Prawdopodobieństwo geometryczne
|
|
- Artur Czarnecki
- 7 lat temu
- Przeglądów:
Transkrypt
1
2 Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt wewnątrz kwadratu znajduje sę w odległośc mnejszej nż r od wybranego rogu kwadratu. Szukane p-two wyraża sę stosunkem pola powerzchn częśc wspólnej okręgu o promenu r kwadratu do pola powerzchn kwadratu (równego ): r x πr r < P r x dx x r x + r arcsn r 2 4 r > 0 0 r r π r π r 2 2 P r x dx 2 r x dx 2 r r arcsn r r + r arcsn r πr 4 Wdać, że dla r 2, p-two osąga wartość równą. 2 M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-2 r 2
3 Wzór Strlnga Funkcja gamma Eulera zdefnowana jest przez: z x Γ ( z + ) x e d x Ze zwązku tego wynka, że: Γ(z+) zγ(z) a stąd dla wartośc całkowtych z n mamy: Γ(n+) n! Postać całkowa dopuszcza uogólnene funkcj slna na dowolne lczby rzeczywste, różne od ujemnych całkowtych. W szczególnośc (dla n, 2, ): n Γ π Γ n + π n Wzór Strlnga pozwala na przyblżone oblczane funkcj slna: x ( x ) x! x + exp Γ + 2 π x x 360 x Przykład: dla!,.92 dla 2!, 8.02 dla 5!20, 0.08% błąd dla 00! M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-3 0
4 Prawdopodobeństwo warunkowe Przykład: Wydajemy ksążkę. Po złożenu przez zecera wydrukowanu tzw. szczotk oddajemy po jednej kop dwóm korektorom, których zadanem jest sprawdzene tekstu. A, A C, C A lczba błędów znalezona przez korektora A B lczba błędów znalezona przez korektora B C lczba błędów znalezona jednocześne przez obu korektorów. B, B P( A) P( B) A B C A C P A P B A P A A A C P C P A B C B C P B P A B P B B B P-twem warunkowym P(A B) zdarzena A pod warunkem B nazywamy p-two zajśca zdarzena A oblczone przy założenu, że zaszło zdarzene B (przy czym zakładamy, że P(B)>0). M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-4
5 Prawdopodobeństwo warunkowe Defncja: Prawdopodobeństwem warunkowym nazywamy lczbę określoną przez (P(B) > 0): P( A B) Twerdzene: P-two loczynu n zdarzeń można przedstawć w postac: P( A B) P( B) P(A A 2 A n ) P(A A 2 A 3 A n ) P(A 2 A 3 A 4 A n ) P(A n ) Przykład: Załóżmy, że w populacj złożonej z osób jest K kobet, D osób obu płc obcążonych wadą wzroku zwaną daltonzmem oraz KD kobet daltonstek. P-two, że losowo wybrana osoba jest kobetą wynos: K P K P-two, że losowo wybrana osoba jest daltonstą wynos: D P D P-two, że losowo wybrana osoba jest kobetą daltonstką: K D P K D P-two, że losowo wybrana KD KD/ P D K P( D K) kobeta ne rozróżna kolorów: / P( K) K K P-two, że losowo wybrana osoba, która ne rozróżna kolorów jest kobetą: KD KD/ P D K P K D / P( D) D D M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-5
6 Prawdopodobeństwo warunkowe Przykład: Jake jest p-two, że dn urodzn dwóch losowo wybranych osób są różne (B 2 )? P B 2 Jake jest p-stwo, że dn urodzn trzech losowo wybranych osób są różne (B 3 )? A 3 dzeń urodzn trzecej osoby jest różny od dn urodzn dwóch perwszych osób 365 ( ) P B P A B P A B P B P( A 3 B2) P( B3) P( A 3 B2) P( B 2) W przypadku n osób mamy: P B P A B P A B P B P A B P A B P B n n n n n- n- n n- n- n-2 n-2 n n 2 2 P( A n B n-)... P( A 3 B2) P( B 2) Uwaga: W rozwązywanu problemów ważne jest które zdarzene jest warunkem: P A B P A B P B albo P A B P B A P A M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-6
7 ezależność zdarzeń Defncja: Zdarzena A B nazywamy statystyczne nezależnym gdy spełnona jest relacja P(A B) P(A) P(B). Korzystając z defncj p-twa warunkowego, p-two loczynu zdarzeń A B możemy zapsać w postac: P(A B)P(A) P(B A) gdy P(A)>0 oraz P(A B)P(B) P(A B) gdy P(B)>0. Jeśl P(A)>0 P(B)>0 to warunkem konecznym wystarczającym na to aby zdarzena były nezależne jest aby P(A B) P(A) lub P(B A) P(B). Przykład: Rozważmy dwa zdarzena określone na zborze lczb całkowtych od do 00: A lczba wylosowana z tego zboru jest podzelna przez 3, B wylosowana lczba jest podzelna przez 7. Czy zdarzena A B są statystyczne nezależne? P(A) 33/00, P(B) 4/00, P(A B) 4/00 P(A) P(B) P(A B) Gdy jednak rozszerzymy zbór o lczby 0, 02, 03, to wówczas mamy: P(A) 35/05, P(B) 5/05, P(A B) 5/05 P(A) P(B) P(A B) M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-7
8 ezależność zdarzeń Twerdzene: A jest nezależne od B A jest nezależne od B D: nezależne od nezależne od P A B P A B A B P A P A P A B P A B A B P A P A Defncja: Mówmy, że zdarzena A, A 2,, A n są wzajemne nezależne, jeśl p-two łącznego zajśca dowolnych m n różnych zdarzeń spośród nch jest równe loczynow p-stw tych zdarzeń, czyl naturalnych, 2,, m n. Defncja: Zdarzena A, A 2,, A n są nezależne param gdy każde dwa różne spośród nch są nezależne, czyl P(A A j ) P(A ) P(A j ) dla j (gdze, j, 2,, n). P(A A 2 A m ) P(A ) P(A 2 ) P(A m ) dla każdego m n każdego m-wyrazowego rosnącego cągu, 2,, m lczb Uwaga: Zdarzena wzajemne nezależne są nezależne param. M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-8
9 ezależność zdarzeń - przykłady Przykład: W eksperymence polegającym na dwukrotnym rzuce monetą określamy: A orzeł w perwszym rzuce, B orzeł w drugm rzuce, C to samo w obu rzutach P A P B oraz P C P A B + P A B P C A P B A P B P( C) oraz P( C B) P( C) 2 P A B C P A B ale P A P B P C 4 8 Wnosek: Zdarzena A, B C są param nezależne, ale ne są wzajemne nezależne. Przykład: P-two wystąpena przynajmnej jednego z n nezależnych zdarzeń. Dla n 3: P( A B C) P( A) + P( B) + P( C) P( B C) P( A B) P( A C) + P( A B C) P( A) + P( B) + P( C) P( B) P( C) P( A) P( B) P( A) P( C) + P( A) P( B) P( C) Proścej dochodzmy do tego wynku, korzystając z p-twa zdarzena przecwnego. Dla n nezależnych zdarzeń mamy: ( 2 n) ( 2 n) ( 2 n) P( A) P( A2) P( A n) ( P( A) )( P( A2) ) ( P( A n) ) P A A A P A A A P A A A M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-9
10 Efektywność detektora Przykład: Efektywność (wydajność) detektora A to lczba p A określająca p-two rejestracj pojedynczej cząstk, która wpadła do jego wnętrza. Rozwązane teoretyczne: kerujemy na detektor znaną lczbę cząstek, znajdujemy lczbę cząstek A, które zostały zarejestrowane oblczamy p A A /. W praktyce jednak lczba cząstek padających ne jest znana! Rozwązane praktyczne: ustawamy na wązce drug detektor B, który rejestruje B cząstek, podczas gdy detektor A zarejestrował A cząstek. Gdybyśmy znal efektywność detektora B wówczas oczywśce p A ( A / B ) p B Zakładamy, że detektory dzałają nezależne od sebe fakt rejestracj cząstk przez jeden z nch ne wpływa w żaden sposób na rejestrację cząstk w drugm detektorze. Z nezależnego, P(A B) P(A) P(B), dzałana obu detektorów mamy: p A p p p p p p p p p A B A B C A B A B C B B B B A A A Ocena lczby cząstek: p A C / B A / f A B / C M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-0
11 Prawdopodobeństwo całkowte Przykład: Test na chorobę szalonych krów BSE. Defnujemy zdarzena: T wynk testu pozytywny, B krowa jest chora na BSE. Wadomo, że P T B oraz P T B 0. 0 a także, że P(B) 0.02 Szukamy p-twa, że test wykonany dla losowo wybranej krowy, da wynk pozytywny. T T B T B P T P T B + P T B Wykorzystując dane p-twa warunkowe możemy napsać: P T P T B P B + P T B P B 0. 2 { } Defncja: Zbór zdarzeń H H,H 2,... nazywamy podzałem przestrzen zdarzeń elementarnych jeśl spełnone są warunk H H j, dla j oraz H Ω Defncja: Dysponując dwoma podzałam H { H,H 2,... } oraz K { K,K 2,... } mówmy, że podzał H jest bardzej szczegółowy nż K jeśl dla każdego zdarzena H H stneje zdarzene K j K take, że H K. j Przykład: Dysponując dowolnym zdarzenem A można utworzyć podzał K { A, A} Przykład: Para zdarzeń A B pozwala zdefnować zbory, które tworzą podzał H (będący podzałem bardzej szczegółowym nż podzał K z poprzednego przykładu): H A B, H A B, H A B, H A B, M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-
12 Prawdopodobeństwo całkowte Twerdzene (o prawdopodobeństwe całkowtym): Jeśl B jest dowolnym zdarzenem, zaś zdarzena A, A 2,, A n (P(A ) > 0 dla, 2,, n), są param rozłączne (A A j gdy j) oraz ch suma jest zdarzenem pewnym (A A 2 A n Ω) to p-two zdarzena B jest równe: P B P B A P A P B A P A... P B A P A Dowód: 2 2 n n ( ) ( 2) ( n) P( B A) P( B A 2)... P( B An) P( B A ) P( A ) P( B A ) P( A )... P( B A ) P( A ) P B P B A B A... B A Uwaga: W przypadku kedy podzał przestrzen zdarzeń elementarnych jest neskończony, ale przelczalny, to twerdzene o p-twe całkowtym zapsujemy w postac: P B P B A P A + P B A P A M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-2 n n
13 Prawdopodobeństwo całkowte Przykład: Dane jest n+ urn z bałym oraz czarnym kulam, przy czym stosunek lczby bałych kul do wszystkch dla -tej urny wynos /n (0,, 2,, n). Z losowo wybranej urny poberamy jedną kulę. Ile wynos p-two, że wybrana kula jest bała? P-two wyboru każdej z urn wynos: P-two (warunkowe) wylosowana kul bałej z -tej urny jest równe: Zakładając, że wynk testu jest pozytywny, jake jest p-two, że dana krowa ma BSE? Welkośc dane: P T B 0. 70, P T B 0. 0, P B Szukamy p-twa warunkowego: Otrzymujemy: P B T P( 0) P P( 2) P( n) P( B T) P T B P B P( T) P T B P B + P T B P B oraz P B T P B T P B Szukane p-two wylosowana kul bałej wyznaczamy z formuły p-twa całkowtego: n k P( B) P( B ) P + P( B ) P + + P( B n) P( n) 0 0 n+ k 0 n 2 Przykład: Test na chorobę szalonych krów BSE. M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-3 n + n
14 Prawdopodobeństwo całkowte Twerdzene: ech zdarzena H, H 2,, H n spełnają warunk twerdzena o p-twe całkowtym, oraz A B będą zdarzenam takm, że P( B ) >0, wówczas zachodz Dowód: ( ) ( ) P A B P A B H P H B ( ) ( ) ( ) P A B H P H B P( A B H) P( H B) P B H P( B) P( A B) P( A B H) P A B H P A B P( B) P B P( B) Twerdzene: ech będą dane dwa podzały H H, przy czym podzał H jest bardzej szczegółowy nż podzał H. Jeśl H H... H k to dla dowolnego zdarzena A, p-twa warunkowe względem podzałów H H spełnają relację: k ( j) ( j ) P A H P A H P H H Dowód: j k k k P( A H H j ) P A H P A H H P A H H P( A H H j j j ) P H k P( A H k ) P( A H ) P( H k ) P( H H k j j j j ) P H P H P H M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-4 j j P A H P A H P H H j j j j j j j
15 Twerdzene Bayes a Twerdzene Bayes a: Jeżel B jest dowolnym zdarzenem o dodatnm p-twe, zaś zdarzena A, A 2,, A n spełnają warunk twerdzena o p-twe całkowtym, to p-two warunkowe P(A k B) zdarzena A k (k,, n) przy warunku B dane jest przez: ( B) P A p-two a posteror, tzn. po zaobserwowanu danych p-two zaobserwowana danych przy założenu prawdzwośc hpotezy k P( B A ) P( A ) P B A P A P B A P A n P( B) k k k k M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-5 p-two a pror, tzn. przed zaobserwowanem danych normalzacja suma po wszystkch hpotezach Przykład: Studentow zadano pytane przedstawono n możlwych odpowedz, z których tylko jedna jest poprawna. Jeśl student zna tę odpowedź to na pewno ją wyberze, ale jeśl jej ne zna to wybera jedną na chybł-trafł. Wykładowca zakłada, że z p-twem P(Z)0.5 student zna poprawną odpowedź. Jake jest p-two, że student stotne zna poprawną odpowedź, jeśl taką wybrał? P ( W Z) P( Z) n P W Z, P Z, P W + P( Z W) 2 2 n 2 P( W) n +
16 Twerdzene Bayes a - przykład Przykład: Detektor cząstek ustawony jest na wązce składającej sę w 90% z ponów w 0% z protonów. Detektor ma wydajność detekcj protonu 95%, ale w 2% przypadków błędne dentyfkuje pon jako proton. Jake jest p-two, że przez detektor faktyczne przeszedł proton? A zdarzene polegające na rejestracj cząstk przez detektor p cząstką padającą był proton; π cząstką padającą był pon P(p) 0.0 P(π) 0.90 P(A p) 0.95 P(A π) 0.02 P(A) P(A Ω) P(A (p π)) P((A p) (A π)) P(A p) + P(A π) P(A p) P(p) + P(A π) P(π) P-twa że przez detektor faktyczne przeszedł proton lub pon wyznaczamy z twerdzena Bayes a: P A p P p P( p A ) 84. % P( A) 0. 3 ( π ) ( π ) P A P P ( π A ) 5. 9% P( A) 0. 3 Gdyby P(A p)0. to wówczas P(p A) 5.4% oraz P(π A) 48.6% M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-6
17 Twerdzene Bayes a w Idź na całość W programe telewzyjnym Idź na całość prezentowano uczestnkow troje drzw: za jednym z nch jest ukryty samochód, a za pozostałym dwoma znajduje sę zonk. Uczestnk programu wygrywa to co znajduje sę za wybranym przez nego drzwam. m jednak otworzone zostają wskazane przez uczestnka drzw, prowadzący program, który we co znajduje sę za wszystkm drzwam, otwera te drzw z dwóch pozostałych za którym znajduje sę zonk. astępne zezwala grającemu zmenć decyzję co do wybranych przez sebe drzw. Co pownen zrobć uczestnk programu? Możlwe są trzy (I, II, III) układy drzw (A, B, C) przedmotów (S, Z): Przed otwarcem jednych z drzw, p-two każdego z układów jest take samo wynos P(I) P(II) P(III) /3 (a pror ). Załóżmy, że wyberamy początkowo drzw A, natomast prowadzący program, który we gdze jest samochód, otwera drzw B. Interesuje nas, które p-two warunkowe (a posteror) jest wększe: P(I B) p-two, że wystąpł układ I jeśl prowadzący otwarł drzw B P(III B) p-two, że wystąpł układ III jeśl prowadzący otwarł drzw B A B C I S Z Z II Z S Z III Z Z S M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-7
18 Twerdzene Bayes a w Idź na całość P-two, że prowadzący otworzył drzw B wynos: P( B) P( B I) P( I) + P( B II) P( II) + P( B III) P( III) Oblczamy oba p-twa warunkowe: P( B I) P( I) P( I B) 2 3 P( B III) P( III) P( III B) 3 2 P( B) 3 P( B) Wnosek: ależy zmenć perwotny wybór! Uwaga: Jeśl prowadzący ne we za którym drzwam jest samochód otworzył drzw B (za którym okazało sę, że ne ma samochodu) to ne ma znaczena czy zmenmy nasz perwotny wybór czy ne: P( B) P( B I) P( I) + P( B II) P( II) + P( B III) P( III) P( B I) P( I) P( I B) 3 2 P( B III) P( III) P( III B) 3 2 P( B) 2 P( B) M. Przybyceń Rachunek prawdopodobeństwa statystyka Wykład 2-8
+ r arcsin. M. Przybycień Rachunek prawdopodobieństwa i statystyka π r x
Prawdopodobieństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźnie i wypełnia wnętrze kwadratu [0 x 1; 0 y 1]. Znajdź p-stwo, że dowolny
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowo1.1. Uprość opis zdarzeń: 1.2. Uprościć opis zdarzeń: a) A B A Uprościć opis zdarzeń: 1.4. Uprościć opis zdarzeń:
.. Uprość ops zdarzeń: a) A B, A \ B b) ( A B) ( A' B).. Uproścć ops zdarzeń: a) A B A b) A B, ( A B) ( B C).. Uproścć ops zdarzeń: a) A B A B b) A B C ( A B) ( B C).4. Uproścć ops zdarzeń: a) A B, A B
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoP (A B) P (B) = 1/4 1/2 = 1 2. Zakładamy, że wszystkie układy dwójki dzieci: cc, cd, dc, dd są jednakowo prawdopodobne.
Wykład Prawdopodobieństwo warunkowe Dwukrotny rzut symetryczną monetą Ω {OO, OR, RO, RR}. Zdarzenia: Awypadną dwa orły, Bw pierwszym rzucie orzeł. P (A) 1 4, 1. Jeżeli już wykonaliśmy pierwszy rzut i wiemy,
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoMECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko
MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoNieparametryczne Testy Istotności
Neparametryczne Testy Istotnośc Wzory Neparametryczne testy stotnośc schemat postępowana punkt po punkce Formułujemy hpotezę główną odnoszącą sę do: zgodnośc populacj generalnej z jakmś rozkładem, lub:
Bardziej szczegółowoRachunek prawdopodobieństwa
Rachunek prawdopodobieństwa Sebastian Rymarczyk srymarczyk@afm.edu.pl Tematyka zajęć 1. Elementy kombinatoryki. 2. Definicje prawdopodobieństwa. 3. Własności prawdopodobieństwa. 4. Zmienne losowe, parametry
Bardziej szczegółowotermodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi
fzka statstczna stan makroskopow układ - skończon obszar przestrzenn (w szczególnośc zolowan) termodnamka fenomenologczna p, VT V, teora knetczno-molekularna termodnamka statstczna n(v) stan makroskopow
Bardziej szczegółowoPrawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym
Edward Stachowski Prawdopodobieństwo warunkowe Twierdzenie o prawdopodobieństwie całkowitym W podstawie programowej obowiązującej na egzaminie maturalnym od 05r pojawiły się nowe treści programowe Wśród
Bardziej szczegółowoL.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 1 ZADANIA - ZESTAW 1. (odp. a) B A C, b) A, c) A B, d) Ω)
ZADANIA - ZESTAW 1 Zadanie 1.1 Rzucamy trzy razy monetą. A i - zdarzenie polegające na tym, że otrzymamy orła w i - tym rzucie. Określić zbiór zdarzeń elementarnych. Wypisać zdarzenia elementarne sprzyjające
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń.
Rachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń. 3.1 Prawdopodobieństwo warunkowe Katarzyna Rybarczyk-Krzywdzińska Przykład 1 Alicja wylosowała jedną kartę z
Bardziej szczegółowoma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji
Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń.
Rachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń. 3.1 Prawdopodobieństwo warunkowe Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2016/2017 Przykład 1 Alicja
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowo0 0,2 0, p 0,1 0,2 0,5 0, p 0,3 0,1 0,2 0,4
Zad. 1. Dana jest unkcja prawdopodobeństwa zmennej losowej X -5-1 3 8 p 1 1 c 1 Wyznaczyć: a. stałą c b. wykres unkcj prawdopodobeństwa jej hstogram c. dystrybuantę jej wykres d. prawdopodobeństwa: P (
Bardziej szczegółowoMETODY PROBABILISTYCZNE I STATYSTYKA
Andrzej Marciniak METODY PROBABILISTYCZNE I STATYSTYKA Wykłady dla studentów kierunku informatyka Państwowej Wyższej Szkoły Zawodowej w Kaliszu Wykłady są przeznaczone wyłącznie do indywidualnego użytku
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I (SGH)
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I (SGH) Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 1 1 / 24 Warunki zaliczenia 1 Do egzaminu dopuszczeni wszyscy, którzy uczęszczali na
Bardziej szczegółowoDODATKOWA PULA ZADAŃ DO EGZAMINU. Rozważmy ciąg zdefiniowany tak: s 0 = a. s n+1 = 2s n +b (dla n=0,1,2 ) Pokaż, że s n = 2 n a +(2 n =1)b
DODATKOWA PULA ZADAŃ DO EGZAMINU Rozważmy ciąg zdefiniowany tak: s 0 = a s n+1 = 2s n +b (dla n=0,1,2 ) Pokaż, że s n = 2 n a +(2 n =1)b Udowodnij, że liczba postaci 5 n+1 +2 3 n +1 jest podzielna przez
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoParametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 2 Magdalena Alama-Bućko 5 marca 2018 Magdalena Alama-Bućko Statystyka matematyczna 5 marca 2018 1 / 14 Prawdopodobieństwo klasyczne Ω - zbiór wszystkich zdarzeń elementarnych
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoRUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.
RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoStatystyka Astronomiczna
Statystyka Astronomiczna czyli zastosowania statystyki w astronomii historycznie astronomowie mieli wkład w rozwój dyscypliny Rachunek prawdopodobieństwa - gałąź matematyki Statystyka - metoda oceny właściwości
Bardziej szczegółowoKwantowa natura promieniowania elektromagnetycznego
Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoBADANIE NIEZAWODNOŚCI DIAGNOZ
ZAKŁA EKSOATACJI SYSTEMÓW EEKTOICZYCH ISTYTUT SYSTEMÓW EEKTOICZYCH WYZIAŁ EEKTOIKI WOJSKOWA AKAEMIA TECHICZA -------------------------------------------------------------------------------------------------------------------------------
Bardziej szczegółowoOkreślanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2
T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej
Bardziej szczegółowoPrawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018
Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy
Bardziej szczegółowoma rozkład normalny z nieznaną wartością oczekiwaną m
Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 2
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 2 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Prawdopodobieństwo geometryczne
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej szczegółowo. Wtedy E V U jest równa
Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA
RACHUNEK PRAWDOPODOBIEŃSTWA Zadanie 1. W urnie jest 1000 kartoników będących losami loterii pieniężnej. Cztery z kartoników wygrywają po 100 zł i szesnaście po 10 zł. Reszta kartoników to losy puste. Pierwszy
Bardziej szczegółowoZadanie 1. Udowodnij, że CAUS PRAM. Załóżmy przetwarzanie przyczynowo spójne. Dla każdego obrazu historii hv i zachodzi zatem:
Zadane 1 Udowodnj, że CAUS PRAM Załóżmy przetwarzane przyczynowo spójne. Dla każdego obrazu hstor hv zachodz zatem: O OW O OW x X p j o O o1 o2 o1 o2 o1 j o2 ( o1 = w( x) v o2 = r( x) v) o1 o2 ( o1 o o2)
Bardziej szczegółowoPodstawy nauk przyrodniczych Matematyka
Podstawy nauk przyrodniczych Matematyka Elementy rachunku prawdopodobieństwa dr inż. Małgorzata Szeląg Zakład Genetyki Molekularnej Człowieka tel. 61 829 59 04 malgorzata.szelag@amu.edu.pl Pokój 1.118
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoKURS PRAWDOPODOBIEŃSTWO
KURS PRAWDOPODOBIEŃSTWO Lekcja 3 Definicja prawdopodobieństwa Kołmogorowa. Prawdopodobieństwa warunkowe i niezależne. ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź (tylko
Bardziej szczegółowoPrawdopodobieństwo
Prawdopodobieństwo http://www.matemaks.pl/ Wstęp do rachunku prawdopodobieństwa http://www.matemaks.pl/wstep-do-rachunku-prawdopodobienstwa.html Rachunek prawdopodobieństwa pomaga obliczyć szansę zaistnienia
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka Matematyczna
Rachunek rawdopodobieństwa i Statystyka Matematyczna rowadzący: prof. dr hab. inż. Ireneusz Jóźwiak Zestaw nr. Opracowanie: Grzegorz Drzymała 4996 Grzegorz Dziemidowicz 49965 drian Gawor 49985 Zadanie..
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoPODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH
PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających
Bardziej szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej szczegółowoWykład 11: Podstawowe pojęcia rachunku prawdopodobieństwa
Wykład : Podstawowe pojęcia rachunku prawdopodobieństwa dr Mariusz Grządziel 3 maja 203 Doświadczenie losowe Doświadczenie nazywamy losowym, jeśli: może być powtarzane (w zasadzie) w tych samych warunkach;
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoMatematyczne Podstawy Kognitywistyki
Matematyczne Podstawy Kognitywistyki Dorota Leszczyńska-Jasion Kombinatoryka, ci agi liczbowe, skończone przestrzenie probabilistyczne Przykłady zagadnień kombinatorycznych Rozważmy układ n miast o bardzo
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń.
Rachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń. 3.2. Niezależność zdarzeń Katarzyna Rybarczyk-Krzywdzińska Niezależność dwóch zdarzeń Intuicja Zdarzenia losowe
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowo02DRAP - Aksjomatyczna definicja prawdopodobieństwa, zasada w-w
02DRAP - Aksjomatyczna definicja prawdopodobieństwa, zasada w-w A Zadania na ćwiczenia Zadanie A.1. Niech Ω = R oraz F będzie σ-ciałem generowanym przez rodzinę wszystkich przedziałów otwartych typu (,
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoWykład Efekt Joule a Thomsona
Wykład 5 4.5 Efekt Joule a Thomsona Rozpatrzmy następujący proces rozprężana sę gazu. Rozprężane gazu następuje w warunkach zolacj termcznej, (dq=0) od stanu początkowego p,v,t,, do stanu końcowego p f,
Bardziej szczegółowoW. Guzicki Próbna matura, grudzień 2014 r. poziom rozszerzony 1
W. Guzicki Próbna matura, grudzień 20 r. poziom rozszerzony Próbna matura rozszerzona (jesień 20 r.) Zadanie kilka innych rozwiązań Wojciech Guzicki Zadanie. Oblicz prawdopodobieństwo warunkowe, że w trzykrotnym
Bardziej szczegółowoP r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt.
P r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt. Lekcja 2 Temat: Podstawowe pojęcia związane z prawdopodobieństwem. Str. 10-21 1. Doświadczenie losowe jest to doświadczenie,
Bardziej szczegółowoDOŚWIADCZENIA WIELOETAPOWE
. 4. DOŚWIADCZENIA WIELOETAPOWE Drzewem stochastycznym nazywamy graf ilustrujący przebieg wieloetapowego doświadczenia losowego. Wierzchołkom drzewa stochastycznego przyporządkowane są wyniki poszczególnych
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 1 Magdalena Alama-Bućko 20 lutego 2017 Magdalena Alama-Bućko Statystyka matematyczna 20 lutego 2017 1 / 21 Wykład : 10h (przez 10 tygodni po 45 minut) Ćwiczenia : 15h (45
Bardziej szczegółowoZdarzenie losowe (zdarzenie)
Zdarzenie losowe (zdarzenie) Ćw. 1. Ze zbioru cyfr (l, 2,3,..., 9} losowo wybieramy jedną. a) Wypisz zdarzenia elementarne, sprzyjające: zdarzeniu A, że wybrano liczbę parzystą zdarzeniu B, że wybrano
Bardziej szczegółowoKURS PRAWDOPODOBIEŃSTWO
KURS PRAWDOPODOBIEŃSTWO Lekcja 4 Prawdopodobieństwo całkowite i twierdzenie Bayesa. Drzewko stochastyczne. Schemat Bernoulliego. ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź
Bardziej szczegółowo