WYBÓR ROZKŁADU ODDZIAŁYWAŃ KLIMATYCZNYCH Z WYKORZYSTANIEM METODY BAYES A
|
|
- Miłosz Kaźmierczak
- 5 lat temu
- Przeglądów:
Transkrypt
1 CZASOPISMO INŻYNIERII LĄDOWEJ, ŚRODOWISKA I ARCHITEKTURY JOURNAL OF CIVIL ENGINEERING, ENVIRONMENT AND ARCHITECTURE JCEEA, t. XXXIII, z. 63 (/I/6), styczeń-marzec 06, s Tomasz PYTLOWANY Szczepan WOLIŃSKI WYBÓR ROZKŁADU ODDZIAŁYWAŃ KLIMATYCZNYCH Z WYKORZYSTANIEM METODY BAYES A Wybór typu zmienne losowe na podstawie wyników badań polega naczęście na aproksymaci parametrów przyętego rozkładu. Jednak dostępne wyniki badań lub obserwaci często nie pozwalaą na dostatecznie precyzyne dopasowanie ednego z powszechnie stosowanych typów rozkładu zmienne losowe. W artykule przedstawiono metodę opartą na wnioskowaniu Bayesa, która umożliwia oszacowanie miary dopasowania i optymalnego wyboru ednego z typowych rozkładów zmienne losowe oraz wyznaczenie dystrybuanty liniowe kombinaci testowanych rozkładów. Zastosowanie przedstawione metody zilustrowano na przykładzie oceny i wyboru dystrybuanty rozkładu reprezentuącego obciążenie śniegiem gruntu oraz wyznaczenia kombinaci testowanych rozkładów w celu określenia wartości charakterystyczne obciążenia śniegiem dla przyętego okresu powrotu. Słowa kluczowe: oddziaływania klimatyczne, obciążenie śniegiem, metoda Bayesa. Wstęp Analizuąc prognozy oddziaływań klimatycznych oparte na modelach statystycznych, w których wartości oddziaływań są traktowane ako realizace zmienne losowe, obserwue się często znaczne rozbieżności z wynikami pomiarów. Ponadto w zależności od przyętego typu rozkładu zmienne losowe uzyskue się bardzo zróżnicowane wyniki prognoz dla dłuższych okresów powrotu szacowanych oddziaływań. Związane est to ze stosunkiem wymiaru przestrzeni obserwaci do wymiaru przestrzeni parametrów []. W przypadku oddziaływań klimatycznych do dyspozyci są naczęście obserwace z kilkunastu lat, a parametry statystyczne modeli standardowych używanych do analiz są Autor do korespondenci/corresponding author: Tomasz Pytlowany, Instytut Politechniczny, PWSZ im. St. Pigonia w Krośnie, Krosno, ul Rynek, , tompyt@pwsz.krosno.pl Szczepan Woliński, Wydział Budownictwa Inżynierii Środowiska i Architektury, Politechnika Rzeszowska im. I. Łukasiewicza, Rzeszów, ul. Poznańska, , szwolkkb@prz.edu.pl
2 44 T. Pytlowany, Sz. Woliński ściśle związane z długością analizowanego szeregu wyników obserwaci oraz liczbą opóźnień w wymiarze funkci autokorelaci. Zagadnienie prognozowania sprowadza się w takich sytuacach do wnioskowania statystycznego opartego na aproksymaci asymptotyczne. Kluczowe znaczenie ma wówczas wnioskowanie w zakresie niepewności co do prawidłowego przebiegu ścieżek prognozy wykonane z wykorzystaniem różnych modeli (rozkładów prawdopodobieństwa zmienne losowe).z punktu widzenia wyboru właściwego modelu statystycznego ważnym zagadnieniem est problem wyboru metody estymaci parametrów modelu. Naczęście stosowane są metody nawiększe wiarygodności i metoda momentów, a sporadycznie inne metody. Natomiast powszechnie przymowane są standardowe modele w postaci zmiennych losowych: Gumbela, logarytmiczno-normalnych, normalnych, niekiedy gamma, Rayleigha, wykładniczych i innych [,]. W artykule skupino uwagę na dwóch zagadnieniach związanych z problematyką prognozowania oddziaływań klimatycznych. Pierwsze dotyczy uzasadnienia wyboru modeli rozważanych oddziaływań w postaci zmienne losowe o różnym rozkładzie prawdopodobieństwa i estymaci e parametrów z wykorzystaniem metody Bayesa [3,4]. Zakładaąc, że dostępna est wstępna informaca na temat wartości estymowanych parametrów i znane są dodatkowe wyników pomiarów, obliczono na podstawie twierdzenia Bayesa ich wartości a posteriori i wagi traktowane ako miara dopasowania rozważanych rozkładów zmienne losowe. Drugie zagadnienie wiąże się zastosowaniem autorskie procedury wyznaczenia modelu będącego kompilacą modeli standardowych z wykorzystaniem ich wag obliczonych metodą Bayesa. Rozważania zilustrowano przykładem zastosowania przyęte metody i procedury obliczeń do wyboru modelu obciążenia śniegiem gruntu na podstawie danych z wybrane staci meteorologiczne na terenie Polski.. Zastosowanie wnioskowania statystycznego do szacowani parametrów standardowych modeli oddziaływań Rozkład empiryczny w przypadku danych klimatycznych powstae ze zbioru maksymalnych wartości rocznych, sezonowych, dziennych itp.. W przypadku obciążenia śniegiem gruntu maksima roczne są uszeregowane w ciągu rosnącym. Do aproksymaci stosowane są się różne typy rozkładów teoretycznych. Są to zazwycza rozkłady wartości ekstremalnych: Gumbela (typ I), Frecheta i Weibulla lub rozkład logarytmiczno-normalny. Naczęście stosowanym rozkładem do szacowania oddziaływań klimatycznych est rozkład Gumbela [,5]. Na rys. oraz przedstawiono wykres funkci gęstości prawdopodobieństwa i dystrybuanty rozkładu Gumbela o parametrach oszacowanych metodą nawiększe wiarygodności oraz wartości dystrybuanty empiryczne dla danych ze staci znaduące się w pierwsze strefie obciążenia śniegiem (Olsztyn, , [4]).
3 Wybór rozkładu oddziaływań klimatycznych z wykorzystaniem metody Bayes a 45,5,5 funkca gęstości prawdopodobieństwa Gumbela dystrubuanta gumbelowska dystrybuanta empiryczna 0,75 0,5 0,5 S k [kn/m ] 0 0,0 0, 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,9,0,,,3,4,5,6,7,8 Rys.. Metoda analityczna w szacowaniu obciążenia śniegiem gruntu. Opracowanie własne Fig. Analytical method for estimating snow loads on the ground. Individual elaboration Szacowanie wartości oddziaływań o określonym prawdopodobieństwie przewyższenia est z punktu widzenia zastosowań zagadnieniem naważnieszym i umożliwia wyznaczenie wartości maksymalnych obciążeń klimatycznych oraz opracowanie map ryzyka dla obszarów narażonych na zdarzenia katastrofalne spowodowane żywiołami powietrza i wody. W praktyce są one estymowane z wykorzystaniem maksymalnych wartości rocznych. Przy doborze odpowiedniego rozkładu szczególną uwagę należy zwrócić na estymacę ogona rozkładu po stronie wartości większych od parametru pozyci rozkładu. To w nim zawarta est informaca o oddziaływaniach maących długi okres powtarzalności. W przypadku szacowania oddziaływań za pomocą rozkładów: Gumbela (typ I), Frecheta i Weibulla należy zwrócić uwagę na parametr skali, który przymue różne wartości dla wymienionych rozkładów ekstremalnych (EVT). W opracowaniach naukowych dotyczących metod estymaci maksymalnych wartości rocznych odnaleźć można kilka testów do weryfikaci hipotez dotyczących rozróżnienia pomiędzy przypadkami gdy parametr skali est równy zeru oraz gdy przymue wartości powyże bądź poniże zera. Ma to znaczenie przy odpowiednim doborze rozkładów z rodziny EVT [9]. W ninieszym artykule skupiono uwagę na niepewności statystyczne wynikaące z niepełne informaci związane z wynikami obserwaci. Zgodnie z bayesowską koncepcą wnioskowania założono, że znana est wstępna informaca (a priori) dotycząca wartości cech estymowanych parametrów rozkładów. Wiedza ta est następnie modyfikowana na podstawie wyników obserwaci. Na podstawie twierdzenia Bayesa, z którego można określić rozkład parametrów a posteriori uwzględniaący początkowe przekonania a priori w stosunku do posiadanych danych empirycznych [3].
4 46 T. Pytlowany, Sz. Woliński 3. Zastosowanie wnioskowania Bayesa do estymaci parametrów i wyboru modelu oddziaływań Podstawowym założeniem charakteryzuącym wnioskowanie Bayesa est uznanie ocenianych parametrów modeli statystycznych za zmienne losowe o rozkładach prawdopodobieństwa ustalanych a priori, z wykorzystaniem niepewne wiedzy eksperckie, które są następnie modyfikowane na podstawie wyników badań. Wnioskowanie Bayesa umożliwia ponadto formalne porównanie ułatwiaące wybór miarodanego typu rozkładu, a także utworzenie modeli będących kombinacą różnych rozkładów tworzącą rozkład nalepie dopasowany do wyników badań doświadczalnych lub obserwaci. Twierdzenie Bayesa przystosowane do oceny rozkładu prawdopodobieństwa parametrów θ = θ,..., θ ) można zapisać w postaci [3,4]: ( d l( xθ ) π ( θ ) l( xθ ) π ( θ ) π ( θ x) = = l( xθ ) π ( θ ) dθ π ( x) b () gdzie: l( xθ) - funkca wiarygodności ze zbioru obserwaci x=(x,...,x n ), gdy wektor parametrów θ = ( θ,..., θ d ) est podany, π (θ ) - zbiór prawdopodobieństw a priori θ = ( θ,..., θ d ) przed uzyskaniem obserwaci x=(x,...,x n ), π( θ x) -zbiór prawdopodobieństw a posteriori θ = ( θ,..., θ d ) po analizie wyników obserwaci x=(x,...,x n ), π ( x) - brzegowe gęstości obserwaci x=(x,...,x n ). Funkca wiarygodności l ( xθ) reprezentue nieodłączną niepewność związaną ze zmienną losową X dla danego wektora θ [5], podczas gdy zbiory π (θ ) oraz π ( θ x) reprezentuą statystyczną niepewność poszczególnych parametrów rozkładów prawdopodobieństw w wektorze θ [3, 4]. Jeśli dowolna zmienna losowa X o gęstości prawdopodobieństwa l ( xθ) est zależna od wektora parametrów θ, to funkcę wiarygodności dla przyętego rozkładu l ( x,... x n θ) niezależnych obserwaci x=(x,,x n ) można zapisać w następuące formie [3,4]: n n x i θ i= l ( xθ) = l( x,..., x θ) = l( ) () Twierdzenie Bayesa w postaci () można wykorzystać do określenia wag, umożliwiaących ocenę dopasowania przyętych rozkładów prawdopodobieństwa do wyników obserwaci przy uwzględnieniu niepewności statystycznych związanych z ego wyborem. Oznaczaąc przez H hipotezę, że przyęty a priori rozkład prawdopodobieństwa zmienne losowe X i zbiór wyników obserwaci
5 Wybór rozkładu oddziaływań klimatycznych z wykorzystaniem metody Bayes a 47 θ są zgodne, brzegowy rozkład prawdopodobieństwa zmienne π ( x H ) można aproksymować za pomocą wzoru [3]: d d log( π ( x H )) log(π ) log( n) + log( l( x ˆ, θ H )) (3) A wartości wag dla przyętych rozkładów prawdopodobieństwa można obliczyć według formuły: d n w[ H l( xθ )] = l( x ˆ, θ H) (4) π gdzie: n liczba wyników obserwaci, d liczba estymowanych parametrów, ocena estymowanego parametru. 4. Przykład Przedstawiona w artykule metoda i procedura obliczeń mogą być zastosowane do oszacowania wagi, dopasowania przyętego rozkładu prawdopodobieństwa do danych obserwowanych z uwzględnieniem niepewności statystycznych oraz do wyznaczenia dystrybuanty rozkładu będącego kombinacą przyętych rozkładów standardowych uwzględnieniem niepewności modelowe. Na podstawie procedur przedstawionych w punkcie 3 ninieszego artykułu napisano program w ęzyku programowania statystycznego R [5]. Program oblicza wagi, które określaą stopień dopasowania rozważanego rozkładu do wyników obserwaci, z uwzględnieniem niepewności statystycznych i współrzędne rozkładu będącego kombinacą rozważanych rozkładów, z uwzględnieniem niepewności modelowe. Na rys. przedstawiono wykresy dystrybuant 9 przyętych rozkładów prawdopodobieństwa o parametrach oszacowanych metodą nawiększe wiarygodności z wykorzystaniem środowiska do obliczeń statystycznych R i procedurę optim do minimalizaci funkci wiarygodności [5], a także dystrybuantę empiryczną obciążenia śniegiem gruntu dla wyników obserwaci ze staci meteorologiczne zlokalizowane w pierwsze strefie obciążenia śniegiem (Wrocław, [4]).
6 48 T. Pytlowany, Sz. Woliński Rys.. Dystrybuanty analizowanych rozkładów prawdopodobieństwa i dystrybuanta empiryczna Fig.. Cumulative distribution of the analyzed probability distributions and empirical cumulative distribution Wykres dystrybuanty a posteriori uzyskane ako kombinaca dziewięciu przyętych a priori rozkładów standardowych zmiennych losowych przedstawiono na tle dystrybuanty empiryczne na rys.3. Obliczenia wykonano przy założeniu, że wagi rozkładówa priori są ednakowe i równe /9, a wagi rozkładów a posteriori można oszacować dla = 9, według wzoru (4), który po przekształceniu ma następuąca postać: ( ) ) ( ) ( ) ( 9 9 )] ( [ / 9 / 9 / / y l n y l n y l n y l n x l w H d d d d = = = = π π π π θ (5) gdzie: l (y) maksymalna wartość funkci wiarygodności.
7 Wybór rozkładu oddziaływań klimatycznych z wykorzystaniem metody Bayes a 49 Rys.3. Dystrybuanta kombinaci rozkładów prawdopodobieństwa i dystrybuanta empiryczna Fig. 3. Cumulative distribution of the combination of probability distributions and empirical cumulative distribution Należy zauważyć, że pomimo odmiennych kształtów rozkładów apriorycznych, na rozkład aposterioryczny est związany z funkcą wiarygodności z próby i zależy od informaci uzyskanych drogą empiryczną. W celu ustalenia wartości obciążeń klimatycznych do obliczeń konstrukci na obiektów budowlanych szacue się ich statystycznie uzasadnione wartości, które mogą być przewyższone z określonym prawdopodobieństwem, tzn. kwantyle rozkładu maksimów rocznych obliczone na podstawie wyników pomiarów [,7,8]. W normie [7] zdefiniowano wartość charakterystyczną oddziaływania zmiennego ako kwantyl rzędu p losowych maksimów o okresie powrotu T. Wartość charakterystyczna obciążenia śniegiem gruntu est kwantylem rzędu p=0,0, co korespondue z okresem powrotu oddziaływania T=50 lat [8]. Zakładaąc równe wartości wag a priori dla wszystkich przyętych rozkładów w = /9, =,,,9 za pomocą autorskiego programu z wykorzystaniem aplikaci statystyczne wykonane w programie do analiz statystycznych R, obliczono ich wagi a posteriori. Na rys. 4 przedstawiono prognozowane wartości obciążenia charakterystycznego śniegiem gruntu, dla poszczególnych rozkładów oraz ich kombinaci bayesowskie, dla p=0,0 i okres powrotu T =50 lat, wraz z przypisanymi im wagami.
8 50 T. Pytlowany, Sz. Woliński Rys. 4. Wykres radarowy prognozy wartości charakterystyczne obciążenia śniegiem gruntu z wagami odpowiadaącymi poszczególnym rozkładom prawdopodobieństwa Fig. 4. Radar chart of the forecasts of the characteristic value of the snow load on the ground with weights corresponding to each probability distribution Nawiększe wagi a posteriori uzyskały w koleności następuące rozkłady: kombinaca bayesowska (,0), Exponential (0,5859), Gamma (0,005), Generalised extreme value (0,0796), Weibull (0,076), Lognormal (0,076), Gumbela (0,0456), Generalised gamma (0,0434), Rayleight (0,0008) i Normal (0,0000). Prognoza wartości obciążenia charakterystycznego dla p=0,0 i T=50 lat wskazue, że stopień dopasowania wyników obserwaci do funkci rozkładu naczęście stosowanych zmiennych losowych prowadzi do wyników zbieżnych z kombinacą bayesowską edynie w odniesieniu do rozkładu o wyraźnie dominuące wartości wagi. Dla rozkładu wykładniczego (Exponential) waga wynosi 0,5859, a wartość obciążenia charakterystycznego S k =,06 kn/m, a dla rozkładu wg kombinaci bayesowskie,03 kn/m.w przypadku pozostałych rozkładów o wartości wag do około 0,0 wartości S k nie wykazuą korelaci z wagami rozkładów. 5. Wnioski Przedstawiona w artykule procedura estymaci oparta na wnioskowaniu bayesowskim umożliwia ocenę i porównanie zasadności wyboru typu rozkładu zmienne losowe opartego na wnioskowaniu statystycznym oraz tworzenie liniowych kombinaci tych zmiennych uwzględniaących niepewności modelo-
9 Wybór rozkładu oddziaływań klimatycznych z wykorzystaniem metody Bayes a 5 wych związane z subiektywnym wyborem typu rozkładów i łączeniem niepewnych informaci z wynikami badań. Procedura wnioskowania bayesowskiego zakłada, że estymowane parametry przyętych do analizy rozkładów są zmiennymi losowymi, a niepewności statystyczne można oszacować za pomocą prawdopodobieństw a priori, szacowanych z pewną dozą subiektywizmu, na podstawie dostępnych informaci i korygowanych na podstawie aktualnych wyników badań lub obserwaci. Przedstawione procedury zastosowano do oceny adekwatności wyboru dystrybuanty ednego z oddziaływań klimatycznych, akim est obciążenie śniegiem gruntu, traktowanego ako zmienna losowa o parametrach estymowanych statystyczną metodą nawiększe wiarygodności. Obliczono wagi odpowiadaące założonym rozkładom prawdopodobieństwa i rozkładowi utworzonemu ako liniowa kombinaca tych rozkładów oraz wartości charakterystyczne obciążenia obliczone dla analizowanych rozkładów. Wyniki obliczeń wskazuą, że wartości obciążeń charakterystycznych są w dużym stopniu zależne od wyboru typu rozkładu obciążenia, a wybór rozkładu oparty edynie na wynikach wnioskowania statystycznego może prowadzić do znacznego zaniżenia prognozowanego obciążenia. Należy podkreślić, że przedstawiona w artykule metoda może być zastosowana również do analizy wielu zagadnień dotyczących niezawodności konstrukci. Literatura [] Woliński Sz., Pytlowany T.: Uwagi o szacowaniu wartości oddziaływań za pomoca modelu Gumbela. Materiały konferencyne 56 KN KILiW PAN oraz KN PZITB Kielce- Krynica 00. [] Żurański J., Sobolewski A.: Obciążenie śniegiem w Polsce. Wydawnictwo Instytutu Techniki Budowlane, Seria: Prace Naukowe ITB. Monografie. Warszawa 009. [3] Noortwik J. M., Kalk H. J., Chbab E. H.: Bayesian estimation of design loads, HERON. Vol. 49, No. (004). [4] Pytlowany T.: Bayesowski model oddziaływań klimatycznych. OW PRz, zeszyt nr 83. nr s.59 3/ s Rzeszów 0. [5] Steenbergen M. R.: Maximum Likelihood Programming in R. [6] Gwóźdź M., Machowski A. Wybrane badania i obliczenia konstrukci budowlanych metodami probabilistycznymi, Wydawnictwo Politechniki Krakowskie, Kraków 00. [7] PN-EN 990:004. Eurokod: Podstawy proektowania konstrukci. [8] EN 99--3:005. Eurokod : Odziaływania na konstrukce. Część -3: Oddziaływania ogólne. Obciążenie śniegiem. [9] Mitzenmacher M, Upal E.: Metody probabilistyczne i obliczenia WN-T 009.
10 5 T. Pytlowany, Sz. Woliński SELECTION OF THE DISTRIBUTION FUNCTION FOR CLIMATE ACTIONS USING BAYESIAN METHOD S u m m a r y Single distribution functions are usually selected based on a best-fit approach theorem but often available random data cannot be accurately described by any of the commonly used types of the random variables. The paper presents a method based on Bayesian approach which solves problems of selecting the single distribution function and combining of probabilities contending different probability functions. The method is illustrated on the selection of single distribution function and application of Bayesian method in combining these functions to determine the characteristic value of snow load for an assumed return period. Keywords: meteorological action, snow loads, Bayesian method Przesłano do redakci: r. Przyęto do druku: r. DOI: 0.786/rb.06.5
Statystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 1/15/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.1.1 ROMAN RUMIANOWSKI Statystyczna analiza awarii pojazdów
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoW4 Eksperyment niezawodnościowy
W4 Eksperyment niezawodnościowy Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Badania niezawodnościowe i analiza statystyczna wyników 1. Co to są badania niezawodnościowe i
Bardziej szczegółowoANALIZA STATYSTYCZNA WYNIKÓW BADAŃ
ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ Dopasowanie rozkładów Dopasowanie rozkładów- ogólny cel Porównanie średnich dwóch zmiennych 2 zmienne posiadają rozkład normalny -> test parametryczny (t- studenta) 2
Bardziej szczegółowoNiezawodność diagnostyka systemów laboratorium. Ćwiczenie 2
dr inż. Jacek Jarnicki doc. PWr Niezawodność diagnostyka systemów laboratorium Ćwiczenie 2 1. Treść ćwiczenia Generowanie realizacji zmiennych losowych i prezentacja graficzna wyników losowania. Symulacja
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoTemat: 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 szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoZadanie Tworzenie próbki z rozkładu logarytmiczno normalnego LN(5, 2) Plot Probability Distributions
Zadanie 1. 1 Wygenerować 200 elementowa próbkę z rozkładu logarytmiczno-normalnego o parametrach LN(5,2). Utworzyć dla tej próbki: - szereg rozdzielczy - histogramy liczebności i częstości - histogramy
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoTemat: 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 szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoSZACOWANIE MEDIANY PRZY UŻYCIU DOKŁADNEJ METODY BOOTSTRAPOWEJ
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XV/3, 2014, str. 111 121 SZACOWANIE MEDIANY PRZY UŻYCIU DOKŁADNEJ METODY BOOTSTRAPOWEJ Joanna Kisielińska Wydział Nauk Ekonomicznych Szkoła Główna Gospodarstwa
Bardziej szczegółowoOpis przedmiotu: Probabilistyka I
Opis : Probabilistyka I Kod Nazwa Wersja TR.SIK303 Probabilistyka I 2012/13 A. Usytuowanie w systemie studiów Poziom Kształcenia Stopień Rodzaj Kierunek studiów Profil studiów Specjalność Jednostka prowadząca
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoRachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18
Karta przedmiotu Wydział: Wydział Zarządzania Kierunek: Analityka gospodarcza I. Informacje podstawowe Nazwa przedmiotu Rachunek prawdopodobieństwa Nazwa przedmiotu w j. ang. Język prowadzenia przedmiotu
Bardziej szczegółowoWykład 10 Testy jednorodności rozkładów
Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków
Bardziej szczegółowoKorzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne)
Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne) Przygotował: Dr inż. Wojciech Artichowicz Katedra Hydrotechniki PG Zima 2014/15 1 TABLICE ROZKŁADÓW... 3 ROZKŁAD
Bardziej szczegółowodr Jerzy Pusz, st. wykładowca, Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej B. Ogólna charakterystyka przedmiotu
Kod przedmiotu TR.SIK303 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Stacjonarne
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoPoszukiwanie optymalnego wyrównania harmonogramu zatrudnienia metodą analityczną
Mieczysław POŁOŃSKI Wydział Budownictwa i Inżynierii Środowiska, Szkoła Główna Gospodarstwa Wieskiego, Warszawa, ul. Nowoursynowska 159 e-mail: mieczyslaw_polonski@sggw.pl Poszukiwanie optymalnego wyrównania
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 3 Generacja realizacji zmiennych losowych Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia: Generowanie
Bardziej szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoPRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR. Wojciech Zieliński
PRZYKŁAD ZASTOSOWANIA DOKŁADNEGO NIEPARAMETRYCZNEGO PRZEDZIAŁU UFNOŚCI DLA VaR Wojciech Zieliński Katedra Ekonometrii i Statystyki SGGW Nowoursynowska 159, PL-02-767 Warszawa wojtek.zielinski@statystyka.info
Bardziej szczegółowoWykład 9 Testy rangowe w problemie dwóch prób
Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora
Bardziej szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoWykład 7 Testowanie zgodności z rozkładem normalnym
Wykład 7 Testowanie zgodności z rozkładem normalnym Wrocław, 05 kwietnia 2017 Rozkład normalny Niech X = (X 1, X 2,..., X n ) będzie próbą z populacji o rozkładzie normalnym określonym przez dystrybuantę
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoOpis przedmiotu. Karta przedmiotu - Probabilistyka I Katalog ECTS Politechniki Warszawskiej
Kod przedmiotu TR.NIK304 Nazwa przedmiotu Probabilistyka I Wersja przedmiotu 2015/16 A. Usytuowanie przedmiotu w systemie studiów Poziom kształcenia Studia I stopnia Forma i tryb prowadzenia studiów Niestacjonarne
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoROZKŁAD PRAWDOPODOBIEŃSTWA WYTRZYMAŁOŚCI NA ŚCISKANIE BETONU KLASY B20
Skrzypczak I. Politechnika Rzeszowska Wydział Budownictwa i Inżynierii Środowiska Katedra Geodezji im. Kaspra Weigla Polska, - Rzeszów, ul. Poznańska E-mail: izas@prz.edu.pl ROZKŁAD PRAWDOPODOBIEŃSTWA
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015
Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Inżynierii Środowiska obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015 Kierunek studiów: Inżynieria Środowiska
Bardziej szczegółowoStreszczenie: Zasady projektowania konstrukcji budowlanych z uwzględnieniem aspektów ich niezawodności wg Eurokodu PN-EN 1990
Streszczenie: W artykule omówiono praktyczne podstawy projektowania konstrukcji budowlanych wedłu Eurokodu PN-EN 1990. Podano metody i procedury probabilistyczne analizy niezawodności konstrukcji. Podano
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoOkreślenie maksymalnego kosztu naprawy pojazdu
MACIEJCZYK Andrzej 1 ZDZIENNICKI Zbigniew 2 Określenie maksymalnego kosztu naprawy pojazdu Kryterium naprawy pojazdu, aktualna wartość pojazdu, kwantyle i kwantyle warunkowe, skumulowana intensywność uszkodzeń
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoOBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Bardziej szczegółowoSeminarium Metody obliczania przepływów maksymalnych w zlewniach kontrolowanych i niekontrolowanych, RZGW, Kraków 30 IX 2013 r. Metody obliczania przepływów maksymalnych rocznych o określonym prawdopodobieństwie
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowo6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego
6. ANALIZA POST-OPTYMALIZACYJNA analiza wrażliwości rozwiązania optymalnego Analiza wrażliwości est studium analizy wpływu zmian wartości różnych parametrów modelu PL na rozwiązanie optymalne. Na optymalne
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoWYKŁADY 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: przedmiot obowiązkowy w ramach treści kierunkowych, moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoPARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV
Elektroenergetyczne linie napowietrzne i kablowe wysokich i najwyższych napięć PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV Wisła, 18-19 października 2017
Bardziej szczegółowo5 Błąd średniokwadratowy i obciążenie
5 Błąd średniokwadratowy i obciążenie Przeprowadziliśmy 200 powtórzeń przebiegu próbnika dla tego samego zestawu parametrów modelowych co w Rozdziale 1, to znaczy µ = 0, s = 10, v = 10, n i = 10 (i = 1,...,
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoTesty zgodności 9 113
Testy zgodności 9 3 9. TESTY ZGODNOŚCI 9. Różne sytuace praktyczne W praktyce badań statystycznych, ak uż poprzednio stwierdzono, cały proces analizy statystyczne dzielimy na dwa etapy: formułowanie hipotezy
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoZASTOSOWANIE SPLOTU FUNKCJI DO OPISU WŁASNOŚCI NIEZAWODNOŚCIOWYCH UKŁADÓW Z REZERWOWANIEM
1-2011 PROBLEMY EKSPLOATACJI 205 Zbigniew ZDZIENNICKI, Andrzej MACIEJCZYK Politechnika Łódzka, Łódź ZASTOSOWANIE SPLOTU FUNKCJI DO OPISU WŁASNOŚCI NIEZAWODNOŚCIOWYCH UKŁADÓW Z REZERWOWANIEM Słowa kluczowe
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoNumeryczne modelowanie ustalonego pola temperatury
Zakład Aerodynamiki i ermodynamik Instytut echniki Lotnicze, Wydział Mechatroniki Woskowa Akademia echniczna Numeryczne modelowanie ustalonego pola temperatury Piotr Koniorczyk Mateusz Zieliński Warszawa
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoSzacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego
Radosław Pietrzyk Katedra Inwestycji Finansowych i Ubezpieczeń Akademia Ekonomiczna we Wrocławiu Szacowanie miary zagrożenia Expected Shortfall dla wybranych instrumentów polskiego rynku kapitałowego 1.
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowo12. Przynależność do grupy przedmiotów: Blok przedmiotów matematycznych
(pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: Rachunek prawdopodobieństwa i statystyka matematyczna 2. Kod przedmiotu: RPiS 3. Karta przedmiotu ważna od roku akademickiego:
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoStatystyka 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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoOCENA PRZYDATNOŚCI MODELU EKONOMETRYCZNEGO DO BADANIA ZMIAN DYNAMIKI GOSPODARKI WOJEWÓDZTWA ŚLĄSKIEGO
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 220 2015 Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania Katedra Ekonometrii ozef.biolik@ue.katowice.pl
Bardziej szczegółowoPOLITECHNIKA WARSZAWSKA
POLITECHNIKA WARSZAWSKA WYDZIAŁ BUDOWNICTWA, MECHANIKI I PETROCHEMII INSTYTUT INŻYNIERII MECHANICZNEJ STATYSTYCZNA KONTROLA PROCESU (SPC) Ocena i weryfikacja statystyczna założeń przyjętych przy sporządzaniu
Bardziej szczegółowoBADANIE WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO
BADANIE WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Lis Anna Lis Marcin Kowalik Stanisław 2 Streszczenie. W pracy przedstawiono rozważania dotyczące określenia zależności pomiędzy wydobyciem
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoUWAGI O TESTACH JARQUE A-BERA
PRZEGLĄD STATYSTYCZNY R. LVII ZESZYT 4 010 CZESŁAW DOMAŃSKI UWAGI O TESTACH JARQUE A-BERA 1. MIARY SKOŚNOŚCI I KURTOZY W literaturze statystycznej prezentuje się wiele miar skośności i spłaszczenia (kurtozy).
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowo2. Empiryczna wersja klasyfikatora bayesowskiego
Algorytmy rozpoznawania obrazów 2. Empiryczna wersja klasyfikatora bayesowskiego dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Brak pełnej informacji probabilistycznej Klasyfikator bayesowski
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoWykorzystanie testu Levene a i testu Browna-Forsythe a w badaniach jednorodności wariancji
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 4/18/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.4.48 WIESŁAWA MALSKA Wykorzystanie testu Levene a i testu Browna-Forsythe
Bardziej szczegółowoANALIZA WRAŻLIWOŚCI CENY OPCJI O UWARUNKOWANEJ PREMII
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 31 Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu ANALIZA WRAŻLIWOŚCI CENY OPCJI O UWARUNKOWANEJ PREMII Streszczenie W artykule przedstawiono
Bardziej szczegółowoWykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym
Wiesława MALSKA Politechnika Rzeszowska, Polska Anna KOZIOROWSKA Uniwersytet Rzeszowski, Polska Wykorzystanie testu t dla pojedynczej próby we wnioskowaniu statystycznym Wstęp Wnioskowanie statystyczne
Bardziej szczegółowoElementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej
Elementy statystyki opisowej, podstawowe pojęcia statystyki matematycznej Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowo