Tablice wzorów z probabilistyki
|
|
- Bogumił Paweł Kot
- 6 lat temu
- Przeglądów:
Transkrypt
1 Akademia Górniczo - Hutnicza im. Stanisªawa Staszica Wydziaª Elektrotechniki, Automatyki, Informatyki i In»ynierii Biomedycznej Kierunek: Automatyka i robotyka Tablice wzorów z probabilistyki Prowadz cy: dr Beata Orchel
2 1 Schematy wyboru Wariacje z powtórzeniami: W k n = V k n = n k Kombinacje z powtórzeniami: Cn k = ( ) n+k 1 n 1 Wariacje bez powtórze«: Vn k = n (n 1)... (n k + 1) = n! k! Kombinacja bez powtórze«: C k n = ( n k ) n! = (n k)!k! Liczba ci gów binarnych, które maja n wyrazów i k jedynek ( ) n # bin = k 2 Przestrze«probabilistyczna Zdarzenie elementarne najprostsze, nierozkªadalne wyniki do±wiadczenia losowego charakteryzuj ce si tym,»e ka»de powtórzenie do±wiadczenia losowego ko«czy si jednym z nich. odzin podzbiorów S zbioru Ω nazywamy σ-ciaªem na Ω je±li: 1) S 2)A S (Ω \ A) S 3) {A i } S A i S Tw. Je»eli na danym zbiorze S zdeniujemy wiele σ-ciaª to iloczyn mnogo±ciowy tych σ-ciaª te» jest σ-ciaªem: S σ-ciaªo na Ω i I S i σ-ciaªo na Ω Zbiory Borelowskie Ω = B = {(, a), a }, σ-ciaªem zbiorów Borelowskich na nazywamy σ-ciaªo generowane przez rodzin B. Miar nazywamy σ-ciaªo na Ω, które: ( ) 1) A S, µ(a) 0 2)A i A j =, i j, A i, A j S(niezale»ne) µ A i = µ(a i ) 3 Wªasno±ci rozkªadu prawdopodobie«stwa (A, B S): a) P ( ) = 0 b) P (Ω A) = 1 P (A) c) A B (zawiera si ) P (A) P (B) d) P (A B) = P (A) + P (B) P (A B) e) P (A \ B) = P (A) P (A B) 1
3 4 ó»ne modele przestrzeni probabilistycznych 1. Model przeliczalny Ω = (ω 1,..., ω n,...), S = 2 Ω, f : Ω ω i f(ω i ) = p i 0 P (A) = i:ω i A p i, A Ω, p i = 1 i=0 (Ω, S, P ) przestrze«probabilistyczna Ω zbiór sko«czony lub przeliczalny przestrze«probabilistyczna 2. Model klasyczny Ω = (ω 1,..., ω n,...) zbiór sko«czony,, S = 2 Ω, f : Ω ω i f(ω i ) = p i = 1 n, i 1,..., n P (A) = i:ω i A p i = Ā Ω, A Ω, p i = 1, Ā liczno± zbioru A i=0 3. Prawdopodobie«stwo geometryczne Ω odcinek, gura pªaska, bryªa µ miara b d ca odpowiednio dªugo±ci, polem, obj to±ci, 0 < µ < P (A) = µ(a) µ(ω), A S(musimy tak okre±li S, aby A miaªo miar ) 4. Prawdopodobie«stwo warunkowe S σ -ciaªo nad Ω, (Ω, S, P ) przestrze«probabilistyczna, B S, P (B) > 0 S σ -ciaªo nad B, S = {C : C = A B, A S}, (B, S, P ) zacie±niona przestrze«probabilistyczna, P (A B) - prawdopodobie«stwo zdarzenia A pod warunkiem,»e zaszªo zdarzenie B. P B : S A P (A B) = P (A B) P (B) 5. Prawdopodobie«stwo caªkowite denicja: Twierdzenie: 1) n A i = Ω, 2) A i zdarzenia niezale»ne, czylia i A j =, i j n P (B) = P (B A i )P (A i ) Przypadek podziaªu na 2 cz ±ci (X X = Ω) i wydarzenia O: 5 Niezale»no± zdarze«1. P (A B) = P (A) P (B) P (O) = P (O X) P (X) + P (O X ) P (X ) 2. Zdarzenia A 1,..., A n s niezale»ne je»eli dla ka»dego podci gu wybranego z tego ci gu prawdopodobie«stwo iloczynu elementów jest równe iloczynowi prawdopodobie«stw. P (A k1 A k2... A kr ) = P (A k1 ) P (A k2 ) P (A kr ), 1 k 1 k 2... k r 2
4 6 Model probabilistyczny dla n prób Bernoulliego Prawdopodobie«stwo sukcesu w ka»dym do±wiadczeniu jest takie samo, do±wiadczenia przebiegaj niezale»nie. (k liczba sukcesów), A = {(x 1,..., x n ) : n x i = k} (k sukcesów w n próbach) ( ) n P k = P (A) = p k (1 p) n k k 7 ozkªad i dystrybuanta zmiennej losowej 1. ozkªadem prawdopodobie«stwa zmiennej losowej nazywamy unormowan P x : (Ω, S, P ) przestrze«probabilistyczna, X : Ω S zmienna losowa, A Ω podzbiór Ω P x (A) = P (X 1 [A]) = P ({ω Ω : X(ω) A}) = P (X A) 2. Funkcja charakterystyczna zbioru A nazywamy funkcje δ A (ω): { 1, ω A δ A (ω) = f(ω)δ A (ω) = 0, ω / A { f(ω), ω A 0, ω / A Przypadki rozwini cia (µ = 1 caªka Lebesque'a): A Ω f(ω)µ(ω) = f(ω)δ A (ω)µ(ω) A A = Ω f(ω)µ(ω) = f(ω) + 1µ(ω) 3. G sto± zmiennej losowej X f(x X) Wªasno±ci (a) Sumowalna do 1, f l = f(x)dx = 1 (b) Nieujemna, f(x) > 0 4. Wªasno±ci dystrybuanty: (a) lim F X(x) = 0 x (b) lim F X(x) = 1 x (c) F X (x) niemalej ca (d) zbiór punktów nieci gªo±ci jest przeliczalny, (e) przynajmniej lewostronnie ci gªa lim x x i 5. Dystrybuanta dla ró»nych rozkªadów: Ω F X (x) = F X (x i ) = F X (x 0) dystrybuanta rozkªadu dyskretnego - funkcja schodkowa: P X = i I p i δ xi dystrybuanta rozkªadu ci gªego: F X (x) = P X (x (, x)) = i I p i σ xi ((, x)) = P X = f l F X (x) = P X (x (, x)) = f l ((, x)) = dystrybuanta rozkªadu mieszanego: F X (x) = P X (x (, x)) = i I P X = i I p i + f l p i σ xi ((, x)) + f l ((, x)) = i:x i <X x i:x i <X f(t)dt p i x p i + f(t)dt 3
5 Dzi ki dystrybuancie mo»emy wyznaczy prawdopodobie«stwo zdarzenia nale» cego do przedziaªu: P (x a, b)) = F (b) F (a) Ka»da zmiana ostro±ci powoduje wstawienie granicy prawostronnej dystrybuanty: P (x (a, b)) = F (b) F (a + 0), P (x (a, b ) = F (b + 0) F (a + 0), P (x a, b ) = F (b + 0) F (a), Dla rozkªadu dyskretnego ponadto: p i = F (x i + 0) F (x i ) 0 8 Momenty zmiennych losowych 1. Warto± oczekiwana E(X) = Je±li istnieje E(X): n p i x i dla P X = p i δ i o ile p i x i < + i i xf(x)dx dla P X = f l o ile x f(x)dx < + E(aX + b) = ae(x) + b 2. moment rz du n: E((x x 0 ) n ) 3. moment zwykªy: x 0 = 0 4. moment centralny: x 0 = E(x) 5. wariancja (moment centralny drugiego rz du): (a) zawsze nieujemna: V (X) 0 (b) V (X) = E(X 2 ) (E(X)) 2 (c) V (ax + b) = a 2 V (X) 9 Kwantyle V (X) = E((X E(X)) 2 ) Kwantyl rz du p (p 0, 1 ) zmiennej losowej o g sto±ci f i dystrybuancie F X nazywamy ka»da liczb x p speªniaj c jeden z warunków (równowa»nych sobie): 1. P (X < x p ) = p 2. x p f(x) dx = p 3. F X (x p ) = p Kwantyl rz du 1 2 nazywamy median i oznaczamy m e, (x 0,5 = m e ). 10 Najwa»niejsze rozkªady zmiennych losowych 10.1 Dyskretne Zmienna losowa przyjmuje sko«czon lub przeliczaln liczb warto±ci. Poda rozkªad takiej zmiennej losowej to poda warto±ci jakie ona przyjmuje oraz prawdopodobie«stwo przyj cia tych warto±ci. n P X = p i σ xi gdzie σ xo (A) miara unormowana: σ xo (A) = { 1, x A 0, x/ A i X 4
6 a) ozkªad zero-jedynkowy b) ozkªad dwumianowy P X = (1 p)δ 0 + pδ 1, p (0, 1) E(X) = p, V (X) = p(1 p) P x = n ( ) n δ i p i (1 p) n i i i=0 E(X) = pn, V (X) = np(1 p) c) ozkªad Poissona z parametrem λ > 0 (k dowolne) rozkªad zdarze«rzadkich (wypadki, wygrane, spadaj ce krople deszczu) P (X x = k) = λk k! e λ, k N 0 E(X) = λ, V (X) = λ d) ozkªad geometryczny - czas oczekiwania na pierwszy sukces P (x = k) = q k 1 p q = 1 p p (0, 1), k N 0 E(X) = 1 p, V (X) = p q Typu ci gªego Je±li istnieje nieujemna sumowalna funkcja g sto±ci rozkªadu f(x) i jest ona ci gªa to rozkªad zmiennej X jest rozkªadem ci gªym: P X = f l a) ozkªad normalny X N(m, σ), m, σ > 0, f(x) = 1 σ 2π e (x m) 2 2σ 2 E(X) = m, V (X) = σ 2 ( ) X m F (X) = Φ, Φ( X) = 1 Φ(X) σ b) ozkªad jednostajny f(x) = 1, x (a, b) b a 0, x / (a, b) E(X) = a + b 2 c) ozkªad wykªadniczy (λ > 0) czas bezawaryjnej pracy, V (X) = (b a)2 12 f(x) = { λe λx, x 0 0, x < 0 E(X) = 1 λ, V (X) = 1 λ 2 E(X) ±redni czas bezawaryjnej pracy 5
7 11 Funkcje zmiennej losowej X zmienna losowa, g(x) funkcja przeksztaªcaj ca X Y taka,»e P (g(x) = ± ) = 0 I y - zbiór tych x, dla których: g(x) < y, I y = {x : g(x) < y} Ciekawe przypadki: Y = g(x), F Y (y) = P (Y < y) = P (y(x) < y) = P (X I Y ) P X = f x l rozkªad ci gªy, Y = g(x) i g(x) nie jest staªa w»adnym przedziale oraz zbiór rozwi za«równania y = g(x), (x 1, x 2,..., x n ) jest przeliczalny dla ka»dego y, to rozkªad zmiennej losowej Y wyra»a si wzorem: P y = f Y l. f Y (y) = f x (x 1 ) g (x 1 ) + f x(x 2 ) g (x 2 ) +..., dla y : x 1,x 2,... takie»e g(x i ) = y i g (x i ) 0 0, dla pozostaªych y P X (x) rozkªad dowolny, g(x) dyskretna, staªa (przedziaªami) P Y (y) = n p iδ yi rozkªad dyskretny, w którym warto±ci p i s ró»nic dystrybuant na danym przedziale funkcji g(x), a y i to kolejne warto±ci funkcji g(x). Momenty funkcji zmiennych losowych g(x i )p i n, gdy P X = p i δ xi i g(x i )p i < + i E(Y ) = E(g(x)) f(x)g(x)dx, gdy f(x)g(x) dx < + 12 Nierówno± Czebyszewa: 1. ε>0, X 0, P (x ε) E(X) ε 2. ε>0, E(X) = m < +, P ( x m ɛ) V (X) ε 2 3. σ > 0, c > 0, V (x) = σ 2, E(x) = m, P ( x m cσ) 1 σ 2 13 Centralne twierdzenie graniczne Lindeberga-Levy'ego: Ci g niezale»nych zmiennych losowych {X i },..,n o tym samym rozkªadzie, x dana warto± ograniczaj ca E(X i ) = m < +, V (X i ) = σ 2 < +, σ > 0, S n = lim P n ( ) ( ) S n E(S n ) Sn nm < x = P V (Sn ) σ < x Φ(x) n n x i E(S n ) = E(X 1 + X X n ) = nm, V (S n ) = nσ 2 Twierdzenie Moivre'a - Laplace'a - rozkªad binarny: P X (x) = pδ 1 + (1 p)δ 0, E(X) = p, V (X) = pq = p(1 p) ( ) Sn np P < x Φ(x) npq 6
8 14 Miara Jordana i Lebesgue'a Miara Lebesgue'a jest uogólnieniem miary Jordana i ma nast puj ce wªasno±ci: 1. Ka»dy zbiór Borelowski jest mierzalny w sensie Lebesgue'a 2. Zbiory jednopunktowe, sko«czone i przeliczalne maj miar Lebesgue'a równ zero 3. Je»eli zbiór jest mierzalny w sensie Jordana to jest mierzalny w sensie Lebesgue'a i obie miary s sobie równe 15 Wielowymiarowe zmienne losowe Dana jest przestrze«probabilistyczna (Ω, F, P ) oraz X 1, X 2,..., X n zmienne losowe. ozkªad dyskretny Mówimy, ze wektor losowy (X, Y ) jest typu dyskretnego je±li istnieje sko«czony lub przeliczalny zbiór K 2 taki,»e P (X,Y ) (K) = 1, K = {(x 1, y 1 ),..., (x m, y n )}. P (X,Y ) = i={1,...,m} j={1,...,n} p ij δ (xi,y j ), p ij 0, p ij = 1 ozkªad ci gªy Mówimy, ze wektor losowy (X, Y ) ma rozkªad typu ci gªego, je±li istnieje sumowalna funkcja f : 2 2 taka,»e P (X,Y ) = f l 2, f - g sto± wektora losowego (X, Y ). P (X,Y ) (A) = P ((x, y) A) = A f(x, y) dx dy, A B( 2 ) 16 Dystrybuanta wektora losowego (X, Y ) : F (X, Y ) : 2 F (X,Y ) (x, y) = i:x i <x j:y j <y (,x) (,y) p ij, 1. Wªasno±ci dystrybuanty wektora losowego (X, Y ): P (X,Y ) = ij ij p ij δ ( x i, y j ) rozkªad dyskretny f(s, t) ds dt, P (X,Y ) = f l 2 rozkªad ci gªy (a) x lim F (X,Y )(x, y) = 0, y lim F (X,Y )(x, y) = 0 y x (b) x lim F (X,Y ) (x, y) = 1 y (c) Funkcja niemalej ca ze wzgl du na ka»d ze zmiennych (d) Funkcja przynajmniej lewostronnie ci gªa ze wzgl du na ka»d ze zmiennych (e) Dystrybuanta nad prostok tem (x 1, y 1 ) (x 2, y 2 ) musi by dodatnia: P (x 1, X < x 2 y 1, Y < y 2 ) = F (X,Y ) (x 1, y 1 ) + F (X,Y ) (x 2, y 2 ) F (X,Y ) (x 1, y 2 ) F (X,Y ) (x 2, y 1 ) 0 Je±li rozkªad wektora losowego jest ci gªy, to: f (X,Y ) (x, y) = F 2 x y 7
9 2. ozkªady brzegowe: Wektor losowy typu dyskretnego P (X,Y ) = ij n p ij δ ( x i, y j ), p i = p i0 j, p j = j=1 m p ij0, P X = m p i δ xi, P Y = Wektor losowy typu ci gªego P (X,Y ) = f l 2, f 1 (x) = 3. ozkªady warunkowe: Wektor losowy typu dyskretnego n p j δ xi, j=1 f (X,Y ) (x, y)dy, f 2 (y) = P X = f 1 l, P Y = f 2 l, E(X) = xf 1 dx, E(Y ) = yf 2 dy, f (X,Y ) (x, y)dx p xi y j = p i j = P (X = x i Y = y j ) = P ((X, Y ) = (x i, y j ), P (Y = y j ) > 0, P (Y = y j ) P X Y =yj = m p (xi y j )δ xi p yj x i = p j i = P (Y = y j X = x i ) = P ((X, Y ) = (x i, y j ), P (X = x i ) > 0, P (X = x i ) n P Y X=xi ) = p (yj x i )δ yj Wektor losowy typu ci gªego j=1 ϕ(x Y = y 0 ) = f(x, y 0) f 2 (y 0 ), f 2(y 0 ) > 0, P X Y =y0 = ϕ(, y 0 )l ψ(y X = x 0 ) = f(x 0, y) f 1 (x 0 ), f 1(x 0 ) > 0, P Y X=x0 = ψ(x 0, )l F (X Y = y 0 ) = x ϕ(x y 0 )dy, F (Y X = x 0 ) = 4. Linie regresji pierwszego rodzaju: {(E(X Y = y), y)} linia regresji zmiennej losowej X wzgl dem zmiennej Y, E(X Y = y 0 ) = xϕ(x y 0 )dx {x, (E(Y X = x))} linia regresji zmiennej losowej Y wzgl dem zmiennej X, E(Y X = x 0 ) = yψ(y x 0 )dy y ψ(y x 0 )dx 8
10 5. Momenty dwuwymiarowych zmiennych losowych: Moment zwykªy wektora losowego (X, Y ) rz du t + s: m ts = E(X t Y s ) x t y s f(x, y)dx dy, P (X,Y ) = f l 2 o ile caªka jest zbie»na E(X t Y s ) = x t i ys j p ij ij P (X,Y ) = p ij δ (xi,y j ) ij o ile szereg jest zbie»ny Moment centralny mieszany rz du t + s: µ ts = E ( (X E(X)) t (Y E(Y )) s) 6. Kowariancja - Moment centralny mieszany rz du 2 wektora losowego (X, Y ): xy f(x, y)dx dy, P (X,Y ) = f l 2 o ile caªka jest zbie»na E(XY ) = x i y j p ij P (X,Y ) = p ij δ (xi,y j ) ij o ile szereg jest zbie»ny 17 Wspóªczynnik korelacji gdzie V (X) > 0, Wªasno±ci: 1. ϱ 1 ij V (Y ) > 0 - wariancje zmiennych cov(x, Y ) = µ 11 = E(XY ) E(X) E(Y ) ϱ = ϱ (X,Y ) = ϱ XY = cov(x, Y ) V (X) V (Y ) 2. ϱ (X,Y ) = ϱ(ax + b, cy + d), a, c 0 zale»no± liniowa (X,Y silnie skorelowane) 3. ϱ = 1 P (Y = ax + b) = 1 a 0 18 Niezale»no± zmiennych losowych Zmienne losowe X, Y nazywamy niezale»nymi je»eli dla dowolnych zbiorów borelowskich A i B: Warunki niezale»no±ci (X, Y niezale»ne): P (X A, Y B) = P (X A) P (Y B) Ogólny warunek: (X,Y ) 2 F (X,Y ) (x, y) = F X (x) F Y (y) ozkªad ci gªy P (X,Y ) = fl 2 (X,Y ) 2 f(x, y) = f 1 (x) f 2 (y) ozkªad dyskretny P (X,Y ) = ij p ijδ (xi,y j ) (X,Y ) 2 p ij = p i p j Dla ka»dych zmiennych niezale»nych E(XY ) = E(X) E(Y ), wi c wszystkie zmienne niezale»ne s nieskorelowane, ale nie na odwrót. 19 Zmienne nieskorelowane (X, Y ) nieskorelowane V (X + Y ) = V (X) + V (Y ) (X, Y ) nieskorelowane ϱ = 0 cov(x, Y ) = 0 V (X + Y ) = V (X) + V (Y ) + 2cov(X, Y ) E(X), E(Y ) = E(XY ) = E(X) E(Y ) cov(x, Y ) = 0 ϱ = 0 9
11 20 egresja liniowa E(Y h(x)) 2 = min: 1. Pierwszego rodzaju: h(x) = E(Y X = x) 2. Drugiego rodzaju zmiennej losowej Y wzgl dem zmiennej losowej X to prosta: y = ax + b, E(Y ax b) 2 = min gdzie: a = ϱ σ y, σ x m x, m y, m z z rozkªadów brzegowych, b = m y ϱ σ y σ x, ϱ wspóªczynnik korelacji y m y = ϱ σ y σ x (x m x ) 21 ozkªad normalny na pªaszczy¹nie X N(m 1, m 2 ; σ 1, σ 2 ): ozkªady brzegowe: f(x, y) = ( 1 2πσ 1 σ 2 1 ϱ 2 e 1 2(1 ϱ 2 ) ( (x m 1 ) 2 σ 2 1 P X = f 1 l, X N(m 1, σ 1 ) P Y = f 2 l, Y N(m 2, σ 2 ) )) +2ϱ x m 1 x m 2 + (x m 2 )2 σ 1 σ 2 σ 2 2 Dla takiego rozkªadu linie regresji pierwszego rodzaju = linie regresji drugiego rodzaju 22 Funkcje dwuwymiarowych zmiennych losowych Dla zmiennych (X,Y): P (X,Y ) = f (x,y) l 2 Dla zmiennych (U,V): P (U,V ) = k (u,v) l 2 U = U(x, y), V = V (x, y) Maj c dany wzór na (u, v) szukamy: x = x(u, v) y = y(u, v) Jakobian: J = x u y u x v y v 0 G sto± nowego rozkªadu wyra»a si wzorem: f (X,Y ) (x(u, v), y(u, v) J (x, y) D k (U,V ) (u, v) = 0 pozostaªe x,y ozkªad brzegowy (faktycznie wyznaczany): k U (u) = Przypadki szczególne: k (U,V ) (u, v)dv 1. Splot funkcji U = X + Y, V = X = J = 1 Je±li (X,Y) - niezale»ne f(x, y) = f 1 (x) f 2 (y) k U (u) = f(x, u x)dx = f 1 (x) f 2 (u x)dx = f 1 f 2 2. U = X Y = J = 1 3. U = XY = J = 1 x 10
12 23 Tablica rozkªadu normalnego x 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0, , , , , , , , , , ,1 0, , , , , , , , , , ,2 0, , , , , , , , , , ,3 0, , , , , , , , , , ,4 0, , , , , , , , , , ,5 0, , , , , , , , , , ,6 0, , , , , , , , , , ,7 0, , , , , , , , , , ,8 0, , , , , , , , , , ,9 0, , , , , , , , , , ,0 0, , , , , , , , , , ,1 0, , , , , , , , , , ,2 0, , , , , , , , , , ,3 0, , , , , , , , , , ,4 0, , , , , , , , , , ,5 0, , , , , , , , , , ,6 0, , , , , , , , , , ,7 0, , , , , , , , , , ,8 0, , , , , , , , , , ,9 0, , , , , , , , , , ,0 0, , , , , , , , , , ,1 0, , , , , , , , , , ,2 0, , , , , , , , , , ,3 0, , , , , , , , , , ,4 0, , , , , , , , , , ,5 0, , , , , , , , , , ,6 0, , , , , , , , , , ,7 0, , , , , , , , , , ,8 0, , , , , , , , , , ,9 0, , , , , , , , , , ,0 0, , , , , , , , , , ,1 0, , , , , , , , , , ,2 0, , , , , , , , , , ,3 0, , , , , , , , , , ,4 0, , , , , , , , , , ,5 0, , , , , , , , , , ,6 0, , , , , , , , , , ,7 0, , , , , , , , , , ,8 0, , , , , , , , , , ,9 0, , , , , , , , , ,
Wykład 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 szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoBiostatystyka, # 4 /Weterynaria I/
Biostatystyka, # 4 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
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 szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej 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 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 szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowo1 Elementy kombinatoryki i teorii prawdopodobieństwa
1 Elementy kombinatoryki i teorii prawdopodobieństwa 1.1 Elementy kombinatoryki W rozwiązywaniu pewnych problemów związanych z obliczaniem prawdopodobieństwa o skończonej liczbie zdażeń elementarnych bardzo
Bardziej szczegółowoStatystyka. Magdalena Jakubek. kwiecień 2017
Statystyka Magdalena Jakubek kwiecień 2017 1 Nauka nie stara się wyjaśniać, a nawet niemal nie stara się interpretować, zajmuje się ona głównie budową modeli. Model rozumiany jest jako matematyczny twór,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 08/9 Zarządzanie e-mail: www: konsultacje: rafal.kucharski@ue.katowice.pl http://web.ue.katowice.pl/rkucharski/ Piątki, 5:0-6:0,
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
Bardziej szczegółowoZadania z rachunku prawdopodobie«stwa
STATYSTYKA 2 rok, informatyka,. Zadania z rachunku prawdopodobie«stwa 1. Niech A B C = Ω, P (B) = 2P (A), P (C) = 3P (A), P (A B) = P (A C) = P (B C). Pokaza,»e 1 P (A) 1. Pokaza,»e oba ograniczenia mog
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoElementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo
Spis tre±ci Elementy Modelowania Matematycznego Wykªad 1 Prawdopodobie«stwo Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci Spis tre±ci 1 2 3 4 5 Spis tre±ci Spis tre±ci 1 2 3 4
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoWartość oczekiwana Mediana i dominanta Wariancja Nierówności związane z momentami. Momenty zmiennych losowych Momenty wektorów losowych
Przykład(Wartość średnia) Otrzymaliśmy propozycję udziału w grze polegającej na jednokrotnym rzucie symetryczną kostką. Jeśli wypadnie 1 wygrywamy2zł,;jeśliwypadnie2,płacimy1zł;za3wygrywamy 4zł;za4płacimy5zł;za5wygrywamy3złiwreszcieza6
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach. a) (6 pkt.) oblicz intensywno± pªaconych skªadek;
EGZAMIN MAGISTERSKI, 26.06.2019r Matematyka w ekonomii i ubezpieczeniach 1. (8 punktów) Dwa niezale»ne portfele S 1, S 2 maj zªo»one rozkªady Poissona. S 1 CP oisson(2, F ), S 2 CP oisson(2, G), gdzie
Bardziej szczegółowoPRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW
PRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW Rachunek prawdopodobieństwa (probabilitis - prawdopodobny) zajmuje się badaniami pewnych prawidłowości (regularności) zachodzących przy wykonywaniu doświadczeń
Bardziej szczegółowoStatystyka i eksploracja danych
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja
Bardziej szczegółowoStacjonarne szeregi czasowe
e-mail:e.kozlovski@pollub.pl Spis tre±ci 1 Denicja 1 Szereg {x t } 1 t N nazywamy ±ci±le stacjonarnym (stacjonarnym w w»szym sensie), je»eli dla dowolnych m, t 1, t 2,..., t m, τ ª czny rozkªad prawdopodobie«stwa
Bardziej szczegółowoMetody probablistyczne i statystyka stosowana
Politechnika Wrocªawska - Wydziaª Podstawowych Problemów Techniki - 011 Metody probablistyczne i statystyka stosowana prowadz cy: dr hab. in». Krzysztof Szajowski opracowanie: Tomasz Kusienicki* κ 17801
Bardziej szczegółowo3. (8 punktów) EGZAMIN MAGISTERSKI, Biomatematyka
EGZAMIN MAGISTERSKI, 26.06.2017 Biomatematyka 1. (8 punktów) Rozwój wielko±ci pewnej populacji jest opisany równaniem: dn dt = rn(t) (1 + an(t), b gdzie N(t) jest wielko±ci populacji w chwili t, natomiast
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 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 szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoEGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
EGZAMIN MAGISTERSKI, 12.09.2018r Matematyka w ekonomii i ubezpieczeniach Zadanie 1. (8 punktów) O rozkªadzie pewnego ryzyka S wiemy,»e: E[(S 20) + ] = 8 E[S 10 < S 20] = 13 P (S 20) = 3 4 P (S 10) = 1
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoInformatyka. z przedmiotu RACHUNEK PRAWDOPODOBIE STWA
Informatyka Zbiór przykªadowych prac kontrolnych oraz przykªadowych zada«egzaminacyjnych z przedmiotu RACHUNEK PRAWDOPODOBIE STWA Sprawdzian 1, M09-02 Zadanie 1 (1p) W rzucie dwiema kostkami obliczy prawdopodobie«stwo
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowo1 Przypomnienie wiadomo±ci ze szkoªy ±redniej. Rozwi zywanie prostych równa«i nierówno±ci
Zebraª do celów edukacyjnych od wykªadowców PK, z ró»nych podr czników Maciej Zakarczemny 1 Przypomnienie wiadomo±ci ze szkoªy ±redniej Rozwi zywanie prostych równa«i nierówno±ci dotycz cych funkcji elementarnych,
Bardziej szczegółowoTwierdzenie Wainera. Marek Czarnecki. Warszawa, 3 lipca Wydziaª Filozoi i Socjologii Uniwersytet Warszawski
Twierdzenie Wainera Marek Czarnecki Wydziaª Filozoi i Socjologii Uniwersytet Warszawski Wydziaª Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 3 lipca 2009 Motywacje Dla dowolnej
Bardziej szczegółowoRachunek caªkowy funkcji wielu zmiennych
Rachunek caªkowy funkcji wielu zmiennych I. Malinowska, Z. Šagodowski Politechnika Lubelska 8 czerwca 2015 Caªka iterowana podwójna Denicja Je»eli funkcja f jest ci gªa na prostok cie P = {(x, y) : a x
Bardziej szczegółowoRozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a).
Rozwi zania zada«z egzaminu podstawowego z Analizy matematycznej 2.3A (24/5). Rozwi zanie równania ró»niczkowego metod operatorow (zastosowanie transformaty Laplace'a). Zadanie P/4. Metod operatorow rozwi
Bardziej szczegółowoLiteratura. 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 szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoZadania. 4 grudnia k=1
Zadania 4 grudnia 205 Zadanie. Poka»,»e dla dowolnych liczb zespolonych z,..., z n istnieje zbiór B {,..., n}, taki,»e n z k π z k. k B Zadanie 2. Jakie warunki musz speªnia ci gi a n i b n, aby istniaªy
Bardziej szczegółowoRozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe
Statystyka i opracowanie danych W4 Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Rozkład normalny wykres funkcji gęstości
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 szczegółowoJeśli 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 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 szczegółowoSTATYSTYKA 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 szczegółowoRachunek prawdopodobieństwa II
Leszek Słomiński achunek prawdopodobieństwa II Materiały dydaktyczne dla studentów matematyki przygotowane w ramach projektu IKS - Inwestycja w Kierunki Strategiczne na Wydziale Matematyki i Informatyki
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowoMatematyka dla biologów Zajęcia nr 13.
Matematyka dla biologów Zajęcia nr 13. Dariusz Wrzosek 16 stycznia 2019 Matematyka dla biologów Zajęcia 13. 16 stycznia 2019 1 / 34 Plan: 1 Rachunek prawdopodobienstwa-zmienne losowe o rozkładzie ciagłym
Bardziej szczegółowoZadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej
Zadania z analizy matematycznej - sem. II Ekstrema funkcji wielu zmiennych, twierdzenia o funkcji odwrotnej i funkcji uwikªanej Denicja 1. Niech X = R n b dzie przestrzeni unormowan oraz d(x, y) = x y.
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoEkstremalnie maªe zbiory
Maªe jest pi kne Instytut Matematyki Uniwersytetu Warszawskiego Nadarzyn, 27.08.2011 Zbiory silnie miary zero Przypomnienie Zbiór X [0, 1] jest miary Lebesgue'a zero, gdy dla ka»dego ε > 0 istnieje ci
Bardziej szczegółowoPrawdopodobie«stwo warunkowe, twierdzenie Bayesa, niezale»no± zdarze«.
Prawdopodobie«stwo warunkowe, twierdzenie Bayesa, niezale»no± zdarze«. Alicja Czy» WFTiMS April 14, 2010 Spis tre±ci 1 Wprowadzenie Denicja prawdopodobie«stwa warunkowego Twierdzenie Bayesa Niezale»no±
Bardziej szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoσ-ciało zdarzeń Niech Ω będzie niepustym zbiorem zdarzeń elementarnych, a zbiór F rodziną podzbiorów zbioru Ω spełniającą warunki: jeśli A F, to A F;
Zdarzenie losowe i zdarzenie elementarne Zdarzenie (zdarzenie losowe) - wyni pewnej obserwacji lub doświadczenia; może być ilościowy lub jaościowy. Zdarzenie elementarne - najprostszy wyni doświadczenia
Bardziej szczegółowoMetody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x),
Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: Fx sinx, Fx a e x mogą być dystrybuantami?. Podaj twierdzenie Lindeberga
Bardziej szczegółowo5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach
Matematyka w ekonomii i ubezpieczeniach ( Niezale»ne szkody maja rozkªady P (X i = k) = exp( 1)/k!, P (Y i = k) = 4+k ) k (1/3) 5 (/3) k, k = 0, 1,.... Niech S = X 1 +... + X 500 + Y 1 +... + Y 500. Skªadka
Bardziej szczegółowoIn»ynierskie zastosowania statystyki wiczenia
Uwagi: 27012014 poprawiono kilka literówek, zwi zanych z przedziaªami ufno±ci dla wariancji i odchylenia standardowego In»ynierskie zastosowania statystyki wiczenia Przedziaªy wiarygodno±ci, testowanie
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoMatematyka z elementami statystyki
Matematyka z elementami statystyki Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Korelacja Zale»no± funkcyjna wraz ze wzrostem jednej zmiennej nast puje ±ci±le okre±lona zmiana druiej zmiennej.
Bardziej szczegółowoStatystyka matematyczna - ZSTA LMO
Statystyka matematyczna - ZSTA LMO Šukasz Smaga Wydziaª Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza w Poznaniu Wykªad 4 Šukasz Smaga (WMI UAM) ZSTA LMO Wykªad 4 1 / 18 Wykªad 4 - zagadnienia
Bardziej szczegółowoFunkcje jednej zmiennej. Granica, ci gªo±. (szkic wykªadu)
Funkcje jednej zmiennej Granica, ci gªo± (szkic wykªadu) opracowaªa Gra»yna Ciecierska 1 Granica funkcji Denicja Niech 0 R, r > 0 Otoczeniem punktu 0 o promieniu r nazywamy przedziaª ( 0 r, 0 +r) Otoczeniem
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
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 szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoBiostatystyka, # 5 /Weterynaria I/
Biostatystyka, # 5 /Weterynaria I/ dr n. mat. Zdzisªaw Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowa«Matematyki i Informatyki ul. Gª boka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może
Bardziej szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoFunkcje wielu zmiennych
dr Krzysztof yjewski Informatyka I rok I 0 in» 12 stycznia 2016 Funkcje wielu zmiennych Informacje pomocnicze Denicja 1 Niech funkcja f(x y) b dzie okre±lona przynajmniej na otoczeniu punktu (x 0 y 0 )
Bardziej szczegółowoElementarna statystyka
Elementarna statystyka Alexander Bendikov 26 marca 2017 Klasyczny model: eksperyment o jednakowo prawdopodobnych wynikach Zaªo»enia: 1 Przestrze«próbek S ma sko«czenie wiele wyników ω 1, ω 2,..., ω n,
Bardziej szczegółowoZmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej
Statystyka i opracowanie danych Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne losowe Zmienna
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
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 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 5. Rozkłady łączne
Rachunek Prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.0 Definicje Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Przykład 1 Bolek, Lolek i Tola wstąpili do kasyna. (A) Bolek postawił na czerwone, (B)
Bardziej szczegółowoE. Sadowska-Owczorz Statystyka i probabilistyka - zadania kwiecie«2018
1. Jest 50 pyta«egzaminacyjnych. Na ka»dej wylosowanej przez zdaj cego kartce napisane s trzy pytania. (a) Ile mo»e by ró»nych kartek? (b) Oblicz prawdopodobie«stwo,»e zdajacy odpowie co najmniej na jedno
Bardziej szczegółowopunkcie. Jej granica lewostronna i prawostronna w punkcie x = 2 wynosz odpowiednio:
5.9. lim x x +4 f(x) = x +4 Funkcja f(x) jest funkcj wymiern, która jest ci gªa dla wszystkich x, dla których mianownik jest ró»ny od zera, czyli dla: x + 0 x Zatem w punkcie x = funkcja ta jest okre±lona
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoWykład 4, 5 i 6. Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej
Wykład 4, 5 i 6 Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak
Bardziej szczegółowoLiczby zespolone Pochodna Caªka nieoznaczona i oznaczona Podstawowe wielko±ci zyczne. Repetytorium z matematyki
Repetytorium z matematyki Denicja liczb zespolonych Wyra»enie a + bi, gdzie a i b s liczbami rzeczywistymi a i speªnia zale»no± i 2 = 1, nazywamy liczb zespolon. Liczb i nazywamy jednostk urojon, a iloczyn
Bardziej szczegółowoStatystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl
Statystyka Opisowa z Demografią oraz Biostatystyka Zmienne losowe Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka p.
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 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 szczegółowoZbiory i odwzorowania
Zbiory i odwzorowania 1 Sposoby okre±lania zbiorów 1) Zbiór wszystkich elementów postaci f(t), gdzie t przebiega zbiór T : {f(t); t T }. 2) Zbiór wszystkich elementów x zbioru X speªniaj cych warunek ϕ(x):
Bardziej szczegółowoRachunek prawdopodobieństwa. Stanisław Jaworski
Rachunek prawdopodobieństwa Stanisław Jaworski Rachunek prawdopodobieństwa: dział matematyki zajmujący się badaniem modeli zjawisk losowych (przypadkowych) i praw nimi rządzących (Encyklopedia Popularna
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 szczegółowoNajczęściej spotykane rozkłady dyskretne:
I. Rozkład dwupunktowy: Najczęściej spotykane rozkłady dyskretne: Def. Zmienna X ma rozkład dwupunktowy z prawdopodobieostwem 1 przyjmuje tylko dwie wartości, tzn. P(X = x 1 ) = p i P(X = x 2 ) = 1 p =
Bardziej szczegółowoMaªgorzata Murat. Modele matematyczne.
WYKŠAD I Modele matematyczne Maªgorzata Murat Wiadomo±ci organizacyjne LITERATURA Lars Gårding "Spotkanie z matematyk " PWN 1993 http://moodle.cs.pollub.pl/ m.murat@pollub.pl Model matematyczny poj cia
Bardziej szczegółowoMatematyka 1. Šukasz Dawidowski. Instytut Matematyki, Uniwersytet l ski
Matematyka 1 Šukasz Dawidowski Instytut Matematyki, Uniwersytet l ski Pochodna funkcji Niech a, b R, a < b. Niech f : (a, b) R b dzie funkcj oraz x, x 0 (a, b) b d ró»nymi punktami przedziaªu (a, b). Wyra»enie
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowo