Wyższe momenty zmiennej losowej
|
|
- Wanda Dobrowolska
- 4 lat temu
- Przeglądów:
Transkrypt
1
2 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 zmieej dysretej i ciągłej azywamy odpowiedio wielości (µ ª m : µ ( µ ( µ P ( M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5- µ µ ( µ ( d Deiicja: Mometem cetralym mieszaym µ rs rzędu r+s azywamy wielości: µ rs E [(m µ ( µ ] ( m µ ( µ P r s r s m m m, r s r s y y µ E[( µ (y µ ] ( µ ( y µ (, y ddy rs m
3 Wariacja zmieej losowej Deiicja: Wariacją azywamy momet cetralym µ rzędu -go. Przyjmuje oa odpowiedio dla zmieej dysretej i ciągłej postać: ( ( µ D P ( ( ( µ D M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-3 d Pierwiaste wadratowy z wariacji azywamy dyspersją. Własości wariacji (,y,z zmiee losowe; a,b,c stałe, z a + by + c: [ z] ( z z ( a + by + c a b y c (, y ddy a ( (, y ddy + b ( y y (, y ddy + ab ( ( y y (, y ddy a ( ( d + b ( y y ( y dy ab ( + ( y y (, y ddy a [ ] + b [ y] + ab ( ( y y (, y ddy Gdy zmiee i y są statystyczie iezależe: z a + b [ y] + +
4 Zmiea losowa dysreta - przyład ( [ ] ( + + E E Przyład: Wartość oczeiwaa rozładu dwumiaowego: gdzie,,, oraz <p<: (, p p ( p (, p!! p ( p p ( p!(! (!(! (! ( ( ( p p p (!(( (! (! ( ( ( m m p m + p p p ( m + m (, p m!(( m! m m p m + p ( p + Wariacja: ( ( E (( ( ( p( p E p p + p p p Korzystając z powyższego wyiu zajdujemy: M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-4
5 Zmiea losowa ciągła - przyład Przyład: Rozład trójąty: gdzie t τ: τ τ τ τ τ 3 t t ( t dt t ( τ t dt t dt t dt τ τ τ τ τ τ 3 6 Wariację zajdziemy ze wzoru: ( t t t E E τ τ τ τ τ Przyład: Wariacja rozładu wyładiczego: ( ( t u t ep t / τ t t E( t; t ep τ dt τ τ u t τ ep t / τ t t t t t ep t ep dt t ep ep τ + τ τ τ τ τ τ τ τ τ Wariacja: ( ( t; τ ( τ t E E τ τ τ t ( ; τ e / τ t M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-5
6 Kowariacja Deiicja: Kowariacją azywamy pierwszy cetraly momet mieszay m : [ m,] co[ m,] ( m ( ( m ( P [ m] E µ µ µ µ E µ µ m m m m m, [, y] co[, y] ( ( y ( ( y (, y ddy [ y] y y y Istotą cechą owariacji jest jej za: dodati gdy wzrostowi jedej zmieej towarzyszy wzrost drugiej i ujemy w przeciwym wypadu. Twierdzeie: Jeżeli zmiee i y są statystyczie iezależe to co[,y]: E µ µ µ µ E µ µ ( ( ( M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-6 co, y y y y, y ddy y y y ddy y ( ( d ( y ( y dy y y y Uwaga: Odwrote twierdzeie ie jest prawdziwe owariacja może być rówa zero, a zmiee mogą być statystyczie zależe. Np. (,y3( +y /8 oreśloa a wadracie - ; - y : ( + y ddy y y ( + y ddy y y ( + y ddy O taich zmieych mówimy, że są iesorelowae (a ie iezależe.
7 Współczyi orelacji Deiicja: Współczyiiem orelacji (Pearsoa azywamy wielość: Własości: D D co[, y] ρ D [] D [y] bra zależości od wyboru jedoste i początu sali zmieych losowych: a u + b Niech oraz ac > y c + d [ a b c d ] [ a b] [ c d ] co, y E y E E y E ( u + ( + E u + E + ρ D D y y D[ a u + b] D[ c + d ] [ u] [ u] [ ] [ u] [ ] [ u] [ ] ace + ade + bce + bd ace E ade bce bd ac D u D [ u] [ u] [ ] E E E co u, D ud D u D M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-7
8 Współczyi orelacji zares wartości - ρ - µ y- µ y u, E[u] E[], [u] [], co[u, ] ρ y [ u ] ( u+ + u + u + + ρ ρ [ u ] ( u u u + ρ ρ + ρ ± [u ] u y µ y µ y µ y y ± ( µ + µ y M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-8
9 Macierz owariacji Wariacja sumy zmieych losowych. Niech z a + by + c: ( ( z a + b y + ab y y (, y ddy [ y] co[, y] + + a b ab Uogólieie a wiele zmieych losowych z a +a + +a +b: [ z] co[, ] [ ] T a a a a gdzie i, j i j i j [ ] co[, ] co[, ] co, co, a ( a, a,..., a, ( co[, ] co[, ] [ ] Uwaga: gdy macierz owariacji jest diagoala wówczas: [ z] a [ ] Uwaga: dla dwóch zm. iesorelowaych: M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-9 i [ + y] [ - y] [ ] + [ y] i i
10 Momety ucji zmieych losowych Problem: Ja oszacować iepewość stadardową wyiu otrzymaego za pomocą daej ormuły matematyczej z pomiarów wielości wchodzących do tej ormuły, tórych iepewości stadardowe są zae? Załóżmy, że w obszarze iepewości argumetów zadaa zależość ucyja może być przybliżoa zależością liiową (model małych iepewości pomiarowych. d y ( ( µ + ( µ d µ d d d ( µ + ( µ gdzie d d d E [ y] µ ( µ + µ ( µ d d y M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5- µ Obliczymy wartość oczeiwaą i wariację y: d d d ( ( µ µ µ d d d ( ( ( (
11 Momety ucji zmieych losowych ( Uogólieie a zmieych losowych,,..., o wartościach oczeiwaych µ µ µ µ i wzajemych relacjach opisaych macierzą owariacji (,,..., ( oraz m ucji (,,..., tóre aprosymujemy liiowo: i (,,..., ( µ, µ,..., µ + ( µ ( µ µ µ (,,..., ( µ, µ,..., µ + ( µ ( µ µ µ [ ] co[, ] co[, ] co, co, co[, ] co[, ] [ ] m (,,..., ( µ, µ,..., µ + ( µ ( µ m m m µ M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5- µ
12 Momety ucji zmieych losowych Powyższy uład zapisujemy wygodie w postaci macierzowej jao: ( ( µ + ( µ gdzie wprowadziliśmy astępujące ozaczeia: ( µ µ ( µ µ (, µ, µ m( µ µ m m m Wartość oczeiwaa i wariacja w przypadu gdy mamy tylo jedą ucję zmieych losowych mają postać: E ( µ + i µ i ( µ ( i i µ [ ] ( ( M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5- µ ( ( co[ i, ] µ [] i, i T
13 Momety ucji zmieych losowych Gdy zmiee losowe ie są sorelowae (macierz [] jest diagoala to: d i d i [ ] [ ] Dla dwóch ucji zmieych losowych wyrażeia a wartość oczeiwaą i wariację przyjmują postać: [ ( ] ( µ + i µ i ( µ [ ( ] ( µ i i µ ( ( ( ( i i i i ( ( M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-3 co, µ µ ( µ ( µ ( i µ i ( µ [ i, ] [] i, i i, i Macierz owariacji dla ucji i : ( [ ] co [, ] [ ] [ ] co, i T
14 Momety ucji zmieych losowych Zupełie ogólie, dla m ucji i zmieych losowych wyrażeia a wartość oczeiwaą i wariację przyjmują postać: E[ (] ( µ + µ ( µ i i i i µ T ( ( ( T ( ( ( µ ( µ ( µ ( µ T T ( ( ( ( [ ] µ µ µ µ T T T czyli ( [ ] co [, ] co [, ] [ ] [ ] [ ] co, co, co, co, [ ] [ ] [ ] M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-4
15 Korelacja w pomiarach złożoych M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-5
16 Propagacja małych błędów Przyład: Wyzaczamy eergię ietyczą uli mierząc jej masę z doładością % oraz dooując pomiaru jej prędości poprzez iezależy pomiar przebytej odległości i czasu, przy czym te pomiary wyoujmy z doładością %. Jaa jest doładość pomiaru eergii? s s E m m E E ( µ m t t E E s m s m s E E m s t m s 3 t m s t t t t E s t E + + m s t m + + Uwaga: Względy błąd pomiaru złożoego wyraża się szczególie prosto w przypadu ormuł w tórych wielości mierzoe pośredio występują jedyie w postaci iloczyów i ilorazów: z j a b z a b c d + j + m + m c d z M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-6 a b c d
17 Propagacja małych błędów Przyład: Wyoujemy pomiar spadu apięcia U i atężeia prądu I płyącego przez iezay opór, odpowiedio z błędami U i I. Wyliczamy wartość oporu R oraz moc M wydzielaą a tym oporze: U R, M UI I Jeśli pomiary apięcia i atężeia są iezależe, wówczas macierz owariacji jest diagoala: Zajdujemy macierz pochodych: U [ U,I] I R R U R R U I I U I - - I M M M M I U U I U I Macierz owariacji zmieych R oraz M ma postać: U I U I T R + MR U I U I [ R,M] [ U,I] U I U I MR M + U I U I M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-7
18 Małe czy duże błędy Przyład: Chcemy zmierzyć eergię ietyczą uli o zaej masie. Załóżmy, że mierzymy jej prędość z doładością do %. Korzystając z przybliżeia liiowego dostajemy: E m E E( µ m µ E E E ( m E µ µ µ Załóżmy, że rozład prędości jest rozładem ormalym: ( µ ( N ( ; µ, ep π Wartość oczeiwaa eergii jest wówczas rówa: ( µ d ( u du µ E m m ep d π u + µ π m ( u + µ ep ( u du m + µ π m µ + m π π M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-8
19 Duże błędy pomiarów pośredich Zajdziemy rozład jaiemu podlega eergia E: E d ± m de me ( ( ( ( ( ( d g E E + - E de ( E/m- µ (- E/m- µ e p - + ep - π me ( E- µ m/ ( E + µ m/ ep - + ep - π m me m Korzystając z powyższego rozładu moża poazać, że: E E g(e m µ + m E m + m µ + m µ E [E] E E m µ + m Idetyczy wyi dostajemy zachowując wyrazy wadratowe w rozwiięciu w szereg Taylora: d d ( ( µ + ( µ + ( µ d d µ µ M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-9
20 Duże błędy pomiarów pośredich Prowadzi to do astępujących wyrażeń a wartość oczeiwaą i wariację: d ( ( µ + [] d d [ ] d d + µ d µ µ Przyład: Rozpatrzmy proto poruszający się z prędością β.997. Załóżmy, że potraimy zmierzyć prędość z doładością do.%. Jaa jest doładość pomiaru całowitej eergii? β E β 343. % E β β mc E - E ( β β Ge - Wyi podajemy w postaci: ( + ( E E + E - E +97. E ( β β mc E + E ( β + β. 4 Ge - ( β + β E mc - d β β ( -β de βmc E β 3 β M. Przybycień Rachue prawdopodobieństwa i statystya Wyład 5-
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 szczegółowoRozkład 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 szczegółowoFunkcja 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 szczegółowoĆwiczenia 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 szczegółowoPrawdopodobieństwo 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 szczegółowoCharakterystyki 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 szczegółowoRozkład 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 szczegółowoRozkład 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 szczegółowoAnaliza matematyczna i algebra liniowa
Aaliza matematycza i algebra liiowa Materiały pomocicze dla studetów do wyładów Rachue różiczowy ucji wielu zmieych. Pochode cząstowe i ich iterpretacja eoomicza. Estrema loale. Metoda ajmiejszych wadratów.
Bardziej szczegółowoĆwiczenia nr 5. TEMATYKA: Regresja liniowa dla prostej i płaszczyzny
TEMATYKA: Regresja liiowa dla prostej i płaszczyzy Ćwiczeia r 5 DEFINICJE: Regresja: metoda statystycza pozwalająca a badaie związku pomiędzy wielkościami daych i przewidywaie a tej podstawie iezaych wartości
Bardziej szczegółowoKurs Prawdopodobieństwo Wzory
Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa
Bardziej szczegółowoJEDNOWYMIAROWA 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 szczegółowoWykład 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 szczegółowoNiezależność 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 szczegółowoH brak zgodności rozkładu z zakładanym
WSPÓŁZALEŻNOŚĆ PROCESÓW MASOWYCH Test zgodości H : rozład jest zgody z załadaym 0 : H bra zgodości rozładu z załadaym statystya: p emp i p obszar rytyczy: K ;, i gdzie liczba ategorii p Przyład: Wyoujemy
Bardziej szczegółowo3. 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 szczegółowoTrzeba 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 szczegółowoTwierdzenia 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 szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
Bardziej szczegółowo16 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 szczegółowoPODSTAWY 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 szczegółowoMetrologia: 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 szczegółowoPodstawowe 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 szczegółowoWstęp. 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 szczegółowoRelacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:
Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.
Bardziej szczegółowoEstymacja 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 szczegółowoWykład 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 szczegółowoX 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 szczegółowoMatematyka 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 szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoRachunek różniczkowy funkcji wielu zmiennych
Automatya i Robotya Aaliza Wyład dr Adam Ćmiel cmiel@agh.edu.pl Rachue różiczowy fucji wielu zmieych W olejych wyładach uogólimy pojęcia rachuu różiczowego i całowego fucji jedej zmieej a przypade fucji
Bardziej szczegółowoWyznaczenie prędkości pojazdu na podstawie długości śladów hamowania pozostawionych na drodze
Podstawy analizy wypadów drogowych Instrucja do ćwiczenia 1 Wyznaczenie prędości pojazdu na podstawie długości śladów hamowania pozostawionych na drodze Spis treści 1. CEL ĆWICZENIA... 3. WPROWADZENIE...
Bardziej szczegółowoma 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 szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoTwierdzenia o funkcjach ciągłych
Automatya i Robotya Aaliza Wyład 5 dr Adam Ćmiel cmiel@aghedupl Twierdzeia o ucjach ciągłych Tw (Weierstrassa Jeżeli ucja : R [ R jest ciągła a [, to ograiczoa i : ( sup ( i ( i ( [, Dowód Ograiczoość
Bardziej szczegółowoPOLITECHNIKA OPOLSKA
POLITCHIKA OPOLSKA ISTYTUT AUTOMATYKI I IFOMATYKI LABOATOIUM MTOLOII LKTOICZJ 7. KOMPSATOY U P U. KOMPSATOY APIĘCIA STAŁO.. Wstęp... Zasada pomiaru metodą kompesacyją. Metoda kompesacyja pomiaru apięcia
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoAnaliza I.1, zima wzorcowe rozwiązania
Aaliza I., zima 07 - wzorcowe rozwiązaia Marci Kotowsi 5 listopada 07 Zadaie. Udowodij, że dla ażdego aturalego liczba 7 + dzieli się przez 6. Dowód. Tezę udowodimy za pomocą iducji matematyczej. Najpierw
Bardziej szczegółowooznaczają 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 szczegółowoKorelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12
Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu
Bardziej szczegółowoOBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI SWOBODNIE PODPARTEJ SWOBODNIE PODPARTEJ ALGORYTM DO PROGRAMU MATHCAD
OBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI ALGORYTM DO PROGRAMU MATHCAD 1 PRAWA AUTORSKIE BUDOWNICTWOPOLSKIE.PL GRUDZIEŃ 2010 Rozpatrujemy belkę swobodie podpartą obciążoą siłą skupioą, obciążeiem rówomierie
Bardziej szczegółowoPolitechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki
Politechia Warszawsa Wydział Samochodów i Maszy Roboczych Istytut Podstaw Budowy Maszy Załad Mechaii http://www.ipbm.simr.pw.edu.pl/ Teoria maszy i podstawy automatyi semestr zimowy 206/207 dr iż. Sebastia
Bardziej szczegółowotek zauważmy, że podobnie jak w dziedzinie rzeczywistej wprowadzamy dla funkcji zespolonych zmiennej rzeczywistej pochodne wyższych rze
R o z d z i a l III RÓWNANIA RÓŻNICZKOWE LINIOWE WYŻSZYCH RZE DÓW 12. Rówaie różiczowe liiowe -tego rze du Na pocza te zauważmy, że podobie ja w dziedziie rzeczywistej wprowadzamy dla fucji zespoloych
Bardziej szczegółowoz 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 szczegółowobędą 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 szczegółowoWzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Wzór Taylora Szeregi potęgowe Matematyka Studium doktorackie KAE SGH Semestr leti 8/9 R. Łochowski Graica fukcji w pukcie Niech f: R D R, R oraz istieje ciąg puktów D, Fukcja f ma w pukcie graicę dowolego
Bardziej szczegółowoAPROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne
APROKSYMACJA I INTERPOLACJA Przybliżeie fucji f(x) przez ią fucję g(x) fucja f jest zbyt sompliowaa; użycie f w dalszej aalizie problemu jest trude fucja f jest zaa tylo tabelaryczie; wymagaa jest zajomość
Bardziej szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
Bardziej szczegółowoPolitechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki
Politechia Warszawsa Wydział Samochodów i Maszy Roboczych Istytut Podstaw Budowy Maszy Załad Mechaii http://www.ipbm.simr.pw.edu.pl/ Teoria maszy i podstawy automatyi semestr zimowy 07/08 dr iż. Sebastia
Bardziej szczegółowoCHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI
CHARAKERYSYKI CZĘSOLIWOŚCIOWE PODSAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUOMAYKI Do podstawowych form opisu dyamii elemetów automatyi (oprócz rówań różiczowych zaliczamy trasmitację operatorową s oraz trasmitację
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoDwumian Newtona. Agnieszka Dąbrowska i Maciej Nieszporski 8 stycznia 2011
Dwumia Newtoa Agiesza Dąbrowsa i Maciej Nieszporsi 8 styczia Wstęp Wzory srócoego możeia, tóre pozaliśmy w gimazjum (x + y x + y (x + y x + xy + y (x + y 3 x 3 + 3x y + 3xy + y 3 x 3 + y 3 + 3xy(x + y
Bardziej szczegółowoWAHADŁO SPRĘŻYNOWE. POMIAR POLA ELIPSY ENERGII.
ĆWICZENIE 3. WAHADŁO SPRĘŻYNOWE. POMIAR POLA ELIPSY ENERGII. 1. Oscylator harmoniczny. Wprowadzenie Oscylatorem harmonicznym nazywamy punt materialny, na tóry,działa siła sierowana do pewnego centrum,
Bardziej szczegółowoRozkład χ 2 = + 2π 2. Niech zmienna losowa x ma rozkład normalnyn(x; µ,σ). Znajdziemy rozkład zmiennej:
Rozkład 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
Bardziej szczegółowoχ 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 szczegółowoRozkład 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 szczegółowoMatematyka 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 szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji : m f x = Ax RAAx x Defiicja: Zakresem macierzy A Œ âm azywamy podprzestrzeń
Bardziej szczegółowoPodstawowe 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 szczegółowoZBIEŻNOŚĆ 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 szczegółowoUkłady liniowosprężyste Clapeyrona
Układy liiowosprężyste Clapeyroa Liiowosprężysty układ Clapeyroa zbiór połączoych ze sobą ciał odkształcalych, w których przemieszczeia są liiowymi fukcjami sił Układ rzeczywisty może być traktoway jako
Bardziej szczegółowoZadanie 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 szczegółowoTwierdzenie Cayleya-Hamiltona
Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoWykład 9. Fizyka 1 (Informatyka - EEIiA 2006/07)
Wyład 9 Fizya 1 (Informatya - EEIiA 006/07) 9 11 006 c Mariusz Krasińsi 006 Spis treści 1 Ruch drgający. Dlaczego właśnie harmoniczny? 1 Drgania harmoniczne proste 1.1 Zależność między wychyleniem, prędością
Bardziej szczegółowoParametryzacja rozwiązań układu równań
Parametryzacja rozwiązań układu rówań Przykład: ozwiąż układy rówań: / 2 2 6 2 5 2 6 2 5 //( / / 2 2 9 2 2 4 4 2 ) / 4 2 2 5 2 4 2 2 Korzystając z postaci schodkowej (środkowa macierz) i stosując podstawiaie
Bardziej szczegółowoĆwiczenia 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 szczegółowoSTATYSTYKA 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 szczegółowoPodprzestrzenie macierzowe
Podprzestrzeie macierzowe Defiicja: Zakresem macierzy AŒ mâ azywamy podprzestrzeń R(A) przestrzei m geerowaą przez zakres fukcji ( ) : m f x = Ax ( A) { Ax x } = Defiicja: Zakresem macierzy A Œ âm azywamy
Bardziej szczegółowoLista 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 szczegółowoMateriał ćwiczeniowy z matematyki Marzec 2012
Materiał ćwiczeiowy z matematyki Marzec 0 Klucz puktowaia do zadań zamkiętych oraz schemat oceiaia do zadań otwartych POZIOM PODSTAWOWY Marzec 0 Klucz puktowaia do zadań zamkiętych Nr zad 3 5 6 7 8 9 0
Bardziej szczegółowoO pewnych zastosowaniach rachunku różniczkowego funkcji dwóch zmiennych w ekonomii
O pewych zastosowaiach rachuku różiczkowego fukcji dwóch zmieych w ekoomii 1 Wielkość wytwarzaego dochodu arodowego D zależa jest od wielkości produkcyjego majątku trwałego M i akładów pracy żywej Z Fukcję
Bardziej szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoStatystyka 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 szczegółowof '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n
Metoda Newtoa i rówaie z = 1 Załóżmy, że fucja f :C C ma ciągłą pochodą. Dla (prawie) ażdej liczby zespoloej z 0 tworzymy ciąg (1) (z ) 0, z 1 = z f ( z ), ciąg te f ' (z ) będziemy azywać orbitą liczby
Bardziej szczegółowoZadania z analizy matematycznej - sem. I Szeregi liczbowe
Zadaia z aalizy matematyczej - sem. I Szeregi liczbowe Defiicja szereg ciąg sum częściowyc. Szeregiem azywamy parę uporządkowaą a ) S ) ) ciągów gdzie: ciąg a ) ciąg S ) jest day jest ciągiem sum częściowych
Bardziej szczegółowoWERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa
Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut
Bardziej szczegółowosą 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 szczegółowoCAŁKA NIEOZNACZONA. F (x) = f(x) dx.
CAŁKA NIEOZNACZONA Mówimy, że fukcja F () jest fukcją pierwotą dla fukcji f() w pewym ustaloym przedziale - gdy w kadym pukcie zachodzi F () = f(). Fukcję pierwotą często azywamy całką ieozaczoą i zapisujemy
Bardziej szczegółowoMACIERZE STOCHASTYCZNE
MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:
Bardziej szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją
Bardziej szczegółowonpq 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 szczegółowoNumeryczny opis zjawiska zaniku
FOTON 8, iosa 05 7 Numeryczy opis zjawiska zaiku Jerzy Giter ydział Fizyki U Postawieie problemu wielu zagadieiach z różych działów fizyki spotykamy się z astępującym problemem: zmiay w czasie t pewej
Bardziej szczegółowoWykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2
Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%
Bardziej szczegółowoMETODY NUMERYCZNE dr inż. Mirosław Dziewoński
Metody Numerycze METODY NUMERYCZNE dr iż. Mirosław Dziewoński e-mail: miroslaw.dziewoski@polsl.pl Pok. 151 Wykład /1 Metody Numerycze Aproksymacja fukcji jedej zmieej Wykład / Aproksymacja fukcji jedej
Bardziej szczegółowoStatystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407
Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie
Bardziej szczegółowoWykład 11. a, b G a b = b a,
Wykład 11 Grupy Grupą azywamy strukturę algebraiczą złożoą z iepustego zbioru G i działaia biarego które spełia własości: (i) Działaie jest łącze czyli a b c G a (b c) = (a b) c. (ii) Działaie posiada
Bardziej szczegółowoLista 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 szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowo( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego
Obliczanie gradientu błędu metodą uładu dołączonego /9 Obliczanie gradientu błędu metodą uładu dołączonego Chodzi o wyznaczenie pochodnych cząstowych funcji błędu E względem parametrów elementów uładu
Bardziej szczegółowoKomputerowa 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 szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do rachunku błędów pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do rachunku błędów pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją symbolami:
Bardziej szczegółowoO liczbach naturalnych, których suma równa się iloczynowi
O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą
Bardziej szczegółowoL.Kowalski zadania ze statystyki matematycznej-zestaw 3 ZADANIA - ZESTAW 3
L.Kowalski zadaia ze statystyki matematyczej-zestaw 3 ZADANIA - ZESTAW 3 Zadaie 3. Cecha X populacji ma rozkład N m,. Z populacji tej pobrao próbę 7 elemetową i otrzymao wyiki x7 = 9, 3, s7 =, 5 a Na poziomie
Bardziej szczegółowoPRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).
TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ
Bardziej szczegółowoZADANIA 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 szczegółowoINSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW
INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz
Bardziej szczegółowoĆWICZENIE 1 Symulacja doświadczeń losowych Statystyka opisowa Estymacja parametryczna i nieparametryczna T E O R I A
ĆWICZENIE Symulacja doświadczeń losowych Statystya opisowa Estymacja parametrycza i ieparametrycza T E O R I A Opracowała: Katarzya Stąpor Opis programu MS EXCEL. Iformacje ogóle Program Microsoft Excel
Bardziej szczegółowoCOLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH. Kierunek: Finanse i rachunkowość. Robert Bąkowski Nr albumu: 9871
COLLEGIUM MAZOVIA INNOWACYJNA SZKOŁA WYŻSZA WYDZIAŁ NAUK STOSOWANYCH Kieruek: Fiase i rachukowość Robert Bąkowski Nr albumu: 9871 Projekt: Badaie statystycze cey baryłki ropy aftowej i wartości dolara
Bardziej szczegółowoTeoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =
Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a 2,..., a będą dowolymi liczbami. Sumę a + a 2 +... + a zapisuje się zazwyczaj w postaci (czytaj: suma od k do a k ). Zak Σ to duża grecka
Bardziej szczegółowo