P ( i I A i) = i I P (A i) dla parami rozłącznych zbiorów A i. F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) = 1.
|
|
- Jan Sawicki
- 7 lat temu
- Przeglądów:
Transkrypt
1 Podstawy teorii miary probabilistyczej. Zbiory mierzale σ ciało zbiorów Załóżmy, że mamy jakiś zbiór Ω. Niech F będzie taką rodzią podzbiorów Ω, że: Ω F A F A F i I A i F i I A i F Wtedy rodzię F azywamy σ ciałem zbiorów. Gdy daa jest pewa rodzia A podzbiorów zbioru Ω, σ ciałem geerowaym przez tą rodzię, azywamy ajmiejsze (w sesie zawieraia) σ ciało zawierające A i ozaczamy σ(a). Moża udowodić, że σ(a) jest przekrojem wszystkich σ ciał zawierających A. Gdy A ma elemetów i są oe parami rozłącze, oraz spełiają waruek i= A i = Ω to σ(a) ma elemetów.. Zbiory borelowskie Niech Ω =. Wówczas σ ciało geerowae przez wszystkie zbiory otwarte zawarte w ozaczmy przez B() i azywamy rodzią zbiorów borelowskich. odzia ta zawiera w szczególości wszystkie przedziały (a, b). Fukcję f : azywamy fukcją borelowską, gdy przeciwobrazy zbiorów postaci (, a) są borelowskie. W szczególości wszystkie fukcje ciągłe, są borelowskie (ale ie wszystkie fukcje borelowskie są ciągłe)..3 Miara probabilistycza Niech day będzie pewie zbiór Ω i σ ciało F. Fukcję P : F +, spełiającą: P ( ) = 0, P ( i I A i) = i I P (A i) dla parami rozłączych zbiorów A i. azywamy miarą. Jeśli dodatkowo spełioy jest waruek: P (X) = to P azywamy miarą probabilistyczą lub prawdopodobieństwem. Trójkę (Ω, F, P ) azywamy przestrzeią probabilistyczą. ozkład prawdopodobieństwa. ozkład dyskrety Niech (X, F, P ) będzie przestrzeią probabilistyczą. Mówimy, że rozkład prawdopodobieństwa P jest dyskrety, jeśli istieje co ajwyżej przeliczaly zbiór A F taki, że P (A) =.. Dystrybuata rozkładu prawdopodobieństwa ozpatrzmy przestrzeń probabilistyczą (, B(), P ). Fukcję F :, daą wzorem: F (t) = P ((, t)) azywamy dystrybuatą rozkładu P. Dystrybuata posiada astępujące własości: t 0 F (t), F jest lewostroie ciągła, F jest iemalejąca, F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) =. Pukty ieciągłości (pukty skokowe) F są tzw. ośikami prawdopodobieństwa tz. prawdopodobieństwo każdego takiego puktu jest iezerowe. Jeśli rozkład prawdopodobieństwa jest dyskrety, to dystrybuata jest poadto stała między puktami skokowymi..3 ozkład ciągły Mówimy, że miara probabilistycza P określoa a (, B()) jest typu ciągłego, gdy istieje fukcja f :, taka, że P (A) = f(x)dx dla dowolego A B(). Fukcję f azywamy gęstością miary P. A
2 Własości gęstości miary probabilistyczej f(x)dx =, f(x) 0 prawie wszędzie (czyli zbiór puktów w których to ie jest prawda, ma miarę rówą 0). Każda fukcja f : która spełia te własości jest gęstością pewego rozkładu prawdopodobieństwa. Niech f będzie gęstością, a F dystrybuatą. Wtedy zachodzi: F (x) = P ((, x)) = x f(t)dt Dystrybuata rozkładu typu ciągłego jest fukcją ciągłą. W puktach ciągłości f istieje pochoda dystrybuaty i zachodzi: f(x) = F (x). Uwaga. Nie każda ciągła dystrybuata jest dystrybuatą rozkładu typu ciągłego. Istieją rozkłady które ie są ai ciągłe ai dyskrete. 3 Zmiea losowa Zmieą losową azywamy dowolą fukcję X : Ω taką, że x ω : X(ω) < x} F. W przypadku gdy F = Ω, dowola fukcja X : Ω jest zmieą losową. 3. Defiicje podstawowe Niech daa będzie przestrzeń probabilistycza (Ω, F, P ), oraz pewa zmiea losowa X. Wówczas fukcja P X (A) = P (X (A)) jest miarą probabilistyczą, oraz (, B(), P X ) jest przestrzeią probabilistyczą. Miarę P X azywamy prawdopodobieństwem geerowaym przez zmieą losową X. Mając miarę P X odpowiadającą pewej zmieej losowej X możemy więc zdefiiować pojęcie dystrybuaty zmieej losowej. Dystrybuatą zmieej losowej X azywamy fukcję F X : daą wzorem : 3. Dyskreta zmiea losowa F X (t) = P X ((, t)) = P (X (, t)) = P (X < t). Zmieą losową X azywamy zmieą typu dyskretego, gdy istieje co ajwyżej przeliczaly zbiór B B(), taki, że P X (B) =. 3.3 Ciągła zmiea losowa Zmieą losową X zmieą typu ciągłego, gdy istieje gęstość rozkładu prawdopodobieństwa P X. 3.4 Fukcja zmieej losowej Jeśli X jest zmieą losową, a g fukcją borelowską, to złożeie Y = g X jest rówież zmieą losową. Poadto zachodzi: P Y (B) = P g X (B) = P (ω : g(x(ω)) B}) = P (ω : X(ω) g (B)}) = P X (g (B)) Poadto jeśli X jest typu ciągłego to mamy: F Y (y) = x:g(x)<y} f X (x)dx. Jeśli dodatkowo, wiemy że g jest różiczkowala i ściśle rosąca (g (x) 0), to: oraz F Y (y) = y g ( ) (g (t)) f X (g (t))dt f Y (y) = f X (g (y))(g (y)) = f X (g (y)) g (g (y)). 3.5 Niezależe zmiee losowe Zmiee losowe X, X,..., X są iezależe jeżeli dla dowolych zbiorów borelowskich B, B,..., B zachodzi: P (X = B X = B... X = B ) = P (X = B )P (X = B ) P (X = B ) Wzór poday jest a kilka sposobów stosuje się zamieie kilka rówoważych form zapisu.
3 3.6 Charakterystyki zmieych losowych 3.6. Wartość oczekiwaa Wartością oczekiwaą zmieej losowej X azywamy liczbę EX. W przypadku, gdy X jest zmieą typu ciągłego wartość oczekiwaa ma wartość: EX = i I x i p i. o ile szereg jest bezwzględie zbieży (jeśli ie jest to EX ie istieje). W przypadku, gdy X jest zmieą typu ciągłego o gęstości f, wartość oczekiwaa wyraża się wzorem: EX = xf(x)dx i istieje, gdy całka jest zbieża. Własości wartości oczekiwaej X 0 EX 0 EX E X dla a, b zachodzi E(aX + by ) = aex + bey dla a zachodzi Ea = a E(X EX) = 0 E(XY ) = EX EY, gdy X i Y są iezależe Wartość oczekiwaa z fukcji zmieej losowej Jeśli ϕ jest fukcją borelowską, a zmiea losowa X jest typu dyskretego, to: Eϕ(X) = ϕ(x i )P (X = x i ) i I a gdy X jest typu ciągłego, o gęstości f, to: Eϕ(X) = ϕ(x)f(x)dx 3.6. Wariacja Wariacją zmieej losowej X azywamy liczbę V ar(x) daą wzorem: V ar(x) = EX (EX). W przypadku zmieej losowej X typu dyskretego zachodzi wzór: V ar(x) = i I (x i EX) p i. Własości wariacji V ar(x) 0 V ar(cx) = c V ar(x) dla c V ar(x + c) = V ar(x) V ar(x) = 0 c P (X = c) = V ar(x ± Y ) = V ar(x) + V ar(y ) gdy X i Y są iezależe Liczbę V arx azywa się czasem odchyleiem stadardowym i ozacza przez σ(x) Kowariacja i współczyik korelacji Niech X, Y będą zmieymi losowymi. Liczbę cov(x, Y ) = E[(X EX)(Y EY )] azywamy kowariacją zmieych X i Y. Kowariację możemy wyliczyć rówież ze wzoru: cov(x, Y ) = EXY EXEY. Zauważmy, że gdy X = Y to cov(x, Y ) = cov(x, X) = V ar(x). TW. cov(x, Y ) V ar(x)v ar(y ) Poadto zachodzi: cov(ax +b, cy +d) = ac cov(x, Y ), cov(a X +a X, a 3 X 3 +a 4 X 4 ) = 4 i= j=3 a ia j cov(x i, X j ). cov(x,y ) Liczbę ρ(x, Y ) = azywamy współczyikiem korelacji zmieych X i Y. V ar(x)v ar(y ) Gdy ρ(x, Y ) = 0, to mówimy, że zmiee są ieskorelowae. Gdy ρ(x, Y ) = ± to P (X = ay +b) = dla pewych a, b. 3
4 3.6.4 Ie charakterystyki liczbowe Zmiea typu dyskretego Momet zwykły rzędu r α r = EX r = i I xr i p i Momet cetraly rzędu r µ r = E(X α ) r = i I (x i α ) r p i Mediaa każda liczba x 0,5 spełiająca waruki F (x 0,5 ) 0, 5 lim x x0,5 F (x); x i<x 0,5 p i 0, 5 x i x 0,5 p i Kwatyl rzędu p każda liczba x p, 0 < p < spełiająca waruki F (x p ) p lim x xp F (x); x i<x p p i p x i x p p i Domiata m 0 pukt skokowy x k, róży od mi(x i ) i max(x i ), dla którego p(x k ) osiąga maksimum absolute. Zmiea typu ciągłego Momet zwykły rzędu r α r = EX r = xr f(x)dx Momet cetraly rzędu r µ r = E(X α ) r = (x α ) r f(x)dx Mediaa F (x 0,5 ) = 0, 5 Kwatyl rzędu p F (x p ) = p Domiata m 0 odcięta maksimum absolutego gęstości. 3.7 Fukcja charakterystycza Fukcją charakterystyczą zmieej losowej X azywamy fukcję zespoloą ϕ: C daą wzorem ϕ(t) = Ee itx. W przypadku gdy X jest zmieą losową typu dyskretego, fukcja charakterystycza wyraża się wzorem: ϕ(t) = k p k e itx k W przypadku ciągłej zmieej losowej X o gęstości f mamy atomiast: e itx f(x)dx Własości fukcji charakterystyczej. ϕ(0) =.. t ϕ(t) = ϕ( t), gdzie ϕ( t) ozacza liczbę zespoloą sprzężoą z ϕ( t). 3. t ϕ(t). 4. ϕ jest fukcją jedostajie ciągłą (co w szczególości ozacza, że jest oa ciągła). 5. ϕ jest fukcją rzeczywistą rozkład zmieej losowej X jest symetryczy względem x = Jeśli ϕ X (t) jest fukcją charakterystyczą zmieej losowej X to, fukcją charakterystyczą zmieej Y = ax+b jest fukcja ϕ Y (t) = e itb ϕ X (at). 7. Jeżeli istieje k-ty momet zmieej losowej X o fukcji charakterystyczej ϕ, to ϕ jest k-krotie różiczkowala i zachodzi związek α k = EX k = i k ϕ (k) (0) 8. Fukcja charakterystycza skończoej sumy iezależych zmieych losowych rówa się iloczyowi fukcji charakterystyczych tych zmieych. TW. Niech F będzie dystrybuatą, zaś ϕ fukcją charakterystyczą zmieej losowej X. Wtedy:. Dla a < b takich że, F jest ciągła (w tych puktach) zachodzi lim π e ita e itb ϕ(t)dt = F (b) F (a) it. Jeśli poadto ϕ(t) dt +, to X ma rozkład typu ciągłego, o gęstości f(x) = π e itx ϕ(t)dt. Wiosek. Fukcja charakterystycza jedozaczie wyzacza rozkład zmieej losowej. TW. Jeśli ϕ jest fukcją charakterystyczą zmieej losowej X, okresową o okresie T = π, to X jest zmieą typu dyskretego o wartościach całkowitych oraz P (X = k) = π π π e itk ϕ(t)dt, k Z. 4
5 4 Katalog zmieych losowych 4. Dyskrete ówomiery p i = EX = x+...+x Jedopuktowy P (x 0 ) = EX = x 0 V ar(x) = 0 ϕ(t) = e ita Zero-jedykowy P () = p, P (0) = p = q EX = p V ar(x) = pq ϕ(t) = pe it + q Dwumiaowy (Berouliego) Ozaczeie: B(, p), -liczba prób, p- prawdopodobieństwo sukcesu, P (k) = ( ) k p k q k EX = p V ar(x) = pq ϕ(t) = (pe it + q) Poissoa Ozaczeie: P(λ) Parametr: λ > 0 λ λk P (k) = e k! dla k N EX = λ V ar(x) = λ ϕ(t) = e λ(eit ) Geometryczy Ozaczeie: Geom(p). P () = p, P (0) = p EX = p V ar(x) = p p ϕ(t) = pe it ( p)e it 4. Ciągłe Jedostajy(rówomiery) J((a, b)), gdzie (a, b) przedział x+a b a dla a x b F (x) = 0 dla x < a dla x > b EX = b a b a V ar(x) = (b a) dla a x b 0 dla pozostałych x Dla J((0, a)): ϕ(t) = eiat iat Dla J(( a, a)): ϕ(t) = Wykładiczy si at at Parametr λ > 0 e λx dla x 0 F (x) = 0 dla x < 0 λe λx dla x 0 0 dla pozostałych x ϕ(t) = λ +t Gamma Beta Ozaczeie: Γ(p, α) α p Γ(p) xp e αx dla x > 0 0 dla pozostałych x gdzie Γ(p) = x p e x dx, =,, 3,..., Γ() = 0 ( )! ϕ(t) = ( it α ) p Uwaga: Γ(, α) to rozkład wykładiczy. Uwaga: Γ(, ) to tak zway rozkład χ (chi kwadrat) z stopiami swobody. Parametry: p, q > 0 β(p,q) xp ( x) q x (0, ) 0 w p.p. β(p, q) := Γ(p)Γ(q) Γ(p+q) Laplace a Parametr λ > 0 λ e λ x dla x 5
6 Normaly (Gaussowski) Ozaczeie N(p, σ ), N(0, ) azywamy stadardowym. F (x) = t (t) e dt π = Φ(x) σ π EX = m V ar(x) = σ (x m) e σ dla x Dla stadardowego: ϕ(t) = e t Cauchy ego Parametry θ, λ F (x) = + π arcta ( x θ λ πλ[+( x θ λ ) )] ϕ(t) = e t Wartość oczekiwaa i wariacja są iezdefiiowae ie istieją gdyż całki rozbiegają do ieskończoości. Uwaga. Jeśli X i Y mają stadardowy rozkład ormaly to zmiea X/Y ma rozkład Cauchy ego z parametrami θ = 0 i λ = ) 5 Zmiee losowe wielowymiarowe Wektorem losowym lub zmieą losową wielowymiarową azywamy dowolą fukcję X : Ω, która spełia waruek: B B( )X (B) F, czyli przeciwobraz dowolego zbioru borelowskiego z przestrzei musi ależeć do σ ciała. Każdą fukcję wielowymiarową X : Ω możemy przestawić w postaci: X = (X, X,..., X ), gdzie dla każdego i X i : Ω. Fukcja X jest zmieą losową wielowymiarową każde X i jest ( zwykłą ) zmieą losową. Odwzorowaie ϕ: m azywamy fukcją borelowską gdy przeciwobrazy zbiorów borelowskich z m są zbiorami borelowskim w. Złożeie ϕ X, gdzie X wektor losowy a ϕ fukcja borelowska, jest też wektorem losowym. Wektor losowy jest wektorem typu dyskretego, gdy istieje taki co ajwyżej przeliczaly zbiór B borelowski, że P X (B) =. Wektor losowy jest wektorem typu ciągłego, gdy istieje fukcja f taka, że P X (B) =... f(x)dx, dla dowolego B B borelowskiego. Fukcję tą azywamy gęstością (musi oa spełiać dodatkowe waruki, o czym iżej). 5. Dystrybuata Gdy X : Ω jest wektorem losowym, dystrybuata ma postać: F :, F (t, t,..., t ) = P X ((, t ) (, t )... (, t )). W przypadku gdy = mamy: F (x, y) = P (X < x, Y < y) dla(x, y). Własości Jest lewostroie ciągła i iemalejąca ze względu a każdą zmieą z osoba. x lim y F (x, y) = 0, y lim x F (x, y) = 0 lim x,y F (x, y) = Dla dowolych puktów (x, y ), (x, y ) takich, że x x i y y zachodzi ierówość F (x, y ) F (x, y ) F (x, y ) + F (x, y ) 0 5. Gęstość Własości P X (B) =... B f(x)dx F (t, t,..., t ) = t... t f(t, t,..., t )dt dt... dt f(x, y)dxdy = w puktach ciągłości: f(x,..., x ) = F x(x,...,x ) x... x. Niezależość zmieych: (x,y) F (x, y) = F X (x)f Y (y) lub f(x, y) = f X (x)f Y (y) Zbiory borelowskie w, to σ ciało zbiorów zawierające wszystkie zbiory otwarte z tej przestrzei. Geerowae jest p. przez wszystkie otwarte kostki (iloczyy kartezjańskie przedziałów otwartych). 6
7 5.3 ozkład brzegowy Niech X : Ω wektor losowy o dystrybuacie F. Wówczas fukcje F X (x) = lim y F (x, y) oraz F Y (y) = lim x F (x, y) są dystrybuatami rozkładów a. ozkłady te azywamy brzegowymi. Jeśli dodatkowo wektor losowy posiada gęstość f, to fukcje f X (x) = f(x, y)dy oraz f Y (y) = f(x, y)dx są gęstościami rozkładów brzegowych a. 5.4 Parametry liczbowe Wartość oczekiwaa Jeśli X = (X, X,..., X ) jest wektorem losowym, to wektor liczb (EX, EX,..., EX ) azywamy wartością średią (oczekiwaą) wektora X. Jest oa określoa jeśli wszystkie wartości oczekiwae EX i istieją. Jeśli ϕ: fukcja borelowska, oraz X wektor losowy typu ciągłego, to Eϕ(X) = ϕ(x)f(x)dx. 5.5 Przykłady Gęstości sumy, iloczyu, ilorazu zmieych losowych:. U = X + Y : k (u) = f(x, u x)dx; gdy X, Y -iezależe: k (u) = f (x)f (u x)dx. U = XY : k (u) = f(x, u x ) x dx; gdy X, Y -iezależe: k (u) = f (x)f ( u x ) x dx 3. U = X Y : k (u) = f(uy, y) y dy; gdy X, Y -iezależe: k (u) = f (uy)f (y) y dy Dwuwymiarowy rozkład ormaly f(x, y) = ma gęstość daą wzorem: πσ σ exp [ (x µ ) ρ ( ρ ) σ ρ (x µ )(y µ ) + (y µ ) ]} σ σ σ dla (x, y) gdzie: µ = EX, µ = EY, σ = D X > 0, σ = D Y > 0, ρ współczyik korelacji zm.los. X i Y, przy czym ρ <. 6 Zbieżość ciągów zmieych losowych. Zbieżość z prawdopodobieństwem (prawie a pewo, prawie wszędzie): P (ω : lim if X (ω) X(ω)}) =. z pr. Ozaczeie: X X. (p..). Zbieżość według prawdopodobieństwa: ɛ>0 lim P (ω : X (ω) X(ω) ɛ}) = 0. Ozaczeie: X wg pr. (P ) X. 3. Zbieżość według dystrybuat (zbieżość względem rozkładu, słabo zbieży) ciąg dystrybuat F jest zbieży D do dystrybuaty F w każdym pukcie ciągłości F. Ozaczeie: X X. (s) odzaje zbieżości wymieioe są od ajsiliejszej do ajsłabszej. Ze zbieżości z prawdopodobieństwem wyika zbieżość według prawdopodobieństwa, a z iej wyika zbieżość według dystrybuat. Następujące waruki są rówoważe ze zbieżością z prawdopodobieństwem : ɛ>0 lim k =k X X < ɛ} = ɛ>0 lim k =k X X ɛ} = 0 6. Twierdzeie o ciągłości Ciąg (X ) jest zbieży według rozkładu do X wtedy i tylko wtedy, gdy ciąg fukcji charakterystyczych ϕ jest zbieży w każdym pukcie do fukcji ciągłej ϕ. Takie ϕ jest fukcją charakterystyczą zmieej X. 7
8 7 Prawa wielkich liczb i twierdzeia graicze Słabe prawo wielkich liczb. k= (X k m k ) Niech X będzie ciągiem zmieych losowych, m k = EX k, S = k= X. Jeżeli ciąg zbiega według prawdopodobieństwa do 0 to mówimy, że X spełia słabe prawo wielkich liczb (SPWL). Waruek z defiicji moża rówoważie zapisać: ɛ>0 lim P ( S ES ɛ) = 0. Tw. Czebyszewa Ciąg iezależych zmieych losowych X spełia SPWL, gdy istieją wartości oczekiwae E(X i ) i wariacje σ i zmieych X i istieją i są wspólie ograiczoe (tz. σ V ar(s ) σ ). Tw. Markowa Ciąg zmieych losowych X spełia SPWL, gdy istieją wartości oczekiwae E(X i ) i wariacje σ i zmieych X i oraz lim V ar(s ) = 0. Wiosek Jeśli X ciąg iezależych zmieych losowych o jedakowym rozkładzie, dla którego istieje wariacja, to ciąg te spełia SPWL. Tw. Chiczya Ciąg iezależych zmieych losowych o jedakowych rozkładach i wspólej wartości oczekiwaej spełia SPWL. Moce prawo wielkich liczb. X jest ciągiem zmieych losowych, m k = EX k. Ciąg X spełia moce prawo k= (X k m k ) wielkich liczb (MPWL), gdy ciąg zbiega do 0 z prawdopodobieństwem jede. Uwaga. Jeśli ciąg spełia MPWL to spełia też SPWL. Tw. Kołomogorowa Jeśli X spełia MPWL. są iezależe, V ar(x ) istieją oraz szereg = V ar(x) jest zbieży, to (X ) Wiosek Jeśli (X ) jest ciągiem iezależych zmieych losowych o jedakowym rozkładzie i V ar(x ) = σ < +, to X spełia MPWL. Wiosek Jeśli X spełia założeia tw. Czybyszewa to spełia MPWL. Cetrale twierdzeie graicze Lideberga-Levy ego. Jeżeli X } jest losowym ciągiem iezależych zmieych o jedakowym rozkładzie, o wartości przeciętej α i skończoej wariacji σ > 0, to ciąg (F ) dystrybuat stadaryzowaych średich arytmetyczych X (stadaryzowaych sum i= X i) Y = X α σ zbieży do dystrybuaty Φ rozkładu N(0, ): lim F (y) = π y e t dt Φ(y) = i= Xi α σ jest 8
1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoKurs Prawdopodobieństwo Wzory
Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. WYKŁAD 0 (powt. wiadomości z r. p-stwa)
STATYSTYKA MATEMATYCZNA WYKŁAD 0 (powt. wiadomości z r. p-stwa) Literatura M. Cieciura, J. Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 005 R.Leiter, J.Zacharski, "Zarys
Bardziej szczegółowoWykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.
Rachuek prawopoobieństwa MA064 Wyział Elektroiki, rok aka 2008/09, sem leti Wykłaowca: r hab A Jurlewicz Wykła 3: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoZestaw zadań do skryptu z Teorii miary i całki. Katarzyna Lubnauer Hanna Podsędkowska
Zestaw zadań do skryptu z Teorii miary i całki Katarzya Lubauer Haa Podsędkowska Ciała σ - ciała. Zbadaj czy rodzia A jest ciałem w przestrzei X=[0] a) A = X 0 b) A = X 0 3 3 c) A = { X { }{}{ 0}{ 0 }
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoTrzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w
Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 11
RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 6.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Własości rozkładu ormalego Cetrale twierdzeie graicze Fukcja charakterystycza
Bardziej szczegółowoθx θ 1, dla 0 < x < 1, 0, poza tym,
Zadaie 1. Niech X 1,..., X 8 będzie próbą z rozkładu ormalego z wartością oczekiwaą θ i wariacją 1. Niezay parametr θ jest z kolei zmieą losową o rozkładzie ormalym z wartością oczekiwaą 0 i wariacją 1.
Bardziej szczegółowoWykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.
Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej 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 szczegółowoWykład z Rachunku Prawdopodobieństwa II
Matematyka stosowaa Wykład z Rachuku Prawdopodobieństwa II Adam Osękowski ados@mimuw.edu.pl http://www.mimuw.edu.pl/~ados Uiwersytet Warszawski, 2011 Streszczeie. Celem iiejszego skryptu jest wprowadzeie
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoLista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że
Bardziej szczegółowoZadanie 3. ( ) Udowodnij, że jeśli (X n, F n ) jest martyngałem, to. X i > t) E X n. . t. P(sup
Szkice rozwiązań zadań z serii dwuastej oraz części zadań z kartkówki. Zadaie 1. Niech (X, F ) będzie martygałem. Czy X jest domykaly, jeśli ciąg EX l X jest zbieży? X jest zbieży prawie a pewo? X jest
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
Bardziej szczegółowoP = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +
Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
TATYTYKA MATEMATYCZNA ROZKŁADY PODTAWOWYCH TATYTYK zmiea losowa odpowiedik badaej cechy, (,,..., ) próba losowa (zmiea losowa wymiarowa, i iezależe zmiee losowe o takim samym rozkładzie jak (taką próbę
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowo1 Dwuwymiarowa zmienna losowa
1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla
Bardziej szczegółowoStatystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 23 kwietnia Oznaczenia i definicje 3
Spis treści Ozaczeia i defiicje 3 Wioskowaie statystycze 3. Statystyki dostatecze................................................. 3.. Rodzia rozkładów wykładiczych......................................
Bardziej szczegółowoSzeregi liczbowe. Szeregi potęgowe i trygonometryczne.
Szeregi iczbowe. Szeregi potęgowe i trygoometrycze. wykład z MATEMATYKI Automatyka i Robotyka sem. I, rok ak. 2008/2009 Katedra Matematyki Wydział Iformatyki Poitechika Białostocka Szeregi iczbowe Defiicja..
Bardziej szczegółowoStatystyka i rachunek prawdopodobieństwa
Statystyka i rachuek prawdopodobieństwa Filip A. Wudarski 22 maja 2013 1 Wstęp Defiicja 1. Statystyka matematycza opisuje i aalizuje zjawiska masowe przy użyciu metod rachuku prawdopodobieństwa. Defiicja
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej 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 szczegółowoMACIERZE STOCHASTYCZNE
MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:
Bardziej szczegółowoa 1, a 2, a 3,..., a n,...
III. Ciągi liczbowe. 1. Defiicja ciągu liczbowego. Defiicja 1.1. Ciągiem liczbowym azywamy fukcję a : N R odwzorowującą zbiór liczb aturalych N w zbiór liczb rzeczywistych R i ozaczamy przez { }. Używamy
Bardziej szczegółowoZADANIA NA ĆWICZENIA 3 I 4
Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoI. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n
I. Ciągi liczbowe Defiicja 1. Fukcję określoą a zbiorze liczb aturalych o wartościach rzeczywistych azywamy ciągiem liczbowym. Ciągi będziemy ozaczać symbolem a ), gdzie a ozacza -ty wyraz ciągu a ). Defiicja.
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoAnaliza numeryczna. Stanisław Lewanowicz. Aproksymacja funkcji
http://www.ii.ui.wroc.pl/ sle/teachig/a-apr.pdf Aaliza umerycza Staisław Lewaowicz Grudzień 007 r. Aproksymacja fukcji Pojęcia wstępe Defiicja. Przestrzeń liiową X (ad ciałem liczb rzeczywistych R) azywamy
Bardziej szczegółowoOperatory zwarte Lemat. Jeśli T jest odwzorowaniem całkowym na przestrzeni Hilberta X = L 2 (Ω) z jądrem k L 2 (M M)
Operatory zwarte Niech X będzie przestrzeią Baacha. Odwzorowaie liiowe T azywa się zwarte, jeśli obraz kuli jedostkowej T (B) jest zbiorem warukowo zwartym. Przestrzeń wszystkich operatorów zwartych a
Bardziej szczegółowoStatystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 11 czerwca Oznaczenia i definicje 4
Spis treści Ozaczeia i defiicje 4 Wioskowaie statystycze 4. Statystyki dostatecze................................................. 4.. Rodzia rozkładów wykładiczych......................................
Bardziej szczegółowoZADANIA Z TOPOLOGII I. PRZESTRZENIE METRYCZNE. II. ZBIORY OTWARTE I DOMKNIĘTE.
ZADANIA Z TOPOLOGII I. PRZESTRZENIE METRYCZNE. 1. Niech (X, ρ) będzie przestrzeią metryczą zaś a liczbą rzeczywistą dodatią. Wykaż, że fukcja σ: X X R określoa wzorem σ(x, y) = mi {ρ(x, y), a} jest metryką
Bardziej szczegółowoModele probabilistyczne zjawisk losowych
Statystyka-matematycza-II Wykład Modele probabilistycze zjawisk losowych Pojęcia podstawowe: Zdarzeia elemetare: ajprostsze zdarzeie mogące być wyróżioe dla daego doświadczeia losowego. Ω - zbiór zdarzeń
Bardziej szczegółowoSTATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2
STATYSTYKA Rafał Kucharski Uiwersytet Ekoomiczy w Katowicach 2015/16 ROND, Fiase i Rachukowość, rok 2 Rachuek prawdopodobieństwa Rzucamy 10 razy moetą, dla której prawdopodobieństwo wyrzuceia orła w pojedyczym
Bardziej szczegółowoEstymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7
Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 2B, lato 2015/16
Egzami,.6.6, godz. 9:-: Zadaie. puktów) Wyzaczyć wszystkie rozwiązaia rówaia z i w liczbach zespoloych. Zapisać wszystkie rozwiązaia w postaci kartezjańskiej bez używaia fukcji trygoometryczych) oraz zazaczyć
Bardziej szczegółowoTrochę zadań kombinatorycznych. 1. na ile sposobów można siedmiu stojących na peronie pasażerów umieścić w trzech wagonach?
Trochę zadań kombiatoryczych 1. a ile sposobów moża siedmiu stojących a peroie pasażerów umieścić w trzech wagoach? 2. Na szachowicy o wymiarach umieszczamy 8 ierozróżialych wież szachowych tak aby żade
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowoWektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Wektory Fukcje rzeczywiste wielu zmieych rzeczywistych Matematyka Studium doktorackie KAE SGH Semestr leti 2008/2009 R. Łochowski Wektory pukty w przestrzei R Przestrzeń R to zbiór uporządkowaych -ek liczb
Bardziej szczegółowoRozkłady statystyk z próby Twierdzenia graniczne
Rozkłady statystyk z róby Twierdzeia graicze PRÓBA LOSOWA Próbą losową rostą azyway ciąg -zieych losowych iezależych i osiadających jedakowe rozkłady takie jak rozkład zieej losowej w oulacji geeralej
Bardziej szczegółowoAnaliza matematyczna. Robert Rałowski
Aaliza matematycza Robert Rałowski 6 paździerika 205 2 Spis treści 0. Liczby aturale.................................... 3 0.2 Liczby rzeczywiste.................................... 5 0.2. Nierówości...................................
Bardziej szczegółowo1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,
1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =
Bardziej szczegółowooznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:
Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:
Bardziej szczegółowoWykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy
Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej
Bardziej szczegółowo0.1 Statystyczne Podstawy Modelu Regresji
0.1 Statystycze Podstawy Modelu Regresji iech daa będzie przestrzeń probabilistycza (Ω, F, P ). Fukcję X : Ω R, określoą a przestrzei zdarzeń elemetarych Ω, o wartościach rzeczywistych, takich że x R {ω
Bardziej szczegółowo0.1 ROZKŁADY WYBRANYCH STATYSTYK
0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoEkonomia matematyczna - 1.1
Ekoomia matematycza - 1.1 Elemety teorii kosumeta 1. Pole preferecji Ozaczmy R x x 1,...,x : x j 0 x x, x j1 j. R rozpatrujemy z ormą x j 2. Dla x x 1,...,x,p p 1,...,p Ip x, p x j p j x 1 p 1 x 2 p 2...x
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoZadania z analizy matematycznej - sem. I Szeregi liczbowe
Zadaia z aalizy matematyczej - sem. I Szeregi liczbowe Defiicja szereg ciąg sum częściowyc. Szeregiem azywamy parę uporządkowaą a ) S ) ) ciągów gdzie: ciąg a ) ciąg S ) jest day jest ciągiem sum częściowych
Bardziej szczegółowoFunkcja generująca rozkład (p-two)
Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
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 szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowo7 Liczby zespolone. 7.1 Działania na liczbach zespolonych. Liczby zespolone to liczby postaci. z = a + bi,
7 Liczby zespoloe Liczby zespoloe to liczby postaci z a + bi, gdzie a, b R. Liczbę i azywamy jedostką urojoą, spełia oa waruek i 2 1. Zbiór liczb zespoloych ozaczamy przez C: C {a + bi; a, b R}. Liczba
Bardziej szczegółowoWzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Wzór Taylora Szeregi potęgowe Matematyka Studium doktorackie KAE SGH Semestr leti 8/9 R. Łochowski Graica fukcji w pukcie Niech f: R D R, R oraz istieje ciąg puktów D, Fukcja f ma w pukcie graicę dowolego
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 7.04.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoZadania z rachunku prawdopodobieństwa I* Siedmiu pasażerów przydzielono losowo do trzech wagonów. Jakie jest prawdopodobieństwo
Zadaia z rachuku prawdopodobieństwa I* - 1 1. Grupę dzieci ustawioo w sposób losowy w szereg. Oblicz prawdopodobieństwo tego, że a) Jacek i Agatka stoją koło siebie, b) Jacek, Placek i Agatka stoją koło
Bardziej szczegółowoMODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty
MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 2: RENTY. PRZEPŁYWY PIENIĘŻNE. TRWANIE ŻYCIA 1. Rety Retą azywamy pewie ciąg płatości. Na razie będziemy je rozpatrywać bez żadego związku z czasem życiem człowieka.
Bardziej szczegółowoMateriały do ćwiczeń z Analizy Matematycznej I
Materiały do ćwiczeń z Aalizy Matematyczej I 08/09 Maria Frotczak Ludwika Kaczmarek Katarzya Klimczak Maria Michalska Beata Osińska-Ulrych Tomasz Rodak Adam Różycki Grzegorz Skalski Staisław Spodzieja
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoLiczebnośd (w tys.) n
STATYSTYKA Statystyka bada prawidłowości w zjawiskach masowych (tz. takich, które mogą występowad ieograiczoą ilośd razy). Przedmiotem badao statyki są zbiory (populacje), których elemetami są wszelkiego
Bardziej szczegółowo3. Funkcje elementarne
3. Fukcje elemetare Fukcjami elemetarymi będziemy azywać fukcję tożsamościową x x, fukcję wykładiczą, fukcje trygoometrycze oraz wszystkie fukcje, jakie moża otrzymać z wyżej wymieioych drogą astępujących
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 szczegółowod wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistyczna Definicja Odwzorowanie X: Ω R nazywamy 1-wymiarowym wektorem
d wymiarowy wektor losowy Niech (Ω, S, P) przestrzeń probabilistycza Defiicja Odwzorowaie X: Ω R d azywamy d-wymiarowym wektorem losowym jeśli dla każdego (x 1, x 2,,x d ) є R d zbiór Uwaga {ω є Ω: X(ω)
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.
Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe
Bardziej szczegółowoFraktale - ciąg g dalszy
Fraktale - ciąg g dalszy Koleja próba defiicji fraktala Jak Madelbrot zdefiiował fraktal? Co to jest wymiar fraktaly zbioru? Układy odwzorowań iterowaych (IFS Przykład kostrukcji pewego zbioru. Elemety
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowobędą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,
Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna A1, zima 2011/12. Kresy zbiorów. x Z M R
Kresy zbiorów. Ćwiczeia 21.11.2011: zad. 197-229 Kolokwium r 7, 22.11.2011: materiał z zad. 1-249 Defiicja: Zbiór Z R azywamy ograiczoym z góry, jeżeli M R x Z x M. Każdą liczbę rzeczywistą M R spełiającą
Bardziej szczegółowoWstęp. zbiór wszystkich zdarzeń elementarnych (sample space), S zbiór zdarzeń, (events), P prawdopodobieństwo (probability distribution).
Wstęp,, S P przestrzeń probabilistycza (Probability space), zbiór wszystich zdarzeń elemetarych (sample space), S zbiór zdarzeń, (evets), P prawdopodobieństwo (probability distributio). P : S R ZMIENNA
Bardziej szczegółowoWyk lad z Rachunku Prawdopodobieństwa WNE, 2008/2009. Wariacje bez powtórzeń. Za lóżmy, iż mamy zbiór n elementowy A. Wówczas
Wyk lad z Rachuku Prawdopodobieństwa WNE, 2008/2009. Podstawowe schematy kombiatorycze Wariacje z powtórzeiami. Za lóżmy, iż mamy zbiór elemetowy A. Wówczas liczba k-elemetowych ciagów o wyrazach ze zbioru
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa I Siedmiu pasażerów przydzielono losowo do trzech wagonów. Jakie jest prawdopodobieństwo
Zadaia z Rachuku Prawdopodobieństwa I - 1 1. Grupę dzieci ustawioo w sposób losowy w szereg. Oblicz prawdopodobieństwo tego, że a) Jacek i Agatka stoją koło siebie, b) Jacek, Placek i Agatka stoją koło
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 szczegółowoZadania z Rachunku Prawdopodobieństwa I - 1
Zadaia z Rachuku Prawdopodobieństwa I - 1 1. Grupę dzieci ustawioo w sposób losowy w szereg. Oblicz prawdopodobieństwo tego, że a) Jacek i Agatka stoją koło siebie, b) Jacek, Placek i Agatka stoją koło
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowo