ZASTOSOWANIE ESTYMACJI JĄDROWEJ DO MONITOROWANIA PROCESU O NIEZNANYM ROZKŁADZIE

Wielkość: px
Rozpocząć pokaz od strony:

Download "ZASTOSOWANIE ESTYMACJI JĄDROWEJ DO MONITOROWANIA PROCESU O NIEZNANYM ROZKŁADZIE"

Transkrypt

1 Magdalea Chmielińska Uiwersytet Ekoomiczy w Katowicach ZASTOSOWANIE ESTYMACJI JĄDROWEJ DO MONITOROWANIA PROCESU O NIEZNANYM ROZKŁADZIE Wprowadzeie Karta kotrola jest prostym i efektywym arzędziem statystyczej kotroli jakości. Pozwala oa dokoać ocey poprawości procesu, ale pod warukiem spełieia podstawowych jej założeń. W przypadku aruszeia założeń klasycze karty kotrole mogą dawać fałszywe sygały, dla procesu uregulowaego, bądź ie zasygalizować lub zasygalizować z pewym opóźieiem fakt rozregulowaia procesu. W opracowaiu przedstawioo metodę wyzaczaia liii kotrolych a podstawie oszacowaej w drodze estymacji jądrowej gęstości zmieej losowej. Metoda ta jako metoda ieparametrycza ie wymaga spełieia założeń odośie do rozkładu badaej charakterystyki, więc może być stosowaa dla daych o dowolym, iezaym rozkładzie. 1. Karta kotrola Karta kotrola jest istrumetem umożliwiającym statystycze moitorowaie procesu wytwórczego. Dostarcza oa iformacji o jego przebiegu, jak rówież przyczyia się do podoszeia jakości produkcji. Jej cechami charakterystyczymi są prostota kostrukcji i skuteczość. Klasycze karty kotrole opierają się a założeiu, iż zmiea diagostycza obserwowaa podczas moitorowaia procesu ma rozkład ormaly z wartością oczekiwaą μ i odchyleiem stadardowym σ (Kończak, 2007). Zakładają oe rówież, iż pomiary w kolejych okresach czasowych są iezależe. Karta kotrola jest wykresem służącym do rejestracji wyików bieżącej

2 40 Magdalea Chmielińska kotroli jakości produktów. Wykreśla się a iej liię cetralą wyzaczającą wartość oczekiwaą moitorowaej charakterystyki, liie kotrole (górą i dolą) oraz liie ostrzegawcze (górą i dolą). Liie kotrole są ustawioe a takim poziomie, aby prawdopodobieństwo pojawieia się wartości poiżej dolej lub powyżej górej liii kotrolej, przy procesie uregulowaym statystyczie, było odpowiedio małe. Klasyczie, przy założeiu ormalości rozkładu badaej cechy, liie te są oddaloe od liii cetralej o trzy odchyleia stadardowe moitorowaego procesu wytwórczego. Liie ostrzegawcze są umieszczae z reguły a poziomie liii cetralej plus lub mius 2σ (Grat, 1972). Ze względu a aruszeie założeia o ormalości rozkładu badaej charakterystyki coraz częściej wyzacza się położeie liii kotrolych a podstawie wartości odpowiedich kwatyli zaych rozkładów teoretyczych, które mogą być wykorzystywae do modelowaia daych rzeczywistych. Układ puktów a karcie kotrolej w relacji do poziomu liii kotrolych i ostrzegawczych staowi podstawę do wioskowaia o poprawości przebiegu badaego procesu produkcyjego. W literaturze jest rozważaych wiele sygałów świadczących o rozregulowaiu procesu, atomiast w opracowaiu jako sygał rozregulowaia procesu uzaje się tylko pukt poad górą bądź pod dolą liią kotrolą. Karty kotrole są charakteryzowae przez ARL (przecięta długość serii do wystąpieia sygału). Dla procesu uregulowaego statystyczie ozacza się ją jako ARL 0, a dla procesu rozregulowaego jako ARL 1. ARL 0 powia przyjmować wysokie wartości. Staowi oa odwrotość prawdopodobieństwa wystąpieia błędu I. rodzaju, tz. odwrotość prawdopodobieństwa wystąpieia sygału (p s ) dla pojedyczej obserwacji (próby): ARL 1 1 = (1) α 0 = Przecięta długość serii do wystąpieia sygału dla procesu rozregulowaego statystyczie wyraża się wzorem: 1 ARL 1 = (2) 1 β gdzie: β prawdopodobieństwo iewykrycia rozregulowaia w pierwszej próbce po wystąpieiu rozregulowaia. p s

3 Zastosowaie estymacji jądrowej do moitorowaia Estymacja jądrowa Estymacja jądrowa jest metodą szacowaia fukcji gęstości, która wymaga zdefiiowaia. Niech f(x) będzie gęstością rozkładu zmieej X w populacji, taką, że: f ( x) 2 dx < oraz iech X 1, K, X będzie próbą prostą wylosowaą z tej populacji. Estymatorem jądrowym gęstości f(x) azywamy fukcję w postaci: ) D f ( x a ) = K[ a ( x X )] i= 1 (3) a ; i, (4) gdzie ( a to ciąg liczb dodatich rozbieżych do ieskończoości i taki, że ( ) a a = 0, tz. lim = 0, oraz K(x) fukcja spełiająca waruki: K ( x) 2 dx <, (5) ( x) = K( x) dla x ( ; ) K, (6) ( x) dx = 1 K, (7) < x< ( x) A < sup K, (8) ( x) dx = 0 dla i = 1,, s 1 x i K K, (9) ( x) dx 0 x s K, (10) ( x) dx < x s K, (11) gdzie s jest ustaloą liczbą aturalą (Domański, Pruska, 2000). Estymator jądrowy gęstości zależy od wyboru postaci jądra i od wyboru ciągu a.

4 42 Magdalea Chmielińska 3. Opis daych Prezetowae w artykule rozważaia prowadzoo z wykorzystaiem udostępioych daych gromadzoych przez pewie zakład produkcyjy reprezetujący brażę motoryzacyją prowadzący swą działalość a tereie województwa śląskiego. Aalizowae dae pochodzą z kotroli międzyoperacyjej pewej charakterystyki produkowaego tam elemetu. Udostępioe dae charakteryzują się tygodiowym horyzotem czasowym. Obejmują oe iformacje o prowadzoych kotrolach w okresie od do Łączie staowi to rekordów. W omawiaym okresie ie stwierdzoo rozregulowaia procesu produkcyjego, gdyż wszystkie uzyskae podczas przeprowadzoej kotroli wartości mieściły się w wyzaczoych dla tej badaej charakterystyki ormach. Aalizowae dae moża więc traktować jako dae pochodzące z procesu o prawidłowym przebiegu. Z tego względu dae te mogą posłużyć do wyzaczeia graic kotrolych badaej charakterystyki. 4. Aaliza poprawości procesu produkcyjego Aalizę procesu produkcyjego ależy rozpocząć od sprawdzeia (ajczęściej a podstawie daych historyczych) założeń karty kotrolej. W omawiaym przypadku zgodość rozkładu empiryczego daych z rozkładem ormalym została zweryfikowaa za pomocą testu Kołmogorowa-Smirowa z poprawką Lillieforsa oraz testu Shapiro-Wilka. Na ich podstawie ależy odrzucić weryfikowaą hipotezę o ormalości rozkładu badaej cechy. Rys. 1. Klasycza karta kotrola wykreśloa dla aalizowaych daych

5 Zastosowaie estymacji jądrowej do moitorowaia 43 Ze względu a brak ormalości rozkładu badaej cechy klasycze karty kotrole, wymagające zgodości empiryczego rozkładu daych z rozkładem ormalym, mogą prowadzić do błędej ocey poprawości przebiegu procesu produkcyjego. Rysuek 1 przedstawia klasyczą kartę kotrolą wykreśloą dla aalizowaych daych (położeie liii cetralej i kotrolych ustaloo a podstawie wartości średiej i odchyleia stadardowego wyliczoych dla dostępych daych). Układ puktów a tej karcie wskazuje, iż proces ie przebiega w sposób prawidłowy, gdyż 138 spośród zarejestrowaych pomiarów osiąga wartości przekraczające wartość górej liii kotrolej. Prawdopodobieństwo sygału wyosi więc p s = 0,0128, a ARL 0 = 79. Dla porówaia ależy tutaj podać, iż dla klasyczej karty kotrolej, przy spełieiu jej założeń, wyosi ARL 0 = 370. Ozacza to, iż ze względu a brak ormalości rozkładu badaej cechy klasycze karty kotrole, wymagające zgodości rozkładu daych z rozkładem ormalym, mogą prowadzić do błędej ocey poprawości przebiegu procesu produkcyjego Nieklasycze metody wyzaczaia graic kotrolych Ze względu a iebezpieczeństwo błędej ocey prawidłowości przebiegu procesu produkcyjego dla daych o rozkładzie empiryczym istotie różym od rozkładu ormalego graice kotrole a karcie powiy zostać wyzaczoe w iy sposób. W opracowaiu rozważao dwa możliwe ieklasyczie sposoby wyzaczaia liii kotrolych. Pierwszy bazuje a kwatylach teoretyczego rozkładu zbliżoego kształtem do rozkładu empiryczego. Drugi opiera się atomiast a kwatylach oszacowaej w drodze estymacji jądrowej fukcji gęstości daych empiryczych. W przypadku aalizowaej cechy jest możliwe zastosowaie wielu zaych, teoretyczych rozkładów aproksymujących empiryczy rozkład daych. Jako przykład został wybray rozkład gamma. Rozkład o parametrach α = 15,201, β = 0,861 ajlepiej spośród rozkładów z rodziy gamma przybliża rozkład moitorowaej charakterystyki. Przeprowadzoy test zgodości Kołogomorowa- Lillieforsa odrzuca jedak hipotezę o zgodości obu rozkładów. Karta kotrola oparta a kwatylach rozkładu gamma o zadaych parametrach, prezetowaa a rysuku 2, została wykreśloa w celu zobrazowaia kosekwecji braku zgodości obu rozkładów. Jej aaliza skłaia do wiosku, iż przybliżeie rozkładu empiryczego badaej charakterystyki rozkładem gamma i wioskowaie o prawidłowości przebiegu tego procesu a podstawie tego teoretyczego rozkładu, prowadzi rówież do błędej ocey procesu wytwórczego.

6 44 Magdalea Chmielińska Karta ta wskazuje, iż aalizoway proces jest rozreguloway statystyczie, o czym wskazują licze (173) przekroczeia liii kotrolych. Rys. 2. Karta kotrola wykreśloa dla aalizowaych daych, gdzie liie kotrole wyzaczao a podstawie kwatyli fukcji gęstości rozkładu gamma Ze względu a ieuzasadioe wioskowaie o prawidłowości przebiegu procesu produkcyjego a podstawie zaych rozkładów teoretyczych (rozkład ormaly, gamma) uzasadioe jest stosowaie kart ieparametryczych czy kart ieograiczoych postacią rozkładu (distributio free charts) (Chakraborti, va der Laa, va de Wiel, 2004, s ). Propoowaa metoda ie musi zakładać żadego szczególego rozkładu. Opiera się oa a oszacowaiu iezaej fukcji gęstości empiryczego rozkładu daych metodą estymacji jądrowej (Wegma, 1972, s ). Rysuek 3 przedstawia kartę kotrolą, gdzie graice kotrole wyzaczoo a podstawie wartości odpowiedich kwatyli oszacowaej metodą estymacji jądrowej zmieej losowej. Na jej podstawie moża wysuć wiosek, iż propoowaa metoda dobrze sprawdza się przy wyzaczaiu graic kotrolych dla daych o iym iż ormaly rozkładzie prawdopodobieństwa, gdyż ustala je a takim poziomie, iż prawdopodobieństwo uzyskaia sygału o rozregulowaiu w przypadku procesu uregulowaego statystyczie jest rzędu p s = 0,001 (dokłada wartość to p s = 0,00087). ARL 0 wyosi więc ARL 0 = 577.

7 Zastosowaie estymacji jądrowej do moitorowaia 45 Rys. 3. Karta kotrola wykreśloa dla aalizowaych daych, gdzie liie kotrole wyzaczao a podstawie kwatyli fukcji gęstości rozkładu oszacowaej metodą estymacji jądrowej Tabela 1 przedstawia podstawowe iformacje o aalizowaych metodach wykorzystaych do moitorowaia procesu produkcyjego a podstawie dostępych daych. Propoowaa metoda oparta a kwatylach fukcji gęstości rozkładu oszacowaej metodą estymacji jądrowej cechuje się ajdłuższą spośród aalizowaych metod przeciętą długością serii do wystąpieia sygału. Największa wartość ARL 0 i ajmiejsza liczba przekroczeń graic kotrolych wyika bezpośredio z położeia liii kotrolych. Należy zauważyć, iż w tym przypadku rozstęp pomiędzy graicami kotrolymi jest ajwiększy. Wartości graic kotrolych i liczba ich przekroczeń dla aalizowaych daych w zależości od zastosowaej metody wyzaczaia poziomu liii kotrolych Metoda wyzaczaia graic kotrolych Klasycza karta x Karta oparta a kwatylach rozkładu gamma Tabela 1 Karta oparta a kwatylach fukcji gęstości rozkładu oszacowaej metodą estymacji jądrowej Liczba przekroczeń graic kotrolych ARL 0 79,49 63,40 577,32 LCL 2,64 5,81 4,9 UCL 23,53 23,4 30,77 Należy poadto podkreślić, iż poziom, a jakim są ustaloe liie kotrole, wyika z przyjętego rozkładu staowiącego podstawę karty kotrolej. I tutaj ogrome zaczeie ma dobre dopasowaie oszacowaej fukcji gęstości zmieej losowej do empiryczego rozkładu daych, otrzymae metodą estymacji jądrowej.

8 46 Magdalea Chmielińska 4.2. Weryfikacja poprawości propoowaej metody wyzaczaia graic kotrolych a podstawie kwatyli rozkładu oszacowaej metodą estymacji jądrowej zmieej losowej W celu weryfikacji poprawości propoowaej metody wyzaczaia liii kotrolych a podstawie kwatyli fukcji gęstości rozkładu empiryczego oszacowaej w drodze estymacji jądrowej przeprowadzoo symulacje komputerowe. Procedura symulacyja obejmująca dwa wariaty przebiegała etapowo. Wariat pierwszy zakładał proces przebiegający prawidłowo. W pierwszym kroku z udostępioych daych losowao -elemetową próbkę, a podstawie której wyzaczao poziomy liii kotrolych. Rozważao omówioe trzy metody wyzaczaia graic kotrolych, tz. metodę klasyczą i metody oparte a wartościach kwatyli rozkładu gamma o zadaych parametrach i rozkładu uzyskaego w wyiku estymacji jądrowej. Następie wykreślao karty kotrole z zadaymi graicami kotrolymi i dla dostępych daych rzeczywistych zliczao liczbę przekroczeń liii kotrolych, prawdopodobieństwo sygału oraz ARL 0. Procedurę powtarzao krotie, uśrediając wyiki. Liie kotrole wyzaczao dla próbek liczących 100, 500, 1000, 2000, 4000 i 5000 elemetów. W wariacie drugim, zakładającym rozregulowaie procesu, podobie jak w wariacie pierwszym, posłużoo się -elemetowymi próbkami do wyzaczaia poziomu liii kotrolych zgodie z algorytmami aalizowaych metod. Następie geerowao N = wartości z rozkładu ormalego o parametrach μ = 11 i σ = 2,9. Wartości te aoszoo a przygotowae karty kotrole, astępie zliczao liczbę przekroczeń liii kotrolych, obliczao prawdopodobieństwo wystąpieia sygału i ARL 1. Procedurę powtarzao krotie, uśrediając wyiki. ARL 0 dla aalizowaych daych w zależości od zastosowaej metody wyzaczaia poziomu liii kotrolych i liczebości próbki wstępej (proces ureguloway) Liczebość próbki Klasycza karta x Karta oparta a kwatylach rozkładu gamma ,49 63,40 577, ,54 24,52 45, ,86 53,01 181, ,68 62,41 260, ,31 70,66 350, ,45 78,48 422, ,47 81,58 438,41 Tabela 2 Karta oparta a kwatylach fukcji gęstości rozkładu oszacowaej metodą estymacji jądrowej Tabela 2 przedstawia przeciętą długość serii do wystąpieia sygału dla aalizowaych daych w zależości od sposobu wyzaczaia liii kotrolych i liczebości próbki wstępej. Na jej podstawie moża wysuć wiosek, iż ie-

9 Zastosowaie estymacji jądrowej do moitorowaia 47 zależie od zastosowaej metody, wraz ze wzrostem liczebości próbki wstępej ARL 0 rośie. Przy założeiu prawidłowego przebiegu procesu produkcyjego ozacza to, iż wraz ze wzrostem liczebości próbki wzrasta dokładość aalizowaych metod wyzaczaia liii kotrolych. ARL 1 dla aalizowaych daych w zależości od zastosowaej metody wyzaczaia poziomu liii kotrolych i liczebości próbki wstępej (proces rozreguloway) Liczebość próbki Klasycza karta x Karta oparta a kwatylach rozkładu gamma ,77 12,53 18, ,58 22,74 36, ,56 25,57 41, ,34 28,27 46, ,23 30,14 50, ,00 30,40 50,70 Tabela 3 Karta oparta a kwatylach fukcji gęstości rozkładu oszacowaej metodą estymacji jądrowej Na podstawie tabeli 2 moża rówież wysuć wiosek, iż próbka wstępa licząca 2000 elemetów zapewia ARL 0 dla propoowaej metody a poziomie 350, co jest wyikiem porówywalym z ARL 0 dla klasyczej karty kotrolej przy spełieiu jej założeń. Poadto z tabeli tej wypływa wiosek, iż dalszy wzrost wielkości próbki wstępej powoduje coraz to miejszy przyrost ARL 0. Z tego względu moża uzać, iż w przypadku propoowaej metody próbka wstępa powia liczyć miimum 2000 elemetów. Tabela 3 przedstawia wartość ARL 1 dla daych pochodzących z rozkładu ormalego o parametrach μ = 11 i σ = 2,9 w zależości od sposobu wyzaczaia liii kotrolych i liczebości próbki wstępej. Jej aaliza skłaia do wiosku, iż klasycza karta kotrola, w której położeie liii cetralej, kotrolych i ostrzegawczych determiuje wartość średia i odchyleie stadardowe uzyskae z próbki wstępej (w przypadku aalizowaych daych kształtują się oe a poziomie x =13, 09 is = 3, 48 ), iezależie od wielkości próbki wstępej, jest ieczuła a wprowadzoe zaburzeie procesu (duże wartości ARL 1 ). Pozostałe dwie metody zareagowały prawidłowo a to rozregulowaie, przy czym przecięta długość serii do wystąpieia sygału dla karty opartej a kwatylach rozkładu gamma jest iższa, iezależie od wielkości próbki wstępej, iż dla karty opartej a kwatylach fukcji gęstości rozkładu oszacowaej metodą estymacji jądrowej. Niskie wartości ARL 1 w przypadku procesu rozregulowaego statystycze świadczą o wrażliwości karty kotrolej a rozregulowaie procesu i tym samym o jej skuteczości.

10 48 Magdalea Chmielińska Podsumowaie Prezetowae w artykule rozważaia a temat moitorowaia procesów produkcyjych cechujących się iym iż ormaly rozkładem badaej charakterystyki skłaiają do wiosku, iż stosowaie klasyczego podejścia opartego a często aruszaym założeiu o ormalości rozkładu badaej charakterystyki prowadzi do błędej ocey poprawości moitorowaego procesu. Dla daych o rozkładzie empiryczym istotie różym od zaych teoretyczych rozkładów istieje jedak metoda wyzaczaia graic kotrolych, która zapewia, iż sygały świadczące o rozregulowaiu procesu w przypadku procesu uregulowaego statystyczie pojawiają się a karcie kotrolej z założoym iskim prawdopodobieństwem. Metoda ta opiera się a wartościach odpowiedich kwatyli wyzaczoej w drodze estymacji jądrowej fukcji gęstości rozkładu empiryczego. Propooway sposób moitorowaia poprawości przebiegu procesu produkcyjego o iezaym rozkładzie badaej charakterystyki posiada pożądae cechy dobrych kart kotrolych. Propoowaa karta szybko reaguje a wzrost wadliwości procesu produkcyjego, jak rówież ie sygalizuje zbyt często jego rozregulowaia dla procesu przebiegającego prawidłowo. Literatura Chakraborti S., Laa P. va der, Wiel M.A. va de (2004): A Class of Distributio-free Cotrol Charts. Joural of the Royal Statistical Society, No. 3, Vol. 53, s Domański Cz., Pruska K. (2000): Nieklasycze metody statystycze. PWE, Warszawa. Grat E.L. (1972): Statystycza kotrola jakości. PWE, Warszawa. Kończak G. (2007): Metody statystycze w sterowaiu jakością produkcji. Wydawictwo Akademii Ekoomiczej, Katowice. Wegma E.J. (1972): Noparametric Probability Desity Estimatio: I. A Summary of Available Methods. Techometrics, No. 3, Vol. 14, s THE USE OF THE KERNEL ESTIMATION FOR MONITORING PROCESSES WITH UNKNOWN DISTRIBUTIONS Summary The cotrol chart is a tool of statistical quality cotrol, which is widely used i factories. The fulfillmet of its basic assumptios esures faultless assessig the moitored process. Ifrigemets the assumptios of classical cotrol charts ca cause false sigals

11 Zastosowaie estymacji jądrowej do moitorowaia 49 i the case of a regulated process, either lack of sigal or the sigal delayed i time, whe process is out-of-cotrol. Icorrect assessmet of the accuracy of the maufacturig process is of course the ecoomic impact. I this paper, based o actual data a attempt to determie cotrol limits for the maufacturig process of the distributio of the cotrolled characteristics, which is sigificatly differet from a ormal distributio, was take. The result of this work is the method of determiig the cotrol limits based o the quatile of a radom variable estimated by the kerel estimatio. The article pays attetio to the ecoomic cosequeces of ifrigemets the assumptios of classical cotrol charts.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I)

Elementy statystyki opisowej Izolda Gorgol wyciąg z prezentacji (wykład I) Elemety statystyki opisowej Izolda Gorgol wyciąg z prezetacji (wykład I) Populacja statystycza, badaie statystycze Statystyka matematycza zajmuje się opisywaiem i aalizą zjawisk masowych za pomocą metod

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Ćwiczenie 2 ESTYMACJA STATYSTYCZNA

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

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

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

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

Estymacja przedziałowa

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

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu. Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

ZASTOSOWANIE KART KONTROLNYCH DO LICZBOWEJ OCENY PROCESU WYTWARZANIA MASY FORMIERSKIEJ

ZASTOSOWANIE KART KONTROLNYCH DO LICZBOWEJ OCENY PROCESU WYTWARZANIA MASY FORMIERSKIEJ 46/19 ARCHIWUM ODLEWNICTWA Rok 2006, Roczik 6, Nr 19 Archives of Foudry Year 2006, Volume 6, Book 19 PAN - Katowice PL ISSN 1642-5308 ZASTOSOWANIE KART KONTROLNYCH DO LICZBOWEJ OCENY PROCESU WYTWARZANIA

Bardziej szczegółowo

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017

Modele tendencji rozwojowej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017 STATYSTYKA OPISOWA Dr Alia Gleska Istytut Matematyki WE PP 18 listopada 2017 1 Metoda aalitycza Metoda aalitycza przyjmujemy założeie, że zmiay zjawiska w czasie moża przedstawić jako fukcję zmieej czasowej

Bardziej szczegółowo

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

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

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

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej). Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

ANALIZA DANYCH DYSKRETNYCH

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

Bardziej szczegółowo

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

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

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

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

1 Testy statystyczne. 2 Rodzaje testów

1 Testy statystyczne. 2 Rodzaje testów 1 Testy statystycze Podczas sprawdzaia hipotez statystyczych moga¾ wystapić ¾ dwa rodzaje b ¾edów. Prawdopodobieństwo b ¾edu polegajacego ¾ a odrzuceiu hipotezy zerowej (H 0 ), gdy jest oa prawdziwa, czyli

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 3 Parametryczne testy istotności ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 3 Parametrycze testy istotości ZADANIE DOMOWE www.etrapez.pl Stroa Część : TEST Zazacz poprawą odpowiedź (tylko jeda jest prawdziwa). Pytaie Statystykę moża rozumieć jako: a) próbkę

Bardziej szczegółowo

2.1. Studium przypadku 1

2.1. Studium przypadku 1 Uogóliaie wyików Filip Chybalski.. Studium przypadku Opis problemu Przedsiębiorstwo ŚRUBEX zajmuje się produkcją wyrobów metalowych i w jego szerokim asortymecie domiują różego rodzaju śrubki i wkręty.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Estymacja przedziałowa:

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

Bardziej szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wykład 11 ( ). Przedziały ufności dla średniej

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

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje

Bardziej szczegółowo

BADANIA DOCHODU I RYZYKA INWESTYCJI

BADANIA DOCHODU I RYZYKA INWESTYCJI StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD Metoda najmniejszych kwadratów Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności

Estymacja przedziałowa - przedziały ufności Estymacja przedziałowa - przedziały ufości Próbę -elemetową charakteryzujemy jej parametrami (p. x, s, s ). Służą oe do ocey wartości iezaych parametrów populacji (m, σ, σ). Nazywamy je estymatorami puktowymi

Bardziej szczegółowo

PODSTAWY BIOSTATYSTYKI ĆWICZENIA

PODSTAWY BIOSTATYSTYKI ĆWICZENIA PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM ZADANIE 1 Z populacji wyborców pobrao próbkę 1000 osób i okazało

Bardziej szczegółowo

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś 1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.

Bardziej szczegółowo

TESTY LOSOWOŚCI. Badanie losowości próby - test serii.

TESTY LOSOWOŚCI. Badanie losowości próby - test serii. TESTY LOSOWOŚCI Badaie losowości próby - test serii. W wielu zagadieiach wioskowaia statystyczego istotym założeiem jest losowość próby. Prostym testem do weryfikacji tej własości jest test serii. 1 Dla

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

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

Bardziej szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

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

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 1 i 2

STATYSTYKA OPISOWA WYKŁAD 1 i 2 STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Jak obliczać podstawowe wskaźniki statystyczne?

Jak obliczać podstawowe wskaźniki statystyczne? Jak obliczać podstawowe wskaźiki statystycze? Przeprowadzoe egzamiy zewętrze dostarczają iformacji o tym, jak ucziowie w poszczególych latach opaowali umiejętości i wiadomości określoe w stadardach wymagań

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

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

Bardziej szczegółowo

ZSTA LMO Zadania na ćwiczenia

ZSTA LMO Zadania na ćwiczenia ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie

Bardziej szczegółowo

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15

Testowanie hipotez. H 1 : µ 15 lub H 1 : µ < 15 lub H 1 : µ > 15 Testowaie hipotez ZałoŜeia będące przedmiotem weryfikacji azywamy hipotezami statystyczymi. KaŜde przypuszczeie ma swoją alteratywę. Jeśli postawimy hipotezę, Ŝe średica pia jedoroczych drzew owej odmiay

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

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

Bardziej szczegółowo

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

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b

Bardziej szczegółowo

SIGMA KWADRAT LUBELSKI KONKURS STATYSTYCZNO- DEMOGRAFICZNY

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1). TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

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

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

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

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

Parametryczne Testy Istotności

Parametryczne Testy Istotności Parametrycze Testy Istotości Wzory Parametrycze testy istotości schemat postępowaia pukt po pukcie Formułujemy hipotezę główą H odośie jakiegoś parametru w populacji geeralej Hipoteza H ma ajczęściej postać

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

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

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

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

Bardziej szczegółowo

Twierdzenia graniczne:

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

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności

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

Bardziej szczegółowo

Ocena zdolności procesów o dużej asymetrii względem granic tolerancji

Ocena zdolności procesów o dużej asymetrii względem granic tolerancji ARCHIVES of FOUNDRY ENGINEERING Published quarterly as the orga of the Foudry Commissio of the Polish Academy of Scieces ISSN (897-330) Volume 0 Special Issue 3/00 63 68 3/3 Ocea zdolości procesów o dużej

Bardziej szczegółowo

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2

Metoda łączona. Wykład 7 Dwie niezależne próby. Standardowy błąd dla różnicy dwóch średnich. Metoda zwykła (niełączona) n2 2 Wykład 7 Dwie iezależe próby Często porówujemy wartości pewej zmieej w dwóch populacjach. Przykłady: Grupa zabiegowa i kotrola Lekarstwo a placebo Pacjeci biorący dwa podobe lekarstwa Mężczyźi a kobiety

Bardziej szczegółowo

Statystyka powtórzenie (I semestr) Rafał M. Frąk

Statystyka powtórzenie (I semestr) Rafał M. Frąk Statystyka powtórzeie (I semestr) Rafał M. Frąk TEORIA Statystyka Statystyka zajmuje się badaiem procesu zbieraia oraz iterpretacji daych liczbowych lub jakościowych. Przedmiotem statystyki są metody badaia

Bardziej szczegółowo

Karty kontrolne sum skumulowanych z możliwością akceptacji procesu. Przegląd podstawowych narzędzi

Karty kontrolne sum skumulowanych z możliwością akceptacji procesu. Przegląd podstawowych narzędzi Zeszyty Uiwersytet Ekoomiczy w Krakowie Naukowe 5 (965) ISSN 1898-6447 Zesz. Nauk. UEK, 2017; 5 (965): 87 105 DOI: 10.15678/ZNUEK.2017.0965.0506 Karty kotrole sum skumulowaych z możliwością akceptacji

Bardziej szczegółowo

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

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

Bardziej szczegółowo

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii

O pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję

Bardziej szczegółowo

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW.

STATYSTYCZNA OCENA WYNIKÓW POMIARÓW. Statytycza ocea wyików pomiaru STATYSTYCZNA OCENA WYNIKÓW POMIARÓW CEL ĆWICZENIA Celem ćwiczeia jet: uświadomieie tudetom, że każdy wyik pomiaru obarczoy jet błędem o ie zawze zaej przyczyie i wartości,

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Rozkłady statystyk z próby Twierdzenia graniczne

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

Bardziej szczegółowo

Analiza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

Statystyka. Katarzyna Chudy Laskowska

Statystyka. Katarzyna Chudy Laskowska Statystyka Katarzya Chudy Laskowska http://kc.sd.prz.edu.pl/ WNIOSKOWANIE STATYSTYCZNE Celem aalizy statystyczej ie jest zwykle tylko opisaie (prezetacja) posiadaych daych, czyli tzw. próby statystyczej.

Bardziej szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

1 Twierdzenia o granicznym przejściu pod znakiem całki 1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae

Bardziej szczegółowo

Estymacja parametrów populacji

Estymacja parametrów populacji Estymacja parametrów populacji Estymacja parametrów populacji Estymacja polega a szacowaiu wartości parametrów rozkładu lub postaci samego rozkładu zmieej losowej, a podstawie próby statystyczej. Estymacje

Bardziej szczegółowo

Statystyka opisowa. () Statystyka opisowa 24 maja / 8

Statystyka opisowa. () Statystyka opisowa 24 maja / 8 Część I Statystyka opisowa () Statystyka opisowa 24 maja 2010 1 / 8 Niech x 1, x 2,..., x będą wyikami pomiarów, p. temperatury, ciśieia, poziomu rzeki, wielkości ploów itp. Przykład 1: wyiki pomiarów

Bardziej szczegółowo

ZESZYTY NAUKOWE NR 11(83) AKADEMII MORSKIEJ W SZCZECINIE. Analiza dokładności wskazań obiektów nawodnych. Accuracy Analysis of Sea Objects

ZESZYTY NAUKOWE NR 11(83) AKADEMII MORSKIEJ W SZCZECINIE. Analiza dokładności wskazań obiektów nawodnych. Accuracy Analysis of Sea Objects ISSN 1733-8670 ZESZYTY NAUKOWE NR 11(83) AKADEMII MORSKIEJ W SZCZECINIE IV MIĘDZYNARODOWA KONFERENCJA NAUKOWO-TECHNICZNA E X P L O - S H I P 2 0 0 6 Adrzej Burzyński Aaliza dokładości wskazań obiektów

Bardziej szczegółowo

LABORATORIUM METROLOGII

LABORATORIUM METROLOGII AKADEMIA MORSKA W SZCZECINIE Cetrum Iżyierii Ruchu Morskiego LABORATORIUM METROLOGII Ćwiczeie 5 Aaliza statystycza wyików pomiarów pozycji GNSS Szczeci, 010 Zespół wykoawczy: Dr iż. Paweł Zalewski Mgr

Bardziej szczegółowo

Statystyka opisowa - dodatek

Statystyka opisowa - dodatek Statystyka opisowa - dodatek. *Jak obliczyć statystyki opisowe w dużych daych? Liczeie statystyk opisowych w dużych daych może sprawiać problemy. Dla przykładu zauważmy, że aiwa implemetacja średiej arytmetyczej

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

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

Bardziej szczegółowo

Kurs Prawdopodobieństwo Wzory

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

Bardziej szczegółowo

L.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3

L.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3 L.Kowalski zadaia ze statystyki matematyczej-zestaw 3 ZADANIA - ZESTAW 3 Zadaie 3. Cecha X populacji ma rozkład N m,. Z populacji tej pobrao próbę 7 elemetową i otrzymao wyiki x7 = 9, 3, s7 =, 5 a Na poziomie

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

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

Bardziej szczegółowo

Liczebnośd (w tys.) n

Liczebnośd (w tys.) n STATYSTYKA Statystyka bada prawidłowości w zjawiskach masowych (tz. takich, które mogą występowad ieograiczoą ilośd razy). Przedmiotem badao statyki są zbiory (populacje), których elemetami są wszelkiego

Bardziej szczegółowo

Porównanie dwu populacji

Porównanie dwu populacji Porówaie dwu populacji Porówaie dwóch rozkładów ormalych Założeia:. X ~ N( m, σ ), X ~ N( m, σ ), σ σ. parametry rozkładów ie ą zae. X, X ą iezależe. Ocea różicy między średimi m m m m x x (,...) H 0 :

Bardziej szczegółowo

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871

COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871 COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara

Bardziej szczegółowo

(X i X) 2. n 1. X m S

(X i X) 2. n 1. X m S Wykład 8. Przedziały ufości i testowaie hipotez A gdy ie zamy wariacji σ 2? Załóżmy, że X ma rozkład ormaly, ale ie zamy wartości ai m ai σ 2. Jak wtedy szacować wartość średią m? Przypomijmy, że Wtedy

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i

Bardziej szczegółowo

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że: Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Wybrane litery alfabetu greckiego

Wybrane litery alfabetu greckiego Wybrae litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilo η eta Θ θ theta κ kappa Λ λ lambda µ mi ν i ξ ksi π pi ρ, ϱ ro σ sigma τ tau Φ φ, ϕ fi χ chi Ψ ψ psi Ω ω omega Ozaczeia a i

Bardziej szczegółowo

Statystyczny opis danych - parametry

Statystyczny opis danych - parametry Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea

Bardziej szczegółowo