Psychofizyka. Metody adaptacyjne Skale percepcyjne
|
|
- Maja Mróz
- 7 lat temu
- Przeglądów:
Transkrypt
1 Psychofizyka Metody adaptacyjne Skale percepcyjne
2 Metody adaptacyjne Eksperymenty psychofizyczne mogą być długie i męczące zarówno dla obserwatora jak i badacza Procedury adaptacyjne skracają czas i zwiększają efektywność procedury ekperymentu Wskaźnikiem efektywności eksperymentu może być współczynnik K równy liczbie prób pomnożonej przez wariancję wartości oczekiwanej mierzonej wielkości
3 Metody adaptacyjne Metody adaptacyjne polegają na wyborze wartości bodźca w n-tej próbie na podstawie wyniku prób wcześniejszych. Metody góra/dół jeśli obserwator odpowiada błędnie na próbę w następnej próbie otrzymuje bodziec silniejszy Pozwala wyznaczyć jedynie próg Metody ciągłego dopasowania Po każdej próbie dopasowujemy PF do dotychczas zebranych danych i następny bodziec podajemy w zależności od wyliczonego progu dopasowania Także pozwala wyznaczyć jedynie próg Metoda psi W próbie wybieramy takie wartości bodźca, które maksymalizują efektywność wyznaczenia zarówno progu jak i nachylenia. Najbardziej skomplikowana z używanych metod adaptacyjnych
4 Metoda góra-dół Dixon & Mood 1948 Zrzucamy ciężarek na materiał wybuchowy szukając krytycznej wysokości zrzutu przy której materiał wybucha 20 stóp nic, 21. nic, 22. nic, 23 bum! Krytyczna wysokość jest gdzieś pomiędzy 22 a 23 W rzeczywistości jedyne co możemy stwierdzić, że prawdopodobieństwo wybuchu powyżej 22 jest większe od 0, zaś poniżej 23 mniejsze od 1
5 Metoda góra-dół Jeśli eksplozja nastąpiła w następnej próbie zmniejszamy wysokość zrzutu ciężarka, jeśli nie nastąpiła zmniejszamy Próg definiujemy jako wysokość z której zrzut powoduje eksplozję z prawdopodobieństwem 50% Ponieważ schemat ten wskazuje punkt, w którym obie odpowiedzi występują z równą częstością jest szczególnie użyteczny w badaniach opartych na ocenie PSE
6 Transformowana metoda góra-dół Wetherill and Levitt (1965) Decyzja o zmniejszeniu wartości bodźca jest oparta na kilku wcześniejszych próbach, np. 1góra-2dół (zwiększamy bodziec po każdej błędnej odpowiedzi, ale zmniejszamy jedynie po dwóch kolejnych poprawnych) Na początku eksperymentu używamy metody 1góra-1dół aż do pierwszej zmiany odpowiedzi. Dzięki temu szybciej osiągamy wartości zbliżone do progu.
7 Ważona metoda góra-dół Kaernbach (1991) Kroki zwiększania i zmniejszania nie są równe Wyznaczone prawdopodobieństwo będzie wówczas równe D + /(D + +D - ) Przekształcając ten wzór uzyskujemy D + /D - =(1-p)/p Jeśli chcemy uzyskać 75% poprawnych odpowiedzi jako próg kroki w górę muszą być 3 razy większe niż w dół
8 Ważona metoda transformowana 3 Garcia-Perez (1998) Kroki D +, D - i ilość odpowiedzi D potrzebnych do zmiany bodźca niesymetryczne Prawdopodobieństwo wynikowe: p D + D + D D
9 Kryterium zakończenia eksperymentu i wyznaczenie progu Zazwyczaj eksperyment kończymy po uzyskaniu założonej liczby zmian (odwróceń), np. 10 Próg wyznaczany jest jako średnia wartości bodźca dla kilku ostatnich odwróceń, np. 8 Rzadziej eksperyment kończymy po założonej liczbie prób i wynik kalkulujemy jako średnia bodźców ze wszystkich prób, rzadko też wyznacz się próg przez dopasowanie PF do danych (metoda hybrydowa) Ponieważ próg wyznaczony jest w każdym eksperymencie po przeprowadzeniu kilku (np. dla kilku osób) możemy od razu wyznaczyć odchylenie standardowe (w metodzie hybrydowej możemy uwzględnić dane z wielu eksperymentów do dopasowania PF)
10 Metody ciągłego dopasowania Best PEST (Pentland, 1980) PEST (szkodnik) parameter estimation by sequential testing (szacowanie parametrów przez testowanie sekwencyjne) Metoda zakłada specyficzną formę PF i pozwala znaleźć jedynie próg (nachylenie i współczynniki zgadywania i rozproszeń muszą być założone) Po każdej próbie liczona jest funkcja podobieństwa (likelihood) na podstawie wszystkich wcześniejszych prób. Wartością następnego bodźca jest próg szacowany na podstawie dopasowanej PF. Druga próba jest graniczną wartością bodźca (największą albo najmniejszą) gdyż funkcja podobieństwa dla jednego punktu jest nieskończona
11 Metody ciągłego dopasowania Metoda Quest (poszukiwanie) (Watson & Pelli 1983) Wersja metody PEST z uwzględnieniem dopasowania bayesiańskiego Twierdzenie Bayesa może zostać zastosowane do związania wyników doświadczenia (w formie funkcji podobieństwa) z wcześniejszą wiedzą lub założeniami dotyczącymi wartości progu (jako gęstości prawdopodobieństwa) w celu otrzymania wtórnego rozkładu prawdopodobieństwa na możliwych wartościach progu Można na to patrzeć jako na nowe dane, które weryfikują wcześniejszą teorię. Po odpowiedniej liczbie prób teoria wstępna zaczyna mieć coraz mniejsze znaczenie dla wyników
12 Kryteria zakończenia eksperymentu i szacowania progu Eksperyment najczęściej kończony jest po zadanej liczbie prób, rzadziej po zadanej liczbie odwróceń Ponieważ próg jest tu liczony jako wartość następnego kroku, wynikowa wartość progu jest jego wartością w kroku ostatnim.
13 Uwagi praktyczne W przypadku metod ciągłego dopasowania musimy wszystko wiedzieć o PF obserwatora poza progiem (albo trafnie oszacować) Warto w trakcie eksperymentu dodać kilka prób mocno odbiegających od zasady (znacząco wyższa wartość bodźca), co pobudzi obserwatora, zmniejszy zależność międzypróbową, zwiększy koncentrację
14 Metoda PSI Metoda PSI (Kontsevich & Tyler, 1999) ma na celu określenie nie tylko progu ale także nachylenia PF Po każdej próbie obliczany jest wtórny rozkład prawdopodobieństwa w dwóch wymiarach nachylenia i lokalizacji Metryką jest tu minimalizacja entropii rozkładu prawdopodobieństwa
15 Kasyno Masz do wyboru 2 gry Weź królową albo Zabierz pika Weź królową: losujesz kartę Królowa wygrywasz $26 Inna karta płacisz $3 Zabierz pika Pik wygrywasz $20 Inny kolor płacisz $8 Podobnie metoda PSI tak dobiera możliwe następne bodźce aby zminimalizować entropię rozumianą tu jako niepewność wtórnego rozkładu prawdopodobieństwa wartości parametrów PF
16 Entropia Wylosujmy kartę i zgadnijmy jej kolor Prawdopodobieństwo każdego koloru jest równe ¼ Zdefiniujmy entropię jako: H - pi log 2 pi 2bity Można patrzeć na tą wartość jako na ilość pytań tak/niektóre trzeba zadać aby uzyskać pewność Zadanie pytania czy kolor jest czerwony (załóżmy, że tak) zmniejszy entropię do 1 bitu Zadanie pytania czy jest to kier (załóżmy, że nie) zmniejszy entropię do 0 i
17 Entropia Definiujemy dwuwymiarową entropię jako ( ) ( ) H - p a, b log 2 p a, b a, b Wartości prawdopodobieństwa p(a,b) są określone przez wtórny rozkład prawdopodobieństwa po każdej próbie
18 Metoda PSI Metoda rozważa szereg bodźców do prezentacji w następnej próbie (por. gier do zagrania) Dla każdej liczy prawdopodobieństwo poprawnej i niepoprawnej odpowiedzi (por. prawdopodobieństwo wygranej) Rozważa także entropię (por. wartość wygranej), która wyniknie z prawidłowej i nieprawidłowej odpowiedzi Z nich wylicza oczekiwaną entropię (por. wartość oczekiwaną wygranej) Wybiera bodziec który ma najniższą entropię oczekiwaną
19 Metoda PSI Wartości bodźca do tej metody muszą zostać dyskretyzowane Ponieważ do działania niezbędne są założenia co do prawdopodobieństwa poprawnej i niepoprawnej odpowiedzi dla każdej wartości bodźca, a więc PF (która jest celem eksperymentu), metoda szacuje ją na podstawie poprzednich prób To tak jakbyśmy nie wiedzieli ile królowych albo pików jest w talii, lecz w miarę kolejnych gier zorientujemy się coraz dokładniej w tej mierze
20 Metoda PSI Na początku metoda podaje bodźce bardzo bliskie bieżącemu progowi z dopasowania Później podawane są wartości odbiegające od progu ale pozwalające na oszacowanie nachylenia
21 Kryterium zakończenia eksperymentu i szacowania wyników W metodzie PSI nie ma sensu liczyć odwróceń, dlatego najczęściej eksperyment kończy założona liczba prób Kończące dopasowanie jest wynikiem eksperymentu Często zarówno w metodzie PSI jak i QUEST warto podzielić je przez wstępny (założony) rozkład prawdopodobieństwa uzyskując w ten sposób czystą funkcję podobieństwa (likelihood)
22 przerwa
23 Skale percepcyjne Określają zależność między fizyczną a odbieraną (percepcyjną) wielkością danego bodźca Natężenie światła i jasność Niesparowanie na siatkówce i odczuwana głębia Fizyczna prędkość i odczuwana prędkość W określaniu skal percepcyjnych nie ma poprawnych/niepoprawnych odpowiedzi
24 Skale percepcyjne
25 MLDS skalowanie różnicy maksymalnego podobieństwa Odnosi się do metod skalowania z wymuszonym wyborem Wykorzystuje komputerową optymalizację w celu znalezienia optymalnych parametrów Może uwzględniać zmiany szumu obserwatora z wartością bodźca Tworzy skalę interwałową (taką, która określa stosunki między bodźcami)
26 Jak działa MLDS? Załóżmy, że przeprowadzamy eksperyment metodą poczwórną. Prezentujemy obserwatorowi szereg bodźców S1, S2, S3 SN, w każdej próbie 4 różne bodźce w 2 parach Obserwator musi wybrać parę która bardziej się różni (albo jest bardziej podobna) Metoda MLDS traktuje wartości ψ(1) ψ(n) jako wolne parametry które trzeba oszacować. Często dodatkowo zakłada się, że Ψ(1) =0, ψ(n)=1 Liczymy podobieństwo (likelihood) dla każdej próby przy założonych wartościach wstępnych ψ(i), następnie mnożymy wartości przez siebie obliczając podobeństwo wzajemne otrzymując wartość dla próby, powtarzając to dla innych wartości ψ(i) znajdujemy skalę maksymalizującą podobieństwo (likelihood)
27 Przykład Zgadujemy wartości wstępne: ψ(1)=0,5; ψ(2)=0,7; ψ(3)=0,2; ψ(4)=0,3 Wewnętrzny szum obserwatora opisany rozkładem normalnym z odch. stand. σ=0,1 1 próba (która para bardziej się różni?) S1 vs S2 czy S3 vs S4 Różnica różnic skal między S1 vs S2 i S3 vs S4 D= ψ(1) - ψ(2) - ψ(3) - ψ(4) = 0,1 Dzielimy tą wartość przez odch. stand. szumu co daje nam 1 Obliczamy dystrybuantę standartowego rozkładu normalnego dla tej wartości co daje nam p=0,8413 Następnie przeprowadzamy analogiczne obliczenia dla wszystkich pozostałych poczwórnych kombinacji bodźców. Mnożenie końcowe możemy zastąpić przez sumowanie logarytmów wartości Na koniec obliczamy podobieństwo dla innego zestawu wartości ψ(i) szukając maksymalnego podobieństwa do wyników obserwatora
28 Skala dyskryminacyjna Intuicyjnie można myśleć że najprościej skalę percepcyjną można skonstruować na podstawie dopiero-co-zauważalnych-różnic (JND)czyli rosnących progów. Zacznijmy od pewnej bazowej wartości bodźca Zmierzmy JND między tą wartością a wartością wyższą, stwarzając drugą bazową wartość itd. Taki typ skali nazywamy skalą dyskryminacyjną zaś metodę jej otrzymania skalowaniem dyskryminacyjnym lub całkowaniem Fechnerowskim (progi spełniają prawo Webera, tj. są proporcjonalne do wartości bodźca)
29 Skala dyskryminacyjna Wadą skali dyskryminacyjnej jest to, że niepewności każdej z wartości bazowej kumulują się w kolejnych krokach Można to częściowo przezwyciężyć, przez dopasowanie gładkiej funkcji do otrzymanych wartości bazowych Większym problemem, jest fakt, że JND są determinowane nie tylko przez kształt skali percepcyjnej ale także przez wielkość szumu wewnętrznego obserwatora związanego z konkretną wielkością bodźca
30 Skale percepcyjne a szum Szum addytywny o stałym σ Skala potęgowa as n Szum multiplikatywny o σ proporcjonalnym do wartości bodźca Skala liniowa Wartość JND definiowana jako stosunek sygnału (różnicy bodźców) do szumu
31 MLDS a szum W doświadczeniu metodą poczwórną (dwie pary bodźców) mamy 3 poziomy szumu: Szum związany z bodźcem Szum związany z różnicą między bodźcami Szum związany z różnicą różnic między bodźcami Dodatkowo w metodzie uwzględnia się parametr σ Okazuje się, że metoda ta jest odporna na rodzaj tych szumów (addytywny czy multiplikatywny)
32 Skalowanie podziału Podajemy badanemu 2 bodźce kotwiczne i prosimy aby dostosował wartość trzeciego bodźca aby jego wielkość percepcyjna znalazła się w połowie między jednym a drugim Ponieważ zarówno szum związany z odbiorem bodźców kotwicznych jak i szum związany z odbiorem i porównywaniem bodźca będzie opisany rozkładem normalnym (o σ multiplikatywnym lub addytywnym) wynik będzie opisany rozkładem normalnym o średniej d/2
33 Metody skalowania Metoda podziału jest odporna na błędne założenia co do szumu Oznacza to, że kształt skali będzie niezależny od tego czy szum jest addytywny czy multiplikatywny Dokładność wyznaczenia skali oczywiście będzie zależała od szumu MLDS (w met. potrójnej i poczwórnej) także będzie generował pozbawione błędu systematycznego wartości skali percepcyjnej MLDS w wersji podwójnej i metoda dyskryminacyjna będą działały jedynie przy założeniu (słusznym) szumu addytywnego Metoda podziału przy dużej ilości bodźców jest efektywniejsza, gdyż wymaga mniejszej ilości prob
Psychofizyka. Klasyfikacja eksperymentów psychofizycznych
Psychofizyka Klasyfikacja eksperymentów psychofizycznych Plan II części zajęć Klasyfikacja eksperymentów psychofizycznych Różnorodność procedur psychofizycznych Funkcje psychometryczne Metody adaptacyjne
Bardziej szczegółowoPsychofizyka. Funkcje psychometryczne
Psychofizyka Funkcje psychometryczne Wstęp Funkcje psychometryczne (PF) odnoszą się do zachowania badanego w danym zadaniu psychofizyczne (np. proporcja poprawnych odpowiedzi, proporcja prób określonych
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoPsychofizyka. Pomiary detekcji sygnałów Porównanie modeli
Psychofizyka Pomiary detekcji sygnałów Porównanie modeli Czym jest Teoria Detekcji Sygnałów (SDT)? W wielu przypadkach badań wydajnościowych proporcja poprawnych odpowiedzi (Pc) jest niewłaściwą lub nieinformacyjną
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoSMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec
SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza
Bardziej szczegółowoOszacowanie i rozkład t
Oszacowanie i rozkład t Marcin Zajenkowski Marcin Zajenkowski () Oszacowanie i rozkład t 1 / 31 Oszacowanie 1 Na podstawie danych z próby szacuje się wiele wartości w populacji, np.: jakie jest poparcie
Bardziej szczegółowoĆwiczenie 1 Metody pomiarowe i opracowywanie danych doświadczalnych.
Ćwiczenie 1 Metody pomiarowe i opracowywanie danych doświadczalnych. Ćwiczenie ma następujące części: 1 Pomiar rezystancji i sprawdzanie prawa Ohma, metoda najmniejszych kwadratów. 2 Pomiar średnicy pręta.
Bardziej szczegółowoKorelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego
Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Współczynnik korelacji opisuje siłę i kierunek związku. Jest miarą symetryczną. Im wyższa korelacja tym lepiej potrafimy
Bardziej szczegółowoZadania ze statystyki, cz.6
Zadania ze statystyki, cz.6 Zad.1 Proszę wskazać, jaką część pola pod krzywą normalną wyznaczają wartości Z rozkładu dystrybuanty rozkładu normalnego: - Z > 1,25 - Z > 2,23 - Z < -1,23 - Z > -1,16 - Z
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoPrezentacja, którą czytacie jest jedynie zbiorem sugestii. Nie zawiera odpowiedzi na pytania wprost. Jeżeli nie wiedzielibyście jak odpowiedzieć na
Prezentacja, którą czytacie jest jedynie zbiorem sugestii. Nie zawiera odpowiedzi na pytania wprost. Jeżeli nie wiedzielibyście jak odpowiedzieć na któreś z pytań, to poniżej macie kierunek w jakim podążać
Bardziej szczegółowoTemat: SZACOWANIE NIEPEWNOŚCI POMIAROWYCH
Temat: SZCOWNIE NIEPEWNOŚCI POMIROWYCH - Jak oszacować niepewność pomiarów bezpośrednich? - Jak oszacować niepewność pomiarów pośrednich? - Jak oszacować niepewność przeciętną i standardową? - Jak zapisywać
Bardziej szczegółowoPrzepustowość kanału, odczytywanie wiadomości z kanału, poprawa wydajności kanału.
Przepustowość kanału, odczytywanie wiadomości z kanału, poprawa wydajności kanału Wiktor Miszuris 2 czerwca 2004 Przepustowość kanału Zacznijmy od wprowadzenia równości IA, B HB HB A HA HA B Można ją intuicyjnie
Bardziej szczegółowoEstymacja punktowa i przedziałowa
Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoJeśli powyższy opis nie jest zrozumiały należy powtórzyć zagadnienie standaryzacji zanim przejdzie się dalej!
CO POWINNIŚMY WIEDZIEĆ (I ROZUMIEĆ) ZABIERAJĄC SIĘ DO CZYTANIA 1. Jeśli mamy wynik (np. z kolokwium) podany w wartościach standaryzowanych (np.: z=0,8) to wiemy, że aby ustalić jaki był wynik przed standaryzacją
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoRodzaje testów. Testy. istnieje odpowiedź prawidłowa. autoekspresja brak odpowiedzi prawidłowej ZGADYWANIE TRAFNOŚĆ SAMOOPISU
Rodzaje testów Testy wiedza umiejętności zdolności właściwości poznawcze właściwości afektywne uczucia postawy osobowość emocje wierzenia istnieje odpowiedź prawidłowa autoekspresja brak odpowiedzi prawidłowej
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoZ Wikipedii, wolnej encyklopedii.
Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Chemii (2018) Autor prezentacji :dr hab. Paweł Korecki dr Szymon Godlewski e-mail: szymon.godlewski@uj.edu.pl
Bardziej szczegółowoZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.
Opracowała: Joanna Kisielińska ZMIENNE LOSOWE Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R tzn. X: R. Realizacją zmiennej losowej
Bardziej szczegółowoWydział Matematyki. Testy zgodności. Wykład 03
Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych. Wykład tutora na bazie wykładu prof. Marka Stankiewicza
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Wykład tutora na bazie wykładu prof. Marka Stankiewicza Po co zajęcia w I Pracowni Fizycznej? 1. Obserwacja zjawisk i
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoRozkłady dwóch zmiennych losowych
Rozkłady dwóch zmiennych losowych Uogólnienie pojęć na rozkład dwóch zmiennych Dystrybuanta i gęstość prawdopodobieństwa Rozkład brzegowy Prawdopodobieństwo warunkowe Wartości średnie i odchylenia standardowe
Bardziej szczegółowoĆwiczenia 3 ROZKŁAD ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ
Ćwiczenia 3 ROZKŁAD ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ Zadanie 1. Zmienna losowa przyjmuje wartości -1, 0, 1 z prawdopodobieństwami równymi odpowiednio: ¼, ½, ¼. Należy: a. Wyznaczyć rozkład prawdopodobieństwa
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH Dr Benedykt R. Jany I Pracownia Fizyczna Ochrona Środowiska grupa F1 Rodzaje Pomiarów Pomiar bezpośredni - bezpośrednio
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowoTestowanie hipotez. Marcin Zajenkowski. Marcin Zajenkowski () Testowanie hipotez 1 / 25
Testowanie hipotez Marcin Zajenkowski Marcin Zajenkowski () Testowanie hipotez 1 / 25 Testowanie hipotez Aby porównać ze sobą dwie statystyki z próby stosuje się testy istotności. Mówią one o tym czy uzyskane
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowoIV WYKŁAD STATYSTYKA. 26/03/2014 B8 sala 0.10B Godz. 15:15
IV WYKŁAD STATYSTYKA 26/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 4 Populacja generalna, próba, losowanie próby, estymatory Statystyka (populacja generalna, populacja próbna, próbka mała, próbka duża, reprezentatywność,
Bardziej szczegółowoR-PEARSONA Zależność liniowa
R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe
Bardziej szczegółowoteoria informacji Kanały komunikacyjne, kody korygujące Mariusz Różycki 25 sierpnia 2015
teoria informacji Kanały komunikacyjne, kody korygujące Mariusz Różycki 25 sierpnia 2015 1 wczoraj Wprowadzenie matematyczne. Entropia i informacja. Kodowanie. Kod ASCII. Stopa kodu. Kody bezprefiksowe.
Bardziej szczegółowoStatystyczne Metody Opracowania Wyników Pomiarów
Statystyczne Metody Opracowania Wyników Pomiarów dla studentów Ochrony Środowiska Teresa Jaworska-Gołąb 2017/18 Co czytać [1] H. Szydłowski, Pracownia fizyczna, PWN, Warszawa 1999. [2] A. Zięba, Analiza
Bardziej szczegółowoWyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności
Wyniki badań reprezentatywnych są zawsze stwierdzeniami hipotetycznymi, o określonych granicach niepewności Statystyka indukcyjna pozwala kontrolować i oszacować ryzyko popełnienia błędu statystycznego
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Chemii 2007 Paweł Korecki 2013 Andrzej Kapanowski Po co jest Pracownia Fizyczna? 1. Obserwacja zjawisk i
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowoPrzygotowała: prof. Bożena Kostek
Przygotowała: prof. Bożena Kostek Ze względu na dużą rozpiętość mierzonych wartości ciśnienia (zakres ciśnień akustycznych obejmuje blisko siedem rzędów wartości: od 2x10 5 Pa do ponad 10 Pa) wygodniej
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych. Wykład tutora na bazie wykładu prof. Marka Stankiewicza
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Wykład tutora na bazie wykładu prof. Marka tankiewicza Po co zajęcia w I Pracowni Fizycznej? 1. Obserwacja zjawisk i efektów
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa cz.2
Wielokryteriowa optymalizacja liniowa cz.2 Metody poszukiwania końcowych rozwiązań sprawnych: 1. Metoda satysfakcjonujących poziomów kryteriów dokonuje się wyboru jednego z kryteriów zadania wielokryterialnego
Bardziej szczegółowoTestowanie hipotez statystycznych cd.
Temat Testowanie hipotez statystycznych cd. Kody znaków: żółte wyróżnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Przykłady testowania hipotez dotyczących:
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoGrupowanie materiału statystycznego
Grupowanie materiału statystycznego Materiał liczbowy, otrzymany w wyniku przeprowadzonej obserwacji statystycznej lub pomiaru, należy odpowiednio usystematyzować i pogrupować. Doskonale nadają się do
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoKompresja danych DKDA (7)
Kompresja danych DKDA (7) Marcin Gogolewski marcing@wmi.amu.edu.pl Uniwersytet im. Adama Mickiewicza w Poznaniu Poznań, 22 listopada 2016 1 Kwantyzacja skalarna Wprowadzenie Analiza jakości Typy kwantyzatorów
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoFIZYKA LABORATORIUM prawo Ohma
FIZYKA LABORATORIUM prawo Ohma dr hab. inż. Michał K. Urbański, Wydział Fizyki Politechniki Warszawskiej, pok 18 Gmach Fizyki, murba@if.pw.edu.pl www.if.pw.edu.pl/ murba strona Wydziału Fizyki www.fizyka.pw.edu.pl
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoLABORATORIUM PODSTAW TELEKOMUNIKACJI
WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoWykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.
Wykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.. KEITHLEY. Practical Solutions for Accurate. Test & Measurement. Training materials, www.keithley.com;. Janusz Piotrowski: Procedury
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoWnioskowanie statystyczne. Statystyka w 5
Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych Dr inż. Marcin Zieliński I Pracownia Fizyczna dla Biotechnologii, wtorek 8:00-10:45 Konsultacje Zakład Fizyki Jądrowej
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Biologii A i B dr hab. Paweł Korecki e-mail: pawel.korecki@uj.edu.pl http://www.if.uj.edu.pl/pl/edukacja/pracownia_i/
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoRedukcja wariancji w metodach Monte-Carlo
14.02.2006 Seminarium szkoleniowe 14 lutego 2006 Plan prezentacji Wprowadzenie Metoda losowania warstwowego Metoda próbkowania ważonego Metoda zmiennych kontrolnych Metoda zmiennych antytetycznych Metoda
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowo