TEORETYCZNE PODSTAWY PROGNOZOWANIA USZKADZALNOŚCI SIECI WODOCIĄGOWEJ

Wielkość: px
Rozpocząć pokaz od strony:

Download "TEORETYCZNE PODSTAWY PROGNOZOWANIA USZKADZALNOŚCI SIECI WODOCIĄGOWEJ"

Transkrypt

1 RYSZARDA IWANEJKO, JAROSŁAW BAJER* TEORETYCZNE PODSTAWY PROGNOZOWANIA USZKADZALNOŚCI SIECI WODOCIĄGOWEJ THEORETICAL BASIS OF PROGNOSING THE FAILURES IN WATER SUPPLY SYSTEMS Streszczee Abstract Sec wodocągowe wody staową jede z elemetów strategczej frastruktury mejskej. Są systemam złożoym dyamczym. Optymala stratega eksploatacj sec powa uwzględać sta aktualy progozy. Aktualy sta sec może być charakteryzoway przez tzw. uszkadzalość. Parametr te może być wyzaczoy przez eksploatatora sec jako średa lczba uszkodzeń przypadająca a jedostkę długośc a jedostkę czasu. W artykule przedstawoo podstawy teoretycze wybraych model matematyczych, które mogą być zastosowae do progoz krótko- średotermowych. Słowa kluczowe: seć wodocągowa, seć dystrybucj wody, uszkadzalość, progoza Water supply systems are a mportat elemet of a strategc urba frastructure. Ther cofguratos are usually complex ad dyamc. The optmal operato strategy of the water supply system should cosder both curret codtos as well as the future progoss. Curret codtos of the water supply system may be characterzed by so called: falure rate. The parameter may be determed drectly by the water system operator ad defed as the average umber of falures per the ut legth of ppe ad the tme ut. The work presets a theoretcal backgroud for the selected mathematcal models, that may be appled for the both short-term ad md-term predctos. Keywords: water supply system, water dstrbuto system, falures, predctos * Dr Ryszarda Iwaejko, dr ż. Jarosław Bajer, Istytut Zaopatrzea w Wodę Ochroy Środowska, Wydzał Iżyer Środowska, Poltechka Krakowska.

2 Wstęp Zadaem sec wodocągowej (sec dystrybucj wody) jest zapewee cągłej dostawy do odborców wody w potrzebej lośc, o odpowedej jakośc pod wymagaym cśeem. Skutk eprawdłowej pracy sec są odczuwae przez odborców jako ucążlwośc, a przez eksploatatora jako straty fasowe (m.. usuwae awar, straty wody w sec). Optymala stratega eksploatacj sec wodocągowej, mmalzująca straty ucążlwośc, powa uwzględać zarówo sytuację aktualą, jak odpowede progozy. Sytuacja aktuala, charakteryzowaa m.. przez tzw. uszkadzalość sec l 0 (rocza lczba uszkodzeń odesoa do długośc sec) welkość strat wody, jest wykem stau techczego sec, struktury materałowej wekowej, beżących prac prowadzoych a sec sposobu eksploatacj. Sec wodocągowe to złożoe systemy ejedorodych przewodów, uzbrojea ych obektów towarzyszących. Były rozbudowywae wraz z rozwojem mast, a w cągu lat zmae mogły ulegać struktura sec, fukcje poszczególych przewodów, ch obcążee waruk pracy. Gromadzoe przez każdego eksploatatora sec wodocągowej formacje dotyczące uszkodzeń pozwalają wyzaczyć uszkadzalość sec l 0. Te wartośc uzyskae dla poszczególych lat tworzą szereg dyamcze {l 0, } =1, gdze lczba daych (w kokretych przypadkach jest to lczba lat, mesęcy, kwartałów, dób). Na zmeość w czase każdego zjawska, a węc zjawska uszkadzalośc sec, mają wpływ: tedecja rozwojowa, wahaa okresowe wahaa przypadkowe [6]. Tedecja rozwojowa (tred) to powole, regulare systematycze zmay określoego zjawska obserwowae w dostatecze długm okrese (ajlepej co ajmej 10 lat) będące rezultatem dzałaa tzw. przyczy główych. W przypadku uszkadzalośc przyczyam główym może być starzee sę sec (tred rosący) lub kosekweta poltyka remotowa (tred malejący). W przypadku ektórych sec moża zauważyć stote, powtarzające sę regulare zróżcowae uszkadzalośc w zależośc od pory roku. Take wahaa sezoowe mogą wykać p. z uszkodzeń spowodowaych przemarzaem przewodów w mesącach zmowych. Natomast wahaa przypadkowe są powodowae występowaem czyków losowych. Obece w welu mastach polskch obserwuje sę uszkadzalość sec wodocągowych zacze wyższą (3 10 razy) ż w welu ych krajach śwata, co wyka główe z weloletch zaedbań w zakrese koserwacj moderzacj sec oraz z edowestowaa wymay przewodów [4]. Dla welu mast obserwuje sę wzrost uszkadzalośc sec wodocągowych, co śwadczy o starzeu sę sec, przy czym część tych mast już wchodz w okres koeczośc reowacj przewodów sec [5]. Nektórzy eksploatatorzy podjęl już decyzję o koeczośc przystąpea do remotów geeralych sec wodocągowych. Rozpoczęce tych prac zaczęło skutkować zmejszeem uszkadzalośc sec. Rówocześe ze względu a rozległośc sec wodocągowych, wysoke koszty odowy przewodów, dług czas odów czy prowadzee ych prac przez przedsęborstwa wodocągowe, poprawa stau sec będze procesem powolym. Dlatego często powstaje pytae: jak może sę zmeć uszkadzalość sec, jeśl stratega eksploatacyja e ulege stotej zmae?. Uzyskae odpowedz pozwol eksploatatorow a oceę sytuacj podjęce strategczych decyzj co do koeczośc ztesyfkowaa remotów kaptalych fragmetów sec, możlwośc odsuęca w czase tych remotów czy zmay dotychczasowego sposobu eksploatacj.

3 Ogóle uwag o programowau Każda progoza jest wykem woskowaa a przyszłość a podstawe zajomośc daych opsujących zachodzee badaego zjawska w przeszłośc (w tzw. okrese bazowym). Progoza przyszłośc jest tym bardzej warygoda, m krótszy jest horyzot progozy, dłuższy jest okres bazowy gdy mechazm rozwoju badaego zjawska e ulega stotym zmaom w czase. Dla aalzowaego problemu ostate założee ozacza, że w ajblższej przyszłośc e będą podejmowae wdrażae żade owe decyzje strategcze rówocześe e ulege stotej zmae oddzaływae środowska. Drug waruek odos sę w szczególośc do wystąpea mroźych, bezśeżych zm, gdy bardzo wzrasta głębokość przemarzaa grutu, co może być dodatkowym stotym powodem wzrostu lczby awar. Ze względu a charakter badaego zjawska moża stosować róże modele. W praktyce wyróża sę 4 grupy model [8]: klasycze modele tredu (modele tedecj rozwojowej), w których jedyą zmeą objaśającą jest czas, a progoza polega a ekstrapolacj wyzaczoej l tredu; zastosowae model z tej grupy wymaga spełea podstawowych założeń (p. że w okrese progozowaym e astępuje zmaa mechazmu rozwojowego zjawska); espełee założeń prowadz do uzyskaa ewarygodych progoz, modele adaptacyje, dla których klasycze założea e muszą być spełoe; modele są elastycze, mają zdolośc dostosowawcze w przypadku eregularych zma tredu zaczych wahań przypadkowych; są szczególe polecae do sporządzaa progoz krótkotermowych średotermowych, modele przyczyowo-skutkowe, które umożlwają uwzględee wpływu różych czyków (zmeych objaśających) a wyk (zmeą objaśaą); w zastosowaach praktyczych trudoścą może być dobór zmeych objaśających słabo skorelowaych ze sobą a sle skorelowaych ze zmeą objaśaą, modele autoregresyje, w których zmeym objaśającym są opóźoe w czase wartośc zmeej objaśaej; do utworzea dobrego modelu, tj. do określea jak daleko ależy sęgąć wstecz, koecze jest posadae dodatkowych, estatystyczych formacj. W praktyce ajczęścej stosuje sę klasycze modele tredu modele adaptacyje, lecz wybór modelu jest uzależoy od posadaych daych (rys. 1), od ch rozrzutu, tredu tp. Ocea dokładośc progoz uzyskaych za pomocą dowolego modelu może być typu ex post (a podstawe dopasowaa wyków uzyskaych z zastosowaa wybraego modelu do daych empryczych z okresu bazowego) lub ex ate (dla przyszłych progoz, przez podae wartośc spodzewaego odchylea od progozy). Przyjmuje sę, że jeśl śred błąd względy progozy ex post e przekracza 5%, to progozę uzaje sę za dopuszczalą. Błędu typu ex ate dla pewych model e moża wyzaczyć. Podstawowym sposobem zwększea pewośc progozy jest zastosowae klku metod (model) progozowaa porówae ch wyków ze sobą. Pożej dokłade omówoo wybrae modele progozowaa.

4 130 Rys. 1. Zbory wyków obserwacj X Y o tej samej średej wykazujące: a) brak tredu, b) wyraźy rosący tred lowy, c) krzywolowy tred malejący, d) tred rosący cyklczość Fg. 1. Pools of X ad Y observatos wth same average, showg a) o tred, b) strog rsg lear tred, c) declg o-lear tred, d) rsg tred ad perodcty 3. Modele tredu Dotychczas do aalz uszkadzalośc sec wodocągowej, oprócz metod zwykłych opsowych, wykorzystywao modele statystycze. Modele z tej grupy mogą zostać zastosowae, jeśl zostaą spełoe pewe podstawowe założea (p. że w okrese progozowaym e astępuje zmaa mechazmu rozwojowego zjawska, składk losowe mają rozkład ormaly o zerowej średej, stałej waracj są od sebe ezależe). W sytuacj, gdy e zaobserwowao wyraźego tredu wartośc {l 0, } dla kolejych lat ( = 1, 2,..., ) były zblżoe, uszkadzalość sec w okrese bazowym charakteryzowao przez wartość średą l 0, czasem wyzaczao przedzał ufośc dla tej średej (l 0d, l 0g ). Moża było sądzć, że w kolejym okrese (p. roku) wartość uszkadzalośc e będze sę zbyto różć od średej l 0 z żądaym prawdopodobeństwem zajdze sę w przedzale wyzaczoym a odpowedm pozome ufośc. Estymatory (puktowy przedzałowe) moża było wyzaczać za pomocą metod statystyczych: klasyczych, gdy rozkład zmeej losowej opsującej uszkadzalość przewodów był zay; w praktyce przyjmowao założee o tzw. ormalym okrese eksploatacj, w którym występują jedye uszkodzea losowe, a zmea losowa opsująca lczbę uszkodzeń przypadających a jedostkę czasu ma rozkład Possoa z parametrem l 0 ; wówczas

5 131 średą uszkadzalość przewodów szacowao przez λ 0 λ0, 1 = =, gdze lczba lat, eklasyczych, p. metody bootstrapowej, gdy rozkład zmeej losowej opsującej uszkadzalość przewodów e był zay [3]. Natomast w sytuacj, gdy moża zaobserwować tred rozwojowy, to fukcję tredu moża traktować jako szczególy przypadek fukcj regresj, w której zmeą ezależą jest czas. Wówczas progozowae wymaga kolejo: 1) przyjęca modelu fukcj regresj, 2) oszacowaa parametrów modelu, 3) statystyczej weryfkacj modelu, 4) wyzaczea progozy wartośc zmeych zależych w oparcu o przyjęty model. Postać fukcj regresj typuje sę a podstawe wykresu rozproszea sporządzoego dla odpowedch par obserwacj (x, y ) =1 tutaj par (, l 0, ) =1. Najprostsza lowa zależość mędzy zmeym X (objaśającą dla szeregów czasowych: czas) Y (objaśaą, w tym przypadku wartośc uszkadzalośc l 0, ) ma postać: y = a x + b (1) gdze parametr a terpretuje sę jako przecętą zmaę Y w przyjętej jedostce czasu (p. 1 rok), parametr b określa teoretyczy pozom badaej zmeej a początku aalzowaego okresu. Parametry modelu (a, b) szacuje sę metodą ajmejszych kwadratów, mmalzując 2 2 błąd (sum square error) SSE = e = ( y y ) = 1 [1]. Różce e = y y są tzw. błędam (resztam). Założeem koeczym do stosowaa modelu jest, że błędy e mają zerową średą, stałą warację są od sebe ezależe. Waże też jest, by dyspoować wystarczającą lczbą daych (). W wyku mmalzacj SSE uzyskuje sę wartośc SSxy parametrów rówe a = oraz b = y a x, gdze suma kwadratów oraz loczy SSx skalary odchyleń są wyzaczae jako SSx = ( x x ) 2, SSxy = ( x x)( y y), a x, y to odpowede średe. W celu ocey przyjętego modelu lowego stosuje sę take same mary przeprowadza take same testy jak dla regresj lowej. Marę rozproszea daych hstoryczych wokół l tredu szacuje sę przez warację SSE resztową lub śred błąd kwadratowy (mea square error) MSE =. Odchylee sta- 2 dardowe składka resztowego wyos s = sy = MSE.

6 132 s Współczyk zmeośc resztowej wyzaczay jako V = formuje, jak procet y zaobserwowaej zmeośc Y staową odchylea przypadkowe [6]. Współczyk korelacj r będący marą dopasowaa l tredu do daych wyzacza sę SSxy jako r =, gdze SS y = y y SS SS ( ) 2. Wartość r 2 jest terpretowaa jako część x y zmeośc Y, która jest wyjaśoa przez przyjęty lowy zwązek. W progozach zamast współczyka r 2 stosuje sę raczej współczyk zbeżośc j 2 = 1 r 2. Najważejszym testem statystyczym jest test weryfkujący stotość parametru a (rówoważe test badający czy mędzy X Y zachodz zwązek lowy). Sprawdzaa jest hpoteza H0: a = 0 wobec H1: a 0. Podstawowym sprawdzaem w dwustroym teśce jest a s t =, S(a) stadardowy błąd ocey parametru a rówy sa ( ) =. Statystyka t ma Sa ( ) SS x rozkład t o ( 2) stopach swobody. W przypadku regresj lowej testy t F są rówoważe [1], atomast w przypadku regresj welorakej test F służy do ogólego sprawdzea hpotezy o zachodzeu lowego zwązku, zaś pojedycze testy t są wykorzystywae do ocey stotośc poszczególych zmeych. Możlwość zastosowaa w praktyce testu F wyka z faktu, że wartość odpowedej statystyk może być wyzaczaa za pomocą dostępych programów komputerowych (p. przez formułę REGLINP w Excelu). Reszty e e powy wykazywać tredu względem czasu, powy być losowe. Ocey tej cechy moża dokoać wzuale a podstawe wykresu (rys. 2) lub aaltycze, p. za pomocą testu ser. Rys. 2. Wzuala aalza rozrzutu reszt: a) reszty losowe, b) reszty wykazujące wzrastający tred czasowy, c) reszty o wzrastającej waracj Fg. 2. Vsual aalyss of the rest dsperso a) radom rests, b) rests creasg tme c) rests wth a creasg varace Progozowae a przyszłość jest ekstrapolacją. Te etap wymaga przyjęca założea, że czyk kształtujące badae zjawsko e ulegą zasadczej zmae w okrese objętym progozą [8], co ozacza, że w ajblższej przyszłośc e będą podejmowae wdrażae żade owe decyzje strategcze. Przy tym założeu progozę dla chwl x T, wykraczającej poza okres bazowy, wyzacza sę jako yt = a xt + b. Progozę przedzałową typu ex ate dla wartośc y T wyzacza sę a podstawe wzoru [2]:

7 133 gdze: y T Dy ( T ) t a T α T T T α T α Py { t D( y ) < y < y + t Dy ( )} = 1 (2) progoza puktowa, błąd stadardowy progozy, wartość zmeej t-studeta dla 2 stop swobody współczyka ufośc 1 a. ( xt x) Błąd progozy wyzacza sę z wzoru Dy ( T ) = s ( x x). 2 = 1 Choć przedstawoe powyżej wzory są skomplkowae, to w praktyce wększość welkośc może być wyzaczoa automatycze przez zastosowae odpowedego arzędza (p. odpowede formuły w Excelu). Progozując zmeość Y ależy uwzględć, że p. mogą e być spełoe podstawowe założea modelu regresj, że koleje obserwacje, tj. dae z szeregów czasowych, mają tedecje do wzajemej korelacj, a błędy e mogą e być wzajeme ezależe lub że lczba obserwacj może e być wystarczająco duża. To ozacza, że e moża meć bezgraczego zaufaa do progoz opartych a modelu regresj. 4. Modele adaptacyje Metody z tej grupy są przydate do progozowaa szeregów czasowych, dla których e są spełoe klasycze założea. Praktycze jedyym założeem koeczym do zastosowaa model adaptacyjych do progozowaa w przyszłośc jest założee stacjoarośc (w czase) błędów progozy. W odróżeu od klasyczych metod aalzy tredu metod przyczyowo-skutkowych e wyzacza sę róweż parametrów modelu, których terpretacja wązałaby sę z charakterem badaego zjawska. Ze względu a stosukowo dużą dokładość prostotę oblczeń, metody z tej grupy są często stosowae do sporządzaa progoz krótko- średotermowych. W częśc dotyczącej model adaptacyjych w mejsce ogólych ozaczeń daych (x, y ) =1 stosowae będą ozaczea (t, y ) =1, gdze t ozacza czas. Błąd progozy typu ex post (dla okresu bazowego) wyzacza sę a podstawe błędów progozy w kolejych krokach et = yt yt, t = 1, gdze y t tzw. progoza wygasła, czyl progoza dla czasu t z okresu bazowego wyzaczoa za pomocą modelu. Najczęścej stosowaą marą stopa dokładośc progozy, podobe jak w aalze tredu, jest błąd średokwadratowy (mea sqare error) [1] MSE = yt yt = ( ) 1. Drugą marą jest śred 2

8 134 błąd absoluty (mea absolute error) MAE = = 1 y t t y. Perwsza z tych mar jest bar- dzo wrażlwa a wartośc etypowe, czyl duże rzadke błędy progozy. Nske wartośc błędów MSE MAE pozwalają przypuszczać, że przy spełoym założeu o stałośc charakteru badaego zjawska, metoda z wysokm stopem pewośc może być zastosowaa do progozy wybegającej poza okres bazowy. Spośród model adaptacyjych w praktyce ajczęścej wykorzystuje sę trzy, które przedstawoo pożej Model wygładzaa wykładczego Browa Metody wygładzaa wykładczego obejmują grupę metod o zróżcowaym stopu złożoośc [1]. Techka wygładzaa wykładczego może być stosowaa, gdy zmea Y wykazuje tred wahaa przypadkowe, lecz e wykazuje wahań okresowych. Progozowae wartośc zmeej Y dla kolejej chwl (t+1) w tzw. prostym modelu Browa wyzacza sę jako [1]: yt+ 1 = w yt + ( 1 w) yt (3) gdze: y t zaa, zaobserwowaa dla chwl t wartość zmeej Y, y t 1 1 wartość progozy dla chwl t, w parametr wygładzaa wykładczego w (0, 1). Iaczej mówąc, wartość progozy jest średą ważoą rzeczywstej, zaej wartośc progozy dla chwl poprzedej. Zwyczajowo przyjmuje sę y = y. Parametr wygładzaa w dobera aaltyk. Jeśl zmay y t w czase są częste eregulare progoza powa reagować szybko a zmay {y t } t, czyl gdy wększy wpływ a progozę powa meć ajowsza obserwacja, to ależy przyjąć w blske 1. Jeśl atomast progoza powa reagować z opóźeem to ależy przyjmować ższe wartośc w. Rozwęce rekurecyjego wzoru (3) do postac: 2 3 t+ 1 t t 1 t 2 t 3 t 1 1 y = wy + w( 1 wy ) + w( 1 w) y + w( 1 w) y + + w( 1 w) y wskazuje, że progoza opera sę a wszystkch poprzedzających rzeczywstych wartoścach szeregu, lecz wpływ początkowych wyrazów szeregu maleje wykładczo. Ta właścwość zalazła swoje odbce w azwe metody. Czasem stosuje sę zmodyfkoway model Browa [8]. Oceę tredu m t oraz progozy y T wyzacza sę a podstawe wzorów t t 1 t 1 T t t t 1 m = α y + ( α) m y = m + ( m m ) h gdze T = t + h. Parametr wygładzaa a dobera sę a podstawe daych empryczych tak, aby uzyskać jak ajmejsze rozbeżośc mędzy rzeczywstym realzacjam y =1 {y } =1 a wyzaczoym progozam { }. (4) Modele wygładzaa wykładczego,

9 135 mmo łatwośc stosowaa, pozwalają zazwyczaj a dobre dopasowae progoz { y t } daych empryczych {y t }. do 4.2. Model tredu pełzającego Metoda powa być stosowaa, gdy szereg {y t } t charakteryzuje sę dużą eregularoścą załamaam tredu. Metodę ajlepej przedstawć opsowo. Progoza dla chwl T wybegającej do przodu poza okres bazowy składa sę z klku etapów. Najperw a podstawe wzualej ocey przebegu badaego zjawska, ajlepej a podstawe wykresu wyzaczoych deksów łańcuchowych t 1/t = y t 1 /y t, wyzacza sę tzw. stałą wygładzaa k <. Przyjęta wartość odpowada średej długośc fragmetów szeregu czasowego o podobej zmeośc tredu. Następe dla ( k + 1) fragmetów szeregu, których początkem są kolejo y 1, y 2... y k, a każdy ma długość k ( pełzające segmety) zakłada sę lową fukcję tredu wyzacza teoretycze progozy. W te sposób dla każdej chwl t z okresu bazowego (t = 1,..., ) ależącej rówocześe do klku fragmetów szeregu uzyskuje sę klka progoz, z których każda była geerowaa dla ego, kolejego zakresu szeregu bazowego. Jako progozę y t dla każdej chwl okresu bazowego przyjmuje sę węc wartość średą progoz geerowaych dla daej chwl t objętej kolejym zakresam progoz. Na podstawe uśredoych progoz { } y t t =1 wyzacza sę koleje przyrosty uzyskaego tredu rówe yt = yt+ 1 yt. Śred przyrost tredu w całym okrese bazowym wyzacza 1 sę jako y = wt yt, gdze w t wag harmocze realzujące postarzae formacj t= 1 (maleją mootocze z upływem czasu t). Wag są wyzaczae jako w t 1 1 =. 1 Jako wartość progozy puktowej dla chwl T przyjmuje sę y = y + ( T ) y. Metoda tredu pełzającego, choć jest złożoa w zastosowau, pozwala a uzyskae bardzo dobrej zgodośc dopasowaa progoz { y t } do daych empryczych {y t }. T t = Model Holta Metoda może być szeroko stosowaa. Model opera sę a dwóch rówaach, z których perwsze wygładza wartośc zmeej progozowaej {y t }, a druge wygładza przyrosty tredu [7]: gdze: a, b parametry wygładzaa z przedzału [0, 1]. F t = a y t + (1 a) (F t 1 + S t 1 ) (5) S t = b (F t F t 1 ) + (1 b) S t 1 (6)

10 136 Wartośc te dobera sę, mmalzując wartość średego błędu kwadratowego progoz wygasłych. Zazwyczaj przyjmuje sę F 1 = y 1 oraz S 1 = y 2 y 1. Progozy wygasłe dla t < ( lczba wyrazów szeregu czasowego) wyzacza sę jako yt+ 1 = Ft + S1. Progozy dla czasów T > wyzacza sę jako: y = F + ( T ) S (7) T t t Progozy { y t } uzyskae za pomocą modelu Holta zazwyczaj wykazują dobre dopasowae do daych empryczych {y t }. 5. Wosk Zajomość progozy zmay uszkadzalośc sec wodocągowej może być przydata przy podejmowau decyzj co do zmay lub kotyuowaa sposobu eksploatacj sec. Gdy progozy wskazują a wzrost uszkadzalośc l 0, to wyk te mogą powy pełć rolę ostrzegawczą. Modele oparte a regresj lowej, ze względu a koeczość spełea założeń, mogą meć ograczoe zastosowae. Modele tredu dla zjawsk procesów dyamczych o dużym stopu losowośc zazwyczaj geerują duże błędy ex ate. Modele adaptacyje e wymagają spełea klasyczych założeń. Grupa model adaptacyjych obejmuje modele o różym stopu złożoośc, które pozwalają a uzyskae dobrego lub bardzo dobrego dopasowaa progoz { y t } do daych empryczych {y t }. Progozy, których błędy ex post e przekraczają 5% uzaje sę za przydate [8]. Modele adaptacyje są szeroko stosowae do opsu zachodzea zjawsk progozowaa. Podstawowym sposobem zwększea pewośc progozy jest zastosowae klku metod (model) progozowaa porówae ch wyków ze sobą. W praktyce steje możlwość zwększea warygodośc progozy przez złożee progoz. W tym celu każdemu z wykorzystywaych model progostyczych przypsuje sę uormowae wag (odwrote proporcjoale do waracj błędów progoz model [1]). W kolejym artykule, a przykładze daych o uszkadzalośc sec wodocągowej masta Krakowa, zostaą przedstawoe wybrae metody służące do badaa sporządzaa progoz krótko- średotermowych. Praca aukowa fasowaa ze środków a aukę w ramach projektu rozwojowego Nr N R t. Opracowae kompleksowej metody ocey ezawodośc bezpeczeństwa dostawy wody do odborców. Lteratura [1] Aczel A., Statystka w zarządzau, Wydawctwo Naukowe PWN, Warszawa [2] Greń J., Statystyka matematycza. Modele zadaa, Wydawctwo Naukowe PWN, Warszawa 1982.

11 137 [3] Iwaejko R., Klasycze eklasycze metody szacowaa uszkadzalośc sec dystrybucj wody, INSTAL 6/2009, [4] Kwetewsk M., Rak J., Nezawodość frastruktury wodocągowej kaalzacyjej w Polsce, Wydawctwo Komtetu Iżyer Lądowej Wodej PAN, Warszawa 2010, [5] Rak J., Podstawy bezpeczeństwa systemów zaopatrzea w wodę, Moografe Komtetu Iżyer Środowska PAN, vol. 28, Lubl 2005, [6] Sobczyk M., Statystyka, Wydawctwo Naukowe PWN, Warszawa [7] [8] Zelaś A., Teora progozy, Państwowe Wydawctwo Ekoomcze, Warszawa 1979.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

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

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

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

. 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

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

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84 Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,

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

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne

Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne Mary położea Średa arytmetycza Klasycze Średa harmocza Średa geometrycza Mary położea e Modala Kwartyl perwszy Pozycyje Medaa (kwartyl drug) Kwatyle Kwartyl trzec Decyle Średa arytmetycza = + +... + 2

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

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

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

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

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

Wnioskowanie statystyczne dla korelacji i regresji.

Wnioskowanie statystyczne dla korelacji i regresji. STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi o tym samym 2 x

będą niezależnymi zmiennymi losowymi o tym samym 2 x Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka

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

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

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

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

( 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

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

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

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

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

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

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

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

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

PDF created with FinePrint pdffactory Pro trial version WIII/1

PDF created with FinePrint pdffactory Pro trial version  WIII/1 Statystyka opsowa Statystyka zajmuje sę zasadam metodam uogólaa wyków otrzymaych z próby losowej a całą populację (czyl zborowość, z której została pobraa próba). Take postępowae azywamy woskowaem statystyczym.

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

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

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz

Bardziej szczegółowo

STATYSTYKA OPISOWA WYKŁAD 3,4

STATYSTYKA OPISOWA WYKŁAD 3,4 STATYSTYKA OPISOWA WYKŁAD 3,4 5 Szereg rozdzelczy przedzałowy (dae pogrupowae) (stosujemy w przypadku dużej lczby epowtarzających sę daych) Przedzał (w ; w + ) Środek x& Lczebość Lczebość skumulowaa s

Bardziej szczegółowo

Liniowe relacje między zmiennymi

Liniowe relacje między zmiennymi Lowe relacje mędzy zmeym Marta Zalewska Zakład Proflaktyk ZagrożeńŚrodowskowych Alergolog Ocea lowych relacj mędzy zmeym Metoda korelacj - określee rodzaju sły zależośc mędzy cecham. Metoda regresj 1 Uwaga

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

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7

[, ] [, ] [, ] ~ [23, 2;163,3] 19,023 2,7 6. Przez 0 losowo wybrayh d merzoo zas dojazdu do pray paa A uzyskują próbkę x,..., x 0. Wyk przedstawały sę astępująo: jest to próbka losowa z rozkładu 0 0 x 300, 944. x Zakładamy, że N ( µ, z ezaym parametram

Bardziej szczegółowo

Metoda Monte-Carlo i inne zagadnienia 1

Metoda Monte-Carlo i inne zagadnienia 1 Metoda Mote-Carlo e zagadea Metoda Mote-Carlo Są przypadk kedy zamast wykoać jakś eksperymet chcelbyśmy symulować jego wyk używając komputera geeratora lczb (pseudolosowych. Wększość bblotek programów

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

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

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

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2 Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu

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

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

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym

Pomiary bezpośrednie i pośrednie obarczone błędem przypadkowym Pomary bezpośrede pośrede obarczoe błędem przypadkowym I. Szacowae wartośc przyblŝoej graczego błędu przypadkowego a przykładze bezpośredego pomaru apęca elem ćwczea jest oszacowae wartośc przyblŝoej graczego

Bardziej szczegółowo

x, y środek ciężkości zbioru

x, y środek ciężkości zbioru Y ANALIZA REGRESJI I KORELACJI zwązek stochastyczy (losowy), probablstyczy Y X KAŻDEJ WARTOŚCI x ODPOWIADA CAŁY ZBIÓR WARTOŚCI y TWORZĄCYCH OKREŚLONY ROZKŁAD zwązek statystyczy ŷ a a x ŷ średa rozkładu

Bardziej szczegółowo

Miary statystyczne. Katowice 2014

Miary statystyczne. Katowice 2014 Mary statystycze Katowce 04 Podstawowe pojęca Statystyka Populacja próba Cechy zmee Szereg statystycze Wykresy Statystyka Statystyka to auka zajmująca sę loścowym metodam aalzy zjawsk masowych (występujących

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

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

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

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

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

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

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jacka wykład II, 9.0.06 STATYSTYKA OPISOWA, cz. II WSTĘP DO STATYSTYKI MATEMATYCZNEJ Pla a dzsaj. Statystyka opsowa, cz. II: mary położea dokończee mary zróżcowaa mary asymetr

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

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

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.

Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce. Metody probablstycze statystyka Wykład 7: Statystyka opsowa. Rozkłady prawdopodobestwa wystpujce w statystyce. Podstawowe pojca Populacja geerala - zbór elemetów majcy przyajmej jed włacwo wspól dla wszystkch

Bardziej szczegółowo

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości parametrów rozkładu populacji.

Estymacja to wnioskowanie statystyczne koncentrujące się wokół oszacowania wartości parametrów rozkładu populacji. Botatytyka, 018/019 dla Fzyk Medyczej, tuda magterke etymacja etymacja średej puktowa przedzał ufośc średej rozkładu ormalego etymacja puktowa przedzałowa waracj rozkładu ormalego etymacja parametrów rozkładu

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

Lekcja 1. Pojęcia podstawowe: Zbiorowość generalna i zbiorowość próbna

Lekcja 1. Pojęcia podstawowe: Zbiorowość generalna i zbiorowość próbna TECHNIKUM ZESPÓŁ SZKÓŁ w KRZEPICACH PRACOWNIA EKONOMICZNA TEORIA ZADANIA dla klasy II Techkum Marek Kmeck Zespół Szkół Techkum w Krzepcach Wprowadzee do statystyk Lekcja Statystyka - określa zbór formacj

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

ROZKŁADY ZMIENNYCH LOSOWYCH

ROZKŁADY ZMIENNYCH LOSOWYCH ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

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

Centralna Izba Pomiarów Telekomunikacyjnych (P-12) Komputerowe stanowisko do wzorcowania generatorów podstawy czasu w częstościomierzach cyfrowych

Centralna Izba Pomiarów Telekomunikacyjnych (P-12) Komputerowe stanowisko do wzorcowania generatorów podstawy czasu w częstościomierzach cyfrowych Cetrala Izba Pomarów Telekomukacyjych (P-1) Komputerowe staowsko do wzorcowaa geeratorów podstawy czasu w częstoścomerzach cyrowych Praca r 1300045 Warszawa, grudzeń 005 Komputerowe staowsko do wzorcowaa

Bardziej szczegółowo

ANALIZA KORELACJI DEFINICJA ZALEŻNOŚCI KORELACYJNEJ, RODZAJE ZALEŻNOŚCI KORELACYJNYCH KLASYFIKACJA METOD ANALIZY ZALEŻNOŚCI STATYSTYCZNYCH

ANALIZA KORELACJI DEFINICJA ZALEŻNOŚCI KORELACYJNEJ, RODZAJE ZALEŻNOŚCI KORELACYJNYCH KLASYFIKACJA METOD ANALIZY ZALEŻNOŚCI STATYSTYCZNYCH AALIZA KORELACJI DEFIICJA ZALEŻOŚCI KORELACYJEJ, Zależośd korelacyja (statystycza) występuje wtedy, gdy określoym wartoścom jedej zmeej są przyporządkowae pewe średe wartośc drugej zmeej e moża wyzaczyd

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

Statystyka. Katarzyna Chudy Laskowska

Statystyka. Katarzyna Chudy Laskowska Statstka Katarza Chud Laskowska http://kc.sd.prz.edu.pl/ Aalza korelacj umożlwa stwerdzee wstępowaa zależośc oraz oceę jej atężea ZALEŻNOŚCI pomędz CECHAMI: CECHY: ILOŚCIOWA ILOŚCIOWA CECHY: JAKOŚCIOWA

Bardziej szczegółowo

ρ (6) przy czym ρ ij to współczynnik korelacji, wyznaczany na podstawie następującej formuły: (7)

ρ (6) przy czym ρ ij to współczynnik korelacji, wyznaczany na podstawie następującej formuły: (7) PROCES ZARZĄDZANIA PORTFELEM PAPIERÓW WARTOŚCIOWYCH WSPOMAGANY PRZEZ ŚRODOWISKO AUTOMATÓW KOMÓRKOWYCH Ageszka ULFIK Streszczee: W pracy przedstawoo sposób zarządzaa portfelem paperów wartoścowych wspomagay

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

Probabilistyka i statystyka. Korelacja

Probabilistyka i statystyka. Korelacja 06-05-08 Probablstyka statystyka Korelacja Probablstyka statystyka - wykład 9 dla Elektrok Korelacja Aalza korelacj zajmuje sę badaam stea zależośc lowej mędzy dwema cecham X Y. Podstawową marą jest współczyk

Bardziej szczegółowo

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe.

INSTRUKCJA LABORATORIUM Metrologia techniczna i systemy pomiarowe. INSTRUKCJA LABORATORIUM Metrologa techcza sstem pomarowe. MTSP pomar MTSP 00 Autor: dr ż. Potr Wcślok Stroa / 5 Cel Celem ćwczea jest wkorzstae w praktce pojęć: mezurad, estmata, błąd pomaru, wk pomaru,

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka matematyczna. Estymacja przedziałowa parametrów strukturalnych zbiorowości generalnej

Rachunek prawdopodobieństwa i statystyka matematyczna. Estymacja przedziałowa parametrów strukturalnych zbiorowości generalnej Rachek prawdopodobeńswa saysyka maemaycza Esymacja przedzałowa paramerów srkralych zborowośc geeralej Częso zachodz syacja, że koecze jes zbadae ogół poplacj pod pewym kąem p. średa oce z pewego przedmo.

Bardziej szczegółowo

ĆWICZENIE 5 TESTY STATYSTYCZNE

ĆWICZENIE 5 TESTY STATYSTYCZNE ĆWICZENIE 5 TESTY STATYSTYCZNE Cel Przedstawee wybraych testów statystyczych zasad wyboru właścwego testu przeprowadzea go oraz terpretac wyów. Wprowadzee teoretycze Testem statystyczym azywamy metodę

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

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

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

Ocena trafności prognoz koniunktury przedsiębiorstw na przykładzie jednostek handlowych

Ocena trafności prognoz koniunktury przedsiębiorstw na przykładzie jednostek handlowych Barometr Regoaly Nr 3(3) 008 Ocea trafośc progoz kouktury przedsęborstw a przykładze jedostek hadlowych Grzegorz Kowalewsk Uwersytet Ekoomczy we Wrocławu treszczee: Celem artykułu jest zbadae jakośc progoz

Bardziej szczegółowo

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego

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

WPŁYW SPÓŁEK AKCYJNYCH NA LOKALNY RYNEK PRACY

WPŁYW SPÓŁEK AKCYJNYCH NA LOKALNY RYNEK PRACY ZESZYTY NAUKOWE WYDZIAŁU NAUK EKONOMICZNYCH Mara KLONOWSKA-MATYNIA Natala CENDROWSKA WPŁYW SPÓŁEK AKCYJNYCH NA LOKALNY RYNEK PRACY Zarys treśc: Nejsze opracowae pośwęcoe zostało spółkom akcyjym, które

Bardziej szczegółowo

Przestrzenno-czasowe zróżnicowanie stopnia wykorzystania technologii informacyjno- -telekomunikacyjnych w przedsiębiorstwach

Przestrzenno-czasowe zróżnicowanie stopnia wykorzystania technologii informacyjno- -telekomunikacyjnych w przedsiębiorstwach dr ż. Jolata Wojar Zakład Metod Iloścowych, Wydzał Ekoom Uwersytet Rzeszowsk Przestrzeo-czasowe zróżcowae stopa wykorzystaa techolog formacyjo- -telekomukacyjych w przedsęborstwach WPROWADZENIE W czasach,

Bardziej szczegółowo