EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

Wielkość: px
Rozpocząć pokaz od strony:

Download "EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą."

Transkrypt

1 Joaa Ceślak, aula Bawej ESTREA FUNCJI ESTREA FUNCJI JEDNEJ ZIENNEJ Otoczeem puktu R jest każdy przedzał postac,+, gdze >. Sąsedztwem puktu jest każdy zbór postac,,+, gdze >. Nech R, : R oraz ech. De. ówmy, że ukcja ma w pukce mmum lokale, gdy steje otoczee R puktu take, że oraz dla każdego zachodz. De. ówmy, że ukcja ma w pukce maksmum lokale, gdy steje otoczee R puktu take, że oraz dla każdego zachodz. De. ówmy, że ukcja ma w pukce mmum lokale właścwe, gdy steje otoczee R puktu take, że oraz dla każdego { } zachodz >. De. ówmy, że ukcja ma w pukce maksmum lokale właścwe, gdy steje otoczee R puktu take, że oraz dla każdego { } zachodz <. De. ówmy, że ukcja ma w pukce ekstremum lokale, gdy ma w pukce maksmum lub mmum lokale. De. ówmy, że ukcja ma w pukce ekstremum lokale właścwe, gdy ma w pukce maksmum lub mmum lokale właścwe. De. Lczba jest ajmejszą wartoścą ukcj w dzedze ukcj, jeżel steje pukt tak, że oraz dla każdego,. Lczbę globalym ukcj w. azywamy mmum De. Lczba! jest ajwększą wartoścą ukcj w dzedze ukcj, jeżel steje pukt tak, że " oraz dla każdego,. Lczbę " azywamy maksmum globalym ukcj w. De. mum maksmum globale azywamy ekstremam globalym. Tw. Weerstrassa ażda ukcja cągła a przedzale domkętym ma wartość ajmejszą ajwększą.

2 rzykłady: a mum lokale b aksmum lokale ' ' b Ekstremum globale ukcj mmum globale '* c Ekstremum globale ukcj maksmum globale ' # d Ad. Twerdzea Weerstrassa #, [,] '

3 Tw. Waruek koeczy stea ekstremum Nech R, : R będze ukcją różczkowalą w pukce +*,. Jeśl ukcja ma w pukce ekstremum lokale, to. Tw. Waruek wystarczający stea ekstremum I Nech : R będze ukcją cągłą w różczkowalą w \{ }, gdze. a Jeżel steje /> taka, że /, +/ oraz dla /, dla, +/, to ukcja ma w pukce mmum lokale. b Jeżel steje /> taka, że /, +/ oraz dla /, dla, +/, to ukcja ma w pukce maksmum lokale. rzykład: Wyzaczyć ekstrema lokale ukcj: 3 3, # Waruek koeczy: # 5 # # 5 # + zatem mejsca zerowe dla,,. Waruek dostateczy: ma brak ekstr - m rzykład: Jeżel ukcja to ma w pukce ekstremum lokale, to. Implkacja odwrota e zachodz, p., dla mamy, ale ukcja e ma ekstremum lokalego. 3

4 rzykład ukcj posadającej mmum lokale w pukce eróżczkowalej w. posada w pukce mmum lokale właścwe, ale e steje w tym pukce. Tw. Waruek wystarczający stea ekstremum II Nech :,8 R będze ukcją * -krote różczkowalą w przedzale,8, posadającą *-tą pochodą w pukce,8. Nech 9 ;< oraz ;. a Jeśl ; > * jest lczbą parzystą, to ukcja ma mmum lokale właścwe w pukce. b Jeśl ; < * jest lczbą parzystą, to ukcja ma maksmum lokale właścwe w pukce. c Jeśl * jest lczbą eparzystą, to ukcja e ma w pukce ekstremum lokalego. rzykład: waruek wystarczający stea ekstremum II Waruek koeczy: 4 Waruek dostateczy II: 4 # A 4 4 ukcja posada w pukce mmum właścwe lokale 4

5 ESTREA FUNCJI WIELU ZIENNYCH Nech : R, gdze R ; będze ukcją * zmeych. rzez otoczeu puktu E,, ; R ; rozumemy zbór {E,, ; R ; : G G < HI,,,*, gdze > jest pewą lczbą. Iym słowy, + ;, ; + De. Fukcja ma w pukce E,, ; mmum lokale, jeżel steje otoczee puktu E,, ;, take że dla każdego puktu E spełoa jest erówość: E E. De. Fukcja ma w pukce E,, ; maksmum lokale, jeżel steje otoczee puktu E,, ;, take że dla każdego puktu E spełoa jest erówość: E E. De. Fukcja ma w pukce E mmum lokale właścwe, jeżel steje otoczee puktu E, take że dla każdego puktu E E E spełoa jest erówość: E>E. De. Fukcja ma w pukce E maksmum lokale właścwe, jeżel steje otoczee puktu E, take że dla każdego puktu E E E spełoa jest erówość: E<E. ma maksma lokale azywamy ESTREAI LOALNY. De. Lczbę azywamy ajmejszą wartoścą ukcj a zborze, jeżel steje pukt E,, ;, tak że E dla każdego puktu E, E E. Lczbę azywamy mmum globalym ukcj a zborze. De. Lczbę " azywamy ajwększą wartoścą ukcj a zborze, jeżel steje pukt E,, ;, tak że E " dla każdego puktu E, E E ". Lczbę " azywamy maksmum globalym ukcj a zborze. mum maksmum globale azywamy ESTREAI GLOBALNYI. Tw. Waruek koeczy stea ekstremum ukcj welu zmeych Jeżel: to ma ekstremum w pukce E, steją pochode,,..., cząstkowe w pukce E.,,..., [,,...,] 5

6 6 De. ukt E, w którym przyajmej jeda pochoda cząstkowa e steje lub w którym wszystke pochode cząstkowe są rówe zero azywamy puktem krytyczym ukcj. ukt krytyczy, w którym jest spełoy waruek [,,,] azywamy puktem stacjoarym ukcj. Załóżmy teraz, że w pukce E steją wszystke pochode cząstkowe rzędu drugego ukcj. De. acerz : H O azywamy hesjaem ukcj w pukce. Nech,...,, : O Zauważmy, że, det H Tw. Waruek wystarczający stea ekstremum ukcj welu zmeych Załóżmy, że,...,,, gdze jest puktem stacjoarym ukcj. Jeżel >, dla,,,*, to w pukce ukcja ma mmum lokale właścwe, E <, # E >,, ; ; E >, to w pukce E ukcja ma maksmum lokale właścwe. rzykład Nech,' # ' #.

7 amy:,,, y oadto H,, czyl,,, 4 <. Zatem ukcja e ma ekstremum w pukce krytyczym,. rzykład Nech,',O # +' # +O # '++O. Wówczas: y +, y y, z +. z oeważ: y + 3 y y 3 z + z Wec,, jest puktem krytyczym ukcj. 3 3 H oraz >, 3 >, 3 6 >. Zatem ukcja ma w pukce,, mmum lokale, które wyos: m. 3 7

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Różczkowae fukcj rzeczywstych welu zmeych rzeczywstych Matematyka Studum doktoracke KAE SGH Semestr let 8/9 R. Łochowsk Pochoda fukcj jedej zmeej e spojrzee Nech f : ( α, β ) R, α, β R, α < β Fukcja f

Bardziej szczegółowo

FUNKCJE DWÓCH ZMIENNYCH

FUNKCJE DWÓCH ZMIENNYCH FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam

Bardziej szczegółowo

dr Michał Konopczyński Ekonomia matematyczna ćwiczenia

dr Michał Konopczyński Ekonomia matematyczna ćwiczenia dr Mchł Koopczńsk Ekoom mtemtcz ćwcze. Ltertur obowązkow Eml Pek red. Podstw ekoom mtemtczej. Mterł do ćwczeń MD r 5 AE Pozń.. Ltertur uzupełjąc Eml Pek Ekoom mtemtcz AE Pozń. Alph C. Chg Podstw ekoom

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I PODSTAWY IDENTYFIKACJI Poltechka Gdańska Wydzał Elektrotechk Automatyk Katedra Iżyer Systemów Sterowaa MODELOWANIE I PODSAWY IDENYFIKACI Wybrae zagadea z optymalzacj. Materały pomoccze do zajęć ćwczeowych 5 Opracowae: Kazmerz

Bardziej szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA

STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze

Bardziej szczegółowo

Teoria i metody optymalizacji

Teoria i metody optymalizacji Sforułowae owae zaaa otyalzacj elowej bez ograczeń: Fukcja celu f( : Zaae otyalzacj olega a zalezeu wektora zeych ecyzyjych aleŝącego o zboru rozwązań ouszczalych R takego Ŝe la R Co jest rówozacze zasow:

Bardziej szczegółowo

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe

n R ZałóŜmy, Ŝe istnieje d, dla którego: Metody optymalizacji Dr inŝ. Ewa Szlachcic otwarte otoczenie R n punktu x, Ŝe Sforułowae owae zaaa otyalzacj elowej bez ograczeń: Fukcja celu f() : Zaae otyalzacj olega a zalezeu wektora zeych ecyzyjych aleŝącego o zboru rozwązań ouszczalych R takego Ŝe la R Co jest rówozacze zasow:

Bardziej szczegółowo

8.1 Zbieżność ciągu i szeregu funkcyjnego

8.1 Zbieżność ciągu i szeregu funkcyjnego Rozdzał 8 Cąg szereg fukcyje 8.1 Zbeżość cągu szeregu fukcyjego Dla skrócea zapsu przyjmjmy pewe ozaczee. Defcja. Nech X, Y. Przez Y X ozaczamy zbór wszystkch fukcj określoych a zborze X o wartoścach w

Bardziej szczegółowo

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2

Permutacje. } r ( ) ( ) ( ) 1 2 n. f = M. Przybycień Matematyczne Metody Fizyki I Wykład 2-2 Permutacje { 2,,..., } Defcja: Permutacją zboru lczb azywamy dowolą różowartoścową fukcję określoą a tym zborze o wartoścach w tym zborze. Uwaga: Lczba wszystkch permutacj wyos! Permutacje zapsujemy w

Bardziej szczegółowo

Analiza Matematyczna Ćwiczenia. J. de Lucas

Analiza Matematyczna Ćwiczenia. J. de Lucas Aalza Matematycza Ćwczea J. de Lucas Zadae. Oblczyć grace astępujących fucj a lm y 3,y 0,0 b lm y 3 y ++y,y 0,0 +y c lm,y 0,0 + 4 y 4 y d lm y,y 0,0 3 y 3 e lm,y 0,0 +y 4 +y 4 f lm,y 0,0 4 y 6 +y 3 g lm,y

Bardziej szczegółowo

Podprzestrzenie macierzowe

Podprzestrzenie macierzowe Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0

Bardziej szczegółowo

1. Relacja preferencji

1. Relacja preferencji dr Mchał Koopczyńsk EKONOMIA MATEMATYCZNA Wykłady, 2, 3 (a podstawe skryptu r 65) Relaca preferec koszyk towarów: przestrzeń towarów: R + = { x R x 0} x = ( x,, x ) X X R+ x 0 x 0 =, 2,, x~y xf y x y x

Bardziej szczegółowo

Regresja REGRESJA

Regresja REGRESJA Regresja 39. REGRESJA.. Regresja perwszego rodzaju Nech (, będze dwuwyarową zeą losową, dla które steje kowaracja. Nech E( y ozacza warukową wartość oczekwaą zdefowaą dla przypadku zeych losowych typu

Bardziej szczegółowo

. Wtedy E V U jest równa

. Wtedy E V U jest równa Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo

Bardziej szczegółowo

3. OPTYMALIZACJA NIELINIOWA

3. OPTYMALIZACJA NIELINIOWA Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =

W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = = 4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,

Bardziej szczegółowo

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84

Zadanie 1. ), gdzie 1. Zmienna losowa X ma rozkład logarytmiczno-normalny LN (, . EX (A) 0,91 (B) 0,86 (C) 1,82 (D) 1,95 (E) 0,84 Zadae. Zmea losowa X ma rozkład logarytmczo-ormaly LN (, ), gdze E ( X e X e) 4. Wyzacz. EX (A) 0,9 (B) 0,86 (C),8 (D),95 (E) 0,84 Zadae. Nech X, X,, X0, Y, Y,, Y0 będą ezależym zmeym losowym. Zmee X,

Bardziej szczegółowo

5. OPTYMALIZACJA NIELINIOWA

5. OPTYMALIZACJA NIELINIOWA 5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi o tym samym 2 x

będą niezależnymi zmiennymi losowymi o tym samym 2 x Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby

Bardziej szczegółowo

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1

POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1 POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.

Bardziej szczegółowo

STATYKA. Cel statyki. Prof. Edmund Wittbrodt

STATYKA. Cel statyki. Prof. Edmund Wittbrodt STATYKA Cel statyk Celem statyk jest zastąpee dowolego układu sł ym, rówoważym układem sł, w tym układem złożoym z jedej tylko sły jedej pary sł (redukcja do sły mometu główego) lub zbadae waruków, jake

Bardziej szczegółowo

Matematyka dyskretna. 10. Funkcja Möbiusa

Matematyka dyskretna. 10. Funkcja Möbiusa Matematyka dyskreta 10. Fukcja Möbusa Defcja 10.1 Nech (P, ) będze zborem uporządkowaym. Mówmy, że zbór uporządkoway P jest lokale skończoy, jeśl każdy podzał [a, b] P jest skończoy, a, b P Uwaga 10.1

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w

Bardziej szczegółowo

VI. TWIERDZENIA GRANICZNE

VI. TWIERDZENIA GRANICZNE VI. TWIERDZENIA GRANICZNE 6.. Wprowadzee Twerdzea gracze dotyczą własośc graczych cągów zmeych losowych dzelą sę a:! twerdzea lokale opsują zbeżośc cągu fukcj prawdopodobeństwa w przypadku cągu {X } zmeych

Bardziej szczegółowo

MATEMATYKA. Sporządził: Andrzej Wölk

MATEMATYKA. Sporządził: Andrzej Wölk MATEMATYKA Sporządzł: Adrzej ölk . adae Rozwązać rówae różczkowe: b) e X X e rozwązuję całkę żeb wzaczć e X e X z tego wka, że e X X e X e adae a) s d t dt d ( t ) dt dt pochoda d dt s d s s s s d = C

Bardziej szczegółowo

Portfel złożony z wielu papierów wartościowych

Portfel złożony z wielu papierów wartościowych Portfel westycyy ćwczea Na odst. Wtold Jurek: Kostrukca aalza, rozdzał 4 dr Mchał Kooczyńsk Portfel złożoy z welu aerów wartoścowych. Zwrot ryzyko Ozaczea: w kwota ulokowaa rzez westora w aery wartoścowe

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości

będą niezależnymi zmiennymi losowymi z rozkładu o gęstości Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc

Bardziej szczegółowo

Projekt 2 2. Wielomiany interpolujące

Projekt 2 2. Wielomiany interpolujące Proekt Weloma terpoluące Rodzae welomaów terpoluącc uma edomaów Nec w przedzale a, b określoa będze fukca f: ec będze ustaloc m wartośc argumetu :,,, m, m L prz czm: < < L < < m m Pukt o tc odcztac azwa

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji

ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

ma rozkład normalny z nieznaną wartością oczekiwaną m

ma rozkład normalny z nieznaną wartością oczekiwaną m Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee

Bardziej szczegółowo

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ

ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ ZMIENNA LOSOWA JEDNOWYMIAROWA POJĘCIE ZMIENNEJ LOSOWEJ Podstawowe pojęca rachuu prawdopodobeństwa: zdarzee losowe, zdarzee elemetare, prawdopodobeństwo, zbór zdarzeń elemetarych. Def. Nech E będze zborem

Bardziej szczegółowo

Matematyka II. x 3 jest funkcja

Matematyka II. x 3 jest funkcja Maemayka II WYKLD. Całka eozaczoa. Rachuek całkowy. Twerdzea o całkach eozaczoych. Całkowae wybraych klas fukcj. Całkowae fukcj wymerych. Całkowae fukcj rygoomeryczych.. Defcja fukcj perwoej. Fukcję F

Bardziej szczegółowo

System finansowy gospodarki

System finansowy gospodarki System fasowy gospodark Zajęca r 7 Krzywa retowośc, zadaa (mat. f.), marża w hadlu, NPV IRR, Ustawa o kredyce kosumeckm, fukcje fasowe Excela Krzywa retowośc (dochodowośc) Yeld Curve Krzywa ta jest grafczym

Bardziej szczegółowo

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:

W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki: Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,

Bardziej szczegółowo

ROZKŁADY ZMIENNYCH LOSOWYCH

ROZKŁADY ZMIENNYCH LOSOWYCH ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X

Bardziej szczegółowo

MODELE OBIEKTÓW W 3-D3 część

MODELE OBIEKTÓW W 3-D3 część WYKŁAD 5 MODELE OBIEKTÓW W -D część la wykładu: Kocepcja krzywej sklejaej Jedorode krzywe B-sklejae ejedorode krzywe B-sklejae owerzche Bezera, B-sklejae URBS 1. Kocepcja krzywej sklejaej Istotą z praktyczego

Bardziej szczegółowo

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości

( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,

Bardziej szczegółowo

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny

KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA. Adrian Kapczyński Maciej Wolny KONCEPCJA WIELOKRYTERIALNEGO WSPOMAGANIA DOBORU WARTOŚCI PROGOWEJ W BIOMETRYCZNYM SYSTEMIE UWIERZYTELNIANIA Adra Kapczyńsk Macej Woly Wprowadzee Rozwój całego spektrum coraz doskoalszych środków formatyczych

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11 RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest

Bardziej szczegółowo

0, co implikuje tezę. W interpretacji geometrycznej: musi istnieć punkt, w którym styczna ( f (c)

0, co implikuje tezę. W interpretacji geometrycznej: musi istnieć punkt, w którym styczna ( f (c) RACHUNEK RÓŻNCZKOWY cd Twierdzeie Lagrage a: Jeżeli jest ciągła w [a,b], jest różiczkwala w a,b), t ca,b) : b)-a)= c) b-a) b) Dwód Wystarczy rzpatrzyć ukcję t) t) t a), t[a,b], która b a spełia załżeia

Bardziej szczegółowo

Mh n. 2 ε. h h/ n n. Ekstrapolacja Richardsona (szacowanie błędu) błąd. ekstrapolowana wartość całki I. kwadratury z adaptowanym krokiem

Mh n. 2 ε. h h/ n n. Ekstrapolacja Richardsona (szacowanie błędu) błąd. ekstrapolowana wartość całki I. kwadratury z adaptowanym krokiem Ekstrapolacja Rchardsoa (szacowae błędu) dla daej, ustaloej metody błąd Mh zakładając, że M jest w przyblżeu ezależe od h I I + Mh h h/ / I I + Mh ekstrapolowaa wartość całk I I e I h / + Ih / ( I h )

Bardziej szczegółowo

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?

Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym? Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

Bardziej szczegółowo

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.

Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację. Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.

Bardziej szczegółowo

PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE

PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE Marek Cecura, Jausz Zacharsk PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE CZĘŚĆ II STATYSTYKA OPISOWA Na prawach rękopsu Warszawa, wrzeseń 0 Data ostatej aktualzacj: czwartek, 0 paźdzerka

Bardziej szczegółowo

Pomiary parametrów napięć i prądów przemiennych

Pomiary parametrów napięć i prądów przemiennych Ćwczee r 3 Pomary parametrów apęć prądów przemeych Cel ćwczea: zapozae z pomaram wartośc uteczej, średej, współczyków kształtu, szczytu, zekształceń oraz mocy czyej, berej, pozorej współczyka cosϕ w obwodach

Bardziej szczegółowo

METODY KOMPUTEROWE 1

METODY KOMPUTEROWE 1 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc

Bardziej szczegółowo

Badania Operacyjne (dualnośc w programowaniu liniowym)

Badania Operacyjne (dualnośc w programowaniu liniowym) Badaa Operacye (dualośc w programowau lowym) Zadae programowaa lowego (PL) w postac stadardowe a maksmum () c x = max, podczas gdy spełoe są erówośc () ax = b ( m ), x 0 ( ) Zadae programowaa lowego (PL)

Bardziej szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo

Indukcja matematyczna

Indukcja matematyczna Iducja matematycza Twerdzee. zasada ducj matematyczej Nech T ozacza pewą tezę o lczbe aturalej. Jeżel dla pewej lczby aturalej 0 teza T 0 jest prawdzwa dla ażdej lczby aturalej 0 z prawdzwośc tezy T wya

Bardziej szczegółowo

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)

Tablica Galtona. Mechaniczny model rozkładu normalnego (M10) Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej. /22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:

Bardziej szczegółowo

Funkcje i charakterystyki zmiennych losowych

Funkcje i charakterystyki zmiennych losowych Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

IV. ZMIENNE LOSOWE DWUWYMIAROWE

IV. ZMIENNE LOSOWE DWUWYMIAROWE IV. ZMIENNE LOSOWE DWUWYMIAROWE 4.. Rozkład zmeej losowej dwuwymarowej Defcja 4.. Uporządkowaą parę (X, Y) azywamy zmeą losową dwuwymarową, jeśl każda ze zmeych X Y jest zmeą losową. Defcja 4.. Fukcję

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona: Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t

Bardziej szczegółowo

PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI

PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI Adrzej POWNUK *) PRZEDZIAŁOWE METODY ROZWIĄZYWANIA ALGEBRAICZNYCH RÓWNAŃ NIELINIOWYCH MECHANIKI KONSTRUKCJI. Wprowadzee Mechaka lowa staow jak dotąd podstawowy obszar zateresowań żyerskch. Isteje jedak

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

Bardziej szczegółowo

( ) ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau

Bardziej szczegółowo

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych)

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych) Zadaia domowe z AM III dla grup E7 (semestr zimow 07/08) Czȩść Zadaia domowe z Aaliz Matematczej III - czȩść (fukcje wielu zmiech) Zadaie. Obliczć graice lub wkazać że ie istiej a: (a) () (00) (b) + ()

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Projekt 3 3. APROKSYMACJA FUNKCJI

Projekt 3 3. APROKSYMACJA FUNKCJI Projekt 3 3. APROKSYMACJA FUNKCJI 3. Krter proksmcj. Złóżm że () jest ukcją cągłą w przedzle [ b ]. Zlezee przblże (proksmcj) poleg wzczeu współczków pewego welomu P() któr będze dobrze przblżł w tm przedzle

Bardziej szczegółowo

Statystyka Matematyczna Anna Janicka

Statystyka Matematyczna Anna Janicka Statystyka Matematycza Aa Jacka wykład II, 3.05.016 PORÓWNANIE WIĘCEJ NIŻ DWÓCH POPULACJI TESTY NIEPARAMETRYCZNE Pla a dzsaj 1. Porówywae węcej ż dwóch populacj test jedoczykowej aalzy waracj (ANOVA).

Bardziej szczegółowo

Matematyka II. Wykład 11. Całka podwójna. Zamiana na całkę iterowaną. Obliczanie pól obszarów i objętości brył.

Matematyka II. Wykład 11. Całka podwójna. Zamiana na całkę iterowaną. Obliczanie pól obszarów i objętości brył. Wkład. Całka podwója. Zamaa a całkę terowaą. Oblczae pól obszarów objętośc brł.. Całka podwója w prostokące. Jak pamętam, całka ozaczoa z cągłej fukcj jedej zmeej wprowadzoa bła w celu oblczaa pola powerzch

Bardziej szczegółowo

Statystyczne charakterystyki liczbowe szeregu

Statystyczne charakterystyki liczbowe szeregu Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne

STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau

Bardziej szczegółowo

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej

PŁASKA GEOMETRIA MAS. Środek ciężkości figury płaskiej PŁAKA GEOMETRIA MA Środek cężkośc fgury płaskej Mometam statyczym M x M y fgury płaskej względem os x lub y (rys. 7.1) azywamy gracę algebraczej sumy loczyów elemetarych pól d przez ch odległośc od os,

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

WSTĘP METODY OPRACOWANIA I ANALIZY WYNIKÓW POMIARÓW

WSTĘP METODY OPRACOWANIA I ANALIZY WYNIKÓW POMIARÓW WSTĘP METODY OPRACOWANIA I ANALIZY WYNIKÓW POMIARÓW U podstaw wszystkch auk przyrodczych leży zasada: sprawdzaem wszelkej wedzy jest eksperymet, tz jedyą marą prawdy aukowej jest dośwadczee Fzyka, to auka

Bardziej szczegółowo

Modele wartości pieniądza w czasie

Modele wartości pieniądza w czasie Joaa Ceślak, Paula Bawej Modele wartośc peądza w czase Podstawowe pojęca ozaczea Kaptał (ag. prcpal), kaptał początkowy, wartośd początkowa westycj - peądze jake zostały wpłacoe a początku westycj (a początku

Bardziej szczegółowo

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).

TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego). TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu

Bardziej szczegółowo

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982.

Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej. Literatura. W. Rudin: Podstawy analizy matematycznej, PWN, Warszawa, 1982. Wyłady z Aalzy rzeczywstej zespoloej w Matematyce stosowaej Lteratura W Rud: Podstawy aalzy matematyczej, PWN, Warszawa, 1982 W Rud: Aalza rzeczywsta zespoloa, PZWS, Warszawa, 1986 W Szabat: Wstęp do aalzy

Bardziej szczegółowo

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ

MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ MATEMATYKA STOSOWANA W INŻYNIERII CHEMICZNEJ Wykład Układy rówań metody aaltycze Metody umerycze rozwązywaa rówań lczbowych Prof. Ato Kozoł, Wydzał Chemczy Poltechk Wrocławskej ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Iżyerska dr hab. ż. Jacek Tarasuk AGH, WFIS 013 Wykład 3 DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE, PODSTAWY ESTYMACJI Dwuwymarowa, dyskreta fukcja rozkładu rawdoodobeństwa, Rozkłady brzegowe

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Różniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k

Różniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k Różnczkowalność, pochodne, ekstremum funkcj Ćwczene 1 Polczyć pochodn a kerunkow a funkcj: 1 1 1 x 1 x 2 x k ϕ(x 1,, x k ) x 2 1 x 2 2 x 2 k x k 1 1 x k 1 2 x k 1 w dowolnym punkce p [x 1, x 2,, x k T

Bardziej szczegółowo

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce!

Informatyka Stosowana-egzamin z Analizy Matematycznej Każde zadanie należy rozwiązać na oddzielnej, podpisanej kartce! Iformatyka Stosowaa-egzami z Aalizy Matematyczej Każde zadaie ależy rozwiązać a oddzielej, podpisaej kartce! y, Daa jest fukcja f (, + y, a) zbadać ciągłość tej fukcji f b) obliczyć (,) (, (, (,) c) zbadać,

Bardziej szczegółowo

termodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi

termodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi fzka statstczna stan makroskopow układ - skończon obszar przestrzenn (w szczególnośc zolowan) termodnamka fenomenologczna p, VT V, teora knetczno-molekularna termodnamka statstczna n(v) stan makroskopow

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp

Bardziej szczegółowo

Ł Ł Ś Ś ź Ć ź ź ź Ń Ł Ż Ś ź Ę Ż Ń Ę ź ź ź Ę ź Ł Ę ź Ę Ę Ę ź ź Ś ź ź Ł Ł Ź Ę Ł Ś ź Ę Ę Ę ń ź Ą ó Ę ĘĘ ź Ę ź Ą Ł Ę Ł Ą ź Ę ó Ź Ś ź Ń Ę Ę ĘĘ Ą Ś Ę Ł Ę Ć Ź ź Ź Ę Ę Ź ź Ź Ź Ź Ł Ż Ł Ę ź Ż Ź ź Ź Ź Ź Ź Ą Ż ŚĆ

Bardziej szczegółowo

Ł Ł ń ń Ą ń ń Ś ń Ź ń ń ń Ż ń Ł ń Ś ń ń ń Ą Ą Ł Ż ń ń Ś ń Ź ń ń ć Ź ń ć Ś ć ć ń Ź ń Ą Ł Ł Ę ĘĘ Ż Ź ć Ł ń Ś Ą Ł Ł Ł Ą Ę Ę ń Ń ń Ź ń ć Ż ń Ż Ś ń Ń ń Ń Ź Ą ć Ł ń ć ć Ź Ą Ą Ą Ź Ą Ł Ą Ś ń ń Ś Ś Ą Ć ŚĆ Ł ć Ż

Bardziej szczegółowo

Ą Ń Ś Ę ź Ś Ś ź ź Ś Ś ź Ł Ś Ś Ś Ł ĘĘ Ś Ś Ś ć Ś Ś Ś Ś Ł Ó Ś Ł ć Ś Ść Ś Ś Ś Ń ć Ś Ł Ś Ź Ą ć ć Ł ź Ś Ą Ś Ł Ą Ś Ś Ą Ś Ś ź Ś ć Ł ć ć Ł Ł ć Ź ć ć Ś ć ź Ź ć Ś ć ć ć Ś Ą Ś Ś Ś ć Ś Ść Ś ć Ł ć Ś ć Ś Ś Ń ć ć Ł Ś

Bardziej szczegółowo

Ź Ę Ę Ś Ś Ś ć Ę ć Ś ć Ź Ż Ś ć Ż Ź Ż Ą Ż Ę Ś Ź Ę Ź Ż Ó Ś ć ć Ś Ż Ć ź Ś Ń Ź ć Ó ź Ś Ń ź Ń Ź Ź ź Ż Ź Ź Ź Ź Ż Ź ć Ż Ę ź Ę ź ć Ń ć ć ć ć Ź Ę Ą ć Ę ć Ń ć ć Ź Ż ć Ó Ó Ó Ż ć Ó Ż Ę Ą Ź Ó Ń Ł ź ź Ń ć ć Ż ć Ś Ą

Bardziej szczegółowo

x 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem

x 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem 9.1. Izomorfizmy algebr.. Wykład Przykłady: 13) Działaia w grupach często wygodie jest zapisywać w tabelkach Cayleya. Na przykład tabelka działań w grupie Z 5, 5) wygląda astępująco: 5 1 3 1 1 3 1 3 3

Bardziej szczegółowo