ZASTOSOWANIE ROZKŁADU GUTENBERGA-RICHTERA DO PROGNOZY ZAGROŻENIA SEJSMICZNEGO, WRAZ Z OCENĄ JEGO NIEPEWNOŚCI
|
|
- Bartłomiej Nowak
- 6 lat temu
- Przeglądów:
Transkrypt
1 GÓRICWO I GEOLOGIA 2011 om 6 Zeszyt 3 Iwona GOŁDA Politechnika Śląska, Gliwice Jerzy KOROWSKI Główny Instytut Górnictwa ZASOSOWAIE ROZKŁADU GUEERGA-RICHERA DO PROGOZY ZAGROŻEIA SEJSMICZEGO, WRAZ Z OCEĄ JEGO IEPEWOŚCI Streszczenie Artykuł ma częściowo przeglądowy charakter i stanowi wprowadzenie do ilościowej prognozy jednoznacznie jako prawdopodobieństwo wstrząsu o energii E>E zdefiniowanego zagrożenia sejsmicznego, wraz z ilościową oceną niepewności tej prognozy Pokazano, że obliczenia są nieskomplikowane, a niepewność wynikowej prognozy zależy wprost od jakości i ilości informacji bazowej (na której prognoza ta jest oparta) APPLICAIO OF HE GUEERG-RICHER RELAIO O ROCKURS HAZARD PREDICIO OGEHER WIH UCERAIY SUDY Summary his paper has partly review character, of introducing to quantitative forecasting rockburst hazard, defined as probability of the tremor of energy E>E, together with quantitative estimation of prediction uncertainty We show that calculations are very easy and uncertainty of forecasting directly depends on quality and quantity of basic information 1 Wprowadzenie i cel pracy Artykuł dotyczy oceny i prognozy zagrożenia sejsmicznego (Z S ) czyli zagrożenia wstrząsami określanych przy wykorzystaniu relacji Gutenberga-Richtera [8, 10], z parametrami wyznaczanymi na podstawie zbioru danych o zaistniałych wstrząsach z zagrożonego obszaru Zbiór ten nazywamy bazą (informacyjną) lub archiwum, natomiast to liczebność bazy, a to czas objęty rejestracjami zawartymi w bazie aza, jej liczebność
2 50 I Gołda, J Kornowski i czas trwania mogą się zmieniać, lecz muszą być znane w chwili prognozowania ależy podkreślić, że jakość (niepewność) prognoz opartych na dowolnej bazie informacyjnej nie może być lepsza (a niepewność mniejsza) od jakości (niepewności) informacji bazowej Zdanie to nie jest sloganem i musi być traktowane serio Oprócz niepewności energii zawartych w bazie, na jakość prognoz może wpływać także liczebność bazy oraz w przypadku zmiennych warunków aktualność informacji bazowej Celem tej pracy jest analiza czynników wpływających na jakość prognoz ależy dodać, że prognoza oparta na rozkładzie Gutenberga-Richtera (dalej: G-R) nie jest jedyną metodą prognozy Z S, lecz jest bardzo prosta i ma małe wymagania względem informacji wejściowej, ograniczone do danych o wstrząsach tylko z tego obszaru, którego dotyczy prognoza (zatem bardzo ważna jest rzetelna lokalizacja i rzetelna ocena energii) Za tę prostotę płaci się jednak dużą niepewnością ocen zagrożenia Inną metodą prognozy, która co najmniej w teorii obiecuje lepsze wyniki, jest teoria szeregów czasowych, która wymaga znacznie więcej informacji o wejściu (min zarówno o wstrząsach, jak i o emisji sejsmoakustycznej AE) Artykuł ten dotyczy jednak wyłącznie prognozy opartej na rozkładzie G-R ależy zwrócić uwagę, że w całej pracy słowo ocena dotyczy przeszłości (i być może chwili bieżącej), a słowo prognoza przyszłości, nieznanej w chwili formułowania prognozy W przypadku procesów stacjonarnych lub stacjonarnych ciągów zdarzeń, różnica między oceną a prognozą się zaciera Ponadto, log x log 10 x, kreska nad zmienną 2 ( x ) oznacza jej wartość średnią, a symbol x ~ ( x, ) oznacza, że x jest zmienną losową o rozkładzie normalnym () z wartością średnią x i wariancją x 2 x 2 Definicje i pojęcia: zagrożenie sejsmiczne oraz jego prognoza, niepewność prognoz i rozkłady W wielu dziedzinach nauk znane i stosowane jest pojęcie ryzyka, definiowanego jako iloczyn prawdopodobieństwa i strat: prawdopodobienstwo straty ryzyko szkodliwego spowodowane ( 21) zdarzenia zdarzeniem
3 Zastosowanie rozkładu Gutenberga-Richtera do prognozy 51 Akceptujemy tę ogólnie przyjętą definicję, lecz chcąc uniknąć dyskusji o cenie życia i zdrowia ludzi, pomijamy drugi czynnik tego iloczynu i by nie wprowadzać zamieszania w terminologii stosujemy dalej także ogólnie znane pojęcie zagrożenia zamiast ryzyka Zatem: Definicja D1 Zagrożenie sejsmiczne S Z lub Z lub Z S [( t, t t), E E ] jest to t prawdopodobieństwo, że (w obszarze przestrzennym, z którego pochodzi baza informacyjna) energia E co najmniej jednego wstrząsu przekroczy, w okresie ( t, t t), zadaną wartość (krytyczną) E Jeżeli przedział czasu ( t, t t) leży w przyszłości względem chwili prognozowania (np gdy prognozuje się w chwili t ), to definicja ta określa też prognozę zagrożenia sejsmicznego W zagadnieniach związanych z tąpaniami często E jest to tzw elementarna energia tąpnięcia [5, 11], czyli najmniejsza energia wstrząsu związanego z tąpnięciem Definicja D1 może też dotyczyć zagrożenia wstrząsem o energii zamiast E E piszemy E E E E E E, wówczas Powyższa definicja jest w sejsmologii od dawna znana i stosowana, ze względu na jej ilościowy i konstruktywny charakter, umożliwiający ilościowe obliczenie S Z Ponieważ prawdopodobieństwo spełnia nierówność 0 P 1, więc obszar (0,1) możliwych zagrożeń zawsze można podzielić na odcinki (np ), oznaczyć je literami (np A,, C, D) i nazwać stanami zagrożenia sejsmicznego, nawiązując w ten sposób do pojęć znanych inżynierom górnikom Analizując zagrożenie, w przypadku gdy wartości piszemy skrótowo Z t E i t nie budzą wątpliwości, ależy powtórzyć, że prognoza dotyczy obszaru, z którego pochodzą informacje bazowe Zaśmiecanie bazy wstrząsami obcymi odbiera prognozie sens, gdyż nie wiadomo wówczas, jakiego obszaru ona dotyczy Zakłada się stacjonarność procesu emisji wstrząsów i przyjmuje, że intensywność emisji (czyli liczba zdarzeń w jednostce czasu), obserwowana w okresie (bazowym), pozostanie bez zmiany w okresie ( t, t t), zwanym horyzontem prognozy Ponieważ dane tworzące bazę (w tym energie wstrząsów i współrzędne źródeł) zawsze obarczone są przypadkowymi błędami, również wyznaczone na ich podstawie wartości intensywności i zagrożenia zawsze obarczone są przypadkowymi błędami akie wielkości
4 52 I Gołda, J Kornowski nazywamy zmiennymi losowymi i opisujemy za pomocą rozkładów prawdopodobieństwa Rozkład liczebności wstrząsów w zależności od ich energii często przedstawia się w formie histogramu h E ) rys 21a w którym przedziały (lub pasma czy szerokości ( i słupków ) Ei mają stałą szerokość na (poziomej) osi energii, a wysokości hi h( Ei ) słupków są proporcjonalne do liczebności wstrząsów w Ei aka postać rozkładu, choć popularna i ogólnie rozumiana, często jest przyczyną trudności ie powinna być więc stosowana, gdyż kształt wynikowego histogramu z obserwacji zależy od przyjętej szerokości Ei i od położenia początku histogramu Gdy E 0, a zawartość przedziałów jest unormowana, czyli podzielona przez całkowitą liczebność bazy tak, że suma unormowanych wartości h E ) równa się 1, norm ( i histogram przekształca się w rozkład p (E) gęstości prawdopodobieństwa z obserwacji rys 21b W badaniach równie często spotykany jest rozkład skumulowany H E ), określający liczbę wstrząsów o energii EK ( K E, który także po unormowaniu i dla E 0 przekształca się w dystrybuantę, czyli w rozkład prawdopodobieństwa P(E) z obserwacji rys 21c Dla potrzeb oceny i prognozy zagrożenia sejsmicznego najlepiej posługiwać się rozkładem przewyższeń G( E) 1 P( E) W badaniach zagrożenia sejsmicznego rozkład ten informuje dla dowolnej wartości o energii większej od Warto więc pamiętać, że: E o prawdopodobieństwie wystąpienia wstrząsu E, zatem bezpośrednio wiąże się z zagrożeniem (porównaj z D1) h ( Ei ) H ( Ei ) H ( Ei 1) ; H ( EK ) h( E i ) (22a, b) p ( E) d[ P( E)] / de ; P ( E) p( E) de (23a, b) E G( E) 1 P( E) ( 24) K i1 Rozkłady te wyłącznie dla ilustracji i ułatwienia zrozumienia pokazano na rys 21 Ponieważ rozkład przewyższeń G (E) jest zazwyczaj najsłabiej rozumiany przez inżynierów, a jest on najważniejszy i bardzo łatwy do zrozumienia, należy powtórzyć, że:
5 Zastosowanie rozkładu Gutenberga-Richtera do prognozy 53 Empiryczny, czyli określony na podstawie zbioru (bazy) obserwacji, rozkład G (E) lub (E) przewyższeń energii E aproksymuje liczbę wstrząsów lub po unormowaniu empiryczne prawdopodobieństwo wystąpienia wstrząsu o energii przewyższającej E, zatem bezpośrednio aproksymuje warunkowe (pod warunkiem, że wstrząs wystąpi) zagrożenie sejsmiczne S Z Jakość tej aproksymacji zależy od liczebności bazy obserwacji, od poprawności ocen energii poszczególnych wstrząsów i od tego, czy wstrząsy rzeczywiście pochodzą z rejonu zainteresowania a) b) c) d) Rys 21 Przykład ilustrujący pojęcia: a) histogramu h( Ei ), b) rozkładu gęstości prawdopodobieństwa p(e), c) dystrybuanty, czyli rozkładu prawdopodobieństwa P(E), d) rozkładu przewyższeń G(E)=1-P(E), czyli funkcji przeżycia lub niezawodności Fig 21 Example illustrating notions of: a) histogram h( Ei ), b) probability density p(e), c) cumulative distribution function P(E), d) survival function G(E)=1-P(E) ależy zauważyć, że w praktyce, gdy rozkład przewyższeń stosowany jest do prognozy, (a nie do oceny minionego) zagrożenia, to jakość prognozy zależeć może od aktualności informacji bazowej 3 Magnituda i energia wstrząsów oraz rozkład G-R rzęsienia ziemi są obserwowane i katalogowane przez sejsmologów od stuleci wraz z analizą rozkładów ich wielkości W sejsmologii miarą wielkości trzęsienia ziemi jest
6 54 I Gołda, J Kornowski magnituda (m), której definicję podaje min [1] Ponieważ w górnictwie wielkość wstrząsów kwantyfikuje się, określając ich energię (a nie magnitudę), wystarczy pamiętać, że: log E c dm, ( 31) gdzie: E energia [J]; m magnituda; c, d stałe lokalne Dla GZW Dubiński [4] podał, że: log E 1,8 1, 9 m, ( 32) i zależność ta wiąże magnitudy określane przez Stacje Geofizyki PA z energiami określanymi przez GIG; warto zapoznać się również z pracą [2] adania sejsmologów [10] prowadzą do wniosku, że rozkład liczebności n(m) trzęsień ziemi może być, w dużym przedziale magnitud, aproksymowany równaniem: log n( m) A' bm ; ln n( m) A' 'm (33a, b) n bm ( m) 10 ; n m ( m) e, (34a, b) gdzie: A ' log ; A '' ln ; b log e 0, 4343 Formy logarytmiczne ( 33a, b) zwane są równaniem Gutenberga-Richtera od nazwisk sejsmologów, którzy je wprowadzili [8, 9] Równania te mają charakter empiryczny i statystyczny, a ich parametry są estymowane na lokalnej bazie obserwacyjnej Po wyznaczeniu m z równania (31) i podstawieniu do (33a) otrzymuje się: log n( E) A 0 0 log E, ( 35) gdzie: A 0 A' bc / d ; 0 b / d Antylogarytmując równanie (35) i całkując wynik w przedziale ( E, ) gdzie E to minimalna, poprawnie obserwowana energia (np E oceny i prognozy Z S rozkład przewyższeń (jest to tzw rozkład Pareto): który można przedstawić w postaci logarytmicznej: gdzie: E E / E ; a log J ) otrzymuje się potrzebny do ( E ) E, (36a) log ( E ) a log E, (36b) ; liczebność lokalnej bazy Dla stacjonarnych procesów emisji wstrząsów ich liczebność w okresie ( t, t t) jest proporcjonalna do t : t ( E ) ( t / ) E, (36c) skąd wynikają intensywność emisji w jednostce czasu oraz liczba przewyższeń:
7 Zastosowanie rozkładu Gutenberga-Richtera do prognozy 55 1 E 1 (36d) oraz zlogarytmowana liczba przewyższeń w przedziale czasu ( t, t t) : log t ( E ) a log E log( t / ) (36e) Równania te są znane [13], a równanie (36b) po obliczeniu lokalnych parametrów (a,) ma podstawowe znaczenie dla oceny i prognozy Z S ak jak w przypadku stosowania magnitudy, także dla oceny energii ma ono charakter empiryczny, statystyczny i stosuje się w określonym przedziale (energii), a parametry (a,) dotyczą tego samego rejonu co baza użyta do ich estymacji Parametr w równaniu (36b) musi być dodatni, tak by (36b) przedstawiało liczbę wstrząsów malejącą ze wzrostem energii Im bardziej wykres log jest nachylony ( w dół ), tym mniej jest (w ustalonym przedziale czasu) silnych wstrząsów i tym mniejsze zagrożenie Z S Jeżeli więc, na podstawie np trzydziestodniowych (=30) obserwacji wstrząsów o energiach 4 E E 110 J, zgromadzono bazę 100 wstrząsów i obliczono 0, 6, to, zakładając stacjonarność, można wyliczyć oczekiwaną dla najbliższych np trzech dni ( t 3, t / 0, 1) liczbę wstrząsów t o energiach 5 E E 510 J : log log100 0,6 log( E / E ) 2 0,6log50 0, , ,563 10, ( t / ) 1 t W ten sposób można oszacować oczekiwaną liczbę wstrząsów w dowolnym przedziale czasu ( t, t t) i energii ( E, E ) Wynik t jest wartością średnią zmiennej losowej t 4 Estymacja parametru i prognoza zagrożenia Z S Znany estymator parametru b, występujący w równaniu (33a), ma postać [7]: gdzie: m średnia (a 1 b ( m m ), ( 41) m minimalna) magnituda wstrząsów bazowych Ponieważ z równania (31) wynika, że: to m m ( 1/ d) log E, ( 42) b( E ) d / log E, ( 43)
8 56 I Gołda, J Kornowski i wykazać można, że dla bazy zawierającej energie (a nie magnitudy): log 10 log 10 e E log 10 E 0,4343 (44a, b) log E Jest to ważny, łatwo obliczalny estymator (dysponując bazowym zbiorem 10 E 10 q i inż ( i) p i oraz znając E i liczebność bazy, należy energię E inż (i) przekształcić do postaci logarytmicznej log E i qi log pi, obliczyć wartość średnią log E, odjąć log E oraz wykonać dzielenie zgodnie z (44 a, b) Parametr zawiera dokładnie tę samą informację co średnia (logarytmowana) energia bazowa Ponieważ wartość zawsze szacowana jest na niezbyt wielkich bazach, zawierających niezbyt dokładne oceny energii wstrząsów, to wyliczona wg (44 a, b) wartość jest zawsze realizacją zmiennej losowej () o rozkładzie 2 normalnym () z parametrami (, ) : Odchylenie standardowe 2 ~ (, ) (45) parametru określone jest przybliżonym równaniem [7]: / (46a) lub dokładniejszym i stosowalnym również w przypadku, gdy nie jest zachowana ścisła stacjonarność ciągu wstrząsów [15]: 2, log E log E( i) / ( 1) 1/ 2 2 (46b) i1 Losowość parametru powoduje, że oszacowana (na podstawie informacji bazowej i równania G-R, np z (36 e)) liczba przewyższeń t dowolnej energii E w okresie ( t, t t), a także jak zobaczymy oszacowane na tej podstawie zagrożenie zmienną losową obarczoną (nieraz dużą) niepewnością Ilustruje to rys 41 Wartości i E E Symbole obliczane są zawsze na podstawie bazy wstrząsów i w okresach odpowiednio i t oznaczają liczbę wstrząsów o energiach S Z, też jest o energiach E E t Ponieważ funkcja liniowa (np y=a+x) zmiennej losowej (np ) o rozkładzie normalnym np równanie (45) jest zmienną losową o rozkładzie normalnym, więc log będąc, zgodnie z równaniem G-R (np (36 e)), liniową funkcją t zmiennej jest zmienną losową o rozkładzie normalnym: log 2 log t ~ (log t, log ) (47a) a log E ; log t log log( t / ) (47b, c)
9 Zastosowanie rozkładu Gutenberga-Richtera do prognozy 57 E (47d) log log i p-procentowy (lub rzędu p) kwantyl, log t, P%, tej zmiennej ma postać: log gdzie: X 0 ; X 1, 28 ; X 1, 645; X 2, % 90% t, P% log t X P, (47e) log 95% 99% Rys 41 Wykres relacji G-R ilustrujący interpretację: - parametru (w równaniu log a log E ) jako zmiennej losowej (, ) - rozkładu warunkowego [( log ~ log, ) E ] zmiennej losowej log rzeba zauważyć, że chociaż const oraz const, to rozproszenie ( log ) zmiennej log rośnie ze wzrostem log E Symbol oznacza rozkład normalny o parametrach podanych w nawiasie Log to logarytm liczby przewyższeń Fig 41 Diagram of G-R relationship illustrating interpretation of: - parameter (in equation log a log E ) as the random variable (, ) - conditional distribution [( log ~ log, ) E ] of the random variable log We have to notice that, though const and const, the dispersion ) of random variable log increases with ( log the increase of log E Symbol denotes Gaussian distribution, Log is the logarithm of exceedances number iepewność oszacowania t, określona różnicą między kwantylem rzędu p>50% i kwantylem rzędu 50%, jest skutkiem niepewności oszacowania, zatem, na podstawie (46 a), zależy od liczebności bazy a podstawie powyższego można więc łatwo rozwiązać następujące zagadnienia: 1 Dla danych wartości (,, E,, ), zakładając użyteczne w praktyce wartości: t horyzontu prognozy, E energii zagrażającej oraz P prawdopodobieństwa, obliczyć
10 58 I Gołda, J Kornowski t,p%, liczbę wstrząsów nie będzie przewyższona E E, która w okresie, ( t, t t), z prawdopodobieństwem P, 2 Zakładając, że liczebność bazy może być zmieniana (i pamiętając o (46 a)), obliczyć minimalną liczebność min potrzebną, by P-procentowa niepewność oszacowania log t (czyli różnica log, log t P% t ) nie przewyższała dopuszczalnej (np uzgodnionej z użytkownikiem) wartości znaczenie praktyczne log tol Ponieważ log Z t ~ log t, zagadnienie to ma duże adania trzęsień ziemi doprowadziły do wniosku, że ciągi trzęsień ziemi stanowią stacjonarne procesy Poissona W przybliżeniu to samo obserwuje się w przypadku wstrząsów górniczych dla E E [12, 13], przy czym im większa jest wartość E, tym lepsza jest aproksymacja modelem Poisonna [12, s 139] Dalej więc przyjmuje się, że dla E E E ciągi wstrząsów górniczych mogą być aproksymowane stacjonarnym procesem Poissona o intensywności ( t 1), określonej równaniami (47a, b, c, d, e) Zgodnie z definicją D1, zagrożenie o energii Z jest to prawdopodobieństwo wystąpienia wstrząsu E E, zatem ze znanych twierdzeń matematycznych [3, 6], dotyczących procesu Poissona, wynika, że dla ustalonego, związanego z bazą informacyjną, obszaru S predyktorem zagrożenia sejsmicznego Z Z [( t, t t), E E ], wstrząsem t E E w horyzoncie ( t, t t), jest wyrażenie: gdzie: intensywność wstrząsów 0 Z t 1 exp[ t] 1, (48a) E E, gdy 1 t o samo równanie (w przypadku stacjonarnym) zapisywane bywa [7, 14] w równoważnej postaci: Z t 1 exp t [1 F( E )], (48b) gdzie: 1 F( E ) G( E ) prawdopodobieństwo przewyższenia energii Predyktor (48a) umożliwia ilościową ocenę zagrożenia Ponieważ 0 Z 1, przedział możliwych zagrożeń zawsze można podzielić na stany, jak opisano w rozdziale drugim zatem Rozwijając funkcję z 1 e x E w szereg aylora, można otrzymać np dla x=0,01 z=0,01, z x z błędem względnym 0,005( 0,5%) czy x=0,1 z=0,095, zatem z x z błędem względnym 0,051( 5,1 %) itd t
11 Zastosowanie rozkładu Gutenberga-Richtera do prognozy 59 Zatem dla małych wartości x, 1 e x x Jeżeli podstawi się x t i Z t 1 zagrożenia: e x, to dla małych wartości Z t można stosować przybliżoną ocenę t t ( ), (49) t co znakomicie ułatwia obliczenie szczególnie kwantyli (zgodnie z równaniem (47e)) zagrożenia a pytanie, jak małe mają być wartości stosujemy równanie 49)) był tolerowalny można odpowiedzieć dwojako: t t, by błąd aproksymacji (gdy 1 Przyjmując arbitralnie, że np błąd tol 20% jest maksymalnym błędem tolerowalnym Wówczas równanie (49) można stosować dla 0, 4 2 Ustalając tol dowolną (racjonalną) granicę błędu względnego: t tol [ (1 e )]/[1 e ] (410) Wówczas, dla rozsądnie wybranej wartości początkowej 0, kilkukrotne powtórzenie iteracji i i 1 (1 tol ) (1 e ) daje poszukiwaną maksymalną wartość max, dla której równanie (49) może być stosowane z błędem tol a przykład, niech tol 0,25( 25%) Dla 0,5 0 otrzymuje się 0, ,, 0, i dla tej wartości t t równanie (49) stosuje się z błędem mniejszym niż 25% Dla uproszczenia analiz zakłada się dalej, że błąd 20% (przy ocenie zagrożenia) jest maksymalnym błędem tolerowanym i równanie (49) można stosować dla t t 0, 4 Zwracamy uwagę, że dla wartości i przedstawiona tu zatem uproszczona metoda jest użyteczna t i E E, zazwyczaj t 0, 4 Jeżeli 0, 4 (co zawsze należy sprawdzać), równania (47a, b, c, d, e) określają t również zagrożenie sejsmiczne log Z log Z S Z : t ~ [( a log E log t / ), log E ] ( 411) t, P log Z t X P log E, ( 412) przy czym równanie (412) określa P-procentowy kwantyl zagrożenia, czyli wartość zagrożenia, która w świetle informacji bazowej z P-procentowym prawdopodobieństwem nie będzie przewyższona w okresie ( t, t t) 4 a przykład dla bazy { 60, 100, E 110 J, 0,9, 0,08} należy obliczyć 5 5 Z dla E 5 10 J, czyli zagrożenie wstrząsem o energii E 510 J, które 4,95%
12 60 I Gołda, J Kornowski w ciągu 4 dób, z prawdopodobieństwem 95%, nie zostanie przekroczone Co oblicza się w sposób następujący: 4 60 log Z 60 log100 0,9log50 0,471; log Z log Z log(4 / 60) 0, 705 log Z 4,95% 0,705 1,645 0,08 log 50 0,481; Z 4,95% 0, 33 ależy dodać, że nie istnieje taka wartość zagrożenia, która na 100% nie zostanie przewyższona Celowe za to jest liczenie rozsądnej, górnej granicy zagrożenia na przykład Z t,95% czyli granicy 95-procentowej, i informowanie użytkownika o jej wartości ajłatwiejsze do obliczenia, stąd popularne, zagrożenie średnie Z t, 50% Z t, może być przewyższone z prawdopodobieństwem 50%, co może stać się przyczyną pretensji i konfliktów, lepiej więc informować użytkownika o wartości Z t,95%, która niemal na pewno nie zostanie przekroczona w okresie ( t, t t) Jeżeli przyjmuje się, że miarą niepewności (log Z t,p ) P-procentowej oceny/prognozy zagrożenia ( log Z wstrząsem t E E w okresie ( t, t t) ) jest różnica (lub odległość) między P%-kwantylem a wartością średnią tego zagrożenia, to z (412) wynika, że: gdzie: P (log Z t, P ) log Z t, P log Z t X P log E, ( 413) X odpowiedni kwantyl rozkładu (0,1) Podstawiając (46a), otrzymujemy: (log Z, ) X ( / ) log E t P P ( 414) Jeżeli więc użytkownik określi wartość (log tol Z t,p ), maksymalną tolerowalną niepewność (dopuszczalny błąd log Z ) oceny/prognozy zagrożenia, to można wyznaczyć min, czyli minimalną wartość potrzebną by zapewnić, że (log Z t, P ) tol (log Z t, P ) : min X P [ / tol (log Z t, P )] log E ( 415) Równanie to powinno być traktowane jako podstawowe w zagadnieniu prognozy zagrożenia (stosując metodę G-R), tymczasem jest nieznane w literaturze przedmiotu i w praktyce nie jest stosowane co jest jedną z przyczyn nietrafnych prognoz
13 Zastosowanie rozkładu Gutenberga-Richtera do prognozy 61 5 Podstawowe wnioski z pracy Celem artykułu była min analiza czynników wpływających na jakość prognozy opartej na rozkładzie G-R Można wyciągnąć następujące wnioski: 1 iewątpliwą zaletą stosowania rozkładu G-R do prognozy wymaga tylko elementarnych i nielicznych obliczeń S Z jest prostota metody, która 2 Ze względu na małe wymagania dotyczące informacji wejściowej może i powinna być znacznie szerzej stosowana jako najprostsza, przybliżona metoda prognozy zagrożenia sejsmicznego 3 Podstawowym założeniem w tej metodzie jest rzetelna baza informacyjna energii wstrząsów, dotycząca konkretnego obszaru niezniekształcona przez przypadkowe wstrząsy pochodzące z innych rejonów wartość dla którego oceniana/prognozowana jest S Z ależy więc pamiętać o rzetelnej lokalizacji i ocenie energii, gdyż ich niepewność zawsze zwiększa niepewność samej metody 4 iepewność oceny zagrożenia jest min skutkiem niepewności oszacowania, zatem zależy ona od liczebności bazy i równanie (415) powinno być systematycznie stosowane do oceny liczebność bazy niezbędnej dla ograniczenia niepewności ocen ILIOGRAFIA 1 Aki K, Richards PG: Quantitative Seismology (2 ed ) Sausalito California University Science ook, ańka P, Jaworski A: Problemy związane z prognozowaniem wielkości drgań gruntu spowodowanych wysokoenergetycznymi wstrząsami górotworu Górnictwo i Geologia t 1, Gliwice enjamin JR, Cornell CA: Rachunek prawdopodobieństwa, statystyka matematyczna i teoria decyzji dla inżynierów W, Warszawa Dubiński J: Obliczanie energii sejsmicznej, [w:] Poradnik geofizyka górniczego, t 2, iblioteka Szkoły Eksploatacji Podziemnej, Wyd CPPGSMiE PA, Kraków 1995, s Dubiński J, Konopko W: ąpania: ocena, prognoza, zwalczanie Wyd GIG, Katowice Fisz M: Rachunek prawdopodobieństwa i statystyka matematyczna PW, Warszawa Gibowicz SJ, Kijko A: An Introduction to Mining Seismology Academic Press, ew York Gutenberg, Richter CF: Frequency of earthquakes in California ull Seism Soc Am, o 34, 1944, p
14 62 I Gołda, J Kornowski 9 Gutenberg, Richter CF: Seismicity of the Earth and Associated Phenomene, 2 nd ed Princeton University Press, owy Jork Gutenberg, Richter CF: Magnitude and Energy of Earthquakes Science, Vol 83, 1956, p Konopko W: Doświadczalne podstawy kwalifikowania wyrobisk górniczych w kopalniach węgla kamiennego do stopni zagrożenia tąpaniami Prace aukowe GIG, nr 795, Katowice Kornowski J, Kurzeja J: Krótkookresowa prognoza zagrożenia sejsmicznego w górnictwie Wyd GIG, Katowice Lasocki S: Predykcja silnych wstrząsów górniczych Zeszyty aukowe Akademii Górniczo-Hutniczej, z 7, Kraków Lasocki S: Statystyczna analiza zagrożenia sejsmicznego, [w:] Dubiński J, Pilecki Z, Zuberek W (red): adania Geofizyczne w Kopalniach Wyd IGSMiE PA, Kraków Shi Y, olt A: he Standard Error of the Magnitude Frequency b Value ull Seismol Soc Amer, Vol72, o 5, 1982, p Recenzent: Dr hab inż Zenon Pilecki, prof IGSMiE PA Abstract In this paper the estimation method of seismic (tremors) hazard, ZS and its uncertainty witch the known Gutenberg-Richter (G-R) distribution and assuming Poisson process of events have been described, applying only elementary methods and with simple numerical examples o estimate numerical uncertainty of the ZS, the probabilistic interpretation of the G-R equation has been stressed and graphically illustrated, assuming that uncertainty emerges from unsufficient number and unsufficient quality of events energy data in a data archive We conclude that both ZS and its uncertainty can be estimated with simple equations, (48a) or (48b) and (for not to large ZS) (412) and that hazard estimation results should always be equipped with its uncertainty measure
166 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 szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
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 szczegółowoBADANIE WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO
BADANIE WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Lis Anna Lis Marcin Kowalik Stanisław 2 Streszczenie. W pracy przedstawiono rozważania dotyczące określenia zależności pomiędzy wydobyciem
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
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 szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
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 szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoLogarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne.
Logarytmy. Funkcje logarytmiczna i wykładnicza. Równania i nierówności wykładnicze i logarytmiczne. Definicja. Niech a i b będą dodatnimi liczbami rzeczywistymi i niech a. Logarytmem liczby b przy podstawie
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoAnaliza efektywności rejestracji przyspieszeń drgań gruntu w Radlinie Głożynach
WARSZTATY 2004 z cyklu Zagrożenia naturalne w górnictwie Mat. Symp. str. 349 354 Piotr KALETA, Tadeusz KABZA Kompania Węglowa S. A., Kopalnia Węgla Kamiennego Rydułtowy-Anna Ruch II, Pszów Analiza efektywności
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
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 szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.
ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoPrzewidywanie w geofizyce górniczej
Mat. Symp., str.535-539 Wacław M. ZUBEREK Uniwersytet Śląski, Sosnowiec Przewidywanie w geofizyce górniczej Streszczenie Po zdefiniowaniu geofizyki górniczej stwierdza się, że nowoczesne górnictwo oczekuje
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 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 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 szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoStatystyka opisowa- cd.
12.03.2017 Wydział Inżynierii Produkcji I Logistyki Statystyka opisowa- cd. Wykład 4 Dr inż. Adam Deptuła HISTOGRAM UNORMOWANY Pole słupka = wysokość słupka x długość przedziału Pole słupka = n i n h h,
Bardziej szczegółowoRozkład Gaussa i test χ2
Rozkład Gaussa jest scharakteryzowany dwoma parametramiwartością oczekiwaną rozkładu μ oraz dyspersją σ: METODA 2 (dokładna) polega na zmianie zmiennych i na obliczeniu pk jako różnicy całek ze standaryzowanego
Bardziej szczegółowoMetody oceny stanu zagrożenia tąpaniami wyrobisk górniczych w kopalniach węgla kamiennego. Praca zbiorowa pod redakcją Józefa Kabiesza
Metody oceny stanu zagrożenia tąpaniami wyrobisk górniczych w kopalniach węgla kamiennego Praca zbiorowa pod redakcją Józefa Kabiesza GŁÓWNY INSTYTUT GÓRNICTWA Katowice 2010 Spis treści 1. Wprowadzenie
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 3. Populacje i próby danych
STATYSTYKA MATEMATYCZNA WYKŁAD 3 Populacje i próby danych POPULACJA I PRÓBA DANYCH POPULACJA population Obserwacje dla wszystkich osobników danego gatunku / rasy PRÓBA DANYCH sample Obserwacje dotyczące
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoWYMAGANIA Z WIEDZY I UMIEJĘTNOŚCI NA POSZCZEGÓLNE STOPNIE SZKOLNE DLA KLASY CZWARTEJ H. zakres rozszerzony. Wiadomości i umiejętności
WYMAGANIA Z WIEDZY I UMIEJĘTNOŚCI NA POSZCZEGÓLNE STOPNIE SZKOLNE DLA KLASY CZWARTEJ H. zakres rozszerzony Funkcja wykładnicza i funkcja logarytmiczna. Stopień Wiadomości i umiejętności -definiować potęgę
Bardziej szczegółowoWPROWADZENIE DO ZAGADNIENIA SEKWENCYJNEJ PROGNOZY RYZYKA FINANSOWEGO W CZASIE AKCJI RATOWNICZEJ PO TĄPNIĘCIU
PRACE NAUKOWE GIG GÓRNICTWO I ŚRODOWISKO RESEARCH REPORTS MINING AND ENVIRONMENT Kwartalnik Quarterly 4/2004 Jerzy Kornowski WPROWADZENIE DO ZAGADNIENIA SEKWENCYJNEJ PROGNOZY RYZYKA FINANSOWEGO W CZASIE
Bardziej szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do rachunku błędów pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do rachunku błędów pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją symbolami:
Bardziej szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowoPrzedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07. Przedmiot statystyki
Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07 Statystyka dzieli się na trzy części: Przedmiot statystyki -zbieranie danych; -opracowanie i kondensacja danych (analiza danych);
Bardziej szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją
Bardziej szczegółowoOkreślenie maksymalnego kosztu naprawy pojazdu
MACIEJCZYK Andrzej 1 ZDZIENNICKI Zbigniew 2 Określenie maksymalnego kosztu naprawy pojazdu Kryterium naprawy pojazdu, aktualna wartość pojazdu, kwantyle i kwantyle warunkowe, skumulowana intensywność uszkodzeń
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 szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
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 szczegółowoGenerowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport
Generowanie ciągów pseudolosowych o zadanych rozkładach przykładowy raport Michał Krzemiński Streszczenie Projekt dotyczy metod generowania oraz badania własności statystycznych ciągów liczb pseudolosowych.
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 szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoTeoria. a, jeśli a < 0.
Teoria Definicja 1 Wartością bezwzględną liczby a R nazywamy liczbę a określoną wzorem a, jeśli a 0, a = a, jeśli a < 0 Zgodnie z powyższym określeniem liczba a jest równa odległości liczby a od liczby
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 szczegółowoPlan wykładu. Statystyka opisowa. Statystyka matematyczna. Dane statystyczne miary położenia miary rozproszenia miary asymetrii
Plan wykładu Statystyka opisowa Dane statystyczne miary położenia miary rozproszenia miary asymetrii Statystyka matematyczna Podstawy estymacji Testowanie hipotez statystycznych Żródła Korzystałam z ksiażek:
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoMichał PIECHA, Agnieszka KRZYŻANOWSKA, Marta Kozak KWK Bielszowice
SYMPOZJUM 2014: Geofizyka stosowana w zagadnieniach górniczych, inżynierskich Mat. Symp. str. 101 109 Michał PIECHA, Agnieszka KRZYŻANOWSKA, Marta Kozak KWK Bielszowice Analiza zmian parametru b relacji
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 szczegółowoTomasz Tobiasz PLAN WYNIKOWY (zakres podstawowy)
Tomasz Tobiasz PLAN WYNIKOWY (zakres podstawowy) klasa 3. PAZDRO Plan jest wykazem wiadomości i umiejętności, jakie powinien mieć uczeń ubiegający się o określone oceny na poszczególnych etapach edukacji
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 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 szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW
ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną
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 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 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 szczegółowoZadanie Tworzenie próbki z rozkładu logarytmiczno normalnego LN(5, 2) Plot Probability Distributions
Zadanie 1. 1 Wygenerować 200 elementowa próbkę z rozkładu logarytmiczno-normalnego o parametrach LN(5,2). Utworzyć dla tej próbki: - szereg rozdzielczy - histogramy liczebności i częstości - histogramy
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
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 szczegółowoWykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego
Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w
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 szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoPrzedmiot statystyki. Graficzne przedstawienie danych.
Przedmiot statystyki. Graficzne przedstawienie danych. dr Mariusz Grządziel 23 lutego 2009 Przedmiot statystyki Statystyka dzieli się na trzy części: -zbieranie danych; -opracowanie i kondensacja danych
Bardziej szczegółowoNiepewność pomiaru. Wynik pomiaru X jest znany z możliwa do określenia niepewnością. jest bledem bezwzględnym pomiaru
iepewność pomiaru dokładność pomiaru Wynik pomiaru X jest znany z możliwa do określenia niepewnością X p X X X X X jest bledem bezwzględnym pomiaru [ X, X X ] p Przedział p p nazywany jest przedziałem
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowo2) R stosuje w obliczeniach wzór na logarytm potęgi oraz wzór na zamianę podstawy logarytmu.
ZAKRES ROZSZERZONY 1. Liczby rzeczywiste. Uczeń: 1) przedstawia liczby rzeczywiste w różnych postaciach (np. ułamka zwykłego, ułamka dziesiętnego okresowego, z użyciem symboli pierwiastków, potęg); 2)
Bardziej szczegółowoRozkład prędkości statków na torze wodnym Szczecin - Świnoujście
KASYK Lech 1 Rozkład prędkości statków na torze wodnym Szczecin - Świnoujście Tor wodny, strumień ruchu, Zmienna losowa, Rozkłady dwunormalne Streszczenie W niniejszym artykule przeanalizowano prędkości
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoLaboratorium 5 Przybliżone metody rozwiązywania równań nieliniowych
Uniwersytet Zielonogórski Wydział Informatyki, Elektrotechniki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Elektrotechnika niestacjonarne-zaoczne pierwszego stopnia z tyt. inżyniera
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
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 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 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 szczegółowoOznacza to, że chcemy znaleźć minimum, a właściwie wartość najmniejszą funkcji
Wykład 11. Metoda najmniejszych kwadratów Szukamy zależności Dane są wyniki pomiarów dwóch wielkości x i y: (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Przypuśćmy, że nanieśliśmy je na wykres w układzie
Bardziej szczegółowoRozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia.
Rozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia. D A R I U S Z P I W C Z Y Ń S K I 2 2 ROZKŁAD ZMIENNEJ LOSOWEJ Polega na przyporządkowaniu
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoSTATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY)
STATYSTYKA OPISOWA. LICZBOWE CHARAKTERYSTYKI(MIARY) Praca z danymi zaczyna się od badania rozkładu liczebności (częstości) zmiennych. Rozkład liczebności (częstości) zmiennej to jakie wartości zmienna
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
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 szczegółowoPlan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym
Oznaczenia: wymagania konieczne, P wymagania podstawowe, R wymagania rozszerzające, D wymagania dopełniające, W wymagania wykraczające. Plan wynikowy lasa III Technik pojazdów samochodowych/ Technik urządzeń
Bardziej szczegółowoŚREDNI BŁĄD PROGNOZOWANIA DLA METODY EKSTRAPOLACJI PRZYROSTU EMPIRYCZNEGO
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 3 4 006 Bogusław GUZIK ŚREDNI BŁĄD PROGNOZOWANIA DLA METODY EKSTRAPOLACJI PRZYROSTU EMPIRYCZNEGO W artykule sformułowano standardowy układ założeń stochastycznych
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 szczegółowoGeometria analityczna
Geometria analityczna Paweł Mleczko Teoria Informacja (o prostej). postać ogólna prostej: Ax + By + C = 0, A + B 0, postać kanoniczna (kierunkowa) prostej: y = ax + b. Współczynnik a nazywamy współczynnikiem
Bardziej szczegółowoKryteria oceniania z matematyki Klasa III poziom podstawowy
Kryteria oceniania z matematyki Klasa III poziom podstawowy Potęgi Zakres Dopuszczający Dostateczny Dobry Bardzo dobry oblicza potęgi o wykładnikach wymiernych; zna prawa działań na potęgach i potrafi
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 szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
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 szczegółowoCzas trwania wstrząsu jako jeden z elementów oceny zagrożenia sejsmicznego zabudowy powierzchni terenu w LGOM
WARSZTATY 2007 z cyklu: Zagrożenia naturalne w górnictwie Materiały Warsztatów str. 223 234 Izabela JAŚKIEWICZ KGHM CUPRUM sp. z o.o. CBR, Wrocław Czas trwania wstrząsu jako jeden z elementów oceny zagrożenia
Bardziej szczegółowoRozkład normalny, niepewność standardowa typu A
Podstawy Metrologii i Technik Eksperymentu Laboratorium Rozkład normalny, niepewność standardowa typu A Instrukcja do ćwiczenia nr 1 Zakład Miernictwa i Ochrony Atmosfery Wrocław, listopad 2010 r. Podstawy
Bardziej szczegółowoCzasowe zmiany parametru b relacji Gutenberga-Richtera dla oceny zagrożenia sejsmicznego w ścianie 2 i 3 w pokładzie 503 w KWK Bobrek-Centrum
Grzegorz MUTKE Główny Instytut Górnictwa Aleksandra PIERZYNA Kompania Węglowa SA, Oddział KWK Bobrek-Centrum Czasowe zmiany parametru b relacji Gutenberga-Richtera dla oceny zagrożenia sejsmicznego w ścianie
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 szczegółowo