Cztery typy skal pomiarowych
|
|
- Władysław Stankiewicz
- 6 lat temu
- Przeglądów:
Transkrypt
1 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl Litratura Koroacki J., Miliczuk J., Statystyka dla kiruków tchiczych i przyrodiczych, WNT 00. Klocki W., Statystyka dla iżyirów, PWN 99. Gajk L., Wioskowai statystycz,wnt 998. Mdhall W., Bavr R.J., Bavr B.M., Itroductio to Probability ad Statistics, Duxbury Prss 005 Wstęp Statystyka jst auką zajmującą się ajogólij mówiąc zbiraim daych i wydobywaim iformacji zawartj w tych daych. Statystykę moża podzilić a dwi części: statystykę opisową, statystykę matmatyczą. Statystyka opisowa zajmuj się gromadzim daych oraz iformacji dotyczących sposobu ich uzyskaia (p. iformacji dotyczących sposobu przprowadzia ksprymtu laboratoryjgo) oraz ich wstępą obróbką, przz którą rozumimy sortowai daych, ich prztację graficzą a takż wyzaczi pwych charaktrystyk liczbowych. Statystyka opisowa i używa aparatu probabilistyczgo. Jj clm jst sformułowai pwych hipotz badawczych mających ituicyj uzasadii w zgromadzoych daych. W raz z powszchą dostępością komputrów i wzrostm ich mocy oblicziowj mtody statystyki opisowj wzbogaciły się o ow tchiki zwa ksploracyją aalizą daych. Połączi ksploracyjj aalizy daych z tchiką systmów uczących i sztuczj itligcji zaowocowały powstaim owj dzidziy: itligtj aalizy daych (data miig). Statystyka matmatycza jst częścią probabilistyki powstałą a gruci rachuku prawdopodobiństwa. Istota jst jdak różica między zadaiami rachuku prawdopodobiństwa a zadaiami statystyki matmatyczj. Ss tj różicy ilustruj astępujący przykład. Rzucamy 0 razy motą. Zadai z rachuku prawdopodobiństwa polga p. a oblicziu prawdopodobiństwa uzyskaia cztrch orłów jżli wiadomo, ż prawdopodobiństwo uzyskaia orła w jdym rzuci jst rów 0,5. Statystykę matmatyczą itrsuj zagadii w pwym ssi odwrot. Jaki jst prawdopodobiństwo uzyskaia orła w jdym rzuci, jżli w dzisięciu rzutach uzyskao p. cztry orły? Zadaim statystyki matmatyczj jst więc okrśli izaych prawdopodobiństw w przyjętym modlu doświadczia. Cztry typy skal pomiarowych W aukach mpiryczych podstawowym sposobm zdobywaia iformacji jst pomiar, który rozumimy jako oprację przypisywaia rzczywistości ksprymtalj liczb. Choć pomiar jst rówi stary jak auka, to jgo logiczymi podstawami zajęto się dopiro w początku XX wiku,
2 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl kidy to Höldr (90) podał aksjomatyzację pomiaru masy. Pw cchy jak długość czy masa mirzymy mtodami, któr rozwięły się w ciągu stulci i wydają się obci całkim atural. Przy mirziu takich cch jak użytczość czy itligcja wykorzystuj się mtody, któr mogą się wydawać dość arbitral i mij atural. Kidy rozważymy problm pomiaru zdolości twórczych czy poczucia szczęścia pojawia się oczywist pytai: Czy t wilkości moża mirzyć? Odpowidzi a tak stawia pytaia moż udzilić aksjomatycza toria pomiaru, która zajmuj się m.i. uzasadiaim logiczym różych procdur pomiarowych oraz badaim ssu wyików uzyskiwaych w wyiku zastosowaia tych procdur. Oczywist wydaj się jdak to, ż istiją róż rodzaj pomiarów różiąc się między sobą strukturą, "stopim dokładości" czy "ilością uzyskiwaj iformacji". Wyróżia się podstawow skal pomiarow omialą porządkową itrwałową ilorazową skal jakościow skal ilościow Z pomiarm a skali omialj mamy do czyiia wtdy, gdy każdy obikt z rozważago zbioru moż być jdozaczi sklasyfikoway z względu a pwą cchę. Zbiór obiktów jst wic rozbity a sumę pwj ilości (zwykl skończoj) rozłączych podzbiorów- klas. Formali rozbici zbioru obiktów a klasy jst rówoważ zadaiu w zbiorz obiktów pwj rlacji rówoważościowj, która dzili zbiór obiktów a klasy rówoważości. Klasom rówoważości przypisujmy pw liczby, któr traktujmy jako tykity. Dowoly obikt trafia do jdj z klas rówoważości, którj odpowiada liczbowa tykita. Obiktowi w t sposób przypisujmy liczbę. Oczywiści iformacja o obikci i zmii się jżli klasom przypiszmy i tykity. Pomiar jst tu wyzaczoy z dokładością do bijktywgo przkształcia f : : R R. Liczb i moża tu porówywać, ai wykoywać a ich żadych opracji algbraiczych (w szczgólości uśrdiać). Każda rozsąda procdura aalizy takich daych powia być izmiicza z względu a bijkcj f : : R R zbioru liczb rzczywistych a sibi. Przykłady zmiych omialych: płć, wyzai, grupa krwi. Z pomiarm a skali porządkowj mamy do czyiia wtdy, gdy w rozważaym zbiorz ilorazowym (czyli zbiorz klas rówoważości obiktów) zadaa jst pwa rlacja liiowgo porządku (zwrota, atysymtrycza, przchodia i spója). Rozważmy dowolą rzczywistą i mootoiczą fukcję okrśloą a zbiorz klas rówoważości. Każdy obikt alży do jdj z klas rówoważości, którj mootoicza fukcja przypisuj liczbę. Pomiar polga tu więc a przypisywaiu obiktom liczb z zachowaim porządku i jst wyzaczoy z dokładością do
3 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl rosących bijkcji f : : R R. Każda procdura aalizy daych porządkowych powia być izmiicza względm rosących bijkcji. W statystyc są to p. procdury ragow. Przykłady zmij porządkowj: poparci dla partii rządzącj (zdcydowai i, raczj i, obojęty, raczj tak, zdcydowai tak) Z pomiarm a skali itrwałowj mamy do czyiia wtdy, gdy w rozważaym zbiorz obiktów jst okrśloa rlacja liiowgo porządku oraz w iloczyi kartzjańskim zbioru obiktów prz sibi okrśloa jst druga rlacja liiowgo porządku porządkująca "różic pomiędzy parami obiktów". Jżli obiktom przypiszmy liczby z zachowaim obu porządków, to pomiar jst tu wyzaczoy z dokładością do rosącgo przkształcia afiiczgo x ax+b ; a>0, czyli z dokładością do wyboru zra i jdostki. Procdury aalizy takich daych powiy być izmiicz względm zmiay położia i skali (scal ad locatio ivariat). Przykład Pomiar tmpratury a skali C lub F. Ni ma większgo ssu mówić, ż tmpratura obiktu A jst razy wyższa od tmpratury obiktu B. Moża jdyi mówić, ż tmpratura obiktu A jst wyższa od tmpratury obiktu B o pwą liczbę jdostk. Pomiar a skali ilorazowj jst podoby do pomiaru a skali itrwałowj przy czym jst o wyzaczoy z dokładością do rosącgo przkształcia liiowgo x ax ; a>0 to zaczy z dokładością do wyboru jdostki. Zro jst tu aturali ustalo. Procdura aalizy takich daych powia być izmiicza względm zmiay skali (scal ivariat) Przykład. Pomiar tmpratury a skali K. Dla dago typu daych pomiarowych mamy do dyspozycji stadardow procdury statystycz. Dla daych pomiarowych dostępych a skali wyższgo typu moża stosować procdury aalizy daych iższgo typu. Oczywiści taka aaliza wiąż się z częściową utratą iformacji. Nalży wyraźi podkrślić, ż stosowai mtod przzaczoych dla wyższych skal pomiarowych do daych dostępych a iższych skalach jst iuprawioą maipulacją. Wstępa aaliza daych jakościowych Mtody liczbow tabl liczości, tabl wilodzilcz Mtody graficz: wykrsy słupkow i kołow histogramy skatgoryzowa, itrakcj liczości, histogramy W wykrsy obrazkow (koła, gwiazdy, promii, twarz Chroffa, wilokąty, profil itd.) Wstępa aaliza daych ilościowych
4 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl Nich x,..., x rosąco da. x będzi ciągim daych ilościowych. Ozaczmy przz ( )... ( ) Mtody graficz x uporządkowa histogramy liczości i częstości - uwagi o wyborz długości przdziału i początku histogramu jda z możliwości: długość przdziałuh 0 =,6 IQR a początk wybiramy tak, aby ajmijsza obsrwacja była środkim pirwszgo przdziału (IQR wyjaśimy poiżj) łama częstości i krzyw stymatora jądrowgo wykrsy przbigu dla daych chroologiczych - trdy, okrsowość Wskaźiki sumarycz położia wartość śrdia w próbi (arytmtycza, gomtrycza, harmoicza) x(( + ) / ) iparzyst mdiaa xmd = ( x( / ) + x( / + ) ) parzyst k śrdia uciaa (trimmd) x tk = k x( i) k+ k śrdia wisorowska x = + ( + ) + ( ) + + ( ) ) wk ( k ) x k x i ( k x k -k ajmijszych k+ wartości x( ),..., x( k) zastępujmy wartościami x ( k+) atomiast k ajwiększych wartości x ( k+ ),..., x( ) zastępujmy wartościami x( k) rozproszia (rozrzutu) rozstęp próby R = x ( ) x( ) wariacja w próbi odchyli przciętd s = ) ( xi x) i odchyli stadardow s= ( xi x = xi x kwatyl ( w szczgólości kwartyl) rozstęp międzykwartylowy IQR= Q Q kształtu ( xi x) Skośość = (oca ( )( ) s X µ E ) σ ( + ) ( xi x) ( ) Kurtoza = ( )( )( ) s ( )( ) X µ (oca E ) σ
5 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl Wykrs ramkowy (skrzyka z wąsami). Długość wąsa i powia przkraczać,5 IQR. Jśli obsrwacja jst odlgła od brzgu skrzyki więcj iż,5 IQR, to jst traktowaa jako obsrwacja odstająca (outlir).. Jśli obsrwacja jst odlgła od brzgu skrzyki więcj iż IQR, to jst traktowaa jako kstrmali odstająca Cy samochodów Mdiaa = 50 5%-75% = (75, 5500) Zakrs iodstających = (900, 8550) Odstając Ekstrmal Przstrzń statystycza Z formalgo puktu widzia ksprymt statystyczy jst opisyway za pomocą przstrzi statystyczj (X, B, P={P θ : θ Θ}), gdzi X jst tzw. przstrzią prób, czyli zbiorm możliwych wyików ksprymtu, B jst σ-ciałm podzbiorów przstrzi prób X P={P θ : θ Θ}, jst rodzią rozkładów a σ-cil B paramtryzowaą paramtrm θ z zbioru paramtrów Θ. Uwaga. Powyższy zapis i ograicza rodziy rozkładów, gdyż każda rodzia rozkładów moż być sparamtryzowaa w trywialy sposób - paramtrm moż być sam rozkład (lub jgo dystrybuata). Jżli zbiór paramtrów Θ jst podzbiorm skończi wymiarowj przstrzi uklidsowj R m, to rodzię P={P θ :θ Θ} azywamy rodzią paramtryczą a rozważa problmy statystycz dotycząc tj rodziy azywać będzimy problmami paramtryczymi p. stymacja paramtrycza, tstowai hipotz paramtryczych. Jżli Θ i jst podzbiorm żadj skończi wymiarowj przstrzi uklidsowj, to rodzię P={P θ :θ Θ} azywamy rodzią 5
6 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl iparamtryczą a rozważa problmy statystycz dotycząc tj rodziy azywać będzimy problmami iparamtryczymi. Przykłady przstrzi statystyczych Nich (X,...,X ) będzi ciągim izalżych obsrwacji zmij losowj X o rozkładzi P (czyli X,...,X iid - idpdt idtically distributd). Fakt t wypowiadamy w statystyc matmatyczj astępująco: (X,...,X ) jst próbą prostą z populacji o rozkładzi P. Wobc tgo (x,...,x ) = (X (ω),...,x (ω)) dla pwgo ω i (x,...,x ) traktujmy jako zaobsrwowaą wartość ( ralizację) próby prostj (X,...,X ). Przykład.Nich X=(X,...,X ) będzi próbą prostą z populacji o rozkładzi N(m,). Przstrzią statystyczą jst wówczas (R,B(R ),{f(x,...,x )= / ( ) π ( x m) i, m R }), która jst przstrzią produktową i jst ozaczaa rówiż przz (R, B(R),{ f(x)= ( x m) / ( ) π, m R}). Jdoparamtrowa rodzia rozkładów jst wyzaczoa w tym przypadku przz rodzię fukcji gęstości (względm miary Lbsgu'a). Przstrzi produktow otrzymujmy wówczas gdy mamy obsrwacj typu iid. Zbiór paramtrów Θ jst w tym przypadku rówy R. Przykład. Jżli w przykładzi zastąpimy rozkład N(m,) rozkładm N(m,σ ), to otrzymamy astępującą produktową przstrzń statystyczą (R,B(R),{f(x)= ( x m) σ πσ, (m,σ) R R + }), Paramtrm θ jst para (m,σ) a zbiorm paramtrów Θ jst w tym przypadku R R +. Oczywiści w obu powyższych przykładach rodziy rozkładów są rodziami paramtryczymi. Przykład. Jżli w przykładzi zastąpimy rozkład N(m,) rozkładm P F o dystrybuaci F z zbioru F wszystkich dystrybuat a prostj, to otrzymamy przstrzń statystyczą (R, B(R),{P F,F F}). W tym przypadku θ=f a Θ=F. Zbiór F i jst podzbiorm żadj skończi wymiarowj przstrzi uklidsowj. Mamy więc do czyiia z iparamtryczą rodzią rozkładów. 6
7 Statystyka Wykład Adam Ćmil A-A a cmil@agh.du.pl Zadaia. Wykoujmy doświadczń losowych z których każd kończy się sukcsm z prawdopodobiństwm θ. Wiadomo, ż θ [θ, θ ], gdzi θ, θ [0,] są ustalo. Sformułować modl statystyczy tgo ksprymtu.. Pw urządzi tchicz pracuj dopóty, dopóki i uszkodzi się któryś z k lmtów typu A lub któryś z l lmtów typu B. Czas życia lmtów typu A jst zmią losową o rozkładzi wykładiczym z gęstością f ( x) = α xp( x/ α), a czas życia lmtów typu B jst zmią α losową o rozkładzi wykładiczym z gęstością f ( x) = β xp( x/ β). Obsrwuj się czas życia T całgo urządzia. Sformułować modl statystyczy tj obsrwacji. k i. Przprowadza się = β ksprymtów w taki sposób, z i ksprymtów wykouj się a poziomi x i,,...,k. Prawdopodobiństwo sukcsu w ksprymci przprowadzoym a poziomi x jst rów p( x) = ( α+β x) +, α R, β>0, gdzi(α,β) jst izaym paramtrm. Sformułować modl statystyczy tgo ksprymtu.. Pwa optymala własość mdiay. Mdiaą zmij losowj o rozkładzi P azywamy liczbę m taką, ż P(X m ) i P(X m ). Nich X będzi całkowalą zmią losową (tz. E X < ). Pokazać, z fukcja ϕ(c)= E X-c osiąga ajmijszą wartość, gdy c= m. Wskazówka Rozważyć przypadki ) c<m ) c>m i w każdym z ich pokazać ż ϕ(c)- ϕ(m )= E X-c - E X-m =ψ(c) przy czym ψ(c) 0 dla każdgo c i ψ( m )=0. 7
X, K, +, - przestrzeń wektorowa
Zmiaa bazy przstrzi wktorowj Diicja 1. X, K, +, - przstrzń wktorowa ad ciałm K ( (,,..., ),,..., ) - owa baza - stara baza Macirzą przjścia P od do azywamy macirz odwzorowaia Idtyczościowgo P przstrzi
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoElementy modelowania matematycznego
Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,
Bardziej szczegółowoZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO
ZASTOSOWANIE REGRESJI LOGISTYCZNEJ DO OKREŚLENIA PRAWDOPODOBIEŃSTWA SPRZEDAŻY ZASOBU MIESZKANIOWEGO Łukasz MACH Strszczni: W artykul przdstawiono procs budowy modlu rgrsji logistycznj, którgo clm jst wspomagani
Bardziej szczegółowoMMF ćwiczenia nr 1 - Równania różnicowe
MMF ćwiczia r - Rówaia różicow Rozwiązać rówaia różicow pirwszgo rzędu: y + y = y = y + y =! y = Wsk Podzilić rówai przz! i podstawić z y /( )! Rozwiązać rówaia różicow drugigo rzędu: 5 6 F F F F F (ciąg
Bardziej szczegółowoRachunek Prawdopodobieństwa MAP1151, 2011/12 Wydział Elektroniki Wykładowca: dr hab. Agnieszka Jurlewicz
1 Rachunk Prawdopodobiństwa MAP1151, 011/1 Wydział Elktroniki Wykładowca: dr hab. Agniszka Jurlwicz Listy zadań nr 5-6 Opracowani: dr hab. Agniszka Jurlwicz Lista 5. Zminn losow dwuwymiarow. Rozkłady łączn,
Bardziej szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoAnaliza danych jakościowych
Analiza danych jakościowych Ccha ciągła a ccha dyskrtna! Ciągła kg Dyskrtna Cchy jakościow są to cchy, których jdnoznaczn i oczywist scharaktryzowani za pomocą liczb jst nimożliw lub bardzo utrudnion.
Bardziej szczegółowoUogólnione wektory własne
Uogólnion wktory własn m Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoDefinicja: Wektor nazywamy uogólnionym wektorem własnym rzędu m macierzy A
Uogólnion wktory własnw Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A m do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoOCHRONA PRZECIWPOŻAROWA BUDYNKÓW
95 V. OCHRONA PRZCWPOŻAROWA BUDYNKÓW 34 tapy rozwoju pożaru Ohroa prziwpożarowa uwzględia astępują fazy rozwoju pożaru:. Lokala iijaja pożaru i jgo arastai.. Radiayja i kowkyja wymiaa ipła między źródłm
Bardziej szczegółowoElementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)
Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod
Bardziej szczegółowoRachunek Prawdopodobieństwa MAP1064, 2008/09
1 Rachunk Prawdopodobiństwa MAP1064, 008/09 Wydział Elktroniki Wykładowca: dr hab. Agniszka Jurlwicz Listy zadań nr 10-1 Opracowani: dr hab. Agniszka Jurlwicz Litratura: [1] A. Plucińska, E. Pluciński,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoĆwiczenia 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 szczegółowoInwestycje. MPK = R/P = uc (1) gdzie uc - realny koszt pozyskania kapitału. Przyjmując, że funkcja produkcji ma postać Cobba-Douglasa otrzymamy: (3)
Dr Barłomij Rokicki Ćwiczia z Makrokoomii II Iwsycj Iwsycj są ym składikim PB, kóry wykazuj ajwiększą skłoość do flukuacji czyli wahań. Spadk popyu a dobra i usługi jaki js obsrwoway podczas rcsji zwykl
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoANALIZA FOURIEROWSKA szybkie transformaty Fouriera
AALIZA FOURIEROWSKA szybi trasformaty Fourira dowola fuję priodyzą F( w zasi lub przstrzi (tx, ors T) moża przdstawić jao () F( b o + [ a si( + b os( ] gdzi π / T lub ω zauważmy, ż ω, jst ajiższą zęstośią
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoModa (Mo, D) wartość cechy występującej najczęściej (najliczniej).
Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy
Bardziej szczegółowoProjektowanie procesu doboru próby
Projkowai procsu doboru próby Okrśli populacji gralj i badaj Okrśli jdoski próby 3 Okrśli wykazu badaj populacji 4 Okrśli liczbości próby 5 Wybór mody doboru próby losowgo ilosowgo Usali ko lub co moż
Bardziej szczegółowoTw: (O promieniu zbieżności R szeregu potęgowego ) Jeżeli istnieje granica. to R = ) ciąg liczb zespolonych
Automatya i Rootya Aaliza Wyład dr Adam Ćmil cmil@agh.du.pl SZEREGI POTĘGOWE ( c ciąg licz zspoloych c ( z z - szrg potęgowy, gdzi ( c - ciąg współczyiów szrgu, z C - środ, ctrum (ustalo, z C - zmia. Dla
Bardziej szczegółowoTypy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe
Typy zmiennych Graficzne reprezentacje danych Statystyki opisowe Jakościowe charakterystyka przyjmuje kilka możliwych wartości, które definiują klasy Porządkowe: odpowiedzi na pytania w ankiecie ; nigdy,
Bardziej szczegółowoModele probabilistyczne zjawisk losowych
Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń
Bardziej szczegółowoROZKŁAD STATYSTYKI T-STUDENTA PRZY DANEJ WARIANCJI Z PRÓBY O ROZKŁADZIE NORMALNYM
D I D A C T I C S O F M A T H E M A T I C S No. 8 0 OZKŁAD STATYSTYKI T-STUDENTA PZY DANEJ WAIANCJI Z PÓBY O OZKŁADZIE NOMALNYM Albrt Gardoń Abstract. It is ot so asy to lctur o highr mathmatics for coomy
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej 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 szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoWydział Inżynierii Produkcji. I Logistyki. Statystyka opisowa. Wykład 3. Dr inż. Adam Deptuła
12.03.2017 Wydział Inżynierii Produkcji I Logistyki Statystyka opisowa Wykład 3 Dr inż. Adam Deptuła METODY OPISU DANYCH ILOŚCIOWYCH SKALARNYCH Wykresy: diagramy, histogramy, łamane częstości, wykresy
Bardziej szczegółowoTeoria Sygnałów. II Inżynieria Obliczeniowa. Wykład 13
Toria Sygałów II Iżyiria Oblicziowa Wyład 3 Filtr adaptacyjy dostraja się do zmiych waruów pracy. Filtr tai posiadają dwa sygały wjściow. Pirwszym jst sygał poddaway filtracji x(). Drugim ta zway sygał
Bardziej szczegółowoFarmakokinetyka furaginy jako przykład procesu pierwszego rzędu w modelu jednokompartmentowym zawierającym sztuczną nerkę jako układ eliminujący lek
1 Matriał tortyczny do ćwicznia dostępny jst w oddzilnym dokumnci, jak równiż w książc: Hrmann T., Farmakokintyka. Toria i praktyka. Wydawnictwa Lkarski PZWL, Warszawa 2002, s. 13-74 Ćwiczni 6: Farmakokintyka
Bardziej szczegółowoPlan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia
Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk
Bardziej szczegółowo3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoSieci neuronowe - uczenie
Sici nuronow - uczni http://zajcia.jakubw.pl/nai/ Prcptron - przypomnini x x x n w w w n wi xi θ y w p. p. y Uczni prcptronu Przykład: rozpoznawani znaków 36 wjść Wyjści:, jśli na wjściu pojawia się litra
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoStatystyczny opis danych - parametry
Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowo15. CAŁKA NIEOZNACZONA cz. I
5. CAŁKA NIEOZNACZONA cz. I Fukcj pirwot fukcji f w pwym przdzial (właciwym lub iwłaciwym) azywamy tak fukcj F, którj pochoda rówa si fukcji f w tym przdzial. Zbiór wszystkich fukcji pirwotych fukcji f
Bardziej szczegółowoPodstawowe pojęcia. Własności próby. Cechy statystyczne dzielimy na
Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony zbiór jednostek, które
Bardziej szczegółowolim lim 4) lim lim lim lim lim x 3 e e lim lim x lim lim 2 lim lim lim Zadanie 1 Wyznacz dziedziny następujących funkcji: log x x 6x
Tmat : Funkcj jdnj zminnj Zadani Wyznacz dzidziny następujących funkcji: ) f ) f 5) log 6 ) f ) f 7 Zadani Oblicz granic funkcji: log f 5 6) f 7 8 ) ) ) 8 7 ) 5) 6) 7) 8) 9) 5 5 7 7 7 6 0) 6 ) ) 9) 0)
Bardziej szczegółowo2009 ZARZĄDZANIE. LUTY 2009
Wybran zstawy gzaminacyjn kursu Matmatyka na Wydzial ZF Uniwrsyttu Ekonomiczngo w Wrocławiu w latach 009 06 Zstawy dotyczą trybu stacjonarngo Niktór zstawy zawirają kompltn rozwiązania Zakrs matriału w
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 2 - statystyka opisowa cd Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 2 1 / 20 MIARY ROZPROSZENIA, Wariancja Wariancją z próby losowej X
Bardziej szczegółowoLaboratorium 3 - statystyka opisowa
dla szeregu rozdzielczego Laboratorium 3 - statystyka opisowa Agnieszka Mensfelt 11 lutego 2019 dla szeregu rozdzielczego Statystyka opisowa dla szeregu rozdzielczego Przykład wyniki maratonu Wyniki 18.
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowo4) lim. lim. lim. lim. lim. x 3. e e. lim. lim x. lim. lim. lim. lim 2. lim. lim. lim. Zadanie 1 Wyznacz dziedziny następujących funkcji: log x.
Zastosowania matmatyki w konomii Tmat : Funkcj jdnj zminnj Zadani Wyznacz dzidziny następujących funkcji: ) f ) f 5) log 6 ) f ) f 7 Zadani Oblicz granic funkcji: log f 5 6) f 7 8 ) ) ) 8 7 ) 5) 6) 7)
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoCHARAKTERYSTYKA OBCIĄŻENIOWA
Opracowani: dr inż. Ewa Fudalj-Kostrzwa CHARAKTERYSTYKA OBCIĄŻENIOWA Charaktrystyki obciążniow są wyznaczan w ramach klasycznych statycznych badań silników zarówno dla silników o zapłoni iskrowym jak i
Bardziej szczegółowoSTATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś
1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.
Bardziej 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 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 szczegółowoStatystyka matematyczna. dr Katarzyna Góral-Radziszewska Katedra Genetyki i Ogólnej Hodowli Zwierząt
Statystyka matematyczna dr Katarzyna Góral-Radziszewska Katedra Genetyki i Ogólnej Hodowli Zwierząt Zasady zaliczenia przedmiotu: część wykładowa Maksymalna liczba punktów do zdobycia 40. Egzamin będzie
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoSTATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE
STATYSTYKA IV SEMESTR ALK (PwZ) STATYSTYKA OPISOWA RODZAJE CECH W POPULACJACH I SKALE POMIAROWE CECHY mogą być: jakościowe nieuporządkowane - skala nominalna płeć, rasa, kolor oczu, narodowość, marka samochodu,
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej 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 statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowoStatystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste
Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej 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 szczegółowoCiągi liczbowe wykład 3
Ciągi liczbowe wykład 3 dr Mariusz Grządziel semestr zimowy, r akad 204/205 Defiicja ciągu liczbowego) Ciagiem liczbowym azywamy fukcję odwzorowuja- ca zbiór liczb aturalych w zbiór liczb rzeczywistych
Bardziej 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 szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
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 szczegółowoWYKŁAD 2. Rozdział 2: Drgania układu liniowego o jednym stopniu swobody. Część 1 Drgania swobodne
WYKŁD Rozdział : Drgaia układu liiowgo o jdym stopiu swobody Część Drgaia swobod.. Modl fizycz układów o jdym stopiu swobody Przypomijmy, ż drgaia swobod to drgaia, któr odbywają się bz udziału wymuszń
Bardziej szczegółowoWykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy
Wykład Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Zbiorowość statystyczna - zbiór elementów lub wyników jakiegoś procesu powiązanych ze sobą logicznie (tzn. posiadających wspólne cechy
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoReguła de L Hospitala. Reguła de L Hospitala - odpowiedzi. Różniczka funkcji. Różniczka funkcji - odpowiedzi. Styczna i normalna
REGUŁA DE L HOSPITALA Rguła d L Hospitala Oblicz granicę: a lim b lim + f lim ln+ k lim l lim p u lim z lim + ln ln c lim g lim ln h lim ln sin q lim + v lim lim arc ctg π ln sin lnln sin d lim lim i lim
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
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 szczegółowoa 1, a 2, a 3,..., a n,...
III. Ciągi liczbowe. 1. Defiicja ciągu liczbowego. Defiicja 1.1. Ciągiem liczbowym azywamy fukcję a : N R odwzorowującą zbiór liczb aturalych N w zbiór liczb rzeczywistych R i ozaczamy przez { }. Używamy
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoKomitet Główny Olimpiady Fizycznej, Waldemar Gorzkowski: Olimpiady fizyczne XXIII i XXIV. WSiP, Warszawa 1977.
XXV OLMPADA FZYCZNA (1974/1975). Stopiń, zadani doświadczaln D Źródło: Nazwa zadania: Działy: Słowa kluczow: Komitt Główny Olimpiady Fizycznj, Waldmar Gorzkowski: Olimpiady fizyczn XX i XXV. WSiP, Warszawa
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoEKONOMETRIA. Ekonometryczne modele specjalne. Zbigniew.Tarapata zbigniew.tarapata.akcja.pl/p_ekonometria/ tel.
EKONOMETRIA Tmat wykładu: Ekonomtryczn modl spcjaln Prowadzący: dr inż. Zbigniw TARAPATA -mail: Zbigniw.Tarapata Tarapata@isi.wat..wat.du.pl http:// zbigniw.tarapata.akcja.pl/p_konomtria/ tl.: 0-606-45-54-80
Bardziej szczegółowoPróba własności i parametry
Próba własności i parametry Podstawowe pojęcia Zbiorowość statystyczna zbiór jednostek (obserwacji) nie identycznych, ale stanowiących logiczną całość Zbiorowość (populacja) generalna skończony lub nieskończony
Bardziej szczegółowoWybrane litery alfabetu greckiego
Wybrae litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilo η eta Θ θ theta κ kappa Λ λ lambda µ mi ν i ξ ksi π pi ρ, ϱ ro σ sigma τ tau Φ φ, ϕ fi χ chi Ψ ψ psi Ω ω omega Ozaczeia a i
Bardziej szczegółowoPrzetwarzanie sygnałów biomedycznych
Prztwarzani sygnałów biomdycznych dr hab. inż. Krzysztof Kałużyński, prof. PW Człowik- najlpsza inwstycja Projkt współfinansowany przz Unię Europjską w ramach Europjskigo Funduszu Społczngo Wykład XI Filtracja
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
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 szczegółowoPodstawy statystyki opisowej
Podstawy statystyki opisowej JERZY STEFANOWSKI Instytut Informatyki Politechnika Poznańska Aktualizacja 2017 Literatura Podstawowa: Statystyka dla studentów kierunków technicznych i przyrodniczych, Koronacki
Bardziej szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
Bardziej szczegółowoPrzedmiot statystyki. Graficzne przedstawienie danych.
Przedmiot statystyki. Graficzne przedstawienie danych. dr Mariusz Grządziel 2 marca 2009 Populacja i próba Populacja- zbiorowość skończona lub nieskończona, w stosunku do której mają być formułowane wnioski.
Bardziej szczegółowo