Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych

Wielkość: px
Rozpocząć pokaz od strony:

Download "Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych"

Transkrypt

1 Publiczna obrona rozprawy doktorskiej Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych Piotr Miłoś Instytut Matematyczny Polskiej Akademii Nauk Warszawa

2 Plan 1 Układy czastek z rozgałęzianiem Opis intuicyjny Opis bardziej precyzyjny Pokrewne pojęcia 2 Wyniki rozprawy Opis problemu Lista układów Przykładowe twierdzenia

3 Intuicyjna definicja układu z rozgałęzianiem Układ z rozgałęzianiem Zbiór czastek różnych typów, w pewnej przestrzeni, poruszajacych się zgodnie z pewna dynamika i dzielacych losowo zgodnie z zadanym prawem podziału...

4 Opis bardziej precyzyjny Czastki - możliwych jest wiele typów (np. drobiny pyłów w powietrzu) Przestrzeń - najczęściej R d lub Z d Czas - dyskretny lub ciagły Ruch czastek - czastki poruszaja się zgodnie z pewnym procesem stochastycznym (najczęściej jednorodnym w czasie procesem Markowa, np. procesem Lévy ego) Rozgałęzianie - po pewnym czasie (najczęściej wykładniczym lub geometrycznym) czastka dzieli się zgodnie z losowym prawem podziału Imigracja - nowe czastki pojawiaja się w systemie zgodnie z pewnym rozkładem losowym

5 Opis bardziej precyzyjny Czastki - możliwych jest wiele typów (np. drobiny pyłów w powietrzu) Przestrzeń - najczęściej R d lub Z d Czas - dyskretny lub ciagły Ruch czastek - czastki poruszaja się zgodnie z pewnym procesem stochastycznym (najczęściej jednorodnym w czasie procesem Markowa, np. procesem Lévy ego) Rozgałęzianie - po pewnym czasie (najczęściej wykładniczym lub geometrycznym) czastka dzieli się zgodnie z losowym prawem podziału Imigracja - nowe czastki pojawiaja się w systemie zgodnie z pewnym rozkładem losowym

6 Opis bardziej precyzyjny Czastki - możliwych jest wiele typów (np. drobiny pyłów w powietrzu) Przestrzeń - najczęściej R d lub Z d Czas - dyskretny lub ciagły Ruch czastek - czastki poruszaja się zgodnie z pewnym procesem stochastycznym (najczęściej jednorodnym w czasie procesem Markowa, np. procesem Lévy ego) Rozgałęzianie - po pewnym czasie (najczęściej wykładniczym lub geometrycznym) czastka dzieli się zgodnie z losowym prawem podziału Imigracja - nowe czastki pojawiaja się w systemie zgodnie z pewnym rozkładem losowym

7 Opis bardziej precyzyjny Czastki - możliwych jest wiele typów (np. drobiny pyłów w powietrzu) Przestrzeń - najczęściej R d lub Z d Czas - dyskretny lub ciagły Ruch czastek - czastki poruszaja się zgodnie z pewnym procesem stochastycznym (najczęściej jednorodnym w czasie procesem Markowa, np. procesem Lévy ego) Rozgałęzianie - po pewnym czasie (najczęściej wykładniczym lub geometrycznym) czastka dzieli się zgodnie z losowym prawem podziału Imigracja - nowe czastki pojawiaja się w systemie zgodnie z pewnym rozkładem losowym

8 Opis bardziej precyzyjny Czastki - możliwych jest wiele typów (np. drobiny pyłów w powietrzu) Przestrzeń - najczęściej R d lub Z d Czas - dyskretny lub ciagły Ruch czastek - czastki poruszaja się zgodnie z pewnym procesem stochastycznym (najczęściej jednorodnym w czasie procesem Markowa, np. procesem Lévy ego) Rozgałęzianie - po pewnym czasie (najczęściej wykładniczym lub geometrycznym) czastka dzieli się zgodnie z losowym prawem podziału Imigracja - nowe czastki pojawiaja się w systemie zgodnie z pewnym rozkładem losowym

9 Opis bardziej precyzyjny Czastki - możliwych jest wiele typów (np. drobiny pyłów w powietrzu) Przestrzeń - najczęściej R d lub Z d Czas - dyskretny lub ciagły Ruch czastek - czastki poruszaja się zgodnie z pewnym procesem stochastycznym (najczęściej jednorodnym w czasie procesem Markowa, np. procesem Lévy ego) Rozgałęzianie - po pewnym czasie (najczęściej wykładniczym lub geometrycznym) czastka dzieli się zgodnie z losowym prawem podziału Imigracja - nowe czastki pojawiaja się w systemie zgodnie z pewnym rozkładem losowym

10 Pokrewne pojęcia i metody dowodowe System jako całość jest opisany jak proces stochastyczny o wartościach w miarach punktowych (Funkcyjne) twierdzenia graniczne, superprocesy Miara równowagowa, wymieranie Czas przebywania i jego fluktuacje Metoda czasoprzestrzenna (przestrzeń dystrybucji temperowanch) Zwiazki z czastkowymi równaniami różniczkowymi poprzez wzór Feynmana-Kaca N s = p P t δ pt

11 Pokrewne pojęcia i metody dowodowe System jako całość jest opisany jak proces stochastyczny o wartościach w miarach punktowych (Funkcyjne) twierdzenia graniczne, superprocesy Miara równowagowa, wymieranie Czas przebywania i jego fluktuacje Metoda czasoprzestrzenna (przestrzeń dystrybucji temperowanch) Zwiazki z czastkowymi równaniami różniczkowymi poprzez wzór Feynmana-Kaca C([0, 1], M) D([0, 1], M)

12 Pokrewne pojęcia i metody dowodowe System jako całość jest opisany jak proces stochastyczny o wartościach w miarach punktowych (Funkcyjne) twierdzenia graniczne, superprocesy Miara równowagowa, wymieranie Czas przebywania i jego fluktuacje Metoda czasoprzestrzenna (przestrzeń dystrybucji temperowanch) Zwiazki z czastkowymi równaniami różniczkowymi poprzez wzór Feynmana-Kaca N t Eq, t +

13 Pokrewne pojęcia i metody dowodowe System jako całość jest opisany jak proces stochastyczny o wartościach w miarach punktowych (Funkcyjne) twierdzenia graniczne, superprocesy Miara równowagowa, wymieranie Czas przebywania i jego fluktuacje Metoda czasoprzestrzenna (przestrzeń dystrybucji temperowanch) Zwiazki z czastkowymi równaniami różniczkowymi poprzez wzór Feynmana-Kaca t 0 [ t ] N s ds EN s ds 0

14 Pokrewne pojęcia i metody dowodowe System jako całość jest opisany jak proces stochastyczny o wartościach w miarach punktowych (Funkcyjne) twierdzenia graniczne, superprocesy Miara równowagowa, wymieranie Czas przebywania i jego fluktuacje Metoda czasoprzestrzenna (przestrzeń dystrybucji temperowanch) Zwiazki z czastkowymi równaniami różniczkowymi poprzez wzór Feynmana-Kaca XT, Ψ := 1 0 X T (t), Ψ(, t) dt, Ψ S(R d )

15 Pokrewne pojęcia i metody dowodowe System jako całość jest opisany jak proces stochastyczny o wartościach w miarach punktowych (Funkcyjne) twierdzenia graniczne, superprocesy Miara równowagowa, wymieranie Czas przebywania i jego fluktuacje Metoda czasoprzestrzenna (przestrzeń dystrybucji temperowanch) Zwiazki z czastkowymi równaniami różniczkowymi poprzez wzór Feynmana-Kaca h t = (A 1)h + F(h)

16 Wyniki rozprawy

17 Wyniki - opis problemu Definicja fluktuacji przeskalowanego czasu przebywania Cel X T (t) = 1 F T Tt Celem rozprawy było zbadanie zbieżności 0 (N s EN s )ds X T X, T +, t [0, 1], przy odpowiednio wybranym F T. Tym samym, ustanowienie funkcyjnego centralnego twierdzenia granicznego dla procesu przebywania. Zbieżność jest rozumiana, jako zbieżność wg. rozkładów w przestrzeni C([0, 1], S (R d )) lub zbieżność rozkładów skończenie wymiarowych/czasoprzestrzenna.

18 Wyniki - opis problemu Definicja fluktuacji przeskalowanego czasu przebywania Cel X T (t) = 1 F T Tt Celem rozprawy było zbadanie zbieżności 0 (N s EN s )ds X T X, T +, t [0, 1], przy odpowiednio wybranym F T. Tym samym, ustanowienie funkcyjnego centralnego twierdzenia granicznego dla procesu przebywania. Zbieżność jest rozumiana, jako zbieżność wg. rozkładów w przestrzeni C([0, 1], S (R d )) lub zbieżność rozkładów skończenie wymiarowych/czasoprzestrzenna.

19 Wyniki - lista Układy czastek z rozgałęzianiem krytycznym o wariancji skończonej, startujace z pola Poissona lub miary równowagowej Układy czastek z rozgałęzianiem krytycznym o wariancji nieskończonej (o szczególnej postaci), startujace z miary równowagowej Układy czastek z rozgałęzianiem krytycznym binarnym, z jednorodna Układy czastek z rozgałęzianiem podkrytycznym binarnym, z jednorodna

20 Wyniki - lista Układy czastek z rozgałęzianiem krytycznym o wariancji skończonej, startujace z pola Poissona lub miary równowagowej Układy czastek z rozgałęzianiem krytycznym o wariancji nieskończonej (o szczególnej postaci), startujace z miary równowagowej Układy czastek z rozgałęzianiem krytycznym binarnym, z jednorodna Układy czastek z rozgałęzianiem podkrytycznym binarnym, z jednorodna

21 Wyniki - lista Układy czastek z rozgałęzianiem krytycznym o wariancji skończonej, startujace z pola Poissona lub miary równowagowej Układy czastek z rozgałęzianiem krytycznym o wariancji nieskończonej (o szczególnej postaci), startujace z miary równowagowej Układy czastek z rozgałęzianiem krytycznym binarnym, z jednorodna Układy czastek z rozgałęzianiem podkrytycznym binarnym, z jednorodna

22 Wyniki - lista Układy czastek z rozgałęzianiem krytycznym o wariancji skończonej, startujace z pola Poissona lub miary równowagowej Układy czastek z rozgałęzianiem krytycznym o wariancji nieskończonej (o szczególnej postaci), startujace z miary równowagowej Układy czastek z rozgałęzianiem krytycznym binarnym, z jednorodna Układy czastek z rozgałęzianiem podkrytycznym binarnym, z jednorodna

23 Układ z rozgałęzianiem krytycznym o skończonej wariancji Opis układu czastki poruszaja niezależnie zgodnie z symetrycznym procesem α-stabilnym Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału krytyczne, o wariancji skończonej rozkład poczatkowy czastek - pole Poissona lub miara równowagowa F(s) = 1 3 s

24 Układ z rozgałęzianiem krytycznym o skończonej wariancji Opis układu czastki poruszaja niezależnie zgodnie z symetrycznym procesem α-stabilnym Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału krytyczne, o wariancji skończonej rozkład poczatkowy czastek - pole Poissona lub miara równowagowa N Poiss t Eq, gdy t +

25 Układ z rozgałęzianiem krytycznym o skończonej wariancji Opis układu czastki poruszaja niezależnie zgodnie z symetrycznym procesem α-stabilnym Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału krytyczne, o wariancji skończonej rozkład poczatkowy czastek - pole Poissona lub miara równowagowa Cel: granica (przy przyspieszeniu czasu) procesów fluktuacji przeskalowanego czasu przebywania.

26 Układ z rozgałęzianiem krytycznym o skończonej wariancji Twierdzenie dla wymiarów pośrednich Założenia wtedy Przestrzeń R d z α < d < 2α, F T = T (3+d/α)/2, X Poiss T cξλ, gdy T +, X Eq T cζλ, gdy T +, gdzie ξ to podułamkowy ruch Browna, a ζ to ułamkowy ruch Browna.

27 Układ z rozgałęzianiem krytycznym o skończonej wariancji Komentarze zbieżność w przestrzeni funkcyjnej zależność od rozkładu poczatkowego zależności dalekiego zasięgu prawo podziału o nieskończonej wariancji zbieżność w przestrzeni C([0, 1], S (R d ))

28 Układ z rozgałęzianiem krytycznym o skończonej wariancji Komentarze zbieżność w przestrzeni funkcyjnej zależność od rozkładu poczatkowego zależności dalekiego zasięgu prawo podziału o nieskończonej wariancji Cov ξ (s, t) = s h + t h 1 2 [ (s + t) h t s h], Cov ζ (s, t) = s h + t h 1 2 s t h, h = 3 d α

29 Układ z rozgałęzianiem krytycznym o skończonej wariancji Komentarze zbieżność w przestrzeni funkcyjnej zależność od rozkładu poczatkowego zależności dalekiego zasięgu prawo podziału o nieskończonej wariancji C ξ (τ) cτ h 3, C ζ (τ) cτ h 2

30 Układ z rozgałęzianiem krytycznym o skończonej wariancji Komentarze zbieżność w przestrzeni funkcyjnej zależność od rozkładu poczatkowego zależności dalekiego zasięgu prawo podziału o nieskończonej wariancji F(s) = s + 1 (1 s)1+β 1 + β

31 Układ z rozgałęzianiem krytycznym, binarnym i Definicja układu czastki poruszaja niezależnie zgodnie z symetrycznym procesem α-stabilnym Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału krytyczne, binarne rozkład poczatkowy czastek - pole Poissona imigracja zgodnie z jednorodnym w czasie i przestrzeni polem Poissona F(s) = 1 2 s

32 Układ z rozgałęzianiem krytycznym, binarnym i Definicja układu czastki poruszaja niezależnie zgodnie z symetrycznym procesem α-stabilnym Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału krytyczne, binarne rozkład poczatkowy czastek - pole Poissona imigracja zgodnie z jednorodnym w czasie i przestrzeni polem Poissona Cel: granica (przy przyspieszeniu czasu) procesów fluktuacji przeskalowanego czasu przebywania.

33 Układ z rozgałęzianiem krytycznym, binarnym i Twierdzenie dla wymiarów małych i pośrednich Założenia przestrzeń R d z 0 < d < 2α, F T = T (4+d/α)/2, wtedy X T cηλ, gdy T +, gdzie η to scentrowany proces gaussowski o kowariancji Cov(s, t) = s h+1 + t h (s + t)h (t s)h [3t + (2h 1)s], h = (3 d α )/2.

34 Układ z rozgałęzianiem krytycznym, binarnym i Twierdzenie dla wymiarów dużych Założenia wtedy przestrzeń R d z 2α < d i F T = T, X T c X, gdy T +, gdzie X jest scentrowanym procesem gaussowskim o wartościach w S (R d ) i funkcjonale kowariancji Cov ( X s, ϕ 1, X t, ϕ 2 ) = (s t) 2 2(2π) d R d ( 2 z α + V ) z 2α ϕ 1 (z) ϕ 2 (z)dz.

35 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze istnienie granicy dla wymiarów małych (d < α); lokalne wymieranie zależność dalekiego zasięgu w wymiarach małych i pośrednich intuicyjne wyjaśnienie struktury czasowej i przestrzennej przypadek wymiarów krytycznych d = 2α niezależność od rozkładu poczatkowego

36 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze istnienie granicy dla wymiarów małych (d < α); lokalne wymieranie zależność dalekiego zasięgu w wymiarach małych i pośrednich intuicyjne wyjaśnienie struktury czasowej i przestrzennej przypadek wymiarów krytycznych d = 2α niezależność od rozkładu poczatkowego C η (τ) τ h 2

37 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze istnienie granicy dla wymiarów małych (d < α); lokalne wymieranie zależność dalekiego zasięgu w wymiarach małych i pośrednich intuicyjne wyjaśnienie struktury czasowej i przestrzennej przypadek wymiarów krytycznych d = 2α niezależność od rozkładu poczatkowego

38 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze istnienie granicy dla wymiarów małych (d < α); lokalne wymieranie zależność dalekiego zasięgu w wymiarach małych i pośrednich intuicyjne wyjaśnienie struktury czasowej i przestrzennej przypadek wymiarów krytycznych d = 2α niezależność od rozkładu poczatkowego

39 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze istnienie granicy dla wymiarów małych (d < α); lokalne wymieranie zależność dalekiego zasięgu w wymiarach małych i pośrednich intuicyjne wyjaśnienie struktury czasowej i przestrzennej przypadek wymiarów krytycznych d = 2α niezależność od rozkładu poczatkowego

40 Układ z rozgałęzianiem krytycznym, binarnym i Opis układu czastki poruszaja się zgodnie z procesem Markowa (przy pewnych słabych założeniach). Np. procesy Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału podkrytyczne, binarne rozkład poczatkowy czastek - pole Poissona imigracja zgodnie z jednorodnym w czasie i przestrzeni polem Poissona F(s) = qs 2 + (1 q), 0 q < 1/2.

41 Układ z rozgałęzianiem krytycznym, binarnym i Opis układu czastki poruszaja się zgodnie z procesem Markowa (przy pewnych słabych założeniach). Np. procesy Lévy ego podział czastek następuje po czasie o rozkładzie wykładniczym prawo podziału podkrytyczne, binarne rozkład poczatkowy czastek - pole Poissona imigracja zgodnie z jednorodnym w czasie i przestrzeni polem Poissona Cel: granica (przy przyspieszeniu czasu) procesów fluktuacji przeskalowanego czasu przebywania.

42 Układ z rozgałęzianiem krytycznym, binarnym i Twierdzenie Założenia wtedy przestrzeń R d, normowanie F T = T 1/2, założenia techniczne na proces Markowa, X T X, gdy T +, gdzie X jest scentrowanym procesem gaussowskim o wartościach w S (R d ) i funkcjonale kowariancji Cov ( X s, ϕ, X t, ϕ ) = (s t) T (ϕ)dx, R d gdzie T (ϕ) := U Q ϕ(x)u Q ϕ(x) + Z + 0 U Q (T Q t ϕ(x)t Q t U Q ϕ(x))dt.

43 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze własności ruchu czastek graja mniejsze znaczenie szersza klasa układów wyniki jakościowo te same we wszystkich wymiarach porównanie wyników z układami o rozgałęzianiu krytycznym niezależność od warunków poczatkowych

44 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze własności ruchu czastek graja mniejsze znaczenie szersza klasa układów wyniki jakościowo te same we wszystkich wymiarach porównanie wyników z układami o rozgałęzianiu krytycznym niezależność od warunków poczatkowych

45 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze własności ruchu czastek graja mniejsze znaczenie szersza klasa układów wyniki jakościowo te same we wszystkich wymiarach porównanie wyników z układami o rozgałęzianiu krytycznym niezależność od warunków poczatkowych

46 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze własności ruchu czastek graja mniejsze znaczenie szersza klasa układów wyniki jakościowo te same we wszystkich wymiarach porównanie wyników z układami o rozgałęzianiu krytycznym niezależność od warunków poczatkowych

47 Układ z rozgałęzianiem krytycznym, binarnym i Komentarze własności ruchu czastek graja mniejsze znaczenie szersza klasa układów wyniki jakościowo te same we wszystkich wymiarach porównanie wyników z układami o rozgałęzianiu krytycznym niezależność od warunków poczatkowych

48 Koniec Dziękuję za uwagę!

Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałązkowych

Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałązkowych Instytut Matematyczny Polskiej Akademii Nauk Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałązkowych Piotr Miłoś Praca doktorska napisana pod kierunkiem prof. dr hab. Tomasza Bojdeckiego

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej

Bardziej szczegółowo

Wykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova)

Wykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) Wykład 2 Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) 1. Procesy Markova: definicja 2. Równanie Chapmana-Kołmogorowa-Smoluchowskiego 3. Przykład dyfuzji w kapilarze

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawa wielkich liczb, centralne twierdzenia graniczne , centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

Zadania z Procesów Stochastycznych 1

Zadania z Procesów Stochastycznych 1 Zadania z Procesów Stochastycznych 1 Definicja Procesem Poissona z parametrem (intensywnością) λ > 0 nazywamy proces stochastyczny N = (N t ) t 0 taki, że N 0 = 0; (P0) N ma przyrosty niezależne; (P1)

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane

Bardziej szczegółowo

O procesie Wienera. O procesie Wienera. Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Proces Wienera. Ruch Browna. Ułamkowe ruchy Browna

O procesie Wienera. O procesie Wienera. Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Proces Wienera. Ruch Browna. Ułamkowe ruchy Browna Procesy stochastyczne Wykład XV, 15 czerwca 2015 r. Ruch 1 {X t } jest martyngałem dokładnie wtedy, gdy E(X t F s ) = X s, s, t T, s t. Jeżeli EX 2 (t) < +, to E(X t F s ) jest rzutem ortogonalnym zmiennej

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIE STWA

RACHUNEK PRAWDOPODOBIE STWA Jerzy Ombach RACHUNEK PRAWDOPODOBIE STWA WSPOMAGANY KOMPUTEROWO DLA STUDENTÓW MATEMATYKI STOSOWANEJ Wydawnictwo Uniwersytetu Jagielloƒskiego Seria Matematyka Książka finansowana przez Wydział Matematyki

Bardziej szczegółowo

1.1 Przegląd wybranych równań i modeli fizycznych. , u x1 x 2

1.1 Przegląd wybranych równań i modeli fizycznych. , u x1 x 2 Temat 1 Pojęcia podstawowe 1.1 Przegląd wybranych równań i modeli fizycznych Równaniem różniczkowym cząstkowym rzędu drugiego o n zmiennych niezależnych nazywamy równanie postaci gdzie u = u (x 1, x,...,

Bardziej szczegółowo

ZAGADNIENIA DO EGZAMINU MAGISTERSKIEGO

ZAGADNIENIA DO EGZAMINU MAGISTERSKIEGO ZAGADNIENIA DO EGZAMINU MAGISTERSKIEGO Na egzaminie magisterskim student powinien: 1) omówić wyniki zawarte w pracy magisterskiej posługując się swobodnie pojęciami i twierdzeniami zamieszczonymi w pracy

Bardziej szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Tematy prac magisterskich i doktorskich

Tematy prac magisterskich i doktorskich Tematy prac magisterskich i doktorskich Stochastyczna dynamika z opóźnieniami czasowymi w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki

Bardziej szczegółowo

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu Marcin Anholcer Uniwersytet Ekonomiczny w Poznaniu 19 marca 2013, Ustroń Marcin Anholcer Stochastyczne zagadnienie rozdziału 1/ 15 1 Zagadnienie

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści

Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, Spis treści Wstęp do rachunku prawdopodobieństwa. Cz. 2 / William Feller. wyd. 4, dodr. 3. Warszawa, 2012 Spis treści Przedmowa 5 Oznaczenia i konwencje 7 Rozdział I Rozkład wykładniczy i rozkład jednostajny 1. Wprowadzenie

Bardziej szczegółowo

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2 Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,

Bardziej szczegółowo

Wykład 3 Jednowymiarowe zmienne losowe

Wykład 3 Jednowymiarowe zmienne losowe Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

GRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils

GRA Przykład. 1) Zbiór graczy. 2) Zbiór strategii. 3) Wypłaty. n = 2 myśliwych. I= {1,,n} S = {polować na jelenia, gonić zająca} S = {1,,m} 10 utils GRA Przykład 1) Zbiór graczy n = 2 myśliwych I= {1,,n} 2) Zbiór strategii S = {polować na jelenia, gonić zająca} S = {1,,m} 3) Wypłaty jeleń - zając - 10 utils 3 utils U i : S n R i=1,,n J Z J Z J 5 0

Bardziej szczegółowo

Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów

Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów Jacek Miękisz Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski Warszawa 14

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,

Bardziej szczegółowo

1 Relacje i odwzorowania

1 Relacje i odwzorowania Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X

Bardziej szczegółowo

Superdyfuzja. Maria Knorps. Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska

Superdyfuzja. Maria Knorps. Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska VI Matematyczne Warsztaty KaeNeMów p. 1/2 Superdyfuzja Maria Knorps maria.knorps@gmail.com Wydział Fizyki Technicznej i Matematyki stosowanej, Politechnika Gdańska VI Matematyczne Warsztaty KaeNeMów p.

Bardziej szczegółowo

Zagadnienia stacjonarne

Zagadnienia stacjonarne Zagadnienia stacjonarne Karol Hajduk 19 grudnia 2012 Nierówność wariacyjna (u (t), v u(t)) + a(u, v u) + Ψ(v) Ψ(u) (f, v u), v V. Zagadnienie stacjonarne ma postać (u (t) = 0): a(u, v u) + Ψ(v) Ψ(u) (f,

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa II Podaj przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,

Zadania z Rachunku Prawdopodobieństwa II Podaj przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ, Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podaj przykład

Bardziej szczegółowo

Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień

Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Narzędzia przypomnienie podstawowych definicji i twierdzeń z rachunku prawdopodobienstwa; podstawowe rozkłady statystyczne

Bardziej szczegółowo

Spacery losowe generowanie realizacji procesu losowego

Spacery losowe generowanie realizacji procesu losowego Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, wiadomości wstępne (I) Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów

Bardziej szczegółowo

3. Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,

3. Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ, Zadania z Rachunku Prawdopodobieństwa II - Mówimy, że i) ciąg miar probabilistycznych µ n zbiega słabo do miary probabilistycznej µ (ozn. µ n µ), jeśli fdµ n fdµ dla dowolnej funkcji ciągłej ograniczonej

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja

Bardziej szczegółowo

Zadania ze Wstępu do Analizy Stochastycznej 1. = 0 p.n.

Zadania ze Wstępu do Analizy Stochastycznej 1. = 0 p.n. Zadania ze Wstępu do Analizy Stochastycznej 1 1. Znajdź rozkład zmiennej 5W 1 W 3 + W 7. 2. Dla jakich parametrów a i b, zmienne aw 1 W 2 oraz W 3 + bw 5 są niezależne? 3. Znajdź rozkład wektora losowego

Bardziej szczegółowo

Wstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, Spis treści

Wstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, Spis treści Wstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, 2012 Spis treści Od Wydawnictwa 5 Z przedmowy autora do wydania pierwszego 7 Z przedmowy autora do wydania drugiego

Bardziej szczegółowo

Lista 1. Procesy o przyrostach niezależnych.

Lista 1. Procesy o przyrostach niezależnych. Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)

Bardziej szczegółowo

Biostatystyka, # 3 /Weterynaria I/

Biostatystyka, # 3 /Weterynaria I/ Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Układy stochastyczne

Układy stochastyczne Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.

Bardziej szczegółowo

Teoria ze Wstępu do analizy stochastycznej

Teoria ze Wstępu do analizy stochastycznej eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,

Zadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ, Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podać przykład

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej

Bardziej szczegółowo

Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009

Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania

Bardziej szczegółowo

2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych

2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych 2. Równania o rozdzielonych zmiennych 2 1 2 Równania różniczkowe zwyczajne o rozdzielonych zmiennych Równaniem różniczkowym zwyczajnym pierwszego rzędu o rozdzielonych zmiennych nazywamy równanie różniczkowe

Bardziej szczegółowo

FUNKCJE ZESPOLONE Lista zadań 2005/2006

FUNKCJE ZESPOLONE Lista zadań 2005/2006 FUNKJE ZESPOLONE Lista zadań 25/26 Opracowanie: dr Jolanta Długosz Liczby zespolone. Obliczyć wartości podanych wyrażeń: (2 + ) ( ) 2 4 i (5 + i); b) (3 i)( 4 + 2i); c) 4 + i ; d) ( + i) 4 ; e) ( 2 + 3i)

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa III - 1

Zadania z Rachunku Prawdopodobieństwa III - 1 Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o

Bardziej szczegółowo

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek

Janusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)

Bardziej szczegółowo

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach

Bardziej szczegółowo

Szkice do zajęć z Przedmiotu Wyrównawczego

Szkice do zajęć z Przedmiotu Wyrównawczego Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................

Bardziej szczegółowo

Metoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10

Metoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10 Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

Informacja o przestrzeniach Sobolewa

Informacja o przestrzeniach Sobolewa Wykład 11 Informacja o przestrzeniach Sobolewa 11.1 Definicja przestrzeni Sobolewa Niech R n będzie zbiorem mierzalnym. Rozważmy przestrzeń Hilberta X = L 2 () z iloczynem skalarnym zdefiniowanym równością

Bardziej szczegółowo

Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik. Historia

Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik. Historia 1 Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik Całka stochastyczna ( t ) H s dx s = H X. t Historia K. Itô (1944) konstrukcja całki stochastycznej

Bardziej szczegółowo

Zagadnienia brzegowe dla równań eliptycznych

Zagadnienia brzegowe dla równań eliptycznych Temat 7 Zagadnienia brzegowe dla równań eliptycznych Rozważmy płaski obszar R 2 ograniczony krzywą. la równania Laplace a (Poissona) stawia się trzy podstawowe zagadnienia brzegowe. Zagadnienie irichleta

Bardziej szczegółowo

5 Przegląd najważniejszych rozkładów

5 Przegląd najważniejszych rozkładów 5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,

Bardziej szczegółowo

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =

Bardziej szczegółowo

METODA PERT. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski

METODA PERT. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski METODA PERT Maciej Patan Programowanie sieciowe. Metoda PERT 1 WPROWADZENIE PERT (ang. Program Evaluation and Review Technique) Metoda należy do sieci o strukturze logicznej zdeterminowanej Parametry opisujace

Bardziej szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus listopada 07r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej

Bardziej szczegółowo

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1 Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:

Bardziej szczegółowo

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym

Bardziej szczegółowo

Lista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,

Bardziej szczegółowo

Elektrostatyka, cz. 1

Elektrostatyka, cz. 1 Podstawy elektromagnetyzmu Wykład 3 Elektrostatyka, cz. 1 Prawo Coulomba F=k q 1 q 2 r 2 1 q1 q 2 Notka historyczna: 1767: John Priestley - sugestia 1771: Henry Cavendish - eksperyment 1785: Charles Augustin

Bardziej szczegółowo

WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI

WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI Zał. nr do ZW WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI KARTA PRZEDMIOTU Nazwa w języku polskim: Matematyka (Zao EA EiT stopień) Nazwa w języku angielskim: Mathematics Kierunek studiów (jeśli dotyczy):

Bardziej szczegółowo

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie

Bardziej szczegółowo

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (I)

Równanie przewodnictwa cieplnego (I) Wykład 4 Równanie przewodnictwa cieplnego (I) 4.1 Zagadnienie Cauchy ego dla pręta nieograniczonego Rozkład temperatury w jednowymiarowym nieograniczonym pręcie opisuje funkcja u = u(x, t), spełniająca

Bardziej szczegółowo

O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego

O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego O pewnym twierdzeniu S. Łojasiewicza, J. Wloki, Z. Zieleżnego Jan Ligęza Instytut Matematyki Wisła Letnia Szkoła Instytutu Matematyki wrzesień 2010 r. [1] S. Łojasiewicz, J. Wloka, Z. Zieleżny; Über eine

Bardziej szczegółowo

1 Gaussowskie zmienne losowe

1 Gaussowskie zmienne losowe Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..

Bardziej szczegółowo

MECHANIKA II. Praca i energia punktu materialnego

MECHANIKA II. Praca i energia punktu materialnego MECHANIKA II. Praca i energia punktu materialnego Daniel Lewandowski Politechnika Wrocławska, Wydział Mechaniczny, Katedra Mechaniki i Inżynierii Materiałowej http://kmim.wm.pwr.edu.pl/lewandowski/ daniel.lewandowski@pwr.edu.pl

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja

Bardziej szczegółowo

Od neuronu do sieci: modelowanie układu nerwowego

Od neuronu do sieci: modelowanie układu nerwowego Od neuronu do sieci: modelowanie układu nerwowego Stochastyczne modele generacji iglic Kodowanie informacji w układzie nerwowym dr Daniel Wójcik Na podstawie podręcznika THEORETICAL NEUROSCIENCE Petera

Bardziej szczegółowo

Rozkłady prawdopodobieństwa

Rozkłady prawdopodobieństwa Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład

Bardziej szczegółowo

Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/

Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i

Bardziej szczegółowo

}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,

}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0, Zadania z Procesów Stochastycznych II - 1 1. Niech π n = {t (n), t(n) 1,..., t(n) k n }, gdzie a = t (n) < t (n) 1

Bardziej szczegółowo

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7

2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7 Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4

Bardziej szczegółowo

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1) Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza

Bardziej szczegółowo

Stochastyczne równania różniczkowe, model Blacka-Scholesa

Stochastyczne równania różniczkowe, model Blacka-Scholesa Stochastyczne równania różniczkowe, model Blacka-Scholesa Marcin Orchel Spis treści 1 Wstęp 1 1.1 Błądzenie losowe................................ 1 1. Proces Wienera................................. 1.3

Bardziej szczegółowo

Spis treści. Rozdział I. Wstęp do matematyki Rozdział II. Ciągi i szeregi... 44

Spis treści. Rozdział I. Wstęp do matematyki Rozdział II. Ciągi i szeregi... 44 Księgarnia PWN: Ryszard Rudnicki, Wykłady z analizy matematycznej Spis treści Rozdział I. Wstęp do matematyki... 13 1.1. Elementy logiki i teorii zbiorów... 13 1.1.1. Rachunek zdań... 13 1.1.2. Reguły

Bardziej szczegółowo

Przestrzeń probabilistyczna

Przestrzeń probabilistyczna Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.

Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne

Bardziej szczegółowo

11 Równania różniczkowe cząstkowe. Równania różniczkowe cząstkowe pierwszego rzędu.

11 Równania różniczkowe cząstkowe. Równania różniczkowe cząstkowe pierwszego rzędu. Równania różniczkowe cząstkowe pierwszego rzędu 11 1 11 Równania różniczkowe cząstkowe. Równania różniczkowe cząstkowe pierwszego rzędu. 11.1 Równania różniczkowe cząstkowe. Definicje i oznaczenia. Równaniem

Bardziej szczegółowo

28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

28 maja, Problem Dirichleta, proces Wienera. Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 Problem Dirichleta, proces Wienera Procesy Stochastyczne, wykład 14, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 28 maja, 2012 Funkcje harmoniczne Niech będzie operatorem Laplace a w

Bardziej szczegółowo

4 Kilka klas procesów

4 Kilka klas procesów Marek Beśka, Całka Stochastyczna, wykład 4 48 4 Kilka klas procesów 4.1 Procesy rosnące i przestrzenie V,, loc Jak poprzednio niech (Ω, F, F, P ) będzie zupełną bazą stochastyczną. Definicja 4.1 Proces

Bardziej szczegółowo

Fuzja sygnałów i filtry bayesowskie

Fuzja sygnałów i filtry bayesowskie Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości

Bardziej szczegółowo

Seria 1. Zbieżność rozkładów

Seria 1. Zbieżność rozkładów Seria Zbieżność rozkładów We wszystkich poniższych zadaniach (E, ρ) jest przestrzenią metryczną Wykazać, że dla dowolnych x, x n, δ xn δ x wtedy i tylko wtedy, gdy x n x Sprawdzić, że n nk= δ k n λ, gdzie

Bardziej szczegółowo

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Szeregi czasowe, analiza zależności krótkoi długozasięgowych Szeregi czasowe, analiza zależności krótkoi długozasięgowych Rafał Weron rweron@im.pwr.wroc.pl Definicje Mając dany proces {X t } autokowariancję definiujemy jako : γ(t, t ) = cov(x t, X t ) = = E[(X t

Bardziej szczegółowo

5. Równania różniczkowe zwyczajne pierwszego rzędu

5. Równania różniczkowe zwyczajne pierwszego rzędu 5. Równania różniczkowe zwyczajne pierwszego rzędu 5.1. Wstęp. Definicja 5.1. Niech V R 3 będzie obszarem oraz F : V R. Równaniem różniczkowym zwyczajnym rzędu pierwszego nazywamy równanie postaci Równanie

Bardziej szczegółowo

WYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki

WYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki WYKŁAD Z ANALIZY MATEMATYCZNEJ I dr. Elżbieta Kotlicka Centrum Nauczania Matematyki i Fizyki http://im0.p.lodz.pl/~ekot Łódź 2006 Spis treści 1. CIĄGI LICZBOWE 2 1.1. Własności ciągów liczbowych o wyrazach

Bardziej szczegółowo

KARTA PRZEDMIOTU. Forma prowadzenia zajęć. Odniesienie do efektów dla kierunku studiów K1A_W02

KARTA PRZEDMIOTU. Forma prowadzenia zajęć. Odniesienie do efektów dla kierunku studiów K1A_W02 (pieczęć wydziału) KARTA PRZEDMIOTU Z1-PU7 WYDANIE N1 Strona 1 z 5 1. Nazwa przedmiotu: RACHUNEK PRAWDOPODOBIEŃSTWA 2. Kod przedmiotu: RPr 3. Karta przedmiotu ważna od roku akademickiego: 20182019 4. Forma

Bardziej szczegółowo

czyli o szukaniu miejsc zerowych, których nie ma

czyli o szukaniu miejsc zerowych, których nie ma zerowych, których nie ma Instytut Fizyki im. Mariana Smoluchowskiego Centrum Badania Systemów Złożonych im. Marka Kaca Uniwersytet Jagielloński Metoda Metoda dla Warszawa, 9 stycznia 2006 Metoda -Raphsona

Bardziej szczegółowo