Proces Poissona. Wykład Proces zliczajacy

Wielkość: px
Rozpocząć pokaz od strony:

Download "Proces Poissona. Wykład 4. 4.1 Proces zliczajacy"

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.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces 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 szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 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 szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 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 szczegółowo

Lista 1. Procesy o przyrostach niezależnych.

Lista 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 szczegółowo

4 Kilka klas procesów

4 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 szczegółowo

O ŚREDNIEJ STATYSTYCZNEJ

O 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 szczegółowo

Elementy modelowania matematycznego

Elementy 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 szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. 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 szczegółowo

STATYSTYKA wykład 5-6

STATYSTYKA 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 szczegółowo

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka

EGZAMIN 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 szczegółowo

Modelowanie komputerowe

Modelowanie 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 szczegółowo

Zadanie 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: 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 szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 6.04.2009 r.

Matematyka ubezpieczeń majątkowych 6.04.2009 r. Matematyka ubezpieczeń majątkowych 6.04.009 r. Zadanie. Niech N oznacza liczbę szkód zaszłych w ciągu roku z pewnego ubezpieczenia z czego: M to liczba szkód zgłoszonych przed końcem tego roku K to liczba

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

LIV Egzamin dla Aktuariuszy z 4 października 2010 r. Część III

LIV 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 szczegółowo

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka Biomatematyka 80...... Zadanie 1. (8 punktów) Rozpatrzmy prawo Hardy ego Weinberga dla loci związanej z chromosomem X o dwóch allelach A 1 i A 2. Załóżmy, że początkowa częstość allelu A 2 u kobiet jest

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli

Bardziej szczegółowo

Analiza przeżycia. Wprowadzenie

Analiza przeżycia. Wprowadzenie Wprowadzenie Przedmiotem badania analizy przeżycia jest czas jaki upływa od początku obserwacji do wystąpienia określonego zdarzenia, które jednoznacznie kończy obserwację na danej jednostce. Analiza przeżycia

Bardziej szczegółowo

Koszyki OECD. Metodologia porównywania taryf telekomunikacyjnych. Zagadnienia prawne i ekonomiczne w telekomunikacji

Koszyki OECD. Metodologia porównywania taryf telekomunikacyjnych. Zagadnienia prawne i ekonomiczne w telekomunikacji ZAGADNIENIA PRAWNE i EKONOMICZNE w TELEKOMUNIKACJI Dr inż. Jerzy Kubasik Politechnika Poznańska Instytut Elektroniki i Telekomunikacji Zagadnienia prawne i ekonomiczne w telekomunikacji Wykład XI-XII:

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2014 Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, czerwiec 2014 Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach Sprawdź, czy wektor x 0 = (0,5,,0,0) jest rozwiązaniem dopuszczalnym zagadnienia programowania liniowego: Zminimalizować 3x 1 +x +x 3 +4x 4 +6x 5, przy ograniczeniach

Bardziej szczegółowo

Twierdzenie spektralne

Twierdzenie spektralne Twierdzenie spektralne Algebrę ograniczonych funkcji borelowskich na K R będziemy oznaczać przez B (K). Spektralnym rozkładem jedności w przestrzeni Hilberta H nazywamy odwzorowanie, które każdemu zbiorowi

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, 18.09.2012 Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, 18.09.2012 Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach Sprawdź, czy wektor x 0 = (0,0,3,3) jest optymalnym rozwiązaniem zagadnienia programowania liniowego: Zminimalizować 8x 1 +5x 2 +3x 3 +4x 4, przy ograniczeniach

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e

Bardziej szczegółowo

Wykład 9: Markov Chain Monte Carlo

Wykład 9: Markov Chain Monte Carlo RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa

Bardziej szczegółowo

Wielomiany. dr Tadeusz Werbiński. Teoria

Wielomiany. dr Tadeusz Werbiński. Teoria Wielomiany dr Tadeusz Werbiński Teoria Na początku przypomnimy kilka szkolnych definicji i twierdzeń dotyczących wielomianów. Autorzy podręczników szkolnych podają różne definicje wielomianu - dla jednych

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

Bardziej szczegółowo

y f x 0 f x 0 x x 0 x 0 lim 0 h f x 0 lim x x0 - o ile ta granica właściwa istnieje. f x x2 Definicja pochodnych jednostronnych 1.5 0.

y f x 0 f x 0 x x 0 x 0 lim 0 h f x 0 lim x x0 - o ile ta granica właściwa istnieje. f x x2 Definicja pochodnych jednostronnych 1.5 0. Matematyka ZLic - 3 Pochodne i różniczki funkcji jednej zmiennej Definicja Pochodną funkcji f w punkcie x, nazwiemy liczbę oznaczaną symbolem f x lub df x dx, równą granicy właściwej f x lim h - o ile

Bardziej szczegółowo

Matematyka dyskretna

Matematyka dyskretna Matematyka dyskretna wykład 1: Indukcja i zależności rekurencyjne Gniewomir Sarbicki Literatura Kenneth A. Ross, Charles R. B. Wright Matematyka Dyskretna PWN 005 J. Jaworski, Z. Palka, J. Szymański Matematyka

Bardziej szczegółowo

Analiza Algorytmów. Informatyka, WPPT, Politechnika Wroclawska. 1 Zadania teoretyczne (ćwiczenia) Zadanie 1. Zadanie 2. Zadanie 3

Analiza Algorytmów. Informatyka, WPPT, Politechnika Wroclawska. 1 Zadania teoretyczne (ćwiczenia) Zadanie 1. Zadanie 2. Zadanie 3 Analiza Algorytmów Informatyka, WPPT, Politechnika Wroclawska 1 Zadania teoretyczne (ćwiczenia) Zadanie 1 Niech k będzie dodatnią liczbą całkowitą. Rozważ następującą zmienną losową Pr[X = k] = (6/π 2

Bardziej szczegółowo

Działanie grupy na zbiorze

Działanie grupy na zbiorze Działanie grupy na zbiorze Definicja 0.1 Niech (G, ) będzie dowolną grupą oraz X niepustym zbiorem, to odwzorowanie : G X X nazywamy działaniem grupy G na zbiorze X jeślinastępujące warunki są spełnione:

Bardziej szczegółowo

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie

Bardziej szczegółowo

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i )

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i ) Rachunek prawdopodobieństwa - Teoria - Przypomnienie Podstawy Definicja 1. Schemat klasyczny - wszystkie zdarzenia elementarne są równo prawdopodobne, licząc prawdopodobieństwo liczymy stosunek liczby

Bardziej szczegółowo

Zadanie 2. Obliczyć rangę dowolnego elementu zbioru uporządkowanego N 0 N 0, gdy porządek jest zdefiniowany następująco: (a, b) (c, d) (a c b d)

Zadanie 2. Obliczyć rangę dowolnego elementu zbioru uporządkowanego N 0 N 0, gdy porządek jest zdefiniowany następująco: (a, b) (c, d) (a c b d) Matemaryka dyskretna - zadania Zadanie 1. Opisać zbiór wszystkich elementów rangi k zbioru uporządkowanego X dla każdej liczby naturalnej k, gdy X jest rodziną podzbiorów zbioru skończonego Y. Elementem

Bardziej szczegółowo

Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych

Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych Elżbieta Krajewska Instytut Matematyki Politechnika Łódzka Elżbieta Krajewska Immunizacja ubezpieczycieli życiowych 1/22 Plan prezentacji

Bardziej szczegółowo

Finansowe szeregi czasowe

Finansowe szeregi czasowe 24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej

Bardziej szczegółowo

Aleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.

Aleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut. Zadanie Statystyczna Analiza Danych - Zadania 6 Aleksander Adamowski (s869) W pewnym biurze czas losowo wybranej rozmowy telefonicznej jest zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.

Bardziej szczegółowo

W grze uczestniczy dwóch graczy: G 1 i G 2. Z urny, w której jest b kul białych i c czarnych, losuje się w grze (jednocześnie) dwie kule.

W grze uczestniczy dwóch graczy: G 1 i G 2. Z urny, w której jest b kul białych i c czarnych, losuje się w grze (jednocześnie) dwie kule. W grze uczestniczy dwóch graczy: G 1 i G 2. Z urny, w której jest b kul białych i c czarnych, losuje się w grze (jednocześnie) dwie kule. Jeśli obie wylosowane kule są tego samego koloru to zwycięża G

Bardziej szczegółowo

a)dane są wartości zmiennej losowej: 2, 4, 2, 1, 1, 3, 2, 1. Obliczyć wartość średnią i wariancję.

a)dane są wartości zmiennej losowej: 2, 4, 2, 1, 1, 3, 2, 1. Obliczyć wartość średnią i wariancję. Zad Rozkład zmiennej losowej dyskretnej : a)dane są wartości zmiennej losowej: 2, 4, 2,,, 3, 2,. Obliczyć wartość średnią i wariancję. b)oceny z pracy klasowej w tabeli: Ocena 2 3 4 5 6 Liczba uczniów

Bardziej szczegółowo

1. Liczby zespolone. Jacek Jędrzejewski 2011/2012

1. Liczby zespolone. Jacek Jędrzejewski 2011/2012 1. Liczby zespolone Jacek Jędrzejewski 2011/2012 Spis treści 1 Liczby zespolone 2 1.1 Definicja liczby zespolonej.................... 2 1.2 Postać kanoniczna liczby zespolonej............... 1. Postać

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

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną

Bardziej szczegółowo

Działania na przekształceniach liniowych i macierzach

Działania na przekształceniach liniowych i macierzach Działania na przekształceniach liniowych i macierzach Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 5 wykład z algebry liniowej Warszawa, listopad 2013 Mirosław Sobolewski (UW) Warszawa,

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka Biomatematyka W 200-elementowej próbie losowej z diploidalnej populacji wystąpiło 89 osobników genotypu AA, 57 osobników genotypu Aa oraz 54 osobników genotypu aa. Na podstawie tych danych (a) dokonaj

Bardziej szczegółowo

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze

Bardziej szczegółowo

Obliczenia naukowe Wykład nr 6

Obliczenia naukowe Wykład nr 6 Obliczenia naukowe Wykład nr 6 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [1] D. Kincaid, W. Cheney, Analiza

Bardziej szczegółowo

Klasyfikacja metodą Bayesa

Klasyfikacja metodą Bayesa Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo

Bardziej szczegółowo

Rozwiązanie Ad 1. Model zadania jest następujący:

Rozwiązanie Ad 1. Model zadania jest następujący: Przykład. Hodowca drobiu musi uzupełnić zawartość dwóch składników odżywczych (A i B) w produktach, które kupuje. Rozważa cztery mieszanki: M : M, M i M. Zawartość składników odżywczych w poszczególnych

Bardziej szczegółowo

1 Zmienne losowe wielowymiarowe.

1 Zmienne losowe wielowymiarowe. 1 Zmienne losowe wielowymiarowe. 1.1 Definicja i przykłady. Definicja1.1. Wektorem losowym n-wymiarowym(zmienna losowa n-wymiarowa )nazywamywektorn-wymiarowy,któregoskładowymisązmiennelosowex i dlai=1,,...,n,

Bardziej szczegółowo

Przykładowe rozwiązania zadań. Próbnej Matury 2014 z matematyki na poziomie rozszerzonym

Przykładowe rozwiązania zadań. Próbnej Matury 2014 z matematyki na poziomie rozszerzonym Zadania rozwiązali: Przykładowe rozwiązania zadań Próbnej Matury 014 z matematyki na poziomie rozszerzonym Małgorzata Zygora-nauczyciel matematyki w II Liceum Ogólnokształcącym w Inowrocławiu Mariusz Walkowiak-nauczyciel

Bardziej szczegółowo

LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r.

LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r. Komisja Egzaminacyjna dla Aktuariuszy LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

Sympozjum Trwałość Budowli

Sympozjum Trwałość Budowli Sympozjum Trwałość Budowli Andrzej ownuk ROJEKTOWANIE UKŁADÓW Z NIEEWNYMI ARAMETRAMI Zakład Mechaniki Teoretycznej olitechnika Śląska pownuk@zeus.polsl.gliwice.pl URL: http://zeus.polsl.gliwice.pl/~pownuk

Bardziej szczegółowo

LXIII Olimpiada Matematyczna

LXIII Olimpiada Matematyczna 1 Zadanie 1. LXIII Olimpiada Matematyczna Rozwiązania zadań konkursowych zawodów stopnia drugiego 17 lutego 2012 r. (pierwszy dzień zawodów) Rozwiązać w liczbach rzeczywistych a, b, c, d układ równań a

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statystyczna analiza danych Marek Ptak 21 października 2013 Marek Ptak Statystyka 21 października 2013 1 / 70 Część I Wstęp Marek Ptak Statystyka 21 października 2013 2 / 70 LITERATURA A. Łomnicki, Wprowadzenie

Bardziej szczegółowo

Priorytetowy system obsługi zgłoszeń niejednorodnych z mechanizmem odrzucania pakietów opartym o AQM

Priorytetowy system obsługi zgłoszeń niejednorodnych z mechanizmem odrzucania pakietów opartym o AQM Priorytetowy system obsługi zgłoszeń niejednorodnych z mechanizmem odrzucania pakietów opartym o AQM prof. dr hab. Oleg Tikhonenko, dr Marcin Ziółkowski, mgr inż. Jacek Małek Instytut Matematyki, Politechnika

Bardziej szczegółowo

XXXV Egzamin dla Aktuariuszy z 16 maja 2005 r.

XXXV Egzamin dla Aktuariuszy z 16 maja 2005 r. Komisja Egzaminacyjna dla Aktuariuszy XXXV Egzamin dla Aktuariuszy z 6 maja 2005 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 00 minut Warszawa, 6

Bardziej szczegółowo

Ach te trójkąty, czyli dwa interesujące twierdzenia i mnóstwo przemyśleń.

Ach te trójkąty, czyli dwa interesujące twierdzenia i mnóstwo przemyśleń. Ach te trójkąty, czyli dwa interesujące twierdzenia i mnóstwo przemyśleń. Justyna Stefaniak V Liceum Ogólnokształcące Spis treści: 1. Twierdzenie Harcourt a 2. Dowód twierdzenia Harcourt a 3. Twierdzenie

Bardziej szczegółowo

Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.)

Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.) Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. godz. = 76 godz.) I. Funkcja i jej własności.4godz. II. Przekształcenia wykresów funkcji...9 godz. III. Funkcja

Bardziej szczegółowo

Wprowadzenie z dynamicznej optymalizacji

Wprowadzenie z dynamicznej optymalizacji Wprowadzenie z dynamicznej optymalizacji Lukasz Woźny 29 kwietnia 2007 Spis treści 1 Optymalizacja statyczna a optymalizacja dynamiczna 2 1.1 Ekstrema lokalne funkcji wielu zmiennych - statyka...... 2

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

KADD Metoda najmniejszych kwadratów funkcje nieliniowe Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji

Bardziej szczegółowo

Środowisko R Założenie normalności metody nieparametryczne Wykład R4; 4.06.07 Weryfikacja założenia o normalności rozkładu populacji

Środowisko R Założenie normalności metody nieparametryczne Wykład R4; 4.06.07 Weryfikacja założenia o normalności rozkładu populacji Środowisko R Założenie normalności metody nieparametryczne Wykład R4; 4.06.07 Weryfikacja założenia o normalności rozkładu populacji Dane są obserwacje x 1, x 2,..., x n. Czy można założyć, że x 1, x 2,...,

Bardziej szczegółowo

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi.

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi. Grupy. Permutacje 1 1 Definicja grupy Niech G będzie zbiorem. Działaniem na zbiorze G nazywamy odwzorowanie (oznaczane, jak mnożenie, przez ) przyporządkowujące każdej parze uporządkowanej (a, b) G G element

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA A.

RACHUNEK PRAWDOPODOBIEŃSTWA A. RACHUNEK PRAWDOPODOBIEŃSTWA A. Semestr letni 2014. Poniedziałki 12:15-15:00, sala HS. Wykładowca: Ryszard Szekli, pok. 514, konsultacje: poniedziałki 10-12, terminy egzaminów: I termin 18.06.2014, (ŚRODA)

Bardziej szczegółowo

Wykład 1. Przestrzeń Hilberta

Wykład 1. Przestrzeń Hilberta Wykład 1. Przestrzeń Hilberta Sygnały. Funkcje (w języku inżynierów - sygnały) które będziemy rozważali na tym wykładzie będą kilku typów Sygnały ciągłe (analogowe). ) L 2 (R) to funkcje na prostej spełniające

Bardziej szczegółowo

Sposoby prezentacji problemów w statystyce

Sposoby prezentacji problemów w statystyce S t r o n a 1 Dr Anna Rybak Instytut Informatyki Uniwersytet w Białymstoku Sposoby prezentacji problemów w statystyce Wprowadzenie W artykule zostaną zaprezentowane podstawowe zagadnienia z zakresu statystyki

Bardziej szczegółowo

4. O funkcji uwikłanej 4.1. Twierdzenie. Niech będzie dana funkcja f klasy C 1 na otwartym podzbiorze. ϕ : K(x 0, δ) (y 0 η, y 0 + η), taka że

4. O funkcji uwikłanej 4.1. Twierdzenie. Niech będzie dana funkcja f klasy C 1 na otwartym podzbiorze. ϕ : K(x 0, δ) (y 0 η, y 0 + η), taka że 4. O funkcji uwikłanej 4.1. Twierdzenie. Niech będzie dana funkcja f klasy C 1 na otwartym podzbiorze taka że K(x 0, δ) (y 0 η, y 0 + η) R n R, f(x 0, y 0 ) = 0, y f(x 0, y 0 ) 0. Wówczas dla odpowiednio

Bardziej szczegółowo

O średniej arytmetycznej i medianie

O średniej arytmetycznej i medianie MATEMATYKA STOSOWANA TOM 11/5 010 Ryszard Zieliński Warszawa) O średniej arytmetycznej i medianie Streszczenie. Mierząc pewną wielkość μ długość, ciężar, temperaturę...) otrzymujemy wynik X, zwykle różniący

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,

Bardziej szczegółowo

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych. Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać

Bardziej szczegółowo

Plan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym

Plan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym Oznaczenia: wymagania konieczne, P wymagania podstawowe, R wymagania rozszerzające, D wymagania dopełniające, W wymagania wykraczające. Plan wynikowy lasa III Technik pojazdów samochodowych/ Technik urządzeń

Bardziej szczegółowo

1. Ubezpieczenia życiowe

1. Ubezpieczenia życiowe 1. Ubezpieczenia życiowe Przy ubezpieczeniach życiowych mamy do czynienia z jednorazową wypłatą sumy ubezpieczenia. Moment jej wypłaty i wielkość wypłaty może być funkcją zmiennej losowej T a więc czas

Bardziej szczegółowo

TEORIA GIER W EKONOMII WYKŁAD 2: GRY DWUOSOBOWE O SUMIE ZEROWEJ. dr Robert Kowalczyk Katedra Analizy Nieliniowej Wydział Matematyki i Informatyki UŁ

TEORIA GIER W EKONOMII WYKŁAD 2: GRY DWUOSOBOWE O SUMIE ZEROWEJ. dr Robert Kowalczyk Katedra Analizy Nieliniowej Wydział Matematyki i Informatyki UŁ TEORIA GIER W EKONOMII WYKŁAD 2: GRY DWUOSOBOWE O SUMIE ZEROWEJ dr Robert Kowalczyk Katedra Analizy Nieliniowej Wydział Matematyki i Informatyki UŁ Definicja gry o sumie zerowej Powiemy, że jest grą o

Bardziej szczegółowo

Rozkłady dwóch zmiennych losowych

Rozkłady dwóch zmiennych losowych Rozkłady dwóch zmiennych losowych Uogólnienie pojęć na rozkład dwóch zmiennych Dystrybuanta i gęstość prawdopodobieństwa Rozkład brzegowy Prawdopodobieństwo warunkowe Wartości średnie i odchylenia standardowe

Bardziej szczegółowo

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Materiały dydaktyczne na zajęcia wyrównawcze z matematyki dla studentów pierwszego roku kierunku zamawianego Inżynieria i Gospodarka Wodna w ramach projektu Era inżyniera pewna lokata na przyszłość Projekt

Bardziej szczegółowo

Lista 1 - Prawdopodobieństwo

Lista 1 - Prawdopodobieństwo Lista 1 - Prawdopodobieństwo Zadanie 1. Niech A, B, C będą zdarzeniami. Zapisać za pomocą działań na zbiorach następujące zdarzenia: a) zachodzi dokładnie jedno ze zdarzeń A, B, C; b) zachodzą dokładnie

Bardziej szczegółowo

Wykład 2. Wpływ stałej (odejmujemy 20) Liniowa transformacja zmiennych, cd. Liniowa transformacja zmiennych, cd. Liniowa transformacja zmiennych, cd.

Wykład 2. Wpływ stałej (odejmujemy 20) Liniowa transformacja zmiennych, cd. Liniowa transformacja zmiennych, cd. Liniowa transformacja zmiennych, cd. Wykład 2 Wpływ przekształceń Co się stanie ze średnią i odchyleniem standardowym gdy zmienimy jednostki? stopnie Celsiusza stopnie Fahrenheita dolary 1,000 dolarów wartość faktyczna odległość od minimum

Bardziej szczegółowo

Matematyka finansowa 11.10.2004 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r.

Matematyka finansowa 11.10.2004 r. Komisja Egzaminacyjna dla Aktuariuszy. XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r. Komisja Egzaminacyjna dla Aktuariuszy XXXIII Egzamin dla Aktuariuszy - 11 października 2004 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... WERSJA TESTU Czas egzaminu: 100 minut

Bardziej szczegółowo

Potencjał pola elektrycznego

Potencjał pola elektrycznego Potencjał pola elektrycznego Pole elektryczne jest polem zachowawczym, czyli praca wykonana przy przesunięciu ładunku pomiędzy dwoma punktami nie zależy od tego po jakiej drodze przesuwamy ładunek. Spróbujemy

Bardziej szczegółowo

K. Rochowicz, M. Sadowska, G. Karwasz i inni, Toruński poręcznik do fizyki Gimnazjum I klasa Całość: http://dydaktyka.fizyka.umk.

K. Rochowicz, M. Sadowska, G. Karwasz i inni, Toruński poręcznik do fizyki Gimnazjum I klasa Całość: http://dydaktyka.fizyka.umk. 3.2 Ruch prostoliniowy jednostajny Kiedy obserwujemy ruch samochodu po drodze między dwoma tunelami, albo ruch bąbelka powietrza ku górze w szklance wody mineralnej, jest to ruch po linii prostej. W przypadku

Bardziej szczegółowo

Rachunek prawdopodobieństwa

Rachunek prawdopodobieństwa Rachunek prawdopodobieństwa W poniższym zadaniu wykorzystać następujące własności: P (A B = P (A + P (B P (A B, P (A \ B = P (A P (A B. 1. Przy podanych prawdopodobieństwach obliczyć prawdopodobieństwa

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura

Bardziej szczegółowo

Probabilistyczne podstawy statystyki matematycznej. Dr inż. Małgorzata Michalcewicz-Kaniowska

Probabilistyczne podstawy statystyki matematycznej. Dr inż. Małgorzata Michalcewicz-Kaniowska Probabilistyczne podstawy statystyki matematycznej Dr inż. Małgorzata Michalcewicz-Kaniowska 1 Zdarzenia losowe, algebra zdarzeń Do podstawowych pojęć w rachunku prawdopodobieństwa zaliczamy: doświadczenie

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy. XXXIX Egzamin dla Aktuariuszy z 5 czerwca 2006 r. Część I. Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy. XXXIX Egzamin dla Aktuariuszy z 5 czerwca 2006 r. Część I. Matematyka finansowa Komisja Egzaminacyjna dla Aktuariuszy XXXIX Egzamin dla Aktuariuszy z 5 czerwca 006 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Inwestor dokonuje

Bardziej szczegółowo

Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego

Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w

Bardziej szczegółowo

1. Oblicz prawdopodobieństwo zdarzenia, że noworodek wybrany z populacji, w której śmiertelnością rządzi prawo Gompertza

1. Oblicz prawdopodobieństwo zdarzenia, że noworodek wybrany z populacji, w której śmiertelnością rządzi prawo Gompertza 1. Oblicz prawdopodobieństwo zdarzenia, że noworodek wybrany z populacji, w której śmiertelnością rządzi prawo Gompertza x µ x = 06e. dożyje wieku największej śmiertelności (tzn. takiego wieku, w którym

Bardziej szczegółowo

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y.

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. FUNKCJE LICZBOWE Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. Innymi słowy f X Y = {(x, y) : x X oraz y Y }, o ile (x, y) f oraz (x, z) f pociąga

Bardziej szczegółowo

Analiza wariancji. dr Janusz Górczyński

Analiza wariancji. dr Janusz Górczyński Analiza wariancji dr Janusz Górczyński Wprowadzenie Powiedzmy, że badamy pewną populację π, w której cecha Y ma rozkład N o średniej m i odchyleniu standardowym σ. Powiedzmy dalej, że istnieje pewien czynnik

Bardziej szczegółowo

Statystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski

Statystyczna analiza danych w programie STATISTICA (wykład 2) Dariusz Gozdowski Statystyczna analiza danych w programie STATISTICA (wykład ) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Weryfikacja (testowanie) hipotez statystycznych

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5

Bardziej szczegółowo

ALGORYTMY OPTYMALIZACJI wyklad 3.nb 1. Wykład 3. Sformułujemy teraz warunki konieczne dla istnienia rozwiązań zagadnienia optymalizacyjnego:

ALGORYTMY OPTYMALIZACJI wyklad 3.nb 1. Wykład 3. Sformułujemy teraz warunki konieczne dla istnienia rozwiązań zagadnienia optymalizacyjnego: ALGORYTMY OPTYMALIZACJI wyklad 3.nb 1 Wykład 3 3. Otymalizacja z ograniczeniami Sformułujemy teraz warunki konieczne dla istnienia rozwiązań zagadnienia otymalizacyjnego: g i HxL 0, i = 1, 2,..., m (3.1)

Bardziej szczegółowo

Lista 8 Wyrażenia wymierne. Przypomnijmy, że: Jeżeli wykres funkcji przesuniemy o wektor, to otrzymamy wykres funkcji.

Lista 8 Wyrażenia wymierne. Przypomnijmy, że: Jeżeli wykres funkcji przesuniemy o wektor, to otrzymamy wykres funkcji. Lista 8 Wyrażenia wymierne. Zad 1. Narysuj wykres funkcji. Przykład 1:. Przypomnijmy, że: Jeżeli wykres funkcji przesuniemy o wektor, to otrzymamy wykres funkcji. Funkcję nazywamy funkcja podstawową, a

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

ALGEBRA Z GEOMETRIĄ LINIOWA NIEZALEŻNOŚĆ, ROZPINANIE I BAZY

ALGEBRA Z GEOMETRIĄ LINIOWA NIEZALEŻNOŚĆ, ROZPINANIE I BAZY ALGEBRA Z GEOMETRIĄ 1/10 LINIOWA NIEZALEŻNOŚĆ, ROZPINANIE I BAZY Piotr M. Hajac Uniwersytet Warszawski Wykład 10, 11.12.2013 Typeset by Jakub Szczepanik. Geometryczne intuicje Dla pierścienia R = R mamy

Bardziej szczegółowo

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone Rozdział 4 Ciągi nieskończone W rozdziale tym wprowadzimy pojęcie granicy ciągu. Dalej rozszerzymy to pojęcie na przypadek dowolnych funkcji. Jak zauważyliśmy we wstępie jest to najważniejsze pojęcie analizy

Bardziej szczegółowo

Metody analizy funkcji przeżycia

Metody analizy funkcji przeżycia Metody analizy funkcji przeżycia Page 1 of 26 1. 1.1. Analiza czasu przeżycia Badamy czas T jaki musi upłynąć, by nastąpiło pewne interesujące nas zdarzenie. Najbardziej typowym przykładem takiej analizy

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek: 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd

Bardziej szczegółowo

Wykład 14 Test chi-kwadrat zgodności

Wykład 14 Test chi-kwadrat zgodności Wykład 14 Test chi-kwadrat zgodności Obserwacje klasyfikujemy do jakościowych klas Zliczamy liczbę obserwacji w każdej klasie Jeżeli są tylko dwie klasy, to liczba obserwacji w pierszej klasie ma rozkład

Bardziej szczegółowo