółowo

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14 WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 2013/14 Spis tre±ci 1 Kodowanie i dekodowanie 4 1.1 Kodowanie a szyfrowanie..................... 4 1.2 Podstawowe poj cia........................

Bardziej szczegółowo

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 1 13 pa¹dziernik 2014 1 / 49 Plan wykªadu 1. Analizy prze»ycia na przykªadach 2. Podstawowe idee statystyki matematycznej wykorzystywane w analizie

Bardziej szczegółowo

Prawdopodobie«stwo warunkowe, twierdzenie Bayesa, niezale»no± zdarze«.

Prawdopodobie«stwo warunkowe, twierdzenie Bayesa, niezale»no± zdarze«. Prawdopodobie«stwo warunkowe, twierdzenie Bayesa, niezale»no± zdarze«. Alicja Czy» WFTiMS April 14, 2010 Spis tre±ci 1 Wprowadzenie Denicja prawdopodobie«stwa warunkowego Twierdzenie Bayesa Niezale»no±

Bardziej szczegółowo

Biostatystyka, # 4 /Weterynaria I/

Biostatystyka, # 4 /Weterynaria I/ Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Elementarna statystyka

Elementarna statystyka Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,

Bardziej szczegółowo

Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.

Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja

Bardziej szczegółowo

Elementy statystyki STA - Wykład 5

Elementy statystyki STA - Wykład 5 STA - Wykład 5 Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza 1 ANOVA 2 Model jednoczynnikowej analizy wariancji Na model jednoczynnikowej analizy wariancji możemy traktować jako uogólnienie

Bardziej szczegółowo

Założenia: wyniki są binarne próby są niezależne liczba prób n ustalona przed pomiarem to samo prawdopodobieństwo sukcesu we wszystkich próbach

Założenia: wyniki są binarne próby są niezależne liczba prób n ustalona przed pomiarem to samo prawdopodobieństwo sukcesu we wszystkich próbach Biostatystyka, 2018/2019 dla Fizyki Medycznej, studia magisterskie Test dwumianowy χ 2 test dobroci dopasowania Analiza tabeli kontygencji ( tabeli krzyżywej) P k sukcesów = n k pk (1 p) n k Założenia:

Bardziej szczegółowo

Rozwini cia asymptotyczne dla mocy testów przybli»onych

Rozwini cia asymptotyczne dla mocy testów przybli»onych Rozwini cia asymptotyczne dla mocy testów przybli»onych Piotr Majerski, Zbigniew Szkutnik AGH Kraków Wisªa 2010 P. Majerski, Z. Szkutnik, AGH () Rozwini cia mocy testów przybli»onych Wisªa 2010 1 / 22

Bardziej szczegółowo

Podstawy modelowania w j zyku UML

Podstawy modelowania w j zyku UML Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 2 Zwi zki mi dzy klasami Asocjacja (ang. Associations) Uogólnienie, dziedziczenie (ang.

Bardziej szczegółowo

Egzamin z ekonometrii - wersja ogólna

Egzamin z ekonometrii - wersja ogólna Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?

Bardziej szczegółowo

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M =

Zadanie 1. (8 punktów) Dana jest nast puj ca macierz: M = Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dana jest nast puj ca macierz: M = 2 14 2 10 8 0 10 8. a) Znajd¹ rozwi zanie dwuosobowej gry o sumie zero maj cej powy»sz macierz wypªat. b) Przyjmuj

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie 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 szczegółowo

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1

Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1 Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, że 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.

Bardziej szczegółowo

Ekonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej Ekonometria wiczenia 7 Modele nieliniowe (7) Ekonometria 1 / 19 Plan wicze«1 Nieliniowo± : co to zmienia? 2 Funkcja produkcji Cobba-Douglasa 3 Nieliniowa MNK (7) Ekonometria 2 / 19 Plan prezentacji 1 Nieliniowo±

Bardziej szczegółowo

Lab. 02: Algorytm Schrage

Lab. 02: Algorytm Schrage Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z

Bardziej szczegółowo

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Rozdział 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 szczegółowo

Indeksowane rodziny zbiorów

Indeksowane rodziny zbiorów Logika i teoria mnogo±ci, konspekt wykªad 7 Indeksowane rodziny zbiorów Niech X b dzie przestrzeni zbiorem, którego podzbiorami b d wszystkie rozpatrywane zbiory, R rodzin wszystkich podzbiorów X za± T

Bardziej szczegółowo

Analiza danych ilościowych i jakościowych

Analiza danych ilościowych i jakościowych Wydział Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego 8 kwietnia 2010 Plan prezentacji 1 Zbiory danych do analiz 2 3 4 5 6 Implementacja w R Badanie depresji Depression trial data Porównanie

Bardziej szczegółowo

Podstawy statystycznego modelowania danych Analiza prze»ycia. Tomasz Suchocki

Podstawy statystycznego modelowania danych Analiza prze»ycia. Tomasz Suchocki Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Plan wykªadu 1. Wprowadzenie 2. Hazard rate 3. Cenzurowanie danych 4. Metoda Kaplana-Meiera i Flemingtona-Harringtona 5. Krzywe

Bardziej szczegółowo

Twierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski

Twierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej

Bardziej szczegółowo

Proste modele o zªo»onej dynamice

Proste modele o zªo»onej dynamice Proste modele o zªo»onej dynamice czyli krótki wst p do teorii chaosu Tomasz Rodak Festiwal Nauki, Techniki i Sztuki 2018 April 17, 2018 Dyskretny model pojedynczej populacji Rozwa»my pojedyncz populacj

Bardziej szczegółowo

Interpolacja Lagrange'a, bazy wielomianów

Interpolacja Lagrange'a, bazy wielomianów Rozdziaª 4 Interpolacja Lagrange'a, bazy wielomianów W tym rozdziale zajmiemy si interpolacj wielomianow. Zadanie interpolacji wielomianowej polega na znalezieniu wielomianu stopnia nie wi kszego od n,

Bardziej szczegółowo

MODELE LINIOWE i MIESZANE

MODELE LINIOWE i MIESZANE MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e

Bardziej szczegółowo

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona

Bardziej szczegółowo

i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski 5 kwietnia 2017

i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski 5 kwietnia 2017 i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski Uniwersytet Šódzki, Wydziaª Matematyki i Informatyki UŠ piotr@fulmanski.pl http://fulmanski.pl/zajecia/prezentacje/festiwalnauki2017/festiwal_wmii_2017_

Bardziej szczegółowo

Regresja liniowa wprowadzenie

Regresja liniowa wprowadzenie Regresja liniowa wprowadzenie a) Model regresji liniowej ma postać: gdzie jest zmienną objaśnianą (zależną); są zmiennymi objaśniającymi (niezależnymi); natomiast są parametrami modelu. jest składnikiem

Bardziej szczegółowo

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14

WST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14 WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 203/4 Spis tre±ci Kodowanie i dekodowanie 4. Kodowanie a szyfrowanie..................... 4.2 Podstawowe poj cia........................

Bardziej szczegółowo

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka

3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast

Bardziej szczegółowo

Ekonometria Bayesowska

Ekonometria Bayesowska Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych

Bardziej szczegółowo

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15 ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych

Bardziej szczegółowo

Wykład 8 Dane kategoryczne

Wykład 8 Dane kategoryczne Wykład 8 Dane kategoryczne Wrocław, 19.04.2017r Zmienne kategoryczne 1 Przykłady zmiennych kategorycznych 2 Zmienne nominalne, zmienne ordynalne (porządkowe) 3 Zmienne dychotomiczne kodowanie zmiennych

Bardziej szczegółowo

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej

Porównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika

Bardziej szczegółowo

Ekonometria Przestrzenna

Ekonometria Przestrzenna Ekonometria Przestrzenna Wykªad 3: Testowanie obecno±ci procesów przestrzennych (3) Ekonometria Przestrzenna 1 / 25 Plan wykªadu 1 Testowanie efektów przestrzennych 2 Testy ogólne Test Morana I Globalne

Bardziej szczegółowo

ZADANIA. Maciej Zakarczemny

ZADANIA. Maciej Zakarczemny ZADANIA Maciej Zakarczemny 2 Spis tre±ci 1 Algebra 5 2 Analiza 7 2.1 Granice iterowane, granica podwójna funkcji dwóch zmiennych....... 7 2.2 Caªki powierzchniowe zorientowane...................... 8 2.2.1

Bardziej szczegółowo

Planowanie do±wiadcze«

Planowanie do±wiadcze« Wykªad z przedmiotu Metody prognozowania dla studentów studiów niestacjonarnych 20 grudnia 2008 Poj cie teorii eksperymentu Proces poznania na drodze do±wiadczalnej pomiary: czyno±ci do±wiadczalne w celu

Bardziej szczegółowo

Elementarna statystyka Test Istotno±ci (Tests of Signicance)

Elementarna statystyka Test Istotno±ci (Tests of Signicance) Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /

Bardziej szczegółowo

Metody numeryczne i statystyka dla in»ynierów

Metody numeryczne i statystyka dla in»ynierów Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie 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 szczegółowo

Przykªadowe analizy. Grzegorz Kemski. 26 listopada 2008

Przykªadowe analizy. Grzegorz Kemski. 26 listopada 2008 26 listopada 2008 Plan wykªadu Prezentacja danych i metod statystycznych u»ytych w artykuªach: 'Why living-donor renal transplant yields better outcomes than cadaver renal transplant?' L. Guirado, E. Vela,

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407

Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407 Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.

Bardziej szczegółowo

Metody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9

Metody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s

Bardziej szczegółowo

Metodydowodzenia twierdzeń

Metodydowodzenia twierdzeń 1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych

Bardziej szczegółowo

Fraktale i ich zastosowanie

Fraktale i ich zastosowanie WFAIS UJ w Krakowie 20 listopada 2008 Denicja Wst p Denicja Samopodobie«stwo Wymiar fraktalny Fraktal to obiekt, który speªnia wi kszo± z poni»szych warunków: jest samopodobny; jego wymiar fraktalny jest

Bardziej szczegółowo

Metody dowodzenia twierdze«

Metody dowodzenia twierdze« Metody dowodzenia twierdze«1 Metoda indukcji matematycznej Je±li T (n) jest form zdaniow okre±lon w zbiorze liczb naturalnych, to prawdziwe jest zdanie (T (0) n N (T (n) T (n + 1))) n N T (n). 2 W przypadku

Bardziej szczegółowo

Rachunek ró»niczkowy funkcji jednej zmiennej

Rachunek ró»niczkowy funkcji jednej zmiennej Lista Nr 5 Rachunek ró»niczkowy funkcji jednej zmiennej 5.0. Obliczanie pochodnej funkcji Pochodne funkcji podstawowych. f() = α f () = α α. f() = log a f () = ln a '. f() = ln f () = 3. f() = a f () =

Bardziej szczegółowo

KLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu

KLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu ➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test

Bardziej szczegółowo

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15 ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych

Bardziej szczegółowo

PROBABILISTYKA I STATYSTYKA - Zadania do oddania

PROBABILISTYKA I STATYSTYKA - Zadania do oddania PROBABILISTYKA I STATYSTYKA - Zadania do oddania Parametr k = liczba trzycyfrowa, dwie ostatnie cyfry to dwie ostatnie cyfry numeru indeksu, pierwsza cyfra to pierwsza cyfra liczby liter pierwszego imienia.

Bardziej szczegółowo

A = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy.

A = n. 2. Ka»dy podzbiór zbioru sko«czonego jest zbiorem sko«czonym. Dowody tych twierdze«(elementarne, lecz nieco nu» ce) pominiemy. Logika i teoria mnogo±ci, konspekt wykªad 12 Teoria mocy, cz ± II Def. 12.1 Ka»demu zbiorowi X przyporz dkowujemy oznaczany symbolem X obiekt zwany liczb kardynaln (lub moc zbioru X) w taki sposób,»e ta

Bardziej szczegółowo

1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f.

1 0 Je»eli wybierzemy baz A = ((1, 1), (2, 1)) to M(f) A A =. 0 2 Daje to znacznie lepszy opis endomorzmu f. GAL II 2012-2013 A Strojnowski str1 Wykªad 1 Ten semestr rozpoczniemy badaniem endomorzmów sko«czenie wymiarowych przestrzeni liniowych Denicja 11 Niech V b dzie przestrzeni liniow nad ciaªem K 1) Przeksztaªceniem

Bardziej szczegółowo

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15 ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku

Bardziej szczegółowo

Statystyka matematyczna

Statystyka matematyczna Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka

Bardziej szczegółowo

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16 Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ

Bardziej szczegółowo

Wektory w przestrzeni

Wektory w przestrzeni Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem

Bardziej szczegółowo