OGÓLNE SFORMUŁOWANIE ZADANIA IDENTYFIKACJI NIELINIOWEGO MODELU DYNAMICZNEGO

Wielkość: px
Rozpocząć pokaz od strony:

Download "OGÓLNE SFORMUŁOWANIE ZADANIA IDENTYFIKACJI NIELINIOWEGO MODELU DYNAMICZNEGO"

Transkrypt

1 acta mechaca et automatca, vol.3 o.2 (2009) OGÓLNE SFORMUŁOWANIE ZADANIA IDENTYFIKACJI NIELINIOWEGO MODELU DYNAMICZNEGO Zbgew DĄBROWSKI * Wydzał Samochodów Maszy Roboczych, Istytut Podstaw Budowy Maszy, Poltechka Warszawska, Gmach Samochodów Cągków, ul. L. Narbutta 84, Warszawa zdabrow@smr.pw.edu.pl Streszczee: W pracy przedyskutowao tezę, że elowy model dyamczy może być zdetyfkoway z ależytą dokładoścą przy wykorzystau koherecyjej techk pomaru elowego zaburzea. W efekce zapropoowao metodykę postępowaa.. WSTĘP Zadae detyfkacj modelu dyamczego zostało sformułowae w sposób formaly mej węcej w tym samym czase, gdy formułowao zadae optymalzacj było traktowae jako waruek adrzędy by model mógł staowć podstawę poszukwaa rozwązań optymalych. W czasach gdy rozwązae układu klku rówań różczkowych staowło stoty problem oblczeowy, co powodowało w aturaly sposób dążość do przyjmowaa model o jak ajbardzej uproszczoej strukturze, potrzeba dopasowywaa model do rzeczywstośc wydawała sę oczywsta. Ogromy rozwój metod oblczeowych co za tym dze łatwość rozwązywaa złożoych zadań oraz techk modelowaa, w których e wdać w sposób jawy rówań ruchu, spowodowały zjawsko wtórego aalfabetyzmu w tej dzedze. W welu kręgach pauje przekoae, że rozbudowae modelu dyamczego do setek czy tysęcy stop swobody gwaratuje a tyle dużą dokładość, że komputer mus wygeerować poprawe rozwązae jeśl tylko sam proces modelowaa późejszych symulacj przeprowadzoo z ależytą staraoścą. Tymczasem c bardzej błędego. Sama łatwość rozbudowaa modelu do ggatyczych rozmarów e zapewa jeszcze dokładośc wyjąwszy pewe proste, welokrote sprawdzoe przypadk, każdy model dyamczy we być ajperw dopasoway do rzeczywstośc zam stae sę podstawą do woskowaa. Z drugej stroy rozwój techk oblczeowych metod obserwacj (aalzy sygałów) pozwala próbować rozwązać zadaa, które w ujęcu klasyczym traktowao jako erozwązywale (tak zwae odwrote zadae detyfkacj strukturalej). Aby jaso pokazać problem wróćmy do podstaw. Sam term detyfkacja, czyl wg słowka utożsamee stał sę ostato a tyle mody często używay w opracowaach aukowo-techczych, że wymaga powtórego zowaa. W potoczym rozumeu tego słowa detyfkować moża wszystko. Mówmy często o detyfkacj zjawsk, procesów czy obektów, rozumejąc po tym pojęcem przypsywae przedmotow detyfkacj dostateczego zboru cech, by został jedozacze wyróżoy. Zdetyfkować moża róweż pojęca abstrakcyje, p. zdetyfkować problem, trudośc, tp. Często, choć mej precyzyje używa sę róweż określea detyfkacja jako syom słowa rozpozae. Chcąc uścślć pojęce zauważmy, że w każdym z wymeoych przypadków chodz o zakwalfkowae pewego elemetu lub podzboru elemetów zboru A do klasy a jake te zbór podzeloo. W dalszym cągu będzemy używać pojęca detyfkacja w rozumeu termu detyfkacja modelu matematyczego, które to pojęce w sposób opsowy moża zować astępująco (Baek, 990; Gergel Uhl, 990): Idetyfkacją modelu matematyczego azywamy wszelke dzałaa, w wyku których propooway model matematyczy odpowada rzeczywstośc (obserwacj) w sese jakoścowym loścowym zgode z przyjętym kryteram, zachowuje tę odpowedość przy przewdywaym zakrese dopuszczalych zma, to zaczy pozwala a woskowae o aktuale obserwowaym fragmece rzeczywstośc z zadaą dokładoścą. Rys.. Proces detyfkacj modelu dyamczego Idetyfkacja modelu może być przeprowadzoa wg pewych procedur formalych. Może róweż ograczyć sę do sprawdzea (porówaa) rezultatów oblczeń modelowych z wykam obserwacj określee a tej podstawe przedzałów warygodośc modelu. 3

2 Zbgew Dąbrowsk Ogóle sformułowae zadaa detyfkacj elowego modelu dyamczego Isteje dużo model, które zostały zdetyfkowae przez welolete badaa przyjmowae są jako bezdyskusyje poprawe. Nadajemy m ragę praw lub zasad fzyczych. W modelowau układów złożoych staową oe ezmek w przyjętych formalzmach detyfkacyjych. Poglądową lustrację procesu detyfkacj modelu dyamczego przedstawa rysuek. Spróbujmy obece zadae detyfkacj sformułować ścślej (Baek, 990; Dąbrowsk, 992). Bez względu a to, czy celem ostateczym jest dopasowae modelu do rzeczywstośc, czy ocea zakresów zgodośc, podstawą wszelkch formalzmów jest relacja sygał model. 2. RELACJA SYGNAŁ MODEL Załóżmy, że model day jest układem rówań różczkowych zwyczajych II rzędu: ( t x : Mx + Cx + Kx= P( t) + N( x, x )), () gdze ozaczoo odpowedo: x wektor rozwązań układu rówań różczkowych (przy założeu, że rozwązaa te steją), M, C, K macerze bezwładośc, tłumea sztywośc, P macerz wymuszeń, N macerz elowych zaburzeń sztywośc tłumea. Obserwoway a obekce rzeczywstym sygał jest w ogólośc procesem losowym, często z wyraźe wdoczym składowym zdetermowaym. Na ogół przyjmuje sę, że proces te zależy od dwu zmeych czasowych t czasu obserwacj θ czasu życa maszyy oraz egzemplarza, co uwdoczamy zmeą puktu przyłożea perceptora (przetworka pomarowego), które to położee opsujemy współrzędą (wektorem współrzędych) r. Poeważ zależy am z reguły a detyfkacj pewych własośc modelu, a e dokładośc dealej e berzemy całego sygału, lecz jego wyekstrahowaą (wyselekcjoowaą) część, co możemy formale uwdoczć ując operator selekcj S t otrzymując tym samym zależość: y = S { y( t, θ,, r)}, (2) t gdze odpowedo ozaczoo: {y} obserwoway welowymarowy proces losowy formale z ałożoym jedye warukem ograczoośc; t czas obserwacj (czas dyamczy) względem czasu obserwacj ajczęścej stawamy waruek stacjoarośc co za tym dze ergodyczośc. Ne jest o jedak koeczy. Coraz wększą popularość zdobywają sobe skutecze metody aalzy procesów estacjoarych ewątplwe ad wyraz użytecze w zadaach dagostyczych; θ czas życa (czas ewolucyjy) prawo do ezależego traktowaa dwu zmeych czasowych daje am założeeθ t. Rzędy welkośc θ t są a tyle róże, że zmay procesu opsae w fukcj zmeej ewolucyjej są eobserwowale w czase t. Założee o ezależośc obu zmeych pozwala a pomęce w opse ewolucj zadaa drgań parametryczych. Na ogół zakłada sę, że w fukcj θ proces staow słabą regresję (lową lub elową); r wektor współrzędych (umowe współrzęda) puktu, w którym dokoujemy obserwacj. Ze względu a subektywy wybór puktów pomarowych stawa sę postulat, by dla każdej zmeej r stał przedzał (otoczee puktu pomarowego), w którym proces jest słabozmey (m słabej tym lepej) ze względu a powtarzalość obserwacj; zmea ozaczająca wyróżk (umer) badaego egzemplarza z populacj kostrukcj uzaych za tożsame. Rozkład prawdopodobeństwa względem tej zmeej jest stotym parametrem warygodośc dagozy, gdy opracowujemy wspóly test dla grupy urządzeń. Oczywśce zmea ta e występuje, gdy dagozujemy obekt pojedyczy dyspoując zdetyfkowaym modelem. W ogólośc aalza zachowaa sę procesu w fukcj zmeej pozwala a dopasowae ( dostrojee ) uwersalego systemu motorującego (dagozującego) do aktuale testowaego egzemplarza; S t operator selekcj w dzedze czasu, zawerający w sobe operator ekstrakcj, czasem predykcj, ajczęścej róweż uśredaa welu ych zabegów zmerzających do wydobyca z sygału użyteczej formacj. Dzałae tego operatora bywa często azywae preprocessgem ; y wyselekcjoowaa część sygału {y( )}. Tak wyselekcjooway sygał chcemy obece porówać z modelem matematyczym. Na wstępe występują dwe zasadcze trudośc. Po perwsze wyjścem modelu dyamczego rzadko kedy bywa proces w pukce obserwacj. Wektor współrzędych uogóloych x dotyczy pewych mej lub bardzej abstrakcyjych przemeszczeń wybraych puktów układu (p. środków mas). Obserwujemy zaś a ogół część maszyy możlwą do obserwacj spełającą założea opsae przy podawau założeń dotyczących rejestrowaego procesu. Musmy, węc przebeg odpowadający obserwowaemu ajzwyczajej polczyć. Druga trudość polega a koeczośc porówaa procesu, który zawsze jest co ajmej zakłócoy losowo z rozwązaem modelu, który może być zdetermoway. Możlwe są dwe drog. Albo uwzględć ależy w modelu proces losowy, albo welkość obserwowaą sprowadzć do odpowedej zdetermowaej charakterystyk. Najproścej wyrazć to zależoścą: S t{ y (...)} = T x, (3) gdze T ozacza operator trasformacj rozwązań modelu x do postac umożlwającej porówae. Nezależe od tego czy operator T zawera zakłócea losowe wyków modelu zdetermowaego, czy operator St sprowadza obserwoway sygał do uśredoej charakterystyk, powśmy wprowadzć jeszcze do rówaa zmee Ψ, ozaczające zawsze występujący szum pomarowy oraz dopuszczaly błąd modelu, który ozaczymy δ. Żade model bowem e opsuje rzeczywstośc w sposób dealy. Poadto aby w ogóle było możlwe porówae, wyselekcjoowae częśc sygałów trasformowae rezultaty oblczeń modelowych muszą tworzyć przestrzeń metryczą (lub chocaż uormowaą, by możlwa była jakaś forma herarchzacj). Gdy waruek te e jest spełoy ależy posługwać sę ym techkam owaa blskośc. Przyjmjmy założee możlwośc zowaa metryk, co sprowadza rówae (3) do postac: 4

3 acta mechaca et automatca, vol.3 o.2 (2009) S { y(...)} = T x + ψ + δ t ρ( yx ; ) = ρ( xx ; ) = ρ( yy ; ) = ρ(; ). Jeżel model jest lowy, zależość (4) możemy przedstawć w wygodejszej forme, wykorzystującej zasadę superpozycj (Dla prostoty zapsu pomęte dalej operator T włączając go do owaego S ): S { y(...)} = x= p h( t τ, m, k, c ) + ψ + δ t ρ = ρ(;) całość sprowadzć do dzedzy częstotlwośc poddając obustroej trasformace Fourera: SωFS { y(...)} = P( ω) H ( ω, m, k, c ) +Ψ+Δ t ρ = ρ(;) gdze ozaczoo: S ω operator fltracj (selekcj w dzedze częstotlwośc) zawerający obece w raze potrzeby procedurę uśredaa; H(ω) trasmtacja wdmowa w zależośc od szczegółowego zowaa zadaa może ozaczać współczyk wzmocea H 2 ; P(ω) wdmo wymuszea (lub gęstość wdmowa mocy, ewetuale wdmo fazowe); Ψ; Δ odpowede trasformaty Fourera (lub gęstośc wdmowe) szumu pomarowego dopuszczalego błędu modelu. Gdy model jest elowy, take proste przekształcee e jest możlwe. Model zależy od + k parametrów, gdze ozacza lczbę stop swobody, a k parametryzacje wymuszeń. Przy wymuszeach harmoczych są to mary ampltud, przy ych zbór lczb ujących charakterystykę modelowego wymuszea p. ampltuda czas trwaa mpulsu prostokątego tp. W ajprostszym przypadku k ozacza zbór ampltud wszystkch składowych fourerowskch wszystkch wymuszeń (Jest w tym stwerdzeu zawarte uproszczee techcze. W praktyce e są to ścśle rzecz borąc ampltudy szeregu Fourera tylko efekt dyskretyzacj cągłej trasformaty Fourera, to zaczy zależa od rozdzelczośc aalzy lczba prążków (pasm) (Batko, 2008)). Na ogół wszystke parametry modelu powstają jako odwzorowae rzeczywstośc z mejszym lub wększym błędem wykającym z ograczoych możlwośc pomarowych, lub uśredaa daych z welu pomarów (tak zwae potocze dae tablcowe ). Należy jedak wyraźe zdawać sobe sprawę, że awet maksymala mmalzacja tych błędów e staow gwaracj uzyskaa dealego modelu. Błąd struktury steje zawsze. W końcu każda maszya w opse makro jest układem cągłym. Tym samym odchyłk parametrów od wartośc rzeczywstych a ogół są ezbęde by model fukcjoował poprawe. Nekedy muszą być oe zresztą zmeae w dosyć szerokch gracach przyjąć pewe wartośc abstrakcyje co ajwyżej jedozacze odwzorowywale w rzeczywste. Mówmy wtedy o trasformacj rzeczywstych daych obserwowaych. Wróćmy jedak do zadaa. (4) (5) (6) Rówaa (5) (6) są rówoważe zawerają te same parametry. Wybór dzedzy, w której będzemy przeprowadzal procedurę detyfkacj zależy po perwsze od rodzaju ruchu. W staach eustaloych zmusze jesteśmy ograczyć sę do dzedzy czasu, lub trasformatę Fourera zastąpć ym przekształceem (p. trasformatą falkową). Z drugej jedak stroy prawa algebry są eukoe. Musmy dyspoować taką samą lczbą waruków, jak lczba parametrów doberaych (zmeaych) z procese detyfkacj. W dzedze czasu wymaga to wykoaa dokłade tylu ezależych obserwacj. W dzedze częstośc atomast możemy zażądać jedocześe zgodośc każdej składowej wdmowej, co (oczywśce za ceę pewych ograczeń) pozwala uzyskać aprawdę wele ezależych rówań z aalzy rejestracj w jedym pukce pomarowym. Nc węc dzwego, że powszeche detyfkuje sę model w dzedze częstotlwośc. Wyberzmy zatem spośród parametrów modelu pewą ch lczbę, którą potraktujemy jako zbór zmeych decyzyje z(z...z ) określając jedocześe dopuszczaly zakres możlwych zma. Przeważe rob to sę tak, by e aruszyć fzyczej realośc, lecz e jest to waruek koeczy. Ozaczając dopuszczaly błąd detyfkacj w myśl przyjętej metryk przez δ w dzedze czasu Δ w dzedze częstotlwośc, a lewą stroę rówaa przez Y, otrzymamy układ rówań zbudoway wg reguły: ω ω = Y P H ( m, k, c, z... z ) <Δ Ψ z... z Rówań tych jest tyle, le stotych składowych wdmowych używamy do detyfkacj ( le zowalśmy zmeych decyzyjych). Warukem rozwązywalośc jest spełee rówośc: Δ >Ψ (8) co jest raczej oczywste. Ne możemy żądać wększej zgodośc modelu z sygałem ż zakłócea szumowe. W detyczy sposób moża zapsać zależośc dla dzedzy czasu: y p ( t) h ( m, k, c, z... z ) < δ ψ z... z gdze tym razem wskaźk ozacza współrzędą a keruku której dokoao obserwacj. Tak zoway problem będzemy azywać detyfkacją parametryczą. Zwróćmy uwagę a podobeństwo zadaa detyfkacj parametryczej do klasyczego zadaa optymalzacj. W jedym drugm przypadku wprowadzamy oblgatoryje pewa lczbę zmeych decyzyjych mogących sę zmeać w obszarze ścśle ograczoym obszarowo lub fukcjoale. To druge określee ozacza wzajeme zwązk mędzy zmeym. W jedym drugm przypadku ujemy metrykę w sposób właścwy dla fzyk zadaa oraz w obu przypadkach modyfkujemy model. Różca polega a samym kryterum porówawczym. W zadau (7) (9) 5

4 Zbgew Dąbrowsk Ogóle sformułowae zadaa detyfkacj elowego modelu dyamczego optymalzacj poszukujemy mmum pewej zależośc fukcyjej (fukcjoalej) pomędzy rozwązaam, zwaej fukcją celu lub fukcjoałem jakośc. W zadau detyfkacj parametryczej żądamy, by każde z rozwązań ależało do blskego otoczea zewętrzego wzorca jakm jest welkość obserwowaa. Pod względem rachukowym detyfkacja jest o tyle prostsza, że zadae automatycze sę dekompouje. W przypadku optymalzacj dekompozycja e zawsze jest możlwa. Oba zadaa są jedak ze sobą tak ścśle zwązae, że dość łatwo o popełee błędów. Typowym z ch jest użyce tych samych zmeych decyzyjych w obu zadaach. Tymczasem zmee dobrae w trakce detyfkacj jak juz wspomao wcześej korygują wszystke błędy modelu, a co za tym dze mogą przyjmować a ogół przyjmują pewe wartośc abstrakcyje w ajlepszym raze trasformowale a rzeczywste, przy czym trasformacja taka jest a ogół e zaa. Pytae w jakm zakrese dopuszczalych zma owych zmeych decyzyjych model będze zachowywał zdetyfkowaą adekwatość jest ajtrudejszym do rozwązaa problemem ajczęścej wymagającym praktyczej weryfkacj lub żmudego badaa cągłośc stateczośc rozwązań rówań różczkowych w fukcj zma parametrów. 3. IDENTYFIKACJA STRUKTURALNA Okazać sę jedak może, że detyfkacja parametrycza jest ewykoala awet przy rozszerzeu przedzałów dopuszczalośc zmeych decyzyjych, czyl że złożoa struktura e pozwala awet a zbudowae modelu typu czara skrzyka, co występuje stosukowo często w przypadku model lowych. Załóżmy wobec tego, że mamy model częścowo zdetyfkoway parametrycze w zakrese zma parametrów e aruszających fzyczej realośc. Określee częścowo może ozaczać spełee pewej lczby waruków przy odległośc ρ wększej ż założoo. Typowym przykładem jest uzyskae zgodośc podstawowych częstotlwośc drgań własych obektu modelu bez możlwośc dostrojea ampltud. W takej sytuacj zadae, z formalego puktu wdzea, sprowadza sę do zalezea ewadomych fukcj φ(φ ) uzupełających relację () w myśl zależośc: ( ) Y PH + Φ < Δ ψ ( Φ) ΦΦ (0) gdze wektor ewadomych fukcj Φ ozacza błąd strukturaly modelu. Zadae to os azwę detyfkacj strukturalej estety a ogół jest rozwązywale jedye częścowo. Zbór fukcj Φ (lub φ w dzedze czasu) ma ses wektora poprawek, czyl wektora korekcyjego, który mus być doday do wektora rozwązań by te odpowadał z zadaą dokładoścą wykow obserwacj. W tym pukce kończy sę możlwość dalszej algorytmzacj zadaa. Przełożee wektora Φ a zmaę układu rówań różczkowych jest erozwązywale w ogólym przypadku, gdyż eskończee wele układów rówań różczkowych może posadać te same rozwązaa. Szczególe zadae odwzorowaa obserwacja model azywamy odwrotym zadaem detyfkacj. Mmo braku ogólego algorytmu awet dla zagadea lowego (porówaj rozdzał) stosuje sę wele metod czy też raczej sposobów wykających bardzej z dośwadczea zajomośc obektu przez modelującego ż ogólej teor by zadae rozwązać. Najprostszą jest zwększae dokładośc opsu tych fragmetów modelu, które były zbudowae z dużym uproszczeem próba mmalzacj wektora Φ. I tu dochodzmy do seda trudośc. Poczyoe założee lowośc opsu (5) (6) może e pozwolć a uzyskae zadowalających rezultatów awet za ceę rozbudowy modelu do ggatyczych rozmarów. Jakoścowo róży efekt oblczeń modelowych wyków obserwacj często wymaga zmay modelu z lowego w elowy. Załóżmy zatem, że obserwoway układ jest elowy fukcje Φ * staową wektor różc pomędzy rozwązaem zlearyzowaym rzeczywstym. Na podstawe aalzy ogólych postac rozwązań elowych rówań różczkowych zwyczajych uzyskaych metodam przyblżoym (Batko, 2008; Dąbrowsk, 2007) moża wykazać, że możlwe jest uwzględee różc w sposób formale detyczy z zapsem (5) (6) to zaczy w postac: * t{ Y(...)} P H SFS ω +Φ < Δ Ψ ρ = ρ(.;.) 4. MOŻLIWOŚĆ POMIARU NIELINIOWEGO ZABURZENIA () Uzyskae rozwązaa względe poprawego fzycze byłoby możlwe gdyby elowe zaburzee (wektor fukcj Φ) udałoby sę zmerzyć, a tym samym oddzelć detyfkację parametryczą ograczoą w tym przypadku do częśc lowej od strukturalej zowaej jako poszukwae elowego zaburzea. Propozycją w tym względze może być zapropooway przez autora model koherecyjy (Batko, 2008; Dąbrowsk, 992; Dąbrowsk, 2007). Rys. 2. Model prostego układu z jedym wejścem jedym wyjścem Rozpatrzmy model prostego układu z jedym wejścem jedym wyjścem (rysuek 2), gdze przez x(t) y(t) oza- 6

5 acta mechaca et automatca, vol.3 o.2 (2009) czoo odpowedo sygały rejestrowae a wejścu wyjścu a przez G xx G yy gęstośc wdmowe mocy tych sygałów. Jak wadomo dla takego układu moża określć trasmtację (fukcję zespoloą) zależoścą: Y ( ω) H ( ω) = (2) X ( ω) gdze Y(ω) X(ω) są zespoloym trasformatam sygałów wyjścowego wejścowego, lub a jede z dwóch sposobów: Gxy ( f) H( f) = G ( f) (3) xx Gyy ( f ) H2( f ) = G ( f ) (4) yx gdze G xy G yx są wzajemym gęstoścam wdmowym mocy (sprzężoym ze sobą). Obe te fukcje są sobe rówe jedye dla ezakłócoego układu lowego. W każdym ym przypadku ch stosuek zway fukcją koherecj zwyczajej jest mejszy od jedośc: H ( f) Gxy ( f) γ ( ) = = < (5) H ( f) G G 2 xy f 2 xx yy W klasyczej aalze częstotlwoścowej podaje sę dosyć proste reguły jak a podstawe wartośc fukcj koherecj odseparować zakłócea a wejścu lub wyjścu układu pod warukem, że wadomo z góry, który rodzaj zakłócea występuje. Ne ma atomast ogólych recept jak terpretować ske wartośc fukcj koherecj zwyczajej, gdy układ jest elowy. Spróbujmy, zatem zgode z tezą zawartą m.. w pracy Batko ych (2005) oraz Dąbrowskego ych (2007), potraktować układ elowy jako układ, w którym występują jedocześe skorelowae zakłócea a wejścu wyjścu (Założee, że zakłócee jest eskorelowae z sygałem wejścowym lub wyjścowym jest rówozacze ze stwerdzeem, że zakłócee to jest z tym sygałam ekoherete. Zatem odpowede fukcje koherecj muszą być rówe 0. Przy takm założeu bardzo upraszcza sę zadae odseparowaa zaburzea wejśca lub wyjśca układu, lecz byłoby to ewdete sprzecze z próbą opsu elowośc jako łączego zakłócea a wejścu wyjścu.). Model blokowy takego układu został przedstawoy a rysuku 3. a(t) G aa x(t) G xx u(t) G uu 2 h(t) H y(t) G yy b(t) G bb v(t) G vv Rys. 3. Układ z zakłóceam a wejścu wyjścu jako model układu elowego Na rysuku ozaczoo odpowedo: G aa uśredoe wdmo mocy sygału wejścowego, G bb uśredoe wdmo mocy sygału wyjścowego, G ab uśredoe wdmo wzajeme mocy pomędzy sygałam wejścowego a wyjścowym (sprzężoe do G ba ), G ba uśredoe wdmo wzajeme mocy pomędzy sygałam wyjścowego a wejścowym (sprzężoe do G ab ), G uu uśredoe wdmo mocy zakłóceń a wejścu układu, G vv uśredoe wdmo mocy zakłóceń a wyjścu układu, G xx uśredoe wdmo mocy ezakłócoego sygału a wejścu układu, G yy uśredoe wdmo mocy ezakłócoego sygału a wyjścu układu. Dla takego układu moża uzyskać zależość: 2 2 ab γxy uu aa γ ( f ) = ( f)/[( + G ( f)/ G ( f) + Gvv ( f)/ Gbb ( f) + G ( f)/ G G ( f)/( f) G ( f)] uu aa vv bb (6) skąd po skomplkowaych przekształceach dochodz sę do rówaa: 2xy 2 xy 2 H ( ) ab( f) γ f γ ab ( f ) = = = H2ab ( f) + Δ( f) Hxy ( f) H ( f) + Δ( f) (7) Przekształcee zależośc (6) do postac (7) dowodz twerdzea, że moża uzyskać fukcję koherecj zwyczajej układu zakłócoego elowym zaburzeem możąc fukcję koherecj układu ezakłócoego przez prosty możk będący jedye fukcją częstotlwośc, oczywśce róży dla różych zakłóceń, czyl różych rodzajów elowośc. Porówae tych możków, a dokładej wydzeloej fukcj Δ f pozwala zatem a oceę elowego zaburzea, poeważ jak pokazao w pracy Batko ych (2008) zachodz relacja: * Δ Φ (8) f Propoowaa terpretacja wyków obserwacj pozwala a podstawe zajomośc możków Δ f określoych dla każdej współrzędej a zalezee ezaych fukcj Φ, a tym samym a rozwązau zadaa detyfkacj strukturalej modelu matematyczego. 5. PODSUMOWANIE Propoowaa słą rzeczy, ze względu a objętość artykułu, w skróce metodyka postępowaa jest jedym (obok p. aalzy modalej) ze sposobów detyfkacj elowych model dyamczych. I chocaż z puktu wdzea teor zadae odwrote detyfkacj strukturalej pozostaje w ogólośc erozwązywale, steje duża klasa układów mechaczych, dla której wyodrębee pomar elowego zaburzea umożlwa uzyskae wysokej zgodośc modelu z wykam obserwacj emożlwej do uzyskaa ym metodam. 7

6 Zbgew Dąbrowsk Ogóle sformułowae zadaa detyfkacj elowego modelu dyamczego LITERATURA. Baek T. (990), Optymala Fltracja predykcja sygałów opsywaych stochastyczym rówaam różczkowym, Wyd. Uwersytetu M. Cure-Skłodowskej, Lubl. 2. Batko W., Dąbrowsk Z., Egel Z., Kcńsk J., Weya S. (2005), Nowoczese metody badaa procesów wbroakustyczych część I, Wydawctwo Istytutu Techolog Eksploatacj PIB, Radom. 3. Batko W., Dąbrowsk Z., Kcńsk J. (2008), Nolear Effects Techcal Dagostcs, Polsh Academy of Scece, Warszawa. 4. Dąbrowsk Z., Dzurdź, Skórsk W. W. (2007), Drgaa masztów kompozytowych, Wydawctwo Istytutu Techolog Eksploatacj PIB, Warszawa-Radom. 5. Dąbrowsk Z. (992), The evaluato of the vbroacoustc actvty for the eeds of costructg ad use of maches, Mache Dyamc Problems, Vol Gergel J., Uhl T. (990), Idetyfkacja układów mechaczych, PWN, Warszawa. GENERAL FORMULATION OF THE TASK OF THE NONLINEAR MODEL IDENTIFICATION Abstract: I the paper t was cosdered the thess that olear dyamc model ca be detfed wth suffcet accuracy usg coherece techque of olear dsturbace measure. Fally the methodologcal proposal s gve. 8

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

Planowanie eksperymentu pomiarowego I POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak

Bardziej szczegółowo

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu

f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu METODA RÓŻIC SKOŃCZOYCH (omówee a przykładze rówań lowych) ech ( rówaa różczkowe zwyczaje lowe I-rz.) lub jedo II-rzędu f / / p( x) f / + q( x) f + r( x) a x b, f ( a) α, f ( b) β dea: a satce argumetu

Bardziej szczegółowo

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1 POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.

Bardziej szczegółowo

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA

TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA Ćwczee 8 TARCIE CIĘGIEN O POWIERZCHNIĘ WALCOWĄ WZÓR EULERA 8.. Cel ćwczea Celem ćwczea jest wyzaczee statyczego współczyka tarca pomędzy walcową powerzchą cała a opasującą je lą. Poadto a drodze eksperymetalej

Bardziej szczegółowo

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI Poltechka Gdańska Wydzał Elektrotechk Automatyk Katedra Iżyer Systemów Sterowaa MODELOWANIE I PODSAWY IDENYFIKACI Wybrae zagadea z optymalzacj. Materały pomoccze do zajęć ćwczeowych 5 Opracowae: Kazmerz

Bardziej szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

Wyrażanie niepewności pomiaru

Wyrażanie niepewności pomiaru Wyrażae epewośc pomaru Adrzej Kubaczyk Wydzał Fzyk, Poltechka Warszawska Warszawa, 05 Iformacje wstępe Każdy pomar welkośc fzyczej dokoyway jest ze skończoą dokładoścą, co ozacza, że wyk tego pomaru dokoyway

Bardziej szczegółowo

TMM-2 Analiza kinematyki manipulatora metodą analityczną

TMM-2 Analiza kinematyki manipulatora metodą analityczną Opracował: dr ż. Przemysław Szumńsk Laboratorum Teor Mechazmów Automatyka Robotyka, Mechatroka TMM- Aalza kematyk mapulatora metodą aaltyczą Celem ćwczea jest zapozae sę ze sposobem aalzy kematyk mechazmu

Bardziej szczegółowo

5. OPTYMALIZACJA NIELINIOWA

5. OPTYMALIZACJA NIELINIOWA 5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe

Bardziej szczegółowo

ELEMENTY TEORII MOŻLIWOŚCI

ELEMENTY TEORII MOŻLIWOŚCI ELEMENTY TEORII MOŻLIWOŚCI Opracował: M. Kweselewcz Zadeh (978) wprowadzł pojęce rozkładu możlwośc jako rozmyte ograczee, kóre odzaływuje w sposób elastyczy a wartośc przypsae daej zmeej. Defcja. Nech

Bardziej szczegółowo

Podstawy opracowania wyników pomiarowych, analiza błędów

Podstawy opracowania wyników pomiarowych, analiza błędów Podstawy opracowaa wyków pomarowych, aalza błędów I Pracowa Fzycza IF UJ Grzegorz Zuzel Lteratura I Pracowa fzycza Pod redakcją Adrzeja Magery Istytut Fzyk UJ Kraków 2006 Wstęp do aalzy błędu pomarowego

Bardziej szczegółowo

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ

WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANEJ PODCZAS ZDERZENIA CIAŁ 9 Cel ćwczea Ćwczee 9 WYZNACZANIE WARTOŚCI ENERGII ROZPRASZANE PODCZAS ZDERZENIA CIAŁ Celem ćwczea jest wyzaczee wartośc eerg rozpraszaej podczas zderzea cał oraz współczyka restytucj charakteryzującego

Bardziej szczegółowo

Badania Maszyn CNC. Nr 2

Badania Maszyn CNC. Nr 2 Poltechka Pozańska Istytut Techolog Mechaczej Laboratorum Badaa Maszy CNC Nr 2 Badae dokładośc pozycjoowaa os obrotowych sterowaych umerycze Opracował: Dr. Wojcech Ptaszy sk Mgr. Krzysztof Netter Pozań,

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH dr Mchał larsk I Pracowa Fzycza IF UJ, 9.0.06 Pomar Pomar zacowae wartośc prawdzwej Bezpośred (welkość fzycza merzoa jest

Bardziej szczegółowo

Pomiary parametrów napięć i prądów przemiennych

Pomiary parametrów napięć i prądów przemiennych Ćwczee r 3 Pomary parametrów apęć prądów przemeych Cel ćwczea: zapozae z pomaram wartośc uteczej, średej, współczyków kształtu, szczytu, zekształceń oraz mocy czyej, berej, pozorej współczyka cosϕ w obwodach

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w

Bardziej szczegółowo

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.

Bardziej szczegółowo

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Różczkowae fukcj rzeczywstych welu zmeych rzeczywstych Matematyka Studum doktoracke KAE SGH Semestr let 8/9 R. Łochowsk Pochoda fukcj jedej zmeej e spojrzee Nech f : ( α, β ) R, α, β R, α < β Fukcja f

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8 Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja

Bardziej szczegółowo

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA Adra Kapczyńsk Macej Woly Wprowadzee Rozwój całego spektrum coraz doskoalszych środków formatyczych

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Iżyerska dr hab. ż. Jacek Tarasuk AGH, WFIS 013 Wykład 3 DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE, PODSTAWY ESTYMACJI Dwuwymarowa, dyskreta fukcja rozkładu rawdoodobeństwa, Rozkłady brzegowe

Bardziej szczegółowo

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych

Statystyczna analiza miesięcznych zmian współczynnika szkodowości kredytów hipotecznych dr Ewa Wycka Wyższa Szkoła Bakowa w Gdańsku Wtold Komorowsk, Rafał Gatowsk TZ SKOK S.A. Statystycza aalza mesęczych zma współczyka szkodowośc kredytów hpoteczych Wskaźk szkodowośc jest marą obcążea kwoty/lczby

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki

Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga

Bardziej szczegółowo

Regresja REGRESJA

Regresja REGRESJA Regresja 39. REGRESJA.. Regresja perwszego rodzaju Nech (, będze dwuwyarową zeą losową, dla które steje kowaracja. Nech E( y ozacza warukową wartość oczekwaą zdefowaą dla przypadku zeych losowych typu

Bardziej szczegółowo

3. OPTYMALIZACJA NIELINIOWA

3. OPTYMALIZACJA NIELINIOWA Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz

Bardziej szczegółowo

Materiały do wykładu 7 ze Statystyki

Materiały do wykładu 7 ze Statystyki Materał do wkładu 7 ze Statstk Aalza ZALEŻNOŚCI pomędz CECHAMI (Aalza KORELACJI REGRESJI) korelacj wkres rozrzutu (korelogram) rodzaje zależośc (brak, elowa, lowa) pomar sł zależośc lowej (współczk korelacj

Bardziej szczegółowo

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ Wykład Układy rówań metody aaltycze Metody umerycze rozwązywaa rówań lczbowych Prof. Ato Kozoł, Wydzał Chemczy Poltechk Wrocławskej ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ

Bardziej szczegółowo

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

STATYKA. Cel statyki. Prof. Edmund Wittbrodt STATYKA Cel statyk Celem statyk jest zastąpee dowolego układu sł ym, rówoważym układem sł, w tym układem złożoym z jedej tylko sły jedej pary sł (redukcja do sły mometu główego) lub zbadae waruków, jake

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze

Bardziej szczegółowo

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2 Permutacje { 2,,..., } Defcja: Permutacją zboru lczb azywamy dowolą różowartoścową fukcję określoą a tym zborze o wartoścach w tym zborze. Uwaga: Lczba wszystkch permutacj wyos! Permutacje zapsujemy w

Bardziej szczegółowo

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu

Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu

Bardziej szczegółowo

1. Relacja preferencji

1. Relacja preferencji dr Mchał Koopczyńsk EKONOMIA MATEMATYCZNA Wykłady, 2, 3 (a podstawe skryptu r 65) Relaca preferec koszyk towarów: przestrzeń towarów: R + = { x R x 0} x = ( x,, x ) X X R+ x 0 x 0 =, 2,, x~y xf y x y x

Bardziej szczegółowo

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie

UOGÓLNIONA ANALIZA WRAŻLIWOŚCI ZYSKU W PRZEDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW. 1. Wprowadzenie B A D A N I A O P E R A C Y J N E I D E C Y J E Nr 2 2007 Aa ĆWIĄKAŁA-MAŁYS*, Woletta NOWAK* UOGÓLNIONA ANALIA WRAŻLIWOŚCI YSKU W PREDSIĘBIORSTWIE PRODUKUJĄCYM N-ASORTYMENTÓW Przedstawoo ajważejsze elemety

Bardziej szczegółowo

ma rozkład normalny z nieznaną wartością oczekiwaną m

ma rozkład normalny z nieznaną wartością oczekiwaną m Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee

Bardziej szczegółowo

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację. Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.

Bardziej szczegółowo

Laboratorium z Biomechatroniki Ćwiczenie 3 Wyznaczanie położenia środka masy ciała człowieka za pomocą dźwigni jednostronnej

Laboratorium z Biomechatroniki Ćwiczenie 3 Wyznaczanie położenia środka masy ciała człowieka za pomocą dźwigni jednostronnej Wydzał: Mechaczy Techologczy Keruek: Grupa dzekańska: Semestr: perwszy Dzeń laboratorum: Godza: Laboratorum z Bomechatrok Ćwczee 3 Wyzaczae położea środka masy cała człoweka za pomocą dźwg jedostroej 1.

Bardziej szczegółowo

Statystyczne charakterystyki liczbowe szeregu

Statystyczne charakterystyki liczbowe szeregu Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc

Bardziej szczegółowo

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH

PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH PRZYKŁADOWE TEMATY ZADAŃ PROJEKTOWYCH Z PRZEDMIOTU EWOLUCYJNE METODY OPTYMALIZACJI. Rozwązać zadae zadaa załaduku (plecakowego z ograczeam a dopuszczale wymary oraz cężar []: a algorytmem symulowaego wyżarzaa.

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5 Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja

Bardziej szczegółowo

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

Bardziej szczegółowo

AKADEMIA MORSKA W SZCZECINIE

AKADEMIA MORSKA W SZCZECINIE AKADEMIA MORSKA W SZCZECINIE Istytut Iżyer Ruchu Morskego Zakład Urządzeń Nawgacyjych Istrukcja r 0 Wzory do oblczeń statystyczych w ćwczeach z radoawgacj Szczec 006 Istrukcja r 0: Wzory do oblczeń statystyczych

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona: Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau

Bardziej szczegółowo

Matematyka dyskretna. 10. Funkcja Möbiusa

Matematyka dyskretna. 10. Funkcja Möbiusa Matematyka dyskreta 10. Fukcja Möbusa Defcja 10.1 Nech (P, ) będze zborem uporządkowaym. Mówmy, że zbór uporządkoway P jest lokale skończoy, jeśl każdy podzał [a, b] P jest skończoy, a, b P Uwaga 10.1

Bardziej szczegółowo

8.1 Zbieżność ciągu i szeregu funkcyjnego

8.1 Zbieżność ciągu i szeregu funkcyjnego Rozdzał 8 Cąg szereg fukcyje 8.1 Zbeżość cągu szeregu fukcyjego Dla skrócea zapsu przyjmjmy pewe ozaczee. Defcja. Nech X, Y. Przez Y X ozaczamy zbór wszystkch fukcj określoych a zborze X o wartoścach w

Bardziej szczegółowo

Analiza Matematyczna Ćwiczenia. J. de Lucas

Analiza Matematyczna Ćwiczenia. J. de Lucas Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y

Bardziej szczegółowo

ZARYS METODY OCENY TRWAŁOSCI I NIEZAWODNOSCI OBIEKTU Z UWZGLEDNIENIEM CZYNNIKA LUDZKIEGO I PŁASZCZYZNY LICZB ZESPOLONYCH

ZARYS METODY OCENY TRWAŁOSCI I NIEZAWODNOSCI OBIEKTU Z UWZGLEDNIENIEM CZYNNIKA LUDZKIEGO I PŁASZCZYZNY LICZB ZESPOLONYCH Zdzsław IDZIASZEK 1 Mechatrocs ad Avato Faculty Mltary Uversty of Techology, 00-908 Warsaw 49, Kalskego street r zdzaszek@wat.edu.pl Norbert GRZESIK Avato Faculty Polsh Ar Force Academy, 08-51 Dębl, Dywzjou

Bardziej szczegółowo

Indukcja matematyczna

Indukcja matematyczna Iducja matematycza Twerdzee. zasada ducj matematyczej Nech T ozacza pewą tezę o lczbe aturalej. Jeżel dla pewej lczby aturalej 0 teza T 0 jest prawdzwa dla ażdej lczby aturalej 0 z prawdzwośc tezy T wya

Bardziej szczegółowo

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą. Joaa Ceślak, aula Bawej ESTREA FUNCJI ESTREA FUNCJI JEDNEJ ZIENNEJ Otoczeem puktu R jest każdy przedzał postac,+, gdze >. Sąsedztwem puktu jest każdy zbór postac,,+, gdze >. Nech R, : R oraz ech. De. ówmy,

Bardziej szczegółowo

POLSKA FEDERACJA STOWARZYSZEŃ RZECZOZNAWCÓW MAJĄTKOWYCH POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY SPECJALISTYCZNY NR 4 KSWS 4

POLSKA FEDERACJA STOWARZYSZEŃ RZECZOZNAWCÓW MAJĄTKOWYCH POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY SPECJALISTYCZNY NR 4 KSWS 4 POZECHNE KRAJOE ZAADY YCENY (PKZ) KRAJOY TANDARD YCENY PECJALITYCZNY NR 4 K 4 INETYCJE LINIOE - ŁUŻEBNOŚĆ PRZEYŁU I BEZUMONE KORZYTANIE Z NIERUCHOMOŚCI 1. PROADZENIE 1.1. Nejszy stadard przedstawa reguły

Bardziej szczegółowo

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna

Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna Aalza zależośc Rodzaje zależośc mędzy zmeym występujące w praktyce: Fukcyja wraz ze zmaą wartośc jedej zmeej astępuje ścśle określoa zmaa wartośc drugej zmeej (p. w fzyce: spadek swobody gt s ) tochastycza

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc

Bardziej szczegółowo

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej PŁAKA GEOMETRIA MA Środek cężkośc fgury płaskej Mometam statyczym M x M y fgury płaskej względem os x lub y (rys. 7.1) azywamy gracę algebraczej sumy loczyów elemetarych pól d przez ch odległośc od os,

Bardziej szczegółowo

KALIBRACJA NIE ZAWSZE PROSTA

KALIBRACJA NIE ZAWSZE PROSTA KALIBRACJA NIE ZAWSZE PROSTA Potr Koeczka Katedra Chem Aaltyczej Wydzał Chemczy Poltechka Gdańska S w S C -? C w Sygał - astępstwo kosekwecja przeprowadzoego pomaru główy obekt zateresowań aaltyka. Cel

Bardziej szczegółowo

POLSKA FEDERACJA STOWARZYSZEŃ RZECZOZNAWCÓW MAJĄTKOWYCH POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY SPECJALISTYCZNY NR 4 KSWS 4

POLSKA FEDERACJA STOWARZYSZEŃ RZECZOZNAWCÓW MAJĄTKOWYCH POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY SPECJALISTYCZNY NR 4 KSWS 4 POZECHNE KRAJOE ZAADY YCENY (PKZ) KRAJOY TANDARD YCENY PECJALITYCZNY NR 4 K 4 YCENA ŁUŻEBNOŚCI PRZEYŁU I OKREŚLANIE KOTY YNAGRODZENIA ZA BEZUMONE KORZYTANIE Z NIERUCHOMOŚCI PRZY INETYCJACH LINIOYCH 1.

Bardziej szczegółowo

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH

L.Kowalski PODSTAWOWE TESTY STATYSTYCZNE WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH L.Kowalsk PODSTAWOWE TESTY STATYSTYCZNE TESTY STATYSTYCZNE poteza statystycza to dowole przypuszczee dotyczące rozkładu cechy X. potezy statystycze: -parametrycze dotyczą ezaego parametru, -parametrycze

Bardziej szczegółowo

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym? Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)

Bardziej szczegółowo

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10) Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,

Bardziej szczegółowo

VI. TWIERDZENIA GRANICZNE

VI. TWIERDZENIA GRANICZNE VI. TWIERDZENIA GRANICZNE 6.. Wprowadzee Twerdzea gracze dotyczą własośc graczych cągów zmeych losowych dzelą sę a:! twerdzea lokale opsują zbeżośc cągu fukcj prawdopodobeństwa w przypadku cągu {X } zmeych

Bardziej szczegółowo

GEODEZJA INŻYNIERYJNA SEMESTR 6 STUDIA NIESTACJONARNE

GEODEZJA INŻYNIERYJNA SEMESTR 6 STUDIA NIESTACJONARNE GEODEZJ INŻNIERJN SEMESTR 6 STUDI NIESTCJONRNE CZNNIKI WPŁWJĄCE N GEOMETRIĘ UDNKU/OIEKTU Zmaę geometr budyku mogą powodować m.: czyk atmosferycze, erówomere osadae płyty fudametowej mogące skutkować wychyleem

Bardziej szczegółowo

MODELE OBIEKTÓW W 3-D3 część

MODELE OBIEKTÓW W 3-D3 część WYKŁAD 5 MODELE OBIEKTÓW W -D część la wykładu: Kocepcja krzywej sklejaej Jedorode krzywe B-sklejae ejedorode krzywe B-sklejae owerzche Bezera, B-sklejae URBS 1. Kocepcja krzywej sklejaej Istotą z praktyczego

Bardziej szczegółowo

. Wtedy E V U jest równa

. Wtedy E V U jest równa Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 7 Krzywa retowośc, zadaa (mat. f.), marża w hadlu, NPV IRR, Ustawa o kredyce kosumeckm, fukcje fasowe Excela Krzywa retowośc (dochodowośc) Yeld Curve Krzywa ta jest grafczym

Bardziej szczegółowo

Matematyczny opis ryzyka

Matematyczny opis ryzyka Aalza ryzyka kosztowego robót remotowo-budowlaych w warukach epełe formac Mgr ż Mchał Bętkowsk dr ż Adrze Powuk Wydzał Budowctwa Poltechka Śląska w Glwcach MchalBetkowsk@polslpl AdrzePowuk@polslpl Streszczee

Bardziej szczegółowo

Współczynnik korelacji rangowej badanie zależności między preferencjami

Współczynnik korelacji rangowej badanie zależności między preferencjami Współczyk korelacj ragowej badae zależośc mędzy preferecjam Przemysław Grzegorzewsk Istytut Badań Systymowych PAN ul. Newelska 6 01-447 Warszawa E-mal: pgrzeg@bspa.waw.pl Pla referatu: Klasycze metody

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

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

Bardziej szczegółowo

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM ACTA UNIVERSITATIS WRATISLAVIENSIS No 37 PRZEGLĄD PRAWA I ADMINISTRACJI LXXX WROCŁAW 009 ANNA ĆWIĄKAŁA-MAŁYS WIOLETTA NOWAK Uwersytet Wrocławsk SPRZEDAŻ PONIŻEJ KOSZTU WŁASNEGO W PRZEDSIĘBIORSTWIE WIELOASORTYMENTOWYM

Bardziej szczegółowo

WYBRANE MOŻLIWOŚCI WSPOMAGANIA INWESTYCJI

WYBRANE MOŻLIWOŚCI WSPOMAGANIA INWESTYCJI WYBRANE MOŻLIWOŚCI WSPOMAGANIA INWESTYCJI GIEŁDOWYCH PRZY UŻYCIU ALGORYTMÓW GENETYCZNYCH mgr ż. Marc Klmek Katedra Iformatyk Państwowa Wyższa Szkoła Zawodowa m. Papeża Jaa Pawła II w Bałej Podlaskej Streszczee:

Bardziej szczegółowo

Zależność kosztów produkcji węgla w kopalni węgla brunatnego Konin od poziomu jego sprzedaży

Zależność kosztów produkcji węgla w kopalni węgla brunatnego Konin od poziomu jego sprzedaży Gawlk L., Kasztelewcz Z., 2005 Zależość kosztów produkcj węgla w kopal węgla bruatego Ko od pozomu jego sprzedaży. Prace aukowe Istytutu Górctwa Poltechk Wrocławskej r 2. Wyd. Ofcya Wydawcza Poltechk Wrocławskej,

Bardziej szczegółowo

IV. ZMIENNE LOSOWE DWUWYMIAROWE

IV. ZMIENNE LOSOWE DWUWYMIAROWE IV. ZMIENNE LOSOWE DWUWYMIAROWE 4.. Rozkład zmeej losowej dwuwymarowej Defcja 4.. Uporządkowaą parę (X, Y) azywamy zmeą losową dwuwymarową, jeśl każda ze zmeych X Y jest zmeą losową. Defcja 4.. Fukcję

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. I Pracownia IF UJ Marzec 2017

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. I Pracownia IF UJ Marzec 2017 PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Marzec 07 PODRĘCZNIKI Wstęp do aalzy błędu pomarowego Joh R. Taylor Wydawctwo Naukowe PWN Warszawa 999

Bardziej szczegółowo

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,

Bardziej szczegółowo

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej

Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I Pracowa IF UJ Luy 03 PODRĘCZNIKI Wsęp do aalzy błędu pomarowego Joh R. Taylor Wydawcwo Naukowe PWN Warszawa 999 I Pracowa

Bardziej szczegółowo

FUNKCJE DWÓCH ZMIENNYCH

FUNKCJE DWÓCH ZMIENNYCH FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0

Bardziej szczegółowo

Zmiana bazy i macierz przejścia

Zmiana bazy i macierz przejścia Auomaya Roboya Algebra -Wyład - dr Adam Ćmel cmel@agh.edu.pl Zmaa bazy macerz prześca Nech V będze wymarową przesrzeą lową ad całem K. Nech Be e będze bazą przesrze V. Rozważmy ową bazę B e... e. Oczywśce

Bardziej szczegółowo

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer

Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław

Bardziej szczegółowo

FINANSE II. Model jednowskaźnikowy Sharpe a.

FINANSE II. Model jednowskaźnikowy Sharpe a. ODELE RYNKU KAPITAŁOWEGO odel jedowskaźkowy Sharpe a. odel ryku kaptałowego - CAP (Captal Asset Prcg odel odel wycey aktywów kaptałowych). odel APT (Arbtrage Prcg Theory Teora artrażu ceowego). odel jedowskaźkowy

Bardziej szczegółowo

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=

wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i= ESTYMATOR WARIANCJI I DYSPERSJI Ozaczmy: µ wartość oczekwaa rozkładu gauowkego wyków pomarów (wartość prawdzwa merzoej welkośc σ dyperja rozkładu wyków pomarów wyk er pomarów (,..., Stoując metodę ajwękzej

Bardziej szczegółowo

PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI

PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI Adrzej POWNUK *) PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI. Wprowadzee Mechaka lowa staow jak dotąd podstawowy obszar zateresowań żyerskch. Isteje jedak

Bardziej szczegółowo

O testowaniu jednorodności współczynników zmienności

O testowaniu jednorodności współczynników zmienności NR 6/7/ BIULETYN INSTYTUTU HODOWLI I AKLIMATYZACJI ROŚLIN 003 STANISŁAW CZAJKA ZYGMUNT KACZMAREK Katedra Metod Matematyczych Statystyczych Akadem Rolczej, Pozań Istytut Geetyk Rośl PAN, Pozań O testowau

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I PRACOWNIA FIZYCZNA INSTYTUT FIZYKI UJ BIOLOGIA 2016

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I PRACOWNIA FIZYCZNA INSTYTUT FIZYKI UJ BIOLOGIA 2016 PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH I PRACOWNIA FIZYCZNA INTYTUT FIZYKI UJ BIOLOGIA 06 CEL ĆWICZEŃ. Obserwacja zjawsk efektów fzyczych. Doskoalee umejętośc

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jacka wykład II, 3.05.016 PORÓWNANIE WIĘCEJ NIŻ DWÓCH POPULACJI TESTY NIEPARAMETRYCZNE Pla a dzsaj 1. Porówywae węcej ż dwóch populacj test jedoczykowej aalzy waracj (ANOVA).

Bardziej szczegółowo

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja

Szeregi czasowe, modele DL i ADL, przyczynowość, integracja Szereg czasowe, modele DL ADL, rzyczyowość, egracja Szereg czasowy, o cąg realzacj zmeej losowej, owedzmy y, w kolejych okresach czasu: { y } T, co rówoważe możemy zasać: = 1 y = { y1, y,..., y T }. Najogólej

Bardziej szczegółowo

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć

Badania operacyjne. Algorytm simpleks. Organizacja zajęć. Zaliczenie. Literatura. Program zajęć Algorytm smpleks adaa operacyje Wykład adaa operacyje dr hab. ż. Joaa Józefowska, prof.pp Istytut Iformatyk Orgazacja zajęć 5 godz wykładów dr hab. ż. J. Józefowska, prof. PP Obecość a laboratorach jest

Bardziej szczegółowo

METODY ANALIZY DANYCH DOŚWIADCZALNYCH

METODY ANALIZY DANYCH DOŚWIADCZALNYCH POLITECHNIKA Ł ÓDZKA TOMASZ W. WOJTATOWICZ METODY ANALIZY DANYCH DOŚWIADCZALNYCH Wybrae zagadea ŁÓDŹ 998 Przedsłowe Specyfką teor pomarów jest jej wtóry charakter w stosuku do metod badawczych stosowaych

Bardziej szczegółowo

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?

dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =? Mary położea rozkładu Wykład 9 Statystyk opsowe Średa z próby, mea(y) : symbol y ozacza lczbę; arytmetyczą średą z obserwacj Symbol Y ozacza pojęce średej z próby Średa jest środkem cężkośc zboru daych

Bardziej szczegółowo

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej

Modelowanie niezawodności i wydajności synchronicznej elastycznej linii produkcyjnej Dr hab. ż. Ato Śwć, prof. adzw. Istytut Techologczych ystemów Iformacyych oltechka Lubelska ul. Nadbystrzycka 36, 2-68 Lubl e-mal: a.swc@pollub.pl Dr ż. Lech Mazurek aństwowa Wyższa zkoła Zawodowa w Chełme

Bardziej szczegółowo

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń

Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń Zasosowae meody ajmejszych kwadraów do pomaru częsolwośc średej sygałów o małej sromośc zboczy w obecośc zakłóceń Elgusz PAWŁOWSKI, Darusz ŚWISULSKI Podsawowe meody pomaru częsolwośc Zlczae okresów w zadaym

Bardziej szczegółowo

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5

L.Kowalski zadania ze statystyki opisowej-zestaw 5. ZADANIA Zestaw 5 L.Kowalsk zadaa ze statystyk opsowej-zestaw 5 Zadae 5. X cea (zł, Y popyt (tys. szt.. Mając dae ZADANIA Zestaw 5 x,5,5 3 3,5 4 4,5 5 y 44 43 43 37 36 34 35 35 Oblcz współczyk korelacj Pearsoa. Oblcz współczyk

Bardziej szczegółowo

Lista 6. Kamil Matuszewski 26 listopada 2015

Lista 6. Kamil Matuszewski 26 listopada 2015 Lsta 6 Kaml Matuszews 6 lstopada 5 4 5 6 7 8 9 4 5 X X X X X X X X X X X D X X N Gdze X-spsae, D-Delarowae, N-edelarowae. Zadae Zadae jest westą odpowedego pomalowaa. Weźmy sobe szachowcę x, poumerujmy

Bardziej szczegółowo

Badania niezawodnościowe i statystyczna analiza ich wyników

Badania niezawodnościowe i statystyczna analiza ich wyników Badaa ezawodoścowe statystycza aalza ch wyków. Co to są badaa ezawodoścowe jak sę je przeprowadza?. Metody prezetacj opsu daych pochodzących z eksperymetu 3. Sposoby wyzaczaa rozkładu zmeej losowej a podstawe

Bardziej szczegółowo

ĆWICZENIE 10 OPTYMALIZACJA STRUKTURY CZUJKI TEMPERATURY W ASPEKCIE NIEZWODNOŚCI

ĆWICZENIE 10 OPTYMALIZACJA STRUKTURY CZUJKI TEMPERATURY W ASPEKCIE NIEZWODNOŚCI ĆWICZENIE 0 OPTYMALIZACJA STUKTUY CZUJKI TEMPEATUY W ASPEKCIE NIEZWODNOŚCI Cel ćwczea: zapozae z metodam optymalzac wewętrze struktury mozakowe czuk temperatury stosowae w systemach sygalzac pożaru; wyzaczee

Bardziej szczegółowo