i=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 =
|
|
- Aneta Bukowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Kombinatoryka W tej serii zadań można znaleźć pojawiające się na egzaminach zadania dotyczące problemu wyznaczania prostych parametrów rozkładu w przypadku zgadnień kombinatorycznych. Zadania te wymagają podstawowej wiedzy kombinatorycznej oraz dyskretnych zmiennych losowych.. (Eg / W urnie znajduje się kul, z których jest białych i czarnych. Losujemy bez zwracania kul, a następnie z pozostałych kul. Niech S oznacza liczbę kul białych uzyskaną w drugim losowaniu. Oblicz VarS. Odp: B->. Rozwiązanie. Stosujemy zmienne włączeniowe, X i {0, }, i {,,..., }, gdzie X i = jeśli w i-tym losowaniu wyciągnięto białą kulę i 0 w przeciwnym przypadku. Oczywiście S = i= X i. Zachodzi EX i = P(X i = =, i {,,..., } oraz EX ix j = P(X i =, X j = = = 0, i j, i, j {,,..., }. Zatem Czyli ES = =, ES = P(X = + P(X =, X = = + =. VarS = ( = =.. (Eg 9/ Dysponujemy dwiema urnami: A i B. W urnie A są kule białe i czarne, w urnie B są kule białe i czarna. Wykonujemy trzy etapowe losowanie: (a losujemy urnę; (b z wylosowanej urny ciągniemy kule bez zwracania, a następnie wrzucamy do tej urny kule białe i czarne; (c z urny, do której wrzuciliśmy kule, losujemy jedną kulę. Okazało się, że wylosowana w trzecim etapie kula jest. Obliczyć p-stwo, że w drugim wylosowano kule tego samego koloru. Odp: C-> 0,. Rozwiązanie. Mamy drzewo prawdopodobieństw przejścia do poszczególnych stanów Stan P-p Stan P-p Stan P-p (, (, 0 (, (, 0 (, (, 0 (, (, 0 (, (, 0. Niech P(, b będzie prawdopodobieństwem uzyskania białej kuli w losowaniu, P(, b = = 0. Z drugiej strony prawdopodobieństwo, że w drugim losowaniu pojawiły się kule i czarna, a w trzecim losowaniu P(, (b, c;, b wynosi P(, (b, c;, b = = 0. Zatem P(, (b, c, b = P(, (b, c;, b/p(, b =.
2 . (Eg 0/ W urnie znajduje się 0 kul białych, 0 kul czarnych i 0 kul niebieskich. Losujemy bez zwracania kule. Niech (a X oznacza liczbę wylosowanych kul białych; (b Y oznacza liczbę wylosowanych kul czarnych; (c Z oznacza liczbę wylosowanych kul niebieskich. Współczynnik korelacji zmiennych losowych X + Y i Z, Corr(X + Y, Z jest równy? Odp: B->. Rozwiązanie. Przypomnijmy, że Corr(X + Y, Z = Cov(X, Z = Cov(Y, Z, Var(X = Var(Y = Var(Z, zatem Podobnie Cov(X+Y,Z Var(X+Y Var(Z. Łatwo zauważyć, że Cov(X + Y, Z = Cov(X, Z + Cov(Y, Z = Cov(X, Z. Var(X + Y = Cov(X + Y, X + Y = Var(X, X + Cov(X, Y. Korzystamy zmiennych włączeniowych, żeby obliczyć Cov(X, Z. Niech X = i= X i=, gdzie X i = jeśli w i tym losowaniu pojawiła się kula. Analogicznie definiujemy Y i, Z i, i {,,..., }. Zachodzi Wreszcie EX = P(X = = =, EX = P(X = + P(X =, X = = + czyli Cov(X, Y = ( 0 a = 9, mamy EXY = P(X =, Y = = = 0 9. = 9 oraz Var(X = ( = 9 9. Cov(X + Y, Z = a, Var(X + Y = 0a a = a, Var(Z = a. = 9. Niech zatem Ostatecznie Corr(X + Y, Z = a = a a =.. (Eg /0 Pan A przeznaczył zł na pewną grę. W pojedynczej kolejce gry pan A wygrywa zł z p-stwem / przegrywa zł z p-stwem /. Pan A kończy grę, gdy wszystko przegra lub gdy będzie miał 0 zł. P-stwo, że A wszystko przegra jest równe? Odp: D-> 0, 9. Rozwiązanie. Zadanie dotyczy prawdopodobieństwa ruiny. W celu rozwiązania budujemy niezależne zmienne losowe X k, k takie, że X k = jeśli A wygrywa oraz X k = jeśli A przegrywa. Definiujemy S n = X X n, n oraz S 0 = 0. Okazuje się, że zmienne M n = Sn, n 0 tworzą martyngał względem naturalnej filtracji. Rzeczywiście ( E(M n F n = M n E Xn = M n + = M n. Zauważmy, że gracz kończy grę w momencie τ = inf{n 0 : S n {, }}. Zatem z twierdzenia Dooba (moment τ nie jest ograniczony ale nietrudno pokazać, że w tym przypadku również to
3 twierdzenie działa wynika, że = EM τ. Niech teraz a = P(S τ =, b = P(S τ=. Ponieważ jak łatwo sprawdzić P(τ < =, więc a + b =, nadto = EM τ = a + b. Mamy zatem układ równań { a + b = a + b = Stąd a = 0, b = 0 0. Szukana wartość to b 0, 9.. (Eg / W urnie znajduje się 00 ponumerowanych kul o numerach,..., 00. Losujemy bez zwracania 0 kul, zapisujemy numery, kule zwracamy do urny. Czynność te powtarzamy 0 razy. Oblicz wartość oczekiwaną liczby kul, które zostały wylosowane dokładnie dwa razy. Odp: D-> 9,. Rozwiązanie. Zadanie staje się proste jeśli zastosujemy zmienne włączeniowe, Xi=, i {,,..., 00}, gdzie X i = jeśli dokładnie dwa razy kula z numerem i została wylosowana. Należy wyznaczyć E 00 i= X i= = 00P(X =, gdyż P(X i = są identyczne. Pozostaje zauważyć, że P(X i = = ( 0 ( 0 ( 9 0. Stąd E 00 i= X i= = ( 9 0 9,.. (Eg /0 Z urny, w której jest kul czarnych i białe losujemy kolejno bez zwracania po jednej kuli, tak długo aż wylosujemy kulę czarną. Wartość oczekiwana liczby wylosowanych kul białych jest równa? Odp: B->. Rozwiązanie. Przypomnijmy wzór EX = k=0 P(X > k, dla zmiennych X o watotściach całkowitych dodatnich. Sprawdzamy, że P(X > 0 =, P(X > = 0 =, P(X > = 0 9 =, P(X > = 0 9 =, P(X > = = 0, nadto P(X > k = 0 dla k >. Stąd EX = = 0 0 =.. (Eg / mamy dwie urny: I i II. Na początku doświadczenia w każdej z urn znajdują się kule białe i czarne. Losujemy po jednej kuli z każdej urny - po czym kulę wylosowaną z urny I wrzucamy do urny II, a te wylosowana z urny II wrzucamy do urny I. Czynność tę powtarzamy wielokrotnie. Granica (przy n p-stwa, iż obie kule wylosowane w n-tym kroku są jednakowego koloru, wynosi:? Odp: C->. Rozwiązanie. Zadanie rozwiązuje się metoda łańcuchów Markowa. Jest możliwych stanów na liczbę kul białych w urnie I. Należy znaleźć prawdopodobieństwa przejścia w jednym kroku. Mamy S P =
4 należy wyznaczyć rozkład stabilny z równania πm = π oraz warunku, że k=0 π k =. Nietrudno zauważyć symetrię macierzy skąd wynika, że π 0 = π, π = π. Nadto natychmiast zauważamy, że π 0 = π. Wystarczą zatem równania (w terminach π i π { π = π + π = π + π + π Skąd wynika, że π 0 = π = 0, π = π =, π =. Obliczamy prawdopodobieństwa warunkowe wylosowania kul różnego koloru w zależności od stanu liczby kul białych w I urnie P((b, c 0 = P((b, c =, P((b, c = P((b, c =, P((b, c =. Dostajemy ze wzoru Bayesa dla stanów rozłożonych według π (czyli w granicy n P((b, c = 0 + Zatem prawdopodobieństwo zdarzenia przeciwnego wynosi. + =.. (Eg / Wylosowano niezależnie liczb z rozkładu symetrycznego ciągłego i ustawiono je w ciąg według kolejności losowania. Otrzymano liczb dodatnich (każda z nich oznaczamy symbolem a i ujemnych (każdą z nich oznaczamy symbolem b. Obliczyć p-stwo, że otrzymano serii, gdzie serią nazywamy ciąg elementów jednego typu, przed i za którym występuje element drugiego typu, na przykład w ciągu: aaabbbbaabbbbba jest serii ( serie elementów typu a i serie elementów typu b. Odp: C-> Rozwiązanie. Należy zauważyć, że zbiór Ω złożony ze wszystkich możliwych podzbiorów elementowych w zbiorze elementowym ma ( elementów. Teraz należy zauważyć, że seria będzie jednoznacznie wyznaczonym podzbiorem jeśli podamy od jakiego symbolu zaczynamy, a następnie długości ścieżek k, k, k dla serii symbolu a oraz l, l, l dla serii symbolu b. Oczywiście ścieżki muszą mieć długość dodatnią nadto k + k + k =, l + l + l =. Ogólnie liczba rozwiązań równania x x k = n w liczbach naturalnych (bez zera wynosi ( n k. Zatem liczność zbioru A złożonego z serii długości wynosi Ostatecznie A = ( (. P(A = A Ω =. 9. (Eg / Dysponujemy identycznymi urnami. Każda z nich zawiera kule. Liczba kul białych w i-tej urnie jest równa i, gdzie i =,,...,, pozostałe kule są czarne. Losujemy urnę, a następnie ciągniemy z niej jedną kulę i okazuje się, że otrzymana kula jest. Oblicz p-stwo, że ciągnąc drugą kule z tej samej urny (bez zwracania pierwszej również otrzymamy kulę białą. Odp: D->. Rozwiązanie. Ze symetrii zadania jest jasne, że szansa wylosowania białej kuli w pierwszej rundzie wynosi. Aby obliczyć szansę wyciągnięcia dwóch kul białych stosujemy wzór Bayesa ( i P((b, b = (. Zachodzi wzór kombinatoryczny ( i ( i= = ( (trójkąt Pascala. Nadto ( / =, stąd P((b, b =. To oznacza, że P((b, b b =. i=
5 0. (Eg / Urna zawiera kul o numerach: 0,,,,. Z urny ciągniemy kulę, zapisujemy numer i kulę wrzucamy z powrotem do urny. Czynność tę powtarzamy, aż kula z każdym numerem zostanie wyciągnięta co najmniej raz. Oblicz wartość oczekiwaną liczby powtórzeń. Odp: C->. Rozwiązanie. Tutaj łatwo zauważyć, że jeśli T,..., T będą czasami oczekiwania na kolejny nowy symbol, to T = nadto T k+ T k, k {,,, } ma rozkład geometryczny z prawdopodobieństwem sukcesu p k = k (i wartości oczekiwanej /p k. Zatem ET = + E(T k+ T k = + k= k= k =.. (Eg / W urnie znajduje się 0 kul: 0 białych i 0 czerwonych. Losujemy bez zwracania kul, a następnie z pozostałych w urnie kul losujemy kolejne kul. Niech S oznacza liczbę wylosowanych kul białych wśród pierwszych wylosowanych kul, a S liczbę kul białych wśród następnych kul. Oblicz Cov(S, S + S. Odp: C-> 9. Rozwiązanie. Oczywiście skorzystamy ze zmiennych włączeniowych. Niech X i, i {,..., } oznacza jeśli w i tej rundzie pojawiła się kula i 0 w przeciwnym przypadku. Mamy S = i= X i oraz S = i=9 X i. Zachodzi Teraz Stąd Z drugiej strony Co daje Ostatecznie ES = P(X = =, E(S = P(X = =. ES = P(X = + P(X =, X = = = 9. VarS = = 9. ES S = P(X =, X = = 9 9. Cov(S, S = 9 9 = 9. Cov(S, S + S = VarS + Cov(S, S = 9 9 = 9.. (Eg 0/9 W urnie znajduje się 0 kul, na każdej narysowana jest litera i cyfra. Mamy: (a 0 kul oznaczonych X; (b kul oznaczonych Y ; (c kul oznaczonych X; (d kul oznaczone Y. Losujemy bez zwracania kul. Niech N X oznacza liczbę kul oznaczonych literą X wśród kul wylosowanych,a N liczbę kul z cyfrą wśród kul wylosowanych. Obliczyć Var(N X N =. Odp: A->. Rozwiązanie. Dokonujemy uproszczenia, mamy pięć kul wylosowanych z cyfrą. Zatem de facto losujemy 0 typu X lub X, czyli ze zbioru elementowego. W tym modelu probabilistycznym
6 musimy policzyć wariancję zmiennej NX co robimy przez zmienne włączeniowe. Niech X i, i {,..., 0} będzie zmienną przyjmującą jeśli na i-tej pozycji stoi X oraz 0 jeśli X. Oczywiście N X = 0 i= X i=. Wyznaczamy Nadto Stąd E N X = 0P(X = = 0 =. E N X = 0P(X = + 90P(X =, X = = = 0 = 0. Var N X = 0 =.. (Eg / W urnie znajduje się 00 kul ponumerowanych od do 00. Losujemy bez zwracania kul i zapisujemy numery, a następnie wrzucamy kule z powrotem do urny. Czynność powtarzamy razy. Oblicz wartość oczekiwaną liczby kul, które zostały wylosowane co najmniej razy. Odp: D->,. Rozwiązanie. Zadanie rozwiązujemy przez zmienne włączeniowe. Niech X i, i {,..., 00} przyjmuje wartość jeśli kula z numerem i pojawiła się co najmniej razy w losowaniu i 0 w przeciwnym przypadku. Oczywiście szukana odpowiedź to 00 E X i = 00P(X =. i= Żeby policzyć P(X = zauważmy, że w każdym z losowań kula i miała prawdopodobieństwo, że się pojawi. Zatem P(X = = k= ( k ( k ( k = ( ( =. Czyli wynik to 00,.. (Eg / Z urny, w której są kule białe i czarne, wylosowane jedną kulę a następnie wrzucono ja z powrotem dorzucając kulę w tym samym kolorze co wylosowana. Następnie z urny wylosowano kule, wrzucono je z powrotem dorzucając kule identyczne jak wylosowane. Następnie wylosowano kule. Okazało się, że są to kule białe. Oblicz p-stwo, że w drugim losowaniu wylosowane kule różnych kolorów. Odp: A-> 9. Rozwiązanie. Potrzebujemy struktury drzewa aby opisać kolejne losowania Wyznaczamy Stan P-p Stan P-p Stan P-p (, (, (b, b, b (, (, (b, b, b (, (, (b, b, b (, (, (b, b, b (, (, (b, b, b P(, (b, b, b = = 9.
7 Teraz wyznaczamy Stąd P(, (b, c;, (b, b, b = + =. P(, (b, c;, (b, b, b = 9.. (Eg /W urnie znajdują się kule, z których każda jest oznaczona jedną z liter alfabetu: 0 kul oznaczonych literą A. 0 kul oznaczonych literą B. 0 kul oznaczonych literą C. x kul oznaczonych innymi literami alfabetu. Losujemy bez zwracania 9 kul z urny. Zmienne losowe N A, N B, N C oznaczają, odpowiednio, liczbę wylosowanych kul z literami A, B, C. Jakie musi być x, aby zmienne losowe N A +N B oraz N B +N C były nieskorelowane. Odp: C-> x =. Rozwiązanie. Korzystamy ze zmiennych A i, B i, C i, X i, i 9 gdzie zmienne przyjmują wartości 0 lub, przy czym jeśli na pozycji w i-tym losowaniu wybrano odpowiednio A, B, C oraz inną literę. Zachodzi N A = 9 i= A i, N B = 9 i= B i N C = 9 i= C i. Należy wyliczyć Cov(N A, N B, Cov(N B, N C, Cov(N C, N A. Zachodzi nadto Stąd 0 EN A = x, EN 0 B = x, EN 0 C = x, 0 0 EN A N B = EA B = 0 + x 9 + x, 0 0 EN B N C = EB C = 0 + x 9 + x, 0 0 EN C N A = EC A = 0 + x 9 + x, ENB = EB B + 9EB 0 9 = 0 + x 9 + x x. Cov(N A, N B = Cov(N B, N C = Cov(N B, N C = x ( 9 + x x = 9 0c 0( x (0 + x (9 + x, x ( 9 + x ( x = 0 + x (0 + x (9 + x, x ( 9 + x ( x = 0 + x (0 + x (9 + x, Cov(N B, N B = x ( x x = 9 0(x + 9x + 0 (0 + x. (9 + x Zatem N A + N B i N B + N C są nieskorelowane jeśli 0 = Cov(N A + N B, N B + N C = Cov(N A, N B + Cov(N C, N A + Cov(N B, N B + Cov(N B, N C
8 co jest równoważne Przekształcając to równanie 00(x + + 0(x + 9x + 0 = 0. x + x = 0. Rozwiązaniami tego równanie są x = ±, czyli x = i x =. Interesują nas wyłącznie rozwiązania dodatnie zatem x =.
12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
Bardziej szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
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 szczegółowo1 Gaussowskie zmienne losowe
Gaussowskie zmienne losowe W tej serii rozwiążemy zadania dotyczące zmiennych o rozkładzie normalny. Wymagana jest wiedza na temat własności rozkładu normalnego, CTG oraz warunkowych wartości oczekiwanych..
Bardziej szczegółowoi=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 =
Kombinatoryka W tej serii zadań można znaleźć pojawiające się na egzaminach zadania dotyczące problemu wyznaczania prostych parametrów rozkładu w przypadku zgadnień kombinatorycznych. Zadania te wymagają
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 szczegółowoMoneta 1 Moneta 2 Kostka O, R O,R 1,2,3,4,5, Moneta 1 Moneta 2 Kostka O O ( )
Nowa matura kombinatoryka i rachunek prawdopodobieństwa Zadania zamknięte (0 1 pkt) 1. Doświadczenie losowe polega na rzucie dwiema symetrycznymi monetami i sześcienną kostką do gry. Prawdopodobieństwo
Bardziej szczegółowoĆwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II
Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,
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 szczegółowoZadanie 2. Wiadomo, że A, B i C są trzema zdarzeniami losowymi takimi, że P (A) = 2/5, P (B A) = 1/4, P (C A B) = 0.5, P (A B) = 6/10, P (C B) = 1/3.
Zadanie 1. O zdarzeniach A, B, C z pewnej przestrzeni uzyskaliśmy informacje, iż P (A B C) = 0.6, P (B A C) = 0.3 oraz P (C A B) = 0.9. Obliczyć P [A B C (A B) (A C) (B C)]. Odp. 9/37 Zadanie 2. Wiadomo,
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 szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
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 szczegółowoPodstawy metod probabilistycznych. dr Adam Kiersztyn
Podstawy metod probabilistycznych dr Adam Kiersztyn Przestrzeń zdarzeń elementarnych i zdarzenia losowe. Zjawiskiem lub doświadczeniem losowym nazywamy taki proces, którego przebiegu i ostatecznego wyniku
Bardziej szczegółowoĆwiczenia z metodyki nauczania rachunku prawdopodobieństwa
Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa 25 marca 209 Zadanie. W urnie jest b kul białych i c kul czarnych. Losujemy n kul bez zwracania. Jakie jest prawdopodobieństwo, że pierwsza kula
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoWykład 11: Martyngały: definicja, twierdzenia o zbieżności
RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n
Bardziej szczegółowoWersja testu A 18 czerwca 2012 r. x 2 +x dx
1. Funkcja f : R R jest różniczkowalna na całej prostej, a ponadto dla każdej liczby rzeczywistej x zachodzi nierówność f x
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 szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
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 szczegółowoĆwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń
Agata Boratyńska Ćwiczenia z rachunku prawdopodobieństwa 1 Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń UWAGA:
Bardziej szczegółowoSTATYSTYKA. 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 Wybrane litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilon η eta Θ θ theta
Bardziej szczegółowoInternetowe Ko³o M a t e m a t yc z n e
Internetowe Ko³o M a t e m a t yc z n e Stowarzyszenie na rzecz Edukacji Matematycznej Zestaw 1 szkice rozwiązań zadań 1 W wierszu zapisano kolejno 2010 liczb Pierwsza zapisana liczba jest równa 7 oraz
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowo01DRAP - klasyczna definicja prawdopodobieństwa
01DRAP - klasyczna definicja prawdopodobieństwa Ω zbiór zdarzeń elementarnych. Gdy Ω < oraz P({ω} = 1 Ω, dla każdego ω Ω (tzn. każde zdarzenie elementarne jest równo prawdopodobne, to P (A = A Ω Przydatne
Bardziej szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Bardziej szczegółowoZadanie 1. Oblicz prawdopodobieństwo, że rzucając dwiema kostkami do gry otrzymamy:
Zadanie 1. Oblicz prawdopodobieństwo, że rzucając dwiema kostkami do gry otrzymamy: a) sumę oczek równą 6, b) iloczyn oczek równy 6, c) sumę oczek mniejszą niż 11, d) iloczyn oczek będący liczbą parzystą,
Bardziej szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
Bardziej szczegółowoPrawa 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 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 szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I KOMBINATORYKA
RACHUNEK PRAWDOPODOBIEŃSTWA I KOMBINATORYKA Doświadczenia losowe Rachunek prawdopodobieństwa zajmuje się zdarzeniami jakie zachodzą, gdy przeprowadzamy doświadczenia losowe. Mówimy, że doświadczenie jest
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoPRAWDOPODOBIEŃSTWO I KOMBINATORYKA
PRAWDOPODOBIEŃSTWO I KOMBINATORYKA ZADANIE ( PKT) Z urny zawierajacej kule w dwóch kolorach wybieramy losowo dwie. Prawdopodobieństwo wylosowania co najmniej jednej kuli białej jest równe 8, a prawdopodobieństwo
Bardziej szczegółowoZbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki. Graniczne własności łańcuchów Markowa
Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Graniczne własności łańcuchów Markowa Toruń, 2003 Co to jest łańcuch Markowa? Każdy skończony, jednorodny łańcuch Markowa
Bardziej szczegółowo( ) ( ) Przykład: Z trzech danych elementów: a, b, c, można utworzyć trzy następujące 2-elementowe kombinacje: ( ) ( ) ( ).
KOMBINATORYKA Kombinatoryka zajmuje się wyznaczaniem liczby elementów zbiorów skończonych utworzonych zgodnie z określonymi zasadami. Do podstawowych pojęć kombinatorycznych należą: PERMUTACJE Silnia.
Bardziej szczegółowoZmienne losowe i ich rozkłady
Zmienne losowe i ich rozkłady 29 kwietnia 2019 Definicja: Zmienną losową nazywamy mierzalną funkcję X : (Ω, F, P) (R n, B(R n )). Definicja: Niech A będzie zbiorem borelowskim. Rozkładem zmiennej losowej
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
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 szczegółowo3. Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II - Mówimy, że i) ciąg miar probabilistycznych µ n zbiega słabo do miary probabilistycznej µ (ozn. µ n µ), jeśli fdµ n fdµ dla dowolnej funkcji ciągłej ograniczonej
Bardziej szczegółowoZadania z RP 2. seria Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n
Zadania z RP 2. seria 1. 1. Dla x R n, niech δ x oznacza miarę Diraca, skupioną w punkcie x. Wykazać, że dla dowolnego ciągu x n R n zachodzi δ xn δ x wtedy i tylko wtedy, gdy x n x. 2. Podać przykład
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 szczegółowoW. Guzicki Próbna matura, grudzień 2014 r. poziom rozszerzony 1
W. Guzicki Próbna matura, grudzień 01 r. poziom rozszerzony 1 Próbna matura rozszerzona (jesień 01 r.) Zadanie 18 kilka innych rozwiązań Wojciech Guzicki Zadanie 18. Okno na poddaszu ma mieć kształt trapezu
Bardziej szczegółowoSeria 1. Zbieżność rozkładów
Seria Zbieżność rozkładów We wszystkich poniższych zadaniach (E, ρ) jest przestrzenią metryczną Wykazać, że dla dowolnych x, x n, δ xn δ x wtedy i tylko wtedy, gdy x n x Sprawdzić, że n nk= δ k n λ, gdzie
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 szczegółowo1 Warunkowe wartości oczekiwane
Warunkowe wartości oczekiwane W tej serii zadań rozwiążemy różne zadania związane z problemem warunkowania.. (Eg 48/) Załóżmy, że X, X, X 3, X 4 są niezależnymi zmiennymi losowymi o jednakowym rozkładzie
Bardziej szczegółoworachunek prawdopodobieństwa - zadania
rachunek prawdopodobieństwa - zadania ogólna definicja prawdopodobieństwa, własności - 6.10.2012 1. (d, 1pkt) Udowodnić twierdzenie 2 tj. własności prawdopodobieństwa (W1)-(W7). 2. Niech Ω = [0,1] oraz
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa II Podaj przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podaj przykład
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 szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowoPropozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON.
Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON. Zadanie 6. Dane są punkty A=(5; 2); B=(1; -3); C=(-2; -8). Oblicz odległość punktu A od prostej l przechodzącej
Bardziej szczegółowoRachunek prawdopodobieństwa- wykład 2
Rachunek prawdopodobieństwa- wykład 2 Pojęcie dyskretnej przestrzeni probabilistycznej i określenie prawdopodobieństwa w tej przestrzeni dr Marcin Ziółkowski Instytut Matematyki i Informatyki Uniwersytet
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podać przykład
Bardziej szczegółowo01DRAP - klasyczna definicja prawdopodobieństwa
01DRAP - klasyczna definicja prawdopodobieństwa Ω zbiór zdarzeń elementarnych. Gdy Ω < oraz P({ω} = 1 Ω, dla każdego ω Ω (tzn. każde zdarzenie elementarne jest równo prawdopodobne, to P (A = A Ω Przydatne
Bardziej szczegółowo01DRAP - klasyczna definicja prawdopodobieństwa
01DRAP - klasyczna definicja prawdopodobieństwa Ω zbiór zdarzeń elementarnych. Gdy Ω < oraz P({ω} = 1 Ω, dla każdego ω Ω (tzn. każde zdarzenie elementarne jest równo prawdopodobne, to P (A = A Ω Przydatne
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
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 szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.1. Zmienne losowe dyskretne. Katarzyna Rybarczyk-Krzywdzińska Definicja/Rozkład Zmienne losowe dyskretne Definicja Zmienną losową, która skupiona
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoZmienna losowa. Rozkład skokowy
Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia
Bardziej szczegółowop k (1 p) n k. k c. dokładnie 10 razy została wylosowana kula amarantowa, ale nie za pierwszym ani drugim razem;
05DRAP - Niezależność zdarzeń, schemat Bernoulliego Definicja.. Zdarzenia A i B nazywamy niezależnymi, jeżeli zachodzi równość P(A B) = P(A) P(B). Definicja. 2. Zdarzenia A,..., A n nazywamy niezależnymi
Bardziej szczegółowoLista zadania nr 2 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 2 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoa. zbiór wszystkich potasowań talii kart (w którym S dostaje 13 pierwszych kart, W - 13 kolejnych itd.);
03DRAP - Przykłady przestrzeni probabilistycznych Definicja 1 Przestrzeń probabilistyczna to trójka (Ω, F, P), gdzie Ω zbiór zdarzeń elementarnych, F σ ciało zdarzeń (podzbiorów Ω), P funkcja prawdopodobieństwa/miara
Bardziej szczegółowoObliczanie prawdopodobieństwa za pomocą metody drzew metoda drzew. Drzewem Reguła iloczynów. Reguła sum.
Obliczanie prawdopodobieństwa za pomocą metody drzew Jeżeli doświadczenie losowe składa się z więcej niż jednego etapu, takich jak serie rzutów kostką lub monetą, zastosowanie klasycznej definicji prawdopodobieństwa
Bardziej szczegółowoLista 1. Procesy o przyrostach niezależnych.
Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)
Bardziej szczegółowoLaboratorium nr 7. Zmienne losowe typu skokowego.
Laboratorium nr 7. Zmienne losowe typu skokowego.. Zmienna losowa X ma rozkład dany tabelką: - 0 3 0, 0,3 0, 0,3 0, Naszkicować dystrybuantę zmiennej X. Obliczyć EX oraz VarX.. Zmienna losowa ma rozkład
Bardziej szczegółowoc) ( 13 (1) (2) Zadanie 2. Losując bez zwracania kolejne litery ze zbioru AAAEKMMTTY, jakie jest prawdopodobieństwo Odp.
Zadania na kolokwium nr Zadanie. Spośród kart w tali wylosowano. Jakie jest prawdopodobieństwo: pików, kierów, trefli i karo otrzymania wszystkich kolorów otrzymania dokładnie pików a ( b ( ( c ( ( ( (
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowoćwiczenia z rachunku prawdopodobieństwa
ćwiczenia z rachunku prawdopodobieństwa 9.10.2010 ogólna definicja prawdopodobieństwa, własności 1. Niech Ω = [0, 1] oraz niech Σ będzie pewną σ-algebrą podzbiorów odcinka [0, 1]. Udowodnić, że funkcja
Bardziej szczegółowo= A. A - liczba elementów zbioru A. Lucjan Kowalski
Lucjan Kowalski ZADANIA, PROBLEMY I PARADOKSY W PROBABILISTYCE Przypomnienie. Ω - zbiór zdarzeń elementarnych. A zdarzenie (podzbiór Ω). A - liczba elementów zbioru A Jeśli zdarzeń elementarnych jest skończenie
Bardziej szczegółowo( ) Arkusz I Zadanie 1. Wartość bezwzględna Rozwiąż równanie. Naszkicujmy wykresy funkcji f ( x) = x + 3 oraz g ( x) 2x
Arkusz I Zadanie. Wartość bezwzględna Rozwiąż równanie x + 3 x 4 x 7. Naszkicujmy wykresy funkcji f ( x) x + 3 oraz g ( x) x 4 uwzględniając tylko ich miejsca zerowe i monotoniczność w ten sposób znajdziemy
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 szczegółowozadania 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 szczegółowoMatematyka podstawowa X. Rachunek prawdopodobieństwa
Matematyka podstawowa X Rachunek prawdopodobieństwa Zadania wprowadzające: 1. Rzucasz trzy razy monetą a) Napisz zbiór wszystkich wyników tego doświadczenia losowego. Ile ich jest? Wyrzuciłeś większą liczbę
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Zmienna losowa i jej rozkład Mając daną przestrzeń probabilistyczną, czyli parę (&, P) stanowiącą model pewnego doświadczenia losowego (gdzie
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 szczegółowoElementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska)
Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska) Twierdzenie (o mnożeniu) Podstawowe pojęcia i wzory kombinatoryczne. Niech,, będą zbiorami mającymi odpowiednio,,
Bardziej szczegółowoLista 6. Kamil Matuszewski 13 kwietnia D n =
Lista 6 Kamil Matuszewski 3 kwietnia 6 3 4 5 6 7 8 9 Zadanie Mamy Pokaż, że det(d n ) = n.... D n =.... Dowód. Okej. Dla n =, n = trywialne. Załóżmy, że dla n jest ok, sprawdzę dla n. Aby to zrobić skorzystam
Bardziej szczegółowoR_PRACA KLASOWA 1 Statystyka i prawdopodobieństwo.
R_PRACA KLASOWA 1 Statystyka i prawdopodobieństwo. Zadanie 1. Wyznacz średnią arytmetyczną, dominantę i medianę zestawu danych: 1, 5, 3, 2, 2, 4, 4, 6, 7, 1, 1, 4, 5, 5, 3. Zadanie 2. W zestawie danych
Bardziej szczegółowoĆwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń
Agata Boratyńska Ćwiczenia z rachunku prawdopodobieństwa 1 Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń UWAGA:
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 szczegółowoc. dokładnie 10 razy została wylosowana kula antracytowa, ale nie za pierwszym ani drugim razem;
05DRAP - Niezależność zdarzeń, schemat Bernoulliego A Zadania na ćwiczenia Zadanie A.. Niech Ω = {ω, ω 2, ω, ω, ω 5 } i P({ω }) = 8, P({ω 2}) = P({ω }) = P({ω }) = 6 oraz P({ω 5}) = 5 6. Niech A = {ω,
Bardziej szczegółowoa. zbiór wszystkich potasowań talii kart (w którym S dostaje 13 pierwszych kart, W - 13 kolejnych itd.);
03DRAP - Przykłady przestrzeni probabilistycznych A Zadania na ćwiczenia Zadanie A1 (wskazówka: pierwsze ćwicznia i rozdział 23 przykł 1 i 2) Zbuduj model przestrzeni klasycznej (czyli takiej, w której
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 szczegółowoMatematyka dla biologów Zajęcia nr 12.
Matematyka dla biologów Zajęcia nr 12. Rachunek prawdopodobieństwa Dariusz Wrzosek Zajęcia nr 12. 9 stycznia 2019 1 / 32 Zmienne losowe Przebieg różnych zjawisk losowych wygodnie jest opisywać za pomoca
Bardziej szczegółowoKombinatoryka i rachunek prawdopodobieństwa
Kombinatoryka i rachunek prawdopodobieństwa Kombinatoryka i rachunek prawdopodobieństwa Jerzy Rutkowski 2. Elementy kombinatoryki 2.. Permutacje Teoria Definicja. Niech n N. Permutacją n-elementowego zbioru
Bardziej szczegółowoKURS PRAWDOPODOBIEŃSTWO
KURS PRAWDOPODOBIEŃSTWO Lekcja 2 Klasyczna definicja prawdopodobieństwa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 Według klasycznej
Bardziej szczegółowoDoświadczenie i zdarzenie losowe
Doświadczenie i zdarzenie losowe Doświadczenie losowe jest to takie doświadczenie, które jest powtarzalne w takich samych warunkach lub zbliżonych, a którego wyniku nie można przewidzieć jednoznacznie.
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoKombinatoryka i rachunek prawdopodobieństwa
Kombinatoryka i rachunek prawdopodobieństwa Jerzy Rutkowski Kombinatoryka i rachunek prawdopodobieństwa 2. Elementy kombinatoryki 2.1. Permutacje Definicja 1. Niech n N. Permutacją n-elementowego zbioru
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 szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Bardziej szczegółowoStatystyka podstawowe wzory i definicje
1 Statystyka podstawowe wzory i definicje Średnia arytmetyczna to suma wszystkich liczb (a 1, a 2,, a n) podzielona przez ich ilość (n) Przykład 1 Dany jest zbiór liczb {6, 8, 11, 2, 5, 3}. Oblicz średnią
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 1. Wstęp
Rachunek prawdopodobieństwa Rozdział 1. Wstęp 1.1. Prawdopodobieństwo klasyczne Katarzyna Rybarczyk-Krzywdzińska Definicja Zadaliśmy pytanie. Bolek, Lolek i Tola wstąpili do kasyna. Dla każdego z nich
Bardziej szczegółowo