Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2."

Transkrypt

1

2 Rozład Erlaga Zajdziem rozład czasów oczeiwaia a -e zdarzeie. Łącz czas oczeiwaia a zdarzeń da jes przez: M. Przbcień Rachue prawdopodobieńswa i sasa ( (- gdzie E ; λ λ exp λ Podobie zajdujem: E ( ; E( ; E ( ; i i i i Dla mam + oraz (wbieram v, a więc u-v i v oraz J : λ v λ v λ dv 3 exp( exp exp λ λ λ v λ v λ v dv λ λ vdv λ exp( λ ( ; ( ; ( ; exp( exp E λ E v λ E v λ dv λ λ v λ v dv λ exp( λ dv λ ( λ exp( λ 3 Rozład czasu oczeiwaia a zdarzeń ma posać (rozład Erlaga: E ( ( λ ; λ λ exp( λ Γ Zadaie: Udowodij powższ wzór meodą iducji maemaczej. Wład 7-7

3 Rozład Erlaga Przład: Przchodzim do urzędu gdzie są dwa oiea. Przed jedm czea jeda osoba, a przed drugim dwie. Jaie jes p-wo, że usawiając się w dłuższej olejce dorzem do oiea szbciej? E ( ; λ λ exp ( λ E ( ; λ λ exp( λ Łącz rozład czasów oczeiwaia da jes przez: Szuae p-wo wosi: 3 (, ; λ E( ; λ E ( ; λ λ exp λ ( + f 3 P < f, ; λ d d λ exp λ + d d < < 3 λ exp( λ exp( λ d d λ exp( λ d Zadaie: Poaż, że w ogólm przpadu dwóch oleje (m> p-wo o dae jes przez: m < m m P( m + 4 M. Przbcień Rachue prawdopodobieńswa i sasa Wład 7-37

4 Rozład Poissoa Rozważm proces podlegając rozładowi władiczemu. Ze względu a bra pamięci po ażdm sgale (p. przejazd samochodu hisoria powarza się od owa, a jabśm oczeiwali a pierwsze zdarzeie. Jai jes rozład p-wa wsąpieia sgałów w usalom czasie obserwacji? Niech zmiea losowa T ozacza mome przbcia -ego sgału. Szuam p-wa P((T (T + >, gdzie zmiea losowa T + T + +. Łączą fucję gęsości p-wa iezależch zmiech losowch T i T + zajdujem pamięając, że zmiea T podlega rozładowi Erlaga: M. Przbcień Rachue prawdopodobieńswa i sasa λ T λ T λ T λ exp λ T λ exp λ λ exp( λ T + λ exp λ T!!! Ze względu a jedosow jaobia przejścia od zmiech T, + do zmiech T, T + łącza fucja gęsości p-wa ma posać: ( λt f( T, T+ ; λ λ exp ( λ T+ T < T+ <! Szuae p-wo jes więc rówe: P T T > (( ( + ( λt ( λ f ( T, ; exp exp T+ λ dt+ dt λ dt λ T + dt + λ! - -! Wład 7-47

5 Rozład Poissoa Ozaczając przez λ orzmujem rozład Poissoa liczb sgałów,, w oreślom przedziale czasu: P ( exp(! Warość oczeiwaa i wariacja: E V [ ] P [ ] P Błąd liczb zliczeń jes rów pierwiasowi z ej liczb: [ ] [ ] D D E[ ] Przład: Wii doczące obserwacji liczb samochodów w seudowch przedziałach czasu. Paramer rozładu Poissoa: [ ] [ ] λ. 93 / s s. 93 M. Przbcień Rachue prawdopodobieńswa i sasa częsość,3,5,,5,,5 Mah liczba samochodów Wład 7-57

6 Rozład Poissoa Związe rozładu dwumiaowego z rozładem Poissoa. Jaie jes p-wo wsąpieia doładie zdarzeń w przedziale czasu [, ]?! B (, p p p... + p p!(!! Jeśli p-wo sucesu w pojedczej próbie dae jes przez p λ / o dosajem: (,... λ λ B p +! Dooując przejścia graiczego dosajem: ( λ B, p P λ e! Zasosowaie do rzadich zdarzeń (p. liczba aasrof, błedów druarsich, rzadich rozpadów jądrowch, ip. + λ λ! λ M. Przbcień Rachue prawdopodobieńswa i sasa λ Wład 7-67

7 Rozład Poissoa Esperme Poissoa polega a zliczaiu zdarzeń (sucesów w oreśloej jedosce czasu lub przesrzei geerowach przez proces Poissoa o asępującch cechach: isieje espermealie oreśloa sała λ, będąca średią częsością pojawiaia się sucesów w usaloej jedosce czasu lub przesrzei, liczb sucesów wsępujące w dowolch usaloch i ie przerwającch się podjedosach są wzajemie iezależe, jeśli usaloą jedosę podzielim a bardzo małe podjedosi h, o p-wo doładie jedego sucesu w ażdej z podjedose jes małe i aie samo, i w graic dąż do λh, p-wo więcej iż jedego sucesu w bardzo małej podjedosce dąż do zera. Przład: Produce abli chce użwać rozładu Poissoa do oce liczb defeów. Badając wiele 4-merowch odciów swierdza, że średio zawierają oe 4 defe. Cz spełioe są warui procesu Poissoa? Przład: Pod oiec ażdego godia zlicza się w liice w dużm mieście liczb owch przpadów zaaźej chorob. W ciągu osaich rzech godi zaoowao odpowiedio, i 3 przpadów. Cz spełioe są warui procesu Poissoa? M. Przbcień Rachue prawdopodobieńswa i sasa Wład 7-77

8 Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, ór jes zaburza przez losowch efeów o wielości ε ażd, zarówo zaiżającch ja i zawżającch pomiar: P( ε P( ε W wiu pomiaru orzmujem jedą z wielości: x + ε+ ( ( ε + ( + ε,,,..., órch rozład p-wa da jes przez: Warość oczeiwaa i wariacja zmieej x : (, p. B 5 x ( E + + ε + + ε+ + ε x [ ] [ ] V ε V + 4ε V 4ε ε M. Przbcień Rachue prawdopodobieńswa i sasa Wład 7-87

9 Rozład ormal - wprowadzeie Zachowaie graicze rozładu dwumiaowego dla dużch : ( p B (, p exp πpq pq co w aszm przpadu prowadzi do: x ε x exp + exp π ε π ε ε 4 Przechodząc z ε do zera, aomias z i do iesończoości, ale a ab wariacja dążła do sałej ε σ dosajem gęsość p-wa zmieej x: B (, p. ( p B (, p exp πpq pq M. Przbcień Rachue prawdopodobieńswa i sasa ( x 5, ε N ( x;, σ exp Mah ε π σ σ Wład 7-97

10 Własości rozładu ormalego Warość oczeiwaa i wariacja: x x E[ x] x exp dx [ x] ( x exp dx σ π σ V σ π σ σ Wszsie ieparzse mome cerale ziają ze względu a smerię, aomias parzse dae są przez: (! ( x σ! Dla mam (x- 4 3σ 4, co ozacza, że współczii asmerii i spłaszczeia 4 γ V [ x] 3 przjmują warości zerowe. 3 γ 3 D [ x] Mah M. Przbcień Rachue prawdopodobieńswa i sasa Wład 7-7

11 Dsrbuaa rozładu ormalego x u Φ ( x exp du π x + exp dla x > π x exp dla x < π X , , , ,858.5, , , Mah Mah M. Przbcień Rachue prawdopodobieńswa i sasa Wład 7-7

12 Rozład ormal - przład Przład: Biolog chce oceić wpłw su zimowego a masę ciała a wiewióre. W m celu waż dorosłch osobiów płci męsiej w pod oiec laa i wczesą wiosą.. Oazuje się, że pomiar woae w lecie mają rozład ormal o średiej 4 g i odchleiu sadardowm σ g. Jaie jes p-wo wo, że losowo wbraa wiewióra waż w lecie pomiędz 35 g i 45 g? 35 g 4 g x 45 g 4 g P( 35 g < x < 45 g P < z < g g σ P (. 5 < z <. 5 Φ (. 5 Φ (. 5 Φ ( Przład: Wii esu IQ przeprowadzoego w pewej populacji mają rozład ormal o średiej i odchleiu sadardowm σ6. Ile wosi wi esu poiżej órego wpada 85% populacji? x x85 P( x < x85 P z < P( z < z85 Φ ( z σ 6 x85 Z ablic odczujem: z x Przład: Suma iezależch ch zmiech z rozładu z rozładu Gaussa o paramerach i σ: ( z ( ( z exp exp d exp ;, σ πσ N σ σ π ( σ ( σ M. Przbcień Rachue prawdopodobieńswa i sasa ( z Wład 7-7

13 Dwuwmiarow rozład ormal Gęsość p-wa dwuwmiarowego rozładu ormalego: Mah N ( x, ; x,, σ x, σ x x x x + ρ exp σ σ σ ( ρ x x πσ x σ ρ Elips owariacji: x x x x ρ + σ ρ σ x σ x σ C Mah σ warość władia wieloroość dspersji udział p-wa.5 (C 39.3%. (C 86.5% 4.5 (C % Ką achleia dłuższej osi elips: ρσ x σ a α σx + σ Prose regresji II-go rodzaju: σ + ρ ( x x σx σ + ( x x ρ σx M. Przbcień Przbcień Rachue prawdopodobień prawdopodobieńswa i sasa Wł Wład 77-3

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i

Bardziej szczegółowo

Funkcja generująca rozkład (p-two)

Funkcja generująca rozkład (p-two) Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są

Bardziej szczegółowo

M. Przybycień Rachunek prawdopodobieństwa i statystyka Wykład 7-2

M. Przybycień Rachunek prawdopodobieństwa i statystyka Wykład 7-2 Ważiejsze rozłady -wa Rozłady zmieej losowej dysreej: rozład łasi (jedosajy) rozład dwuuowy (Beroulliego) rozład dwu- i wielomiaowy rozład ujemy dwumiaowy (Pascala) rozład geomeryczy rozład hiergeomeryczy

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Przetwarzanie sygnałów biomedycznych

Przetwarzanie sygnałów biomedycznych 7-- Przewarzaie sgałów biomedczch Człowie- ajlepsza iwescja Proje współfiasowa przez Uię uropejsą w ramach uropejsiego Fuduszu Społeczego Wład IX Aaliza sgałów procesów losowch 7-- Proces losowe sochascze

Bardziej szczegółowo

Wyższe momenty zmiennej losowej

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

Bardziej szczegółowo

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona

Ćwiczenie nr 14. Porównanie doświadczalnego rozkładu liczby zliczeń w zadanym przedziale czasu z rozkładem Poissona Ćwiczeie r 4 Porówaie doświadczalego rozkładu liczby zliczeń w zadaym przedziale czasu z rozkładem Poissoa Studeta obowiązuje zajomość: Podstawowych zagadień z rachuku prawdopodobieństwa, Zajomość rozkładów

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego.

Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego. Rachue rawdoodobieństwa MAP064 Wydział Eletroii, ro aad. 008/09, sem. leti Wyładowca: dr hab. A. Jurlewicz Wyład 8: Zmiee losowe dysrete. Rozłady Beroulliego (dwumiaowy), Pascala, Poissoa. Przybliżeie

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie próby. Rozkład χ 2 Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Rozłady soowe Rozład jednopuntowy Oreślamy: P(X c) 1 gdzie c ustalona liczba. 1 EX c, D 2 X 0 (tylo ten rozład ma zerową wariancję!!!)

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że

Bardziej szczegółowo

Podstawowe rozkłady zmiennych losowych typu dyskretnego

Podstawowe rozkłady zmiennych losowych typu dyskretnego Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

PRZETWARZANIE SYGNAŁÓW

PRZETWARZANIE SYGNAŁÓW PZEWAZAIE SYGAŁÓW SEMES V Człowie- ajlepsza iwestcja Projet współfiasowa przez Uię Europejsą w ramach Europejsiego Fuduszu Społeczego Wład III Proces stochastcze Elemet estmacji parametrów procesów losowch

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu Badaia iezawodościowe i saysycza aaliza ich wyików. Eleme ieaprawialy, badaia iezawodości Model maemayczy elemeu - dodaia zmiea losowa T, określająca czas życia elemeu Opis zmieej losowej - rozkład, lub

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek

PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów

Bardziej szczegółowo

Cechy szeregów czasowych

Cechy szeregów czasowych energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas

Bardziej szczegółowo

Estymatory nieobciążone o minimalnej wariancji

Estymatory nieobciążone o minimalnej wariancji Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 6.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Własości rozkładu ormalego Cetrale twierdzeie graicze Fukcja charakterystycza

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,. Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,

Bardziej szczegółowo

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b,

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b, CAŁA RZYWOLINIOWA NIESIEROWANA rzywą o rówaiach parameryczych: = (), y = y(), a < < b, azywamy łukiem regularym (gładkim), gdy spełioe są asępujące waruki: a) fukcje () i y() mają ciągłe pochode, kóre

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

PROGNOZOWANIE. Ćwiczenia 3.  tel.: (061) Ćwiczeia 3 mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57 Meod progozowaia krókoermiowego sał poziom red sezoowość Y Y Y Czas Czas Czas Model aiw Modele

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 7 Aaliza damiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE www.erapez.pl Sroa Część : TEST Zazacz poprawą odpowiedź (lko jeda jes prawdziwa). Paie Szereg damicz o: a) ciąg prędkości

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009

STATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009 STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

Bardziej szczegółowo

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka Zmienna losowa ozszerzenie znaczenia funcji zmiennej rzeczwistej na przpadi, ied zmienna niezależna nie jest liczbą rzeczwistą: odległość to funcja par puntów, obwód trójąta, to funcja oreślona na zbiorze

Bardziej szczegółowo

npq jest funkcją gęstości zmiennej losowej X? Po wyznaczeniu k proszę znaleźć: dystrybuantę, kwartyl drugi,

npq jest funkcją gęstości zmiennej losowej X? Po wyznaczeniu k proszę znaleźć: dystrybuantę, kwartyl drugi, Zadaie aa jest fucja gęstości zmieej losowej X: 9 8 Wyzacz: F (X ; Q ; ; ( X ; 9 9 P X P Zadaie ( Statystya II, X a b F( b F( a X e! P m ( ; m E( X ( X V ( X X R P ( X R ( X V ( X jest fucją gęstości zmieej

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Lista 6. Estymacja punktowa

Lista 6. Estymacja punktowa Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne rozkłady i twierdzenia c.d. Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4 ZADANIA - ZESTAW 4 Zadanie 4. 0-0,4 c 0 0, 0, Wznacz c. Wznacz rozkład brzegowe. Cz, są niezależne? (odp. c = 0,3 Zadanie 4.- 0-0,4 0,3 0 0, 0, Wznaczć macierz kowariancji i korelacji. Cz, są skorelowane?

Bardziej szczegółowo

Statystyczne aspekty emisji, propagacji i detekcji. promieniowania jądrowego

Statystyczne aspekty emisji, propagacji i detekcji. promieniowania jądrowego Saysycze aspey emisji, propagacji i deecji promieiowaia jądrowego Rysue 5. przedsawia iedawe wyii esperymeu ATLAS w laboraorium CERN poazujące rozład zw. masy iezmieiczej (m γγ ) dwóch fooów. Puy uładają

Bardziej szczegółowo

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody ZJAZD ANALIZA DANYCH CIĄGŁYCH ramach zajęć będą badae próbki pochodzące z poplacji w kórych badaa cecha ma rozkład ormaly N(μ σ). Na zajęciach będą: - wyzaczae przedziały fości dla warości średiej i wariacji

Bardziej szczegółowo

Podstawy rachunku prawdopodobieństwa (przypomnienie)

Podstawy rachunku prawdopodobieństwa (przypomnienie) . Zdarzenia odstawy rachunu prawdopodobieństwa (przypomnienie). rawdopodobieństwo 3. Zmienne losowe 4. rzyład rozładu zmiennej losowej. Zdarzenia (events( events) Zdarzenia elementarne Ω - zbiór zdarzeń

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

Wstęp. zbiór wszystkich zdarzeń elementarnych (sample space), S zbiór zdarzeń, (events), P prawdopodobieństwo (probability distribution).

Wstęp. zbiór wszystkich zdarzeń elementarnych (sample space), S zbiór zdarzeń, (events), P prawdopodobieństwo (probability distribution). Wstęp,, S P przestrzeń probabilistycza (Probability space), zbiór wszystich zdarzeń elemetarych (sample space), S zbiór zdarzeń, (evets), P prawdopodobieństwo (probability distributio). P : S R ZMIENNA

Bardziej szczegółowo

Niezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu

Niezawodność elementu nienaprawialnego. nienaprawialnego. 1. Model niezawodnościowy elementu. 1. Model niezawodnościowy elementu Niezawodność elemenu nienarawialnego. Model niezawodnościowy elemenu nienarawialnego. Niekóre rozkłady zmiennych losowych sosowane w oisie niezawodności elemenów 3. Funkcyjne i liczbowe charakerysyki niezawodności

Bardziej szczegółowo

ZADANIA NA ĆWICZENIA 3 I 4

ZADANIA NA ĆWICZENIA 3 I 4 Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Nr zadania Σ Punkty:

Nr zadania Σ Punkty: Kolokwim z krs Modele saysyczne niezawodności sysemów ROZWIĄZANIA Do wykonania jes 5 zadań. W smie, można zyskać 5 pnków. Na napisanie kolokwim mają Pańswo 7 min. Proszę wykonywać każde zadanie na osobnej

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska aysyka Iżyierska dr hab. iż. Jacek Tarasik AG WFiI 4 Wykład 5 TETOWANIE IPOTEZ TATYTYCZNYC ipoezy saysycze ipoezą saysyczą azywamy każde przypszczeie doyczące iezaego rozkład o prawdziwości lb fałszywości

Bardziej szczegółowo

Dodatek 10. Kwantowa teoria przewodnictwa I

Dodatek 10. Kwantowa teoria przewodnictwa I Dodate 10 Kwatowa teoria przewodictwa I Teoria lascza iała astępujące aaet: (1) zierzoe wartości średiej drogi swobodej oazał się o ila rzędów wielości więsze iż oczeiwae () teoria ie dawała poprawc zależości

Bardziej szczegółowo

Przykładowe zadania dla poziomu rozszerzonego

Przykładowe zadania dla poziomu rozszerzonego Przkładowe zadaia dla poziomu rozszerzoego Zadaie. ( pkt W baku w pierwszm roku oszczędzaia stopa procetowa bła rówa p%, a w drugim roku bła o % iższa. Po dwóch latach, prz roczej kapitalizacji odsetek,

Bardziej szczegółowo

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

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

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych EAIB-Iormaa-Wład 9- dr Adam Ćmel cmel@.ag.edu.pl Racue różczow ucj welu zmec Z uwag a prosoę zapsu ławe erpreacje gracze ograczm sę jede do ucj lub zmec. Naurale uogólea wprowadzac pojęć a ucje zmec zosawam

Bardziej szczegółowo

Analiza I.1, zima globalna lista zadań

Analiza I.1, zima globalna lista zadań Aaliza I., zima 207 - globala lista zadań Marci Kotowsi 8 styczia 208 Podstawy Zadaie. Udowodij, że dla ażdego aturalego liczby 7 2 + oraz 7 2 dzielą się przez 6. Zadaie 2. Rozstrzygij, czy poiższe liczby

Bardziej szczegółowo

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 0 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że: Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:

Bardziej szczegółowo

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk

Bardziej szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA I ANALIZA DANYCH LAB II STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.

Bardziej szczegółowo

O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE

O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru

Bardziej szczegółowo

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7, Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{

Bardziej szczegółowo

q (s, z) = ( ) (λ T) ρc = q

q (s, z) = ( ) (λ T) ρc = q M O D E L O W A N I E I N Y N I E R S K I E n r 4 7, I S S N 1 8 9 6-7 7 1 X W Y Z N A C Z A N I E O D K S Z T A C E T O W A R Z Y S Z Ą C Y C H H A R T O W A N I U P O W I E R Z C H N I O W Y M W I E

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

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Twierdzenie 15.3 (o postaci elementów rozszerzenia ciała o zbiór). Niech F będzie ciałem oraz A F pewnym zbiorem. Niech L<F.

Twierdzenie 15.3 (o postaci elementów rozszerzenia ciała o zbiór). Niech F będzie ciałem oraz A F pewnym zbiorem. Niech L<F. 15. Wyład 15: Podciała, podciała geerowae przez zbiór, rozszerzeia ciał. Charaterystya pierścieia i ciała, ciała proste i lasyfiacja ciał prostych. 15.1. Podciała, podciała geerowae przez zbiór, rozszerzeia

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI 2 PEARSONA ROZKŁAD GAUSSA Ćwiczeia rachuowe TEST ZGODOŚCI PEARSOA ROZKŁAD GAUSSA UWAGA: a stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz alulacyjy do programu Calc paietu Ope Office, iezbędy podczas

Bardziej szczegółowo

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny. OCENA POPYTU POPYT POJĘCIA WSTĘPNE Defiicja: Pop o ilość dobra, jaką abwc goowi są zakupić prz różch poziomach ce. Deermia popu: (a) Cea daego dobra (b) Ilość i ce dóbr subsucjch (zw. kokurecjch) (c) Ilość

Bardziej szczegółowo

Ważne rozkłady i twierdzenia

Ważne rozkłady i twierdzenia Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne

Bardziej szczegółowo

Modele zmienności aktywów ryzykownych. Model multiplikatywny Rozkład logarytmiczno-normalny Parametry siatki dwumianowej

Modele zmienności aktywów ryzykownych. Model multiplikatywny Rozkład logarytmiczno-normalny Parametry siatki dwumianowej Moele zmieości akywów ryzykowych Moel muliplikaywy Rozkła logarymiczo-ormay Paramery siaki wumiaowej Moel muliplikaywy zmieości akywów Rekurecyjy moel muliplikaywy: (=, (k+ = (k u(k, k=,, Cea akywa w chwili

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

Bardziej szczegółowo

χ 2 = + 2π 2 Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej: σ

χ 2 = + 2π 2 Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej: σ χ Niech ziea losowa a rozkład oralyn(; µ,). Zajdziey rozkład zieej: µ Stadaryzjąc zieą losową µ otrzyjey stadaryzoway rozkład Gassa: ( ;, ) ep N 0 π Rozkład zieej a więc postać: d ( X + ) N N ep d π Rozważy

Bardziej szczegółowo

Rozkład Poissona. I. Cel ćwiczenia. Obowiązujący zakres materiału. Podstawy teoretyczne. Opracował: Roman Szatanik

Rozkład Poissona. I. Cel ćwiczenia. Obowiązujący zakres materiału. Podstawy teoretyczne. Opracował: Roman Szatanik Opracował: Roma Szatai Rozład Poissoa I. Cel ćwiczeia Zapozaie ze statystyczym sposobem opisu zagadień związaych z promieiowaiem jądrowym oraz z rozładami statystyczymi stosowaymi w fizyce jądrowej. Pratycze

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobieństwo i statystyka.0.00 r. Zadaie Rozważy astępującą, uproszczoą wersję gry w,,woję. Talia składa się z 5 kart. Dobrze potasowae karty rozdajey dwó graczo, każdeu po 6 i układay w dwie kupki.

Bardziej szczegółowo

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej

Bardziej szczegółowo

Centralne twierdzenie graniczne

Centralne twierdzenie graniczne Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 5 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

Statystyka. Magdalena Jakubek. kwiecień 2017

Statystyka. Magdalena Jakubek. kwiecień 2017 Statystyka Magdalena Jakubek kwiecień 2017 1 Nauka nie stara się wyjaśniać, a nawet niemal nie stara się interpretować, zajmuje się ona głównie budową modeli. Model rozumiany jest jako matematyczny twór,

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

ź Ł Ą Ę Ź Ę Ę Ą Ę Ę Ę Ę Ę Ź Ą Ę Ą Ź Ę Ź Ó ć Ź Ó Ę Ź Ź ć ć Ę ć Ó Ó Ę Ę Ę Ę Ó Ę Ę ć Ć Ł Ó Ź ć ć ć Ę ć Ę Ł Ź Ź Ł ć ź ź Ę ć Ś Ą ć ć Ą ć Ś Ę Ź Ę Ź Ę ć Ó Ń Ę Ś Ę ź Ź Ę Ę Ć Ę Ń Ę Ę ć Ą Ę ć Ę ć Ę Ź Ę Ć Ę ź ć

Bardziej szczegółowo

SMO. Procesy stochastyczne WYKŁAD 6

SMO. Procesy stochastyczne WYKŁAD 6 Procesy stochastycze WYKŁAD 6 SMO Systemy masowe obsługi (zastosowaie procesu urodzeń i śmierci) - przyłady: - cetrala telefoicza, - staca bezyowa, - asa biletowa, - system omputerowy. Założeia: - liczba

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Związek między ruchem harmonicznym a ruchem jednostajnym po okręgu

Związek między ruchem harmonicznym a ruchem jednostajnym po okręgu Związek międz ruchem harmonicznm a ruchem jednosajnm po okręgu Rozważm rzu Q i R punku P na osie i : Q cos v r R sin R Q P δ Q cos ( δ ) R sin ( δ ) Jeżeli punk P porusza się ruchem jednosajnm po okręgu,

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory

Bardziej szczegółowo

STATYSTYKA OPISOWA PODSTAWOWE WZORY

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

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

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

Bardziej szczegółowo