Statystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 23 kwietnia Oznaczenia i definicje 3

Wielkość: px
Rozpocząć pokaz od strony:

Download "Statystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 23 kwietnia Oznaczenia i definicje 3"

Transkrypt

1 Spis treści Ozaczeia i defiicje 3 Wioskowaie statystycze 3. Statystyki dostatecze Rodzia rozkładów wykładiczych Rozkłady iektórych statystyk Estymatory Defiicje Metody wyzaczaia estymatorów Testowaie hipotez statystyczych 7 4 Rachuek prawdopodobieństwa 7 4. Fukcje zmieych losowych Fukcje charakterystycze Zbieżości probabilistycze rawa wielkich liczb Słabe prawa wielkich liczb Moce prawa wielkich liczb Cetrale Twierdzeia Graicze Nierówości Skrypt SKN Matematyki Stosowaej s k m s 3 kwietia Tabela rozkładów dyskretych 4 6 Tabela rozkładów ciągłych 5 6

2 6 Tabela rozkładów ciągłych Autorzy Katarzya Łuckowska Marci Szymański aweł Wietraszuk Niiejszy skrypt apisay został jako pomoc dla studiujących statystykę matematyczą. Wszelkie teksty w im zawarte staowią własość itelektualą autorów. racę złożoo w języku L A TEX ε Nazwa Fukcja gęstości arametry EX D X Dystrybuata F. tworząca e itb e ita itb a x a b a b a a + b Jedostajy χ<a,b> b a a < b σ σ > 0 m σ x m e Normaly σ π 3 a x a x < a 0 a Trójkąty m+ σ e σ e m+σ σ σ > 0 e lx m e Log-ormaly xσ π areto χ <b, ab a x a+ ba a, b > 0 a : a > b a a a : a > b x k Wykładiczy χr++ e x > 0 e x it θit k s Gamma Γ, s χr++ s Γs xs e x s s > 0 pq p+q p+q+ p p+q Γp+q ΓpΓq xp x q x, p, q > 0 x < Beta x m e σ σ > 0 m σ Laplace a σ π arctax + +x - - s Γ + s Γ + s Cauchy ego π b Uog. Cauchy ego π b+x a b > Weibulla sx s e xs s, s > 0 Γ + s Chi-kw df eπx it it Chi-kw df x e x Γ > 0 Γ + T-studeta df Γ Γ + x + > +m m 4 > 4 Sedecora B m, m+/ m > 0 N, m+/ e Logistyczy x +e x > 0 m m x m mx + 3π 8 π Maxwella 3 χr++ 4 π x e x > 0 π 4 π π x exp σ 4 x xe > 0 Rayleigha χr++ c Studeckie Koło Naukowe Matematyki Stosowaej??? Warszawa 006 5

3 5 Tabela rozkładów dyskretych Ozaczeia i defiicje Logarytmiczy θk k log θ Uj. dwumiaowy ascala k m p m p k m m p m p p Hipergeometryczy M k N M k N M N M N M N N N Γs = Dwumiaowy k p k p k p p p oissoa k k! e Geometryczy p p k p p p Γk+, k! expe it Γs + = sγs 0 Rówomiery + t s e t dt Nazwa X = k EX D X Dystrybuata F. tworząca Zerojedykowy = p 0 = p p p Dwupuktowy p k p k Γ =! N Bp, q = Bp, q = ΓpΓq Γp + q 0 t p t q dt Oz. rzestrzeń parametrów. Θ Oz. rzestrzeń prób. X R Oz. 3 Obserwacja losowa. wektor losowy X X Oz. 4 Rodzia rozkładów prawdopodobieństwa. { θ : θ X} Def. 5 Model statystyczy; rzestrzeń statystycza. X, S, { θ : θ X} S = BX Def. 6 Idetyfikowalość. Własość modelu: θ θ θ θ Def. 7 Statystyka. Fukcja t : X R k taka, że X X tx jest zmieą losową a X, S, { θ : θ X} S = BX Def. 8 Statystyka k-wymiarowa. T : R R k T X,..., X X,..., X iid F Def. 9 k-ta statystyka pozycyja. X k: k-ta liczba w rosąco uporządkowaym ciągu Def. 0 Mediaa. { X + M e = : mod X : + X +: commad Def. Dystrybuata empirycza. F ˆ t = card{xi:xi t} Tw. Gliweko-Castelli. sup F t F ˆ t 0 t Tw. Własości dystrybuaty empiryczej.. t R F t, X F t. t R E F F t, X = F t 3. Ft,X F t d Z N 0, F t[ F t] Wioskowaie statystycze. Statystyki dostatecze Def. Statystyka dostatecza. T, że rozk. warukowy θ { T = t} ie zależy od θ Def. 3 Statystyka dostatecza. Statystyka dostatecza dla θ to taka, która geeruje podział dostateczy przestrzei prób. Tw. 3 O faktoryzacji. T jest dostatecza g θ - zależy od θ, zależy od x tylko przez T h - ie zależy od θ, zależy od x f θ x = g θ T x hx Def. 4 odział dostateczy. odział A przestrzei prób X jest dostateczy dla θ, jeśli przy każdym ustaloym zbiorze A A rozkład warukowy próby pod warukiem A ie zależy od θ. Def. 5 Kostrukcja miimalego podziału dostateczego. do apisaia Def. 6 Miimala statystyka dostatecza. Statystyka S jest miimala statystyką dostateczą gdy dla każdej iej statystyki dostateczej T istieje fukcja h taka, że S = ht. Def. 7 Miimala statystyka dostatecza. Miimala statystyka dostatecza dla θ to taka, która geeruje miimaly podział dostateczy przestrzei prób. Def. 8 Statystyka zupeła. Statystyka T = T X jest zupeła, jeżeli dla wszystkich θ Θ z rówości E θ ht = 0 wyika że h 0 z prawdopodobieństwem a zbiorze wartości T. Def. 9 Statystyka swoboda wzgl. θ. Statystyka, której rozkład ie zależy od θ. Def. 0 Statystyka swoboda I rzędu. Statystyka, której wartość oczekiwaa ie zależy od θ. Tw. 4 Basu. Jeżeli T jest statystyką dostateczą zupełą dla θ, a V statystyką swobodą, to T i V są iezależymi zmieymi losowymi. Tw. 5. Miimala statystyka dostatecza ie musi być zupeła Tw. 6. Jeżeli T jest statystyką dostateczą zupełą to jest miiimalą statystyką dostateczą 4 3

4 .. Rodzia rozkładów wykładiczych Def. Rodzia rozkładów wykładiczych. Rodzia rozkładów { θ : θ Θ} taka, że każdy rokład jest postaci k p θ x = e cjθtjx bθ j= hx i T,..., T k są liiowo iezależe, a c,..., c k tworzą k-wymiarowy zbiór Tw. 7. Dla rodziy wykładiczej T X,, T k X jest miimalą statystyką dostateczą oraz statystyką zupełą. Tw. 8. Dla próby z rodziy wykładiczej jest statystyką dostateczą zupełą.. Rozkłady iektórych statystyk Def. Średia. X = Xi i T X i,, i Jest ieobciążoym estymatorem wartości oczekiwaej Jest zgodym estymatorem wartości oczekiwaej Tw. 9. V arx = V arx Def. 3 Wariacja z próby. S = Xi X Jest obciążoym estymatorem wariacji S X = σ Tw. 0 Fisher. Jeżeli X,..., X iid Nm, σ to. X, S są iezależe. X m, σ 3. S σ χ Tw.. Jeżeli X,..., X k iid N0, to. X i χ k. E X i = k i= EX i = k T k X i 4.6 Nierówości Tw. 7 Schwarz. Jeśli EX < i EY <, to E XY EX EY, poadto rówość zachodzi wtedy i tylko wtedy, gdy X i Y są liiowo zależe. Tw. 73 Jese. Niech E X < oraz g : R R wypukła, taka że E gx <, wtedy gex EgX. Tw. 74 Czebyszew. Niech X będzie ieujemą zmieą losową. Wtedy dla każdego ε > 0 X ε EX ε. Tw. 75 Czebyszew. Niech g : R + R borelowska, iemalejące i dodatia, wtedy [rzykład] Dla gx = x i X := X EX otrzymujemy ε > 0 X > a Eg X ga X EX ε V ar X ε. Tw. 76 Hölder. Niech p, q > oraz p + q = i E X p <, E Y q <, wtedy E XY < oraz Tw. 77 Mikowski. Niech p wtedy E XY E X p p E Y q q. E X + Y p p E X p p + E Y p p Tw. 78 Kołomogorow. Niech X,..., X będą iezależymi zmieymi losowymi, takimi że EX i = 0 i EX i < i =,...,. Jeśli c > 0, że X i c =, i =,..., to gdzie S = X X. ε > 0 max k S k ε c + ε ES, Tw.. Jeżeli Y,..., Y m są iezależe Y i χ vi to Y i χ vi Tw. 3. Jeżeli X,..., X iid Nm, σ Y,..., Y iid Nm, σ to S σ + S σ χ + Tw. 4 Gosset. Jeżeli X, Y są iezależe X N0, Y χ v to. X Y t v v. v X m σ vs σ v = X m S v tv Tw. 5. Jeżeli X, Y są iezależe X χ Y v χ to v F = X v Y v F v,v 4 3

5 4.5 Cetrale Twierdzeia Graicze Tw. 64 CTG. Niech X, X,... będą iezależymi zmieymi losowymi o tym samym rozkładzie oraz iech EX = 0 i V arx =. Wtedy X X d N 0,. Tw. 65. Niech X, X,... będą iezależymi zmieymi losowymi o tym samym rozkładzie, iech EX = µ i V arx = σ. Wtedy dla każdego ε X X µ σ ε Φε. Tw. 66 Lideberga-Levy ego. Jeżeli zmiee losowe X, X,... są iezależe o jedakowych rozkładach z parametrami EX k = µ, V arx k = σ dla k=,,..., to a < S µ σ b = Φb Φa, gdzie Φ jest dystrybuatą rozkładu ormalego N0,. Ozacza to, że suma S ma rozkład asymptotyczie ormaly Nµ, σ. Tw. 67 de Moivre a-laplace a. Jeżeli zmiee losowe X, X,... są iezależe o jedakowych rozkładach dwupuktowych Berp, to a < S p b = Φb Φa, pq gdzie Φ jest dystrybuatą rozkładu ormalego N0,. Ozacza to, że suma S ma rozkład asymptotyczie ormaly Np, pq. Tw. 68 Berry-Essée. Jeżeli X jest ciągiem iezależych zmieych losowych o tym samym rozkładzie i E X 3 < to, sup S ES t Φt V ars C E X EX 3 σ 3, t R gdzie σ = V arx oraz π C < 0, 8. Tw. 69 oissoa. Jeżeli zmiee losowe X, X,... są iezależe o rozkładach dwumiaowych Bi, p i jeśli p = dla =,,..., to X! = k = k!k! pk p k = k k! e. Def. 65 Waruek Lideberga. Ciąg zmieych losowych X spełia waruek Lideberga, jeśli dla każedo ε > 0 gdzie s = k= V arx k. s k= E[X k EX k { Xk EXk >εs}] 0, Def. 66 Waruek Lapuowa. Ciąg zmieych losowych X spełia waruek Lapuowa, jeśli dla wszystkich k aturalych i dla pewego δ > 0 jest E X k +δ < oraz s +δ E X k EX k +δ = 0. Lem. 70. Waruek Lapuowa pociąga za sobą waruek Lideberga. Tw. 7. Jeśli ciąg iezależych zmieych losowych X spełia waruek Lideberga, to S ES a Φa jedostajie względem a. s k= Lem. 6. Na mocy CTG Jeżeli X ma rozkład dwumiaowy to X p p p Np, p p Uwaga: Jeżeli ie zamy p to przy kostruowaiu przedziału ufości zakładamy ajgorszy przypadek p = Tw. 7. X,..., X iid Nm, σ S = Xi X Y,..., Y iid Nm, σ S = Yi Y Tw. 8 Rozkład k-tej statystyki pozycyjej..3 Estymatory.3. Defiicje F = F Xk: = X k: < x = S σ S σ i=k F,! m! m! F xi F x i = F x! = t k t k dt k! k! 0! f Xk: = X k: = x = k! k! F xk F x k fx Def. 4 Estymator. Statystyka T X, X,..., X, której rozkład zależy od pewego parametru θ rozkładu populacji, Dla X = x,..., X = x, liczbę T x, x,..., x azywamy wartością estymatora. Def. 5 Kwadratowa fukcja straty estymatora T. LT, θ = T x gθ Def. 6 Ryzyko estymatora T ; Błąd średiokwadratowy. R T θ = E θ LT, θ Tw. 9. Jeżeli T jest estymatorem θ to dla jego ryzyka zachodzi Def. 7 Najlepszy estymator. gdzie D - zbiór estymatorów R T θ = V art x + ET x θ T 0 : θ Θ T D R T0 θ R T θ Def. 8 Estymator zgody. Estymator U ω, θ = fx ω, X ω,..., X ; θ parametru θ jest zgody, gdy jest o zbieży według prawdopodobieństwa do parametru θ, tz. gdy ε > 0 {ω : U ω; θ θ > ε} = 0 Def. 9 Estymator ieobciążoy. Estymator U jest ieobciążoym estymatorem parametru θ N EU = θ Def. 30 Estymator asymptotyczie ieobciążoy. Estymator U jest asymptotyczie ieobciążoym estymatorem parametru θ EU = θ Tw. 0. Jeżeli E θ U = θ przyajmiej asymptotyczie ieobciążoy oraz D U = 0, to U jest zgodym estymatorem parametru θ. Def. 3 Obciążeie estymatora. EU θ Def. 3 Estymator NMW. Estymatorem ieobciążoym o miimalej wariacji parametru θ azywamy te spośród ieobciążoych estymatorów tego parametru, który ma ajmiejszą wariację. 5

6 Tw. Rao-Blackwella. Jeżeli ĝ jest estymatorem ieobciążoym fukcji gθ i jeżeli T jest statystyką dostateczą dla rodziy rozkładów, to E θ ĝ T jest estymatorem ieobciążoym o wariacji jedostajie ie większej od wariacji ĝ. Tw. Lehmaa-Scheffego. Dla dowolego estymatora ieobciążoego SX parametru θ estymator postaci E θ SX T gdzie T jest statystyką dostateczą zupełą jest ENMW. Lem. 3. Dla dowolego estymatora ˆθ jego błąd średiokwadratowy jest sumą jego wariacji i kwadratu obciążeia, tj. Eˆθ θ = V arˆθ + Eˆθ θ. Lem. 4. Jeżeli estymator jest ieobciążoy to jego błąd średiokwadratowy ryzyko jest rówe wariacji. Def. 33 Fukcja iformacji Fishera. Iθ = E θ lfx, θ θ = E θ lfi X i, θ Lem. 5. rzy spełioych założeiach ierówości Rao-Cramera zachodzi: Iθ = E θ θ l f θx Tw. 6 Nierówość Rao-Cramera. V ar ˆθ Iθ Tw. 7. Niech będą spełioe założeia ierówości Rao-Cramera. Wtedy estymator ieobciążoy o wariacji Iθ istieje ] θ l f θx = aθ [ θx θ Wtedy θx jest ENMW dla θ oraz aθ = Iθ. Def. 34 Efektywość estymatora. Efektywością estymatora ˆθ azywamy fukcję V ar θ ˆθ ef θ ˆθ = = Iθ V ar θ ˆθ Iθ. Def. 35 Estymator ajefektywiejszy. ˆθ : θ ef θ ˆθ = Lem. 8. Jeśli estymator jest estymatorem ajefektywiejszym to jest o rówież ENMW. Implikacja odwrota jest ieprawdziwa Def. 36 Błąd stadardowy estymatora. Błędem stadardowym estymatora ˆθ parametru θ azywamy dowoly estymator jego odchyleia stadardowego σˆθ i ozaczamy go SEˆθ. Def. 37 Estymator studetyzoway. Niech ˆθ będzie ieobciążoym estymatorem parametru θ. Wówczas studetyzowaym estymatorem θ azywamy wielkość ˆθ θ SEˆθ. Def. 38 Fukcja cetrala. Fukcją cetralą azywamy fukcję tx, θ, której rozkład ie zależy od θ i która dla każdego X = x jest mootoiczą fukcją θ. Def. 39 Kostrukcja zbiorów ufości. Wyzaczamy stałe t, t takie, że θ t tx, θ t = α. θ t tx, θ t ˆθ X θ ˆθ X rzedział ˆθ X; ˆθ X jest przedziałem ufości dla θ a poziomie ufości α. Def. 40 rzedział ufości. ara statystyk LX, UX określa przedział ufości a poziomie ufości α, α 0, - ustaloe. Jeżeli θ [LX θ UX] α to [LX, UX] - przedział ufości dla θ a poziomie ufości α Jeżeli θ [LX θ] α to [LX, + ] - przedział ufości dla θ a poziomie ufości α 3 Jeżeli θ [θ UX] α to [, UX] - przedział ufości dla θ a poziomie ufości α Def. 4 Asymptotyczy przedział ufości. rzedział g ; g, gdzie g = gx,..., x i g = gx,..., x, jest asymptotyczym przedziałem ufości dla gθ a poziomie α, jeżeli g gθ g α θ Θ θ Tw. 56 SWL Markowa. Niech X będzie ciągiem zmieych losowych takich, że wtedy X spełia SWL. V ars = 0, Tw. 57 WL Czebyszewa lub Markowa. Niech X będzie ciągiem zmieych losowych iezależych o skończoych wariacjach σ = V arx, =,,.... Jeżeli σk = 0, to ciąg X spełia SWL. k= Tw. 58 SWL Czebyszewa. Jeśli X są iezależe lub parami ieskorelowae i mają wspólie ograiczoe wariację, tj. to ciąg X spełia SWL. K V ar X i < K i =,,... Tw. 59 WL Chiczya. Niech X będzie ciągiem iezależych zmieych losowych o tym samym rozkładzie i skończoej wartości oczekiwaej µ. Wtedy ciąg X spełia SWL, tz. S µ ε = Moce prawa wielkich liczb Def. 64 MWL. Mówimy, że ciąg X spełia moce prawo wilkich liczb, jeżeli ciąg zmieych losowych S ES jest zbieży do zera z prawdopodobieństwem, tz. dla kazdego ε > 0 S ES = 0 =. Tw. 60 MWL Beroulliego. Ozaczmy przez S liczbę sukcesów w schemacie Beroulliego prób z prawdopodobieństwem sukcesu w pojedyczej próbie rówym p. Wtedy dla każdego ε > 0 sup S k k p ε =. k Tw. 6 Twierdzeie Kołomogorowa. Jeśli X = jest ciągiem iezależych zmieych losowych takich, że V arx <, =,,..., przy czym V arx <, to z prawdopodobieństwem = S ES = 0. Tw. 6 MWL Kołomogorowa. Jeżeli X = jest ciągiem iezależych zmieych losowych o jedakowym rozkładzie, E X <, to X spełia MWL, czyli S = EX z prawdopodobieństwem. Lem. 63. Jeśli X, X,... takie, że EX = µ dla =,,... to jeśli X = 0 = 0 MWL ie zachodzi µ 6

7 d Jeżeli X EX EX to X L e Jeżeli X to istieje podciąg Xk taki, że X k Tw. 49. Jeżeli jest rozkładem dyskretym, to dla zmieych losowych określoych a przestrzei probabilistyczej Ω, F, zachodzi rówoważość: X X X Def. 60. Rodzię zmieych losowych {X t : t T } azywamy jedostajie całkowalą, jeżeli sup E X t I C { Xt >C} = 0. t T Lem. 50. Jeżeli X t Y dla t T, EY <, to rodzia zmieych losowych {X t : t T } jest jedostajie całkowala. Tw. 5. X L p X dla p wtedy i tylko wtedy, gdy i X ii Rodzia { X p } jest jedostajie całkowala. Def. 6. Niech µ = będzie ciągiem rozkładów prawdopodobieństwa a E, BE. Mówimy, że jest o słabo zbieży do rozkładu µ jeżeli dla każdej fukcji ciągłej i ograiczoej f : E R zachodzi fdµ = fdµ. E Def. 6. Niech X, X, X,... będą zmieymi losowymi o rozkładach µ, µ, µ,... odpowiedio. Mówimy, że ciąg X jest zbieży według rozkładu do X, jeżeli ciąg µ słabo zbiega do µ, co zapisujemy X d Tw. 5. Następujące waruki są rówoważe: a Ciąg µ słabo zbiega do µ, b sup µ F µf dla każdego domkiętego zbioru F, c if µ G µg dla każdego otwartego zbioru G, d µ B = µb dla każdego zbioru B takiego, że µ B = 0. Tw. 53 Scheffe. Niech µ będzie miarą σ-skończoą oraz fukcje f i f będą ieujeme i takie, że miary ν A = f dµ, νa = fdµ są miarami probabilistyczymi. Niech poadto f f p.. względem miary µ. Wówczas A E sup ν A νa 0. A Mówimy wtedy, że miary ν zbiegają do miary ν w ormie całkowitej wariacji. Tw. 54. Niech µ, µ będą rozkładami ciągłymi o gęstościach f, f odpowiedio. Jeżeli f f p.. względem miary Lebesgue a, to ciąg rozkładów µ słabo zbiega do rozkładu µ. 4.4 rawa wielkich liczb 4.4. Słabe prawa wielkich liczb Def. 63 SWL. Mówimy, że ciąg X spełia słabe prawo wielkich liczb, jeżeli ciąg zmieych losowych S ES jest zbieży według prawdopodobieństwa do zera, tz. dla kazdego ε > 0 S ES > ε = 0 S ES ε =. Tw. 55 WL Beroulliego. Jeżeli S = X + X X ma rozkład dwumiaowy Bi, p, to dla każdego ε > 0 S p ε =. A.3. Metody wyzaczaia estymatorów Def. 4 Metoda mometów. Def. 43 Metoda ajwiększej wiarygodości. x = EX = fθ θ = f x fx,..., x, θ = Π i=fx i, θ ˆθ : l fx,..., x, θ = 0 θ 3 Testowaie hipotez statystyczych Def. 44 Test zradomizoway. Test H 0 : θ Θ 0 przeciw H : θ Θ utożsamiamy z fukcją ϕ: X 0; taką że jeżeli ϕx = 0 to ie odrzucamy H 0, jeżeli ϕx = to odrzucamy H 0, a jeżeli ϕx 0;, to uruchamiamy losowaie iezależe od próby losowej X, w którym odrzucamy H 0 z prawdopodobieństwem ϕx. Def. 45 Test iezradomizoway. Def. 46 Obszar krytyczy testu. Wtedy ϕx = χ W x ϕ: X {0; } W = {x X: ϕx = } Def. 47. Test hipotezy H 0 a poziomie istotości α jest to każdy test ϕ taki, że θ Θ E θ ϕx α Dla testu iezradomizowaego Def. 48 Błąd I rodzaju. Odrzuceie prawdziwego H 0 Def. 49 Błąd II rodzaju. rzyjęcie fałszywego H E θ ϕx = θ X W Def. 50 oziom istotości; rozmiar testu. α = {x W H 0 } = I rodz. Def. 5. β = {x X \ W H } = II rodz. Def. 5 Moc testu. {x W H } = MW = β Def. 53. Fukcja mocy testu jest to fukcja π : Θ 0;, πθ = E θ ϕx, θ Θ Def. 54 Test ieobciążoy. Dla α 0, {x W H 0 } = α {x W H } > α Def. 55 Test zgody. {x W H } = Tw. 9 orówaie mocy testów. Założeia: W, W X {x W H 0 } {x W H 0 } Jeżeli MW = {x W H } {x W H } = MW to test oparty a W jest jedostajie mociejszy od testu opartego a W Def. 56 Test ajmociejszy. Test, który miimalizuje β przy zadaym α Lem. 30 Neymaa - earsoa. Niech R będzie dowolym zbiorem w X takim, że θ0 R α. rzypuśćmy że istieje zbiór R X, gdzie R = {x: px p0x K}, dla którego θ0 R = α. Wtedy θ R θ R. 4 Rachuek prawdopodobieństwa Tw. 3. Własości wariacji:. V arx + c = V arx. V arax = a V arx oadto, jeżeli X, Y są iezależymi zmieymi losowymi to zachodzi. V arx + Y = V arx + V ary. V arx Y = V arx + V ary Tw. 3. V arx = EX EX 0 7

8 4. Fukcje zmieych losowych Tw. 33. Jeżeli zmiea losowa X : Ω a, b, a < b ma rozkład o gęstości f X oraz ϕ : a, b R jest klacy C oraz ϕ 0. to zmiea losowa Y = ϕx ma rozkład o gęstości gdzie h = ϕ. f Y y = f X hy h y I ϕa,b y, Tw. 34. Załóżmy, że zamy gęstość f X,Y wektora dwuwymiarowego X, Y oraz, że day jest wektor U, W = ϕ X, Y, ϕ X, Y. Zatem mamy u = ϕ x, y x = φ u, w w = ϕ x, y y = φ u, w wtedy Jakobia J wyraża się wzorem J = φ u φ u φ w φ w atomiast fukcja gęstości wektora losowego U, W wygląda astępująco f U,W u, w = J f X,Y φ u, w, φ u, w. Tw. 35 Addytywość rozkładu Gamma. Jeżeli X i Γ, s i = χ R++ s Γs xs e x to oraz dla sumy 4. Fukcje charakterystycze θx i Γ, θs i X i Γ, s i i Def. 57 Fukcja charakterystycza. Fukcją charakterystyczą zmieej losowej X : Ω R azywamy fukcję ϕ X : R C, daą wzorem ϕ X t = Ee itx t R. Tw. 36 Własości fukcji charakterystytczych. Niech ϕ X będzie fukcją charakterystyczą zmieej losowej X. Wtedy. ϕ X 0 =. ϕ X t 3. ϕ X t = ϕ X t 4. ϕ X t jest jedostajie ciągła Def. 58. Fukcję ϕ : R C azywamy dodatio określoą wtedy i tylko wtedy, gdy dla każdego aturalego, dla każdego ciągu t,..., t liczb rzeczywistych i zespoloych z,..., z mamy ϕt k t l z k z l 0. k,l Tw. 37 Bochera. Fukcja ϕ jest fukcją charakterystyczą pewego rozkładu prawdopodobieństwa wtedy i tylko wtedy, gdy jest ciągła, dodatio określoa i ϕ0 =. Tw. 38. Jeśli E X <, N, to -ta pochoda fukcji charakterystyczej ϕ X istieje i jest jedostajie ciągła, a poadto ϕ X 0 = i EX. Tw. 39. Jeśli X, Y są iezależymi zmieymi losowymi, to ϕ X+Y t = ϕ X tϕ Y t. Tw. 40. Jeśli rozkłady prawdopodobieństwa µ i ν a R, BR mają rówe fukcje charakterystycze, czyli ϕ µ t = ϕ ν t dla wszystkich t R, to µ = ν. Tw. 4 O odwrotym przekształceiu Fouriera. Rozkład prawdopodobieństwa µ, który ma całkowalą fukcję charakterystyczą ϕ, ma także ograiczoą i ciągłą gęstość f, daą wzorem fx = π e isx ϕsds. Tw. 4. Jeżeli fukcja charakterystycza ϕ zmieej losowej X jest okresowa o okresie π, to X jest zmieą losową typu dyskretego, przyjmującą tylko wartości całkowite 4.3 Zbieżości probabilistycze X = k = π π π e itk ϕtdt. Def. 59. Ciąg zmieych losowych X = jest zbieży do zmieej losowej X: a prawie a pewo, jeżeli co ozaczamy X b według prawdopodobieństwa, jeżeli dla każdego ε > 0 co ozaczamy X {ω : X ω = Xω} =, X X > ε = 0, b według p-tego mometu w L p, 0 < p <, jeżeli E X p <, E X p < dla =,,... oraz co ozaczamy X L p Tw. 43 Waruek rówoważy zbieżości prawie a pewo. E X X p = 0, X X ε > 0 : N sup X k X ε k N Tw. 44. Jeżeli dla każdego ε > 0 = X X ε <, to X Tw. 45. Jeżeli EX <, EX < oraz = EX X <,to X Tw. 46 Twierdzeie o dwóch szeregach. Jeśli X - iezależe zmiee losowe oraz EX < V ar X < X zb. p.. Tw. 47 Waruki Cauchy ego. Zachodzą astępujące waruki Cauchy ego: a b Tw. 48. Zachodzą astępujące implikacje: a Jeżeli X to X b Jeżeli X L p to X c Jeżeli X L p p q to X L q X X ε > 0 : N,m N = 0 X X m < ε =, X X ε > 0 :,m X X m > ε =

Statystyka Matematyczna. Skrypt. Spis treści. SKN Matematyki Stosowanej. s k n. m s 11 czerwca Oznaczenia i definicje 4

Statystyka 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 szczegółowo

Twierdzenia graniczne:

Twierdzenia 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 szczegółowo

Estymatory nieobciążone o minimalnej wariancji

Estymatory 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 szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

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 szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka 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 szczegółowo

Podstawowe rozkłady zmiennych losowych typu dyskretnego

Podstawowe 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 szczegółowo

X 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.

X 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 szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. 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 szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność 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 szczegółowo

Zadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.

Zadanie 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 szczegółowo

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.

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. 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

Bardziej szczegółowo

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 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 szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ 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 szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki 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 szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. 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 szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo 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 szczegółowo

Wokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych

Wokół 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 szczegółowo

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Statystyka i Opracowanie Danych. W7. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Statystyka i Opracowaie Daych W7. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Estymacja parametrycza Podstawowym arzędziem szacowaia iezaego parametru jest estymator obliczoy a podstawie

Bardziej szczegółowo

WYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady

WYKŁAD 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 szczegółowo

są niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X

są 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 szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba 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 szczegółowo

θx θ 1, dla 0 < x < 1, 0, poza tym,

θx 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 szczegółowo

1 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.

1 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 szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA 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 szczegółowo

Lista 6. Estymacja punktowa

Lista 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 szczegółowo

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka 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 szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą 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 szczegółowo

STATYSTKA I ANALIZA DANYCH LAB II

STATYSTKA 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 szczegółowo

16 Przedziały ufności

16 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 szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia 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 szczegółowo

Modele probabilistyczne zjawisk losowych

Modele 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo 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 szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

Zestaw zadań do skryptu z Teorii miary i całki. Katarzyna Lubnauer Hanna Podsędkowska

Zestaw 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 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

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 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 szczegółowo

Zmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,

Zmienna 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 szczegółowo

Liczebnośd (w tys.) n

Liczebnośd (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 szczegółowo

Wykład z Rachunku Prawdopodobieństwa II

Wykład 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 szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

0.1 Statystyczne Podstawy Modelu Regresji

0.1 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 szczegółowo

Rozkłady statystyk z próby Twierdzenia graniczne

Rozkłady 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 szczegółowo

Lista 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. 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 szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z 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 szczegółowo

Zadanie 3. ( ) Udowodnij, że jeśli (X n, F n ) jest martyngałem, to. X i > t) E X n. . t. P(sup

Zadanie 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 szczegółowo

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o

1. Wnioskowanie statystyczne. Ponadto mianem statystyki określa się także funkcje zmiennych losowych o 1. Wioskowaie statystycze. W statystyce idetyfikujemy: Cecha-Zmiea losowa Rozkład cechy-rozkład populacji Poadto miaem statystyki określa się także fukcje zmieych losowych o tym samym rozkładzie. Rozkłady

Bardziej szczegółowo

I. 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. , 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 szczegółowo

Operatory zwarte Lemat. Jeśli T jest odwzorowaniem całkowym na przestrzeni Hilberta X = L 2 (Ω) z jądrem k L 2 (M M)

Operatory 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 szczegółowo

STATYSTYKA MATEMATYCZNA. WYKŁAD 0 (powt. wiadomości z r. p-stwa)

STATYSTYKA 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 szczegółowo

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1).

PRZEDZIAŁY UFNOŚCI. Niech θ - nieznany parametr rozkładu cechy X. Niech α będzie liczbą z przedziału (0, 1). TATYTYKA MATEMATYCZNA WYKŁAD 3 RZEDZIAŁY UFNOŚCI Niech θ - iezay parametr rozkład cechy. Niech będzie liczbą z przedział 0,. Jeśli istieją statystyki, U i U ; U U ; których rozkład zależy od θ oraz U θ

Bardziej szczegółowo

Marek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa

Marek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa Mare Be±a, Statystya matematycza, wyªad 3 38 3 Statystyi zupeªe 3. Wyªadicze rodziy rozªadów prawdopodobie«stwa Zacziemy od deicji Deicja 3. Rodzi rozªadów {µ θ } θ Θ azywamy wyªadicz rodzi rozªadów -

Bardziej szczegółowo

1) Jakie są różnice pomiędzy analiza danych a wnioskowaniem statystycznym?

1) Jakie są różnice pomiędzy analiza danych a wnioskowaniem statystycznym? Plaowaie Eksperymetów 1) Jakie są różice pomiędzy aaliza daych a wioskowaiem statystyczym? Celem aalizy daych jest prezetacja kokretego zbioru daych, w sposób ukazujący jego właściwości, w szczególości

Bardziej szczegółowo

8 Weryfikacja hipotez statystycznych

8 Weryfikacja hipotez statystycznych Marek Beśka, Statystyka matematycza, wykład 8 04 8 Weryfikacja hipotez statystyczych 8. Hipotezy statystycze Drugą obok estymacji formą wioskowaia statystyczego jest weryfikacja hipotez statystyczych.

Bardziej szczegółowo

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste

Statystyka opisowa. (n m n m 1 ) h (n m n m 1 ) + (n m n m+1 ) 2 +1), gdy n jest parzyste Statystyka opisowa Miary statystycze: 1. miary położeia a) średia z próby x = 1 x = 1 x = 1 x i - szereg wyliczający x i i - szereg rozdzielczy puktowy x i i - szereg rozdzielczy przedziałowy, gdzie x

Bardziej szczegółowo

oznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:

oznaczają 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 szczegółowo

P = 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 +

P = 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 szczegółowo

1 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 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 szczegółowo

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc

n n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc 5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X

Bardziej szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład 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 szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa 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 szczegółowo

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja

Podstawowe oznaczenia i wzory stosowane na wykładzie i laboratorium Część I: estymacja Podstawowe ozaczeia i wzory stosowae a wykładzie i laboratorium Część I: estymacja 1 Ozaczeia Zmiee losowe (cechy) ozaczamy a wykładzie dużymi literami z końca alfabetu. Próby proste odpowiadającymi im

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma 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 szczegółowo

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś

STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr inż Krzysztof Bryś 1 STATYSTYKA OPISOWA I PROJEKTOWANIE EKSPERYMENTU dr iż Krzysztof Bryś Pojȩcia wstȩpe populacja - ca ly zbiór badaych przedmiotów lub wartości. próba - skończoy podzbiór populacji podlegaj acy badaiu.

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. 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 szczegółowo

1 Układy równań liniowych

1 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 szczegółowo

Rachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407

Rachunek prawdopodobieństwa i statystyka Wnioskowanie statystyczne. Estymacja i estymatory. Dr Anna ADRIAN Paw B5, pok407 Rachek rawdoodobieństwa i statystyka Wioskowaie statystycze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, ok407 ada@agh.ed.l Estymacja arametrycza Podstawowym arzędziem szacowaia iezaego arametr jest estymator

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba

Bardziej szczegółowo

Szeregi liczbowe. Szeregi potęgowe i trygonometryczne.

Szeregi 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 szczegółowo

Przykłady 8.1 : zbieżności ciągów zmiennych losowych

Przykłady 8.1 : zbieżności ciągów zmiennych losowych Rachuek rawopoobieństwa MA8 Wyział Matematyki, Matematyka Stosowaa rzykłay 8. Róże rozaje zbieżości ciągów zmieych losowych. rawa wielkich liczb. Twierzeia graicze. rzykłay 8. : zbieżości ciągów zmieych

Bardziej szczegółowo

Trochę zadań kombinatorycznych. 1. na ile sposobów można siedmiu stojących na peronie pasażerów umieścić w trzech wagonach?

Trochę 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 szczegółowo

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12

Korelacja i regresja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 12 Wykład Korelacja i regresja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Wykład 8. Badaie statystycze ze względu

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11

RÓWNANIA 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 szczegółowo

Kurs Prawdopodobieństwo Wzory

Kurs 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 szczegółowo

Zadania z Rachunku Prawdopodobieństwa III - 1

Zadania z Rachunku Prawdopodobieństwa III - 1 Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o

Bardziej szczegółowo

I kolokwium z Analizy Matematycznej

I kolokwium z Analizy Matematycznej I kolokwium z Aalizy Matematyczej 4 XI 0 Grupa A. Korzystając z zasady idukcji matematyczej udowodić ierówość dla wszystkich N. Rozwiązaie:... 4 < + Nierówość zachodzi dla, bo 4

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa 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 szczegółowo

1. Miara i całka Lebesgue a na R d

1. Miara i całka Lebesgue a na R d 1. Miara i całka Lebesgue a a R d 1. Miara. Mówimy, że rodzia podzbiorów S zbioru Ω jest σ-ciałem, jeśli wraz z każdym zbiorem zawiera oa jego dopełieie i jest zamkięta a sumowaie przeliczalych podrodzi.

Bardziej szczegółowo

3. Funkcje elementarne

3. 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 szczegółowo

Szkice do zajęć z Przedmiotu Wyrównawczego

Szkice 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 szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH. 1. Renty

MODELE 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 szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

Zadania z algebry liniowej - sem. I Liczby zespolone

Zadania z algebry liniowej - sem. I Liczby zespolone Zadaia z algebry liiowej - sem. I Liczby zespoloe Defiicja 1. Parę uporządkowaą liczb rzeczywistych x, y azywamy liczbą zespoloą i ozaczamy z = x, y. Zbiór wszystkich liczb zespoloych ozaczamy przez C

Bardziej szczegółowo

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic). Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic

Bardziej szczegółowo

ZSTA LMO Zadania na ćwiczenia

ZSTA LMO Zadania na ćwiczenia ZSTA LMO Zadaia a ćwiczeia Efektywość estymatorów ieobciążoych Zadaie 1. Zakładamy, że badaa cecha X populacji ma rozkład Poissoa πλ, gdzie λ > 0 jest parametrem. Poadto, iech X = X 1, X,..., X będzie

Bardziej szczegółowo

Estymacja przedziałowa:

Estymacja przedziałowa: Estymacja przedziałowa: Zamiast szukad ajlepszego estymatora, tak jak w estymacji puktowej będziemy poszukiwad przedziału, do którego będzie ależał szukay parametr z odpowiedio dużym prawdopodobieostwem.

Bardziej szczegółowo

5 Przegląd najważniejszych rozkładów

5 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 szczegółowo

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej).

Moda (Mo, D) wartość cechy występującej najczęściej (najliczniej). Cetrale miary położeia Średia; Moda (domiata) Mediaa Kwatyle (kwartyle, decyle, cetyle) Moda (Mo, D) wartość cechy występującej ajczęściej (ajlicziej). Mediaa (Me, M) dzieli uporządkoway szereg liczbowy

Bardziej szczegółowo

Statystyka matematyczna dla leśników

Statystyka matematyczna dla leśników Statystyka matematycza dla leśików Wydział Leśy Kieruek leśictwo Studia Stacjoare I Stopia Rok akademicki 0/0 Wykład 5 Testy statystycze Ogóle zasady testowaia hipotez statystyczych, rodzaje hipotez, rodzaje

Bardziej szczegółowo

Zadania z analizy matematycznej - sem. I Szeregi liczbowe

Zadania 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 szczegółowo

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

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Statystyka i opracowaie daych Podstawy wioskowaia statystyczego. Prawo wielkich liczb. Cetrale twierdzeie graicze. Estymacja i estymatory Dr Aa ADRIAN Paw B5, pok407 ada@agh.edu.pl Wprowadzeie Jeśli S

Bardziej szczegółowo

Funkcja generująca rozkład (p-two)

Funkcja 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 szczegółowo

Ciągi liczbowe wykład 3

Ciągi liczbowe wykład 3 Ciągi liczbowe wykład 3 dr Mariusz Grządziel semestr zimowy, r akad 204/205 Defiicja ciągu liczbowego) Ciagiem liczbowym azywamy fukcję odwzorowuja- ca zbiór liczb aturalych w zbiór liczb rzeczywistych

Bardziej szczegółowo

8. Udowodnić, że: a) macierz X X jest macierzą symetryczną; b) jeśli M jest macierzą idempotentną, o wyznaczniku różnym od 0, to M = I;

8. Udowodnić, że: a) macierz X X jest macierzą symetryczną; b) jeśli M jest macierzą idempotentną, o wyznaczniku różnym od 0, to M = I; Powtórzeie z algebry, rachuku prawdopodobieństwa i statystyki Zadaia. Pokazać, że dla dowolego odwracalego A,.. Pokazać z defiicji, że macierz jest ieujemie określoa. 3. Pokazać (z defiicji liiowej iezależości),

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka

Bardziej szczegółowo

ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie

ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzenie WNIOSKOWANIE STATYSTYCZNE ZMIENNA LOSOWA I JEJ PARAMETRY -powtórzeie,, S P przestrzeń probabilistycza (matematyczy model zjawiska losowego), zbiór wszystkich zdarzeń elemetarych, S zbiór zdarzeń, (podzbiory

Bardziej szczegółowo