wykład nr 5 metody Monte Carlo zastosowanie metod do obliczenia całek wielokrotnych Nr: 1 Metody obliczeniowe
|
|
- Henryka Białek
- 6 lat temu
- Przeglądów:
Transkrypt
1 Nr: Metody obliczeniowe wykład nr 5 etody Monte Carlo zastosowanie etod do obliczenia całek wielokrotnych
2 Nr: Obliczanie całek wielokrotnych Ω... f (,..., d... n d n = kubatury - wielowyiarowe odpowiedniki kwadratur złoŝonych dla funkcji n- ziennych podział na n-wyiarowe obszary regularne w których znane są wzory kwadratur prostych? Z dla funkcji n-ziennych dokonując podziału odcinka [a i,b i ] (i=,...,n na części otrzyujey n n-wyiarowych kostek -5 - Y X Ω... f (,..., n d... d = Ω f ( X n śr?
3 Nr: 3 Prawo wielkich liczb ilustracja Przy dostatecznie duŝej liczbie prób częstość wystąpienia danego zdarzenia losowego będzie się dowolnie ało róŝniła od jego prawdopodobieństwa. (Bernoulli 73 X zienna losowa: zdarzenie losowe rzut onetą oŝliwe wartości ziennej {,} = : wyrzucenie reszki =: wyrzucenie orła EX wartość oczekiwana ziennej X (= p + p =/ S n =X(+...+X(n sua wartości n realizacji ziennej losowej X przeprowadzając duŝą liczbę rzutów syetryczną onetą, oŝey oczekiwać Ŝe stosunek liczby "wyrzuconych" orłów do liczby wszystkich rzutów będzie bliski,5 ty większe są na to szanse i większa jest liczba rzutów
4 Nr: 4 Prawo wielkich liczb zasada etody Monte Carlo Z prawdopodobieństwe dowolnie bliski oŝna się spodziewać iŝ przy dostatecznie duŝej liczbie prób średnia wartość ziennej losowej będzie się dowolnie ało róŝniła od wartości oczekiwanej tej ziennej. X(i realizacje ziennej losowej X o rozkładzie noralny Definiując zienną losową S n = X(+...+ X(n wnioskujey iŝ dla dowolnych ε>, δ> : Sn P( EX < ε < δ n dla n Mówiy Ŝe ciąg ziennych losowych S n /n jest zbieŝny (wg prawdopodobieństwa do wartości oczekiwanej ziennej losowej X
5 Nr: 5 Przykład wykorzystywanie zjawisk losowych w procesach obliczeniowych Igła Buffona obliczenie wartości liczby π za poocą losowych rzutów igły na płaszczyznę l długość igły (l<d d odległość poiędzy równoległyi liniai odległość środka igły od najbliŝszej prostej niejszy z kątów poiędzy igłą a prostopadłą do linii M liczba wszystkich wykonanych rzutów N liczba rzutów w których igła przecięła jedną z linii kaŝdy rzut realizacja ziennej losowej - wyiarowej (, (, [,d/] [,π/] l igła przecina jedną z prostych jeśli < cos Zienna losowa: zdarzenie losowe (rzut igłą (, [,d/] [,π/]
6 Nr: 6 F ( = P( X < Przykład Igła Buffona dystrybuanta ziennej losowej X li F( = oznacza prawdopodobieństwo, Ŝe zienna losowa X jest niejsza od pewnej liczby rzeczywistej. gęstość prawdopodobieństwa ziennej losowej ciągłej X - funkcja f( spełniająca warunek: F ( = f ( t dt li F(, =
7 Nr: 7 F ( = P( X < Przykład Igła Buffona dystrybuanta ziennej losowej X dystrybuanta ziennej losowej (, F(, = P( X <, Φ < li F( = oznacza prawdopodobieństwo, Ŝe zienna losowa X jest niejsza od pewnej liczby rzeczywistej. gęstość prawdopodobieństwa ziennej losowej ciągłej X - funkcja f( spełniająca warunek: F ( = f ( t dt li F(, = gęstość prawdopodobieństwa ziennej losowej ciągłej(, F(, = f ( t, u dtdu
8 Nr: 8 PoniewaŜ Przykład Igła Buffona P( X < lub < = (, [,d/] [,π/] P( X > d / lub > π / = d/ F(, = f ( t, u dtdu li F(, =. π /
9 Nr: 9 PoniewaŜ Przykład Igła Buffona P( X < lub Φ < = (, [,d/] [,π/] P( X > d / lub Φ > π / =..8.6 d/ F(, = f ( t, u dtdu li F(, =.4. π / f (, = 4 πd d π, p. p. -.
10 Nr: Przykład Igła Buffona PoniewaŜ (, [,d/] [,π/] f (, = 4 πd d π, p. p. F(, = f ( t, u dtdu F(, = P( X <, Φ < igła przecina jedną z prostych jeśli π l φ [, ], < cos prawdopodobieństwo iŝ igła przetnie jedną z prostych wynosi: π l p = F(, cos
11 Nr: Przykład Igła Buffona =.., 4, ( p p d d f π π PoniewaŜ (, [,d/] [,π/] prawdopodobieństwo iŝ igła przetnie jedną z prostych wynosi: igła przecina jedną z prostych jeśli π φ cos ], [, l < d l d d d d d f l F p l l π π π π π 4, ( cos, ( cos cos = = = = = dtdu u t f F, (, (, (, ( < Φ < = X P F
12 Nr: Przykład Igła Buffona prawdopodobieństwo iŝ igła przetnie jedną z prostych wynosi l p = πd
13 Nr: 3 Przykład Igła Buffona prawdopodobieństwo iŝ igła przetnie jedną z prostych wynosi p p( M l = πd p(m prawdopodobieństwo epiryczne zdarzenia - igła przetnie jedną z prostych, wyznaczone na podstawie M rzutów N M porównujey wartości p i p(m: p p(m l πd N M π l d M N Zadanie: zapisz kod prograu wyznaczający liczbę π opisaną etodą, wykorzystaj funkcję SciLaba rand( do generowania liczb losowych.
14 Nr: 4 Obliczenie całki wielokrotnej etodą Monte Carlo Dana funkcja y = f (,..., całkowalna po obszarze doknięty i ograniczony S. Obliczay całkę geoetrycznie liczba I przedstawia -wyiarową objętość walcoidu prostego w przestrzeni R +, zbudowanego nad podstawą S, ograniczonego z góry daną powierzchnią Czy = S I... f (,..., d... d... f (,..., d... d S f ( X śr = S?
15 Nr: 5 Obliczenie całki wielokrotnej etodą Monte Carlo Dana funkcja y = f (,..., całkowalna po obszarze doknięty i ograniczony S. Obliczay całkę geoetrycznie liczba I przedstawia -wyiarową objętość walcoidu prostego w przestrzeni R +, zbudowanego nad podstawą S, ograniczonego z góry daną powierzchnią Czy = S I... f (,..., d... d... f (,..., d... d S f ( X śr Określa zienną losową X: zdarzenie losowe: wybór punktu z obszaru S wartość ziennej losowej: wartość funkcji f w wybrany punkcie Całka z funkcji f oŝe być określona jako = S?... f (,..., d... d S = S EX
16 Nr: 6 Obliczenie całki wielokrotnej etodą Monte Carlo = Całkę I... f (,..., d... d przekształcay w ten S sposób, by obszar całkowania zawarty był w całości wewnątrz n- wyiarowego prostopadłościanu o boku jednostkowy obszar S ograniczay -wyiarowy równoległobokie ai i Ai i =,,..., dokonujey zaiany ziennych: i = ai + ( Ai ai ξi i =,,...,
17 Nr: 7 Obliczenie całki wielokrotnej etodą Monte Carlo obliczay Jacobian przekształcenia otrzyujey całkę...( ( ( a A a A a A a A a A a A = (,..., ( ( (... ( (,..., (...,..., (... a A a a A a f a A a A a A F d d F I ξ ξ ξ ξ ξ ξ ξ ξ σ + + = =
18 Nr: 8 Obliczenie całki wielokrotnej etodą Monte Carlo wybieray ciągów losowych o rozkładzie równoprawdopodobny w przedziale [,] ( ( ( { ξ, ξ,..., ξ,...} { ξ... { ξ ( (, ξ, ξ ( (,..., ξ,..., ξ ( n,...},...} punkty oŝey rozpatrywać jako punkty losowe ( ( ( M i = ( ξi, ξi,..., ξi i =,,... bierzey N punktów (dostatecznie duŝą liczbę: M,M,...,M N sprawdzay które z nich naleŝą do obszaru σ niech (dla wygody zieniay wskaźniki: n ( n M M i i σ σ dla dla i i =,,..., N = N +, N +,..., N
19 Nr: 9 Obliczenie całki wielokrotnej etodą Monte Carlo biorąc dostatecznie duŝą liczbę punktów M,M,...,M N naleŝących do obszaru σ oŝey przybliŝyć wartość oczekiwaną EX ziennej losowej X przez średnią arytetyczną (prawo wielkich liczb y = N F( śr N M i i= szukana całka wyraŝa się wzore (σ oznacza -wyiarową objętość obszaru całkowania σ N σ I = σy = F( M śr N i jeśli objętość σ trudno obliczyć, oŝey przyjąć i= σ N N I F( M i N N i=
20 Nr: Obliczenie całki wielokrotnej etodą Monte Carlo przykład obliczeniowy obliczay całkę = ( + obszar całkowania określony jest nierównościai, y generujey N punktów losowych, leŝących w [,] [,] I y ddy S
21 Nr: Obliczenie całki wielokrotnej etodą Monte Carlo przykład obliczeniowy N liczba wygenerowanych punktów losowych N liczba punktów naleŝących do obszaru całkowania średnia wartość N /N przybliŝone pole obszaru całkowania I przybliŝona wartość całki błąd procentowy wartość dokładna całki.875 Zadanie: zapisz kod prograu obliczający etodą Monte Carlo wartość całki z funkcji f(,y,z=+y+z po toroidzie powstały w wyniku obrotu kwadratu o boku =, punkte obrotu środek układu współrzędnych, proień obrotu = 5.
22 Nr: Postępowanie Zasady etody Monte Carlo opisanie danego zadania obliczeniowego w języku rachunku prawdopodobieństwa poprzez wprowadzenie ziennej losowej w oparciu o generatory liczb losowych wielokrotna realizacja ziennej losowej na podstawie otrzyanych wyników, przy uŝyciu etod statystycznych uzyskanie pewnych inforacje o rozkładzie tej ziennej losowej (najczęściej oszacowanie wartości oczekiwanej rozwaŝanej ziennej losowej
23 Nr: 3 Zasada etody Monte Carlo Rozwiązanie klasycznego probleu obliczeniowego algoryt (ciąg działań obliczeniowych znalezienie szukanej wielkości f dokładnie albo z zadany błęde proces ściśle zdeterinowany: kaŝda realizacja algorytu przy bezbłędny wykonaniu daje ten sa wynik Metody Monte Carlo proces obliczeniowy niezdeterinowany określają go wyniki prób losowych, róŝne realizacje algorytu ogą dawać róŝne wyniki skonstruowanie klasycznego algorytu jest praktycznie nieoŝliwe algoryt jest bardzo złoŝony, lub wyaga długotrwałych obliczeń
24 Nr: 4 Niektóre zastosowania etody Monte Carlo rozwiązywanie układów równań liniowych odwracanie acierzy obliczanie całek wielokrotnych zadania związane z ruche (sieci kolejowe, sterowanie sygnalizacją uliczną syulacja zjawisk fizycznych
25 Nr: 5 Zastosowanie etody Monte Carlo określenie prawdopodobieństwa awarii obiektu budowlanego N nośność : oŝliwość przejęcia przez obiekt (fundaent obciąŝeń zewnętrznych (wypadkowa wszystkich sił utrzyujących konstrukcję w równowadze S oddziaływanie (obciąŝenie wypadkowa wszystkich sił dąŝących do utraty stateczności przez konstrukcję Funkcja stanu granicznego G = N S oddziela strefę bezpieczną od strefy zagroŝenia G = < stan bezpieczny stan zagroŝenia prawdopodobieństwo awarii (niespełnienia warunku granicznego p = P{ G < }
26 Nr: 6 Zastosowanie etody Monte Carlo określenie prawdopodobieństwa awarii obiektu budowlanego N nośność : fundaent palowy N = S p π D 4 q + i S s i A s i t i S p : współczynnik technologiczny =,3 D[] : średnica pala =,5 q [kpa]: jednostkowa wytrzyałość gruntu pod podstawą pala = 56 kpa S si : współczynnik technologiczny A si [ ] : pole pobocznicy t i [kpa]:jednostkowa wytrzyałość gruntu wzdłuŝ pobocznicy i indeks warstwy gruntu Paraetry S p,q,t i określono jako zienne losowe o rozkładzie noralny i współczynniku zienności =,
27 Nr: 7 Zastosowanie etody Monte Carlo określenie prawdopodobieństwa awarii obiektu budowlanego Rozkład noralny N(µ,σ (σ = współczynnik zienności µ - funkcja gęstości prawdopodobieństwa (krzywa Gaussa = P ( a < b f ( t dt b a // losowa wartość ziennej losowej // o rozkładzie noralny N(, rand(,, noral
28 Nr: 8 Zastosowanie etody Monte Carlo określenie prawdopodobieństwa awarii obiektu budowlanego Paraetry S p,q,t i określono jako zienne losowe o rozkładzie noralny i współczynniku zienności =, Przy uŝyciu funkcji SciLaba rand( wygenerowanie wartości (realizacji dla rozkładu N(, dla kaŝdej ziennej losowej q = 56 kpa q = q wsp_z rand(n,, noral + q Rozkład noralny N(, Rozkład noralny dla paraetru q (56 kpa
29 Nr: 9 Zastosowanie etody Monte Carlo określenie prawdopodobieństwa awarii obiektu budowlanego Obliczenia: wykorzystano progra koputerowy napisany w języku Scilab w algorytie uŝyto etody Monte Carlo odpowiednio dla N = prób losowych N - liczba prób losowych N - liczba prób losowych w których G< { G } N N P < Zadanie: obliczyć, wykorzystując opisaną etodę, oraz podane wyŝej dane prawdopodobieństwo awarii fundaentu, przyjując iŝ fundaent znajduje się w jednej warstwie gruntu o paraetrach: S s =,8; t =64 kpa; A s =4. Przyjąć obciąŝenie S=85 kn ObciąŜenie S j [kn]
30 Nr: 3 Zastosowanie etody Monte Carlo określenie prawdopodobieństwa awarii obiektu budowlanego Prawdo po dobieńs two awarii,6,5,4,3,, obciąŝe nie na pal [kn] 84 pale - pierwotny 77 pali 79 pali 8 pali 83 pa le 84 pale
31 Nr: 4 funkcje SciLaba rand( generator liczb losowych
32 Nr: 43 Podsuowanie Zastosowanie etod Monte-Carlo Istota i załoŝenia etody Monte Carlo pojęcie zbieŝności stochastycznej wnioski z prawa wielkich liczb Igła Buffon a Obliczenie całki wielokrotnej etodą Monte Carlo przekształcenie obszaru całkowania wykorzystanie generatora liczb losowych obliczenie wartości przybliŝonej całki
Metody obliczeniowe. wykład nr 5. metody Monte Carlo zastosowanie metod do obliczenia całek wielokrotnych. Nr: 1
Nr: Metoy obliczeniowe wykła nr 5 etoy Monte Carlo zastosowanie eto o obliczenia całek wielokrotnych Nr: Obliczanie całek wielokrotnych... f (,..., n... n? kubatury - wielowyiarowe opowieniki kwaratur
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 szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowo= = a na podstawie zadania 6 po p. 3.6 wiemy, że. b 1. a 2 ab b 2
64 III. Zienne losowe jednowyiarowe D Ponieważ D (A) < D (B), więc należy wybrać partię A. Przykład 3.4. Obliczyć wariancję rozkładu jednostajnego. Ponieważ a na podstawie zadania 6 po p. 3.6 wiey, że
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 szczegółowoĆwiczenie nr 2: Posadowienie na palach wg PN-83 / B-02482
Ćwiczenie nr 2: Posadowienie na palach wg PN-83 / B-02482 Ćwiczenie nr 3: Posadowienie na palach wg PN-84/B-02482 2 Dla warunków gruntowych przedstawionych na rys.1 zaprojektować posadowienie fundamentu
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK, Toruń Uniwersyteckie Koło Matematyczne 23 kwietnia 2009 r. Bartosz Ziemkiewicz (WMiI UMK) Prawdopodobieństwo geometryczne
Bardziej szczegółowoMetody Obliczeniowe w Nauce i Technice
Metody Obliczeniowe w Nauce i Technice 15. Obliczanie całek metodami Monte Carlo Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl
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 szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoWykłady z Matematyki stosowanej w inżynierii środowiska, II sem. 2. CAŁKA PODWÓJNA Całka podwójna po prostokącie
Wykłady z Matematyki stosowanej w inżynierii środowiska, II sem..1. Całka podwójna po prostokącie.. CAŁKA POWÓJNA.. Całka podwójna po obszarach normalnych..3. Całka podwójna po obszarach regularnych..4.
Bardziej szczegółowoCałkowanie numeryczne
16 kwiecień 2009 SciLab w obliczeniach numerycznych - część 4 Slajd 1 Całkowanie numeryczne 16 kwiecień 2009 SciLab w obliczeniach numerycznych - część 4 Slajd 2 Plan zajęć 1. Całkowanie przybliżone funkcji
Bardziej szczegółowoIlustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b]
Ilustracja metody Monte Carlo obliczania pola obszaru D zawartego w kwadracie [a,b]x[a,b] Dagna Bieda, Piotr Jarecki, Tomasz Nachtigall, Jakub Ciesiółka, Marek Kubiczek Metoda Monte Carlo Metoda Monte
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 szczegółowoMatematyka II. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 2018/2019 wykład 13 (27 maja)
Matematyka II Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr letni 208/209 wykład 3 (27 maja) Całki niewłaściwe przedział nieograniczony Rozpatrujemy funkcje ciągłe określone na zbiorach < a, ),
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 szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowoWykłady z Matematyki stosowanej w inżynierii środowiska, II sem. 3. CAŁKA POTRÓJNA
Wykłady z Matematyki stosowanej w inżynierii środowiska, II sem 1 Całka potrójna po prostopadłościanie CAŁKA POTRÓJNA 2 Całka potrójna po obszarach normalnych Współrzędne walcowe 4 Współrzędne sferyczne
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)
Bardziej szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowowykład V uzupełnienie notatek: dr Jerzy Białkowski Programowanie C/C++ Język C++ klasy i obiekty wykład V dr Jarosław Mederski Spis Język C++ - klasy
i obiekty Programowanie i obiekty uzupełnienie notatek: dr Jerzy Białkowski i obiekty 1 2 3 4 i obiekty Obiektowość języka C++ Na tym wykładzie poznamy: ˆ Klasa (w języku C++ rozszerzenie struktury, typ
Bardziej szczegółowoBadanie funkcji. Zad. 1: 2 3 Funkcja f jest określona wzorem f( x) = +
Badanie funkcji Zad : Funkcja f jest określona wzorem f( ) = + a) RozwiąŜ równanie f() = 5 b) Znajdź przedziały monotoniczności funkcji f c) Oblicz największą i najmniejszą wartość funkcji f w przedziale
Bardziej szczegółowoRachunek całkowy funkcji wielu zmiennych
Rachunek całkowy funkcji wielu zmiennych Całki potrójne wykład z MATEMATYKI Budownictwo studia niestacjonarne sem. II, rok ak. 2008/2009 Katedra Matematyki Wydział Informatyki olitechnika Białostocka 1
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 szczegółowoZADANIA. PYTANIA I ZADANIA v ZADANIA za 2pkt.
PYTANIA I ZADANIA v.1.3 26.01.12 ZADANIA za 2pkt. ZADANIA Podać wartości zredukowanych wymiarów fundamentu dla następujących danych: B = 2,00 m, L = 2,40 m, e L = -0,31 m, e B = +0,11 m. Obliczyć wartość
Bardziej szczegółowoOBLICZENIA STATYCZNE
Rok III, sem. VI 14 1.0. Ustalenie parametrów geotechnicznych Przelot [m] Rodzaj gruntu WARIANT II (Posadowienie na palach) OBLICZENIA STATYCZNE Metoda B ρ [g/cm 3 ] Stan gruntu Geneza (n) φ u (n) c u
Bardziej szczegółowoCałka podwójna po prostokącie
Całka podwójna po prostokącie Rozważmy prostokąt = {(x, y) R : a x b, c y d}, gdzie a, b, c, d R, oraz funkcję dwóch zmiennych f : R ograniczoną w tym prostokącie. rostokąt dzielimy na n prostokątów i
Bardziej szczegółowoRachunek całkowy - całka oznaczona
SPIS TREŚCI. 2. CAŁKA OZNACZONA: a. Związek między całką oznaczoną a nieoznaczoną. b. Definicja całki oznaczonej. c. Własności całek oznaczonych. d. Zastosowanie całek oznaczonych. e. Zamiana zmiennej
Bardziej szczegółowoZadania domowe. Ćwiczenie 3. Budowa modeli obiektów 3-D
Zadania doowe Ćwiczenie 3 udowa odeli obiektów 3-D Zadanie 3.1 Model terenu na bazie fraktala plazowego Założenia: Należy wykorzystać opracowany w poprzedni ćwiczeniu algoryt i progra do generacji fraktala
Bardziej szczegółowoLista zadania nr 4 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 4 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoELEKTROTECHNIKA Semestr 2 Rok akad / ZADANIA Z MATEMATYKI Zestaw Oblicz pochodne cząstkowe rzędu drugiego funkcji:
ZADANIA Z MATEMATYKI Zestaw. Oblicz pochodne cząstkowe funkcji: a) f(x, y) = x sin y x b) f(x, y) = e y +x 2 c) f(x, y, z) = z cos x+y z 2. Oblicz pochodne cząstkowe rzędu drugiego funkcji: 3. Wyznacz
Bardziej szczegółowoII WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15
II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa
Bardziej szczegółowoCałkowanie metodą Monte Carlo
Całkowanie metodą Monte Carlo Plan wykładu: 1. Podstawowa metoda Monte Carlo 2. Metody MC o zwiększonej efektywności a) losowania ważonego b) zmiennej kontrolnej c) losowania warstwowego d) obniżania krotności
Bardziej szczegółowoMetody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne
Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur
Bardziej szczegółowoAby przygotować się do kolokwiów oraz do egzaminów należy ponownie przeanalizować zadania
Chemia Budowlana - Wydział Chemiczny - 1 Aby przygotować się do kolokwiów oraz do egzaminów należy ponownie przeanalizować zadania rozwiązywane na wykładzie, rozwiązywane na ćwiczeniach, oraz samodzielnie
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
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 szczegółowoIlustracja metody MONTE CARLO. obliczania całek podwójnych
Ilustracja metody MONTE CARLO obliczania całek podwójnych Często jest tak, iż wiemy, że istnieje całka oznaczona z funkcji f jednak nie potrafimy jej analitycznie policzyć. Konieczne jest wtedy zastosowanie
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
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 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 szczegółowoObliczenia ściany kątowej Dane wejściowe
Obliczenia ściany kątowej Dane wejściowe Projekt Data : 8.0.05 Ustawienia (definiowanie dla bieżącego zadania) Materiały i nory Konstrukcje betonowe : Współczynniki EN 99-- : Konstrukcje oporowe EN 99--
Bardziej szczegółowoPrzykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1
Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1 Zadania rozwiązywane na wykładzie Zadania rozwiązywane na ćwiczeniach Przy rozwiązywaniu zadań najistotniejsze jest wykazanie się rozumieniem
Bardziej szczegółowoWskazówki do zadań testowych. Matura 2016
Wskazówki do zadań testowych. Matura 2016 Zadanie 1 la każdej dodatniej liczby a iloraz jest równy.. C.. Korzystamy ze wzoru Zadanie 2 Liczba jest równa.. 2 C.. 3 Zadanie 3 Liczby a i c są dodatnie. Liczba
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 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 szczegółowoPole magnetyczne magnesu w kształcie kuli
napisał Michał Wierzbicki Pole magnetyczne magnesu w kształcie kuli Rozważmy kulę o promieniu R, wykonaną z materiału ferromagnetycznego o stałej magnetyzacji M = const, skierowanej wzdłuż osi z. Gęstość
Bardziej szczegółowoKLUCZ PUNKTOWANIA ODPOWIEDZI
Egzamin maturalny maj 009 MATEMATYKA POZIOM PODSTAWOWY KLUCZ PUNKTOWANIA ODPOWIEDZI Zadanie 1. Matematyka poziom podstawowy Wyznaczanie wartości funkcji dla danych argumentów i jej miejsca zerowego. Zdający
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY 7SP. V. Obliczenia procentowe. Uczeń: 1) przedstawia część wielkości jako procent tej wielkości;
WYMAGANIA EDUKACYJNE Z MATEMATYKI DLA KLASY 7SP Liczby. TEMAT Rozwinięcia dziesiętne liczb wymiernych. Zaokrąglanie liczb. Szacowanie wyników. Dodawanie i odejmowanie liczb dodatnich. Mnożenie i dzielenie
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 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 szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoLista zadań nr 2 z Matematyki II
Lista zadań nr 2 z Matematyki II dla studentów wydziału Architektury, kierunku Gospodarka Przestrzenna. Wyznaczyć dziedzinę funkcji f(x, y) = ln(4 x 2 y 2 ), f(x, y) = x 2 + y 2, f(x, y) = ln(4 x 2 y 2
Bardziej szczegółowoWymagania edukacyjne klasa druga.
Wymagania edukacyjne klasa druga. TEMAT WYMAGANIA SZCZEGÓŁOWE Z PODSTAWY PROGRAMOWEJ 1. POTĘGI Potęga o wykładniku naturalnym Iloczyn i iloraz potęg o jednakowych podstawach Potęgowanie potęgi Potęgowanie
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 162005 WYGENEROWANY AUTOMATYCZNIE W SERWISIE WWW.ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Na rysunku przedstawiono
Bardziej szczegółowoNie do końca zaawansowane elementy programowania w pakiecie R. Tomasz Suchocki
Nie do końca zaawansowane elementy programowania w pakiecie R Tomasz Suchocki Plan wykładu Metody Monte Carlo Jak bardzo można przybliżyć liczbę π? Całkowanie numeryczne R w Linuxie Tinn-R Metody Monte
Bardziej szczegółowoEgzamin maturalny z matematyki Poziom podstawowy ZADANIA ZAMKNIĘTE. W zadaniach 1-25 wybierz i zaznacz na karcie odpowiedzi poprawną odpowiedź.
ZADANIA ZAMKNIĘTE W zadaniach -5 wybierz i zaznacz na karcie odpowiedzi poprawną odpowiedź. Zadanie. ( pkt) Wskaż rysunek, na którym zaznaczony jest zbiór wszystkich liczb rzeczywistych spełniających nierówność
Bardziej szczegółowoMATEMATYKA Z PLUSEM DLA KLASY VII W KONTEKŚCIE WYMAGAŃ PODSTAWY PROGRAMOWEJ. programowej dla klas IV-VI. programowej dla klas IV-VI.
MATEMATYKA Z PLUSEM DLA KLASY VII W KONTEKŚCIE WYMAGAŃ PODSTAWY PROGRAMOWEJ TEMAT LICZBA GODZIN LEKCYJNYCH WYMAGANIA SZCZEGÓŁOWE Z PODSTAWY PROGRAMOWEJ UWAGI. LICZBY I DZIAŁANIA 6 h Liczby. Rozwinięcia
Bardziej szczegółowoKURS PRAWDOPODOBIEŃSTWO
KURS PRAWDOPODOBIEŃSTWO Lekcja 6 Ciągłe zmienne losowe ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 Zmienna losowa ciągła jest
Bardziej szczegółowoLABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.
LABORATORIUM 4 1. Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz. I) WNIOSKOWANIE STATYSTYCZNE (STATISTICAL INFERENCE) Populacja
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowoDystrybucje, wiadomości wstępne (I)
Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów
Bardziej szczegółowoInstytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Ćwiczenie 3 Generator liczb losowych o rozkładzie Rayleigha.
Instytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Generator liczb losowych o rozkładzie Rayleigha. Generator liczb losowych o rozkładzie Rayleigha. 1. Cel ćwiczenia
Bardziej szczegółowoROZKŁAD MATERIAŁU NAUCZANIA MATEMATYKI DLA KLASY II A WYMAGANIA PODSTAWY PROGRAMOWEJ w Publicznym Gimnazjum Integracyjnym nr 47 w Łodzi
ROZKŁAD MATERIAŁU NAUCZANIA MATEMATYKI DLA KLASY II A WYMAGANIA PODSTAWY PROGRAMOWEJ w Publicznym Gimnazjum Integracyjnym nr 47 w Łodzi Rozkład materiału nauczania został opracowany na podstawie programu
Bardziej szczegółowoRedukcja wariancji w metodach Monte-Carlo
14.02.2006 Seminarium szkoleniowe 14 lutego 2006 Plan prezentacji Wprowadzenie Metoda losowania warstwowego Metoda próbkowania ważonego Metoda zmiennych kontrolnych Metoda zmiennych antytetycznych Metoda
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW NR 142395 WYGENEROWANY AUTOMATYCZNIE W SERWISIE ZADANIA.INFO POZIOM PODSTAWOWY CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Które z podanych
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Bardziej szczegółowoMatematyka z el. statystyki, # 2 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 2 /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 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 szczegółowoRównania prostych i krzywych; współrzędne punktu
Równania prostych i krzywych; współrzędne punktu Zad 1: Na paraboli o równaniu y = 1 x znajdź punkt P leŝący najbliŝej prostej o równaniu x + y = 0 Napisz równanie stycznej do tej paraboli, poprowadzonej
Bardziej szczegółowo2. Permutacje definicja permutacji definicja liczba permutacji zbioru n-elementowego
Wymagania dla kl. 3 Zakres podstawowy Temat lekcji Zakres treści Osiągnięcia ucznia 1. RACHUNEK PRAWDOPODOBIEŃSTWA 1. Reguła mnożenia reguła mnożenia ilustracja zbioru wyników doświadczenia za pomocą drzewa
Bardziej szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoInterpolacja. Interpolacja wykorzystująca wielomian Newtona
Interpolacja Funkcja y = f(x) jest dana w postaci dyskretnej: (1) y 1 = f(x 1 ), y 2 = f(x 2 ), y 3 = f(x 3 ), y n = f(x n ), y n +1 = f(x n +1 ), to znaczy, że w pewny przedziale x 1 ; x 2 Ú ziennej niezależnej
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 Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoMetody numeryczne. Wykład nr 12. Dr Piotr Fronczak
Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane
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 i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej 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 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 szczegółowoPRÓBNY EGZAMIN MATURALNY Z MATEMATYKI
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI PRZED MATURĄ MAJ 2016 POZIOM PODSTAWOWY Instrukcja dla zdającego 1. Sprawdź, czy arkusz egzaminacyjny zawiera 14 stron (zadania 1 31). 2. Rozwiązania zadań wpisuj
Bardziej szczegółowoZadania do samodzielnego rozwiązania zestaw 11
Zadania do samodzielnego rozwiązania zestaw 11 1 Podać definicję pochodnej funkcji w punkcie, a następnie korzystając z tej definicji obliczyć ( ) π (a) f, jeśli f(x) = cos x, (e) f (0), jeśli f(x) = 4
Bardziej szczegółowoEGZAMIN MATURALNY Z MATEMATYKI MAJ 2010 POZIOM ROZSZERZONY. Czas pracy: 180 minut. Liczba punktów do uzyskania: 50 WPISUJE ZDAJĄCY
Centralna Komisja Egzaminacyjna Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 2010 KOD WPISUJE ZDAJĄCY PESEL Miejsce na naklejkę z kodem EGZAMIN MATURALNY
Bardziej szczegółowoCEL PRACY ZAKRES PRACY
CEL PRACY. Analiza energetycznych kryteriów zęczenia wieloosiowego pod względe zastosowanych ateriałów, rodzajów obciążenia, wpływu koncentratora naprężenia i zakresu stosowalności dla ałej i dużej liczby
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 szczegółowoEGZAMIN MATURALNY Z MATEMATYKI 5 MAJA 2016 POZIOM PODSTAWOWY. Godzina rozpoczęcia: 9:00. Czas pracy: 170 minut. Liczba punktów do uzyskania: 50
Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 013 KOD UZUPEŁNIA ZDAJĄCY PESEL dyskalkulia miejsce na naklejkę dysleksja EGZAMIN MATURALNY Z MATEMATYKI
Bardziej szczegółowoMatematyka I. Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr zimowy 2018/2019 Wykład 12
Matematyka I Bezpieczeństwo jądrowe i ochrona radiologiczna Semestr zimowy 2018/2019 Wykład 12 Egzamin Termin: 28.01, godz. 10.15-11.45, sala 309 3 pytania teoretyczne 2 zadania wybór pytań i wybór zadań
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 szczegółowoLUBELSKA PRÓBA PRZED MATURĄ 09 MARCA Kartoteka testu. Maksymalna liczba punktów. Nr zad. Matematyka dla klasy 3 poziom podstawowy
Matematyka dla klasy poziom podstawowy LUBELSKA PRÓBA PRZED MATURĄ 09 MARCA 06 Kartoteka testu Nr zad Wymaganie ogólne. II. Wykorzystanie i interpretowanie reprezentacji.. II. Wykorzystanie i interpretowanie
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoALGEBRA z GEOMETRIA, ANALITYCZNA,
ALGEBRA z GEOMETRIA, ANALITYCZNA, MAT00405 PRZEKSZTAL CANIE WYRAZ EN ALGEBRAICZNYCH, WZO R DWUMIANOWY NEWTONA Uprościć podane wyrażenia 7; (b) ( 6)( + ); (c) a 5 6 8a ; (d) ( 5 )( 5 + ); (e) ( 45x 4 y
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY Z MATEMATYKI
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI PRZED MATURĄ MAJ 2017 POZIOM ROZSZERZONY Instrukcja dla zdającego 1. Sprawdź, czy arkusz egzaminacyjny zawiera 15 stron (zadania 1 18). 2. Rozwiązania zadań wpisuj
Bardziej szczegółowoEGZAMIN MATURALNY W ROKU SZKOLNYM 2014/2015
EGZAMIN MATURALNY W ROKU SZKOLNYM 0/0 FORMUŁA OD 0 ( NOWA MATURA ) MATEMATYKA POZIOM PODSTAWOWY ZASADY OCENIANIA ROZWIĄZAŃ ZADAŃ ARKUSZ MMA-P CZERWIEC 0 Egzamin maturalny z matematyki nowa formuła Klucz
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 szczegółowoSzczegółowy rozkład materiału dla klasy 3b poziom rozszerzny cz. 1 - liceum
Szczegółowy rozkład materiału dla klasy b poziom rozszerzny cz. - liceum WYDAWNICTWO PAZDRO GODZINY Lp. Tematyka zajęć Liczba godzin I. Funkcja wykładnicza i funkcja logarytmiczna. Potęga o wykładniku
Bardziej szczegółowoRozkład łatwości zadań
Klasa 3a średnia klasy: 22.52 pkt średnia szkoły: 21.93 pkt średnia ogólnopolska: 14.11 pkt Rozkład łatwości zadań 1 0.9 0.8 0.7 0.6 łatwość 0.5 0.4 0.3 0.2 0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowo