Rachunek prawdopodobieństwa dla informatyków
|
|
- Adrian Sobczak
- 8 lat temu
- Przeglądów:
Transkrypt
1 Rachunek prawdopodobieństwa dla informatyków Adam Roman Instytut Informatyki UJ Wykład 7 teoria kolejek prawo Little a systemy jedno- i wielokolejkowe 1/75
2 System kolejkowy System kolejkowy to układ złożony z jednego lub kilku stanowisk obsługi (np. serwerów) przeznaczonych do wykonywania określonych zadań, które nadchodzą do systemu poprzez kolejkę zadań oczekujących na wykonanie 2/75
3 Komponenty systemu kolejkowego zadania nadchodzące kolejka Serwer 1 Serwer n wyjście populacja 3/75
4 Komponenty: nadchodzenie zadań Zwykle zadania nadchodzą w losowych momentach A(t) proces zliczający A(t) = # zadań, które nadeszły do chwili t W stacjonarnych systemach kolejkowych zgłoszenia pojawiają się z częstotliwością (tempem) zgłoszeń: Oczekiwany czas pomiędzy zgłoszeniami to 4/75
5 Komponenty: kolejkowanie i routing Zadania zwykle procesowane są w systemie first come first served, zatem kolejka jest FIFO Gdy nadchodzi nowe zadanie możliwe są sytuacje: 1. 1 serwer dostępny (zadanie jest mu przekazane) 2. kilka serwerów dostępnych (przekazanie losowo lub wg określonych reguł, np. do najszybszego) 3. wszystko zajęte (zadanie zakolejkowane) Dodatkowe warianty: - ograniczenie pojemności kolejki - ograniczony czas oczekiwania ( cierpliwość ) 5/75
6 Komponenty: serwis Gdy serwer jest dostępny, od razu zaczyna przetwarzanie (obsługę, serwis) następnego zadania W praktyce czas serwisu jest losowy Średni czas serwisu to Tempo serwisu (service rate) to średnia liczba zadań przetwarzanych w ciągu jednostki czasu: 6/75
7 Parametry i zmienne losowe systemu kolejkowego PARAMETRY tempo zgłoszeń tempo serwisu śr. czas między przybyciami śr. czas serwisu współczynnik użycia (utilization rate) 7/75
8 Parametry i zmienne losowe systemu kolejkowego ZMIENNE LOSOWE # przetwarzanych zadań w czasie t # zadań czekających w kolejce w czasie t całkowita liczba zadań w systemie w czasie t czas serwisu k-tego zadania czas oczekiwania k-tego zadania czas odpowiedzi (całkowity czas jaki zadanie spędza w systemie od nadejścia do wyjścia) 8/75
9 Współczynnik użycia, stacjonarność Współczynnik użycia r jest ważnym parametrem wskazuje on, czy system może funkcjonować przy bieżącym lub większym tempie zgłaszania zadań i jak bardzo system jest przeciążony lub niedociążony System kolejkowy jest stacjonarny, jeśli rozkłady S k, W k i R k są niezależne od k W takiej sytuacji będziemy opuszczać indeks k. Główny cel analizy znaleźć rozkład X(t), całkowitej liczby zadań w systemie. Inne charakterystyki będą obliczane na podstawie X(t). Wynik: oszacowanie wydajności systemu. 9/75
10 PRAWO LITTLE A 10/75
11 Prawo Little a Prawo Little a opisuje związek pomiędzy oczekiwaną liczbą zadań, oczekiwanym czasem odpowiedzi i tempem zgłoszeń. Działa dla każdego stacjonarnego systemu kolejkowego 11/75
12 A(T) Dowód prawa Little a ε X(T) R, czas odpowiedzi X(t), liczba prac w chwili t zad 1 zad 3 zad 2 Zgłoszenie Odejście t T czas 12/75
13 A(T) Dowód prawa Little a ε X(T) R, czas odpowiedzi X(t), liczba prac w chwili t zad 1 zad 3 zad 2 Zgłoszenie Odejście t T czas czas Dla obu stron bierzemy E, dzielimy przez T i przechodzimy do granicy 13/75
14 A(T) Dowód prawa Little a ε X(T) R, czas odpowiedzi X(t), liczba prac w chwili t zad 1 zad 3 zad 2 Zgłoszenie Odejście t T czas 14/75
15 A(T) Dowód prawa Little a ε X(T) R, czas odpowiedzi X(t), liczba prac w chwili t zad 1 zad 3 zad 2 Zgłoszenie Odejście t T czas 15/75
16 A(T) Dowód prawa Little a ε X(T) R, czas odpowiedzi X(t), liczba prac w chwili t zad 1 zad 3 zad 2 Zgłoszenie Odejście t T czas 16/75
17 Przykład Wchodzimy do banku o 10:00. Jest tam 10 klientów i zakładamy, że jest to typowa, średnia liczba klientów. Zauważamy też, że klienci obsługiwani są średnio co 2 minuty. Kiedy można spodziewać się, że zostaniemy obsłużeni i wyjdziemy z banku? 17/75
18 Uniwersalność prawa Little a Prawo Little a ma zastosowanie do każdego stacjonarnego systemu kolejkowego, a nawet do komponentów systemu kolejki i serwerów. Możemy natychmiast wywniosować równania na liczbę oczekujących zadań: oraz na liczbę zadań aktualnie serwisowanych: Przy okazji otrzymaliśmy inną, ważną interpretację współczynnika użycia: jest to oczekiwana liczba serwisowanych zadań w danym czasie 18/75
19 Prawo Little a podsumowanie Prawo to udowodnił Little w 1961 roku John D.C. Little. Pokazuje ono związki pomiędzy oczekiwanymi wartościami liczby zadań i czasów odpowiedzi Zajmiemy się teraz badaniem całego rozkładu X(t) Liczba zadań w systemie, X(t), nazywana jest procesem kolejkowym. W ogólności NIE jest to proces zliczający, bo zadania przychodzą i odchodzą, więc liczba zadań może się zwiększać lub zmniejszać, a więc nie musi być niemalejąca 19/75
20 PROCES KOLEJKOWY BERNOULLIEGO Z 1 SERWEREM 20/75
21 Proces kolejkowy Bernoulliego z 1 serwerem (1) Proces z czasem dyskretnym o następującej charakterystyce: jeden serwer nieograniczona pojemność kolejki zgłoszenia mają rozkład dwumianowy z p=p A prawdopodobieństwo ukończenia serwisu (i odejścia z systemu) podczas każdej ramki wynosi p S pod warunkiem, że w systemie jest co najmniej jedno zadanie na początku ramki czasowej czasy serwisu i czasy między zgłoszeniami są niezależne 21/75
22 Proces kolejkowy Bernoulliego z 1 serwerem (2) Z własności dwumianowego procesu zliczającego: liczba ramek pomiędzy kolejnymi zgłoszeniami ma rozkład Geom(p A ) każdy serwis zabiera Geom(p S ) ramek serwis każdego zadania zabiera co najmniej 1 ramkę 22/75
23 Proces kolejkowy Bernoulliego z 1 serwerem (3) Jest to także homogeniczny łańcuch Markowa, ponieważ p A i p S nie zmieniają się w czasie Warunki procesu dwumianowego gwarantują, że w jednej ramce może być co najwyżej 1 zgłoszenie i 1 wyjście zadania 23/75
24 Proces kolejkowy Bernoulliego z 1 serwerem (4) 24/75
25 Proces kolejkowy Bernoulliego z 1 serwerem (4) 25/75
26 Proces kolejkowy Bernoulliego z 1 serwerem (5) /75
27 Przykład (1) Zadania do drukarki wysyłane są w tempie 20/godz. Każde drukowanie zajmuje średnio 40s. Obecnie drukarka jest w stanie drukowania, a w kolejce czeka jedno zadanie. Zakładając proces kolejkowy Bernoulliego z ramką 20s (a) jakie jest prawd., że drukarka będzie bezczynna za 2 minuty? (b) jaka jest oczekiwana długość kolejki za 2 minuty? Znajdź oczekiwaną liczbę zadań oczekujących i oczekiwaną całkowitą liczbę zadań w systemie 27/75
28 Przykład (2) Dane Obliczamy 28/75
29 Przykład (3) Jak przeprowadzić mnożenie nieskończonej macierzy? 29/75
30 Przykład (4) Na szczęście potrzebujemy tylko jej fragmentu! Obecnie w systemie są 2 prace (1 w kolejce i 1 drukowana). 30/75
31 Przykład (4) Na szczęście potrzebujemy tylko jej fragmentu! Obecnie w systemie są 2 prace (1 w kolejce i 1 drukowana). W 6 ramkach liczba ta może się zmienić max o 6, zatem może przyjąć wartości od 0 do 8. Wystarczy więc ograniczyć się do pierwszych 9 kolumn i 9 wierszy macierzy P 31/75
32 Przykład (5) 32/75
33 Rozkład stacjonarny Każdy system kolejkowy, którego tempo serwisu jest większe niż tempo zgłoszeń: posiada rozkład stacjonarny Da się go obliczyć pomiomo nieskończoności macierzy przejścia P. 33/75
34 Systemy z ograniczoną pojemnością C = maksymalna liczba zadań, jakie jednocześnie mogą być w systemie 0 1 C-1 C 34/75
35 Przykład (1) Pracownik call-centre ma telefon z 2 liniami umożliwiający rozmawianie i jednoczesne wstrzymanie drugiej rozmowy (on hold). To system z pojemnością C=2. Gdy jest max pojemność i ktoś dzwoni, otrzymuje sygnał zajęte. Załóżmy, że pracownik otrzymuje średno 10 telefonów na godzinę, a średni czas rozmowy wynosi 4 min. Modelując system jako system kolejkowy Bernoulliego z ograniczoną pojemnością i 1-minutowymi ramkami oblicz rozkład stacjonarny i zinterpretuj go 35/75
36 Przykład (2) 36/75
37 Przykład (3) Pracownik przez 43,9% czasu nie rozmawia, przez 35,1% czasu ma 1 rozmowę, a przez 21% czasu dwie rozmowy naraz (tzn. jedna na on-hold ) 37/75
38 SYSTEM M/M/1 38/75
39 Systemy kolejkowe z czasem ciągłym notacja System kolejkowy A/S/n/C A rozkład czasów między zgłoszeniami S rozkład czasów serwisu n liczba serwerów C pojemność (domyślnie C= ) M = rozkład wykładniczy, bo jest bez pamięci (memory-less) a wynikowy proces jest markowowski 39/75
40 System M/M/1 System kolejkowy M/M/1 to proces kolejkowy Markowa z czasem ciągłym o następujących cechach: - jeden serwer - nieograniczona pojemność - czasy między zgłoszeniami o r. wykładniczym z λ A - czasy obsługi o r. wykładniczym z λ S - czasy między zgłoszeniami i obsługi są niezależne 40/75
41 M/M/1 jako proces graniczny procesu Bernoulliego (1) 41/75
42 M/M/1 jako proces graniczny procesu Bernoulliego (2) 42/75
43 Rozkład stacjonarny dla M/M/1 (1) pierwsze równanie równowagi drugie równanie równowagi 43/75
44 Rozkład stacjonarny dla M/M/1 (2) W ogólnym przypadku otrzymujemy równanie 44/75
45 Rozkład stacjonarny dla M/M/1 (2) W ogólnym przypadku otrzymujemy równanie Czy ten rozkład wygląda znajomo??? 45/75
46 Rozkład stacjonarny dla M/M/1 (3) X(t) ma przesunięty rozkład geometryczny! Przesunięty, bo Y=X+1 ma r. geometryczny: Dzięki temu łatwo możemy obliczyć charakterystyki rozkładu X(t): 46/75
47 Rozkład stacjonarny dla M/M/1 (4) Podsumowanie: rozkład stacjonarny dla liczby zadań w systemie M/M/1 47/75
48 Ocena wydajności systemu Z wzoru na poprzednim slajdzie wynika, że Czyli: Pr(serwer jest zajęty) = r Pr(serwer jest wolny) = 1 r Wartość r (utilization!) mówi jak bardzo serwer jest wykorzystywany. System jest funkcjonalny gdy r<1. Gdy r 1 system jest przeciążony i zadania się kumulują. 48/75
49 Czas oczekiwania (1) Czas oczekiwania dla nowego zadania zależy od czasów obsługi X znajdujących się w systemie zadań To, czy pierwsze z tych zadań jest już obsługiwane, nie ma znaczenia dla rozkładu W! Dlaczego? 49/75
50 Czas oczekiwania (1) Czas oczekiwania dla nowego zadania zależy od czasów obsługi X znajdujących się w systemie zadań To, czy pierwsze z tych zadań jest już obsługiwane, nie ma znaczenia dla rozkładu W! Rozkład wykładniczy jest rozkładem bez pamięci. W każdym momencie pozostający czas obsługi ma taki sam rozkład Exp(λ S ), niezależnie od tego jak długo trwa obsługa! 50/75
51 Czas oczekiwania (2) Zatem oczekiwany czas oczekiwania wynosi: Pytanie: czy zmienna W ma rozkład ciągły czy dyskretny? 51/75
52 Czas oczekiwania (2) Zatem oczekiwany czas oczekiwania wynosi: P(W=0) = 1 r, zatem W ma masę prawdopodobieństwa w zerze. Z drugiej strony, W ma gęstość f(x) dla x>0, bo jest sumą zmiennych o rozkładach Gamma. W ma rozład mieszany!!!!!! 52/75
53 Czas odpowiedzi Czas odpowiedzi to czas przebywania zadania w systemie 53/75
54 Długość kolejki To liczba oczekujących zadań: 54/75
55 Główne charakterystyki M/M/1 55/75
56 SYSTEMY Z K SERWERAMI 56/75
57 Wprowadzenie Czasy obsługi w poszczególnych serwerach mogą być różne. Gdy nadchodzi zgłoszenie i wszystkie serwery są zajęte, zgłoszenie jest zakolejkowane. Wpp. jest przydzielane do serwera wg jakichś reguł Plan analizy systemów wieloserwerowych: - sprawdź, czy liczba zgłoszeń w czasie t jest procesem Markowa. Jeśli tak, oblicz P - oblicz rozkład stacjonarny π - użyj π do uzyskania długoterminowych charakterystyk systemu Współczynnik użycia: r<k, nie r<1 57/75
58 Proces kolejkowy Bernoulliego z k serwerami To proces kolejkowy o dyskretnym czasie z następującymi cechami: - k serwerów - nieograniczona pojemność - zgłoszenia wg. procesu zliczającego dwumianowego, prawd. zgłoszenia = p A - w każdej ramce czasu każdy zajęty serwer kończy obsługę z prawd. = p S niezależnie od innych serwerów i niezależnie od procesu zgłoszeń 58/75
59 Własność Markowa dla pr. B. z k kol. Czasy między zgłoszeniami oraz czasy przetwarzania zadań mają rozkłady geometryczne z parametrami odpowiednio p A i p S Rozkład geometryczny nie ma pamięci, więc proces jest markowowski Załóżmy, że X s =n prac jest aktualnie obsługiwanych. W następnej ramce każde z nich może się skończyć i opuścić system. Zatem liczba opuszczeń systemu to liczba sukcesów w n niezależnych próbach Bernoulliego. Czyli rozkład dwumianowy(n, p S ) 59/75
60 Prawdopodobieństwa przejść (1) Obliczmy Załóżmy, że mamy i prac w systemie z k serwerami. Wtedy liczba n zajętych serwerów to Dla i k liczba serwerów wystarcza dla aktualnych zadań, wszystkie są obsługiwane i liczba X d prac opuszczających w następnej ramce jest Binom(i, p S ) Dla i>k jest więcej zadań niż serwerów. Wszystkie serwery są zajęte, X d ma rozkład Binom(k, p S ) Nowe zgłoszenie w następnej ramce pojawia się z prawdopodobieństwem p A 60/75
61 Prawdopodobieństwa przejść (2) 61/75
62 Prawdopodobieństwa przejść (3) Schemat dla systemu?-serwerowego 62/75
63 Prawdopodobieństwa przejść (3) Schemat dla systemu 2-serwerowego Liczba aktualnych prac może przejść od i do i-2, i-1, i, i+1 63/75
64 System M/M/k M/M/k to proces kolejkowy Markowa z ciągłym czasem. Charakterystyka: - k serwerów - nieograniczona pojemność - wykładniczy(λ A ) czas pomiędzy zgłoszeniami - wykładniczy(λ S ) czas obsługi dla każdego serwera, czasy niezależne dla poszczególnych serwerów i niezależne od czasów zgłoszeń 64/75
65 System M/M/k prawd. przejść Tak jak w M/M/1 korzystamy z procesu Bernoulliego kładąc Δ 0 65/75
66 System M/M/k rozkład stacjonarny Tak jak w M/M/1, które było szczególnym przypadkiem Po zajęciu przez k prac wszystkich serwerów: 66/75
67 System M/M/k rozkład stacjonarny 67/75
68 Przykład Mamy system M/M/3 z tempem zgłoszeń λ A =10 min -1 Tempo obsługi to 6 min -1. Współczynnik użycia (obciążenie systemu) wynosi 10/6 = 1.67 (ale system jest funkcjonalny, bo są 3 serwery i r<3). Jaka frakcja zgłoszeń będzie przetworzona natychmiast, bez czekania w kolejce? 68/75
69 Przykład Mamy system M/M/3 z tempem zgłoszeń λ A =10 min -1 Tempo obsługi to 6 min -1. Współczynnik użycia (obciążenie systemu) wynosi 10/6 = 1.67 (ale system jest funkcjonalny, bo są 3 serwery i r<3). Jaka frakcja zgłoszeń będzie przetworzona natychmiast, bez czekania w kolejce? 69/75
70 System M/M/ Eliminujemy czas oczekiwania. Zgłoszenie jest obsługiwane natychmiast 70/75
71 System M/M/ Używając wyników dla M/M/k i biorąc k dostajemy I dla wszystkich Rozkład Poissona! Liczba zadań w systemie M/M/ ma rozkład Poissona(λ A / λ S ). 71/75
72 Podsumowanie: System M/M/ 72/75
73 Teoria kolejek podsumowanie (1) Przeanalizowaliśmy podstawowe systemy kolejkowe: Bernoulliego oraz M/M/k Uwzględniliśmy 1 i k serwerów, ograniczoną i nieograniczoną pojemność kolejki Nie uwzględnialiśmy bardziej skomplikowanych rzeczy np. cierpliwość zadania w kolejce, różnice między serwerami itp. Większość wyników oparta jest o własność Markowa rozważanych procesów. Wyprowadziliśmy rozkłady stacjonarne liczby zadań w systemie, a stąd otrzymaliśmy inne charakterystyki systemów Jedynym ogólnym wynikiem jest prawo Little a 73/75
74 Teoria kolejek podsumowanie (2) W praktyce systemy kolejkowe są znacznie bardziej skomplikowane. Zgłoszenia mogą mieć inny niż Poissonowski rozkład. Intensywność zgłoszeń może zmieniać się w czasie. Proces może mieć pamięć. Itd. Możemy symulować bardziej skomplikowane systemy kolejkowe przy pomocy metod Monte Carlo Czasem metody MC są konieczne nawet, jeśli mamy system dający się policzyć analitycznie. Np. w przypadku markowowskim możemy chcieć wiedzieć jaki będzie % zadowolonych klientów, oczekiwana liczba użytkowników w danym czasie, liczyć prognozy itp. 74/75
75 KONIEC 75/75
dr Adam Sojda Wykład Politechnika Śląska Badania Operacyjne Teoria kolejek
dr Adam Sojda Badania Operacyjne Wykład Politechnika Śląska Teoria kolejek Teoria kolejek zajmuje się badaniem systemów związanych z powstawaniem kolejek. Systemy kolejkowe W systemach, którymi zajmuje
Bardziej szczegółowoElementy modelowania matematycznego
Eleenty odelowania ateatycznego Systey kolejkowe. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ RZYKŁAD KOLEJKI N(t) długość kolejki w chwili t T i czas obsługi i-tego klienta Do okienka
Bardziej szczegółowoPodstawy Informatyki Elementy teorii masowej obsługi
Podstawy Informatyki alina.momot@polsl.pl http://zti.polsl.pl/amomot/pi Plan wykładu 1 Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla 2 Analiza systemu M/M/1 Wyznaczenie P n (t) Wybrane
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 5- Klasyczne systemy kolejkowe i ich analiza dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 16,23listopada2015r. Analiza
Bardziej szczegółowoModele procesów masowej obsługi
Modele procesów masowej obsługi Musiał Kamil Motek Jakub Osowski Michał Inżynieria Bezpieczeństwa Rok II Wstęp Teoria masowej obsługi to samodzielna dyscyplina, której celem jest dostarczenie możliwie
Bardziej szczegółowoColloquium 2, Grupa A
Colloquium 2, Grupa A 1. W warsztacie samochodowym są dwa stanowiska obsługi. Na każdym z nich, naprawa samochodu trwa przeciętnie pół godziny. Do warsztatu przyjeżdża średnio 4 klientów w ciągu godziny.
Bardziej szczegółowoElementy Modelowania Matematycznego
Elementy Modelowania Matematycznego Wykład 9 Systemy kolejkowe Spis treści Wstęp Systemy masowej obsługi (SMO) Notacja Kendalla Schemat systemu masowej obsługi Przykład systemu M/M/1 Założenia modelu matematycznego
Bardziej szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Teoria masowej obsługi. Geneza. Teoria masowej obsługi
TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK Wykład 1 Dr inż. Anna Kwasiborska Literatura B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii
Bardziej szczegółowoKwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.
Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )
Bardziej szczegółowoSystemy masowej obsługi
Systemy masowej obsługi Celem niniejszego ćwiczenia jest: zapoznanie się z podstawowymi właściwościami najprostszego systemu analizowanego w ramach teorii masowej obsługi, systemu M/M/ zapoznanie się z
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych 1 Zmienne losowe dyskretne 1.1 Rozkład dwumianowy Zad.1.1.1 Prawdopodobieństwo dziedziczenia pewnej cechy wynosi 0,7. Jakie jest prawdopodobieństwo, że spośród pięciu potomków
Bardziej szczegółowoPojęcie 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 szczegółowoPlanowanie przydziału procesora
Planowanie przydziału procesora Wykład prowadzą: Jerzy Brzeziński Dariusz Wawrzyniak Plan wykładu Komponenty jądra związane z szeregowaniem Ogólna koncepcja planowania Kryteria oceny uszeregowania Algorytmy
Bardziej szczegółowoProces 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 szczegółowoPlanowanie przydziału procesora
Dariusz Wawrzyniak Plan wykładu Komponenty jądra związane z szeregowaniem Ogólna koncepcja planowania Kryteria oceny algorytmów planowania Algorytmy planowania (2) 1 Komponenty jądra w planowaniu Planista
Bardziej szczegółowoColloquium 1, Grupa A
Colloquium 1, Grupa A 1. W pewnej fabryce zamontowano system kontroli pracowników wchodzących na teren zakładu. Osoba chcąca wejść, dzwoni na portiernię i czeka przy drzwiach. Portier sprawdza tę osobę
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoUkłady 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 szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoMETODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych
METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład - Parametry i wybrane rozkłady zmiennych losowych Parametry zmiennej losowej EX wartość oczekiwana D X wariancja DX odchylenie standardowe inne, np. kwantyle,
Bardziej szczegółowoSystemy kolejkowe z histerezą- wprowadzenie
Systemy kolejkowe z histerezą- wprowadzenie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 25 kwietnia 2014 r. System kolejkowy z histerezą System kolejkowy
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoĆwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II
Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,
Bardziej szczegółowoZarządzanie procesorem
Zarządzanie procesorem 1. Koncepcja procesu 2. Blok kontrolny procesu 3. Planowanie (szeregowanie) procesów! rodzaje planistów! kryteria planowania 4. Algorytmy planowania! FCFS! SJF! RR! planowanie priorytetowe!
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowo01. dla x 0; 1 2 wynosi:
Matematyka ubezpieczeń majątkowych 0.0.04 r. Zadanie. Ryzyko X ma rozkład z atomami: Pr X 0 08. Pr X 0. i gęstością: f X x 0. dla x 0; Ryzyko Y ma rozkład z atomami: Pr Y 0 07. Pr Y 0. i gęstością: fy
Bardziej szczegółowoBiostatystyka, # 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 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 szczegółowoOgólnopolska 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 szczegółowo4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO
Znaczenie rozkładu wykładniczego 4 51 4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO 4.1. Rozkład wykładniczy Zmienna losowa X ma rozkład wykładniczy, jeżeli funkcja gęstości prawdopodobieństwa f ( x) = λe λx x 0,
Bardziej szczegółowo4.2 Rozgrzewka, czyli Centralne Twierdzenie Graniczne
4.1 Wprowadzenie do modelowania Uwaga!!! Rzut monetą nie jest eksperymentem losowym. Znając warunki początkowe oraz wiedząc wszystko o otoczeniu, wyposażeni w znajomość zasad dynamiki jesteśmy w stanie
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoZadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20:
Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: E X 20 8 oraz znamy następujące charakterystyki dotyczące przedziału 10, 20 : 3 Pr
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoRachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i )
Rachunek prawdopodobieństwa - Teoria - Przypomnienie Podstawy Definicja 1. Schemat klasyczny - wszystkie zdarzenia elementarne są równo prawdopodobne, licząc prawdopodobieństwo liczymy stosunek liczby
Bardziej szczegółowoProcesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku.
Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku. Uogólnienie na przeliczalnie nieskończone przestrzenie stanów zostało opracowane
Bardziej szczegółowoSystemy masowej obsługi
Rozdział 1 Systemy masowej obsługi Systemy masowej obsługi (lub kolejkowe) występują w wielu praktycznych sytuacjach, np. samoloty na lotnisku oczekują na start lub lądowanie, klienci w banku oczekują
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.1. Zmienne losowe dyskretne. Katarzyna Rybarczyk-Krzywdzińska Definicja/Rozkład Zmienne losowe dyskretne Definicja Zmienną losową, która skupiona
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl 7/15 Rachunek różnicowy Dobrym narzędziem do obliczania skończonych sum jest rachunek różnicowy. W rachunku tym odpowiednikiem operatora
Bardziej szczegółowoZbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki. Graniczne własności łańcuchów Markowa
Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Graniczne własności łańcuchów Markowa Toruń, 2003 Co to jest łańcuch Markowa? Każdy skończony, jednorodny łańcuch Markowa
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoWykład 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 szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoz przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X
Zadanie. Mamy dany ciąg liczb q, q,..., q n z przedziału 0,, oraz ciąg m, m,..., m n liczb dodatnich. Rozważmy dwie zmienne losowe: o X X X... X n, gdzie X i ma złożony rozkład dwumianowy o parametrach,q
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 szczegółowoZadanie 1. są niezależne i mają rozkład z atomami: ( ),
Zadanie. Zmienne losowe są niezależne i mają rozkład z atomami: ( ) ( ) i gęstością: ( ) na przedziale ( ). Wobec tego ( ) wynosi: (A) 0.2295 (B) 0.2403 (C) 0.2457 (D) 0.25 (E) 0.269 Zadanie 2. Niech:
Bardziej szczegółowozdarzenie losowe - zdarzenie którego przebiegu czy wyniku nie da się przewidzieć na pewno.
Rachunek prawdopodobieństwa Podstawowym celem rachunku prawdopodobieństwa jest określanie szans zajścia pewnych zdarzeń. Pojęcie podstawowe rachunku prawdopodobieństwa to: zdarzenie losowe - zdarzenie
Bardziej szczegółowoPRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW
PRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW Rachunek prawdopodobieństwa (probabilitis - prawdopodobny) zajmuje się badaniami pewnych prawidłowości (regularności) zachodzących przy wykonywaniu doświadczeń
Bardziej szczegółowoMetoda simpleks. Gliwice
Sprowadzenie modelu do postaci bazowej Sprowadzenie modelu do postaci bazowej Przykład 4 Model matematyczny z Przykładu 1 sprowadzić do postaci bazowej. FC: ( ) Z x, x = 6x + 5x MAX 1 2 1 2 O: WB: 1 2
Bardziej szczegółowoLista 6. Kamil Matuszewski 13 kwietnia D n =
Lista 6 Kamil Matuszewski 3 kwietnia 6 3 4 5 6 7 8 9 Zadanie Mamy Pokaż, że det(d n ) = n.... D n =.... Dowód. Okej. Dla n =, n = trywialne. Załóżmy, że dla n jest ok, sprawdzę dla n. Aby to zrobić skorzystam
Bardziej szczegółowoSpacery 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 szczegółowoMatematyka ubezpieczeń majątkowych 6.04.2009 r.
Matematyka ubezpieczeń majątkowych 6.04.009 r. Zadanie. Niech N oznacza liczbę szkód zaszłych w ciągu roku z pewnego ubezpieczenia z czego: M to liczba szkód zgłoszonych przed końcem tego roku K to liczba
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoLista 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 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 szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Geneza. Teoria masowej obsługi. Cele masowej obsługi. Teoria masowej obsługi
Literatura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii obsługi masowej. PWN, Warszawa
Bardziej szczegółowoRozkład wykładniczy. Proces Poissona.
Wykład 3 Rozkład wykładniczy. Proces Poissona. 3.1 Własności rozkładu wykładniczego 3.1.1 Rozkład geometryczny: Mówimy, że zmienna losowa X ma rozkład geometryczny z parametrem p (, 1) jeśli P(Xi)p(1 p)
Bardziej szczegółowoZmienne losowe zadania na sprawdzian
Zmienne losowe zadania na sprawdzian Zad. 1. Podane poniżej dane dotyczą zawartości suchej masy (w %) i sosu (w %) w 24 konserwach ze śledzia w pomidorach: Zawartość suchej masy: 12,0 13,0 14,5 14,0 12,0
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 szczegółowoAleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.
Zadanie Statystyczna Analiza Danych - Zadania 6 Aleksander Adamowski (s869) W pewnym biurze czas losowo wybranej rozmowy telefonicznej jest zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoPROCESY 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 szczegółowoWażne 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 szczegółowoZarządzanie wieloserwerowym środowiskiem SAS z wykorzystaniem SAS Grid Managera. Katarzyna Wyszomierska
Zarządzanie wieloserwerowym środowiskiem SAS z wykorzystaniem SAS Grid Managera Katarzyna Wyszomierska Wyzwania administratora Nowe oprogra mowanie Sprzęt Użytkownicy Dane Wyzwania administratora Potrzebne
Bardziej szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Teoria masowej obsługi. Geneza. Teoria masowej obsługi
TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK Wykład 1 Dr inż. Anna Kwasiborska Literatura B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii
Bardziej szczegółowoSpis 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 szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych
Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie 1. W pewnej populacji podmiotów każdy podmiot narażony jest na ryzyko straty X o rozkładzie normalnym z wartością oczekiwaną równą μ i wariancją równą. Wszystkie podmioty z tej populacji kierują
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
Bardziej szczegółowo19 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 szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X
Bardziej szczegółowo2. 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 szczegółowoMatematyka ubezpieczeń majątkowych 1.10.2012 r.
Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoZadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:
Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:
Bardziej szczegółowoLiczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną
Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku
Bardziej szczegółowo1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
Bardziej szczegółowoWykład 6. Planowanie (szeregowanie) procesów (ang. process scheduling) Wojciech Kwedlo, Wykład z Systemów Operacyjnych -1- Wydział Informatyki PB
Wykład 6 Planowanie (szeregowanie) procesów (ang. process scheduling) Wojciech Kwedlo, Wykład z Systemów Operacyjnych -1- Wydział Informatyki PB Rodzaje planowania Planowanie długoterminowe. Decyzja o
Bardziej szczegółowoColloquium 3, Grupa A
Colloquium 3, Grupa A 1. Z zasobów obliczeniowych pewnego serwera orzysta dwóch użytowniów. Każdy z nich wysyła do serwera zawsze trzy programy naraz. Użytowni czea, aż serwer wyona obliczenia dotyczące
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoAlgorytmy zrandomizowane
Algorytmy zrandomizowane http://zajecia.jakubw.pl/nai ALGORYTMY ZRANDOMIZOWANE Algorytmy, których działanie uzależnione jest od czynników losowych. Algorytmy typu Monte Carlo: dają (po pewnym czasie) wynik
Bardziej szczegółowo3 Ubezpieczenia na życie
3 Ubezpieczenia na życie O ile nie jest powiedziane inaczej, w poniższych zadaniach zakładamy HJP. 3.1. Zadania 7.1-7.26 z Miśkiewicz-Nawrocka, Zeug-Żebro, Zbiór zadań z matematyki finansowej. 3.2. Mając
Bardziej szczegółowo