14. RACHUNEK BŁĘDÓW *

Wielkość: px
Rozpocząć pokaz od strony:

Download "14. RACHUNEK BŁĘDÓW *"

Transkrypt

1 4. RACHUNEK BŁĘDÓW * Błędy, które pojawiają się w czasie doświadczeia mogą mieć włase źródła. Są imi błędy związae z błędą kalibracją torów pomiarowych, szumy, czas reagowaia przyrządu, ograiczeia kostrukcyje, wahaia zasilaia, ziekształceia przekazywaych sygałów, zużycie układu pomiarowego, wpływ otoczeia, ieprawidłowe iterpretacje wyików, błąd w odczycie. Szumem określamy sygał ie iosący użyteczej iformacji. Szumy mogą powstawać w elemecie pomiarowym, wówczas ulegają oe wzmocieiu we wzmaciaczach. Szumy mogą rówież powstawać w połączeiach pomiędzy czujikiem a wzmaciaczem lub wzmaciaczem a komputerem. Należą do ich sygały elektrycze, które powstają pomiędzy przewodami a izolacją w wyiku zjawisk elektrostatyczych i elektromagetyczych. Podstawową właściwością szumów jest wzmocieie ich razem z mierzoym sygałem. Czas reagowaia układu odgrywa istotą rolę w przypadku przebiegów sygałów, które zmieiają się w czasie p. w badaiach zmęczeiowych. Wskazaia sygału zależą od bezwładości układu. Reakcja czujika (p. siły, przemieszczeia uchwytu mocującego próbkę) w dowolej chwili jest rezultatem procesów poprzedich i aktualych. Wielkość mierzoa zależy ie tylko od rodzaju sygału, ale i od charakterystyk zmia tego sygału. W czasie przekazywaia sygału od czujika do komputera mogą astępować jego zmiay p. przez zakłóceia w sieci (spadek apięcia) bądź przez skażeie sygału a skutek rezoasu. W tych przypadkach sygał rejestroway p. przez komputer różi się od sygału mierzoego przez czujik. Zużycie elemetu pomiarowego także wpływa a wartości błędów. Przykładem jest stępieie końcówek ekstesometru mierzącego odkształceie w statyczej próbie rozciągaia i możliwe ich poślizgi czy też zmiaa oporu układu a skutek korozji. Wpływ ośrodka a układ pomiarowy związay może być z temperaturą, która zawsze wpływa a dokładość przyrządu (może wpłyąć a sztywość spręży, lepkość smaru w łożyskach, luzy w mechaizmach). Na dokładość przyrządu może mieć wpływ wilgotość, ciśieie czy też obecość kurzu w powietrzu. Błąd w odczycie i w iterpretacji daych są błędami subiektywymi. Zależą od osoby przeprowadzającej doświadczeie. Związae to może być z oczekiwaiem jakiegoś wyiku przez osobę dokoującą pomiarów. Należy też zwrócić uwagę a błąd paralaksy, który powstaje w przypadku, gdy dokoujemy odczytu pod kątem iym iż prosty do tarczy przyrządu p. przy odczycie wartości przemieszczeia przy wykorzystaiu czujika zegarowego (dotyczy to tylko takich urządzeń, gdzie sygał ie jest rejestroway w postaci cyfrowej). Zwykle rozróżiamy dwie klasy błędów: systematycze i przypadkowe. * Opracował: Robert Molasy

2 Błędy systematycze są to błędy powtarzające się w czasie kolejych doświadczeń. Zaliczamy do ich błędy wyikające z iedokładego wzorcowaia czujika lub jego zużycia. Błędu systematyczego ie możemy oszacować przez powtarzaie doświadczeia w idetyczych warukach. Zwykle dla oszacowaia tego rodzaju błędów stosuje się pomiary kalibrujące zaych przebiegów lub pomiary różymi przyrządami i przy zastosowaiu (jeśli jest to możliwe) różych metod. Błędy przypadkowe sa to błędy, których wielkości i zaku ie możemy przewidzieć. W czasie pomiarów wyiki zależą od wielu czyików, które azywamy parametrami pomiarów. W przypadku idealych pomiarów wartości parametrów są stałe i wtedy wielkość mierzoa jest określoa jedozaczie. Przy kolejym pomiarze parametry mogą ulec zmiaie a otrzymay wyik będzie się różił od poprzediego. Te iezae i iekotrolowae parametry oczywiście zmiejszają dokładość pomiarów. Jeśli założymy, że te parametry wpływają zawsze w podoby sposób, to dla wyzaczeia wartości oczekiwaej moża posłużyć się teorią prawdopodobieństwa. 4.. OCENA WYNIKÓW POMIARÓW Pomiar odbywa się przy użyciu przyrządów o określoej dokładości. Pomiary kilku wielkości iezależych używae są do wyzaczeia jedej, która as iteresuje. Przykładem może być wyzaczeie wytrzymałości a rozciągaie σ m lub wydłużeia względego A w statyczej próbie rozciągaia. W pierwszym przypadku grubość próbki okrągłej d 0 mierzymy mikrometrem z dokładością do setych milimetra d 0 = 0±0.0 (mm) a wartość siły F m z dokładością do 00 N F m = 80000±00 (N). Nomialy przekrój próbki wyosi S 0 = 78, (mm ), a omiala wartość σ m = 09 (MPa). Zakładając, że popełiamy ajwiększe możliwe błędy odczytów, otrzymujemy dwie skraje wartości wytrzymałości a rozciągaie: σ m (max) 8000 ( N ) 79800( N ) 06( MPa) = = 78, 9 ( mm ) σ m (mi) = 78, 66 = 0 ( mm ) ( MPa) różiące się od wartości omialej o σ m = 7 (MPa) oraz σ m = 4 (MPa). Pomiary były wykoae z dokładością do 0,9% dla przekroju próbki i 0,% dla wartości siły, a uzyskaliśmy wyik z miejszą dokładością, bo odpowiedio 0,69% dla σ m oraz 0,39% dla σ m. W drugim przypadku przy wyzaczaiu wydłużeia względego długość bazy pomiarowej L 0 oraz przyrost wydłużeia (przy wykorzystaiu ekstesometru) w czasie próby L mierzymy z dokładością do setych milimetra L 0 = 0±0,0 (mm) i L = 0±0,0 (mm). Nomiale wydłużeia względe wyosi 8

3 A 0 = 0%. Zakładając, że popełiamy ajwiększe możliwe błędy odczytów, otrzymujemy dwie skraje wartości wydłużeia względego: 0. 0 L = 00 0 (%) = 0, 03 (max) (%) 49, L = 00 0 (%) = 9, 97 (mi) (%) 0, 0 różiące się od wartości omialej o L 0 = 0,03 (%) oraz L 0 = 0,03 (%). Pomiary były wykoae z dokładością do 0,04% dla długości bazy i 0,% dla przyrostu wydłużeia. W tym przypadku także uzyskaliśmy wyik z miejszą dokładością, bo ok. 0,%. Takie szacowaie błędów pomiaru jest zbyt pesymistycze. Dla bardziej realistyczego oszacowaia błędów zostały opracowae specjale metody. 4.. SZACOWANIE BŁĘDÓW DLA POJEDYNCZEGO POMIARU Przy wykorzystaiu matematyczych metod opracowaia i aalizy wyików doświadczeia [] możemy przyjąć astępujące zasady postępowaia: a) błąd bezwzględy wielkości, która jest sumą algebraiczą wielu liczb przybliżoych, jest rówy sumie błędów bezwzględych jej poszczególych składików. Jeśli W = W + W W to W = W + W W (4.) Uwzględiając częściową kompesację błędów o różych zakach otrzymujemy: ( ) ( ) ( ) W W W = W... (4.) a) błąd względy przybliżoej wartości W azywamy stosuek błędu bezwzglę dego W do wartości bezwzględej liczby W: δw W = (4.3) W Błąd względy różicy liczb dodatich jest większy od błędów względych tych liczb, zwłaszcza gdy liczby te różią się bardzo mało między sobą. 9

4 Przykład 4. Jeśli W = W W, W = 0±0,, W = 40±0,4, to błędy względe tych liczb wyoszą δ W = δ W = %. Natomiast błąd względy różicy wyosi W δw = W + W W 0, + 04, 00 = 0 (%) 00( %) = 0( %) i jest dziesięć razy większy od błędów liczb W i. W przypadku, gdy wyik pomiarów jest fukcją zmieych iezależych podlegających możeiu lub dzieleiu, to błędy względe tych liczb się dodaje. Błąd względy wyrażeia W W... Wm f = (4.4) Z Z... Z ozacza się δf = δw + δw δw + δz + δz δz (4.) m Dla dużej liczby m+ czyików, uwzględiając kompesację błędów o różych zakach, możemy przyjąć: ( ) ( )... ( ) ( ) ( )... ( ) δf = δw + δw + + δw + δz + δz + + δz m (4.6) Rozpatrzmy dla przykładu wyzaczeie graicy wytrzymałości a rozciągaie σ m. Zakładając, iż wielkości zostały wyzaczoe z błędem względym δs 0 = 0,9% i δf m = 0,% oraz stosując wyrażeia (4.) i (4.6) odpowiedio otrzymamy: δf = δs0 + δf m = 0 4%, δ ( δ ) ( δ ) f = S0 + F m = 0. 38% Błąd bezwzględy fukcji zmieych f(w i ), i =,,...,, różiczkowalej w pewym obszarze, wywołay przez małe błędy argumetów oceiamy jako: Przykład 4. W W W W W W W W = W W (4.7) Metodę różiczki zupełej zastosujemy do wyzaczeia współczyika itesywości aprężeń K dla próbki trójpuktowo zgiaej. Przyjmijmy astę pujące dae: P max = MN, W = 0,0 m, B = 0,0 m, S = 0,08 m, f(a/w) =,663 i załóżmy, że zostały oe zmierzoe z dokładością %. Maksymale błędy 30

5 bezwzględe wyoszą: P max = ±4 0 6 N, W = ± 0 4 m, B = ±, 0 4 m, S = ±8 0 4 m, f(a/w) = ±0,0663. Współczyik itesywości aprężeń wyosi K = P S 6 a , 08 f =, 663 =, 09 MPa m 3 / BW W 3 / 00, 00, Pochode fukcji względem poszczególych zmieych wyoszą: K P = S B W a 008, f = W 00, 00, 3 / 3 /, 663 = 0, 4 K P a = f = S BW W 00, 00, 6 3 / 3 / 663, = 636, K P S , 08 = = = 79, 3 / 3 / f a W B W 00, 00, ( / ) K P S = B B W 6 a , 08 f =, 663 = 406, 0 W 00, 00, 3/ 3/ K P S 6 a = f = ,.. 08, 663 = 8, 7 / W B W W / 00, 00, Bezwzględa wartość błędu współczyika itesywości aprężeń wyzaczoa ze wzoru (4.7) wyosi: K K K K P S P S f a W f a W K B B K W W = + + ( / ) + + = ( / ) = 0, , ,09 + 0,09 + 0,3634,6 MPa m / Błąd względy wyosi: δk K 6, = 00 = 00 =, % K, 09 3

6 Powyższa metoda wyolbrzymia zaczeie błędów poszczególych pomiarów. W literaturze [] spotyka się ie metody, które uwzględiają kompesację poszczególych błędów. Wyzaczoa wartość błędu w oparciu o zależość (4.6) dla rozpatrywaego przypadku powyżej wyosi: K K K K K P S f P S f B B K = + W W = ( ) / 0.3 Mpa m / a błąd względy wyosi: δk K 03, = 00 = 00 =, % K, SZACOWANIE BŁĘDÓW DLA LICZNYCH POMIARÓW Do szacowaia błędów wyików uzyskaych a podstawie liczych pomiarów wykorzystuje się metody statystycze. Na podstawie ograiczoej liczby daych pozwalają oe określić wartość ajbardziej prawdopodobą szukaej wielkości oraz prawdopodoby błąd poszczególego pomiaru. Pojęcie statystyczej próby losowej jest podstawowym pojęciem statystyki matematyczej. Statystyka zajmuje się metodami opisu i aalizy liczbowych prawidłowości występujących w tzw. populacjach statystyczych, tj. zbiorowo ściach elemetów zróżicowaych ze względu a badae cechy. Statystycze badaia populacji dzielą się a pełe i częściowe. W odróżieiu od pełych badaia częściowe obejmują pewą określoą część populacji zwaą próbą (próbką). Wyiki wchodzące do próby będziemy azywać elemetami próby,a liczbę tych elemetów liczebością (liczością) próby. Potrzeba stosowaia badań częściowych wyika z astępujących przyczy: a) populacja statystycza jest ieskończoa lub bardzo duża, b) badaie poszczególego elemetu jest zawsze iszczące, c) badaie poszczególego elemetu jest kosztowe, d) istieje potrzeba zbadaia populacji w bardzo krótkim czasie. W przypadku, gdy próba jest mała, tz. gdy jej liczebość wyosi kilka lub kilkaaście to wyiki próby prezetuje się zazwyczaj w postaci wektora wierszowego liczb (x, x,..., x ). Dla dużej próby ( kilkadziesiąt lub więcej) taki długi wierszowy wektor wyików próby wygodie jest pogrupować (według wielkości) w pewe klasy, tworząc tzw. szereg rozdzielczy. Szereg rozdzielczy otrzymuje się z pojedyczych wyików próby przez zaliczeie ich do przyjętych klas wielkości 3

7 (lub przedziałów) i podaie liczości odpowiadającej każdej klasie. Prezetacja wyików dużej próby za pomocą szeregu rozdzielczego ma postać tablicy o dwóch kolumach. Pierwszą kolumą w tablicy są wartości badaej cechy pogrupowae w k klas, a drugą kolumą są liczebości j zaobserwowaych w próbie wyików ależących do poszczególych klas o umerze j (j =,,..., k). Tak więc szereg rozdzielczy wyików próby ma postać: x j j [x 0j, x j ) j x x... x k... k lub x o x x o x... x ok x k... k Pierwsza postać szeregu rozdzielczego dotyczy przypadku cechy skokowej, a druga cechy ciągłej. W przypadku cechy ciągłej zaleca się tak podzielić cały zakres zmieości, by liczba k klas (przedziałów klasowych) ie była zbyt mała ai zbyt duża (zwykle k ). Przykład szeregu rozdzielczego wyików próby = 40 próbek badaych ze względu a twardość HRC: [x 0j, x j ) j Szereg rozdzielczy wyików próby azywa się często rozkładem empiryczym, gdyż moża z iego uzyskać rozkład procetowy (tzw. rozkład częstości) wyików próby rozdzieloych a k klas. Jak rówież tzw. szereg skumulowaych liczebości, który jest podstawą tzw. dystrybuaty empiryczej określaej jako: F x ( ) r = r j j= dla r =,,..., k (4.8) Dla podaego powyżej przykładu szeregu rozdzielczego próby = 40 próbek, rozkład empiryczy (częstości) i jego dystrybuata empirycza są astępujące: 33

8 j x j j / F (x j ) ,00 0,00 0,40 0,7 0, 0,00 0,0 0,700 0,87,000 Prezetacja wyików próby może poadto mieć postać graficzą. Dla cechy skokowej szereg rozdzielczy może być podstawą wykresu statystyczego zwaego wielobokiem liczebości, który jest graficzym obrazem empiryczego rozkładu cechy skokowej (rys. 4.a). Szereg graficzy wyików próby dla cechy ciągłej graficzie przedstawia się w postaci wykresu statystyczego zwaego histogramem. Jest to wykres w kształcie prostokątów dla poszczególych przedziałów klasowych w te sposób, że wysokość każdego prostokąta jest wprost proporcjoala do licze bości j elemetów daej j tej klasy. Łącząc odcikami środki górych podstaw prostokątów histogramu moża zbudować wykres zway diagramem (rys. 4.b). Rys. 4.. Graficza prezetacja wyików próby: a) wielobok liczebości, b) histogram i diagram Podstawą wioskowaia o populacji a podstawie wyików próby są wartości pewych charakterystyk próby, zwaych statystykami z próby. Jeżeli elemetową próbę (losową) ozaczymy jako wektor losowy przez X = (X, X,..., X ), a realizację próby (wektor liczbowych wyików próby) przez x = (x, x,..., x ), to statystyką Z azywamy dowolą, byle o wartościach rzeczywistych fukcję próby X, tz. Z = g(x). 34

9 Dla różych celów i rodzajów wioskowaia z próby o populacji posługujemy się w statystyce matematyczej różymi statystykami. Wygodie jest podzielić statystyki z próby a: miary skupieia (tedecja cetrala), miary rozproszeia (rozrzut, dyspersja), miary współzależości (korelacja). o Do miar skupieia wyików próby zaliczamy takie statystki jak momety z próby (przede wszystkim średia arytmetycza) i iektóre statystyki pozycyje (mediaa, kwartyle). Statystykę zwaą mometem zwykłym rzędu r z próby określamy jako A r r = X = X r i (4.9) Najczęściej używaym w praktyce statystyczej mometem z próby jest średia arytmetycza, którą określamy jako A = X = X i (4.0) Średia arytmetycza jest podstawą wioskowaia o wartości oczekiwaej (średiej) rozkładu populacji. Dla kokretych wyików próby x = (x, x,..., x ) wartość statystyki X, tj. średiej arytmetyczej z próby, oblicza się zwykle jako x = x i (4.) Dla dużych prób, których wyiki pogrupowae są w szereg rozdzielczy 0 o k klasach, których środkami są liczby x j a liczebościami j, wartość średiej arytmetyczej z próby wygodie jest obliczać jako średią ważoą środków klas: x = k 0 j j= x j (4.) Wartość średiej arytmetyczej według powyższego wzoru dla wyików = 40 elemetów pogrupowaych w szereg rozdzielczy zawartych w poiższej tabeli wyosi: 0 06 x = x j j = 6, j= 3

10 [x 0j, x j ) j x j ,, 6, 7, 8, 0 x j j , 4, Σ 40 06,0 Ważą własością wartości średiej arytmetyczej jest, że suma odchyleń od iej dla wszystkich wyików x i w próbie wyosi zero: ( i ) x x = x x= x x = 0 i i Jako miary tedecji cetralej empiryczego rozkładu uzyskaego w próbie występują też (zwłaszcza dla małych prób) tzw. statystyki pozycyje. Przed określeiem statystyk pozycyjych wyiki ależy uporządkować w iemalejący ciąg liczb x x... x Statystyką pozycyją rzędu r azywamy taką zmieą losową, której wartości zajmują r te miejsce w uporządkowaym, iemalejącym ciągu wyików elemetowej próby. Liczbę r azywamy rzędem lub ragą statystyki pozycyjej ( ) ( Z r. Na przykład Z ) jest statystyką pozycyją rzędu (lub pierwszą) o warto ściach ajmiejszych w elemetowej próbie. ( ) Szczególie ważą rolę odgrywa statystyka pozycyja dla parzystej liczby obserwacji lub ( ) Z( +)/ i Z / ( ) Z r dla ieparzystej liczby obserwacji w próbie. Jest to środkowa statystyka pozycyja zwaa mediaą z próby (kwatyl z próby rzędu /). Mediaę z próby ozaczamy przez me. Mediaa z próby ma szczególe zastosowaie dla małych prób. W dużej próbie, pogrupowaej w szereg rozdzielczy, wartość mediay z próby wyzaczamy jako gdzie: r m x 0m m h h me = x0m + m umer przedziału klasowego, w którym zajduje się me, początek przedziału klasowego, w którym zajduje się me, liczebość przedziału r m, w którym zajduje się me, rozpiętość (długość) przedziałów klasowych. 36 r m j= j (4.3)

11 Przykład 4.3 Wyiki próby = elemetowej są astępujące: 00, 00, 00, 080, 060 Po uporządkowaiu w ciąg malejący otrzymujemy: 00, 00, 060, 080, 00. ( ) ( ) Zatem wartość mediay z próby wyosi me = Z = Z = 060. Przykład 4.4 mamy ( + )/ Dla wyików próby = 40 pogrupowaych w szereg rozdzielczy j [x 0j, x j ) j i j j j= / = 0, r m = 3, x 0m = 6, m = 8, h =, = 0 Wartość mediay wyosi: me = 6 + /8 (0 0) = 6, o Najczęściej używaymi statystykami z próby jako miara rozproszeia (rozrzutu) wyików z próby są: rozstęp, wariacja z próby, odchyleie stadardowe z próby, współczyik zmieości z próby. a) rozstęp jako miara rozrzutu wyików z próby używay jest jedyie dla ma łych prób i określoy jest za pomocą pierwszej i ostatiej statystyki pozycyjej jako: ( ) ( ) R = Z Z = Xmax Xmi (4.4) b) podstawową miarą rozrzutu wyików próby jest wariacja z próby S i arytmetyczy pierwiastek kwadratowy z wariacji, tj. odchyleie stadardowe z próby S, które określamy jako: r m ( Xi X) S = S = = Xi X (4.) Dla małych prób używa się astępującego wzoru: 37

12 S ( Xi X) = S = (4.6) Dla dużych prób, których wyiki pogrupowae są w szereg rozdzielczy o k klasach, których środkami są liczby, wartość s wariacji z próby oblicza się ze wzoru: s k 0 x j 0 ( j ) = x x j (4.7) j= Od wartości tej zaleca się odejmowaie tzw. poprawki a grupowaie, tj. liczby /h w przypadku bardzo małej liczby przedziałów, blisko. c) współczyik zmieości w próbie określa się jako V S = (4.8) X Jest to względa (iemiaowaa) miara rozrzutu wyików z próby. Przykład 4. Dla wyików próby = 7 x i Σ = 730 (xi x) Σ = 6400 obliczamy: 730 R = = 90, x = = 00, s = = 94, 3 s = s = 7 30, s = = 066, 7 s = s = 6 s v = x = 30, 4 00 = 003,, 3, 66 38

13 W przypadku, gdy mamy do czyieia z wielkościami o różym rzędzie wielkości p. graica plastyczości i wydłużeie względe, jedakowy względy rozrzut wyików obu wielkości ozacza jedakową ich regularość w czasie doświadczeń. Im miejsza wartość rozstępu, odchyleia stadardowego i wspóczyika zmieości to wyzaczae wielkości cechują się większą dokładością. Przykład 4.6 Dla wyików próby = 40 pogrupowaych w szereg rozdzielczy obliczamy: [x 0j, x j ) j x j ( xj x) ( j ) ,, 6, 7, 8, 4,4, 0,0 0,8 3,6 x x 8,8 9,68 0,8,67 8,0 Σ 40 4,40 j s = =, 06 0, 083 = 0, 977 s = 0977, = 0988, 40 3 o Najczęściej używaą statystyką z próby jako miarą korelacji w dwuwymiarowym rozkładzie empiryczym jest tzw. współczyik korelacji z próby, którego wartość obliczamy jako: r = ( xi x)( yi y) ( xi x)( yi y) s x s y = ( xi x) ( yi y) (4.9) Wartość r spełia ierówość r. W przypadku dużej próby z dwuwymiarowej populacji pogrupowae w tablicę korelacyją to wartość współczyika korelacji z próby obliczamy ze wzoru: 39

14 r = k l j= 0 0 ( i )( j ) x x y y s x s y ij (4.0) gdzie: ij liczebość w kratkach tablicy korelacyjej dla i =,,..., k oraz j =,,..., l. Przykład 4.7: Dla wyików pogrupowaych w tabeli korelacyjej x j y i x x i y y ,6 3,6 0,4, 4,4 i ( xi x)( yi y) ( xi x) 3,,8 3,8 7, 0,8 8,3 0,88, 0,8 3, 6,76,96 0,6, 9,36 ( yi x) 0,4 33,64 4,44,84 0,64 Σ = 3 Σ = 9 Σ =,36 Σ = 4,49 Σ = 0,8 3 obliczamy: x = = 9 46, y = = 38, r =, 36 4, 49 0, 8 = 037, Statystyką wyrażającą w dwuwymiarowym rozkładzie empiryczym fukcję liiowej regresji Y względem X opisujemy gdzie współczyik liiowej regresji z próby wyosi b = y = bx+ a (4.) ( xi x)( yi y) ( xi x) y = r s s x (4.) atomiast a = y b x (4.3) Dla przykładu 4.7 : b =, 36 = 06, 4, 49 a = 3, 8 + 0, 6 4, 6 = 34, 6 40

15 a fukcja regresji liiowej z próby ma postać: y = 06, x + 346, Należy pamiętać, że po obliczeiu wyików z próby jakiejkolwiek statystyki, iż ta statystyka jest zmieą losową o określoym rozkładzie prawdopodobień stwa. Dlatego też wioskowaie z wartości statystyki otrzymaej z wyików jedej kokretej próby ależy opierać a rozkładzie prawdopodobieństwa tej statystyki ZNACZĄCE CYFRY W WYNIKACH POMIARÓW W czasie opracowywaia wyików ależy dbać, by zarejestrowae cyfry zawierały wszystkie otrzymae iformacje. Odrzucić atomiast ależy te wszystkie cyfry, które przy daej metodzie pomiarów ie iosą iformacji. Pomiaru ie moża uzać za zakończoy, jeśli ie przeprowadzoo ocey dokładości pomiaru. Wartość pracy eksperymetatora zaczie maleje, jeśli zaokrąglając wyiki liczbowe gubi iformacje otrzymae w wyiku pomiarów potrzebe do wyzaczeia dokładości pomiarów. Nie ma ogólej reguły, moża atomiast przyjąć, że ostatia cyfra wyiku liczbowego powia wyrażać wahaia poszczególych pomiarów. Zaokrąglając wyiki, ależy ostatią z pozostających cyfr zwiększyć o jedość, jeśli pierwsza z odrzucoych cyfr jest rówa lub większa od. Jeśli odrzucoa cyfra jest miejsza od to pozostawimy ostatią zaczącą cyfrę ie zmieioą, p. jeśli wartość 0, zaokrąglać do trzech zaczących cyfr, ależy pozostawić 0,. Wartość 0,48 zaś zaokrąglamy 0,. Gdy odrzucoa cyfra była bez cyfr dalszych, często pozostałość zaokrągla się do ajbliższej liczby parzystej, p. 0,3 do 0,4 a 0, do 0,. Możąc lub dzieląc powiiśmy zachowywać jedyie te cyfry, których dokładość odpowiada dokładości składików. Iloczy 3,4 i, ależy zapisać jako 3, = 7, gdyż możik, jest poday z dokładością %, dlatego możik 3,4 też ależy rozpatrywać z taką dokładością. Przy dodawaiu postępujemy w podoby sposób tz. 4,4 + 3,03 ależy zapisać 4,4 + 3, = 7,6 4

16 Literatura. RUMSZYSKI L. Z.: Matematycze opracowaie wyików eksperymetu. Warszawa: WNT 973. GREŃ J.: Statystyka matematycza. Warszawa: PWN DIETRICH M.: Podstawy kostrukcji maszy, tom. Warszawa: PWN 986 4

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

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

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

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

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

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

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

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: STATYSTYKA OPISOWA PODSTAWOWE WZORY Q i = x lmi + i mi 1 4 j h m i mi x = 1 x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału

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

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym)

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych (w zakresie materiału przedstawionego na wykładzie organizacyjnym) Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych (w zakresie materiału przedstawioego a wykładzie orgaizacyjym) Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

STATYSTYKA OPISOWA PODSTAWOWE WZORY MIARY POŁOŻENIA Średia Dla daych idywidualych: x = 1 STATYSTYKA OPISOWA PODSTAWOWE WZORY x i x = 1 i ẋ i gdzie ẋ i środek i-tego przedziału i liczość i- tego przedziału Domiata (moda Liczba ajczęściej

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

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

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

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

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia

Plan wykładu. Analiza danych Wykład 1: Statystyka opisowa. Literatura. Podstawowe pojęcia Pla wykładu Aaliza daych Wykład : Statystyka opisowa. Małgorzata Krętowska Wydział Iformatyki Politechika Białostocka. Statystyka opisowa.. Estymacja puktowa. Własości estymatorów.. Rozkłady statystyk

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

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

POMIARY WARSZTATOWE. D o u ż y t k u w e w n ę t r z n e g o. Katedra Inżynierii i Aparatury Przemysłu Spożywczego. Ćwiczenia laboratoryjne

POMIARY WARSZTATOWE. D o u ż y t k u w e w n ę t r z n e g o. Katedra Inżynierii i Aparatury Przemysłu Spożywczego. Ćwiczenia laboratoryjne D o u ż y t k u w e w ę t r z e g o Katedra Iżyierii i Aparatury Przemysłu Spożywczego POMIARY WARSZTATOWE Ćwiczeia laboratoryje Opracowaie: Urszula Goik, Maciej Kabziński Kraków, 2015 1 SUWMIARKI Suwmiarka

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

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

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem

d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)

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

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych

Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Podstawy opracowaia wyików pomiarów z elemetami aalizepewości pomiarowych w zakresie materiału przedstawioego a wykładzie orgaizacyjym Pomiary Wyróżiamy dwa rodzaje pomiarów: pomiar bezpośredi, czyli doświadczeie,

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

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

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny

Ćwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości

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

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

Podstawowe pojęcia. Próba losowa. Badanie próby losowej

Podstawowe pojęcia. Próba losowa. Badanie próby losowej METODY PROBABILISTYCZNE I STATYSTYKA WYKŁAD 8: STATYSTYKA OPISOWA. ROZKŁADY PRAWDOPODOBIEŃSTWA WYSTĘPUJĄCE W STATYSTYCE. Małgorzata Krętowska Wydział Iforatyki Politechika Białostocka Podstawowe pojęcia

Bardziej szczegółowo

a n 7 a jest ciągiem arytmetycznym.

a n 7 a jest ciągiem arytmetycznym. ZADANIA MATURALNE - CIĄGI LICZBOWE - POZIOM PODSTAWOWY Opracowała mgr Dauta Brzezińska Zad.1. ( pkt) Ciąg a określoy jest wzorem 5.Wyzacz liczbę ujemych wyrazów tego ciągu. Zad.. ( 6 pkt) a Day jest ciąg

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

Laboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1

Laboratorium Sensorów i Pomiarów Wielkości Nieelektrycznych. Ćwiczenie nr 1 1. Cel ćwiczeia: Laboratorium Sesorów i Pomiarów Wielkości Nieelektryczych Ćwiczeie r 1 Pomiary ciśieia Celem ćwiczeia jest zapozaie się z kostrukcją i działaiem czujików ciśieia. W trakcie zajęć laboratoryjych

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

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

Histogram: Dystrybuanta:

Histogram: Dystrybuanta: Zadaie. Szereg rozdzielczy (przyjmujemy przedziały klasowe o długości 0): x0 xi i środek i*środek i_sk częstości częstości skumulowae 5 5 8 0 60 8 0,6 0,6 5 5 9 0 70 7 0,8 0, 5 5 5 0 600 0, 0,6 5 55 8

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

Opracowanie danych pomiarowych. dla studentów realizujących program Pracowni Fizycznej

Opracowanie danych pomiarowych. dla studentów realizujących program Pracowni Fizycznej Opracowaie daych pomiarowych dla studetów realizujących program Pracowi Fizyczej Pomiar Działaie mające a celu wyzaczeie wielkości mierzoej.. Do pomiarów stosuje się przyrządy pomiarowe proste lub złożoe.

Bardziej szczegółowo

Parametryzacja rozwiązań układu równań

Parametryzacja rozwiązań układu równań Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie

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

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

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

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11 RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest

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

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

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

a 1, a 2, a 3,..., a n,...

a 1, a 2, a 3,..., a n,... III. Ciągi liczbowe. 1. Defiicja ciągu liczbowego. Defiicja 1.1. Ciągiem liczbowym azywamy fukcję a : N R odwzorowującą zbiór liczb aturalych N w zbiór liczb rzeczywistych R i ozaczamy przez { }. Używamy

Bardziej szczegółowo

Wykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy

Wykład 1. Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Wykład Podstawowe pojęcia Metody opisowe w analizie rozkładu cechy Zbiorowość statystyczna - zbiór elementów lub wyników jakiegoś procesu powiązanych ze sobą logicznie (tzn. posiadających wspólne cechy

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

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic). Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic

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

O liczbach naturalnych, których suma równa się iloczynowi

O liczbach naturalnych, których suma równa się iloczynowi O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą

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

STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych;

STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; STATYSTYKA OPISOWA Przykłady problemów statystycznych: - badanie opinii publicznej na temat preferencji wyborczych; - badanie skuteczności nowego leku; - badanie stopnia zanieczyszczenia gleb metalami

Bardziej szczegółowo

Ekonometria Mirosław Wójciak

Ekonometria Mirosław Wójciak Ekoometria Mirosław Wójciak Literatura obowiązkowa Barczak A, ST. Biolik J, Podstawy Ekoometrii, Wydawictwo AE Katowice, Katowice 1998 Dziechciarz J. Ekoometria Metody, przykłady, zadaia (wyd. ) Kukuła

Bardziej szczegółowo

Zeszyty naukowe nr 9

Zeszyty naukowe nr 9 Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę

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

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

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

40:5. 40:5 = 500000υ5 5p 40, 40:5 = 500000 5p 40.

40:5. 40:5 = 500000υ5 5p 40, 40:5 = 500000 5p 40. Portfele polis Poieważ składka jest ustalaa jako wartość oczekiwaa rzeczywistego, losowego kosztu ubezpieczeia, więc jest tym bliższa średiej wydatków im większa jest liczba ubezpieczoych Polisy grupuje

Bardziej szczegółowo

Jarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.

Jarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi. Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe

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

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =

Teoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i = Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka

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

( ) WŁASNOŚCI MACIERZY

( ) WŁASNOŚCI MACIERZY .Kowalski własości macierzy WŁSNOŚC MCERZY Własości iloczyu i traspozycji a) możeie macierzy jest łącze, tz. (C) ()C, dlatego zapis C jest jedozaczy, b) możeie macierzy jest rozdziele względem dodawaia,

Bardziej szczegółowo

WERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa

WERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut

Bardziej szczegółowo

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz

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

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

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

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

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

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

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

Niepewności pomiarowe

Niepewności pomiarowe Niepewości pomiarowe Obserwacja, doświadczeie, pomiar Obserwacja zjawisk fizyczych polega a badaiu ych zjawisk w warukach auralych oraz a aalizie czyików i waruków, od kórych zjawiska e zależą. Waruki

Bardziej szczegółowo

Niepewność pomiaru. Wynik pomiaru X jest znany z możliwa do określenia niepewnością. jest bledem bezwzględnym pomiaru

Niepewność pomiaru. Wynik pomiaru X jest znany z możliwa do określenia niepewnością. jest bledem bezwzględnym pomiaru iepewność pomiaru dokładność pomiaru Wynik pomiaru X jest znany z możliwa do określenia niepewnością X p X X X X X jest bledem bezwzględnym pomiaru [ X, X X ] p Przedział p p nazywany jest przedziałem

Bardziej 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

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

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień. Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak

Bardziej szczegółowo

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO

ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia

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

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

Materiały do wykładu 4 ze Statystyki

Materiały do wykładu 4 ze Statystyki Materiały do wykładu 4 ze Statytyki CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (dok.) 1. miary położeia - wykład 2 2. miary zmieości (dyperji, rozprozeia) - wykład 3 3. miary aymetrii (kośości) 4.

Bardziej szczegółowo

2. ANALIZA BŁĘDÓW I NIEPEWNOŚCI POMIARÓW

2. ANALIZA BŁĘDÓW I NIEPEWNOŚCI POMIARÓW . ANALIZA BŁĘDÓW I NIEPEWNOŚCI POMIARÓW Z powodu iedokładości przyrządów i metod pomiarowych, iedoskoałości zmysłów, iekotrolowaej zmieości waruków otoczeia (wielkości wpływających) i iych przyczy, wyik

Bardziej szczegółowo

5. Zasada indukcji matematycznej. Dowody indukcyjne.

5. Zasada indukcji matematycznej. Dowody indukcyjne. Notatki do lekcji, klasa matematycza Mariusz Kawecki, II LO w Chełmie 5. Zasada idukcji matematyczej. Dowody idukcyje. W rozdziale sformułowaliśmy dla liczb aturalych zasadę miimum. Bezpośredią kosekwecją

Bardziej szczegółowo

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi

Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1

Bardziej szczegółowo

Wyższe momenty zmiennej losowej

Wyższe momenty zmiennej losowej Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla

Bardziej szczegółowo

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33

Statystyka. Wykład 4. Magdalena Alama-Bućko. 19 marca Magdalena Alama-Bućko Statystyka 19 marca / 33 Statystyka Wykład 4 Magdalena Alama-Bućko 19 marca 2018 Magdalena Alama-Bućko Statystyka 19 marca 2018 1 / 33 Analiza struktury zbiorowości miary położenia ( miary średnie) miary zmienności (rozproszenia,

Bardziej szczegółowo

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

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

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń MIANO ROZTWORU TITRANTA Aaliza saysycza wyików ozaczeń Esymaory pukowe Średia arymeycza x jes o suma wyików w serii podzieloa przez ich liczbę: gdzie: x i - wyik poszczególego ozaczeia - liczba pomiarów

Bardziej szczegółowo

Analiza matematyczna. Robert Rałowski

Analiza matematyczna. Robert Rałowski Aaliza matematycza Robert Rałowski 6 paździerika 205 2 Spis treści 0. Liczby aturale.................................... 3 0.2 Liczby rzeczywiste.................................... 5 0.2. Nierówości...................................

Bardziej szczegółowo

Chemia Teoretyczna I (6).

Chemia Teoretyczna I (6). Chemia Teoretycza I (6). NajwaŜiejsze rówaia róŝiczkowe drugiego rzędu o stałych współczyikach w chemii i fizyce cząstka w jedowymiarowej studi potecjału Cząstka w jedowymiarowej studi potecjału Przez

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

ELEKTROTECHNIKA I ELEKTRONIKA

ELEKTROTECHNIKA I ELEKTRONIKA NIWERSYTET TECHNOLOGICZNO-PRZYRODNICZY W BYDGOSZCZY WYDZIAŁ INŻYNIERII MECHANICZNEJ INSTYTT EKSPLOATACJI MASZYN I TRANSPORT ZAKŁAD STEROWANIA ELEKTROTECHNIKA I ELEKTRONIKA ĆWICZENIE: E13 BADANIE ELEMENTÓW

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

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu

Bardziej szczegółowo