RELIABILITY ANALYSIS OF HELICOPTER S SUPPORTINGSTRACTURE WITH SSI AND SST MODELS USED

Wielkość: px
Rozpocząć pokaz od strony:

Download "RELIABILITY ANALYSIS OF HELICOPTER S SUPPORTINGSTRACTURE WITH SSI AND SST MODELS USED"

Transkrypt

1 Joural o KOBi 1(513 ISS DOI 1.478/jok RELIABILITY AALYSIS OF HELICOPTER S SUPPORTIGSTRACTURE ITH SSI AD SST MODELS USED AALIZA IEZAODOŚCIOA STRUKTURY OŚEJ ŚMIGŁOCA MODELAMI SSI ORAZ SST Tomasz Bońkowski, Marta och Politechika arszawska, Istytut Techiczy ojsk Loticzych marta.woch@itwl.l Abstract: I this work, algorithms have bee used to comare the methods or determiig reliability o critical oits. Geeralized models Stress-Stregth- Itererece (SSI ad Stress-Stregth-Time (SST have bee aalyzed. Iut to the algorithms, stress ad stregth were geerated by usig the Markov chai model based o actual light records. ith this aroach methods o determiig the reliability o critical oits o a helicoter s structure are justiied. Keywords: reliability, saety, stress-stregth-itererece, stress-stregth-time Streszczeie: racy dokoao róby orówaia algorytmów metod wyzaczaia iezawodości uktów krytyczych. Poddao aalizie modele Stress- Stregth-Itererece (SSI oraz Stress-Stregth-Time (SST, której celem było srawdzeie zastosowań obydwu metod w rzeczywistych warukach eksloatacji dla uktów krytyczych struktury ośej śmigłowca. Dae wejściowe do algorytmów, czyli arężeia w ukcie krytyczym struktury ośej śmigłowca zostały wygeerowae rzy użyciu łańcuchów Markowa bazujących a rzeczywistych zaisach z lotu. Dzięki takiemu odejściu metody wyzaczaia iezawodości uktów krytyczych struktury helikotera mają rzeczywiste odstawy. Słowa kluczowe: iezawodość, bezieczeństwo, stress-stregth-itererece, stress-stregth-time 13 Dowload Date 9/5/17 7:38 AM

2 Reliability aalysis o helicoter s suortigstracture with SSI ad SST models used Aaliza iezawodościowa struktury ośej śmigłowca modelami SSI oraz SST 1. Model Stress-Stregth-Itererece (SSI Aaliza ryzyka uszkodzeia struktury śmigłowca wykorzystuje robabilistycze modele matematycze. Zakłada oa, iż arametry charakteryzujące się ieewością, bądź zmieością są rerezetowae rzez -wymiarową zmieą losową zwaą wektorem losowym: gdzie X,, X X 1, X,, X (1 1, X X są jedowymiarowymi zmieymi losowymi. Uogólioa ukcja graicza gx określoa a wektorze losowym deiiuje stay graicze. Zakłada się, iż uszkodzeie struktury śmigłowca astęuje, gdy g X. Jeżeli gx struktura jest w staie graiczym. Fukcja graicza ozwala zdeiiować dwa obszary w rzestrzei zdarzeń elemetarych Ω: obszar bezieczy: oraz obszar awarii: s x : g( x ( x : g( x (3 Prawdoodobieństwo awarii zdeiiowae jest astęująco: P gdzie R jest iezawodością. Powierzchia graicza określoa jest rówaiem: P( P( g( x 1 R (4 g ( x (5 aalizie iezawodości krytyczych uktów śmigłowca często rozatryway jest rzyadek, w którym ukcja graicza g(x zdeiiowaa jest w astęujący sosób [1]: gdzie X g(x X X (6 jest zmieą losową oisującą wytrzymałość daego uktu krytyczego, a X oisuje arężeia. Tak zdeiiowaa ukcja graicza odowiada odstawowemu założeiu modelu SSI, które bazuje a stwierdzeiu, iż dowoly elemet śmigłowca ulega uszkodzeiu wtedy, gdy wartość arężeia X wystęującego w tym elemecie jest większa iż wytrzymałość X tego elemetu. 14 Dowload Date 9/5/17 7:38 AM

3 Tomasz Bońkowski, Marta och Dla tak zdeiiowaej ukcji graiczej rawdoodobieństwo uszkodzeia wyliczyć moża za omocą: P P( X X ( x ( x dx dx (7 gdzie (x jest ukcją gęstości rawdoodobieństwa arężeia, a (x oisuje gęstość rawdoodobieństwa wytrzymałości. Podstawowy model SSI zakłada ormaly rozkład zmieych losowych. uogólioym modelu (GSSI rozkład brzegowy (x i (x może być oisay dowolą ukcją. iezawodość w takim modelu moża wyzaczyć za omocą [1]: gdzie F x R P( X X F ( x ( x dx F ( x ( x dx (8 x F x x ( x dx jest dystrybuatą zmieej X ( x dx jest dystrybuatą zmieej x X., aalogiczie Model SSI oisuje rawdoodobieństwo uszkodzeia struktury ośej śmigłowca kiedy astęuje jedokroty wzrost wartości arężeia. Rys. 1. Graicza iterretacja rawdoodobieństwa uszkodzeia. Model Stress-Stregth-Time (SST Model SST zakłada, iż wartości sił oraz arężeń w uktach krytyczych są ewymi ciągłymi ukcjami czasu, tak jak jest to obserwowale w rzeczywistości. Zauważoo, iż rzy obliczeiach iezawodościowych ukcje te mogą być rzedstawioe w ostaci aalityczej, albo oisae za omocą rozkładów zmieych losowych. rowadzoo odział modelu SST a trzy ogóle wariaty [1]: 15 Dowload Date 9/5/17 7:38 AM

4 Reliability aalysis o helicoter s suortigstracture with SSI ad SST models used Aaliza iezawodościowa struktury ośej śmigłowca modelami SSI oraz SST 1 Model determiistyczy zakłada, iż wytrzymałość oraz arężeie są dokładie zdeiiowae, albo zmieiają się w sosób zay i rzewidywaly, możliwy do oisaia za omocą ukcji matematyczych. Model quasi - robabilistyczy (Radom - Fixed zakłada, iż wytrzymałość oraz arężeie zmieiają się w sosób zay i rzewidywaly w czasie, ale ie są zae wartości stałych arametryzujących ois rówaia. 3 Model robabilistyczy (Radom-Ideedet zakłada, iż zarówo arężeie jak i wytrzymałość są zmieymi losowymi o wartościach statystyczie iezależych. ormalych warukach eksloatacji śmigłowców mamy do czyieia z rzyadkiem SST (,3 gdzie arężeia są oisae losowymi wartościami x, statystyczie iezależymi o takim samym rozkładzie rawdoodobieństwa (x. ytrzymałość jest quasi robabilistyczą zmieą o zaym rozkładzie (x. Dla tak zdeiiowaego modelu iezawodość R kostrukcji o -tym cyklu działaia obciążeia może być wyzaczoa za omocą: x R P E P E P E ( x x dx dx 1 ( ( ( ( (9 Model te zakłada, iż czas ie jest zmieą losową, a długość cyklu jest zaa, jedakowa dla każdego obciążeia. Podstawowy model SST zakłada ormaly rozkład zmieych losowych. uogólioym modelu (GSST rozkład brzegowy (x i (x może być dowolie zdeiioway. iezawodość w takim modelu moża wyzaczyć za omocą: R x F 5. Modele Markov a x ( x ( x dx F ( x ( x dx (1 awiązaiu do [] łańcuch Markov a ierwszego rzędu (FCM wraz ze zdeiiowaą skończoą odrzestrzeią E jest sekwecją losowych wartości z tej odrzestrzei X. arukowy rozkład wartości uzyskaych a odstawie zajomości wartości X jest tożsamy z rozkładem gdy zaa jest tylko wartość : ( X 1 ( m m X 1 X P( X e 1 ( X e, X 1 e 1,, X1 e1 P( X 1 e 1 X 1 e (11 Jeśli K jest liczbą zdeiiowaych klas moża zdeiiować macierz P(KxK rawdoodobieństwa rzejścia z klasy i do klasy j: 16 Dowload Date 9/5/17 7:38 AM

5 Tomasz Bońkowski, Marta och 1,1,1 K,1 1,, K, 17 1, K, K K, K, K j1, 1 (1 i, j 1 i, j gdzie i 1,K, i, j P( X 1 ej X ei. celu wygeerowaia astęej wartości z łańcucha Markov a X 1 wymagaa jest zajomość tylko orzediej wartości X e. Prawdoodobieństwo iż X 1 e 1 wyosi, 1. Ukryty model Markov a (HMM [3, 4] bazuje a kocecji z łańcuchów Markov a oraz obserwacji iż wartość X ie jest tylko dyskretym staem zależym od E, ale jest ukcja rawdoodobieństwa tego stau. Łańcuch jest zdeiioway jako dwuwymiarowy, dyskrety w czasie roces S, X. celu wygeerowaia kolejej wartości X 1 ależy wybrać ukcję ja S k bazując a zaej orzediej wartości X. artość e 1 jest geerowaa a odstawie ukcji S k. 6. Fukcja rawdoodobieństwa wytrzymałości celu wyzaczeia rozkładu rawdoodobieństwa wytrzymałości testowao róbki ze stali 3HGSA o średicy 5-8 mm. Porzez wytrzymałość elemetu rozumiae jest rzekroczeie graicy srężystości. Uzyskae wyiki rzedstawioo w tabeli 1 [5]: Tabela 1 Graica lastyczości dla badaych stalowych róbek r. róbki /5/ /5/3 /5/4 /5/5 /5/36 /5/61 /5/6 /5/64 /5/13 R.5 [MPa] r. róbki /5/133 /5/134 /5/135 /5/136 /5/137 /5/138 /5/139 /5/14 /5/141 R.5 [MPa] a odstawie wyików zarooowao ukcję rozkładu wytrzymałości oisaą za omocą rozkładu ormalego g(y o wartości oczekiwaej wyoszącej μ = 119 ad i wariacji rówej σ = ( x 119 ( x ex( ( Fukcja rawdoodobieństwa arężeia Krytyczy elemet struktury śmigłowca Mi-4, rzedstawioy a rys. został zeskaoway rzy użyciu skaera 3D ATOS III (Advaced Toometric System [6]. Bazując a uzyskaym modelu zarojektowao kształt w rogramie Uigrahics. Obliczeia wykoao rzy omocy rogramu MSC Marc. Aalizę rzerowadzoo z założeiem liiowej zależości omiędzy arężeiem i odkształceiem materiału. Rozkład i wartości arężeń zredukowaych według Dowload Date 9/5/17 7:38 AM

6 Reliability aalysis o helicoter s suortigstracture with SSI ad SST models used Aaliza iezawodościowa struktury ośej śmigłowca modelami SSI oraz SST hiotezy Hubera i arężeń maksymalych główych w węzłach mocowaia oszczególych elemetów rzy obciążeiu siłami jedostkowymi. Maksymala wartość maksymalego arężeia główego wyiosła 88 Pa rzy obciążeiu siłami jedostkowymi. Rys.. Rozkład arężeń zredukowaych w elemecie krytyczym a odstawie obliczeń rozkład arężeń został wygeeroway dla daego elemetu krytyczego. Fukcja rozkładu arężeń w ukcie krytyczym może być oisaa za omocą rozkładu ormalego 1 o wartości oczekiwaej wyoszącej μ = 7 ad i wariacji rówej σ = 5. 1 ( x 7 1( x ex( ( a odstawie histogramu arężeń, dae odzieloo a osiem klas c k. modelu wygeerowaym z łańcucha Markowa, cykle arężeń ależące do klasy c i zostały zastąioe rzez odowiadające im wartości s i okazae w tabeli : Tabela Dyskrety rozkład rawdoodobieństwa arężeia z łańcucha Markov a s i i,34,69,698,699,1733,394,184,5 rzyadku wykorzystaia do obliczeń ukrytego modelu Marcov a, skończoą odrzestrzeń E odzieloo a 5 części. Dystrybuata rozkładu arężeń dla tego modelu może być oisaa ukcją 3 (4: 18 Dowload Date 9/5/17 7:38 AM

7 rawdoodobieństwo Tomasz Bońkowski, Marta och 3 ( x 3,3 1,5,3 1,5,38 3,6,6 1 ( x 17 ex( 1,5 ( x 4 ex( 1,5 ( x 53 ex( 3,6 ( x 8 ex( 1 x 1 1 x x 3 3 x 6 x 6 (15,5,4,3,, yiki arężeia [MPa] Rys. 3. Histogram arężeń i jego aroksymacja ukcjami: 1,, 3 Prawdoodobieństwo uszkodzeia uktu krytyczego struktury ośej śmigłowca w modelu SSI wyosi, Dla uogólioego modelu Geeralized Stress- Stregth-Itererece (GSSI wyiki zależą od estymacji rozkładu arężeń. Dla daych uzyskaych z modelu Markov a rawdoodobieństwo uszkodzeń wyiosło: 9, oraz 5, dla łańcucha Markov a FCM ( oraz dla ukrytego modelu Markov a HMM ( 3. Aaliza modelu SST wykazała, iż rawdoodobieństwo uszkodzeia rzędu 1% będzie osiągięte o 465 cyklach w rzyadku, gdy arężeia mają rozkład ormaly ( 1. Dla uogólioego modelu SST uzyskao astęującą liczbę cykli: 1 9 dla łańcucha Markov a FCM ( oraz 1 9 dla ukrytego modelu Markov a HMM ( Dowload Date 9/5/17 7:38 AM

8 Reliability aalysis o helicoter s suortigstracture with SSI ad SST models used Aaliza iezawodościowa struktury ośej śmigłowca modelami SSI oraz SST 9. ioski Model SSI (Stress-Stregth-Itererece ozwala a obliczeie rawdoodobieństwa uszkodzeia struktury ośej śmigłowca w ukcie krytyczym odczas jedokrotego wzrostu wartości arężeia. ie zajduje o szerokiego zastosowaia w lotictwie gdzie arężeia zmieiają się w czasie, może służyć jedyie jako ogóle rzybliżeie. owyższych modelach iezawodościowych ie został uwzględioy roces starzeia się elemetu. zięcie od uwagę tego zdarzeia sowoduje zmiejszeie liczby cykli możliwych do uszkodzeia daego uktu krytyczego. yiki uzyskae z uogólioych modeli SSI oraz SST mają odobe wartości w zależości od sosobu uzyskaia ukcji rawdoodobieństwa dla arężeia. ystęują iezacze różice w orówaiu do odstawowych modeli SSI bądź SST. 1. Bibliograia [1] AIRO SOFTARE: Projekt badawczy r PBR 3//z. [] C. Mattrad, J-M. Bouriet, D. Theret: Aalysis o Fatigue Crack Growth uder Radom Load Sequeces Derived rom Military I-light Load Data, 6th ICAF Symosium, Motreal, 11. [3] O. Cae, E. Moulies, T. Ryde: Itererece i Hidde Markov Models. Sriger Series i Statistics, 5. [4] L. Rabier: A tutorial o hidde Markov Models ad Selected Alicatios i Seech Recogitio, I: Readigs i Seech Recogitio 11. [5] Klimaszewski, S. i ii: Badaia wytrzymałościowo-zmęczeiowe stali 3HGSA. Srawozdaie r 35/31/7, ITL, arszawa, 7. [6] roa, M. i ii: ykoaie aalizy trwałości zmęczeiowej dla główych elemetów siłowych kostrukcji kadłuba śmigłowca Mi-4, Srawozdaie r 114/31/9, ITL, arszawa, 9. mgr iż. Marta och Tomasz Bońkowski Dowload Date 9/5/17 7:38 AM

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)

Bardziej szczegółowo

Kurs Prawdopodobieństwo Wzory

Kurs Prawdopodobieństwo Wzory Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa

Bardziej szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

1 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 szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki 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 szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 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 szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA Ćwiczeie ETYMACJA TATYTYCZNA Jest to metoda wioskowaia statystyczego. Umożliwia oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej

Bardziej szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

W wielu przypadkach zadanie teorii sprężystości daje się zredukować do dwóch

W wielu przypadkach zadanie teorii sprężystości daje się zredukować do dwóch Wykład 5 PŁASKI ZADANI TORII SPRĘŻYSTOŚCI Płaski sta arężeia W wielu rzyadkach zadaie teorii srężystości daje się zredukować do dwóch wymiarów Przykładem może być cieka tarcza obciążoa siłami działającymi

Bardziej szczegółowo

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo 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 szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. 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 szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

16 Przedziały ufności

16 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 szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba 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 szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Rachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Rachek rawdoodobieństwa i statystyka Wioskowaie statystycze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, ok407 ada@agh.ed.l Estymacja arametrycza Podstawowym arzędziem szacowaia iezaego arametr jest estymator

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory

Bardziej szczegółowo

Stochastyczne metody optymalizacji

Stochastyczne metody optymalizacji Stochastycze metody otymalizacji I a b b a b = a d Metoda rostokątów N N i i= 0 i= 0 d = σ = h y Metoda traezów d h y y N 0 + ( ) = + yi i= Metoda Simsoa i ξ [ a, b] b h = 0 3 4 5 4 3 a ( b a) R = ( ξ

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

X 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.

X 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 szczegółowo

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Statystyka 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 szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

4. MODELE ZALEŻNE OD ZDARZEŃ

4. MODELE ZALEŻNE OD ZDARZEŃ 4. MODELE ZALEŻNE OD ZDARZEŃ 4.. Wrowadzeie W sysemach zależych od zdarzeń wyzwalaie określoego zachowaia się układu jes iicjowae rzez dyskree zdarzeia. Modelowaie akich syuacji ma a celu symulacyją aalizę

Bardziej szczegółowo

OKREŚLENIE CHARAKTERYSTYK POMPY WIROWEJ I WYZNACZENIE PAGÓRKA SPRAWNOŚCI

OKREŚLENIE CHARAKTERYSTYK POMPY WIROWEJ I WYZNACZENIE PAGÓRKA SPRAWNOŚCI Ćwiczeie 5 OKREŚLENIE CARAKTERYSTYK POMPY WIROWEJ I WYZNACZENIE PAGÓRKA SPRAWNOŚCI Wykaz ważiejszych ozaczeń c 1 rędkość bezwzględa cieczy a wlocie do wirika, m/s c rędkość bezwzględa cieczy a wylocie

Bardziej szczegółowo

ZADANIA - ZESTAW 2. Zadanie 2.1. Wyznaczyć m (n)

ZADANIA - ZESTAW 2. Zadanie 2.1. Wyznaczyć m (n) ZADANIA - ZESTAW Zadaie.. Wyzaczyć m (), D ( ) dla procesu symetryczego (p = q =,) błądzeia przypadkowego. Zadaie.. Narysuj graf łańcucha Markowa symetrycze (p = q =,) błądzeie przypadkowe z odbiciem.

Bardziej szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia 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 szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: 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 szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 6.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Własości rozkładu ormalego Cetrale twierdzeie graicze Fukcja charakterystycza

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA. Wykład wstępy. Teoria prawdopodobieństwa i elemety kombiatoryki 3. Zmiee losowe 4. Populacje i próby daych 5. Testowaie hipotez i estymacja parametrów 6. Test t 7. Test 8. Test

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy

Bardziej szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 7 7.04.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory

Bardziej szczegółowo

1. Elementy wytrzymałości materiałów

1. Elementy wytrzymałości materiałów . Elemety wytrzymałości materiałów.. Statycza róba rozciągaia Podstawowy rodzaj badań wytrzymałościowych metali i ich stoów do wyzaczeia charakterystyk materiałowych takich jak: moduł Youga (Youg s modulus),

Bardziej szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół 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 szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów

Bardziej szczegółowo

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA064 Wyział Elektroiki, rok aka 2008/09, sem leti Wykłaowca: r hab A Jurlewicz Wykła 3: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług

Bardziej szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. 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 szczegółowo

Badanie efektu Halla w półprzewodniku typu n

Badanie efektu Halla w półprzewodniku typu n Badaie efektu alla w ółrzewodiku tyu 35.. Zasada ćwiczeia W ćwiczeiu baday jest oór elektryczy i aięcie alla w rostoadłościeej róbce kryształu germau w fukcji atężeia rądu, ola magetyczego i temeratury.

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

Bardziej szczegółowo

Wykład 10 Wnioskowanie o proporcjach

Wykład 10 Wnioskowanie o proporcjach Wykład 0 Wioskowaie o roorcjach. Wioskowaie o ojedyczej roorcji rzedziały ufości laowaie rozmiaru róby dla daego margiesu błędu test istotości dla ojedyczej roorcji Uwaga: Będziemy aalizować roorcje odobie

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy 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 szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz

Bardziej szczegółowo

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

Bardziej szczegółowo

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu Badaia iezawodościowe i saysycza aaliza ich wyików. Eleme ieaprawialy, badaia iezawodości Model maemayczy elemeu - dodaia zmiea losowa T, określająca czas życia elemeu Opis zmieej losowej - rozkład, lub

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności

Estymacja przedziałowa - przedziały ufności Estymacja rzedziałowa - rzedziały ufości Próbę -elemetową charakteryzujemy jej arametrami ( x, s, s ). SłuŜą oe do ocey wartości iezaych arametrów oulacji (m, σ, σ). Nazywamy je estymatorami uktowymi iezaych

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej.

Model ciągły wyceny opcji Blacka Scholesa - Mertona. Wzór Blacka - Scholesa na wycenę opcji europejskiej. Model ciągły wycey opcji Blacka Scholesa - Mertoa Wzór Blacka - Scholesa a wyceę opcji europejskiej. Model Blacka Scholesa- Mertoa Przełomowe prace z zakresu wycey opcji: Fischer Black, Myro Scholes The

Bardziej szczegółowo

1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.

1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n. Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg

Bardziej szczegółowo

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc 5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X

Bardziej szczegółowo

Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego.

Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego. Rachue rawdoodobieństwa MAP064 Wydział Eletroii, ro aad. 008/09, sem. leti Wyładowca: dr hab. A. Jurlewicz Wyład 8: Zmiee losowe dysrete. Rozłady Beroulliego (dwumiaowy), Pascala, Poissoa. Przybliżeie

Bardziej szczegółowo

Zatem przyszła wartość kapitału po 1 okresie kapitalizacji wynosi

Zatem przyszła wartość kapitału po 1 okresie kapitalizacji wynosi Zatem rzyszła wartość kaitału o okresie kaitalizacji wyosi m k m* E Z E( m r) 2 Wielkość K iterretujemy jako umowa włatę, zastęującą w rówoważy sosób, w sesie kaitalizacji rostej, m włat w wysokości E

Bardziej szczegółowo

1 Układy równań liniowych

1 Układy równań liniowych Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 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 szczegółowo

Estymacja przedziałowa:

Estymacja przedziałowa: Estymacja przedziałowa: Zamiast szukad ajlepszego estymatora, tak jak w estymacji puktowej będziemy poszukiwad przedziału, do którego będzie ależał szukay parametr z odpowiedio dużym prawdopodobieostwem.

Bardziej szczegółowo

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości

Bardziej szczegółowo

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau

Bardziej szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

θx θ 1, dla 0 < x < 1, 0, poza tym, Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.

Bardziej szczegółowo

Obserwacje odstające mają duży wpływ na średnią średnia nie jest odporna.

Obserwacje odstające mają duży wpływ na średnią średnia nie jest odporna. Wykład 8. Przedziały ufości dla średiej Średia a mediaa Mediaa dzieli powierzchię histogramu a połowy. Jest odpora ie mają a ią wpływu obserwacje odstające. Obserwacje odstające mają duży wpływ a średią

Bardziej szczegółowo

npq jest funkcją gęstości zmiennej losowej X? Po wyznaczeniu k proszę znaleźć: dystrybuantę, kwartyl drugi,

npq jest funkcją gęstości zmiennej losowej X? Po wyznaczeniu k proszę znaleźć: dystrybuantę, kwartyl drugi, Zadaie aa jest fucja gęstości zmieej losowej X: 9 8 Wyzacz: F (X ; Q ; ; ( X ; 9 9 P X P Zadaie ( Statystya II, X a b F( b F( a X e! P m ( ; m E( X ( X V ( X X R P ( X R ( X V ( X jest fucją gęstości zmieej

Bardziej szczegółowo

Księga Jakości Laboratorium

Księga Jakości Laboratorium 16. Metodyka szacowaia ieewości rozszerzoej Oracował: mgr Jest to szacowaie ieewości o asymetryczych graicach rzedziału ufości względem wartości średiej, co wyika z faktu określaia wartości średiej jako

Bardziej szczegółowo

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej).

Moda (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 szczegółowo

Ekonometria Mirosław Wójciak

Ekonometria Mirosław Wójciak Ekoometria Mirosław Wójciak Literatura obowiązkowa Barczak A, ST. Biolik J, Podstawy Ekoometrii, Wydawictwo AE Katowice, Katowice 1998 Dziechciarz J. Ekoometria Metody, przykłady, zadaia (wyd. ) Kukuła

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

ZADANIA NA ĆWICZENIA 3 I 4 Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka 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 szczegółowo

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś

STATYSTYKA 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 szczegółowo

Statystyka w rozumieniu tego wykładu to zbiór metod służących pozyskiwaniu, prezentacji, analizie danych.

Statystyka w rozumieniu tego wykładu to zbiór metod służących pozyskiwaniu, prezentacji, analizie danych. Statystyka w rozumieiu tego wykładu to zbiór metod służących pozyskiwaiu, prezetacji, aalizie daych. Celem geeralym stosowaia tych metod, jest otrzymywaie, a podstawie daych, użyteczych uogólioych iformacji

Bardziej szczegółowo

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY Weryfikacja hipotez statystyczych WNIOSKOWANIE STATYSTYCZNE Wioskowaie statystycze, to proces uogóliaia wyików uzyskaych a podstawie próby a całą

Bardziej szczegółowo

Elementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N

Elementy nieliniowe w modelach obwodowych oznaczamy przy pomocy symboli graficznych i opisu parametru nieliniowego. C N OBWODY SYGNAŁY 1 5. OBWODY NELNOWE 5.1. WOWADZENE Defiicja 1. Obwodem elektryczym ieliiowym azywamy taki obwód, w którym występuje co ajmiej jede elemet ieliiowy bądź więcej elemetów ieliiowych wzajemie

Bardziej szczegółowo

Laboratorium Metrologii I Nr ćwicz. Opracowanie serii wyników pomiaru 4

Laboratorium Metrologii I Nr ćwicz. Opracowanie serii wyników pomiaru 4 Laboratorium Metrologii I olitechika Rzeszowska Zakład Metrologii i Systemów omiarowych Laboratorium Metrologii I Grua Nr ćwicz. Oracowaie serii wyików omiaru 4... kierowik...... 4... Data Ocea I. Cel

Bardziej szczegółowo

UWAGI O GRANICZNYCH ROZKŁADACH EKSTREMALNYCH STATYSTYK POZYCYJNYCH

UWAGI O GRANICZNYCH ROZKŁADACH EKSTREMALNYCH STATYSTYK POZYCYJNYCH D I D A C T I C S O F M A T H E M A T I C S No. 5-6 (9-0) 009 Rafał Korzoe (Wrocław) UWAGI O GRANICZNYCH ROZKŁADACH EKSTREMALNYCH STATYSTYK POZYCYJNYCH Abstract. I may practical issues to deal with etreme

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITCHIKA OPOLSKA ISTYTUT AUTOMATYKI I IFOMATYKI LABOATOIUM MTOLOII LKTOICZJ 7. KOMPSATOY U P U. KOMPSATOY APIĘCIA STAŁO.. Wstęp... Zasada pomiaru metodą kompesacyją. Metoda kompesacyja pomiaru apięcia

Bardziej szczegółowo

40:5. 40:5 = 500000υ5 5p 40, 40:5 = 500000 5p 40.

40:5. 40:5 = 500000υ5 5p 40, 40:5 = 500000 5p 40. Portfele polis Poieważ składka jest ustalaa jako wartość oczekiwaa rzeczywistego, losowego kosztu ubezpieczeia, więc jest tym bliższa średiej wydatków im większa jest liczba ubezpieczoych Polisy grupuje

Bardziej szczegółowo

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności)

Estymacja: Punktowa (ocena, błędy szacunku) Przedziałowa (przedział ufności) IV. Estymacja parametrów Estymacja: Puktowa (ocea, błędy szacuku Przedziałowa (przedział ufości Załóżmy, że rozkład zmieej losowej X w populacji geeralej jest opisay dystrybuatą F(x;α, gdzie α jest iezaym

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE 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 szczegółowo

Podstawowe rozkłady zmiennych losowych typu dyskretnego

Podstawowe 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 szczegółowo

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o 1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady

Bardziej szczegółowo

( n) Łańcuchy Markowa X 0, X 1,...

( n) Łańcuchy Markowa X 0, X 1,... Łańcuchy Markowa Łańcuchy Markowa to rocesy dyskretne w czasie i o dyskretnym zbiorze stanów, "bez amięci". Zwykle będziemy zakładać, że zbiór stanów to odzbiór zbioru liczb całkowitych Z lub zbioru {,,,...}

Bardziej szczegółowo

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora Aaliza wyików symulacji i rzeczywistego pomiaru zmia apięcia ładowaego kodesatora Adrzej Skowroński Symulacja umożliwia am przeprowadzeie wirtualego eksperymetu. Nie kostruując jeszcze fizyczego urządzeia

Bardziej szczegółowo

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk

Bardziej szczegółowo

DRGANIA BELKI NA DWUPARAMETROWYM PODŁOśU SPRĘśYSTYM VIBRATION OF BEAM WITH TWO-PARAMETER ELASTIC FOUNDATION

DRGANIA BELKI NA DWUPARAMETROWYM PODŁOśU SPRĘśYSTYM VIBRATION OF BEAM WITH TWO-PARAMETER ELASTIC FOUNDATION JEMIELITA Grzegorz 1 KOZYRA Zofia drgaia, belka, odłoŝe sręŝyste DRGANIA BELKI NA DWUPARAMETROWYM PODŁOśU SPRĘśYSTYM Praca dotyczy wyzaczaia drgań belki a dwuarametrowym odłoŝu sręŝystym obciąŝoej symetryczie

Bardziej szczegółowo

Wp lyw optymalizacji kopalń odkrywkowych na rozwiazanie bilateralnego monopolu: kopalnia & elektrownia w d lugim okresie

Wp lyw optymalizacji kopalń odkrywkowych na rozwiazanie bilateralnego monopolu: kopalnia & elektrownia w d lugim okresie MPRA Muich Persoal RePc Archive W lyw otymalizacji koalń odkrywkowych a rozwiazaie modelu bilateralego mooolu: koalia & elektrowia w d lugim okresie Leszek Jurdziak 23. October 2006 Olie at htt://mra.ub.ui-mueche.de/531/

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

Wykład 11 ( ). Przedziały ufności dla średniej Wykład 11 (14.05.07). Przedziały ufości dla średiej Przykład Cea metra kwadratowego (w tys. zł) z dla 14 losowo wybraych mieszkań w mieście A: 3,75; 3,89; 5,09; 3,77; 3,53; 2,82; 3,16; 2,79; 4,34; 3,61;

Bardziej szczegółowo

Rozkłady statystyk z próby Twierdzenia graniczne

Rozkłady statystyk z próby Twierdzenia graniczne Rozkłady statystyk z róby Twierdzeia graicze PRÓBA LOSOWA Próbą losową rostą azyway ciąg -zieych losowych iezależych i osiadających jedakowe rozkłady takie jak rozkład zieej losowej w oulacji geeralej

Bardziej szczegółowo

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym) Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli

Bardziej szczegółowo

Projekt ze statystyki

Projekt ze statystyki Projekt ze statystyki Opracowaie: - - Spis treści Treść zaia... Problem I. Obliczeia i wioski... 4 Samochó I... 4 Miary położeia... 4 Miary zmieości... 5 Miary asymetrii... 6 Samochó II... 8 Miary położeia:...

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 5 3.03.08 dr iż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr leti 07/08 Metody Mote Carlo Najważiejsze rozkłady prawdopodobieństwa Metoda akceptacji-odrzuceń

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

ANALIZA DANYCH DYSKRETNYCH

ANALIZA DANYCH DYSKRETNYCH ZJAZD ESTYMACJA Jest to metoda wioskowaia statystyczego. Umożliwia oa oszacowaie wartości iteresującego as parametru a podstawie badaia próbki. Estymacja puktowa polega a określeiu fukcji zwaej estymatorem,

Bardziej szczegółowo