ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 2 Tablice trwania życia

Wielkość: px
Rozpocząć pokaz od strony:

Download "ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 2 Tablice trwania życia"

Transkrypt

1 Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 2 Tablice trwania życia 1

2 Cele (na dzisiaj): Zrozumieć w jaki sposób można wyznaczyć przysz ly czas życia osoby w wieku x. Zrozumieć parametry znajdujace sie w TTŻ opisujace przysz ly czase życia osoby w wieku x. Cel dalekosi eżny: Wyznaczyć sk ladk e netto w typowym ubezpieczeniu na życie. 2

3 Przewidywanie jest bardzo trudne, w szczególności jeżeli dotyczy przysz lości. N. Bohr 3

4 Nat eżenie zgonów x-latka w momencie czasu t Na mocy definicji µ [x]+t = f x(t) 1 F x (t) P (T x t + δ T x > t) = F x(t + δ) F x (t), 1 F x (t) zatem lim δ 0 P (T x t + δ T x > t) δ = µ [x]+t. Wiemy już: [ t ] tp x = exp µ [x]+τ dτ. 0 4

5 (Pre)historia Analityczne prawa trwania życia: Prawo de Moivre a: T 0 ma rozk lad jednostajny na przedziale [0, ω], ω > 0, Prawo Gompertza: µ t = Bc t, gdzie B > 0, c > 1, tp x = exp [ B log c (ct+x c x ) ]. Prawo Makehama: µ t = A + Bc t, B > 0, A B i c > 1 [ tp x = exp At B ] log c (ct+x c x ), Prawo Weibulla: µ t = kt n, dla t 0 gdzie k > 0, n > 0, [ tp x = exp k )] ((t + x) n+1 x n+1. n + 1 5

6 Argument heurystyczny Obserwować od narodzin odpowiednio duża grupe ludzi, powiedzmy o liczebności l, w podobnym wieku i notować moment ich śmierci. Powiedzmy l t, to liczba żyjacych osobników w momencie t > 0. Oszacowanie prawdopodobieństwa, że dowolna osoba przeżyje czas t > 0 l t l. 6

7 Problemy 1. Co to znaczy odpowiednio duża? 2. Co to znaczy w podobnym wieku? 3. Co to znaczy grupa ludzi? 4. Jak dok ladnie notować moment śmierci? 5. Dlaczego u lamek l t l ma być dobrym oszacowaniem nieznanego prawdopodobieństwa? 7

8 W ten sposób w najlepszym razie oszacujemy P (T x > t) dla t należacych do pewnego skończonego zbioru i pewnego ustalonego x. Czy to wystarcza? W przypadku portfela takich samych ubezpieczeń o sumie PLN każdy b l ad mnożymy przez 10 10! 8

9 Kohorta - zbiór osób wyodr ebnionych na podstawie wspólnie przeżytego zdarzenia demograficznego lub spo lecznego w ściśle określonym miejscu i czasie. Generacja - to kohorta, w której kryterium wyodr ebnienia jest wspólny czas i miejsca urodzenia. 9

10 Niech [N] bedzie N-elementowa populacja osób w wieku x. Niech dla dowolnego t R X n,t = 1, n ta osoba żyje w momencie t, 0, n ta osoba nie żyje w momencie t. Wówczas l t = N n=1 X n,t. Twierdzenie 1 (Ko lmogorow) Niech X n : Ω R bedzie ciagiem niezależnych zmiennych losowych o jednakowym rozk ladzie i takim, że E X 1 <. Wówczas P { ω : 1 lim n n n k=1 } X k = EX 1 = 1. 10

11 Jeżeli X n,t maja taki sam rozk lad i sa niezależne, to dla każdego t P { Zatem ω : P lim N 1 N lim N N n=1 l N,t } X n,t = EX 1,t = 1. N = EX 1,t = 1, gdzie l N,t liczba osób z populacji N-osobowej żyjacych w momencie t. Zauważmy, że EX 1,t = 1 P (T x t) + 0 P (T x < t) = P (T x t). gdzie T x to przysz ly czas życia osoby w wieku x (Za lożenia!). 11

12 Zatem, jeżeli dla pewnego t R (i) X n,t maja taki sam rozk lad, (ii) EX 1,t <, (iii) X n,t sa niezależne, to P lim N l N,t N = P (T x t) = 1. Innymi s lowy, dla odpowiednio dużych populacji, w których spe lnione sa za lożenia (i) oraz (iii) iloraz l N,t N jest oszacowaniem prawdopodobieństwa P (T x t). 12

13 Dyskusja za lożeń Czy można zak ladać, że X n,t maja taki sam rozk lad dla każdego n i ustalonego t? Czy można zak ladać, że { X n,t }n jest zbiorem niezależnych zmiennych losowych? Zmienne losowe X, Y sa niezależne, na mocy definicji, jeżeli dla dowolnego A L(R) P ({ω : X(ω) A, Y (ω) A}) = P ({ω : X(ω) A})P ({ω : Y (ω) A}). 13

14 Wnioski Korzystajac z Tablic Trwania Życia możemy przyjać, że P (T 0 t) = l t l, P (T 0 < t) = 1 l t l = l l t l dla t N. Hipoteza Jednorodnej Populacji P (T x > t) = P (T 0 > x + t T 0 > x) = P (T 0 > x + t). P (T 0 > x) Zatem dla t, x N tp x = l x+t l l xl = l x+t l x tq x = l x l x+t l x. 14

15 Obci ety przysz ly czas życia x-latka K x = T x Zatem dla dowolnego k N mamy P (K x = k) = P (k T x < k + 1) := k 1 q x = P (k < T x k + 1). Nowe oznaczenie aktuarialne: s t q x = P (s < T x s + t). 15

16 Hipoteza agregacji P (K x k) = P (K 0 x + k K 0 x). 16

17 Hipotezy interpolacyjne Pytanie: W jaki sposób wyznaczyć t p x wtedy, gdy t / N, t = n+u, n N 0, 0 u < 1? Hipoteza jednostajności (HU) n+up x = (1 u) n p x +u n+1 p x, 0 u < 1. Hipoteza przedzia lami sta lego nat eżenia zgonów (HCFM) µ [x]+n+u = µ [x]+n, 0 u < 1. Hipoteza Balducciego (1 u) q [x]+n+u = (1 u)q [x]+n. Nowe oznaczenie aktuarialne: tp [x]+s = P (T x > s + t T x > s) oraz t q [x]+s = P (T x s + t T x > s). 17

18 Obserwacja 1 Jeżeli prawdziwa jest hipoteza HCFM, to n+up x = n p x (p [x]+n ) n. Dowód: Z ćwiczeń n+up x = exp = exp [ [ n+u 0 n = n p x exp ] µ [x]+τ dτ n+u µ [x]+τ dτ 0 n [ n+u n µ [x]+τ dτ ]. ] µ [x]+τ dτ Z za lożenia µ [x]+τ = µ [x]+n, jeżeli n τ < n + 1. Zatem n+up x = n p x exp [ u µ [x]+n ] Zauważmy jednak, że: = n p x (exp ( µ [x]+n ) ) u. exp( µ [x]+n ) = p [x]+n. 18

19 [ exp( µ [x]+n ) = exp n [ n+1 = exp µ [x]+τ dτ + 0 Zatem exp( µ [x]+n ) = [ exp exp n+1 n+1 [ ] µ [x]+τ dτ n 0 µ [x]+τ dτ ] 0 µ [x]+τ dτ n 0 µ [x]+τ dτ ] ]. = P (T x > n + 1) P (T x > n) = P (T x > n + 1 T x > n) = p [x]+n. 19

20 Potencjalny problem Zgodność HJP z hipotezami interpolacyjnymi. Dwie metody wyznaczenia n+u p x, gdzie n N, 0 u < 1, jeżeli znane sa wartości n p x dla n N Najpierw interpolujemy t p 0 nastepnie, korzystajac z HJP wyznaczamy t p x, tzn. tp x = t+x p 0 xp 0. Najpierw korzystajac z HJP (lub HA) wyznaczamy n p x, gdy n, x N, a później korzystajac z hipotez interpolacyjnych uzupe lniamy pozosta le wartości t p x. 20

21 Definicja 1 Regu l a interpolacyjna nazywamy dowolna funkcja f : [0, 1) R R [0, 1], która stosujemy do wyznaczenia nieznanych wartości n+u p x, tzn. n+up x = f(u, n p x, n+1 p x ). Obserwacja 2 Jeżeli regu la interpolacyjna jest jednorodna, tzn. f(u, α s, α t) = αf(u, s, t), dla dowolnych u [0, 1), t, s R oraz α > 0, to jest zgodna z HJP. 21

22 Dowód: Pierwsza metoda: Najpierw wyznaczamy tp 0, dla t = n + u, gdzie n N 0, 0 u < 1 n+up 0 = f(u, n p 0, n+1 p 0 ), a nast epnie n+u p x na mocy HJP n+up x = x+n+u p 0 xp 0 = f(u, n+xp 0, n+x+1 p 0 ) xp 0 Druga metoda: Wyznaczamy n p x zgodnia z HA a nast epnie np x = n+x p 0 xp 0, n+up x = f(u, n p x, n+1 p x ) ( = f u, n+x p 0, n+x+1 ) p 0 xp 0 xp 0 = f(u, n+xp 0, n+x+1 p 0 ), xp 0 ostatnia równość wynika z za lożonej jednorodności f. 22

23 Obserwacja 3 Każda z wymienionych regu l interpolacyjnych jest zgodna z HJP. Dowód: Dla HU oczywiste Dla HCFM n+up x = (1 u) n p x + u n+1 p x. n+up x = n p x (p [x]+n ) u = n p x ( P (Tx > n + 1 T x > n) ) u = n p x n+1 p x np x u Zatem dla HCFM mamy i oczywiście f(u, s, t) = s. ( ) t u f(u, αs, αt) = αf(u, s, t). s 23

24 Wreszcie dla HB czyli p [x]+n n+up x = n p x u + (1 u)p [x]+n n+1p x np = n p x x u + (1 u) n+1 p x, np x f(u, s, t) = s u + (1 u) s t. t s 24

25 Nowe oznaczenia aktuarialne: e x = EK x e x = ET x Obserwacja 4 Prawdziwa jest nastepuj aca zależność e x = 0 t p x dt. Dowód: Niech M bedzie odpowiednio duża liczba e x = ET x = tf x(t)dt = = t tp x M 0 + M 0 t p x dt M 0 tf x(t)dt = 0 t p x dt, ponieważ d ) (tp x = d dt dt (1 F x(t)) = f x (t). 25

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2 Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 3 Tablice trwania życia 2 1 Przypomnienie Jesteśmy już w stanie wyznaczyć tp x = l x+t l x, gdzie l x, l x+t, to liczebności kohorty odpowiednio

Bardziej szczegółowo

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 5 Kalkulacja sk ladki netto I 1 Kodeks cywilny Tytu l XXVII, Umowa ubezpieczenia Dzia l I. Przepisy ogólne Dzia l II. Ubezpieczenia majatkowe

Bardziej szczegółowo

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 1 Wprowadzajacy

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 1 Wprowadzajacy Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 1 Wprowadzajacy 1 Matematyka aktuarialna 1. matematyka w ubezpieczeniach, 2. dok ladniej, matematyka ubezpieczeń na życie, 3. czasami szerzej,

Bardziej szczegółowo

3 Ubezpieczenia na życie

3 Ubezpieczenia na życie 3 Ubezpieczenia na życie O ile nie jest powiedziane inaczej, w poniższych zadaniach zakładamy HJP. 3.1. Zadania 7.1-7.26 z Miśkiewicz-Nawrocka, Zeug-Żebro, Zbiór zadań z matematyki finansowej. 3.2. Mając

Bardziej szczegółowo

1. Przyszła długość życia x-latka

1. Przyszła długość życia x-latka Przyszła długość życia x-latka Rozważmy osobę mającą x lat; oznaczenie: (x) Jej przyszłą długość życia oznaczymy T (x), lub krótko T Zatem x+t oznacza całkowitą długość życia T jest zmienną losową, której

Bardziej szczegółowo

1 Elementy teorii przeżywalności

1 Elementy teorii przeżywalności 1 Elementy teorii przeżywalności Zadanie 1 Zapisz 1. Prawdopodobieństwo, że noworodek umrze nie później niż w wieku 80 lat 2. P-two, że noworodek umrze nie później niż w wieku 30 lat 3. P-two, że noworodek

Bardziej szczegółowo

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 6 Kalkulacja sk ladki netto II. Funkcje komutacyjne.

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 6 Kalkulacja sk ladki netto II. Funkcje komutacyjne. Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 6 Kalkulacja sk ladki netto II. Funkcje komutacyjne. 1 Przypomnienie Umowa ubezpieczenia zawiera informacje o: Przedmiocie ubezpieczenia Czasie

Bardziej szczegółowo

Elementy teorii przeżywalności

Elementy teorii przeżywalności Elementy teorii przeżywalności Zadanie 1.1 Zapisz 1. Prawdopodobieństwo, że noworodek umrze nie później niż w wieku 8 lat 2. P-two, że noworodek umrze nie później niż w wieku 3 lat 3. P-two, że noworodek

Bardziej szczegółowo

Matematyka ubezpieczeń na życie. Piotr Kowalski

Matematyka ubezpieczeń na życie. Piotr Kowalski Matematyka ubezpieczeń na życie Piotr Kowalski 27 stycznia 212 Spis treści 1 Elementy matematyki finansowej 1 1.1 Oznaczenia.............................. 1 1.2 Związki................................

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2014 Matematyka w ekonomii i ubezpieczeniach

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

Bardziej szczegółowo

Jednorazowa sk ladka netto w przypadku stochastycznej stopy procentowej. Ubezpieczenie na ca le życie z n-letnim okresem odroczenia.

Jednorazowa sk ladka netto w przypadku stochastycznej stopy procentowej. Ubezpieczenie na ca le życie z n-letnim okresem odroczenia. Jednorazowa sk ladka netto w przypadku stochastycznej stopy procentowej Ubezpieczenie na ca le życie z n-letnim okresem odroczenia Wartość obecna wyp laty Y = Zatem JSN = = Kx +1 0, K x = 0, 1,..., n 1,

Bardziej szczegółowo

Metody aktuarialne - opis przedmiotu

Metody aktuarialne - opis przedmiotu Metody aktuarialne - opis przedmiotu Informacje ogólne Nazwa przedmiotu Metody aktuarialne Kod przedmiotu 11.5-WK-MATP-MA-W-S14_pNadGenEJ6TV Wydział Kierunek Wydział Matematyki, Informatyki i Ekonometrii

Bardziej szczegółowo

Procesy Stochastyczne - Zestaw 1

Procesy Stochastyczne - Zestaw 1 Procesy Stochastyczne - Zestaw 1 Zadanie 1 Niech ξ i η bed a niezależnymi zmiennymi losowymi o rozk ladach N (0, 1). Niech X = ξ +η i Y = ξ η. Znaleźć rozk lad (X, Y ) i rozk lad warunkowy L X ( Y ). Zadanie

Bardziej szczegółowo

Wyk lad 7 Baza i wymiar przestrzeni liniowej

Wyk lad 7 Baza i wymiar przestrzeni liniowej Wyk lad 7 Baza i wymiar przestrzeni liniowej 1 Baza przestrzeni liniowej Niech V bedzie przestrzenia liniowa. Powiemy, że podzbiór X V jest maksymalnym zbiorem liniowo niezależnym, jeśli X jest zbiorem

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

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

Bardziej szczegółowo

Wyk lad 12. (ii) najstarszy wspó lczynnik wielomianu f jest elementem odwracalnym w P. Dowód. Niech st(f) = n i niech a bedzie

Wyk lad 12. (ii) najstarszy wspó lczynnik wielomianu f jest elementem odwracalnym w P. Dowód. Niech st(f) = n i niech a bedzie 1 Dzielenie wielomianów Wyk lad 12 Ważne pierścienie Definicja 12.1. Niech P bedzie pierścieniem, który może nie być dziedzina ca lkowitości. Powiemy, że w pierścieniu P [x] jest wykonalne dzielenie z

Bardziej szczegółowo

Wyk lad 3 Wielomiany i u lamki proste

Wyk lad 3 Wielomiany i u lamki proste Wyk lad 3 Wielomiany i u lamki proste 1 Konstrukcja pierścienia wielomianów Niech P bedzie dowolnym pierścieniem, w którym 0 1. Oznaczmy przez P [x] zbiór wszystkich nieskończonych ciagów o wszystkich

Bardziej szczegółowo

Ubezpieczenia majątkowe

Ubezpieczenia majątkowe Funkcje użyteczności a składki Uniwersytet Przyrodniczy we Wrocławiu Instytut Nauk Ekonomicznych i Społecznych 2016/2017 Funkcja użyteczności Niech ω wielkość majątku decydenta wyrażona w j.p., u (ω) stopień

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

P. Urzyczyn: Materia ly do wyk ladu z semantyki. Uproszczony 1 j. ezyk PCF

P. Urzyczyn: Materia ly do wyk ladu z semantyki. Uproszczony 1 j. ezyk PCF 29 kwietnia 2013, godzina 23: 56 strona 1 P. Urzyczyn: Materia ly do wyk ladu z semantyki Uproszczony 1 j ezyk PCF Sk ladnia: Poniżej Γ oznacza otoczenie typowe, czyli zbiór deklaracji postaci (x : τ).

Bardziej szczegółowo

Dyskretne modele populacji

Dyskretne modele populacji Dyskretne modele populacji Micha l Machtel Adam Soboczyński 17 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 21 marca 2011 Zmienna losowa wst ep Przeprowadzane w praktyce badania i eksperymenty maja bardzo różnorodny charakter, niemniej jednak wiaż a sie z rejestracja jakiś sygna lów (danych). Moga to być na

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, wiadomości wstępne (I) Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 90...... Zadanie 1. (8 punktów) Załóżmy, że w diploidalnej populacji, dla której zachodzi prawo Hardy ego- Weinberga dla loci o dwóch allelach A i a proporcja osobników o genotypie AA wynosi

Bardziej szczegółowo

Zestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala

Zestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala Zestaw nr 6 Pochodna funkcji jednej zmiennej. Styczna do krzywej. Elastyczność funkcji. Regu la de l Hospitala November 12, 2009 Przyk ladowe zadania z rozwi azaniami Zadanie 1. Oblicz pochodne nastȩpuj

Bardziej szczegółowo

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015 Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20

Bardziej szczegółowo

Dyskretne modele populacji

Dyskretne modele populacji Dyskretne modele populacji Micha l Machtel Adam Soboczyński 19 stycznia 2007 Typeset by FoilTEX Dyskretne modele populacji [1] Wst ep Dyskretny opis modelu matematycznego jest dobry dla populacji w których

Bardziej szczegółowo

STATYSTYKA wykład 5-6

STATYSTYKA wykład 5-6 TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy

Bardziej szczegółowo

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

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

Bardziej szczegółowo

1. Ubezpieczenia życiowe

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

Bardziej szczegółowo

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 9 Analiza pewnego problemu i krótkie przypomnienie, czyli Powtarzanie jest matka nauki.

ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 9 Analiza pewnego problemu i krótkie przypomnienie, czyli Powtarzanie jest matka nauki. Wst ep do matematyki aktuarialnej Micha l Jasiczak Wyk lad 9 Analiza pewnego problemu i krótkie przypomnienie, czyli Powtarzanie jest matka nauki. 1 Zadanie (29) zawar l umowe kredytu w momencie ukończenia

Bardziej szczegółowo

LXIX Egzamin dla Aktuariuszy z 8 grudnia 2014 r.

LXIX Egzamin dla Aktuariuszy z 8 grudnia 2014 r. Komisja Egzaminacyjna dla Aktuariuszy LXIX Egzamin dla Aktuariuszy z 8 grudnia 2014 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie

METODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem

Bardziej szczegółowo

1. Niech g(t) oznacza gęstość wymierania, od momentu narodzin, pewnej populacji mężczyzn. Demografowie zauważyli, że po drobnej modyfikacji: =

1. Niech g(t) oznacza gęstość wymierania, od momentu narodzin, pewnej populacji mężczyzn. Demografowie zauważyli, że po drobnej modyfikacji: = . Niech g(t) oznacza gęstość wymierania, od momentu narodzin, pewnej populacji mężczyzn. Demografowie zauważyli, że po drobnej modyfikacji: ~ 0,9g( t) 0 t < 50 g ( t) =,2 g( t) 50 t. opisuje ona śmiertelność

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka

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

Bardziej szczegółowo

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

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

Wykład 3 Hipotezy statystyczne

Wykład 3 Hipotezy statystyczne Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza

Bardziej szczegółowo

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 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 szczegółowo

Wyk lad 14 Formy kwadratowe I

Wyk lad 14 Formy kwadratowe I Wyk lad 14 Formy kwadratowe I Wielomian n-zmiennych x 1,, x n postaci n a ij x i x j, (1) gdzie a ij R oraz a ij = a ji dla wszystkich i, j = 1,, n nazywamy forma kwadratowa n-zmiennych Forme (1) można

Bardziej szczegółowo

= µ. Niech ponadto. M( s) oznacza funkcję tworzącą momenty. zmiennej T( x), dla pewnego wieku x, w populacji A. Wówczas e x wyraża się wzorem: 1

= µ. Niech ponadto. M( s) oznacza funkcję tworzącą momenty. zmiennej T( x), dla pewnego wieku x, w populacji A. Wówczas e x wyraża się wzorem: 1 1. W populacji B natężenie wymierania µ ( B ) x jest większe od natężenia wymierania ( A) µ x w populacji A, jednostajnie o µ > 0, dla każdego wieku x tzn. ( B) ( A) µ µ x = µ. Niech ponadto x M( s) oznacza

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 19 kwietnia 2011 Testy dla dwóch grup 1 Analiza danych dla dwóch grup: test t-studenta dla dwóch grup sparowanych; test t-studenta dla dwóch grup niezależnych (jednakowe wariancje) test Z dla dwóch grup

Bardziej szczegółowo

Niech X bȩdzie dowolnym zbiorem. Dobry porz adek to relacja P X X (bȩdziemy pisać x y zamiast x, y P ) o w lasnościach:

Niech X bȩdzie dowolnym zbiorem. Dobry porz adek to relacja P X X (bȩdziemy pisać x y zamiast x, y P ) o w lasnościach: Teoria miary WPPT IIr semestr zimowy 2009 Wyk lad 4 Liczby kardynalne, indukcja pozaskończona DOBRY PORZA DEK 14/10/09 Niech X bȩdzie dowolnym zbiorem Dobry porz adek to relacja P X X (bȩdziemy pisać x

Bardziej szczegółowo

Optymalizacja Rozpoczniemy od przedstawienia kilku charakterystycznych przyk ladów zadań optymalizacji liniowej.

Optymalizacja Rozpoczniemy od przedstawienia kilku charakterystycznych przyk ladów zadań optymalizacji liniowej. Optymalizacja Rozpoczniemy od przedstawienia kilku charakterystycznych przyk ladów zadań optymalizacji liniowej. Zagadnienie diety. Jak wymieszać wymieszać pszenice, soje i maczk e rybna by uzyskać najtańsza

Bardziej szczegółowo

Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera

Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera Wyk lad 9 Podpierścienie, elementy odwracalne, dzielniki zera Określenie podpierścienia Definicja 9.. Podpierścieniem pierścienia (P, +,, 0, ) nazywamy taki podzbiór A P, który jest pierścieniem ze wzgledu

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w całej populacji wynoszą p 2, 2pq i q 2. Wiadomo, że czynnik selekcyjny sprawia, że osobniki o genotypie aa nie rozmnażają się. 1. Wyznacz częstości

Bardziej szczegółowo

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:

Bardziej szczegółowo

Matematyka ubezpieczeń życiowych 17 marca 2008 r.

Matematyka ubezpieczeń życiowych 17 marca 2008 r. 1. Niech oznacza przeciętne dalsze trwanie życia w ciągu najbliższego roku obliczone przy założeniu hipotezy interpolacyjnej o stałym natężeniu wymierania między wiekami całkowitymi. Podobnie niech oznacza

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka

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

Bardziej szczegółowo

Wyk ad II. Stacjonarne szeregi czasowe.

Wyk ad II. Stacjonarne szeregi czasowe. Wyk ad II. Stacjonarne szeregi czasowe. W wi ekszości przypadków poszukiwanie modelu, który dok adnie by opisywa zachowanie sk adnika losowego " t, polega na analizie pewnej klasy losowych ciagów czasowych

Bardziej szczegółowo

w teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak

w teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak Równania różniczkowe czastkowe w teorii funkcji. Dwa s lynne problemy. Micha l Jasiczak Horyzonty 2014 Podstawowy obiekt wyk ladu: funkcje holomorficzne wielu zmiennych Temat: dwa problemy, których znane

Bardziej szczegółowo

LIII Egzamin dla Aktuariuszy z 31 maja 2010 r.

LIII Egzamin dla Aktuariuszy z 31 maja 2010 r. Komisja Egzaminacyjna dla Aktuariuszy LIII Egzamin dla Aktuariuszy z 31 maja 2010 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

Wyk lad 14 Cia la i ich w lasności

Wyk lad 14 Cia la i ich w lasności Wyk lad 4 Cia la i ich w lasności Charakterystyka cia la Określenie cia la i w lasności dzia lań w ciele y ly omówione na algerze liniowej. Stosujac terminologie z teorii pierścieni możemy powiedzieć,

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Immunizacja ryzyka stopy procentowej ubezpieczycieli życiowych

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

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2016 Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, czerwiec 2016 Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach Dana jest następująca macierz wypłat gry o sumie zero: Podaj rozwiązanie tej gry. M = 3 2 2 2 3 4 5 2 3 3 2 2 4 2 0 3 3 3 Kredyt ma być spłacany na początku roku

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, Biomatematyka

EGZAMIN DYPLOMOWY, część II, Biomatematyka Biomatematyka Niech X n oznacza proporcję pozycji w nici DNA, które po n replikacjach są obsadzone takimi samymi nukleotydami, jak w chwili początkowej, tak więc X 0 = 1. Zakładamy, że w każdej replikacji

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,

Bardziej szczegółowo

Grupy i cia la, liczby zespolone

Grupy i cia la, liczby zespolone Rozdzia l 1 Grupy i cia la, liczby zespolone Dla ustalenia uwagi, b edziemy używać nast epuj acych oznaczeń: N = { 1, 2, 3,... } - liczby naturalne, Z = { 0, ±1, ±2,... } - liczby ca lkowite, W = { m n

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna. Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Bardziej szczegółowo

Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga

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

Bardziej szczegółowo

LXIII Egzamin dla Aktuariuszy z 25 marca 2013 r.

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

Bardziej szczegółowo

LXX Egzamin dla Aktuariuszy z 23 marca 2015 r.

LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

LXXII Egzamin dla Aktuariuszy z 28 września 2015 r.

LXXII Egzamin dla Aktuariuszy z 28 września 2015 r. Komisja Egzaminacyjna dla Aktuariuszy LXXII Egzamin dla Aktuariuszy z 28 września 2015 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym

Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Mnożniki funkcyjne Lagrange a i funkcje kary w sterowaniu optymalnym Sprowadzanie zadań sterowania optymalnego do zadań wariacyjnych metod a funkcji kary i mnożników Lagrange a - zadania sterowania optymalnego

Bardziej szczegółowo

Matematyka ubezpieczeń życiowych r.

Matematyka ubezpieczeń życiowych r. 1. W danej populacji intensywność śmiertelności zmienia się skokowo w rocznicę narodzin i jest stała aż do następnych urodzin. Jaka jest oczekiwana liczba osób z kohorty miliona 60-latków, które umrą po

Bardziej szczegółowo

XLIII Egzamin dla Aktuariuszy z 8 października 2007 r.

XLIII Egzamin dla Aktuariuszy z 8 października 2007 r. Komisja Egzaminacyjna dla Aktuariuszy XLIII Egzamin dla Aktuariuszy z 8 października 2007 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki.

Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki. Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki. Zaj ecia 5 Natalia Nehrebeceka 04 maja, 2010 Plan zaj eć 1 Rachunek prawdopodobieństwa Wektor losowy Wartość oczekiwana Wariancja Odchylenie

Bardziej szczegółowo

Zadanie 1. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny:

Zadanie 1. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny: Matematyka ubezpieczeń majątkowych 5.2.2008 r. Zadanie. Liczba szkód w każdym z trzech kolejnych lat dla pewnego ubezpieczonego ma rozkład równomierny: Pr ( N = k) = 0 dla k = 0,, K, 9. Liczby szkód w

Bardziej szczegółowo

RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ

RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ RACHUNEK OPERATOROWY MIKUSIŃSKIEGO I JEGO ZASTOSOWANIE DO RÓWNAŃ RÓŻNICZKOWYCH Tomasz Kochanek 1 Twierdzenie Titchmarsha Symbolem C[, ) oznaczać bedziemy przestrzeń wszystkich zespolonych funkcji ciag

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

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

Bardziej szczegółowo

Statystyka w analizie i planowaniu eksperymentu

Statystyka w analizie i planowaniu eksperymentu 5 marca 2011 Zasady 10 wyk ladów; egzamin pisemny; Literatura 1 A. Lomnicki Wprowadzenie do statystyki dla przyrodników PWN 1999. 2 W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski Rachunek

Bardziej szczegółowo

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej szczegółowo

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0

), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0 Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy

Bardziej szczegółowo

POCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy

POCHODNA KIERUNKOWA. DEFINICJA Jeśli istnieje granica lim. to granica ta nazywa siȩ pochodn a kierunkow a funkcji f(m) w kierunku osi l i oznaczamy POCHODNA KIERUNKOWA Pochodne cz astkowe funkcji f(m) = f(x, y, z) wzglȩdem x, wzglȩdem y i wzglȩdem z wyrażaj a prȩdkość zmiany funkcji w kierunku osi wspó lrzȩdnych; np. f x jest prȩdkości a zmiany funkcji

Bardziej szczegółowo

granicą ciągu funkcyjnego (f n ) n N W symbolicznym zapicie fakt, że f jest granicą ciągu funkcyjnego (f n ) n N możemy wyrazić następująco: ε>0 N N

granicą ciągu funkcyjnego (f n ) n N W symbolicznym zapicie fakt, że f jest granicą ciągu funkcyjnego (f n ) n N możemy wyrazić następująco: ε>0 N N 14. Określenie ciągu i szeregu funkcyjnego, zbieżność punktowa i jednostajna. Własności zbieżności jednostajnej. Kryterium zbieżności jednostajnej szeregu funkcyjnego. 1 Definicja Ciąg funkcyjny Niech

Bardziej szczegółowo

Matematyka ubezpieczeń na życie Life Insurance Mathematics. Matematyka Poziom kwalifikacji: II stopnia. Liczba godzin/tydzień: 2W E, 2C

Matematyka ubezpieczeń na życie Life Insurance Mathematics. Matematyka Poziom kwalifikacji: II stopnia. Liczba godzin/tydzień: 2W E, 2C Nazwa przedmiotu: Kierunek: Rodzaj przedmiotu: przedmiot obowiązkowy dla specjalności matematyka finansowa i ubezpieczeniowa Rodzaj zajęć: wykład, ćwiczenia Matematyka ubezpieczeń na życie Life Insurance

Bardziej szczegółowo

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa

Błędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie

Bardziej szczegółowo

LVI Egzamin dla Aktuariuszy z 4 kwietnia 2011 r.

LVI Egzamin dla Aktuariuszy z 4 kwietnia 2011 r. Komisja Egzaminacyjna dla Aktuariuszy LVI Egzamin dla Aktuariuszy z 4 kwietnia 2011 r. Część II Matematyka ubezpieczeń życiowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

1 Przekształcenie Laplace a

1 Przekształcenie Laplace a Przekztałcenie Laplace a. Definicja i podtawowe właności przekztałcenia Laplace a Definicja Niech dana będzie funkcja f określona na przedziale [,. Przekztałcenie (tranformatę Laplace a funkcji f definiujemy

Bardziej szczegółowo

Kryptografia - zastosowanie krzywych eliptycznych

Kryptografia - zastosowanie krzywych eliptycznych Kryptografia - zastosowanie krzywych eliptycznych 24 marca 2011 Niech F będzie ciałem doskonałym (tzn. każde rozszerzenie algebraiczne ciała F jest rozdzielcze lub równoważnie, monomorfizm Frobeniusa jest

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady statystyk z próby Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny

Bardziej szczegółowo

LOGIKA ALGORYTMICZNA

LOGIKA ALGORYTMICZNA LOGIKA ALGORYTMICZNA 0.0. Relacje. Iloczyn kartezjański: A B := (a, b) : a A i b B} (zak ladamy, że (x, y) i (u, v) s a równe wtedy i tylko wtedy gdy x = u i y = v); A n := (x 1,..., x n ) : x i A}; R

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa

STATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem

Bardziej szczegółowo

Funkcje wielu zmiennych

Funkcje wielu zmiennych Funkcje wielu zmiennych 13 Zbiory w przestrzeni Definicja Przestrzeni a trójwymiarow a (przestrzeni a) nazywamy zbiór wszystkich trójek uporz adkowanych (x y z) gdzie x y z R. Przestrzeń tȩ oznaczamy symbolem

Bardziej szczegółowo

WYK LAD 2: PODSTAWOWE STRUKTURY ALGEBRAICZNE, PIERWIASTKI WIELOMIANÓW, ROZK LAD FUNKCJI WYMIERNEJ NA U LAMKI PROSTE

WYK LAD 2: PODSTAWOWE STRUKTURY ALGEBRAICZNE, PIERWIASTKI WIELOMIANÓW, ROZK LAD FUNKCJI WYMIERNEJ NA U LAMKI PROSTE WYK LAD 2: PODSTAWOWE STRUKTURY ALGEBRAICZNE, PIERWIASTKI WIELOMIANÓW, ROZK LAD FUNKCJI WYMIERNEJ NA U LAMKI PROSTE Definicja 1 Algebra abstrakcyjna nazywamy teorie, której przedmiotem sa dzia lania na

Bardziej szczegółowo

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

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

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka Biomatematyka Rozpatrzmy chorobę, która rozprzestrzenia się za pośrednictwem nosicieli, u których nie występują jej symptomy. Niech C(t) oznacza liczbę nosicieli w chwili t. Zakładamy, że nosiciele są

Bardziej szczegółowo

XLVII Egzamin dla Aktuariuszy z 6 października 2008 r.

XLVII Egzamin dla Aktuariuszy z 6 października 2008 r. Komisja Egzaminacyjna dla Aktuariuszy XLVII Egzamin dla Aktuariuszy z 6 października 2008 r. Część II Matematyka ubezpieczeń Ŝyciowych Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut Warszawa,

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

Zdarzenia losowe i prawdopodobieństwo

Zdarzenia losowe i prawdopodobieństwo Rozdział 1 Zdarzenia losowe i prawdopodobieństwo 1.1 Klasyfikacja zdarzeń Zdarzenie elementarne pojęcie aprioryczne, które nie może być zdefiniowane. Odpowiednik pojęcia punkt w geometrii. Zdarzenie elementarne

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach

Bardziej szczegółowo

I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.

I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji. Niech x 0 R i niech f będzie funkcją określoną przynajmniej na

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu

Bardziej szczegółowo

Statystyka i eksploracja danych

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

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (II)

Równanie przewodnictwa cieplnego (II) Wykład 5 Równanie przewodnictwa cieplnego (II) 5.1 Metoda Fouriera dla pręta ograniczonego 5.1.1 Pierwsze zagadnienie brzegowe dla pręta ograniczonego Poszukujemy rozwiązania równania przewodnictwa spełniającego

Bardziej szczegółowo

13 Równanie struny drgającej. Równanie przewodnictwa ciepła.

13 Równanie struny drgającej. Równanie przewodnictwa ciepła. Równanie struny drgającej. Równanie przewodnictwa ciepła 13 1 13 Równanie struny drgającej. Równanie przewodnictwa ciepła. 13.1 Równanie struny drgającej Równanie różniczkowe liniowe drugiego rzędu typu

Bardziej szczegółowo

Wyk lad 5 Grupa ilorazowa, iloczyn prosty, homomorfizm

Wyk lad 5 Grupa ilorazowa, iloczyn prosty, homomorfizm Wyk lad 5 Grupa ilorazowa, iloczyn prosty, homomorfizm 1 Grupa ilorazowa Niech H b edzie dzielnikiem normalnym grupy G. Oznaczmy przez G/H zbiór wszystkich warstw lewostronnych grupy G wzgl edem podgrupy

Bardziej szczegółowo

Równanie przewodnictwa cieplnego (I)

Równanie przewodnictwa cieplnego (I) Wykład 4 Równanie przewodnictwa cieplnego (I) 4.1 Zagadnienie Cauchy ego dla pręta nieograniczonego Rozkład temperatury w jednowymiarowym nieograniczonym pręcie opisuje funkcja u = u(x, t), spełniająca

Bardziej szczegółowo