< f g = fg. f = e t f = e t. U nas: e t (α 1)t α 2 dt = 0 + (α 1)Γ(α 1)
|
|
- Roman Stanisław Baranowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 Zdnie X,..., X 5 N(6, 5 ) Y,..., Y 6 N(7, 5 ) X N(6, 5 6 ) Ȳ N(7, 5 6 ) Przy złożeniu niezleżności zmiennych mmy: X Ȳ N(, ) po stndryzcji otrzymmy: Ȳ X N(, ) Pr(Ȳ X < ) = Pr(Ȳ X < ) = φ(, 3) = φ(, 3) =, 679 =, 38 Zdnie ) Γ(α) = t α e t dt α > Γ(α) = (α )Γ(α ) dl α > f g = fg fg U ns: f = e t f = e t orz g = t α g = (α )t α Γ(α) = e t t α + e t (α )t α dt = + (α )Γ(α ) Powyższy wynik uzyskno uwzględnijc, że: e t t α dl t = jest równe zero, orz: lim t e t t α = lim tα = t e t
2 b) Wystrczy zuwżyć, że funkcj wykłdnicz rośnie szybcje, niż jkkolwiek funkcj wielominow (by uzyskć ten wynik wystrczy zstosowć np.: regułę de l Hospitl). Γ ( ) = Stosujemy nstępujce podstwienie: {t = x dt = xdx ( x ) x x e xdx = t e t dt x e dx = π e x dx = π π = π Funkcj pod osttni cłk to gestość rozkłdu normlnego stndrdowego. Wobec tego, cłk od zer do + z tej funkcji jest równ,5. Zdnie 3 Mmy próbę prost z pewnego rozkłdu: X.., X, Pr(X i k) = X 55: będzie mniejsze od k jeśli wśród wylosownych liczb przynjmniej 55 jest mniejszych od k. Zdefiniujmy now zmienn: { X i k Y i = w p.p. Wobec tego: Pr(Y i = ) = Pr(X i > k) = 3 orz Pr(Y i = ) = Pr(X i k) = EY i = + 3 =, V ry i = EY i (EY i ) = 6 = 3 6 Oczywiście EY i = EYi =, poniewż Y i = Yi. Pr(X 55: < k) = Pr( Y i 55) = Pr i= ( i= Y 3 ) 55 = 3
3 = φ(, 8) =, 7939 =, 6 Zdnie X Exp(), f(x) = λe x, F (x) = e λx Szukmy mediny, czyli tkiej liczby m, że: F (m) = F (m) = e λx = e λm =, dl λ = mmy e m =, m = ln ( ) m = ln() Zdnie 5 X,..., X n U(, ) X n:n = mx(x,..., X n ) F Xn:n (t) = P r(x n:n t) = P r(mx(x,.., X n ) t) = Pr(X t, X t,..., X n t) Pr(X i t) = [F (t)] n = t n Skorzystliśmy z niezleżności zmiennych losowych X i orz z tego, że dystrybunt rozkłdu jednostjnego n przedzile [, ] jes równ F (t) = t Gęstość X n:n jest dn wzorem:f Xn:n (t) = nt n EX n:n = ( F Xn:n (t))dt = ( t n )dt = (t n + tn+ ) = n + = n n + Zstosowliśmy powyzszy wzór n wrtość oczekiwn, poniewż, X n:n. Zdnie 6 X,.., X n Exp(λ) F (t) = e λx Pr(X :n t) = Pr(min(X,..X n ) t) = Pr(min(X,..., X n ) > t) = [Pr(X > t)] n [F (t)] n = [ F (t)] n = e λnx X :m Exp(λn) EX :n = λn 3
4 Zdnie 7 X N(, ), Y N(, ), z χ (6), w chi () ) A = X + (Y ) + W χ (), bo X, (Y ) χ () Pr(A 3, 33) = F χ ()(3, 33) =, 975 b) Pr(Y +, 9 ( ) Y X + Z) = Pr X + Z, 9 Sttystykie s niezleżne, licznik powyzszego wyrżeni m stndrdowy rozkłd normlny minownik to pierwistek kwdrtowy zmiennej losowej z rozkłdu χ (7). W celu uzyskni sttystyki o rozkłdzie t-student nleży minownik podzielić prze liczbę stopni swobody rozkłdu zmiennej losowej z minownik. Pr Y X +Z 7, 9 = Pr(t, 9 7) = F t 7 (, 38), Zdnie 8 X,..., X { nie zdł Pr(X i = ) =, X i = zdł Pr(X i = ) =, 9 Szukmy prwdopodobieństw, że wśród stu studentów znjdzie się co njwyzej siedmiu, którzy nie zdli. Skorzystmy z CTG. EX i =,, V rx i =, 9 Pr( i= i= X i 7) = Pr( X i,, 9 7,, 9 ) = = φ( ) = φ()
5 Zdnie 9 X χ (n) X = Y Y n, Y,..., Y n N(, ) co wynik z: E[Y Y n ] = n EY = n Niech y ozn = Y Zuwżmy, że: V ry i =, EY = EY i = V ry i + (EY i ) = V r[y Y n ] = n i= V ry = EY (EY ) Ey = R y V ryi = n V ry π e y dy (e y ) = e y ( y) Wtedy, podstwijc do wyrżeni n wrtość oczekiwn: Ey = y (e y ) R π y dy = = y 3 (e y ) dy = π Zstosujmy wzór n cłkownie przez części: R f = e y ( y) () f = e y () g = y 3 (3) g = 3y () = y 3 e y +3 y e y dx = + 3 R (5) 5
6 Pierwszy ze skłdników sumy jest równy zero (ptrz n zkres cłki oznczonej), ntomist drugi skłdnik, to wrtość oczekiwn y, co jk pokzliśmy wcześniej jest równe. Wobec tego: Osttecznie: V ry = EY (EY ) = 3 = V r[y + Y Y n ] = n V r(y ) = n Alterntywnie możemy skorzystć z fktu, że: X χ n x Γ( n, ) EX = n Zdnie > = n, orz V rx = ( n ) = n < F Y (Y t) = Pr(X + b t) = Pr(X t b ) = F X( t b ) f y (t) = δf X( t b ) δt = f X ( t b ) (t b ) = f X ( t b ) F Y (Y t) = Pr(X + b t) = Pr(X t b ) = F X( t b ) f y (t) = δf X( t b ) δt = f X ( t b ) Podsumowujc obydw przypdki mmy: f y (t) = f X ( t b ) ) (t b ) = f X ( t b ) b) X N(µ, σ ) Y = X + B, f X = πσ e σ (x µ) Podstwijc do wzoru uzysknego w punkcie ) otrzymmy: f Y (t) = (πσ ) e 6 σ ( t b µ ) =
7 Zdnie = π(σ) e (σ) (t (b+µ)) Z osttniego wzoru wynik, że Y N(µ + b, σ ) X,..., X n i.i.d. U(, ), [, ] { X i [, ] Y i = Dystrybunt dl zmiennej losowej z rozkłdu X i (, ] jednostjnego n przedzile [,] jest równ: F X (t) = t P (Y = ) = P (X i ) = F Xi () = P (Y = ) = P (X i ) = F Xi () = Ztem sum niezleżnych zmiennych losowych Y i (niezleżność wynik z niezleżności zmiennych X i ) m rozkłd dwuminowy (n doświdczeń losowych, sukces pojwi się z prwdopodobieństwem ): S n = n Y i ~Bin(n, ) i= P (S n = k) = ( ) n k ( ) n k k Zdnie X t n X = Y Z/n, Y N(, ), Z χ (n) [ ] Y EX = E = EY E(Z/n) = Z/n (EY = orz zmienne X,Z s niezleżne!) [ ] Y EX = E = EY E n Z/n Z 7
8 EY =, zuwżmy, że Z Γ( n, /), f(z) = ( ) n z n Γ( n ) e z Wobec tego: E n Z = n ( ) n n z Γ( n)z e z dz = n /Γ( n ) Γ( n ) ( n) n n Γ( n )z e n z dz = Zuwżmy, że wyrżeni pod cłk jest funkcj gęstości rozkłdu Γ( n, ), czyli n > n > (w przeciwnym rzie wyrżenie pod cłk nie byłoby cłkowlne!). Wobec tego, cłk uprsz się do jedynki. Zdnie 3 = n Γ( n ) ( n )Γ( n ) = n n = n n F = X/m Y/n F (m, n), x χ m Γ(m/, /), Y χ n Γ(n/, /) Zmienne X,Y s niezleżne: [ ] X/m E = n Y/n m E(X)E(Y ) EX = m/ / = m Z kżdym rzem, kiedy przeksztłcmy wyrżeni podcłkowe, tk by otrzymć funkcję gęstości rozkłdu Gmm z innymi prmetrmi, musimy pmiętć, żeby nłożyć ogrniczeni n nowe prmetry rozkłdu. W przeciwnym rzie wyrżeni podcłkowe nie będ mogły mieć interpretcji jko funkcje gęstości i mog nie być wogóle cłkowlne! Std poniżej znjduj się ogrniczeni nkłdne n liczbę n, któr prmetryzuje funkcję gęstości rozkłdu Gmm. EY = (/) n/ t Γ(n/) tn/ e /t dt = = (/)n/ Γ(n/) Γ(n/ ) (/) n/ (/) n/ Γ(n/ ) tn/ e /t dt = n/ = n EF = n m m n = n n EF = n m EX EY, n > 8
9 EX = = (/)n/ Γ(n/) (α + )α β EY = Γ(n/ ) (/) n/ (m/ + )m/ = = / (m + )m = m(m + ) t (/) n/ Γ(n/) tn/ e /t dt = (/) n/ Γ(n/ ) tn/ 3 e /t dt =, n > = (n/ )(n/ ) = (n )(n ) EF = n m EX EY = n n m(m + ) (n )(n ) Otrzymne powyżej wyniki wystrczy podstwić do poniższego wzoru, by uzyskć wyrżenie n wrincję: V rf = EF (EF ) 9
N(0, 1) ) = φ( 0, 3) = 1 φ(0, 3) = 1 0, 6179 = 0, 3821 < t α 1 e t dt α > 0. f g = fg. f = e t f = e t. U nas: g = t α 1 g = (α 1)t α 2
Zdnie X,..., X 5 N(6, 5 ) Y,..., Y 6 N(7, 5 ) X N(6, 5 6 ) Ȳ N(7, 5 6 ) Przy złożeniu niezleżności zmiennych mmy: X Ȳ N(, ) po stndryzcji otrzymmy: Ȳ X N(, ) Pr(Ȳ X < ) = Pr(Ȳ X < ) = φ(, 3) = φ(, 3) =,
Bardziej szczegółowoWykład 2. Pojęcie całki niewłaściwej do rachunku prawdopodobieństwa
Wykłd 2. Pojęcie cłki niewłściwej do rchunku prwdopodobieństw dr Mriusz Grządziel 4 mrc 24 Pole trpezu krzywoliniowego Przypomnienie: figurę ogrniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją
Bardziej szczegółowof(x)dx (1.7) b f(x)dx = F (x) = F (b) F (a) (1.2)
Cłk oznczon Cłkę oznczoną będziemy zpisywli jko f(x)dx (.) z fnkcji f(x), któr jest ogrniczon w przedzile domkniętym [, b]. Jk obliczyć cłkę oznczoną? Obliczmy njpierw cłkę nieoznczoną z fnkcji f(x), co
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka matematyczna.
Rchunek rwdoodobieństw i sttystyk mtemtyczn. Zd 8. {(, : i } Zleżność tą możn rzedstwić w ostci nstęującej interretcji grficznej: Arkdiusz Kwosk Rfł Kukliński Informtyk sem.4 gr. Srwdźmy, czy odne zmienne
Bardziej szczegółowoCałki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju
Rozdził 3 Cłki niewłściwe 3. Wprowdzenie Omwine w poprzednim rozdzile cłki oznczone są cłkmi funkcji ciągłych n przedzile domkniętym, więc funkcji ogrniczonych n przedzile skończonym. Wiele zgdnień prktycznych
Bardziej szczegółowo3. F jest lewostronnie ciągła
Def. Zmienną losową nzywmy funkcję X: tką, że x R : { : X( ) < x }. Ozn.: zmist pisd A = { : X( ) < x } piszemy A = { X < x } zdrzenie poleg n tym, że X( )
Bardziej szczegółowoRACHUNEK CAŁKOWY. Funkcja F jest funkcją pierwotną funkcji f na przedziale I R, jeżeli. F (x) = f (x), dla każdego x I.
RACHUNEK CAŁKOWY Funkcj F jest funkcją pierwotną funkcji f n przedzile I R, jeżeli F (x) = f (x), dl kżdego x I. Przykłd. Niech f (x) = 2x dl x (, ). Wtedy funkcje F (x) = x 2 + 5, F (x) = x 2 + 5, F (x)
Bardziej szczegółowoIII. Rachunek całkowy funkcji jednej zmiennej.
III. Rchunek cłkowy funkcji jednej zmiennej. 1. Cłki nieoznczone. Niech f : I R, I R - przedził n prostej. Definicj 1.1. (funkcji pierwotnej) Funkcję F nzywmy funkcją pierwotną funkcji f n przedzile I,
Bardziej szczegółowoNotatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski
Nottki z Anlizy Mtemtycznej 4 Jcek M. Jędrzejewski ROZDZIAŁ 7 Cłk Riemnn 1. Cłk nieoznczon Definicj 7.1. Niech f : (, b) R będzie dowolną funkcją. Jeżeli dl pewnej funkcji F : (, b) R spełnion jest równość
Bardziej szczegółowoVI. Rachunek całkowy. 1. Całka nieoznaczona
VI. Rchunek cłkowy. Cłk nieoznczon Niech F : I R i f : I R będą funkcjmi określonymi n pewnym przedzile I R. Definicj. Funkcję F nzywmy funkcją pierwotną funkcji f n przedzile I, gdy F (x) = f(x) dl x
Bardziej szczegółowoCałka Riemanna. Analiza Matematyczna. Alexander Denisjuk
Anliz Mtemtyczn Cłk Riemnn Alexnder Denisjuk denisjuk@pjwstk.edu.pl Polsko-Jpońsk Wyższ Szkoł Technik Komputerowych zmiejscowy ośrodek dydktyczny w Gdńsku ul. Brzegi 55 80-045 Gdńsk Anliz Mtemtyczn p.
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowo1 Definicja całki oznaczonej
Definicj cłki oznczonej Niech dn będzie funkcj y = g(x) ciągł w przedzile [, b]. Przedził [, b] podzielimy n n podprzedziłów punktmi = x < x < x
Bardziej szczegółowoWykład 2. Granice, ciągłość, pochodna funkcji i jej interpretacja geometryczna
1 Wykłd Grnice, ciągłość, pocodn unkcji i jej interpretcj geometryczn.1 Grnic unkcji. Grnic lewostronn i grnic prwostronn unkcji Deinicj.1 Mówimy, że liczb g jest grnicą lewostronną unkcji w punkcie =,
Bardziej szczegółowoCałka Riemanna Dolna i górna suma całkowa Darboux
Doln i górn sum cłkow Drboux π = {x 0,..., x k }, x 0 =, x k = b - podził odcink [, b]; x i = x i x i 1, i = 1, 2,..., k; P = P[, b] - rodzin podziłów odcink [, b]. m i = m i (f, π) := inf x [xi 1,x i
Bardziej szczegółowoAnaliza matematyczna i algebra liniowa Całka oznaczona
Anliz mtemtyczn i lgebr liniow Cłk oznczon Wojciech Kotłowski Instytut Informtyki Politechniki Poznńskiej emil: imię.nzwisko@cs.put.poznn.pl pok. 2 (CW) tel. (61)665-2936 konsultcje: piątek 15:10-16:40
Bardziej szczegółowoCałka oznaczona. Matematyka. Aleksander Denisiuk. Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza Elblag.
Mtemtyk Cłk oznczon Aleksnder Denisiuk denisjuk@euh-e.edu.pl Elblsk Uczelni Humnistyczno-Ekonomiczn ul. Lotnicz 2 82-3 Elblg Mtemtyk p. 1 Cłk oznczon Njnowsz wersj tego dokumentu dostępn jest pod dresem
Bardziej szczegółowoAnaliza Matematyczna. Całka Riemanna
Anliz Mtemtyczn. Cłk Riemnn Aleksnder Denisiuk denisiuk@pjwstk.edu.pl Polsko-Jpońsk Wyższ Szkoł Technik Komputerowych Wydził Informtyki w Gdńsku ul. Brzegi 55 8-45 Gdńsk 29 kwietni 217 1 / 2 Cłk Riemnn
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoAnaliza matematyczna v.1.6 egzamin mgr inf niestacj 1. x p. , przy założeniu, że istnieją lim
Anliz mtemtyczn v..6 egzmin mgr inf niestcj Oznczeni: f, g, h : J R funkcje rzeczywiste określone n J R J przedził, b),, b], [, b), [, b], półprost, b),, b],, ), [, ) lub prost R α, β [min{α, β}, m{α,
Bardziej szczegółowoMetody numeryczne. Całkowanie. Janusz Szwabiński. nm_slides-4.tex Metody numeryczne Janusz Szwabiński 23/10/ :07 p.
Metody numeryczne Cłkownie Jnusz Szwbiński szwbin@ift.uni.wroc.pl nm_slides-4.tex Metody numeryczne Jnusz Szwbiński 23/10/2002 10:07 p.1/69 Cłkownie numeryczne 1. Kilk uwg ogólnych 2. Kwdrtury Newton Cotes
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoRozwiązania maj 2017r. Zadania zamknięte
Rozwiązni mj 2017r. Zdni zmknięte Zd 1. 5 16 5 2 5 2 Zd 2. 5 2 27 2 23 2 2 2 2 Zd 3. 2log 3 2log 5log 3 log 5 log 9 log 25log Zd. 120% 8910 1,2 8910 2,2 8910 $%, 050 Zd 5. Njłtwiej jest zuwżyć że dl 1
Bardziej szczegółowof(g(x))g (x)dx = 6) x 2 1
Mtemtyk -. rok Trnsport, stcjonrne. stopie«przykªdowe zdni n kolokwium nr.cªki nieoznczone - cªkownie przez cz ±ci, cªkownie przez podstwienie Denicj F () = f(), f()d = F () + C Cªkownie przez cz ±ci:
Bardziej szczegółowoRównania i nierówności kwadratowe z jedną niewiadomą
50 REPETYTORIUM 31 Równni i nierówności kwdrtowe z jedną niewidomą Równnie wielominowe to równość dwóch wyrżeń lgebricznych Kżd liczb, któr po podstwieniu w miejscu niewidomej w równniu o jednej niewidomej
Bardziej szczegółowoPODSTAWOWE 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 szczegółowo5 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 szczegółowoRealizacje zmiennych są niezależne, co sprawia, że ciąg jest ciągiem niezależnych zmiennych losowych,
Klsyczn Metod Njmniejszych Kwdrtów (KMNK) Postć ć modelu jest liniow względem prmetrów (lbo nleży dokonć doprowdzeni postci modelu do liniowości względem prmetrów), Zmienne objśnijące są wielkościmi nielosowymi,
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowoMaciej Grzesiak Instytut Matematyki Politechniki Poznańskiej. Całki oznaczone. lim δ n = 0. σ n = f(ξ i ) x i. (1)
Mciej Grzesik Instytut Mtemtyki Politechniki Poznńskiej Cłki oznczone. Definicj cłki oznczonej Niech dn będzie funkcj f ciągł w przedzile [, b]. Przedził [, b] podziey n n podprzedziłów punktmi = x < x
Bardziej szczegółowoCałkowanie metodą Monte Carlo
Cłkownie metodą Monte Crlo Pln wykłdu: 1. Podstwow metod Monte Crlo 2. Metody MC o zwiększonej efektywności ) losowni wżonego b) zmiennej kontrolnej c) losowni wrstwowego d) obniżni krotności cłki Przypomnienie
Bardziej szczegółowoCałkowanie. dx d) x 3 x+ 4 x. + x4 big)dx g) e x 4 3 x +a x b x. dx k) 2x ; x 0. 2x 2 ; x 1. (x 2 +3) 6 j) 6x 2. x 3 +3 dx k) xe x2 dx l) 6 1 x dx
Wydził Mtemtyki Stosownej Zestw zdń nr 5 Akdemi Górniczo-Hutnicz w Krkowie WFiIS, informtyk stosown, I rok Elżbiet Admus 3 listopd 6r. Cłk nieoznczon Cłkownie. Podstwowe metody cłkowni Zdnie. Oblicz cłki:
Bardziej szczegółowoStatystyka 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 szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoCałkowanie metodą Monte Carlo
Cłkownie metodą Monte Crlo Pln wykłdu:. Podstwow metod Monte Crlo. Metody MC o zwiększonej efektywności ) losowni wżonego b) zmiennej kontrolnej c) losowni wrstwowego d) obniżni krotności cłki Przypomnienie
Bardziej szczegółowoRóżne rozkłady prawdopodobieństwa
Różne rozłady prawdopodobieństwa. Rozład dwupuntowy D(p). Zmienna losowa ξ ma rozład D(p), jeżeli P p {ξ = 0} = p oraz P p {ξ = } = p. Eξ = p D ξ = p( p). Rozład dwumianowy Bin(n, p). Zmienna losowa ξ
Bardziej szczegółowoMatematyka dla biologów Zajęcia nr 7.
Mtemtyk dl biologów Zjęci nr 7. Driusz Wrzosek 21 listopd 2018 Mtemtyk dl biologów Zjęci 7. 21 listopd 2018 1 / 20 Przypomnienie: funkcj pierwotn Niech F : D, gdzie D to odcinek otwrty lub cł prost ).
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowonazywamy odpowiednio dolną oraz górną sumą Darboux funkcji f w przedziale [a, b] wyznaczoną przez podział P.
Rozdził 10 Cłk Drboux 10.1 Doln i górn sum Drboux Definicj podziłu. Niech, b R, < b. Kżdy skończony ciąg P postci (10.1) P = (x 0,..., x n ), gdzie n N, = x 0 < x 1
Bardziej szczegółowoPochodne i całki, macierze i wyznaczniki
Cłk oznczon Cłk niewłściw Wzór Tylor Mcierze Pochodne i cłki, mcierze i wyznczniki Stnisłw Jworski Ktedr Ekonometrii i Sttystyki Zkłd Sttystyki Stnisłw Jworski Pochodne i cłki, mcierze i wyznczniki Cłk
Bardziej szczegółowoNajczęściej spotykane rozkłady dyskretne:
I. Rozkład dwupunktowy: Najczęściej spotykane rozkłady dyskretne: Def. Zmienna X ma rozkład dwupunktowy z prawdopodobieostwem 1 przyjmuje tylko dwie wartości, tzn. P(X = x 1 ) = p i P(X = x 2 ) = 1 p =
Bardziej szczegółowoCałki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas
Cłki oznczone Definicj, włsności i oblicznie cłek oznczonych. Wrtość średni funkcji. Funkcj górnej grnicy cłkowni. Zstosowni cłek oznczonych. Cłki niewłściwe. Młgorzt Wyrws Ktedr Mtemtyki Wydził Informtyki
Bardziej szczegółowoCałki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas
Cłki oznczone Definicj, włsności i oblicznie cłek oznczonych. Wrtość średni funkcji. Funkcj górnej grnicy cłkowni. Zstosowni cłek oznczonych. Cłki niewłściwe. Młgorzt Wyrws Ktedr Mtemtyki Wydził Informtyki
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoŁ ń ń ć ź Ą ć Ń ć Źń Ą ć ź ź ń ź ń ń ń Ą ń ź Ą ć Ą ń Ą ń ń Źń ń ć ń ń ć ń ć ń ź ź ź ź ć Źń ń Ń ć ć ć ń ć ń ź ń ć Ł ć ć Ł Ń ć Ń ć ń ć ć ć ź ć ć ńń ź ź ć ń ć ć Źń ń ź ć ń ń źć ć ń ć ń ć ć ń ń ć ć ź ń ć ć
Bardziej szczegółowoAnaliza Matematyczna
Aliz Mtemtycz Przykłdy: Cłki ozczoe. Oprcowie: dr hb. iż. Agieszk Jurlewicz, prof. PWr Przykłd 9. : Korzystjąc z defiicji cłki ozczoej orz fktu, że fukcj ciągł jest cłkowl, oblicz e x dx przyjmując podził
Bardziej szczegółowov = v i e i v 1 ] T v =
v U = e i,..., e n ) v = n v i e i i= e i i v T v = = v v n v n U v v v +q 3q +q +q b c d XY X +q Y 3q r +q = r 3q = r +q = r +q = r 3q = r +q = E = E +q + E 3q + E +q = k q r+q 3 + k 3q r 3q 3 b V = kq
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoO SZEREGACH FOURIERA. T (x) = c k e ikx
O SZEREGACH FOURIERA Funkcję postci. Wielominy i szeregi trygonometryczne. T x = N k= N c k e ikx nzywmy wielominem trygonometrycznym. Jk widć, wielomin trygonometryczny jest funkcją okresową o podstwowym
Bardziej szczegółowoCAŁKOWANIE NUMERYCZNE
Wprowdzenie Kwdrtury węzły równoodległe Kwdrtury Guss Wzory sumcyjne Trnsport, studi niestcjonrne I stopni, semestr I rok kdemicki 01/013 Instytut L-5, Wydził Inżynierii Lądowej, Politechnik Krkowsk Ew
Bardziej szczegółowoINSTRUKCJA. - Jak rozwiązywać zadania wysoko punktowane?
INSTRUKCJA - Jk rozwiązywć zdni wysoko punktowne? Mturzysto! Zdni wysoko punktowne to tkie, z które możesz zdobyć 4 lub więcej punktów. Zdni z dużą ilość punktów nie zwsze są trudniejsze, często ich punktcj
Bardziej szczegółowoWzory uproszczonego mno zenia: (a + b) 2 = a 2 + 2ab + b 2, (a b) 2 = a 2 2ab + b 2, a 2 b 2 = (a b) (a + b).
Wzory uproszczonego mno zeni: ( + b) = + b + b, ( b) = b + b, b = ( b) ( + b). Dzi ni n pot ¾egch: Dl ; y R orz ; b > 0 (dl pewnych wyk dników ; y z o zeni o ; b mog¾ być os bine w zle zności od sytucji)
Bardziej szczegółowo2.1 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 szczegółowoCałka oznaczona i całka niewłaściwa Zastosowania rachunku całkowego w geometrii
Wydził Mtemtyki Stosownej Zestw zdń nr 6 Akdemi Górniczo-Hutnicz w Krkowie WFiIS, informtyk stosown, I rok Elżbiet Admus 9 listopd 8r. Cłk oznczon i cłk niewłściw Zstosowni rchunku cłkowego w geometrii
Bardziej szczegółowoCAŁKOWANIE NUMERYCZNE
Wprowdzenie Kwdrtury węzły równoodległe Kwdrtury Guss Wzory sumcyjne Trnsport, studi niestcjonrne I stopni, semestr I Instytut L-5, Wydził Inżynierii Lądowej, Politechnik Krkowsk Ew Pbisek Adm Wostko Wprowdzenie
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoMatematyka dla biologów Zajęcia nr 13.
Matematyka dla biologów Zajęcia nr 13. Dariusz Wrzosek 16 stycznia 2019 Matematyka dla biologów Zajęcia 13. 16 stycznia 2019 1 / 34 Plan: 1 Rachunek prawdopodobienstwa-zmienne losowe o rozkładzie ciagłym
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Mtemtyk 1 Šuksz Dwidowski Instytut Mtemtyki, Uniwersytet l ski Cªk oznczon Niech P = [, b] R b dzie przedziªem. Podziªem przedziªu P b dziemy nzywli k»d sko«czon rodzin Π = {P 1, P 2,..., P m } tkich przedziªów,»e
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może
Bardziej szczegółowoNiewymierność i przestępność Materiały do warsztatów na WWW6
Niewymierność i przestępność Mteriły do wrszttów n WWW6 Piotr Achinger 23 sierpni 2010 1 Wstęp 1.1 Liczby wymierne i niewymierne Pytnie 1. Czy istnieją liczby niewymierne? Zdnie 1. Wykzć, że 1. 2 / Q,
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowoMatematyka stosowana i metody numeryczne
Ew Pbisek Adm Wostko Piotr Pluciński Mtemtyk stosown i metody numeryczne Konspekt z wykłdu 0 Cłkownie numeryczne Wzory cłkowni numerycznego pozwlją n obliczenie przybliżonej wrtości cłki: I(f) = f(x) dx
Bardziej szczegółowoMaciej Grzesiak. Iloczyn skalarny. 1. Iloczyn skalarny wektorów na płaszczyźnie i w przestrzeni. a b = a b cos ϕ. j) (b x. i + b y
Mciej Grzesik Iloczyn sklrny. Iloczyn sklrny wektorów n płszczyźnie i w przestrzeni Iloczyn sklrny wektorów i b określmy jko b = b cos ϕ. Bezpośrednio z definicji iloczynu sklrnego mmy, że i i = j j =
Bardziej szczegółowoPEWNIK DEDEKINDA i jego najprostsze konsekwencje
PEWNIK DEDEKINDA i jego njprostsze konsekwencje W rozdzile ósmym stwierdziliśmy, że z podnych tm pewników nie wynik istnienie pierwistków z liczb rzeczywistych. Uzupe lnimy terz liste pewników jeszcze
Bardziej szczegółowoANALIZA MATEMATYCZNA 1
ANALIZA MATEMATYCZNA Ciągi liczbowe Definicj. Rzeczywistym nieskończonym ciągiem liczbowym nzywmy funkcję określoną n zbiorze liczb nturlnych o wrtościch w zbiorze liczb rzeczywistych f : N R, n n. Ciąg
Bardziej szczegółowoSzkice 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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5. 2 listopada 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 5 2 listopada 2009 Poprzedni wykład: przedział ufności dla µ, σ nieznane Rozkład N(µ, σ). Wnioskowanie o średniej µ, gdy σ nie jest znane Testowanie H : µ = µ 0, K : µ
Bardziej szczegółowoZadania. I. Podzielność liczb całkowitych
Zdni I. Podzielność liczb cłkowitych. Pewn liczb sześciocyfrow kończy się cyfrą 5. Jeśli tę cyfrę przestwimy n miejsce pierwsze ze strony lewej to otrzymmy nową liczbę cztery rzy większą od poprzedniej.
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowov = v i e i v 1 ] T v = = v 1 v n v n ] a r +q = a a r 3q =
v U = e i,..., e n ) v = n v i e i i= e i i v T v = = v v n v v v v n 3q q q q r q = r 3q = E = E q E 3q E q = k q rq 3 k 3q r 3q 3 r q = k q rq 3 = kq 4 3 ) 4 q d b d c d d X d ± = d r = x y T d ± r ±
Bardziej szczegółowoObliczenia naukowe Wykład nr 14
Obliczeni nuowe Wyłd nr 14 Pweł Zielińsi Ktedr Informtyi, Wydził Podstwowych Problemów Technii, Politechni Wrocłws Litertur Litertur podstwow [1] D. Kincid, W. Cheney, Anliz numeryczn, WNT, 2005. [2] A.
Bardziej szczegółowoZestaw wybranych wzorów matematycznych
Zestw wybrnych wzorów mtemtycznych mtemtyk elementrn pochodne cłki geometri nlityczn w 3D elementy trygonometrii sferycznej Piotr Choczyński p.j.choczynski@wp.pl www.e-korepetycje.net/pjchocz 9.0.07 v.
Bardziej szczegółowoStatystyka aktuarialna i teoria ryzyka, rozkłady szkód
Statystyka aktuarialna i teoria ryzyka, rozkłady szkód Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 7 1 / 16 ROZKŁADY WARTOŚCI SZKÓD Podstawowe własności: rozkłady skupione na dodatniej
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoWEKTORY skalary wektory W ogólnym przypadku, aby określić wektor, należy znać:
WEKTORY Wśród wielkości fizycznych występujących w fizyce możn wyróżnić sklry i wektory. Aby określić wielkość sklrną, wystrczy podć tylko jedną liczbę. Wielkościmi tkimi są ms, czs, tempertur, objętość
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
Bardziej szczegółowoZadania 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 szczegółowoRozkłady 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 szczegółowoMaciej Grzesiak Instytut Matematyki Politechniki Poznańskiej. Całki krzywoliniowe
Mciej Grzesik Instytut Mtemtyki Politechniki Poznńskiej Cłki krzywoliniowe 8.04.018 1. efinicj cłki krzywoliniowej nieskierownej Rozwżmy nstępujący problem. ny jest przewód elektryczny n którym rozmieszczone
Bardziej szczegółowoWYMAGANIA I KRYTERIA OCENIANIA Z MATEMATYKI W 3 LETNIM LICEUM OGÓLNOKSZTAŁCĄCYM
WYMAGANIA I KRYTERIA OCENIANIA Z MATEMATYKI W 3 LETNIM LICEUM OGÓLNOKSZTAŁCĄCYM Kls drug A, B, C, D, E, G, H zkres podstwowy 1. FUNKCJA LINIOWA rozpoznje funkcję liniową n podstwie wzoru lub wykresu rysuje
Bardziej szczegółowoUniwersytet Mikołaja Kopernika w Toruniu
Uniwersytet Mikołj Kopernik w Toruniu Wydził Mtemtyki i Informtyki Krzysztof Frączek Anliz Mtemtyczn I Wykłd dl studentów I roku kierunku informtyk Toruń 206 Spis treści Liczby rzeczywiste 2 Ciągi liczbowe
Bardziej szczegółowoPODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych
PODSTAWY BAZ DANYCH Wykłd 3 2. Pojęcie Relcyjnej Bzy Dnych 2005/2006 Wykłd "Podstwy z dnych" 1 Rozkłdlno dlność schemtów w relcyjnych Przykłd. Relcj EGZ(U), U := { I, N, P, O }, gdzie I 10 10 11 N f f
Bardziej szczegółowoKRYTERIA OCENIANIA ODPOWIEDZI Próbna Matura z OPERONEM. Matematyka. Poziom rozszerzony. Listopad Wskazówki do rozwiązania zadania
Vdemecum i Testy GIELDAMATURALNA.PL ODBIERZ KOD DOSTĘPU* - Twój indywidulny klucz do wiedzy! *Kod n końcu klucz odpowiedzi Mtemtyk KRYTERIA OCENIANIA ODPOWIEDZI Próbn Mtur z OPERONEM Mtemtyk Poziom rozszerzony
Bardziej szczegółowoEkoenergetyka Matematyka 1. Wykład 15. CAŁKI OZNACZONE. Egzaminy I termin poniedziałek :00 Aula B sala 12B Wydział Informatyki
Ekoenergetyk Mtemtyk 1. Wykłd 15. CAŁKI OZNACZONE Egzminy I termin poniedziłek 31.01 14:00 Aul B sl 12B Wydził Informtyki Definicj (podził odcink) II termin poprwkowy czwrtek 9.02 14:00 WE-030 Podziłem
Bardziej szczegółowoPrzestrzeń 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 szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Bardziej szczegółowo2. Analiza Funkcje niepustymi zbiorami. Funkcja
2. Anliz Kresy: infim i suprem Wprowdzmy oznczenie dl rozszerzonej prostej rzeczywistej: R = R {, + }, przy czym w zbiorze tym zchowujemy nturlny porzdek w R orz przyjmujemy, że < < dl R. Niech A R. Ogrniczeniem
Bardziej szczegółowoLaboratorium z metod numerycznych.
Lbortorium z metod numerycznych.. ĆWICZENIA Z PODSTAW OBSŁUGI MATHCAD- Uwg: Instrukcj do ćwiczeń sporządzon jest w progrmie MthCd, nleży wygenerowć w rmch ćwiczeni podobny dokument zwierjący: Opisy, Obliczeni,
Bardziej szczegółowoGranica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej
Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus 3 listopada 06r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej
Bardziej szczegółowoGranica 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 szczegółowoCałki niewłaściwe. Funkcje Γ i B Eulera oraz ich zastosowania
Rozdził Cłki niewłściwe. Funkcje Γ i B Euler orz ich zstosowni W tym rozdzile omówimy pojęcie cłki niewłściwej. Zjmiemy się też dwom brdzo wżnymi konkretnymi typmi tkich cłek: funkcjmi Γ (gmm i B (bet
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowoKomisja Egzaminacyjna dla Aktuariuszy LIX Egzamin dla Aktuariuszy z 12 marca 2012 r. Część I Matematyka finansowa
Mtemtyk finnsow 12.03.2012 r. Komisj Egzmincyjn dl Akturiuszy LIX Egzmin dl Akturiuszy z 12 mrc 2012 r. Część I Mtemtyk finnsow WERSJA TESTU A Imię i nzwisko osoby egzminownej:... Czs egzminu: 100 minut
Bardziej szczegółowo