Przykªadowe analizy. Grzegorz Kemski. 26 listopada 2008
|
|
- Wiktor Wojciech Szczepaniak
- 8 lat temu
- Przeglądów:
Transkrypt
1 26 listopada 2008
2 Plan wykªadu Prezentacja danych i metod statystycznych u»ytych w artykuªach: 'Why living-donor renal transplant yields better outcomes than cadaver renal transplant?' L. Guirado, E. Vela, M. Cl ries, J. M. Díaz, C. Facundo and R. García-Maset (2008) 'Identifying dierentially expressed genes using false discovery rate controlling procedures' Anat Reiner, Daniel Yekutieli and Yoav Benjamini (2002)
3 Motywacje - 'Why living-donor...' Z literatury i bada«wiadomo,»e prze»ywalno± zarówno pacjenta, jak i przeszczepu jest wy»sza w przypadku pobrania nerki od»ywego dawcy (LDRT) ni» w przypadku pobrania nerki od dawcy martwego (CDRT). Wedªug rejestrów UNOS (United Network for Organ Sharing) prze»ywalno± po pi ciu latach od przeszczepu wynosi odpowiednio 80.7% i 65.7% dla CDRT oraz 90.1% i 78.6% dla LDRT. Celem artykuªu jest identykacja i zbadanie czynników, które o tym decyduj.
4 Dane - 'Why living-donor...' Przeanalizowano wszystkie pierwsze przeszczepy nerek wykonane w Katalonii w latach (rejestr CRPR) w±ród pacjentów starszych ni» 17 lat. 135 przypadków LDRT przypadków CDRT. 171 przypadków (4.3%) zostaªo wykluczonych z badania z powodu niepeªnej informacji.
5 Dane - 'Why living-donor...' Zbadano: wiek i pªe dawcy i biorcy PKD (primary kidney disease) histori zachorowa«pacjenta czas leczenia dializ rok zabiegu maksymalny i ostatnio zarejestrowany procent przeciwciaª (PRA) czas niedokrwienia nerki (w godzinach) ukªad zgodno±ci tkankowej (HLA)
6 Dane - 'Why living-donor...' Liczba przeszczepów w kolejnych latach ze wzgl du na typ dawcy:
7 Dane - 'Why living-donor...' Dane ze zmiennych ilo±ciowych s przedstawione jako warto± ±rednia i wariancja (M + SD), a ze zmiennych jako±ciowych w formie procentowej. Do porównania warto±ci ±rednich u»yto testu t-studenta, a do porównania proporcji testu chi-kwadrat. Na przykªad:
8 Dane - 'Why living-donor...'
9 Dane - 'Why living-donor...'
10 Analiza danych - 'Why living-donor...' Pacjenci otrzymuj cy LDRT (w stosunku do CDRT): s mªodsi (±rednio o 11 lat) rzadziej cierpieli na badane choroby mniej czasu sp dzili na dializie maj wy»sz zgodno± HLA-A i HLA-B z dawc czas niedokrwienia nerki jest wyra¹nie krótszy w±ród dawców jest wi cej kobiet i osób w wieku lat Pomi dzy pozostaªymi czynnikami nie ma istotnych ró»nic.
11 Analiza prze»ycia - 'Why living-donor...' Do analizy prze»ycia stosujemy metod aktuarialn. Do porównania krzywych prze»ycia stosujemy test Gehana (uogólniny test Wilcoxona).
12 Analiza prze»ycia - 'Why living-donor...' Analiza prze»ycia dla pacjenta: p = 0.016
13 Analiza prze»ycia - 'Why living-donor...' Analiza prze»ycia dla przeszczepu: p = 0.047
14 Analiza prze»ycia - 'Why living-donor...' Analiza prze»ycia dla przeszczepu z cenzorowanymi ±mierciami pacjenta: p = 0.67
15 Analiza prze»ycia - 'Why living-donor...' Wniosek: Z analizy prze»ycia wynika,»e zarówno pacjenci, którzy otrzymali LDRT, jak i ich przeszczepy maj wi ksz prze»ywalno± ni» dla CDRT. W przypadku analizy dla przeszczepu z cenzorowanymi ±mierciami ró»nice nie s ju» znacz ce (p = 0.67).
16 Model regresji Coxa - 'Why living-donor...' Do analizy wielokrotnej prze»ywalno±ci przeszczepu zastosowano model regresji Coxa. Pierwsz zmienn obja±niaj c jest typ przeszczepu - LDRT lub CDRT. Zmienne, które nie wykazaªy znamienno±ci statystycznej zostaªy kolejno wykluczone, poza tymi, które w dotychczasowej analizie wykazaªy ró»nice pomi dzy LDRT, a CDRT. Do okre±lenia statystycznej znamienno±ci zmiennych posªu»ono si testem chi-kwadrat.
17 Model regresji Coxa - 'Why living-donor...' Gdy zastosujemy model do wszystkich zmiennych obja±niaj cych, ró»nice zaobserwowane w dotychczasowej analizie zanikaj. Regresja Cox'a wskazuje,»e ryzyko utraty przeszczepu zwi ksza si, wraz ze wzrostem wieku (zarówno pacjenta jak i dawcy), cukrzyc jako PKD, pewnymi chorobami w historii pacjenta, dªu»szym czasem dializy i PRA > 50%. Ryzyko spada ze wzrostem liczby genów HLA-DR i krótszym czasem oczekiwania na przeszczep. Pozostaªe zmienne uwzgl dnione w modelu nie s statystycznie znamienne.
18 Model regresji Coxa - 'Why living-donor...' Wniosek: W analizie prze»ywalno±ci przeszczepu nie zauwa»yli±my ró»nicy ze wzgl du na LDRT i CDRT, mimo»e wcze±niejsza analiza jednokrotna dawaªa lepsze rezultaty w przypadku LDRT.
19 Uwagi - 'Why living-donor...' W wielu badaniach wykazano,»e czynnikami wpªywaj cymi na wi ksz prze»ywalno± LDRT s : zgodno± genów HLA, mªody wiek pacjenta i krótki czas na dializie. W LDRT ªatwo uzyska du» zgodno± HLA, poniewa» wi kszo± dawców pochodzi z rodzin pacjentów. redni wiek pacjenta LDRT jest o 11 lat mniejszy od ±redniego wieku pacjenta CDRT, za to dawca LDRT jest ±rednio 5 lat starszy od dawcy CDRT. Wynika to z tego,»e najcz ±ciej dawc LRDT jest rodzic pacjenta, natomiast im starszy pacjent tym trudniej znale¹ odpowiedniego dawc w±ród czªonków rodziny. Wielk przewag LDRT jest mo»liwo± ograniczenia czasu leczenia dializ. Z powodu zbyt maªej liczby zaobserwowanych przypadków to badanie nie uwzgl dnia otrzymania przeszczepu przed dializ, ale inne badania potwierdziªy wy»sz prze»ywalno± takich pacjentów. W tym badaniu nie uwzgl dniono zmiennej zawieraj cej informacj o czasie niedokrwisto±ci nerki z powodu du»ej liczby brakuj cych informacji (18%).
20 Artykuª 'Identifying dierentially expressed genes using false discovery rate controlling procedures' Anat Reiner, Daniel Yekutieli and Yoav Benjamini (2002)
21 Motywacje - 'Identifying...' Mikromacierze DNA s wykorzystywane do badania ekspresji genów. Celem jest zidentykowanie tych genów, których ekspresja istotnie si ró»ni (np. w tkance chorej i zdrowej). Dzi ki miniaturyzacji mo»liwe jest jednoczesne badanie wielu genów w próbce. Na powierzchni kilku cm 2, w mikrometrowych odst pach, umieszczone s sondy pozwalaj ce bada ekspresj nawet kilkudziesi ciu tysi cy sekwencji DNA jednocze±nie. Prawdopodobie«stwo bª dnej identykacji znacznie si zwi ksza gdy liczba badanych genów jest du»a. Celem artykuªu jest przedstawienie i porównanie metod kontroluj cych FDR wykorzystywanych gdy pojawia si ten problem.
22 Dane - 'Identifying...' Dane pochodz z pomiarów ekspresji 6359 genów u myszy podczas bada«prowadzonych nad metabolizmem lipidów. Pobrano tkanki ze ±ledzion 8 zdrowych myszy, które stanowiªy grup testow i 8 myszy z wyeliminowanym genem Apo AI. Celem eksperymentu byªo zbadanie, jak brak wyeliminowanego Apo AI wpªywa na funkcjonowanie pozostaªych genów. We applied the normalization (...) through lowess smoothing of the log intensity ratio log 2 (Red/Green) versus the mean log intensity log 2 Red Green.
23 Metody - 'Identifying...' Procedura Benjaminiego - Hochberga (BH) Dla ka»dej hipotezy zerowej H i obliczamy warto± statystyki testowej i p-warto± P i. Procedura korzysta z uporz dkowanych p-warto±ci P (1)... P (m) i odpowiadaj cym im hipotez zerowych H (1),..., H (m). Chc c kontrolowa FDR na poziomie q porównujemy P (i) do q i m. k = max{i : P (i) q i m } Je»eli takie k istnieje, to odrzucamy H (1),..., H (k). W rzeczywisto±ci kontrolujemy FDR na poziomie FDR q m0 m q.
24 Metody - 'Identifying...' Skorygowane p-warto±ci Dla procedury kontroluj cej FDR skorygowan p-warto±ci (dla pojedynczej hipotezy) nazywamy najni»szy poziom FDR, dla którego hipoteza po raz pierwszy znajduje si w zbiorze odrzuconych hipotez. W procedurze BH skorygowana p-warto± dla P (j) ma posta : P BH (j) m = min i j {P (i) }. i
25 Metody - 'Identifying...' Resampling (1/3) Cz sto nie znamy ª cznego rozkªadu statystyk testowych. W takim przypadku mo»emy u»y metody resamplingu, czyli tworzenia nowych zbiorów danych poprzez permutowanie kolejno±ci obiektów (mieszanie obu grup). Zakªadamy przy tym,»e ª czny rozkªad p-warto±ci, wygenerowany podczas resamplingu jest prawdziwym ª cznym rozkªadem dla hipotez zerowych.
26 Metody - 'Identifying...' Resampling (2/3) N - liczba permutacji kolumn macierzy danych. Dla ka»dej permutacji obliczamy wektor p-warto±ci. V (p) - liczba uzyskanych w ten sposób p-warto±ci, mniejszych od p. V (p) estymuje oczekiwan ilo± p-warto±ci odpowiadaj cych prawdziwym hipotezom zerowym, mniejszych od p. Mo»emy teraz estymowa FWER (procedura WY - Westfall, Young). FWER est (p) = #(V (p)>0) N Odrzucamy H i, gdy FWER est (p i ) α.
27 Metody - 'Identifying...' Resampling (3/3) Resamplingu mo»na u»y równie» do estymowania FDR. ŝ(p) - estymator liczby faªszywych hipotez zerowych, mniejszych od p. V (p) FDR (est) (p) = E V (p) V (p)+ŝ(p) Mo»na estymowa na dwa sposoby - FDR local estimator jest konserwatywny dla ±redniej, a FDR upper limit ogranicza FDR z prawdopodobie«stwem 95%.
28 Metody - 'Identifying...' BH Point Estimator U»ywa procedury BH do kontrolowania FDR. Zamiast korzysta z nieskorygowanych p-warto±ci, estymujemy je z resamplingu rozkªadu brzegowego. Dla k-tego genu i statystyki testowej t k : P est (k) = 1 N N j=1 [ 1 I I i=1 #( t.j i t k )]
29 Wyniki - 'Identifying...' Najpierw przeanalizowano nieskorygowane p-warto±ci z testu t-studenta z 14 stopniami swobody. Gdyby hipotezy testowano oddzielnie, to liczba nieskorygowanych p-warto±ci wi kszych od 0.05 wyniosªaby 568 (z 6359). Gdy zastosujemy procedur BH dla nieskorygowanych p-warto±ci, to otrzymamy 8 odrzuce«.
30 Wyniki - 'Identifying...' Estymujemy rozkªad ª czny statystyk t-studenta dla 1000 permutacji.
31 Wyniki - 'Identifying...' Moc testu.
32 Wyniki - 'Identifying...' Wnioski: Wszystkie procedury kontroluj ce FDR daj wi ksz moc ni» procedury kontroluj ce FWER. Wybór pomi dzy procedurami kontroluj cymi FDR to kwestia zyskiwania wi kszej mocy za cen bardziej skomplikowanych oblicze«. Najwi ksz moc uzyskujemy, gdy estymujemy p-warto±ci korzystaj c z resamplingu, a nast pnie stosujemy procedur BH.
In»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoPodstawy statystycznego modelowania danych - Wykªad 7
Podstawy statystycznego modelowania danych - Wykªad 7 Tomasz Suchocki ANOVA Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne i przykªady zastosowania 3. ANOVA w pakiecie R Tomasz
Bardziej szczegółowoEkonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 2 Werykacja modelu liniowego (2) Ekonometria 1 / 33 Plan wicze«1 Wprowadzenie 2 Ocena dopasowania R-kwadrat Skorygowany R-kwadrat i kryteria informacyjne 3 Ocena istotno±ci zmiennych
Bardziej szczegółowoPakiety statystyczne - Wykªad 8
Pakiety statystyczne - Wykªad 8 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji 1. Rys historyczny 2. Podstawy teoretyczne
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Model mieszany
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Analiza wariancji
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 4 03 listopad 2014 1 / 47 Plan wykªadu 1. Testowanie zaªo»e«o proporcjonalnym hazardzie w modelu Cox'a 2. Wybór zmiennych do modelu Cox'a 3. Meta analiza
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 9: Metody numeryczne: MCMC Andrzej Torój 1 / 17 Plan wykªadu Wprowadzenie 1 Wprowadzenie 3 / 17 Plan prezentacji Wprowadzenie 1 Wprowadzenie 3 3 / 17 Zastosowanie metod numerycznych
Bardziej szczegółowoMetody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t
Metody statystyczne w biologii - Wykªad 8 Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu Regresja logistyczna 1. Podstawy teoretyczne i przykªady zastosowania
Bardziej szczegółowoPodstawy statystycznego modelowania danych Analiza prze»ycia
Podstawy statystycznego modelowania danych Analiza prze»ycia Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1. Wprowadzenie 2. Hazard rate
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoWykªad 6: Model logitowy
Wykªad 6: Model logitowy Ekonometria Stosowana SGH Model logitowy 1 / 18 Plan wicze«1 Modele zmiennej jako±ciowej idea 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowoEkonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 8 Modele zmiennej jako±ciowej (8) Ekonometria 1 / 25 Plan wicze«1 Modele zmiennej jako±ciowej 2 Model logitowy Specykacja i interpretacja parametrów Dopasowanie i restrykcje 3 Predykcja
Bardziej szczegółowoElementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)
Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions) Alexander Bendikov Uniwersytet Wrocªawski 25 maja 2016 Elementarna statystyka Dwie próby: porównanie
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoEkonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 4 Prognozowanie (4) Ekonometria 1 / 18 Plan wicze«1 Prognoza punktowa i przedziaªowa 2 Ocena prognozy ex post 3 Stabilno± i sezonowo± Sezonowo± zadanie (4) Ekonometria 2 / 18 Plan
Bardziej szczegółowoLekcja 8 - ANIMACJA. 1 Polecenia. 2 Typy animacji. 3 Pierwsza animacja - Mrugaj ca twarz
Lekcja 8 - ANIMACJA 1 Polecenia Za pomoc Baltiego mo»emy tworzy animacj, tzn. sprawia by obraz na ekranie wygl daª jakby si poruszaª. Do animowania przedmiotów i tworzenia animacji posªu» nam polecenia
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 3 29 pa¹dziernik 2015 1 / 39 Plan wykªadu 1. Test log-rank dla wi cej ni» dwóch grup 2. Test Mantela-Haenszela dla wi cej ni» dwóch grup 3. Wst p do
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Statystyka Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Statystyka Statystyka: nauka zajmuj ca si liczbowym opisem zjawisk masowych oraz ich analizowaniem, zbiory informacji liczbowych. (Sªownik
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 6: Bayesowskie ª czenie wiedzy (6) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Wprowadzenie 2 Oczekiwana wielko± modelu 3 Losowanie próby modeli 4 wiczenia w R (6) Ekonometria
Bardziej szczegółowowiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia
wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i
Bardziej szczegółowox y x y x y x + y x y
Algebra logiki 1 W zbiorze {0, 1} okre±lamy dziaªania dwuargumentowe,, +, oraz dziaªanie jednoargumentowe ( ). Dziaªanie x + y nazywamy dodawaniem modulo 2, a dziaªanie x y nazywamy kresk Sheera. x x 0
Bardziej szczegółowoMODELE LINIOWE i MIESZANE
MODELE LINIOWE i MIESZANE WYKŠAD 5 13 kwiecie«2018 1 / 48 Plan wykªadu 1. Metody Monte Carlo we wnioskowaniu statystycznym 2. Pakiet R 2 / 48 Metody Monte Carlo we wnioskowaniu statystycznym 3 / 48 Zaªó»my,»e
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoSTATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH
STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH WYKŠAD 1 13 pa¹dziernik 2014 1 / 49 Plan wykªadu 1. Analizy prze»ycia na przykªadach 2. Podstawowe idee statystyki matematycznej wykorzystywane w analizie
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoModele wielorównaniowe. Estymacja parametrów
Modele wielorównaniowe. Estymacja parametrów Ekonometria Szeregów Czasowych SGH Estymacja 1 / 47 Plan wykªadu 1 Po±rednia MNK 2 Metoda zmiennych instrumentalnych 3 Podwójna MNK 4 Estymatory klasy k 5 MNW
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoKLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu
➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoPodstawowe pojęcia: Populacja. Populacja skończona zawiera skończoną liczbę jednostek statystycznych
Podstawowe pojęcia: Badanie statystyczne - zespół czynności zmierzających do uzyskania za pomocą metod statystycznych informacji charakteryzujących interesującą nas zbiorowość (populację generalną) Populacja
Bardziej szczegółowoModele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1
Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1 Tomasz Suchocki Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t Plan wykªadu 1 Podstawowe
Bardziej szczegółowoDokonamy analizy mającej na celu pokazanie czy płeć jest istotnym czynnikiem
Analiza I Potrzebujesz pomocy? Wypełnij formularz Dokonamy analizy mającej na celu pokazanie czy płeć jest istotnym czynnikiem różnicującym oglądalność w TV meczów piłkarskich. W tym celu zastosujemy test
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoElementarna statystyka Test Istotno±ci (Tests of Signicance)
Elementarna statystyka Test Istotno±ci (Tests of Signicance) Alexander Bendikov Uniwersytet Wrocªawski 16 kwietnia 2016 Elementarna statystyka Test Istotno±ci (Tests of Signicance) 16 kwietnia 2016 1 /
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoArkusz maturalny. Šukasz Dawidowski. 25 kwietnia 2016r. Powtórki maturalne
Arkusz maturalny Šukasz Dawidowski Powtórki maturalne 25 kwietnia 2016r. Odwrotno±ci liczby rzeczywistej 1. 9 8 2. 0, (1) 3. 8 9 4. 0, (8) 3 4 4 4 1 jest liczba Odwrotno±ci liczby rzeczywistej 3 4 4 4
Bardziej szczegółowoUkªady równa«liniowych - rozkªady typu LU i LL'
Rozdziaª 9 Ukªady równa«liniowych - rozkªady typu LU i LL' W tym rozdziale zapoznamy si z metodami sªu» cych do rozwi zywania ukªadów równa«liniowych przy pomocy uzyskiwaniu odpowiednich rozkªadów macierzy
Bardziej szczegółowoStatystyka opisowa. Wykªad II. Elementy statystyki opisowej. Edward Kozªowski.
Statystyka opisowa. Wykªad II. e-mail:e.kozlovski@pollub.pl Spis tre±ci Mediana i moda 1 Mediana i moda 2 3 4 Mediana i moda Median m e (warto±ci ±rodkow ) próbki x 1,..., x n nazywamy ±rodkow liczb w
Bardziej szczegółowoWyznaczanie krzywej rotacji Galaktyki na podstawie danych z teleskopu RT3
Wyznaczanie krzywej rotacji Galaktyki na podstawie danych z teleskopu RT3 Michaª Litwicki, Michalina Grubecka, Ewelina Obrzud, Tomasz Dziaªa, Maciej Winiarski, Dajana Olech 27 sierpnia 2012 Prowadz cy:
Bardziej szczegółowoWst p i organizacja zaj
Wst p i organizacja zaj Katedra Ekonometrii Uniwersytet Šódzki sem. letni 2014/2015 Literatura Ocena osi gni Program zaj Prowadz cy Podstawowa i uzupeªniaj ca Podstawowa: 1 Gruszczy«ski M. (2012 / 2010),,
Bardziej szczegółowoMetody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9
Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s
Bardziej szczegółowo4.3. Struktura bazy noclegowej oraz jej wykorzystanie w Bieszczadach
4.3. Struktura bazy noclegowej oraz jej wykorzystanie w Bieszczadach Baza noclegowa stanowi podstawową bazę turystyczną, warunkującą w zasadzie ruch turystyczny. Dlatego projektując nowy szlak należy ją
Bardziej szczegółowoEksperyment,,efekt przełomu roku
Eksperyment,,efekt przełomu roku Zapowiedź Kluczowe pytanie: czy średnia procentowa zmiana kursów akcji wybranych 11 spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie (i umieszczonych już
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Aleksandra Ki±lak-Malinowska akis@uwm.edu.pl http://wmii.uwm.edu.pl/ akis/ Czym zajmuje si statystyka? Statystyka zajmuje si opisywaniem i analiz zjawisk masowych otaczaj cej czªowieka
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowoPrzekroje Dedekinda 1
Przekroje Dedekinda 1 O liczbach wymiernych (tj. zbiorze Q) wiemy,»e: 1. zbiór Q jest uporz dkowany relacj mniejszo±ci < ; 2. zbiór liczb wymiernych jest g sty, tzn.: p, q Q : p < q w : p < w < q 3. 2
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoMacierze. 1 Podstawowe denicje. 2 Rodzaje macierzy. Denicja
Macierze 1 Podstawowe denicje Macierz wymiaru m n, gdzie m, n N nazywamy tablic liczb rzeczywistych (lub zespolonych) postaci a 11 a 1j a 1n A = A m n = [a ij ] m n = a i1 a ij a in a m1 a mj a mn W macierzy
Bardziej szczegółowoEdycja geometrii w Solid Edge ST
Edycja geometrii w Solid Edge ST Artykuł pt.: " Czym jest Technologia Synchroniczna a czym nie jest?" zwracał kilkukrotnie uwagę na fakt, że nie należy mylić pojęć modelowania bezpośredniego i edycji bezpośredniej.
Bardziej szczegółowoLekcja 9 - LICZBY LOSOWE, ZMIENNE
Lekcja 9 - LICZBY LOSOWE, ZMIENNE I STAŠE 1 Liczby losowe Czasami spotkamy si z tak sytuacj,»e b dziemy potrzebowa by program za nas wylosowaª jak ± liczb. U»yjemy do tego polecenia: - liczba losowa Sprawd¹my
Bardziej szczegółowoEkonometria Bayesowska
Ekonometria Bayesowska Wykªad 8: Restrykcje na parametry w postaci nierówno±ci: analiza bayesowska (8) Ekonometria Bayesowska 1 / 21 Plan wykªadu 1 Restrykcje nierówno±ciowe: podej±cie klasyczne a bayesowskie
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1
E k o n o m e t r i a S t r o n a Liniowy model ekonometryczny Jednorównaniowy liniowy model ekonometryczny (model regresji wielorakiej) można zapisać w postaci: y = α + α x + α x +... + α x + ε, t =,,...,
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 szczegółowoAnaliza wydajno±ci serwera openldap
Analiza wydajno±ci serwera openldap Autor: Tomasz Kowal 13 listopada 2003 Wst p Jako narz dzie testowe do pomiarów wydajno±ci i oceny konguracji serwera openldap wykorzystano pakiet DirectoryMark w wersji
Bardziej szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowoWektory w przestrzeni
Wektory w przestrzeni Informacje pomocnicze Denicja 1. Wektorem nazywamy uporz dkowan par punktów. Pierwszy z tych punktów nazywamy pocz tkiem wektora albo punktem zaczepienia wektora, a drugi - ko«cem
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoLiniowe zadania najmniejszych kwadratów
Rozdziaª 9 Liniowe zadania najmniejszych kwadratów Liniowe zadania najmniejszych kwadratów polega na znalezieniu x R n, który minimalizuje Ax b 2 dla danej macierzy A R m,n i wektora b R m. Zauwa»my,»e
Bardziej szczegółowoKWIECIEŃ 2008 RYNEK WTÓRNY I RYNEK NAJMU MIESZKAŃ W WYBRANYCH MIASTACH POLSKI RYNEK WTÓRNY I RYNEK NAJMU MIESZKAŃ W WYBRANYCH MIASTACH POLSKI
RYNEK WTÓRNY I RYNEK NAJMU MIESZKAŃ RYNEK WTÓRNY I RYNEK NAJMU MIESZKAŃ KWIECIEŃ 2008 ANALIZA DANYCH OFERTOWYCH Z SERWISU GAZETADOM.PL Miesięczny przegląd rynku mieszkaniowego w wybranych miastach Polski
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoZadania z rachunku prawdopodobie«stwa
STATYSTYKA 2 rok, informatyka,. Zadania z rachunku prawdopodobie«stwa 1. Niech A B C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A B) = P (A C) = P (B C). Pokaza,»e 1 P (A) 1. Pokaza,»e oba ograniczenia mog
Bardziej szczegółowoBadania skuteczności działania filtrów piaskowych o przepływie pionowym z dodatkiem węgla aktywowanego w przydomowych oczyszczalniach ścieków
Uniwersytet Rolniczy im. Hugona Kołł łłątaja w Krakowie, Wydział Inżynierii Środowiska i Geodezji Katedra Inżynierii Sanitarnej i Gospodarki Wodnej K r z y s z t o f C h m i e l o w s k i Badania skuteczności
Bardziej szczegółowoPrzetwarzanie bazuj ce na linii opó niaj cej
Przetwarzanie bazuj ce na linii opó niaj cej Przetwarzanie bazuj ce na linii opó niaj cej obejmuje kilka zagadnie. W niniejszym podrozdziale zostan omówione zagadnienia zarówno bazuj ce na linii opó niaj
Bardziej szczegółowoPerspektywy rozwoju rynku funduszy VC w Polsce
Perspektywy rozwoju rynku funduszy VC w Polsce dr Rafał T. Stroiński, LL.M. Seminarium eksperckie Rozwój innowacyjnej gospodarki dzięki rynkowi venture capital Pałac Prezydencki Warszawa, 7 października
Bardziej szczegółowoMieszkanki woj. kujawsko-pomorskiego najczęściej jeżdżą Renault
Mieszkanki woj. kujawsko-pomorskiego najczęściej jeżdżą Renault W województwie kujawsko-pomorskim kobiety najczęściej jeżdżą samochodami marek Renault, Volkswagen i Opel wynika z przygotowanego na Dzień
Bardziej szczegółowoAproksymacja funkcji metod najmniejszych kwadratów
Aproksymacja funkcji metod najmniejszych kwadratów Teoria Interpolacja polega na znajdowaniu krzywej przechodz cej przez wszystkie w zªy. Zdarzaj si jednak sytuacje, w których dane te mog by obarczone
Bardziej szczegółowoJednowarstwowe Sieci Neuronowe jako. klasykatory do wielu klas. (c) Marcin Sydow
Plan dyskretny perceptron i jego ograniczenia inne funkcje aktywacji wielo-klasykacja przy pomocy jedno-warstwowe sieci neuronowej ograniczenia jedno-warstwowej sieci neuronowej miary ewaluacyjne dla klasykacji
Bardziej szczegółowo1 Bª dy i arytmetyka zmiennopozycyjna
1 Bª dy i arytmetyka zmiennopozycyjna Liczby w pami ci komputera przedstawiamy w ukªadzie dwójkowym w postaci zmiennopozycyjnej Oznacza to,»e s one postaci ±m c, 01 m < 1, c min c c max, (1) gdzie m nazywamy
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 27-0-202 Pytania teoretyczne. Dlaczego w modelu nie powinno si umieszcza staªej i wszystkich zmiennych zero-jedynkowych, zwi zanych z poziomami zmiennej dyskretnej?
Bardziej szczegółowoOferty portalu. Statystyki wejść w oferty wózków widłowych na tle ofert portalu w latach 2011-2014 oraz I kw.2015 r. 2011 2012 2013 2014 I kw.
1 kwartał 215 rok Oferty portalu Dane na przedstawionym wykresie pokazują kolejne etapy wzrostu zainteresowania ofertami, które publikowane są na portalu. W 214 roku, w stosunku do pierwszego roku działalności
Bardziej szczegółowoBioinformatyka Laboratorium, 30h. Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl
Bioinformatyka Laboratorium, 30h Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl 1 Filogenetyka molekularna wykorzystuje informację zawartą w sekwencjach aminokwasów lub nukleotydów do kontrukcji drzew
Bardziej szczegółowoPodziaª pracy. Cz ± II. 1 Tablica sortuj ca. Rozwi zanie
Cz ± II Podziaª pracy 1 Tablica sortuj ca Kolejka priorytetowa to struktura danych udost pniaj ca operacje wstawienia warto±ci i pobrania warto±ci minimalnej. Z kolejki liczb caªkowitych, za po±rednictwem
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoW tym elemencie większość zdających nie zapisywała za pomocą równania reakcji procesu zobojętniania tlenku sodu mianowanym roztworem kwasu solnego.
W tym elemencie większość zdających nie zapisywała za pomocą równania reakcji procesu zobojętniania tlenku sodu mianowanym roztworem kwasu solnego. Ad. IV. Wykaz prac według kolejności ich wykonania. Ten
Bardziej szczegółowoIII. GOSPODARSTWA DOMOWE, RODZINY I GOSPODARSTWA ZBIOROWE
III. GOSPODARSTWA DOMOWE, RODZINY I GOSPODARSTWA ZBIOROWE 1. GOSPODARSTWA DOMOWE I RODZINY W województwie łódzkim w maju 2002 r. w skład gospodarstw domowych wchodziło 2587,9 tys. osób. Stanowiły one 99,0%
Bardziej szczegółowoPowiatowy Urząd Pracy w Trzebnicy. w powiecie trzebnickim w 2008 roku Absolwenci w powiecie trzebnickim
Powiatowy Urząd Pracy w Trzebnicy Załącznik do Monitoringu zawodów deficytowych i nadwyżkowych w powiecie trzebnickim w 2008 roku Absolwenci w powiecie trzebnickim Trzebnica, wrzesień 2009 Opracowanie:
Bardziej szczegółowoGEO-SYSTEM Sp. z o.o. GEO-RCiWN Rejestr Cen i Wartości Nieruchomości Podręcznik dla uŝytkowników modułu wyszukiwania danych Warszawa 2007
GEO-SYSTEM Sp. z o.o. 02-732 Warszawa, ul. Podbipięty 34 m. 7, tel./fax 847-35-80, 853-31-15 http:\\www.geo-system.com.pl e-mail:geo-system@geo-system.com.pl GEO-RCiWN Rejestr Cen i Wartości Nieruchomości
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
Bardziej szczegółowoBash i algorytmy. Elwira Wachowicz. 20 lutego
Bash i algorytmy Elwira Wachowicz elwira@ifd.uni.wroc.pl 20 lutego 2012 Elwira Wachowicz (elwira@ifd.uni.wroc.pl) Bash i algorytmy 20 lutego 2012 1 / 16 Inne przydatne polecenia Polecenie Dziaªanie Przykªad
Bardziej szczegółowoNiegrzeczne dzieciaki na gorącym krześle
Niegrzeczne dzieciaki na gorącym krześle Zbadano grupę 30 przedszkolaków poddanych dwóm metodom upominania za niegrzeczne zachowanie. Jedne z dzieci upominano za pomocą naklejania smutnej minki na specjalnej
Bardziej szczegółowoKomentarz technik dróg i mostów kolejowych 311[06]-01 Czerwiec 2009
Strona 1 z 14 Strona 2 z 14 Strona 3 z 14 Strona 4 z 14 Strona 5 z 14 Strona 6 z 14 Uwagi ogólne Egzamin praktyczny w zawodzie technik dróg i mostów kolejowych zdawały wyłącznie osoby w wieku wskazującym
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoAUTOR MAGDALENA LACH
PRZEMYSŁY KREATYWNE W POLSCE ANALIZA LICZEBNOŚCI AUTOR MAGDALENA LACH WARSZAWA, 2014 Wstęp Celem raportu jest przedstawienie zmian liczby podmiotów sektora kreatywnego na obszarze Polski w latach 2009
Bardziej szczegółowoElementarna statystyka Test Istotno±ci
Elementarna statystyka Test Istotno±ci Alexander Bendikov Uniwersytet Wrocªawski 27 kwietnia 2017 Alexander Bendikov (UWr) Elementarna statystyka Test Istotno±ci 27 kwietnia 2017 1 / 24 Wnioskowanie statystyczne:
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 szczegółowoWst p do ekonometrii II
Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36 Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy
Bardziej szczegółowoUzbekistański rynek kosmetyków do pielęgnacji skóry i włosów 2016-03-24 08:51:38
Uzbekistański rynek kosmetyków do pielęgnacji skóry i włosów 2016-03-24 08:51:38 2 Analiz rynku Około 50% rynku kosmetycznego Uzbekistanu stanowią kosmetyki dekoracyjne i wyroby perfumeryjne. Reszta to
Bardziej szczegółowoEkonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± (3) Ekonometria 1 / 29 Plan wicze«1 Wprowadzenie 2 Normalny rozkªad 3 Autokorelacja 4 Heteroskedastyczno± Test White'a Odporne bª
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowo