APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH

Wielkość: px
Rozpocząć pokaz od strony:

Download "APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH"

Transkrypt

1 ZESZYTY NAUKOWE WSOWL Nr ISSN Stansława OSTASIEWICZ APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH W demograf jak też naukach aktuaralnych od dawna trwa dyskusja na temat tego, czy stneje unwersalne prawo opsujące proces wymerana populacj. Od welu lat czynone są próby znalezena takego prawa. Mmo że proponowano wele funkcj żadna z nch ne opsuje wystarczająco dokładne rozkładu emprycznego. Trudność tkw w tym, że populacja ludzka jest nejednorodna do opsu umeralnośc trzeba stosować meszankę różnych rozkładów. W pracy przedstawona jest próba opsana długośc życa populacj mężczyzn polskch w roku 9 za pomocą meszank rozkładów Gompertza, Webula, gamma lognormalnego. Parametry rozkładów oraz wag meszank wyznaczone będą metodą mnmum ch-kwadrat. Słowa klucze: model trwane życa, śmertelność, mężczyźn, meszanka rozkładów, nejednorodność WSTĘP Podstawową welkoścą w analze przeżyca jest czas, jak upływa do momentu śmerc jednostk. Welkość ta jest neujemną zmenną losową, którą zwykle oznacza sę symbolem T, gdze jest wekem osoby charakteryzuje sę ją za pomocą dystrybuanty: F t t = P T + t T > F t = P T 1 Wartość dystrybuanty F t w punkce t oznacza prawdopodobeństwo, że osoba w weku przeżyje ne węcej nż t lat. Inną charakterystyką zmennej losowej T jest funkcja gęstośc, która z dystrybuantą zwązana jest następująco: f t = F ' t dr hab. Stansława OSTASIEWICZ, prof. nadzw. WSOWL Wydzał Zarządzana Wyższej Szkoły Ofcerskej Wojsk Lądowych

2 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH F t oznacza pochodną funkcj F t. Do charakteryzowana czasu życa wykorzystuje sę równeż funkcję przeżyca S t, określoną w następujący sposób: S t t = P T > + t T > = 1 F 3 Podstawowym narzędzem analzy czasu przeżyca jest funkcja ntensywnośc, która wyraża sę następującym wzorem: f t d µ t = ln S t 4 S t dt Funkcja ntensywnośc w sposób jednoznaczny wyznacza funkcję gęstośc dystrybuantę zmennej losowej T. Wzór 4 można też zapsać następująco: t S t = ep µ s ds 5 Funkcja ntensywnośc może być nterpretowana jako łatwość zgonu w chwl t na jednostkę czasu pod warunkem dożyca do chwl t, przyjmuje ona wartośc z przedzału,. W prezentowanej pracy funkcja ntensywnośc ne będze wykorzystywana. 1. TEORETYCZNE MODELE CZASU PRZEŻYCIA Od dawna czynone są próby opsana długośc czasu życa za pomocą znanego rozkładu teoretycznego. Prezentowany artykuł należy do tego typu prac. Jego celem jest opsane trwana życa populacj mężczyzn polskch w roku 9. W rodzale tym przedstawone są rozkłady teoretyczne wykorzystywane przy realzacj zadana. Perwszym parametrycznym modelem życa wykorzystywanym do opsu populacj ludzkch był model zaproponowany w roku 175 przez de Movre a [1]. Czas przeżyca T w tym modelu opsywany był za pomocą rozkładu jednostajnego [1]. W chwl obecnej model ten ne jest stosowany, ma on znaczene wyłączne hstoryczne. Znaczne częścej do modelowana czasu przeżyca wykorzystywany jest model zaproponowany w 185 roku przez B. Gompertza [, 4, 7, 8]. Funkcja gęstośc dystrybuanta rozkładu Gompertza są następujące: b >, γ > b f t = ep{ ep γt 1ep γt 6 γ β F t = 1 ep{ ep γt 1 γ 7 343

3 Stansława OSTASIEWICZ Model ten najczęścej zapsywany jest za pomocą funkcj ntensywnośc, która ma postać: t µ t = βγ, t, γ >, β > Taka postać modelu uzasadnana była przez Gompertza w następujący sposób [1]: Śmertelność ntensywność zgonów jest wynkem dzałana dwóch rodzajów przyczyn. Perwszą przyczynę stanową choroby, które dzałają tak samo na ludz młodych, jak starszych. Tak węc lczba zgonów z tych przyczyn ne zależy od weku jest proporcjonalna do lczebnośc populacj. Druga przyczyna zgonów to spadek zdolnośc człoweka do przecwstawana sę śmerc. Spadek odpornośc organzmu na śmerć wtalność jest proporcjonalny do weku. Model Gompertza dość dobrze opsuje rzeczywstą ntensywność zgonów w grupe wekowej powyżej 8 lat, jednak dla ludnośc młodszej zgodność ta jest znaczne gorsza. Powstało węc przypuszczene, że oprócz dwóch wymenonych stneją jeszcze nne przyczyny, które ne zostały uwzględnone przy konstrukcj modelu które powodują, że funkcja Gompertza ne opsuje dobrze ntensywnośc emprycznej. Model ten w 1867 r. został zmodyfkowany przez Makehama, który uważał, że ntensywność zgonów w każdym weku jest częścowo nezależna od weku. Zależy natomast od pewnych czynnków, które oddzaływają na ntensywność w sposób addytywny nezależne od weku. Czynnk te są zagregowane występują w modelu w postac stałej, która dodawana jest do funkcj Gompertza [1]. Otrzymany model nazywany jest prawem Gompertza - Makehama ma postać: dystrybuanta: F a, b >, γ > 1- ep b - a - e γ = γ 1, > Rozkład Gompertza jest szczególnym przypadkem rozkładu Gompertza Makehama. Jeżel przyjmemy a =, otrzymamy rozkład Gompertza. Gęstość zmennej losowej ma postać: f = a + be ep b - a - e γ γ γ 1, > Zarówno model Gompertza, jak Gompertza Makehama wykorzystywane są do dzś. Oprócz tych omówonych model stosowanych do opsu przeżyca populacj ludzkej wykorzystywane też są nne rozkłady teoretyczne, które nawet nazywane są prawam życa, ale żaden z nch ne opsuje dobrze rzeczywstych procesów umeralnośc

4 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH 345 W dalszej częśc pracy wykorzystywane będą jeszcze następujące rozkłady: rozkład Webula, rozkład gamma rozkład lognormalny. Dystrybuanty funkcje gęstośc tych rozkładów mają następującą postać: > =, ep 1 F α β 1 Funkcja gęstośc rozkładu Webula: > =, ep, 1 f α α β β β α 11 Dystrybuanta rozkładu gamma: > Γ Γ = /, F α β α 1, oraz ep, 1 α > β > = α Γ α dt t t Funkcja gęstośc rozkładu gamma określona jest wzorem: > Γ =, ep 1 a c c f a a 13 Dystrybuanta rozkładu lognormalnego: > Φ =, ln m F σ 14 d t t ep 1 = Φ π Funkcja gęstośc rozkładu lognormalnego ma postać:

5 Stansława OSTASIEWICZ 1 1 ln m ep, > f = σ π σ 15,. MODEL EMPIRYCZNY TRWANIA ŻYCIA Mmo że od dawna czynone są próby skonstruowana funkcj, która mogłaby być traktowana jako prawo opsujące czas życa, to jak do tej pory kończyły sę one nepowodzenem. Opracowano węc empryczny model trwana życa, który nazwany został tablcam wymeralnośc. Późnej nazwa ta została zmenona na Tablce Trwana Życa TTŻ [1]. W Polsce model ten konstruowany jest ostatno co roku, osobno dla mężczyzn, osobno dla kobet. Tablce trwana życa mężczyzn w Polsce w roku 9 zameszczone są w pracy jako załącznk 1. Model ten bazuje na następujących funkcjach bometrycznych [1, 5]: lczba dożywających weku ; lczba zmarłych w weku ; prawdopodobeństwo zgonu w weku. Wek podawany jest w sposób dyskretny w punktach =,1,,..., ω. ω jest to najstarsza grupa weku w polskch TTŻ jest ona równa 1 lat. l jest to lczba dożywających weku lat, czyl początkowa lczebność populacj, w polskch TTŻ wynos ona 1 osób. W marę upływu czasu następuje wymerane populacj, w weku 1 lat lczebność ta jest bardzo mała tablce ne są kontynuowane. Najważnejszą funkcją bometryczną są współczynnk zgonów, które wyznaczane są na podstawe współczynnków zgonów obserwowanych w okrese dla którego budowane są tablce trwana życa. Na podstawe współczynnków zgonów można odtworzyć wszystke funkcje bometryczne. Istneje zwązek mędzy emprycznym modelem trwana życa modelem teoretycznym. Wartość gęstośc emprycznej czasu życa w weku oznaczona f ˆ jest równa następującemu lorazow: d fˆ = dla =,1,,..., 1 16 l d jest to lczba zgonów w weku czyl w przedzale, + 1, natomast l początkowa lczebność badanej populacj. Jeżel w weku zmarło d osób, to znaczy, że spośród 1 osób d przeżyło lat. Częstość przeżyca lat można węc polczyć ze wzoru 16. W pozostałych punktach przedzału, + 1 wartość funkcj gęstośc emprycznej ne jest znana. 346

6 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH Na rysunku 1 przedstawony został hstogram długośc życa mężczyzn polskch w 9 roku wyznaczony na podstawe badanej próby 1 mężczyzn. Rys. 1. Hstogram częstośc długośc życa na podstawe TTŻ mężczyzn w 9 r. Na rysunku przedstawony został natomast dagram długośc życa Rys.. Dagram częstośc długośc życa wygładzony numeryczne na podstawe TTŻ mężczyzn w 9 r. Po wygładzenu dagramu otrzymuje sę funkcję cągłą. 3. BADANIE ZGODNOŚCI ROZKŁADU EMPIRYCZNEGO I TEORETYCZNEGO Sprawdzmy teraz, czy badana próba pochodz z populacj, w której czas życa opsany jest za pomocą prawa życa Webulla, czyl czy stneje zgodność mędzy rozkładem przedstawonym na rysunku rozkładem teoretycznym opsanym za pomocą funkcj gęstośc określonej wzorem 11. Zadane rozwążemy, wykorzystując test λ -Kołmogorowa. Parametry rozkładu Webula estymowane będą metodą najwększej warogodnośc [3, 1]. 347

7 Stansława OSTASIEWICZ Estymatory αˆ, β ˆ parametrów rozkładu Webula otrzymane metodą najwększej warogodnośc MNW spełnają równana [6]: αˆ ln ln αˆ αˆ 1/ αˆ βˆ = = 1 αˆ 17 g oznacza średną funkcj g. Równana te można rozwązać tylko numeryczne [6, 7]. W przypadku badanej populacj otrzymano następujące wartośc estymatorów rozkładu teoretycznego oblczena wykonano za pomocą programu z paketu Matematca: αˆ = 5,75974 βˆ = 77,148 Teoretyczna funkcja gęstośc ma węc postać: 5,76 f =,75 ep > 18 77,15 77,15 Na rysunku 3 przedstawono wykresy teoretycznej emprycznej funkcj gęstośc, natomast na rysunku 4 wykresy dystrybuant. Rys. 3. Teoretyczna empryczna funkcja gęstośc Rys. 4. Dystrybuanta rozkładu emprycznego teoretycznego Funkcja gęstośc empryczna teoretyczna różną sę we wszystkch przedzałach weku. Jeszcze bardzej wdoczne są różnce mędzy dystrybuantą empryczną teoretyczną przedstawoną na rysunku 4. Aby ocenć statystyczne stotność tych różnc dla wszystkch przedzałów weku, polczono różncę mędzy wartoścam dystrybuanty emprycznej teoretycznej. Wykres różnc przedstawony jest na rysunku

8 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH Rys. 5. Różnce mędzy wartoścam dystrybuanty emprycznej teoretycznej Jak wdać różnce te są dość znaczne. Maksymalna różnca występuje w weku = 78 wynos około,48. ma ˆ F =,48 F n Fˆ n oznacza wartość dystrybuanty emprycznej w punkce, natomast F wartość dystrybuanty teoretycznej w punkce. Sprawdzmy teraz czy różnce te są na tyle duże, że hpoteza mówąca o tym, ż próba statystyczna pochodz z populacj o rozkładze Webulla pownna być odrzucona. Do weryfkacj hpotezy o zgodnośc rozkładu teoretycznego emprycznego wykorzystany zostane test λ Kołmogorowa. Statystyka testowa λ dla tego testu ma postać: λ = n ma Fˆ F 19 Przy założenu prawdzwośc sprawdzanej hpotezy statystyka ta ma znany rozkład który jest stablcowany zarówno dla małej, jak dużej próby [1]. Test Kołmogorowa jest testem prawostronnym, czyl hpotezę o jednakowośc rozkładu emprycznego teoretycznego odrzucamy, gdy wartość statystyk testowej przekracza wartość krytyczną. W rozpatrywanym przypadku wartość empryczna statystyk λ Kołmogorowa jest równa 15,17 natomast wartość krytyczna λ α odczytana z tablc, odpowadająca pozomow stotnośc α =, 5, jest równa 1,36. Stąd wynka, że hpotezę o zgodnośc rozkładu emprycznego teoretycznego należy odrzucć. Oznacza to, że czas życa w populacj mężczyzn polskch w 9 roku ne ma rozkładu Webulla. Innym rozkładem wykorzystywanym do opsu czasu życa jest rozkład Gompertza, którego funkcja gęstośc określona jest wzorem 6. n 349

9 Stansława OSTASIEWICZ Na rysunku 6 przedstawono wykres gęstośc emprycznej gęstośc rozkładu Gompertza, którego parametry wyznaczono metodą najwększej warogodnośc. Estymatory ˆb, γˆ parametrów funkcj gęstośc rozkładu Gompertza spełnają następujące równana [7]: ˆ ˆ γ b = ep ˆ γ 1 ˆ γ ep ˆ γ 1 = ep ˆ γ ˆ γ Równana te rozwązano numeryczne za pomocą programu z paketu Matematca, uzyskując następujące wartośc estymatorów: bˆ =,136 γˆ =,817 Funkcja gęstośc prawa Gompertza ma węc postać: f t = ep{,166 ep,8t 1 ep,8t Na rysunku 6 przedstawono gęstość empryczną gęstość rozkładu Gompertza, natomast na rysunku 7 przedstawono dystrybuanty tych rozkładów. Rys. 6. Funkcja gęstośc rozkładu emprycznego rozkładu Gompertza Rys. 7. Dystrybuanta empryczna teoretyczna Wdać, że zgodność gęstośc emprycznej teoretycznej jest bardzo duża dla populacj w weku powyżej 8 lat. Fakt ten został dawno zauważony przez demografów aktuaruszy [1].W pozostałych grupach weku zgodność jest znaczne mnejsza. Rozbeżnośc mędzy rozkładem emprycznym teoretycznym są znaczne mnej wdoczne na wykresach dystrybuant. Sprawdzmy teraz za pomocą testu statystycznego λ Kołmogorowa stotność różnc mędzy tym funkcjam. W tym celu polczymy wartośc Fˆ n F dla wszystkch wartośc przedstawmy je na rysunku 8. 35

10 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH Rys. 8. Różnce mędzy dystrybuntą empryczną dystrybuantą rozkładu Gompertza Jak można odczytać z wykresu, maksymalna wartość różncy wynos około,15. Stąd wartość statystyk testowej λ e jest równa: λ e = 1, 15 = 4, 73. Wartość ta jest wększa od wartośc krytycznej, która przy pozome stotnośc α =, 5 wynos 1,96. Hpotezę o tym, że czas życa populacj można opsać rozkładem Gompertza należy odrzucć. Dalszych prób aproksymacj gęstośc emprycznej gęstoścą teoretyczną ne przeprowadzono. Uznano, że badana populacja ne jest jednorodna, a w takm przypadku na pewno ne znajdze sę rozkładu, który opsywałby rozkład empryczny. Nejednorodność populacj oznacza, że populacja składa sę z pewnych grup jednostek [19]. Wszystke jednostk w grupe charakteryzują sę takm samym rozkładem trwana życa. Jednostk te zostały wymeszane ne można odróżnć, która jednostka należała do której grupy. Powstał nowy rozkład meszanka, którego dystrybuanta oznaczona jest G. Dystrybuanta G jest meszanką rozkładów o dystrybuantach G z poszczególnych grup, przy czym udzał rozkładów poszczególnych grup w meszance, jest proporcjonalny do lczebnośc tych grup. Lczebnośc te ne są znane. Dystrybuanta G ma postać: m G = w G 3 = 1 m - lczba grup a w udzał poszczególnych grup w meszance. Neznane parametry rozkładu G estymowane będą metodą mnmum ch- kwadrat [7]. Statystyka ch-kwadrat, która będze mnmalzowana, ma następującą postać: k n nπ χ = 4 = 1 nπ k oznacza lczbę przedzałów, na które zostały pogrupowane wartośc zmennej losowej, π oznacza prawdopodobeństwo, że wartość zmennej o dystrybuance G należy do przedzału -tego, n zaobserwowana lczba obserwacj należących do przedzału -tego. 351

11 Stansława OSTASIEWICZ Rozpatrzymy najprostszy przypadek, gdy populacja składa sę z dwóch grup, rozkład długośc życa w perwszej grupe opsany jest za pomocą rozkładu Webulla dystrybuanta określona wzorem 1, natomast w grupe drugej za pomocą rozkładu Gompertza dystrybuanta określona wzorem 7. Rozkład meszank określony jest za pomocą następującej dystrybuanty: b γ α G = w1 1 ep e 1 + w 1 ep dla > 5 γ β Rozkład G zależy od pęcu parametrów w1, b, γ, β, α. Udzał w = 1 w 1. Statystyka ch-kwadrat, która będze mnmalzowana w rozpatrywanym przypadku ma następującą postać: 99 d lπ χ = 6 = nπ d jest to obserwowana lczba zgonów w -tym przedzale weku odczytana z TTŻ, l początkowa lczebność populacj, czyl 1, natomast l π = l G + 1 G 7 Zadane mnmalzacj statystyk χ polega na znalezenu takch wartośc parametrów rozkładu G, aby funkcja określona wzorem 6 mała wartość jak najmnejszą. W rozpatrywanym przypadku funkcja ta zależy od pęcu parametrów zmennych, a węc należy znaleźć ekstremum funkcj pęcu zmennych. Zdane to zostało rozwązane numeryczne za pomocą programu z paketu Matematca. Wartośc parametrów mnmalzujące wartość statystyk αˆ = 6,14 βˆ = 59,38 bˆ =,18 γˆ =,84 w w 1 =,963 =,397 Mnmalna wartość statystyk χ jest równa: χ =419,4 χ są następujące: Wykresy gęstośc emprycznej teoretycznej meszank rozkładu Gompertza rozkładu Webulla przedstawone są na rysunku 9. 35

12 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH Rys. 9. Wykres gęstośc emprycznej gestośc meszank Statystyka χ wykorzystana zostane do weryfkacj hpotezy o zgodnośc rozkładu teoretycznego określonego następująco: G =,9631 ep,155 e,84 1 +,3971 ep 59,38 6,14 8 Jeżel próba pochodz z populacj o rozkładze G, to statystyka χ ma rozkład ch-kwadrat z 94 stopnam swobody [3, 1]. Zbór krytyczny jest prawostronny, czyl hpotezę zerową odrzucmy, gdy wartość statystyk testowej przekroczy pewną wartość krytyczną zależną od pozomu stotnośc. Przy pozome stotnośc α =,5 wartość krytyczna odczytana z tablc rozkładu ch-kwadrat jest równa 117,63 [13]. Otrzymana empryczna wartość statystyk χ jest równa 419,4, a węc znajduje sę w zborze krytycznym. Oznacza to, że na pozome stotnośc α =, 5 hpotezę o tym, że czas trwana życa populacj mężczyzn jest meszanką 96% jednostek, których czas życa ma rozkład Gompertza 4% jednostek, których czas życa ma rozkład Webulla należy odrzucć. Powstaje podejrzene, że w populacj są jednostk, których czas życa opsany jest nnym nż poprzedno zmeszane rozkłady. Rozpatrzmy teraz meszankę trzech rozkładów Webulla, Gompertza rozkładu gamma. Estymatory parametrów meszank otrzymane metodą mnmum ch- kwadrat są następujące: parametry rozkładu Webulla ˆ α = 8,19, ˆ β = 59, 5 parametry rozkładu Gompertza b ˆ =,1, ˆ γ =, 8544 parametry rozkładu gamma a ˆ = 18,86, cˆ = 1, 164 waga, z jaką wchodz do meszank rozkład Webulla w =, 638 waga z jaką wchodz do meszank rozkład gamma w =, 6148 waga, z jaką wchodz do meszank rozklad Gompertza w =, 93 w γ G 353

13 Stansława OSTASIEWICZ Wartość statystyk ch-kwadrat jest równa χ = 133, 731 Z przeprowadzonej estymacj wynka, że w analzowanej populacj 93% populacj charakteryzuje sę długoścą życa podlegającą rozkładow Gompertza,,6 % populacj ma rozkład trwana życa opsany rozkładem gamma 6% populacj charakteryzuje sę trwanem życa opsanym za pomocą rozkładu Webulla. Poneważ estymowanych było 8 parametrów rozkładu meszank, to statystyka χ ma rozkład ch-kwadrat z 91 stopnam swobody. Wartość krytyczna przy pozome stotnośc α =, 5 jest równa 117,63, a przy pozome stotnośc α =, jest równa 1,81 Wykres funkcj częstośc rozkładu emprycznego gęstośc rozkładu meszank przedstawono na rysunku 1. Rys. 1. Rozkład empryczny rozkład meszank trzech rozkładów Wydaje sę, że rozkład teoretyczny meszanka zaznaczony na rysunku lną przerywaną rozkład empryczny zaznaczony lną cągłą przebegają nemal dentyczne. Jeśl jednak przeprowadzmy weryfkację statystyczną hpotezy o zgodnośc tych rozkładów to, okaże sę, że zarówno na pozome stotnośc α =, 5, jak też na pozome stotnośc α =, hpotezę tę trzeba odrzucć, gdyż wartość statystyk testowej, która równa jest 133,71, w obu przypadkach znajduje sę w zborze krytycznym. Oznacza to, że w skład meszank rozkładu teoretycznego wchodzą jeszcze nne rozkłady. Spróbujmy zwększyć składnk meszank o rozkład lognormalny. Jest to rozkład neujemny zależny od dwóch parametrów. Funkcja gęstośc tego rozkładu określona jest wzorem 15 [3]. W tym przypadku rozkład teoretyczny będze zależał od 11 parametrów. Estymatory tych parametrów wyznaczone według kryterum mnmalnego następujące: Estymatory parametrów rozkładu Webulla αˆ = 9,55 βˆ = 56, 99 Estymatory parametrów rozkładu Gompertza bˆ =,11 γˆ =,84 Estymatory parametrów rozkładu gamma â = 46,77 ĉ =, 439 Estymatory parametrów rozkładu lognormalnego mˆ = 4,156 σˆ =, 46 Waga, z jaką wchodz rozkład Webulla w W =, 44 χ są 354

14 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH Waga, z jaką wchodz rozkład gamma w γ =, 44 Waga, z jaką wchodz rozkład lognormalny w LN =, 747 Waga, z jaką wchodz rozkład Gompertza w G =, 944 Wartość statystyk χ = 18, 846 Rys. 11. Gęstość empryczna gęstość meszank czterech rozkładów W ostatnm rozpatrywanym przypadku statystyka χ ma rozkład ch-kwadrat z 88 stopnam swobody. Wartość krytyczna odczytana z tablc przy pozome stotnośc α =,5 równa jest χ α = 11, 898, natomast przy pozome stotnośc α =, wartość ta równa jest χ α = 117, 34. Przy obu pozomach stotnośc wartość empryczna znajduje sę w zborze przyjęca sprawdzanej hpotezy. Tak węc możemy stwerdzć, że rozkład czasu życa mężczyzn w Polsce w roku 9 jest meszanką czterech neujemnych rozkładów zmennych losowych. Śwadczy to o tym, że populacja jest bardzo slne zróżncowana. Ale też z udzałów poszczególnych rozkładów w meszance wynka, że najwększą podgrupą w tej populacj bo stanowącą aż 94,4%, są mężczyźn, których czas życa opsany jest rozkładem Gompertza. Mmo ż jest to grupa bardzo lczna to jednak jej rozkład ne reprezentuje całej populacj. LITERATURA [1] Balck A., Analza przeżyca tablce wymeralnośc, Polske Wydawnctwo Ekonomczne, Warszawa 6. [] Bowers N, Gerber H., Hckman J., Jones D., Nesbt D. Actuaral Mathematcs, Itasca: The Socaty of Actuares [3] Fsz M., Rachunek prawdopodobeństwa statystyka matematyczna, PWN, Warszawa [4] Gerber H. U., Lfe Insurance Mathematcs, Sprnger-Verlag, 199. [5] Holzer J., Demografa, PWE. Warszawa [6] Law A. M., Kelton W., Smulaton Modellng and Analyss, McGraw-Hll,

15 Stansława OSTASIEWICZ [7] Metody oceny porządkowana ryzyka w ubezpeczenach życowych, pod red. Ostasewcz S., Wydawnctwo Akadem Ekonomcznej, Wrocław. [8] Ostasewcz S., Ocena umeralnośc w populacjach o zróżncowanej wtalnośc, [w:] Rocznk Kolegum Analz Ekonomcznych, Zeszyt 1/1. [9] Ostasewcz S., Składk w wybranych typach ubezpeczeń życowych, Wydawnctwo Akadem Ekonomcznej, Wrocław. [1] Ostasewcz W., Propedeutyka probablstyk, Wydawnctwo Akadem Ekonomcznej, Wrocław. [11] Rao C., Modele lnowe statystyk matematycznej, PWN, Warszawa, 198. [1] [onlne]. [dostęp: 11]. Dostępny w Internece: bcr/gus/publ_lud_trwane_zyca_9.pdf. [13] Trwane życa w 9 r. Lfe epectancy tables of Poland. Informacje opracowana statystyczne. GUS. Warszawa 11. [14] [onlne]. [dostęp: 11]. Dostępny w Internece: Tablca _rozk%c5%8adu_ch-kwadrat APPROXIMATION OF SURVIVAL FUNCTION FOR HETEROGENEOUS POPULATIONS Summary For a long tme demographers and actuares have been delberatng the ssue of the laws of lfe. A number of proposed survval functons turned out to be unsatsfactory when they were appled emprcally. One of the ways to overcome the dffcultes s to modfy the general survval functons by ntroducng an addtonal formula characterzng the fralty of ndvduals. Another way s to use a mture of approprate dstrbutons. In ths contrbuton the latter approach to determne the survval tme of men n the Polsh populaton n 9 s appled. Key words: lfetme model, death rate, men, mture of dstrbutons, heterogenety 356

16 APROKSYMACJA CZASU TRWANIA ŻYCIA W POPULACJACH NIEJEDNORODNYCH Załącznk 1 Tabela 1. Tabela trwana życa 9 357

17 358 Stansława OSTASIEWICZ

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4 Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja

Bardziej szczegółowo

Weryfikacja hipotez dla wielu populacji

Weryfikacja hipotez dla wielu populacji Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w

Bardziej szczegółowo

Zagadnienia statystyki aktuarialnej. pod redakcją Joanny Dębickiej

Zagadnienia statystyki aktuarialnej. pod redakcją Joanny Dębickiej Zagadnienia statystyki aktuarialnej pod redakcją Joanny Dębickiej Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu Wrocław 2011 Recenzenci: Krzysztof Dębicki, Grzegorz Kończak, Zbigniew Palmowski, Włodzimierz

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

Nieparametryczne Testy Istotności

Nieparametryczne Testy Istotności Neparametryczne Testy Istotnośc Wzory Neparametryczne testy stotnośc schemat postępowana punkt po punkce Formułujemy hpotezę główną odnoszącą sę do: zgodnośc populacj generalnej z jakmś rozkładem, lub:

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej szczegółowo

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4

0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4 Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 3

Natalia Nehrebecka. Zajęcia 3 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:

1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń: .. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA

Bardziej szczegółowo

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

Bardziej szczegółowo

Parametry zmiennej losowej

Parametry zmiennej losowej Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

APROKSYMACJA QUASIJEDNOSTAJNA

APROKSYMACJA QUASIJEDNOSTAJNA POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy

Bardziej szczegółowo

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup

Plan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT

Bardziej szczegółowo

STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW

STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW Zakład Metrolog Systemów Pomarowych P o l t e c h n k a P o z n ańska ul. Jana Pawła II 4 60-965 POZAŃ (budynek Centrum Mechatronk, Bomechank anonżyner) www.zmsp.mt.put.poznan.pl tel. +48 61 665 5 70 fax

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

Statystyka. Zmienne losowe

Statystyka. Zmienne losowe Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu

Bardziej szczegółowo

Badanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej

Badanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma

Bardziej szczegółowo

Metody predykcji analiza regresji

Metody predykcji analiza regresji Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..

Bardziej szczegółowo

Badania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa

Badania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)

Bardziej szczegółowo

PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE

PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA

Bardziej szczegółowo

MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI

MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene

Bardziej szczegółowo

6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO

6. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO Różnce mędzy obserwacjam statystycznym ruchu kolejowego a samochodowego 7. ROŻNICE MIĘDZY OBSERWACJAMI STATYSTYCZNYMI RUCHU KOLEJOWEGO A SAMOCHODOWEGO.. Obserwacje odstępów mędzy kolejnym wjazdam na stację

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ

Hipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje

Bardziej szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe

Bardziej szczegółowo

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)

Zjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych) Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.

Bardziej szczegółowo

Natalia Nehrebecka. Dariusz Szymański

Natalia Nehrebecka. Dariusz Szymański Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta

Bardziej szczegółowo

ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY

ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36, T. 1 Barbara Batóg *, Jacek Batóg ** Unwersytet Szczecńsk ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje i charakterystyki zmiennych losowych Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych

Bardziej szczegółowo

Zadane 1: Wyznacz średne ruchome 3-okresowe z następujących danych obrazujących zużyce energ elektrycznej [kwh] w pewnym zakładze w mesącach styczeń - lpec 1998 r.: 400; 410; 430; 40; 400; 380; 370. Zadane

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi o tym samym 2 x

będą niezależnymi zmiennymi losowymi o tym samym 2 x Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka

Bardziej szczegółowo

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1

Rozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1 Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Egzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010

Egzamin ze statystyki/ Studia Licencjackie Stacjonarne/ Termin I /czerwiec 2010 Egzamn ze statystyk/ Studa Lcencjacke Stacjonarne/ Termn /czerwec 2010 Uwaga: Przy rozwązywanu zadań, jeśl to koneczne, naleŝy przyjąć pozom stotnośc 0,01 współczynnk ufnośc 0,99 Zadane 1 PonŜsze zestawene

Bardziej szczegółowo

Procedura normalizacji

Procedura normalizacji Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny

Bardziej szczegółowo

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Regresja liniowa i nieliniowa

Regresja liniowa i nieliniowa Metody prognozowana: Regresja lnowa nelnowa Dr nż. Sebastan Skoczypec Zmenna losowa Zmenna losowa X zmenna, która w wynku pewnego dośwadczena przyjmuje z pewnym prawdopodobeństwem wartość z określonego

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby

Bardziej szczegółowo

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012 ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment

Bardziej szczegółowo

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.

Bardziej szczegółowo

Dobór zmiennych objaśniających

Dobór zmiennych objaśniających Dobór zmennych objaśnających Metoda grafowa: Należy tak rozpąć graf na werzchołkach opsujących poszczególne zmenne, aby występowały w nm wyłączne łuk symbolzujące stotne korelacje pomędzy zmennym opsującym.

Bardziej szczegółowo

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa.   PARA ZMIENNYCH LOSOWYCH Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy

Bardziej szczegółowo

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.

Testowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4. Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ

Bardziej szczegółowo

dy dx stąd w przybliżeniu: y

dy dx stąd w przybliżeniu: y Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc

Bardziej szczegółowo

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy

Bardziej szczegółowo

Analiza struktury zbiorowości statystycznej

Analiza struktury zbiorowości statystycznej Analza struktury zborowośc statystycznej.analza tendencj centralnej. Średne klasyczne Średna arytmetyczna jest parametrem abstrakcyjnym. Wyraża przecętny pozom badanej zmennej (cechy) w populacj generalnej:

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Rozwiązania (lub wskazówki do rozwiązań) większości zadań ze skryptu STATYSTYKA: MATERIAŁY POMOCNICZE DO ZAJĘĆ oraz EGZAMINÓW Z LAT

Rozwiązania (lub wskazówki do rozwiązań) większości zadań ze skryptu STATYSTYKA: MATERIAŁY POMOCNICZE DO ZAJĘĆ oraz EGZAMINÓW Z LAT Rozwązana (lub wskazówk do rozwązań) wększośc zadań ze skryptu STATYSTYKA: MATERIAŁY POMOCNICZE DO ZAJĘĆ oraz EGZAMINÓW Z LAT 01-014 ZMIENNA LOSOWA I JEJ ROZKŁAD Zadane 1/ str. 4 a/ zmenna może przyjmować

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL 1. Interakcje 2. Przyblżane model nelnowych 3. Założena KMRL W standardowym modelu lnowym zakładamy,

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Statystyka matematyczna. Wykład VI. Zesty zgodności

Statystyka matematyczna. Wykład VI. Zesty zgodności Statystyka matematyczna. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści 1 Testy zgodności 2 Test Shapiro-Wilka Test Kołmogorowa - Smirnowa Test Lillieforsa Test Jarque-Bera Testy zgodności Niech x

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11

Stanisław Cichocki. Natalia Nehrebecka. Wykład 11 Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra

Bardziej szczegółowo

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,

Bardziej szczegółowo

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej

Bardziej szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

Piesi jako ofiary śmiertelnych wypadków analiza kryminalistyczna

Piesi jako ofiary śmiertelnych wypadków analiza kryminalistyczna Pes jako ofary śmertelnych wypadków analza krymnalstyczna Potr Kodryck, Monka Kodrycka Pozom bezpeczeństwa ruchu drogowego klasyfkuje Polskę na jednym z ostatnch mejsc wśród krajów europejskch. Wskaźnk

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

STATYSTYKA. Zmienna losowa skokowa i jej rozkład

STATYSTYKA. Zmienna losowa skokowa i jej rozkład STATYSTYKA Wnosowane statystyczne to proces myślowy polegający na formułowanu sądów o całośc przy dysponowanu o nej ogranczoną lczbą nformacj Zmenna losowa soowa jej rozład Zmenną losową jest welość, tóra

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne

Bardziej szczegółowo

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru Pomary fzyczne - dokonywane tylko ze skończoną dokładnoścą. Powodem - nedoskonałość przyrządów pomarowych neprecyzyjność naszych zmysłów borących udzał w obserwacjach. Podawane samego tylko wynku pomaru

Bardziej szczegółowo

1 Przestrzenie statystyczne, statystyki

1 Przestrzenie statystyczne, statystyki M. Beśka, Statystyka matematyczna, wykład 1 1 1 Przestrzene statystyczne, statystyk 1.1 Rozkłady zmennych losowych Nech Ω, F, P ) będze ustaloną przestrzeną probablstyczną, a X : Ω IR zmenną losową na

Bardziej szczegółowo

Model ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)

Model ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli) Model odstawowe założena modelu: ceny płace mogą ulegać zmanom (w odróżnenu od poprzedno omawanych model) punktem odnesena analzy jest obserwacja pozomu produkcj cen (a ne stopy procentowej jak w modelu

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Statystyka Opisowa 2014 część 1. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 1. Katarzyna Lubnauer Statystyka Opsowa 2014 część 1 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,

Bardziej szczegółowo

Mikroekonometria 15. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 15. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 15 Mkołaj Czajkowsk Wktor Budzńsk Mkroekonometra podsumowane kursu Zagadnena ogólne NLOGIT Metoda maksymalzacj funkcj ML Testy statystyczne Metody numeryczne, symulacje Metody wyceny nerynkowej

Bardziej szczegółowo

WSKAŹNIK OCENY HIC SAMOCHODU OSOBOWEGO W ASPEKCIE BEZPIECZEŃSTWA RUCHU DROGOWEGO

WSKAŹNIK OCENY HIC SAMOCHODU OSOBOWEGO W ASPEKCIE BEZPIECZEŃSTWA RUCHU DROGOWEGO WSKAŹNIK OCENY SAMOCHODU OSOBOWEGO W ASPEKCIE BEZPIECZEŃSTWA RUCHU DROGOWEGO Dagmara KARBOWNICZEK 1, Kazmerz LEJDA, Ruch cała człoweka w samochodze podczas wypadku drogowego zależy od sztywnośc nadwoza

Bardziej szczegółowo

brak podstaw do odrzucenia hipotezy zerowej.

brak podstaw do odrzucenia hipotezy zerowej. Paca domowa 9. W pewnym bowaze zanstalowano dwa automaty do napełnana butelek. Ilość pwa nalewana pzez pewszy est zmenną losową o ozkładze N( m,, a lość pwa dozowana pzez dug automat est zmenną losową

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

1 Estymacja przedziałowa

1 Estymacja przedziałowa 1 Estymacja przedziałowa 1. PRZEDZIAŁY UFNOŚCI DLA ŚREDNIEJ (a) MODEL I Badana cecha ma rozkład normalny N(µ, σ) o nieznanym parametrze µ i znanym σ. Przedział ufności: [ ( µ x u 1 α ) ( σn ; x + u 1 α

Bardziej szczegółowo

Pattern Classification

Pattern Classification attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.

STATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z

Bardziej szczegółowo

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna

Bardziej szczegółowo

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych

Statystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej

Bardziej szczegółowo