Proces Poissona. Wykład Proces zliczajacy
|
|
- Urszula Nowicka
- 8 lat temu
- Przeglądów:
Transkrypt
1 Wykład 4 roces oissona 4.1 roces zliczajacy roces stochastyczny {N t ;t } nazywamy zliczaj acym, gdy N t jest równe całkowitej ilości zdarzeń które zdarzyły się do momentu t. rzekładami procesów zliczajacychn t s a: 1. ilośćosób, któreweszłydopewnegomagazynuprzedlubwmomenciet; N t oznaczatuwówczasilośćosóbktóreweszłydomagazynu, 2. ilośćosóbktóresięurodziłyprzedlubwokreślonymczasiet,n t oznacza wówczas ilość urodzeń do momentu t. 3. ilość bramek które zgromadził dany piłkarz itd. Zauważmy, że każdy proces zliczajacy musi spełniać następujace warunki (i N t, (ii wartościamin t s a liczby całkowite (iii dlas<t,n t N s równasięilości zdarzeń którezdarzyłysięwprzedziale czasu(s,t>. Uwaga rocesy zliczajaces a czasem nazywane strumieniami zgłoszeń. roces zliczajacy nazywa się procesem o przyrostach niezależnych, jeśli w rozł acznych przedziałach czasu przyrosty procesu sa niezależne. Uwaga W przekładzie 1. prawdopodobnie spełnione jest założenie niezależności przyrostów procesu. Natomiast w przykładzie 2. wydaje się, ze nie jest. Jeśli bowiem N t jest duże to mamy dużo ludzi a to znaczy, że w następnych chwilachwinnobyćdużourodzeńczyli wartośćn t+s N t byłabydużajeślin t jestduże(brakniezależnościodn t. roces zliczajacy ma stacjonarne przyrosty, gdy ilość zdarzeń które zdarzyły się w przedziale czasu (s,t > zależy tylko od długości tego przedziału tj. od wielkościt s. roces zliczajacy {N t ;t } nazywa się pojedynczym jeśli a t > s :(N t N s 1 λ(t s+o( t s, b t > s :(N t N s 2 o( t s. 21
2 22 WYKŁAD 4. ROCES OISSONA Definicja roces zliczajacy{n t ;t }nazywasię,procesemoissonaz intensywnościaλ,gdy: in, ii ma niezależne i stacjonarne przyrosty iii ilość zdarzeń w przedziale o długości t ma rozkład oissona z parametrem λt, tzn. t,s :(N t+s N s ke λt(λtk. k! Twierdzenie roces zliczajacy, pojedynczy o stacjonarnych, niezależnych przyrostach jest procesem oissona. Dowód. Oznaczmy Mamy: g(teexp( vn t. g(t+h Eexp( vn t+h Eexp( vn t Eexp( v(n t+t N t g(teexp( vn h. Wykorzystaliśmy tu niezależność przyrostów i stacjonarność. Mamy dalej: Eexp( vn h E(exp( vn h N h (N h +E(exp( vn h N h 1(N h 1 +E(exp( vn h N h 2(N h 2 1 λh+o 1 (h+e v (λh+o 2 (h+o 3 (h 1 λh+λhe v +o(h. Zatem g(t+h g(t g(tλ ( e v 1 + o(h h h. Niech h. Dostaniemy wówczas: St ad już łatwo dostać: g (tg(tλ ( e v 1. g(texp ( λt ( e v 1. Jest to transformata Laplace a rozkładu oissona z parametrem λt. 4.2 Okresy między zgłoszeniami Niech dany będzie proces oissona {N t ;t } i niech T 1 będzie momentem pierwszego zdarzenia. Dalej niech dla n > T n oznacza czas jaki upłyn ał międzyn 1yman-tymzdarzeniem. Ci ag{t i } i 1 nazywasięci agiem czasów międzyzgłoszeniami(przybyciami. Zauważmy,że{T 1 >t}{n t } (T 1 >t(n t exp( λt.
3 4.3. SUMOWANIE ROCESÓW OISSONA 23 odobniemamy: (T 2 >te((t 2 >t T 1.Ale (T 2 >t T 1 s (brakzdarzeńwprzedziale(s,s+t> T 1 s (brakzdarzeńwprzedziale(s,s+t>exp( λt. W ostatnich równościach wykorzystaliśmy niezależność i stacjonarność. przyrostów. Mamy więc: Stwierdzenie Ciag{T n } n 1 czasówmiędzyprzybyciamistanowi aniezależne zmienne losowe o jednakowych rozkładach wykładniczych ze średnia 1 λ. DalejoznaczmyprzezS n czasprzybycien tegozgłoszenialubinaczejczas oczekiwania na n te zgłoszenie. Łatwo wydedukować, że n S n T i, awięc,żes n marozkładgammazparametraminiλ.innymisłowy,żerozkład S n magęstośćrówn a: f Sn (tλexp( λt (λtn 1 (n 1! ;t. owyższa gęstość można było otrzymać zauważajac, że n te zgłoszenie się zdarzy przed momentem t wtedy i tylko wtedy, gdy ilość zdarzeń przed momentem t była przynajmniej n. Tzn. awięc N t n S n t, F Sn (t + (S n t(n t n St ad różniczkujac po t dostaniemy: f Sn (t λ jn e λt(λtj j! λe λt(λtn 1 (n 1!. + jn jn e λt(λtj. j! λe λt(λtj 1 (j 1! 4.3 Sumowanie procesów oissona Niechdanybędzieprocesoissona{N t ;t }zintensywności aλ.iprzypuśćmy, że każde zdarzenie(zgłoszenie jest klasyfikowane jako I badź II typu. Załóżmy dalej, że zgłoszenie jest klasyfikowane jako typu I lub II z prawdopodobieństwami odpowiednio p i 1 p niezależnie od innych zdarzeń (zgłoszeń. (Na przykład załóżmy, że klienci przebywajadosklepuikażdyznichokazujesiębyć mężczyzna z prawdopodobieństwem 1/2 badźkobiet a z prawdopodobieństwem 1/2. Niech N (1 t i N (2 t oznaczaj a odpowiednio ilości zdarzeń odpowiednio typu I b adź II w czasie [,t]. Zauważmy, że N t N (1 t +N (2 t. Mamy następuj ace stwierdzenie:
4 24 WYKŁAD 4. ROCES OISSONA Stwierdzenie N (1 t in (2 t s a oba procesami oissona o intensywnościach odpowiednioλpiλ(1 p.onadtoprocesytes a niezależne. Dowód. oliczymy prawdopodobieństwo łaczne: N (1 t n,n (2 t m N (1 t n,n (2 t m N t k (N t k. k Zauważmy,żepopierwszeabymogłobyćnzdarzeńtypuIimzdarzeńtypuII winnobyćł acznien+mzdarzeńazatem N (1 t n,n (2 t m ( N (1 t n,n (2 t m N t n+m e λt(λtn+m (n+m!. Zauważmy teraz, że jeśli zdarzyło się ł acznie n+m zdarzeń to ilość zdarzeń typuimiałarozkładdwumianowy(ilośćsukcesówwci agun+mdoświadczeń Bernoulli ego. Zatem Awięc N (1 t n,n (2 t m N t n+m ( n+m n p n (1 p m. N (1 t n,n (2 t m ( n+m n p n (1 p m e λt(λtn+m (n+m! e λpt(λptn n! e λ(1 pt(λ(1 ptm. m! onadto mamy N (1 t n N (1 t n,n (2 t m m e λpt(λptn n! m e λ(1 pt(λ(1 ptm m! e λpt(λptn. n! Widaćzatem,żeN (1 t in (2 t s a niezależnymi procesami oissona. Uwaga4.3.2 To,żeprocesyN 1 in 2 s a oissonowskie nie jest zbyt zastanawiaj ace. Można było się tego spodziewać. Niespodziewany wydaje się być fakt, że procesytes a niezależne.
5 4.4. ROZKŁAD WARUNKOWY CZASÓW RZYBYCIA Rozkład warunkowy czasów przybycia Zacznijmy od czasu przybycia pierwszego zgłoszenia pod warunkiem, że wiadomo,żenaodcinkuczasu[,t]byłojedno. Innymisłowywyznaczymy(T 1 <s N t 1. Dostaniemy wówczas: (T 1 <s N t 1 (T 1<s,N t 1 (N t 1 (1zgłoszeniena (,s izgłoszeńna[s,t] (N t 1 (1zgłoszeniena (,s(zgłoszeńna[s,t] (N t 1 λse λs e λ(t s λte λt s t. Awięcrozkładtenjestjednostajny na odcinku<,t>. Wynik tenmoże być uogólniony. Aby jednak to zrobić trzeba wprowadzić pojęcie statystyk pozycyjnych. Definicja4.4.1 Niech{X 1,...,X n }będziepróbalosow a. Wektorlosowy{Y 1,...,Y n } spełniajacywarunkiy 1 Y 2,..., Y n zprawdopodobieństwemjedeniokreślony następujaco: Y i i-tacodowielkościwartość {X 1,...,X n } nazywamywektoremstatystykpozycyjnychwektora{x 1,...,X n }. Uwaga4.4.2 Wartości współrzędnychwektora{y 1,...,Y n } oznaczamytradycyjnie{x 1:n,...,X n:n }. otrzebujemy także następujacych dwu prostych lematów Lemat4.4.3 Jeślipróba{X 1,...,X n }jestprosta(zmiennelosowe{x i } n s a niezależneiojednakowychrozkładachigęstośćx 1 jestrównaf(x,togęstość ł acznawektorastatystykpozycyjnych{x 1:n,...,X n:n }jestrówna: dlay 1 y 2... y n. g(y 1,...,y n n! n f(y i, Dowód. Zauważmy,żeabyzaobserwowaćX 1:n y 1,...,X n:n y n dowolna z n! permutacji { } X (1,...,X (n zmiennych {X1,...,X n } przyjęła wartości odpowiednio{y 1,...,y n }.onadto ( X (1 (y 1,y 1 +dy 1,...,X (n (y n,y n +dy n n f(y i dy 1,...dy n.
6 26 WYKŁAD 4. ROCES OISSONA Lemat NiechzmiennelosoweS 1,...,S n s ai.i.dimajarozkładu(,t -jednostajny na odcinku<,t >. Wówczas rozkład ł aczny wektora statystyk pozycyjnych(s 1:n,...,S n:n magęstośćrówn a: dlay 1 y 2... y n. g(y 1,...,y n n! tn, (4.4.1 Teraz możemy już udowodnić następujace twierdzenie: Twierdzenie od warunkiem, że N(tn tj. wiadomo iż na odcinku <,t > było n zgłoszeń, momenty zgłoszeń (S 1,...,S n s a rozłożone tak jak statystyki porzadkowe rozkładu łacznego n niezależnych zmiennych losowych o jednakowych rozkładach jednostajnych na odcinku <, t >, tj. f S1,...,S n (s 1,...,s n n! t n;dla<s 1<...,<s n <t. Dowód. Aby dostać gęstość ł aczn a wektora (S 1,...,S n przy warunku N(tnzauważmy,żedla<s 1 <,...,<s n <tzdarzenies 1 s 1,S 2 s 2,...,S n s n,n(tnznaczy,żepierwszychn+1czasówmiędzyzgłoszeniami spełnia T 1 s 1, T 2 s 2 s 2,..., T n s n s n 1, T n+1 > t s n. A więc korzystajac z niezależności czasów między zgłoszeniami mamy f(s 1,...,s n n (T 1s 1,...,T n s n s n 1,T n >t s n (N(tn λe λs1 λe λ(s2 s1...λe λ(sn sn 1 e λ(t sn e λt (λt n /n! n! t n. Uwaga4.4.6 Wyniktenmożnawyrazíctakżewnastępuj acy sposób: od warunkiem, że było ich n, momenty zgłoszeń rozpatrywanie jako nieuporzadkowane zmienne losowe s a niezależne i maj a takie same rozkłady jednostajne na odcinku <,t>. Twierdzenie powyższe może służyć do następujacego uogólnienia Stwierdzenia załóżmy teraz, że po przybyciu każde zdarzenie jest klasyfikowane jako będ ace jednego z k typów, przy czym jeśli zgłoszenie nast apiło w chwili y to będziezakwalifikowanejakotypuizprawdopodobieństwem i (y, k i(y 1.Mamynastępuj ace: Twierdzenie NiechNt;t,,...,koznaczailośćelementówtypu i iktórezgłosiłysięwczasie<,t>.wówczas Nt i s a niezależnymi zmiennymi oissona z wartościami oczekiwanymi odpowiednio: EN i t λ t i (sds.
7 4.4. ROZKŁAD WARUNKOWY CZASÓW RZYBYCIA 27 Dowód. Obliczmy łaczneprawdopodobieństwo Nt 1 n 1,...,Nt k n k. Mamy ( Nt 1 n 1,...,Nt k n k ( k k Nt 1 n 1,...,Nt k n k N t n i N t n i. Rozważmy terazdowolnezgłoszenie,którezdarzyłosięwmomencie<,t>. Jeśli zdarzyło się w momencie s, wówczas prawdopodobieństwo, że byłoby typu i wynosiłoby i (s.zatemnapodstawietwierdzenia4.4.7wynika,żezgłoszenie to przybyłoby wjednostajnierozłożonymna odcinku<,t>momencies. A więc prawdopodobieństwo, że zdarzenie to będzie typu i wynosi: p i 1 t niezależnie od innych zdarzeń. A więc ( t i (sds, N 1 t n 1,...,N k t n k N t N 1 t n 1,...,N k t n k N t k n i k n i marozkładwielomianowyzn i elementamitypuiiprawdopodobieństwamizajściap 1,...,p k,.czyli (! Awięc Nt 1 n 1,...,Nt k n k! ( k n i k n i! k p n i k [e λtpi(λtp i ni n i! i e λt(λt k ]. ( k n i k n i! ni ( k n i! k p ni i To twierdzenie zilustrujemy ciekawym nietypowym przykładem. rzykład (Minimalizacja liczby wyprzedzeń: Załóżmy, że samochody wjeżdżaja na jednokierunkowa drogę zgodnie z rozkładem oissona o intensywności λ.wjeżdżajaonewpunkcieaawyjeżdżaj awpunkcieb.każdysamochód jedziezestał a prędkościaustalan a niezależnie dla każdego samochodu zgodnie z rozkładem G. Gdy szybszy samochód spotyka wolniejszy wyprzedza go bez starty czasu. Jeśli samochód wjeżdża na rozważana drogę w momencie s i ty masz możliwość wybrania prędkości, to jaka prędkość byś wybrał aby zminimalizować średnia liczbę spodziewanych spotkań z innym samochodami. rzez spotkanie rozumiemy wydarzenie gdy nasz samochód wyprzedza badź jest wyprzedzany przez inny samochód.
8 28 WYKŁAD 4. ROCES OISSONA Rozwiazanie: okażemy, że dla dużych s, prędkościa która minimalizuje spodziewana ilość spotkań jest mediana rozkładu G. Aby to zobaczyć przypuśćmy, żewybralísmyprędkośćx.niechdb a oznaczadługośćdrogi. Wmomencie wyboru prędkości x, wynika, że twój samochód wjedzie na drogę w momencie s awyjedziewmomencies+t,gdziet d/xjestczasempodróży. rzypominamy, że inne samochody wjeżdżajanadrogęzgodniezrozkłademois- sona o intensywności λ. Każdy z nich wybiera prędkość X zgodnie z rozkładem G. SkutkujetoczasemprzejazduT d/x. NieF oznaczarozkładczasupodróży T. Tzn. F(t(T <t(d/x<t(x>d/tḡ(d/t. (gdzieoznaczylísmyprzez F(t1 F(togonrozkładuF owiemy, ze zdarzenie zdarzyło się w momencie t jeśli samochód wjeżdża na drogęwmomenciet. odobniepowiemy,żezdarzeniejesttypu1jeśliwwyniku zdarzy się spotkanie z twoim samochodem. Twój samochód wjeżdża w momencie s i wyjedzie w momencie s+t. Zatem samochód spotka twój samochód jeśli wjedzieprzedmomentemsawyjedziepos+t (wtymostatnimprzypadkutwój samochód wyprzedzi ten samochód na drodze lub jeśli wjedzie po momencie s ale wyjedzie przed momentem s+t (w tym wypadku ten samochód wyprzedzi twój. W rezultacie samochód który wjeżdża na drogę w momencie t spotka twój samochódjeślijegoczaspodróżyt jesttaki,że t+t >s+t gdy t<s t+t <s+t gdy s<t<s+t Z poprzednich rozważań widzimy, że w momencie t będzie, niezależnie od innych wydarzeń, będzie typu 1 z prawdopodobieństwem p(t danym przez: (t+t >s+t F(s+t t gdy t<s p(t (t+t <s+t F(s+t t gdy s<t<s+t gdy t>s>t Zakładajac, że zdarzenia (tzn. samochody wjeżdżajace na drogę zdarzaj a się zgodnie z rozkładem oissona to wnioskujemy, że, stosujac Twierdzenie 4.4.7, że całkowita liczba wydarzeń typu 1 które się zdarzyły ma też rozkład oissona ośredniej s s+t λ p(tdt λ F(s+t tdt+λ F(s+t tdt λ s+t t t F(ydy+λ F(ydy Abywybraćwartośćt któraminimalizujepowyższ a wielkość zróżniczkujmy ja. Dostaniemy wówczas ( d s+t t λ F(ydy+λ F(ydy λ ( F(s+t dt F(t +F(t. t rzyrównujactęwielkośćdo,iwykorzystuj ac,żef(s+t gdysjestduże, widzimy,żeoptymalnyczasprzejazdut danyjestzależności a F(t F(t 1 F(t
9 4.4. ROZKŁAD WARUNKOWY CZASÓW RZYBYCIA 29 lub F(t 1 2. Zatem optymalny czas przejazdu jest mediana rozkładu czasu przejazdu. Skoro prędkość X jest równa odległości d podzielonej przez czas przejazdu T, wnosimy stadżeoptymalnaprędkośćx d/t jesttaka,żef(d/x 1 2.Skoro F(d/x Ḡ(x widzimyżeg(x 1 2, awięcoptymalnaprędkośćjestmedian arozkładuprędkości. odsumowujac wykazalísmy, że dla dowolnej prędkości x ilość spotkań z innymi samochodami ma rozkład oissona, a średnia tego rozkładu będzie równa najmniejszagdyprędkośćszostaławybranatakabybyłamedian a rozkładu G.
Rozkład wykładniczy. Proces Poissona.
Wykład 3 Rozkład wykładniczy. Proces Poissona. 3.1 Własności rozkładu wykładniczego 3.1.1 Rozkład geometryczny: Mówimy, że zmienna losowa X ma rozkład geometryczny z parametrem p (, 1) jeśli P(Xi)p(1 p)
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoProces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.
Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi
Bardziej szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Bardziej szczegółowoLista 1. Procesy o przyrostach niezależnych.
Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoMODELE MATEMATYCZNE W UBEZPIECZENIACH
MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 3: WYZNACZANIE ROZKŁADU CZASU PRZYSZŁEGO ŻYCIA 1 Hipoteza jednorodnej populacji Rozważmy pewną populację osób w różnym wieku i załóżmy, że każda z tych osób
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa
Bardziej szczegółowoProcesy stochastyczne 2.
Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowo8 Całka stochastyczna względem semimartyngałów
M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowo1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
Bardziej szczegółowoZmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
Bardziej szczegółowo4 Kilka klas procesów
Marek Beśka, Całka Stochastyczna, wykład 4 48 4 Kilka klas procesów 4.1 Procesy rosnące i przestrzenie V,, loc Jak poprzednio niech (Ω, F, F, P ) będzie zupełną bazą stochastyczną. Definicja 4.1 Proces
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoUPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski
UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowo1 Warunkowe wartości oczekiwane
Warunkowe wartości oczekiwane W tej serii zadań rozwiążemy różne zadania związane z problemem warunkowania.. (Eg 48/) Załóżmy, że X, X, X 3, X 4 są niezależnymi zmiennymi losowymi o jednakowym rozkładzie
Bardziej szczegółowoWykład 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 szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoZadanie 1. są niezależne i mają rozkład z atomami: ( ),
Zadanie. Zmienne losowe są niezależne i mają rozkład z atomami: ( ) ( ) i gęstością: ( ) na przedziale ( ). Wobec tego ( ) wynosi: (A) 0.2295 (B) 0.2403 (C) 0.2457 (D) 0.25 (E) 0.269 Zadanie 2. Niech:
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoZadanie 1. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną:
Zadanie. Ilość szkód N ma rozkład o prawdopodobieństwach spełniających zależność rekurencyjną: Pr Pr ( = k) ( N = k ) N = + k, k =,,,... Jeśli wiemy, że szkód wynosi: k= Pr( N = k) =, to prawdopodobieństwo,
Bardziej szczegółowoPochodna funkcji: zastosowania przyrodnicze wykłady 7 i 8
Pochodna funkcji: zastosowania przyrodnicze wykłady 7 i 8 dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu sem. zimowy, r. akad. 2016/2017 Funkcja logistyczna 40 Rozważmy
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowo19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoSTATYSTYKA wykład 5-6
TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy
Bardziej szczegółowoN ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:
Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o
Bardziej szczegółowoZmienne losowe. dr Mariusz Grzadziel. rok akademicki 2016/2017 semestr letni. Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu
Zmienne losowe dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu rok akademicki 2016/2017 semestr letni Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
Bardziej szczegółowoZadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:
Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:
Bardziej szczegółowoCentralne 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 szczegółowoElementy modelowania matematycznego
Eleenty odelowania ateatycznego Systey kolejkowe. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ RZYKŁAD KOLEJKI N(t) długość kolejki w chwili t T i czas obsługi i-tego klienta Do okienka
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2010 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 15 Homo oeconomicus=
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoPrzykłady do zadania 8.1 : 0 dla x 1, c x 4/3 dla x > 1. (b) Czy można dobrać stałą c tak, aby funkcja f(x) = była gęstością pewnego
Rachunek prawdopodobieństwa MAP64 Wydział Elektroniki, rok akad. 8/9, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 8: Zmienne losowe typu ciągłego. Gęstość prawdopodobieństwa. Rozkład
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2015 Mirosław Sobolewski (UW) Warszawa, 2015 1 / 16 Homo oeconomicus=
Bardziej szczegółowoPrawa 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 szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoRodzinę 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 szczegółowoPochodna funkcji: definicja, podstawowe własności wykład 6
Pochodna funkcji: definicja, podstawowe własności wykład 6 dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu r. akad. 2016/2017 Problem obliczanie prędkości chwilowej Droga
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoPodstawy Informatyki Elementy teorii masowej obsługi
Podstawy Informatyki alina.momot@polsl.pl http://zti.polsl.pl/amomot/pi Plan wykładu 1 Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla 2 Analiza systemu M/M/1 Wyznaczenie P n (t) Wybrane
Bardziej szczegółowoWykład 10: Całka nieoznaczona
Wykład 10: Całka nieoznaczona dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu semestr zimowy, rok akademicki 2016/2017 Motywacja Problem 1 Kropla wody o średnicy 0,07 mm
Bardziej szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Bardziej szczegółowoParametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f
Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoMatematyka II. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 2018/2019 wykład 13 (27 maja)
Matematyka II Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 208/209 wykład 3 (27 maja) Całki niewłaściwe przedział nieograniczony Rozpatrujemy funkcje ciągłe określone na zbiorach < a, ),
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoMatematyczne Podstawy Kognitywistyki
Matematyczne Podstawy Kognitywistyki Dorota Leszczyńska-Jasion Kombinatoryka, ci agi liczbowe, skończone przestrzenie probabilistyczne Przykłady zagadnień kombinatorycznych Rozważmy układ n miast o bardzo
Bardziej szczegółowo1. Przyszła długość życia x-latka
Przyszła długość życia x-latka Rozważmy osobę mającą x lat; oznaczenie: (x) Jej przyszłą długość życia oznaczymy T (x), lub krótko T Zatem x+t oznacza całkowitą długość życia T jest zmienną losową, której
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 5- Klasyczne systemy kolejkowe i ich analiza dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 16,23listopada2015r. Analiza
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoDefinicje i przykłady
Rozdział 1 Definicje i przykłady 1.1 Definicja równania różniczkowego 1.1 DEFINICJA. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie F (t, x, ẋ, ẍ,..., x (n) ) = 0. (1.1) W równaniu tym t jest
Bardziej szczegółowoMETODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład 3-4. Parametry i wybrane rozkłady zmiennych losowych
METODY BADAŃ NA ZWIERZĘTACH ze STATYSTYKĄ wykład - Parametry i wybrane rozkłady zmiennych losowych Parametry zmiennej losowej EX wartość oczekiwana D X wariancja DX odchylenie standardowe inne, np. kwantyle,
Bardziej szczegółowoWykład 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 szczegółowoGranica funkcji wykład 5
Granica funkcji wykład 5 dr Mariusz Grządziel 4 listopada 200 Problem obliczanie prędkości chwilowej Droga s, jaką przemierzy kulka ołowiana upuszczona z wysokiej wieży po czasie t: s = gt2 2, gdzie g
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoTablice trwania życia
ROZDZIAŁ 3 Tablice trwania życia 1 Przyszły czas życia Osobę, która ukończyła x lat życia, będziemy nazywać x-latkiem i oznaczać symbolem x Jej przyszły czas życia, tzn od chwili x do chwili śmierci, będziemy
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoEGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka
Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w całej populacji wynoszą p 2, 2pq i q 2. Wiadomo, że czynnik selekcyjny sprawia, że osobniki o genotypie aa nie rozmnażają się. 1. Wyznacz częstości
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowoOgólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009
Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
Bardziej szczegółowoWykład 2: Szeregi Fouriera
Rachunek prawdopodobieństwa MAP64 Wydział Elektroniki, rok akad. 8/9, sem. letni Wykładowca: dr hab. A. Jurlewicz Wykład : Szeregi Fouriera Definicja. Niech f(t) będzie funkcją określoną na R, okresową
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
Bardziej szczegółowoLIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III
Komisja Egzaminacyjna dla Aktuariuszy LIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III Matematyka ubezpieczeń majątkowych Imię i nazwisko osoby egzaminowanej:. Czas egzaminu: 100 minut Komisja
Bardziej szczegółowoFizyka statystyczna Procesy stochastyczne. P. F. Góra
Fizyka statystyczna Procesy stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2015 Procesy stochastyczne motywacja Układy makroskopowe maja bardzo dużo stopni swobody, rzędu liczby Avogadra,
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowo