Entropia w układach dynamicznych Środowiskowe Studia Doktoranckie z Nauk Matematycznych Uniwersytet Jagielloński, Kraków, marzec-kwiecień 2013

Wielkość: px
Rozpocząć pokaz od strony:

Download "Entropia w układach dynamicznych Środowiskowe Studia Doktoranckie z Nauk Matematycznych Uniwersytet Jagielloński, Kraków, marzec-kwiecień 2013"

Transkrypt

1 Entropia w układach dynamicznych Środowiskowe Studia Doktoranckie z Nauk Matematycznych Uniwersytet Jagielloński, Kraków, marzec-kwiecień 2013 Tomasz Downarowicz Instytut Matematyki i Informatyki Politechniki Wrocławskiej Część I: Entropia w teorii ergodycznej i Twierdzenie Shannona McMillana Breimana Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

2 Literatura podstawowa: ENTROPY IN DYNAMICAL SYSTEMS New Mathematical Monographs: 18 Cambridge University Press 2011 PART I: Entropy in Ergodic Theory PART II: Entropy in Topological Dynamics Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

3 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

4 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

5 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

6 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

7 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

8 Co to jest informacja? Ile to było informacji? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

9 Co to jest informacja? Ile to było informacji? jedna z dwóch możliwości = JEDEN BIT Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

10 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

11 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

12 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

13 Co to jest informacja? jedna z czterech możliwości = DWA BITY Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

14 Co to jest informacja? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

15 Co to jest informacja? jedna z trzech możliwości = PÓŁTORA BITU Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

16 Co to jest informacja? NIE NIE WSZYTSKIE WIELKOŚCI NA TYM ŚWIECIE SA LINIOWE!!! Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

17 Co to jest informacja? 0 BITÓW = 1 możliwość 1 BIT = 2 możliwości 2 BITY = 4 możliwości 3 BITY = 8 możliwości itd. # BITÓW = log 2 (# możliwości) 3 możliwości = log 2 (3) BITÓW BITÓW Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

18 Co to jest informacja? CZY WYGRAŁEM? (TAK/NIE) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

19 Co to jest informacja? NIE z miliona możliwości TO BYŁO DO PRZEWIDZENIA... (była prawie na pewno tylko ta jedna możliwość prawie niczego nowego nie dowiedzieliśmy się) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

20 Co to jest informacja? TAK - możliwość jedna na milion HURRRA!!! (duża ilość informacji) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

21 Co to jest informacja? TAK - możliwość jedna na milion HURRRA!!! (duża ilość informacji) # BITÓW = log 2 ( ) 19, 9 BITÓW Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

22 Co to jest informacja? NIE z miliona możliwości TO BYŁO DO PRZEWIDZENIA... (była prawie na pewno tylko ta jedna możliwość prawie niczego nowego nie dowiedzieliśmy się) # BITÓW =??? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

23 Co to jest informacja? TAK - możliwość jedna na milion HURRRA!!! (duża ilość informacji) # BITÓW = log 2 ( ) 19, 9 BITÓW log 2 ( ) = log 2 ( ) = log 2 (prawdopodobieństwo wygranej) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

24 Co to jest informacja? NIE z miliona możliwości TO BYŁO DO PRZEWIDZENIA... (była prawie na pewno tylko ta jedna możliwość prawie niczego nowego nie dowiedzieliśmy się) # BITS = log 2 (prawdopodobieństwo przegranej) = log 2 ( ) 0, BITÓW Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

25 Funkcja informacji Shannona DEFINICJA 1 Jeśli Ω jest przeliczalna przestrzenia probabilistyczna o atomach x 1, x 2,... o prawdopodobieństwach P(x i ), (i = 1, 2,...), to stowarzyszona funkcja informacji na Ω jest zdefiniowana jako I(x i ) = log 2 (P(x i )). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

26 Funkcja informacji Shannona DEFINICJA 1 Jeśli Ω jest przeliczalna przestrzenia probabilistyczna o atomach x 1, x 2,... o prawdopodobieństwach P(x i ), (i = 1, 2,...), to stowarzyszona funkcja informacji na Ω jest zdefiniowana jako I(x i ) = log 2 (P(x i )). Jeśli Ω jest skończona i ma n elementów o jednakowych prawdopodobieństwach 1 n to funkcja informacji jest stała i równa log 2 (n). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

27 Funkcja informacji Shannona DEFINICJA 2 Jeśli (Ω,Σ,µ) jest (być może bezatomowa) przestrzenia probabilistyczna,p ={P 1, P 2,...} jest przeliczalnym (lub skończonym) rozbiciem mierzalnym Ω, to stowarzyszona funkcja informacji na Ω jest zadana wzorem I P (x) = log 2 (µ(p x )), gdzie P x oznacza jedyny element rozbiciap zawierajacy x. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

28 Funkcja informacji Shannona Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

29 Funkcja informacji Shannona Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

30 Funkcja informacji Shannona Where are you? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

31 Funkcja informacji Shannona Where are you? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

32 Funkcja informacji Shannona Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

33 Funkcja informacji Shannona x B, I P (x) = logµ(b) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

34 Entropia Shannona rozbicia DEFINICJA 3 Jeśli (Ω,Σ,µ) jest (być może bezatomowa) przestrzenia probabilistyczna,p ={P 1, P 2,...} jest przeliczalnym (lub skończonym) rozbiciem mierzalnym Ω, to entropia Shannona rozbicia P nazywamy wartość oczekiwana funkcji entropii: H(P) = I P dµ = µ(p i ) log 2 µ(p i ) i (Jest to średna po przestrzeni ilość informacji dostarczona przez rozbicie.) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

35 PRZYKŁAD Rozważmy następujace dwie bitmapy Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

36 PRZYKŁAD Rozważmy następujace dwie bitmapy Maja one te samy rozmiary (a nawet tę sama proporcję piksli czarnych do białych). Zatem każda z nich niesie tyle samo informacji w sensie Shannona, równa liczbie piksli. A jednak... Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

37 PRZYKŁAD Rozważmy następujace dwie bitmapy Dowolny program pakujacy (np. Winzip albo RAR) skompresuje bitmapę po lewej mniej więcej 5 razy bardziej niż tę po prawej. Dlaczego? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

38 PRZYKŁAD Rozważmy następujace dwie bitmapy Wyobraźmy sobie, że chcemy przez telefon wytłumaczyć komuś jak wyglada bitmapa, tak aby odbiorca mógł ja precyzyjnie odtworzyć... Ile INFORMACJI musimy przekazać dla każdej z nich? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

39 Co powoduje, że te dwie bitmapy tak bardzo się różnia zawartościa informacyjna, skoro obie zawieraja tyle samo informacji w sensie Shannona? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

40 Co powoduje, że te dwie bitmapy tak bardzo się różnia zawartościa informacyjna, skoro obie zawieraja tyle samo informacji w sensie Shannona? Odpowiedzi dostarcza tzw. entropia dynamiczna i Twierdzenie Shannona McMillana Breimana. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

41 Układy dynamiczne Teraz będziemy zakładać, że na naszej przestrzeni probabilistycznej (Ω,Σ,µ) mamy określona transformację mierzalna T : Ω Ω zachowujac a miaręµ, tzn. taka, żeµ(t 1 (A)) =µ(a) dla każdego zbioru mierzalnego A Σ. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

42 Układy dynamiczne Teraz będziemy zakładać, że na naszej przestrzeni probabilistycznej (Ω,Σ,µ) mamy określona transformację mierzalna T : Ω Ω zachowujac a miaręµ, tzn. taka, żeµ(t 1 (A)) =µ(a) dla każdego zbioru mierzalnego A Σ. PRZYKŁAD Niech Ω ={0, 1} N, T = przesunięcie (T(x 1, x 2,...) = (x 2, x 3,...)) i niechµbędzie pewna miara niezmiennicza na przesunięcie T. Każda taka miara jest zadana przez swoje wartości na cylindrach C = [c 1, c 2,...,c n ]. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

43 Przepływ informacji w układzie dynamicznym Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

44 Przepływ informacji w układzie dynamicznym Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

45 Przepływ informacji w układzie dynamicznym Where are you? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

46 Przepływ informacji w układzie dynamicznym Where are you? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

47 Przepływ informacji w układzie dynamicznym Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

48 Przepływ informacji w układzie dynamicznym x B, I P (x) = logµ(b) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

49 Przepływ informacji w układzie dynamicznym Where are you going? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

50 Przepływ informacji w układzie dynamicznym Where are you going? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

51 Przepływ informacji w układzie dynamicznym Where are you going? Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

52 Przepływ informacji w układzie dynamicznym Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

53 Przepływ informacji w układzie dynamicznym Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

54 Przepływ informacji w układzie dynamicznym x B T 1 (A), I P 2(x) = logµ(b T 1 (B)) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

55 Ciag funkcji informacji Shannona w układzie dynamicznym DEFINICJA 4 Niech (Ω,Σ,µ) będzie przestrzenia probabilistyczna i niech T : Ω Ω będzie mierzalna transformacja zachowujac a miarę. Niech P ={P 1, P 2,...} będzie przeliczalnym rozbiciem mierzalnym przestrzeni Ω. Wtedy funkcja informacji po n krokach na Ω jest zdefiniowana jako I P n(x) = log 2 (µ(px)), n gdzie P n x = P x T 1 (P Tx ) T 2 (P T 2 x ) T n+1 (P T n 1 x ) (jest to jedyny element rozbiciap n := n 1 i=0 T i (P) zawierajacy x i nazywa się on n-cylindrem wokół x). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

56 PRZYKŁAD x [0, 1] Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

57 PRZYKŁAD x [0, 1] x = Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

58 PRZYKŁAD x [0, 1] x = Aby z cała precyzja zidentyfikować punkt x potrzebujemy nieskończonej ilości informacji. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

59 PRZYKŁAD x [0, 1] x = Aby z cała precyzja zidentyfikować punkt x potrzebujemy nieskończonej ilości informacji. Z każda cyfra zyskujemy ilość informacji równa log 2 (10) BITÓW. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

60 PRZYKŁAD x [0, 1] x = Aby z cała precyzja zidentyfikować punkt x potrzebujemy nieskończonej ilości informacji. Z każda cyfra zyskujemy ilość informacji równa log 2 (10) BITÓW. Odpowiada to przepływowi informacji w następujacym ukł. dyn.: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

61 PRZYKŁAD x [0, 1] x = Aby z cała precyzja zidentyfikować punkt x potrzebujemy nieskończonej ilości informacji. Z każda cyfra zyskujemy ilość informacji równa log 2 (10) BITÓW. Odpowiada to przepływowi informacji w następujacym ukł. dyn.: T : [0, 1] [0, 1], T(x) = 10x mod 1, gdzieµjest miara Lebesgue a Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

62 PRZYKŁAD x [0, 1] x = Aby z cała precyzja zidentyfikować punkt x potrzebujemy nieskończonej ilości informacji. Z każda cyfra zyskujemy ilość informacji równa log 2 (10) BITÓW. Odpowiada to przepływowi informacji w następujacym ukł. dyn.: T : [0, 1] [0, 1], T(x) = 10x mod 1, gdzieµjest miara Lebesgue a T( ) = , T 2 ( ) = T( ) = Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

63 PRZYKŁAD x [0, 1] x = Aby z cała precyzja zidentyfikować punkt x potrzebujemy nieskończonej ilości informacji. Z każda cyfra zyskujemy ilość informacji równa log 2 (10) BITÓW. Odpowiada to przepływowi informacji w następujacym ukł. dyn.: T : [0, 1] [0, 1], T(x) = 10x mod 1, gdzieµjest miara Lebesgue a T( ) = , T 2 ( ) = T( ) = P ={[0, 0.1),[0.1, 0.2),...,[0.9, 1]} Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

64 Entropia dynamiczna rozbicia Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

65 Entropia dynamiczna rozbicia P n (x) = {punkty, które daja te same odpowiedzi co x przez n kroków} Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

66 Entropia dynamiczna rozbicia P n (x) = {punkty, które daja te same odpowiedzi co x przez n kroków} I P n(x) = logµ(p n (x)) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

67 Entropia dynamiczna rozbicia P n (x) = {punkty, które daja te same odpowiedzi co x przez n kroków} I P n(x) = logµ(p n (x)) H(P n ) := I P n dµ (średnia po przestrzeni ilość informacji w n krokach) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

68 Entropia dynamiczna rozbicia P n (x) = {punkty, które daja te same odpowiedzi co x przez n kroków} I P n(x) = logµ(p n (x)) H(P n ) := I P n dµ (średnia po przestrzeni ilość informacji w n krokach) DEFINICJA 5 Entropia dynamiczna rozbicia P jest zdefiniowana jako h(t,p) := lim n 1 n H(Pn ). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

69 Entropia dynamiczna rozbicia P n (x) = {punkty, które daja te same odpowiedzi co x przez n kroków} I P n(x) = logµ(p n (x)) H(P n ) := I P n dµ (średnia po przestrzeni ilość informacji w n krokach) DEFINICJA 5 Entropia dynamiczna rozbicia P jest zdefiniowana jako h(t,p) := lim n 1 n H(Pn ). Entropię dynamiczna interpretujemy jako średni po przestrzeni i po czasie przyrost informacji w jednym kroku. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

70 PRZYKŁAD Zacznijmy od podziału kwadratu na równe zbiory. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

71 PRZYKŁAD Zacznijmy od podziału kwadratu na równe zbiory. h(p) = log 4 Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

72 PRZYKŁAD Niech T 1 (P) wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

73 PRZYKŁAD Niech T 1 (P) wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

74 PRZYKŁAD WtedyP 2 wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

75 PRZYKŁAD WtedyP 2 wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

76 PRZYKŁAD WtedyP 2 wyglada tak: h(p 2 ) = log 16 = 2 log 4 Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

77 PRZYKŁAD WtedyP 2 wyglada tak: h(p 2 ) = log 16 = 2 log 4 w tym kroku przybyło DUŻO entropii (log 4) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

78 PRZYKŁAD A teraz wróćmy do poczatku. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

79 PRZYKŁAD Niech tym razem T 1 (P) wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

80 PRZYKŁAD Niech tym razem T 1 (P) wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

81 PRZYKŁAD WtedyP 2 wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

82 PRZYKŁAD WtedyP 2 wyglada tak: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

83 PRZYKŁAD WtedyP 2 wyglada tak: h(p 2 ) = log 8 = log 4+log 2 Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

84 PRZYKŁAD WtedyP 2 wyglada tak: h(p 2 ) = log 8 = log 4+log 2 w tym kroku przybyło ZNACZNIE MNIEJ entropii (log 2) Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

85 WNIOSEK Entropia dynamiczna jest duża, jeśli kolejne przeciwobrazy rozbicia sa wzajemnie niezależne (lub bliskie niezależności). Oznacza to, że kolejne symbole w reprezentacji typowego punktu pojawiaja się losowo. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

86 WNIOSEK Entropia dynamiczna jest duża, jeśli kolejne przeciwobrazy rozbicia sa wzajemnie niezależne (lub bliskie niezależności). Oznacza to, że kolejne symbole w reprezentacji typowego punktu pojawiaja się losowo. Mała entropia dynamiczna oznacza, że kolejne symbole sa zależne (z dużym prawdopodobieństwem przewidywalne na podstawie poprzednich symboli). Oznacza to wysoka organizację (niska losowość) układu. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

87 Twierdzenie Shannona McMillana Breimana Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

88 Twierdzenie Shannona McMillana Breimana TWIERDZENIE 1 Jeśli µ jest ergodyczna, to 1 n I P n(x) µ a.e. h(t,p) n Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

89 Twierdzenie Shannona McMillana Breimana TWIERDZENIE 1 Jeśli µ jest ergodyczna, to 1 n I P n(x) µ a.e. h(t,p) n To znaczy, średni przyrost informacji w jednym kroku nie zależy od punktu poczatkowego (nie trzeba uśredniać po przestrzeni). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

90 PRZYKŁAD Niech Ω ={0, 1} N, T = przesunięcie i niechµbędzie ergodyczna miara niezmiennicza na przesunięcie T. Wtedy dlaµ-prawie każdego punktu x = (x 1, x 2,...) miara długiego cylindra wokół x, x[1, n] := [x 1, x 2,...,x n ], wynosi w przybliżeniu 2 nh(t,p), gdziep jest dwu-elementowym rozbiciem{[0],[1]}. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

91 PRZYKŁAD Niech Ω ={0, 1} N, T = przesunięcie i niechµbędzie ergodyczna miara niezmiennicza na przesunięcie T. Wtedy dlaµ-prawie każdego punktu x = (x 1, x 2,...) miara długiego cylindra wokół x, x[1, n] := [x 1, x 2,...,x n ], wynosi w przybliżeniu 2 nh(t,p), gdziep jest dwu-elementowym rozbiciem{[0],[1]}. Znaczenie w przybliżeniu jest bardzo zgrubne, gdyż oznacza jedynie, że 1 n log 2 µ(x[1, n]) h(t,p). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

92 PRZYKŁAD Wróćmy do naszego przykładu z dwiema bitmapami: Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

93 Z grubsza rzecz biorac, bitmapy możemy traktować jako długie fragmenty orbit punktów w układzie dynamicznym{0, 1} N z przesunięciem, typowych dla dwóch różnych miar ergodycznych, odpowiednioµ 1 iµ 2 o różnych entropiach h(µ 1 ) i h(µ 2 ). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

94 Z grubsza rzecz biorac, bitmapy możemy traktować jako długie fragmenty orbit punktów w układzie dynamicznym{0, 1} N z przesunięciem, typowych dla dwóch różnych miar ergodycznych, odpowiednioµ 1 iµ 2 o różnych entropiach h(µ 1 ) i h(µ 2 ). Pierwsza bitmapa jest wysoce uporzadkowana, zatem reprezentuje miarę o małej entropii. Druga bitmapa jest losowa, zatem reprezentuje miarę o dużej entropii, czyli mamy h(µ 1 )<< h(µ 2 ). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

95 Z grubsza rzecz biorac, bitmapy możemy traktować jako długie fragmenty orbit punktów w układzie dynamicznym{0, 1} N z przesunięciem, typowych dla dwóch różnych miar ergodycznych, odpowiednioµ 1 iµ 2 o różnych entropiach h(µ 1 ) i h(µ 2 ). Pierwsza bitmapa jest wysoce uporzadkowana, zatem reprezentuje miarę o małej entropii. Druga bitmapa jest losowa, zatem reprezentuje miarę o dużej entropii, czyli mamy h(µ 1 )<< h(µ 2 ). Entropie te, to średnie ilości informacji po przestrzeni i czasie w jednym kroku przesunięcia. Dzięki twierdzeniu S M B, nie musimy uśredniać po przestrzeni; te same średnie po czasie sa realizowane już w naszych indywidualych orbitach (czyli w bitmapach). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

96 Z grubsza rzecz biorac, bitmapy możemy traktować jako długie fragmenty orbit punktów w układzie dynamicznym{0, 1} N z przesunięciem, typowych dla dwóch różnych miar ergodycznych, odpowiednioµ 1 iµ 2 o różnych entropiach h(µ 1 ) i h(µ 2 ). Pierwsza bitmapa jest wysoce uporzadkowana, zatem reprezentuje miarę o małej entropii. Druga bitmapa jest losowa, zatem reprezentuje miarę o dużej entropii, czyli mamy h(µ 1 )<< h(µ 2 ). Entropie te, to średnie ilości informacji po przestrzeni i czasie w jednym kroku przesunięcia. Dzięki twierdzeniu S M B, nie musimy uśredniać po przestrzeni; te same średnie po czasie sa realizowane już w naszych indywidualych orbitach (czyli w bitmapach). Jeden krok przesunięcia odpowiada jednemu symbolowi (pikslowi) w bitmapie. Zatem efektywna ilość informacji zawartej w każdej z bitmap jest równa liczbie piksli razy średnia ilość inofrmacji na piksel (czyli razy odpowiednio h(µ 1 ) lub h(µ 2 )). Ilość piksli jest ta sama, stad w pierwszej bitmapie jest o wiele mniej informacji niż w drugiej. Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

97 Wszystko to, co zostało powiedziane będzie opisane w ścisły szczegółowy sposób w dalszej części kursu... Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

98 Wszystko to, co zostało powiedziane będzie opisane w ścisły szczegółowy sposób w dalszej części kursu... przy zastosowaniu bardziej tradycyjnych mediów, czyli tablicy i kredy (lub, nie daj Boże, markerów). Tomasz Downarowicz (Poland) Entropia w układach dynamicznych semestr letni, / 26

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Rozważmy eksperymenty 1 gra Bolka w ruletkę w kasynie;

Bardziej szczegółowo

Podstawy metod probabilistycznych. dr Adam Kiersztyn

Podstawy metod probabilistycznych. dr Adam Kiersztyn Podstawy metod probabilistycznych dr Adam Kiersztyn Przestrzeń zdarzeń elementarnych i zdarzenia losowe. Zjawiskiem lub doświadczeniem losowym nazywamy taki proces, którego przebiegu i ostatecznego wyniku

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2016/2017 Wprowadzenie Przykład 1 Bolek, Lolek i Tola

Bardziej szczegółowo

Zadania do Rozdziału X

Zadania do Rozdziału X Zadania do Rozdziału X 1. 2. Znajdź wszystkie σ-ciała podzbiorów X, gdy X = (i) {1, 2}, (ii){1, 2, 3}. (b) Znajdź wszystkie elementy σ-ciała generowanego przez {{1, 2}, {2, 3}} dla X = {1, 2, 3, 4}. Wykaż,

Bardziej szczegółowo

Chaotyczne generatory liczb pseudolosowych

Chaotyczne generatory liczb pseudolosowych Chaotyczne generatory liczb pseudolosowych Michał Krzemiński michalkrzeminski@wp.pl Politechnika Gdańska Wydział Fizyki Technicznej i Matematyki Stosowanej Chaotyczne generatory liczb pseudolosowych -

Bardziej szczegółowo

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem

Bardziej szczegółowo

G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28

G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28 G. Plebanek, MIARA I CAŁKA Zadania do rozdziału 1 28 1.9 Zadania 1.9.1 Niech R będzie pierścieniem zbiorów. Zauważyć, że jeśli A, B R to A B R i A B R. Sprawdzić, że (R,, ) jest także pierścieniem w sensie

Bardziej szczegółowo

Procesy stochastyczne

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

Bardziej szczegółowo

Robert Kowalczyk. Zbiór zadań z teorii miary i całki

Robert Kowalczyk. Zbiór zadań z teorii miary i całki Robert Kowalczyk Zbiór zadań z teorii miary i całki 2 Zadanie 1 Pokazać, że poniższe dwie definicje σ-ciała M są równoważne: (i) Rodzinę M podzbiorów przestrzeni X nazywamy σ-ciałem jeżeli zachodzą następujące

Bardziej szczegółowo

Procesy stochastyczne

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

Bardziej szczegółowo

Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 1

Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 1 Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 1 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Jakubowski, Sztencel:

Bardziej szczegółowo

Prawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018

Prawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018 Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy

Bardziej szczegółowo

Metody probabilistyczne

Metody 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 szczegółowo

Wstęp do rachunku prawdopodobieństwa

Wstęp do rachunku prawdopodobieństwa Wstęp do rachunku prawdopodobieństwa Rozdział 06: Zmienne losowe. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Wprowadzenie Przykład 6.1 Adam, Bolek i Czesiu wstąpili do kasyna. Postanowili

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład I: Formalizm statystyki matematycznej 17 lutego 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Zagadnienia omawiane na wykładach Forma zaliczenia przedmiotu Forma zaliczenia Literatura

Bardziej szczegółowo

Rodzinę spełniającą trzeci warunek tylko dla sumy skończonej nazywamy ciałem (algebrą) w zbiorze X.

Rodzinę spełniającą trzeci warunek tylko dla sumy skończonej nazywamy ciałem (algebrą) w zbiorze X. 1 σ-ciała Definicja 1.1 (σ - ciało) σ - ciałem (σ - algebrą) w danym zbiorze X (zwanym przestrzenią) nazywamy rodzinę M pewnych podzbiorów zbioru X, spełniającą trzy warunki: 1 o M; 2 o jeśli A M, to X

Bardziej szczegółowo

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n

Bardziej szczegółowo

A i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.

A i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami. M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A

Bardziej szczegółowo

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie

Bardziej szczegółowo

Teoria miary i całki

Teoria miary i całki Teoria miary i całki Spis treści 1 Wstęp 3 2 lgebra zbiorów 5 3 Pierścienie, ciała, σ ciała zbiorów. 7 3.1 Definicja pierścienia ciała i σ ciała............... 7 3.2 Pierścień, ciało i σ ciało generowane

Bardziej szczegółowo

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

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

Bardziej szczegółowo

WYKŁAD 1. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Instytut Matematyki Uniwersytet Warszawski

WYKŁAD 1. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Instytut Matematyki Uniwersytet Warszawski WYKŁAD 1 Witold Bednorz, Paweł Wolff Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Wprowadzenie Gry hazardowe Wprowadzenie Gry hazardowe Klasyczna definicja prawdopodobieństwa.

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

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

Bardziej szczegółowo

Teoria Informacji - wykład. Kodowanie wiadomości

Teoria Informacji - wykład. Kodowanie wiadomości Teoria Informacji - wykład Kodowanie wiadomości Definicja kodu Niech S={s 1, s 2,..., s q } oznacza dany zbiór elementów. Kodem nazywamy wówczas odwzorowanie zbioru wszystkich możliwych ciągów utworzonych

Bardziej szczegółowo

Rachunek Prawdopodobieństwa Rozdział 5. Rozkłady łączne

Rachunek Prawdopodobieństwa Rozdział 5. Rozkłady łączne Rachunek Prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.0 Definicje Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Przykład 1 Bolek, Lolek i Tola wstąpili do kasyna. (A) Bolek postawił na czerwone, (B)

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Spacery losowe generowanie realizacji procesu losowego

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

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne 6. Momenty zmiennych losowych Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8.11.2018 1 / 47 Funkcje zmiennych losowych Mierzalna funkcja Y

Bardziej szczegółowo

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl

Bardziej szczegółowo

ZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH

ZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH ZADANIA PRZYGOTOWAWCZE DO EGZAMINU Z UKŁADÓW DYNAMICZNYCH Punkty okresowe, zbiory graniczne, sprzężenia Zadanie 1. Pokazać, że trajektoria (w przód) punktu x w przestrzeni metrycznej X pod działaniem ciągłego

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa

Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa 2.1. σ ciało (algebra) zdarzeń Katarzyna Rybarczyk-Krzywdzińska losowe Zdarzenie losowe to pewien podzbiór przestrzeni zdarzeń

Bardziej szczegółowo

Wykłady ostatnie. Rodzinę P podzbiorów przestrzeni X nazywamy σ - algebrą, jeżeli dla A, B P (2) A B P, (3) A \ B P,

Wykłady ostatnie. Rodzinę P podzbiorów przestrzeni X nazywamy σ - algebrą, jeżeli dla A, B P (2) A B P, (3) A \ B P, Wykłady ostatnie CAŁKA LBSGU A Zasadnicza różnica koncepcyjna między całką Riemanna i całką Lebesgue a polega na zamianie ról przestrzeni wartości i przestrzeni argumentów przy konstrukcji sum górnych

Bardziej szczegółowo

Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014

Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe

Bardziej szczegółowo

1 Relacje i odwzorowania

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład I: Formalizm teorii prawdopodonieństwa 6 października 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Dostępność treści wykładów 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin dwuczęściowy:

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład V: Zmienne losowe i ich wartości oczekiwane 25 października 2017 Definicja zmiennej losowej Definicja Zmienne losowa to charakterystyka liczbowa wyniku eksperymentu losowego. Zmienne losowa na przestrzeni

Bardziej szczegółowo

Rachunek prawdopodobieństwa- wykład 6

Rachunek prawdopodobieństwa- wykład 6 Rachunek prawdopodobieństwa- wykład 6 Zmienne losowe dyskretne. Charakterystyki liczbowe zmiennych losowych dyskretnych dr Marcin Ziółkowski Instytut Matematyki i Informatyki Uniwersytet Humanistyczno-Przyrodniczy

Bardziej szczegółowo

Teoria ergodyczna. seminarium monograficzne dla studentów matematyki. dr hab. Krzysztof Barański i prof. dr hab. Anna Zdunik. rok akad.

Teoria ergodyczna. seminarium monograficzne dla studentów matematyki. dr hab. Krzysztof Barański i prof. dr hab. Anna Zdunik. rok akad. Teoria ergodyczna seminarium monograficzne dla studentów matematyki dr hab. Krzysztof Barański i prof. dr hab. Anna Zdunik rok akad. 2013/14 Teoria ergodyczna Teoria ergodyczna Teoria ergodyczna zajmuje

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe

Rachunek 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 szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,

Bardziej szczegółowo

Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga

Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga RAP 412 21.01.2009 Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga Wykładowca: Andrzej Ruciński Pisarz: Łukasz Waszak 1 Wstęp Na ostatnim wykładzie przedstawiliśmy twierdzenie o zbieżności

Bardziej szczegółowo

WYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

WYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy

Bardziej szczegółowo

Wygra Polska czy Brazylia, czyli o tym jak zwięźle zapisywać informacje

Wygra Polska czy Brazylia, czyli o tym jak zwięźle zapisywać informacje Wygra Polska czy Brazylia, czyli o tym jak zwięźle zapisywać informacje Witold Tomaszewski Instytut Matematyki Politechniki Śląskiej e-mail: Witold.Tomaszewski@polsl.pl Je n ai fait celle-ci plus longue

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

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

Bardziej szczegółowo

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Warszawa 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady

Bardziej szczegółowo

Teoria miary. WPPT/Matematyka, rok II. Wykład 5

Teoria miary. WPPT/Matematyka, rok II. Wykład 5 Teoria miary WPPT/Matematyka, rok II Wykład 5 Funkcje mierzalne Niech (X, F) będzie przestrzenią mierzalną i niech f : X R. Twierdzenie 1. NWSR 1. {x X : f(x) > a} F dla każdego a R 2. {x X : f(x) a} F

Bardziej szczegółowo

Wykład 1: Przestrzeń probabilistyczna. Prawdopodobieństwo klasyczne. Prawdopodobieństwo geometryczne.

Wykład 1: Przestrzeń probabilistyczna. Prawdopodobieństwo klasyczne. Prawdopodobieństwo geometryczne. Rachunek prawdopodobieństwa MAP1151 Wydział Elektroniki, rok akad. 2011/12, sem. letni Wykładowca: dr hab. A. Jurlewicz Wykład 1: Przestrzeń probabilistyczna. Prawdopodobieństwo klasyczne. Prawdopodobieństwo

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

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

Bardziej szczegółowo

Wstęp do układów statycznych

Wstęp do układów statycznych Uniwersystet Warszawski 1 maja 2010 Wprowadzenie Standardowe układy dynamiczne - przestrzeń X wraz z przekształceniem f : X X zachowującym strukturę. Typowe przykłady: X - przestrzeń metryczna, f - przekształcenie

Bardziej szczegółowo

7 Twierdzenie Fubiniego

7 Twierdzenie Fubiniego M. Beśka, Wstęp do teorii miary, wykład 7 19 7 Twierdzenie Fubiniego 7.1 Miary produktowe Niech i będą niepustymi zbiorami. Przez oznaczmy produkt kartezjański i tj. zbiór = { (x, y : x y }. Niech E oraz

Bardziej szczegółowo

Liczba obrotu i twierdzenie Poincare go o klasyfikacji homeomorfizmów okręgu.

Liczba obrotu i twierdzenie Poincare go o klasyfikacji homeomorfizmów okręgu. II Interdyscyplinarne Warsztaty Matematyczne p. 1/1 Liczba obrotu i twierdzenie Poincare go o klasyfikacji homeomorfizmów okręgu. Justyna Signerska jussig@wp.pl Wydział Fizyki Technicznej i Matematyki

Bardziej szczegółowo

1. Struktury zbiorów 2. Miara 3. Miara zewnętrzna 4. Miara Lebesgue a 5. Funkcje mierzalne 6. Całka Lebesgue a. Analiza Rzeczywista.

1. Struktury zbiorów 2. Miara 3. Miara zewnętrzna 4. Miara Lebesgue a 5. Funkcje mierzalne 6. Całka Lebesgue a. Analiza Rzeczywista. Literatura P. Billingsley, Miara i prawdopodobieństwo, PWN, Warszawa 1997, P. R. Halmos, Measure theory, Springer-Verlag, 1994, W, Kołodziej, naliza matematyczna, PWN, Warszawa 1978, S. Łojasiewicz, Wstęp

Bardziej szczegółowo

Kodowanie i entropia

Kodowanie i entropia Kodowanie i entropia Marek Śmieja Teoria informacji 1 / 34 Kod S - alfabet źródłowy mocy m (np. litery, cyfry, znaki interpunkcyjne), A = {a 1,..., a n } - alfabet kodowy (symbole), Chcemy przesłać tekst

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

Kompresja bezstratna. Entropia. Kod Huffmana

Kompresja bezstratna. Entropia. Kod Huffmana Kompresja bezstratna. Entropia. Kod Huffmana Kodowanie i bezpieczeństwo informacji - Wykład 10 29 kwietnia 2013 Teoria informacji Jeśli P(A) jest prawdopodobieństwem wystapienia informacji A to niech i(a)

Bardziej szczegółowo

Detekcja rozkładów o ciężkich ogonach

Detekcja rozkładów o ciężkich ogonach Detekcja rozkładów o ciężkich ogonach J. Śmiarowska, P. Jamer Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska 24 kwietnia 2012 J. Śmiarowska, P. Jamer (Politechnika Warszawska) Detekcja

Bardziej szczegółowo

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 Przemysław Klusik Instytut Matematyczny, Uniwersytet Wrocławski Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 (UWr) Zagadnienia Aktuarialne -

Bardziej szczegółowo

Co ma piekarz do matematyki?

Co ma piekarz do matematyki? Instytut Matematyki i Informatyki Politechnika Wrocławska Dolnośląski Festiwal Nauki Wrzesień 2009 x x (x 1, x 2 ) x (x 1, x 2 ) (x 1, x 2, x 3 ) x (x 1, x 2 ) (x 1, x 2, x 3 ) (x 1, x 2, x 3, x 4 ). x

Bardziej szczegółowo

Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3

Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej

Bardziej szczegółowo

Teoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej

Teoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej Teoria miary WPPT IIr. semestr zimowy 2009 Wyk lady 6 i 7. Mierzalność w sensie Carathéodory ego Miara Lebesgue a na prostej 27-28/10/09 ZBIORY MIERZALNE WZGLȨDEM MIARY ZEWNȨTRZNEJ Niech µ bȩdzie miar

Bardziej szczegółowo

L.O. św. Marii Magdaleny w Poznaniu, O POŻYTKACH PŁYN ACYCH Z RZUCANIA MONETA. Tomasz Łuczak

L.O. św. Marii Magdaleny w Poznaniu, O POŻYTKACH PŁYN ACYCH Z RZUCANIA MONETA. Tomasz Łuczak L.O. św. Marii Magdaleny w Poznaniu, 27.11.2015 O POŻYTKACH PŁYN ACYCH Z RZUCANIA MONETA Tomasz Łuczak NA POCZATEK DOBRA WIADOMOŚĆ! Dzięki naszym o hojnym sponsorom: Poznańskiej Fundacji Matematycznej

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA

RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA Wydział: WiLiŚ, Transport, sem.2 dr Jolanta Dymkowska RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA Przestrzeń probabilistyczna Modelem matematycznym (tj. teoretycznym, wyidealizowanym,

Bardziej szczegółowo

MNRP r. 1 Aksjomatyczna definicja prawdopodobieństwa (wykład) Grzegorz Kowalczyk

MNRP r. 1 Aksjomatyczna definicja prawdopodobieństwa (wykład) Grzegorz Kowalczyk MNRP 18.03.2019r. Grzegorz Kowalczyk 1 Aksjomatyczna definicja prawdopodobieństwa (wykład) Definicja (σ - ciało) Niech Ω - dowolny zbiór. Rodzinę F P (Ω), gdzie P (Ω) jest rodziną wszystkich podzbiorów

Bardziej szczegółowo

Rodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki.

Rodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki. 3. Funkcje borelowskie. Rodzinę F złożoną z podzbiorów zbioru X będziemy nazywali ciałem zbiorów, gdy spełnione są dwa następujące warunki. (1): Jeśli zbiór Y należy do rodziny F, to jego dopełnienie X

Bardziej szczegółowo

Rekurencyjna przeliczalność

Rekurencyjna przeliczalność Rekurencyjna przeliczalność Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl Funkcje rekurencyjne Jerzy Pogonowski (MEG) Rekurencyjna przeliczalność Funkcje rekurencyjne

Bardziej szczegółowo

teoria informacji Entropia, informacja, kodowanie Mariusz Różycki 24 sierpnia 2015

teoria informacji Entropia, informacja, kodowanie Mariusz Różycki 24 sierpnia 2015 teoria informacji Entropia, informacja, kodowanie Mariusz Różycki 24 sierpnia 2015 1 zakres materiału zakres materiału 1. Czym jest teoria informacji? 2. Wprowadzenie matematyczne. 3. Entropia i informacja.

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne

Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.3 Rozkłady warunkowe i warunkowa wartość oczekiwana Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Prawdopodobieństwo wyraża postawę

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa

Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa Rozdział 2.3: Przykłady przestrzeni probabilistycznych. Katarzyna Rybarczyk-Krzywdzińska Przestrzeń probabilistyczna Przestrzeń

Bardziej szczegółowo

Granica kompresji Kodowanie Shannona Kodowanie Huffmana Kodowanie ciągów Kodowanie arytmetyczne. Kody. Marek Śmieja. Teoria informacji 1 / 35

Granica kompresji Kodowanie Shannona Kodowanie Huffmana Kodowanie ciągów Kodowanie arytmetyczne. Kody. Marek Śmieja. Teoria informacji 1 / 35 Kody Marek Śmieja Teoria informacji 1 / 35 Entropia Entropia określa minimalną statystyczną długość kodowania (przyjmijmy dla prostoty że alfabet kodowy A = {0, 1}). Definicja Niech X = {x 1,..., x n }

Bardziej szczegółowo

7. Miara, zbiory mierzalne oraz funkcje mierzalne.

7. Miara, zbiory mierzalne oraz funkcje mierzalne. 7. Miara, zbiory mierzalne oraz funkcje mierzalne. Funkcję rzeczywistą µ nieujemną określoną na ciele zbiorów S będziemy nazywali miarą, gdy dla dowolnego ciągu A 0, A 1,... zbiorów rozłącznych należących

Bardziej szczegółowo

Tablice z haszowaniem

Tablice z haszowaniem Tablice z haszowaniem - efektywna metoda reprezentacji słowników (zbiorów dynamicznych, na których zdefiniowane są operacje Insert, Search i Delete) - jest uogólnieniem zwykłej tablicy - przyspiesza operacje

Bardziej szczegółowo

Chaos w układach dynamicznych: miary i kryteria chaosu

Chaos w układach dynamicznych: miary i kryteria chaosu : miary i kryteria chaosu Uniwersytet Śląski w Katowicach, Wydział Matematyki, Fizyki i Chemii 27.08.14 : miary i kryteria chaosu Temat tego referatu jest związany z teorią układów dynamicznych która ma

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

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

Bardziej szczegółowo

3. Podstawowe pojęcia statystyki matematycznej i rachunku prawdopodobieństwa wykład z Populacja i próba

3. Podstawowe pojęcia statystyki matematycznej i rachunku prawdopodobieństwa wykład z Populacja i próba 3. Podstawowe pojęcia statystyki matematycznej i rachunku prawdopodobieństwa wykład z 12.03.2007 Populacja i próba Populacja- zbiorowość skończona lub nieskończona, w stosunku do której mają być formułowane

Bardziej szczegółowo

Rachunek prawdopodobieństwa- wykład 2

Rachunek prawdopodobieństwa- wykład 2 Rachunek prawdopodobieństwa- wykład 2 Pojęcie dyskretnej przestrzeni probabilistycznej i określenie prawdopodobieństwa w tej przestrzeni dr Marcin Ziółkowski Instytut Matematyki i Informatyki Uniwersytet

Bardziej szczegółowo

Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa

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

Bardziej szczegółowo

Wykład 2 Zmienne losowe i ich rozkłady

Wykład 2 Zmienne losowe i ich rozkłady Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie

Bardziej szczegółowo

Centralne twierdzenie graniczne

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

Bardziej szczegółowo

PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek

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

Bardziej szczegółowo

n=0 Dla zbioru Cantora prawdziwe są wersje lematu 3.6 oraz lematu 3.8 przy założeniu α = :

n=0 Dla zbioru Cantora prawdziwe są wersje lematu 3.6 oraz lematu 3.8 przy założeniu α = : 4. Zbiory borelowskie. Zbiór wszystkich podzbiorów liczb naturalnych będziemy oznaczali przez ω. Najmniejszą topologię na zbiorze ω, w której zbiory {A ω : x A ω \ y}, gdzie x oraz y są zbiorami skończonymi,

Bardziej szczegółowo

Matematyka dyskretna. Andrzej Łachwa, UJ, A/10

Matematyka dyskretna. Andrzej Łachwa, UJ, A/10 Matematyka dyskretna Andrzej Łachwa, UJ, 2018 andrzej.lachwa@uj.edu.pl 8A/10 Zbiory przeliczalne Przyjmujemy, że Zn = {0, 1, 2, 3, n-1} dla n>0 oraz Zn = przy n=0. Zbiór skończony to zbiór bijektywny z

Bardziej szczegółowo

TEORIA ERGODYCZNA. Bartosz Frej Instytut Matematyki i Informatyki Politechniki Wrocławskiej

TEORIA ERGODYCZNA. Bartosz Frej Instytut Matematyki i Informatyki Politechniki Wrocławskiej TEORIA ERGODYCZNA Bartosz Frej Instytut Matematyki i Informatyki Politechniki Wrocławskiej Przedmiot zainteresowania Teoria ergodyczna to dziedzina matematyki zajmująca się badaniem przekształceń określonych

Bardziej szczegółowo

Algorytmy MCMC i ich zastosowania statystyczne

Algorytmy MCMC i ich zastosowania statystyczne Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 3 1 Łańcuchy Markowa Oznaczenia

Bardziej szczegółowo

R n jako przestrzeń afiniczna

R n jako przestrzeń afiniczna R n jako przestrzeń afiniczna Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 11. wykład z algebry liniowej Warszawa, grudzień 2014 Mirosław Sobolewski (UW) Warszawa, grudzień 2014 1

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.4. Momenty zmiennych losowych Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Przykład 1 Rzucamy raz kostką Ile wynosi średnia liczba oczek, jaka

Bardziej szczegółowo

Systemy liczbowe. Bibliografia: Urządzenia techniki komputerowej, K. Wojtuszkiewicz

Systemy liczbowe. Bibliografia: Urządzenia techniki komputerowej, K. Wojtuszkiewicz PODSTAWY TEORII UKŁADÓW CYFROWYCH Systemy liczbowe Opracował: Andrzej Nowak Bibliografia: Urządzenia techniki komputerowej, K. Wojtuszkiewicz http://pl.wikipedia.org/ System liczbowy zbiór reguł jednolitego

Bardziej szczegółowo

Rozkłady prawdopodobieństwa

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

Bardziej szczegółowo

Entropia Kodowanie. Podstawy kompresji. Algorytmy kompresji danych. Sebastian Deorowicz

Entropia Kodowanie. Podstawy kompresji. Algorytmy kompresji danych. Sebastian Deorowicz Algorytmy kompresji danych 2007 02 27 Plan wykładu 1 Modelowanie i kodowanie 2 Modelowanie i kodowanie Plan wykładu 1 Modelowanie i kodowanie 2 Modelowanie i kodowanie definicja stowarzyszona ze zbiorem

Bardziej szczegółowo

czyli o szukaniu miejsc zerowych, których nie ma

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

Bardziej szczegółowo

Prawdopodobieństwo i statystyka Wykład I: Przestrzeń probabilistyczna

Prawdopodobieństwo i statystyka Wykład I: Przestrzeń probabilistyczna 9 października 2018 Zasady zaliczenia przedmiotu: Zaliczenie ćwiczeń rachunkowych. Zdanie egzaminu ustnego z treści wykładu. Literatura J. Jakubowski i R. Sztencel, Wstęp do teorii prawdopodobieństwa.

Bardziej szczegółowo

Temat: Algorytm kompresji plików metodą Huffmana

Temat: Algorytm kompresji plików metodą Huffmana Temat: Algorytm kompresji plików metodą Huffmana. Wymagania dotyczące kompresji danych Przez M oznaczmy zbiór wszystkich możliwych symboli występujących w pliku (alfabet pliku). Przykład M = 2, gdy plik

Bardziej szczegółowo

Tablice z haszowaniem

Tablice z haszowaniem Tablice z haszowaniem - efektywna metoda reprezentacji słowników (zbiorów dynamicznych, na których zdefiniowane są operacje Insert, Search i Delete) - jest uogólnieniem zwykłej tablicy - przyspiesza operacje

Bardziej szczegółowo

Zmienne losowe i ich rozkłady

Zmienne losowe i ich rozkłady Zmienne losowe i ich rozkłady 29 kwietnia 2019 Definicja: Zmienną losową nazywamy mierzalną funkcję X : (Ω, F, P) (R n, B(R n )). Definicja: Niech A będzie zbiorem borelowskim. Rozkładem zmiennej losowej

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

Deska Galtona. Adam Osękowski. Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski

Deska Galtona. Adam Osękowski. Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski a schemat Bernoulliego Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski XV Festiwal Nauki, 21 września 2011r. a schemat Bernoulliego Schemat Bernoulliego B(n, p)

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. L. Kowalski, Statystyka, 2005

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. L. Kowalski, Statystyka, 2005 RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. Literatura: Marek Cieciura, Janusz Zacharski, Metody probabilistyczne w ujęciu praktycznym, L. Kowalski, Statystyka, 2005 R.Leitner, J.Zacharski, "Zarys matematyki

Bardziej szczegółowo

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Teoria systemów uczacych się i wymiar Vapnika-Chervonenkisa

Teoria systemów uczacych się i wymiar Vapnika-Chervonenkisa Systemy uczace się 2009 1 / 32 Teoria systemów uczacych się i wymiar Vapnika-Chervonenkisa Hung Son Nguyen Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski email: son@mimuw.edu.pl Grudzień

Bardziej szczegółowo

Estymacja parametrów w modelu normalnym

Estymacja parametrów w modelu normalnym Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia

Bardziej szczegółowo