Wykład 6. Klasyczny model regresji liniowej

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wykład 6. Klasyczny model regresji liniowej"

Transkrypt

1 Wkład 6 Klacz modl rgrj lowj

2 Rgrja I rodzaju pokazuj jak zmają ę warukow wartośc oczkwa zmj zalżj w zalżośc od wartośc zmj zalżj. E X m Obraz gomtrcz tj fukcj to krzwa rgrj I rodzaju czl zbór puktów płazczz, E X E/X

3 Rgrja II rodzaju W praktc low krzw rgrj moża zatąpć lam protm, jśl tlko uzka przblż jt wtarczając. ~ Prota = α X+ β płająca waruk: E{[-α X+ β ²}=m azwam protą rgrj II rodzaju zmj loowj względm zmj loowj X - zma zalża objaśaa X - zma zalża objaśająca α wpółczk rgrj lowj zmj względm X β wraz wol lowj fukcj rgrj

4 Klacz modl rgrj lowj względm X E X D X MODEL kładk loow E X dla =,,..., założa: E = 0 D = E² = ² cov, j = 0 dla j wpłw a

5 Założa rgrj lowj N0, Składk loow ε ma rozkład ormal o śrdj rówj 0 odchlu tadardowm σ N0,σ D = E² = ² Wartość σ jt tała homocdatczość cov, j = 0 N wtępuj autokorlacja kładka loowgo rzt zalżą od b od zmch objaśającch

6 Klacz modl rgrj lowj względm X Główm kładkm każdgo modlu jt fukcja rgrj, którj paramtr ą ozacowa a podtaw wków z prób loowj. Jt to fukcja ajlpj dopaowaa do dach mprczch w prób loowj. Przjmując założ o lowośc zwązku pomędz zmm fukcja rgrj względm X to prota o rówau: dla którj śrd kwadrat odchlń wartośc zmj od tj protj jt ajmjz, S [ ] m

7 Etmacja paramtrów modlu MNK Fukcja S jt fukcją dwóch wadomch α β, ab zalźć mmum tj fukcj mum wzaczć pochod czątkow fukcj S względm obu wadomch: S S a

8 Etmacja paramtrów modlu MNK Przrówując t pochod do zra otrzmujm tzw. układ rówań w układz tm, w mjc α β wtawam ch ozacowaa z prób, czl. gdz - - to tmator paramtrów fukcj rgrj II rodzaju wzaczo MNK 0 0 Układ rówań ma potać:,,

9 Paramtr truktural modlu zacowa MNK: Fukcja rgrj względm X Wpółczk rgrj Mtoda pośrda r INTERPRETACJA: Przrot śrdj wartośc zmj zalżj wwoła przrotm zmj zalżj o jdotkę. Im łow: jak zma ę wartość zmj zalżj, jżl ccha zalża wzroś o jdotkę c

10 Paramtr truktural modlu zacowa MNK: Fukcja rgrj względm X Wraz wol INTERPRETACJA: moż bć tlko formala jaka będz wartość zmj zalżj, jżl zma zalża = 0 Wraz wol wzacza pukt przcęca protj rgrj z oą rzędch oą

11 Właośc lowj fukcj rgrj uma wartośc tortczch zmj zalżj jt rówa um wartośc mprczch tj zmj jżl, zalża, X zalża uma odchlń wartośc mprczch od wartośc tortczch jt rówa zro prota rgrj przchodz przz pukt o wpółrzędch, 0

12 PARAMETR STOCHASTCZNE MNK Podtawą do okrśla dokładośc dopaowaa fukcj rgrj do dach mprczch ą różc mędz wartoścam mprczm a tortczm czl rzt ŷ Waracja rzt Odchl tadardow rzt Jt to śrd fkt oddzałwaa a zmą zalżą ch czków, poza oddzałwam zmj zalżj

13 Stadardow błęd zacuku w wrażu abolutm: wpółczka rgrj lowj wrazu wolgo Są to odchla tadardow tmatorów tz. błęd loow popła prz tmacj paramtrów a podtaw - lmtowch prób. Względ błęd zacuku,

14 SST = SSR + SSE SST topń ogólgo zróżcowaa zmj zalżj SSR część ogólgo zróżcowaa zmj zalżj wjaśoa fukcją rgrj SSE część ogólgo zróżcowaa zmj zalżj NIE wjaśoa fukcją rgrj Oca topa dopaowaa fukcj rgrj do dach mprczch R² Wpółczk dtrmacj lowj: 0 ; R. cov cov R

15 Oca topa dopaowaa fukcj rgrj do dach mprczch R² SST = SSR + SSE SST topń ogólgo zróżcowaa zmj zalżj SSR część ogólgo zróżcowaa zmj zalżj wjaśoa fukcją rgrj SSE część ogólgo zróżcowaa zmj zalżj NIE wjaśoa fukcją rgrj Wpółczk dtrmacj lowj: 0. R R

16 WNIOSKOWANIE STATSTCZNE W ANALIZIE REGRESJI I KORELACJI ESTMACJA PRZEDZIAŁOWA Przdzał ufośc dla paramtrów fukcj rgrj lowj: dla wpółczka rgrj INTERPRETACJA: a pozom ufośc - wzaczo przdzał lczbow objmuj wartość zacowago paramtru α w populacj gralj UWAGA: to zacowa paramtr fukcj rgrj II rodzaju w populacj gralj, a - to prawdopodobńtwo czl w tm przpadku pozom ufośc dla wrazu wolgo,, t t P,, t t P

17 WERFIKACJA HIPOTEZ dotczącch wartośc paramtrów rgrj lowj w populacj gralj Wrfkacja hpotz dotczącj wartośc wpółczka rgrj lowj w populacj gralj H : α 0 H : 0 0 ŷ = 7, ,766 [0,697] [4,9] t=,78 Oblcza mprczj wartośc ttu t t 0,05;9 =,093 Wbór obzaru krtczgo Odcztujm wartość krtczą t, - z tablc rozkładu t-studta kotruujm dwutro obzar krtcz ; t, t, ; Wok: Jżl wartość mprcza ttu wpada do obzaru λ to a pozom totośc odrzucam Ho Jżl wartość mprcza ttu wpada do obzaru λ to a pozom totośc mam podtaw do odrzuca Ho

18 Prdkcja a podtaw rgrj lowj Progoza warukowj wartośc śrdj Etmatorm E/X= warukowj wartośc śrdj jt zma loowa ajlpz obcążo tmator waracja tgo tmatora to D tmatorm śrdgo błędu prdkcj jt k k D k k

19 Prz założu, ż rozważa modl jt klaczm modlm ormalj rgrj lowj tattka: ma rozkład t Studta z lczbą top wobod v = -. Na tj podtaw możm wzaczć przdzał ufośc dla wartośc oczkwaj: X E t,, t X E t P Prdkcja a podtaw rgrj lowj Przdzał ufośc warukowj wartośc oczkwaj

20 Prdkcja a podtaw rgrj lowj Progoza pojdczj ralzacj Zbudowa modl rgrj lowj moż taowć podtawę do przwdwaa, jak wartośc przjm zma zalża prz zadach wartoścach zmj zalżj, MNK daj ajlpz tmator obcążo pojdczj ralzacj, p podob jak prz tmacj E X= jt : p

21 Stadardow błąd progoz gdz p Błąd prdkcj pojdczj ralzacj zmj loowj jt umą dwóch korlowach błędów: błędu tmacj warukowj wartośc oczkwaj zmj loowj, odchlń pojdczch ralzacj zmj w rozkładz warukowm od śrdj tgo rozkładu, tmator śrdgo błędu prdkcj okrślam jako: p D D

22 Prz założu, ż rozważa modl jt klaczm modlm ormalj rgrj lowj tattka: ma rozkład t Studta z lczbą top wobod v = -. Na tj podtaw możm wzaczć przdzał ufośc dla pojdczj ralzacj: Prdkcja a podtaw rgrj lowj Przdzał ufośc pojdczj ralzacj,, p p p t t P p p t

( ) ( ) ( ) ( ) ( )( ) ( ) ( ) 2. r s. ( i. REGRESJA (jedna zmienna) e s = + Y b b X. x x x n x. cov( (kowariancja) = (współczynnik korelacji) = +

( ) ( ) ( ) ( ) ( )( ) ( ) ( ) 2. r s. ( i. REGRESJA (jedna zmienna) e s = + Y b b X. x x x n x. cov( (kowariancja) = (współczynnik korelacji) = + REGRESJA jda zma + prota rgrj zmj wzgldm. przlo wartoc paramtrów trukturalch cov r waga: a c cov kowaracja d r cov wpółczk korlacj Waracja rztowa. Nch gdz + wtd czl ozacza rd tadardow odchl od protj rgrj.

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

Ćwiczenia 11_12 KLASYCZNY MODEL REGRESJI LINIOWEJ

Ćwiczenia 11_12 KLASYCZNY MODEL REGRESJI LINIOWEJ Ćwcza _ KLACZN MOL RGRJI LINIOWJ Zada. W tabl przdstawoo wysokość stawk clj X oraz udzał w ryku a pw towar mportoway spoza U. 5 5 0 0 8 0 y 5 6 3 7 0 Nalży w oparcu o poda formacj: a. Zapsać rówa fukcj

Bardziej szczegółowo

$y = XB KLASYCZNY MODEL REGRESJI LINIOWEJ Z WIELOMA ZMIENNYMI NIEZALEŻNYMI

$y = XB KLASYCZNY MODEL REGRESJI LINIOWEJ Z WIELOMA ZMIENNYMI NIEZALEŻNYMI KASYCZNY ODE REGRESJI INIOWEJ Z WIEOA ZIENNYI NIEZAEŻNYI. gdz: wtor obsrwacj a zmj Y, o wmarach ( macrz obsrwacj a zmch zalżch, o wmarach ( ( wtor paramtrów struturalch (wtor współczów, o wmarach (( wtor

Bardziej szczegółowo

Prognozowanie- wiadomoci wstpne

Prognozowanie- wiadomoci wstpne Progozowa- wadomoc wtp Progozowa to racjoal woowa o zdarzach zach a podtaw zdarz zach. Clm progoz jt dotarcz otwch formacj potrzch do podjmowaa dczj. Progoz a mulacj. Progoza co dz w momc t Smulacja co

Bardziej szczegółowo

16, zbudowano test jednostajnie najmocniejszy dla weryfikacji hipotezy H

16, zbudowano test jednostajnie najmocniejszy dla weryfikacji hipotezy H Zada Zakładając, ż zm losow,,, 6 są zalż mają rozkłady ormal ~ N( m, ),,, 6, zbudowao tst jdostaj ajmocjszy dla wryfkacj hpotzy H 0 : m 0 przy altratyw H : m 0 a pozom stotośc 0,05 W rzczywstośc okazało

Bardziej szczegółowo

Służą opisowi oraz przewidywaniu przyszłego kształtowania się zależności gospodarczych.

Służą opisowi oraz przewidywaniu przyszłego kształtowania się zależności gospodarczych. MODEL EOOMERYCZY MODEL EOOMERYCZY DEFIICJA Modl konomtrczn jst równanm matmatcznm (lub układm równao), któr przdstawa zasadncz powązana loścow pomędz rozpatrwanm zjawskam konomcznm., uwzględnającm tlko

Bardziej szczegółowo

CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (c.d.) MIARY ZMIENNOŚCI

CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (c.d.) MIARY ZMIENNOŚCI D. zczyńa,.zczyń, atrały do wyładu 3 z Statyty, 009/0 [] CHARAKTERYSTYKI LICZBOWE STRUKTURY ZBIOROWOŚCI (c.d.). mary połoŝa - wyład. mary zmośc (dyprj, rozproza) 3. mary aymtr (ośośc) 4. mary octracj IARY

Bardziej szczegółowo

Weryfikacja modelu. ( ) Założenia Gaussa-Markowa. Związek pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi ma charakter liniowy

Weryfikacja modelu. ( ) Założenia Gaussa-Markowa. Związek pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi ma charakter liniowy Wryfkacja modlu. Założa Gaussa-Markowa Zwązk pomędzy zmą objaśaą a zmym objaśającym ma charaktr lowy x, x,, K x k Wartośc zmych objaśających są ustalo ( są losow ε. Składk losow dla poszczgólych wartośc

Bardziej szczegółowo

Józef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta

Józef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta Józef Beluch Akadema Górczo-Hutcza w Krakowe płw wag współrzędch a wk trasformacj Helmerta . zór a trasformację współrzędch sposobem Helmerta: = c + b = d + a + a b () 2 2. Dwa modele wzaczea parametrów

Bardziej szczegółowo

PROGNOZOWANIE WIELKOŚCI WYDOBYCIA WĘGLA KAMIENNEGO W GÓRNOŚLĄSKIM ZAGŁĘBIU WĘGLOWYM Z UŻYCIEM LINIOWEJ FUNKCJI REGRESJI

PROGNOZOWANIE WIELKOŚCI WYDOBYCIA WĘGLA KAMIENNEGO W GÓRNOŚLĄSKIM ZAGŁĘBIU WĘGLOWYM Z UŻYCIEM LINIOWEJ FUNKCJI REGRESJI PROGNOZOWANIE WIELKOŚCI WYDOBYCIA WĘGLA KAMIENNEGO W GÓRNOŚLĄSKIM ZAGŁĘBIU WĘGLOWYM Z UŻYCIEM LINIOWEJ FUNKCJI REGRESJI Staław Kowalk 1, Kryta Probrz 1 Katdra Zarządzaa Iżyr Bzpczńtwa, Poltchka Śląka Itytut

Bardziej szczegółowo

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMNE NA STUDACH LCENCJACKCH Oacoa zgooa zz d Maę Wczo a oda:. P. Kuz, J. Podgó: Saa. Wzo ablc. SGH, Wazaa, 8. M. Wczo: Saa. Lubę o! Zbó zadań. SGH, Wazaa 6 .

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

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech

KORELACJA KORELACJA I REGRESJA. X, Y - cechy badane równocześnie. Dane statystyczne zapisujemy w szeregu statystycznym dwóch cech KORELACJA I REGRESJA. KORELACJA X, Y - cech badae rówocześe. Dae statstcze zapsujem w szeregu statstczm dwóch cech...... lub w tablc korelacjej. X Y... l.... l.... l................... k k k... kl k..j......l

Bardziej szczegółowo

INFORMATYKA W CHEMII Dr Piotr Szczepański

INFORMATYKA W CHEMII Dr Piotr Szczepański INFORMATYKA W CHEMII Dr Potr Szczepńk Ktedr Chem Fzczej Fzkochem Polmeró ANALIZA REGRESJI REGRESJA LINIOWA. REGRESJA LINIOWA - metod jmejzch kdrtó. REGRESJA WAŻONA 3. ANALIZA RESZT 4. WSPÓŁCZYNNIK KORELACJI,

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZA 1. Wkład wstęp. Teora prawdopodobeństwa elemet kombatork. Zmee losowe ch rozkład 3. Populacje prób dach, estmacja parametrów 4. Testowae hpotez statstczch 5. Test parametrcze (a

Bardziej szczegółowo

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMNE NA STUDACH LCENCJACKCH Oacoa zgotoa zz d Maę Wczo a odta:. P. Kuz, J. Podgó: Statta. Wzo tablc. SGH, Wazaa, 8. M. Wczo: Statta. Lubę to! Zbó zadań. SGH,

Bardziej szczegółowo

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH

STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMINIE NA STUDIACH LICENCJACKICH STATYSTYKA PODSTAWOWE WZORY DOZWOLONE NA EGZAMNE NA STUDACH LCENCJACKCH Oacoa zgooa zz d Maę Wczo a oda:. P. Kuz, J. Podgó: Saa. Wzo ablc. SGH, Wazaa, 8. M. Wczo: Saa. Lubę o! Zbó zadań. SGH, Wazaa 3 .

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

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

Regresja wielokrotna. Przygotowano w oparciu o Applied Linear Regression Models Neter, Wasserman, Kutner

Regresja wielokrotna. Przygotowano w oparciu o Applied Linear Regression Models Neter, Wasserman, Kutner acj Kotrzwk Rgrja wlokrota Przygotowao w oarcu o Ald Lar Rgro odl Ntr Warma Kutr odl rgrj: - zmych zalżych... - β +β +...+β - - +ε Jśl założymy ż wówcza otać rówoważa jt otac: k β k k + ε Zakładając E(ε

Bardziej szczegółowo

Wcześniej zajmowaliśmy się przypadkiem, w którym zależność między wielkościami mierzonymi dało się przedstawić przy pomocy funkcji: = 3

Wcześniej zajmowaliśmy się przypadkiem, w którym zależność między wielkościami mierzonymi dało się przedstawić przy pomocy funkcji: = 3 Jdomro zgd mmlzcj Jdomro zgd mmlzcj. Wczśj zjmolśm sę przpdkm, którm zlżość mędz lkoścm mrzom dło sę przdstć prz pomoc fukcj: + ) ( Dopso modlu do kó pomró okzło sę bć problmm lom, prodzącm do ukłdu trzch

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

INFORMATYKA W SELEKCJI

INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnna 1. Dan w prac hodowlanj praca z dużm zborm danch (Excl). Podtaw prac z rlacjną bazą danch w program MS Acc 3. Stm tattczn na przkładz paktu SAS

Bardziej szczegółowo

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej

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

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ

BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB WYKŁAD 2 BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH - ANALIZA KORELACJI PROSTEJ Matematka statstka matematcza dla rolków w SGGW Aa Rajfura, KDB Przkład.

Bardziej szczegółowo

Linie regresji II-go rodzaju

Linie regresji II-go rodzaju Lam regresj II-go rodzaju zmeej () względem () azwam zadae krzwe g(;,, ) oraz h(;,, ) gd spełają oe odpowedo waruk: E E Le regresj II-go rodzaju ( ( )) ( ) ( ) ( ) ( ) g ;,,... g ;,,... f, dd m,,... (

Bardziej szczegółowo

ć ć ć Ś ć Ż

ć ć ć Ś ć Ż Ę ć ć ć Ś ć Ż Ę Ś ŚĆ Ś ć ć ć Ś ć ć ć ć ć ć Ś Ć ć ć ć ć ć ć ć ć ć ć ć ć Ś ć Ś Ż Ś Ę ć ć Ż ŚĆ ć ć ć ć ć Ż ć ć ć ć ć ć ć ź ć Ż ć ć ć ć ź ć ć ć ć ć ć ć Ć ć ć Ę ć ź ć ć ć ć ć ć ć Ę ź Ę ć ć ć ć ć ć ć ć ć ć ć

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/

Bardziej szczegółowo

W praktycznym doświadczalnictwie, a w szczególności w doświadczalnictwie polowym, potwierdzono występowanie zależności pomiędzy wzrastającą liczbą

W praktycznym doświadczalnictwie, a w szczególności w doświadczalnictwie polowym, potwierdzono występowanie zależności pomiędzy wzrastającą liczbą W prktyczym doświdczlictwi, w zczgólości w doświdczlictwi polowym, potwirdzoo wytępowi zlżości pomiędzy wzrtjącą liczą oiktów doświdczlych w lokch, wzrotm orwowgo łędu ytmtyczgo. Podcz plowi doświdczń

Bardziej szczegółowo

Stosowana Analiza Regresji

Stosowana Analiza Regresji prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile

Bardziej szczegółowo

Ł Ł Ó Ą ć ć Ó Ą Ź Ó ć Ó Ó Ę Ą

Ł Ł Ó Ą ć ć Ó Ą Ź Ó ć Ó Ó Ę Ą Ą ź Ą Ą Ź Ń ź Ł Ł Ó Ą ć ć Ó Ą Ź Ó ć Ó Ó Ę Ą Ó Ó Ź Ó Ó ć ć Ź ć Ł Ź ć ć Ą Ó Ź Ó Ó ć ć ć Ł Ę ź Ę Ę Ę Ę Ę Ę Ę ć Ę Ź Ę Ę ć Ó Ę ć Ó ź Ę ÓÓ Ę Ę Ź Ó Ó ÓŹ Ł Ź Ź Ę ć Ó Ó Ź Ó Ó Ą ÓĘĘ Ó Ą Ź Ó Ó Ź Ć ÓŹ Ó ć Ą Ć Ę Ć

Bardziej szczegółowo

ć ć ź ć ć ć Ź ź Ź ź

ć ć ź ć ć ć Ź ź Ź ź ć Ż Ż ć ć ć ź ć ć ć Ź ź Ź ź ć ź ć ź ć ź ź ź ź ź ź ź ć ć ź ć źć ć ć ć ć ć ć ć ć ć ć ź ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ź ć ć ć ź ć ć ć ć Ź ć ć ć Ó Ż ć ć Ź ć ć ć ć ć ć ć ć ć ć ć Ź ć ź ć ć ć ć ź ć ć ć

Bardziej szczegółowo

Analiza zależności cech ilościowych regresja liniowa (Wykład 13)

Analiza zależności cech ilościowych regresja liniowa (Wykład 13) Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny

Bardziej szczegółowo

ź Ź Ź ć ć ć ź ć ć ć ć ć Ź

ź Ź Ź ć ć ć ź ć ć ć ć ć Ź ź Ź Ź ć ć ć ź ć ć ć ć ć Ź ć ć ć ć ć ć ć ć Ż ć ć ć ć ć ć ć ć ć ć ć Ż Ż ć ć ć ć ć ć ć ć Ż ć ć ć ź ć Ź ć ć ć ć ć ć ć ć ć ź ć ć ć ć ć ć ć ć ć ć ć ć ć ć Ż ć ć ć ć Ż ć ć ć ć ć ć ć ć Ż ć Ł Ś Ś ć Ą Ę ć Ę ć Ż ć

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej

Bardziej szczegółowo

ANALIZA ZALEŻNOŚCI DWÓCH ZMIENNYCH ILOŚCIOWYCH

ANALIZA ZALEŻNOŚCI DWÓCH ZMIENNYCH ILOŚCIOWYCH ANALIZA ZALEŻNOŚCI DWÓCH ZMIENNYCH ILOŚCIOWYCH Na ogół oprócz obserwacj jedej zmeej zberam róweż formacje towarzszące, które mogą meć zaczee w aalze teresującej as welkośc. Iformacje te mogą bć p. wkorzstae

Bardziej szczegółowo

Ę ź Ą

Ę ź Ą Ę ź Ą Ę Ł Ń Ż Ż ć Ł ć ć ć ć Ż Ż Ć Ż ć Ż Ż Ń Ć Ć Ć Ż ć ć ć Ć ć Ż Ż Ć Ć Ż Ż Ź Ż Ż ć ć ć Ż Ż Ć Ć Ż Ź Ż Ż ć Ż Ż Ć Ż ć Ż Ł Ń Ę ć Ż Ł Ż ć Ć ć ć Ę Ż ć Ć Ż ć ć Ź Ć ć Ć Ź ć ć ć Ć ć ć Ż ć ć ć ć Ż Ę ć Ę Ć ć Ć Ą Ż

Bardziej szczegółowo

Ą ŚĆ Ś Ś Ę ć

Ą ŚĆ Ś Ś Ę ć Ą Ę Ą Ą ŚĆ Ś Ś Ę ć ć ć ć ź ć ć ć ć ć ć ć ć Ą ć ć ć Ą Ś ć Ś ć ć Ą ć Ś Ś Ą Ś Ą ć ć Ą ź ź ć ć Ą ć ź ć Ą ć Ą ć ć ć ć ć ć ć ć ć ć ć ć ć ź ć ć Ś ć ć ć Ę Ą ć Ą ć ć ć ć ć ć Ł ź ź ź Ł Ł ć Ą ć ć ć ć ć Ą ć Ą ć Ą

Bardziej szczegółowo

ń ż Ż

ń ż Ż Ł ń ć ń Ż ń ż Ż Ę ń Ź Ż Ń ż ń ż Ż ń ż Ć Ę Ę ć ć ż ć ń ć ć ć ć ć ć Ę ń ć ń Ż ć Ą Ż ć ń ż ć ć Ń Ń ż ć ć ć Ż ć ź ż ć ć ć ż Ę ć ć Ń ć ż ć Ą ć ć ć Ę ć ń ż ć ć ń Ń ż ń ć Ą ż ć ń ć ż ż Ę Ź Ż Ż ń Ę Ż Ę Ę ż ń ż

Bardziej szczegółowo

Ż Ą Ź ć Ę Ź ć

Ż Ą Ź ć Ę Ź ć Ą Ż Ą Ź ć Ę Ź ć ć Ż Ę Ę ć Ś ć Ż Ż Ź ć Ą ć Ę Ź ć Ś Ś Ę ć Ę ć Ź Ś ć ć ć Ż Ż Ę Ź Ę Ż Ź Ść Ś Ż Ś Ę Ź Ż Ś Ć Ą Ź Ę Ź ć Ż Ć Ę Ź Ż ź Ę Ź Ż Ę Ś Ź Ż Ż Ś Ś Ź Ź Ź Ź Ś Ę Ą Ę Ć Ś Ę Ź Ś Ś Ś Ź Ś Ę Ę Ź Ś Ź Ę Ź Ż Ę Ę ź

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

Rozdział 8. Regresja. Definiowanie modelu

Rozdział 8. Regresja. Definiowanie modelu Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność

Bardziej szczegółowo

Projekt 2 2. Wielomiany interpolujące

Projekt 2 2. Wielomiany interpolujące Proekt Weloma terpoluące Rodzae welomaów terpoluącc uma edomaów Nec w przedzale a, b określoa będze fukca f: ec będze ustaloc m wartośc argumetu :,,, m, m L prz czm: < < L < < m m Pukt o tc odcztac azwa

Bardziej szczegółowo