Metody statystyczne kontroli jakości i niezawodności Lekcja II: Niezawodność systemów. Charakterystyki niezawodności.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody statystyczne kontroli jakości i niezawodności Lekcja II: Niezawodność systemów. Charakterystyki niezawodności."

Transkrypt

1 Metody statystyczne kontroli jakości i niezawodności Lekcja II: Niezawodność systemów. Charakterystyki niezawodności. Wydział Matematyki Politechniki Wrocławskiej

2 Wprowadzenie Czym jest niezawodność? (ang. reliability)

3 Wprowadzenie Czym jest niezawodność? (ang. reliability) Niezawodność jest to własność obiektu lub systemu mówiąca o tym, czy dany obiekt pracuje poprawnie w określonych warunkach eksploatacji oraz w określonym czasie.

4 Wprowadzenie Czym jest niezawodność? (ang. reliability) Niezawodność jest to własność obiektu lub systemu mówiąca o tym, czy dany obiekt pracuje poprawnie w określonych warunkach eksploatacji oraz w określonym czasie. W praktyce czas pracy urządzenia nie jest zdeterminowany. Nie można powiedzieć, że samochód zepsuje się po h jazdy lub żarówka przepali się po h świecenia.

5 Obiekty niezawodne Potocznie o maszynach mówimy, że są niezawdone jeśli nie ulegają awarii. Przykłady: Rysunek : Moduł pamięci RAM: praktycznie nie ulega awarii.

6 Obiekty niezawodne Rysunek : Mercedes Benz W123 produkowany w latach

7 Funkcja niezawodności Ponieważ niezawodność jest zmienna w czasie, możemy opisać ją za pomocą funkcji. Taką funkcję nazywamy funkcją niezawodności lub funkcją przeżycia. Jest to prawdopodobieńtwo (szansa) tego, że czas pracy bezawaryjnej będzie większy niż pewna liczba t.

8 Funkcja niezawodności Ponieważ niezawodność jest zmienna w czasie, możemy opisać ją za pomocą funkcji. Taką funkcję nazywamy funkcją niezawodności lub funkcją przeżycia. Jest to prawdopodobieńtwo (szansa) tego, że czas pracy bezawaryjnej będzie większy niż pewna liczba t. R(t) = P(T > t), t 0. (1)

9 Własności R(t) Funkcja niezawodności ma cztery podstawowe własności:

10 Własności R(t) Funkcja niezawodności ma cztery podstawowe własności: Przyjmuje wartości od 0 do 1. Czasami można się spotkać z zapisem, że przyjmuje wartości od 0% do 100%.

11 Własności R(t) Funkcja niezawodności ma cztery podstawowe własności: Przyjmuje wartości od 0 do 1. Czasami można się spotkać z zapisem, że przyjmuje wartości od 0% do 100%. Jest to funkcja nierosnąca.

12 Własności R(t) Funkcja niezawodności ma cztery podstawowe własności: Przyjmuje wartości od 0 do 1. Czasami można się spotkać z zapisem, że przyjmuje wartości od 0% do 100%. Jest to funkcja nierosnąca. R(0) = 1, czyli na początku zakłada się, że mamy urządzenie w 100% sprawne.

13 Własności R(t) Funkcja niezawodności ma cztery podstawowe własności: Przyjmuje wartości od 0 do 1. Czasami można się spotkać z zapisem, że przyjmuje wartości od 0% do 100%. Jest to funkcja nierosnąca. R(0) = 1, czyli na początku zakłada się, że mamy urządzenie w 100% sprawne. R( ) = 0, czyli w nieskończenie długim czasie urządzenie na pewno ulegnie awarii.

14 Intensywność awarii Drugą istotną charakterystyką niezawodności jest intensywność awarii, nazywana czasami także intensywnością uszkodzeń lub funkcją hazardu.

15 Intensywność awarii Drugą istotną charakterystyką niezawodności jest intensywność awarii, nazywana czasami także intensywnością uszkodzeń lub funkcją hazardu. Definiujemy ją jako szansę na to, że urządzenie będzie nam pracowało w dowolnie krótkim odcinku czasu t, pod warunkiem, że już pracowało nam do chwili t bezawaryjnie.

16 Intensywność awarii Drugą istotną charakterystyką niezawodności jest intensywność awarii, nazywana czasami także intensywnością uszkodzeń lub funkcją hazardu. Definiujemy ją jako szansę na to, że urządzenie będzie nam pracowało w dowolnie krótkim odcinku czasu t, pod warunkiem, że już pracowało nam do chwili t bezawaryjnie. r(t) P(t T < t + t T > t) t = R(t) R(t + t). (2) R(t) t

17 Intensywność awarii Drugą istotną charakterystyką niezawodności jest intensywność awarii, nazywana czasami także intensywnością uszkodzeń lub funkcją hazardu. Definiujemy ją jako szansę na to, że urządzenie będzie nam pracowało w dowolnie krótkim odcinku czasu t, pod warunkiem, że już pracowało nam do chwili t bezawaryjnie. r(t) P(t T < t + t T > t) t = R(t) R(t + t). (2) R(t) t Dla osób, które znają już pojęcie pochodniej można to przybliżenie zapisać dokładnie: r(t) = R (t) R(t).

18 Monotoniczne intensywności awarii Oczywiście intensywność awarii jest zawsze większa od 0. Jednak nie ma powiedziane jaka musi być jej monotoniczność. Wyróżniamy dwa podstawowe modele:

19 Monotoniczne intensywności awarii Oczywiście intensywność awarii jest zawsze większa od 0. Jednak nie ma powiedziane jaka musi być jej monotoniczność. Wyróżniamy dwa podstawowe modele: rosnąca intensywność awarii (RIA) (ang. IFR)

20 Monotoniczne intensywności awarii Oczywiście intensywność awarii jest zawsze większa od 0. Jednak nie ma powiedziane jaka musi być jej monotoniczność. Wyróżniamy dwa podstawowe modele: rosnąca intensywność awarii (RIA) (ang. IFR) malejąca intensywność awarii (MIA) (ang. DFR).

21 Model występujący najczęściej. Najczęstszym przypadkiem jest jednak inny model. Zaprezentowany jest on na poniższym wykresie:

22 Model występujący najczęściej. Najczęstszym przypadkiem jest jednak inny model. Zaprezentowany jest on na poniższym wykresie: Intensywność typu Bathtube, czyli krzywa wannowa. Można ją podzielić na trzy charakterystyczne części.

23 Model występujący najczęściej. Najczęstszym przypadkiem jest jednak inny model. Zaprezentowany jest on na poniższym wykresie: Intensywność typu Bathtube, czyli krzywa wannowa. Można ją podzielić na trzy charakterystyczne części.część pierwsza to okres malejącej intensywności awarii. Nazywamy to czasem docierania się elementów. Eliminowane są elementy o małej niezawodności.

24 Model występujący najczęściej. Najczęstszym przypadkiem jest jednak inny model. Zaprezentowany jest on na poniższym wykresie: Intensywność typu Bathtube, czyli krzywa wannowa. Można ją podzielić na trzy charakterystyczne części.część pierwsza to okres malejącej intensywności awarii. Nazywamy to czasem docierania się elementów. Eliminowane są elementy o małej niezawodności. W drugim przedziale intensywność awarii jest w przybliżeniu stała i ten okres nazywamy okresem normalnej eksploatacji elementów.

25 Model występujący najczęściej. Najczęstszym przypadkiem jest jednak inny model. Zaprezentowany jest on na poniższym wykresie: Intensywność typu Bathtube, czyli krzywa wannowa. Można ją podzielić na trzy charakterystyczne części.część pierwsza to okres malejącej intensywności awarii. Nazywamy to czasem docierania się elementów. Eliminowane są elementy o małej niezawodności. W drugim przedziale intensywność awarii jest w przybliżeniu stała i ten okres nazywamy okresem normalnej eksploatacji elementów. W trzecim okresie intensywność awarii rośnie i jest to okres starzenia się elementów.

26 Stała intensywność awarii Z praktycznego punktu widzenia najbardziej interesującym okresem jest okres normalnej eksploatacji elementu. Intensywność awarii jest wtedy w przybliżeniu stała: r(t) = λ = const.

27 Stała intensywność awarii Z praktycznego punktu widzenia najbardziej interesującym okresem jest okres normalnej eksploatacji elementu. Intensywność awarii jest wtedy w przybliżeniu stała: r(t) = λ = const. Intensywność podajemy w jednostkach odwrotnych do czasu, np. 1/rok, 1/miesiąc, 1/h.

28 Stała intensywność awarii Z praktycznego punktu widzenia najbardziej interesującym okresem jest okres normalnej eksploatacji elementu. Intensywność awarii jest wtedy w przybliżeniu stała: r(t) = λ = const. Intensywność podajemy w jednostkach odwrotnych do czasu, np. 1/rok, 1/miesiąc, 1/h. Jeśli intensywność awarii jest stała, to funkcja niezawodności ma wtedy postać: gdzie e jest stałą Eulera (e 2, 73). R(t) = e λt,

29 Eksperymentalne opracowanie danych Informacje o funkcjach niezawodności i intensywności awarii uzyskuje się na podstawie eksperymentu.

30 Eksperymentalne opracowanie danych Informacje o funkcjach niezawodności i intensywności awarii uzyskuje się na podstawie eksperymentu. Przypuśćmy, że mamy dostępnych n urządzeń jednakowego typu, t 1, t 2,..., t n oznacza czasy pracy poszczególnych elementów.

31 Eksperymentalne opracowanie danych Informacje o funkcjach niezawodności i intensywności awarii uzyskuje się na podstawie eksperymentu. Przypuśćmy, że mamy dostępnych n urządzeń jednakowego typu, t 1, t 2,..., t n oznacza czasy pracy poszczególnych elementów. Niech n(t) oznacza liczbę obserwowanych urządzeń w chwili t, które znajdują się w pracy w chwili t. n(t, t) = n(t) n(t + t).

32 Eksperymentalne opracowanie danych Informacje o funkcjach niezawodności i intensywności awarii uzyskuje się na podstawie eksperymentu. Przypuśćmy, że mamy dostępnych n urządzeń jednakowego typu, t 1, t 2,..., t n oznacza czasy pracy poszczególnych elementów. Niech n(t) oznacza liczbę obserwowanych urządzeń w chwili t, które znajdują się w pracy w chwili t. n(t, t) = n(t) n(t + t). Wtedy: R(t) = n(t) n, n(t, t) r(t) = n(t) t.

33 Eksperymentalne opracowanie danych Załóżmy, że wiemy, iż intensywność awarii jest stała. Jak na podstawie próby t 1, t 2,..., t n wyznaczyć jej wartość?

34 Eksperymentalne opracowanie danych Załóżmy, że wiemy, iż intensywność awarii jest stała. Jak na podstawie próby t 1, t 2,..., t n wyznaczyć jej wartość? Okazuje się, że jeżeli mamy intensywność stałą, to wielkość ET = 1 λ jest średnim czasem pracy elementu. Np. jeśli intensywność przepalania się żarówki wynosi 2, 5 10 [ ] 5 1 h, to średni czas pracy żarówki wynosi 40000[h]

35 Eksperymentalne opracowanie danych Zatem jeśli oznaczymy prze t = 1 n n t i, i=1 to wartość parametru λ przybliżamy wielkością λ = 1 t.

36 Rezerwowanie i odnowa W praktyce mamy rzadko kiedy do czynienia z pojedynczymi elementami. Najczęściej jest to system elementów.

37 Rezerwowanie Niezawodność całego systemu to pewna kombinacja niezawodności poszczególnych składowych tego systemu. Wyrożniamy trzy główne typy takich systemów:

38 Rezerwowanie Niezawodność całego systemu to pewna kombinacja niezawodności poszczególnych składowych tego systemu. Wyrożniamy trzy główne typy takich systemów: 1 system szeregowy

39 Rezerwowanie Niezawodność całego systemu to pewna kombinacja niezawodności poszczególnych składowych tego systemu. Wyrożniamy trzy główne typy takich systemów: 1 system szeregowy 2 system równoległy

40 Rezerwowanie Niezawodność całego systemu to pewna kombinacja niezawodności poszczególnych składowych tego systemu. Wyrożniamy trzy główne typy takich systemów: 1 system szeregowy 2 system równoległy 3 system złożony.

41 System szeregowy Mówimy, że system ma układ szeregowy, jeżeli znajduje się on w stanie pracy wtedy i tylko wtedy, gdy wszystkie elementy tego układu są w stanie pracy.

42 System szeregowy Mówimy, że system ma układ szeregowy, jeżeli znajduje się on w stanie pracy wtedy i tylko wtedy, gdy wszystkie elementy tego układu są w stanie pracy. Przykładem takiego systemu jest np. łańcuch rowerowy. Jeśli każde ogniwo jest sprawne to łańcuch spełnia swoje zadanie. Jeśli choć jedno ogniwo jes uszkodzone, to rowerem nie pojedziemy.

43 System szeregowy Jeśli system złożony z n elementów jest szeregowy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system też ma stałą intensywność awarii: λ sys = n λ i. i=1

44 System szeregowy Jeśli system złożony z n elementów jest szeregowy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system też ma stałą intensywność awarii: λ sys = n λ i. i=1 Zatem średni czas pracy takiego systemu wynosi ES s = 1 λ λ n.

45 System szeregowy Jeśli system złożony z n elementów jest szeregowy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system też ma stałą intensywność awarii: λ sys = n λ i. i=1 Zatem średni czas pracy takiego systemu wynosi ES s = 1 λ λ n. Zatem dodanie do systemu kolejnego ogniwa powoduje skrócenie jego średniego czasu pracy!

46 System równoległy Mówimy, że system ma układ równoległy, jeżeli znajduje się on w stanie pracy wtedy i tylko wtedy, gdy co najmniej jeden element tego układu jest w stanie pracy.

47 System równoległy Mówimy, że system ma układ równoległy, jeżeli znajduje się on w stanie pracy wtedy i tylko wtedy, gdy co najmniej jeden element tego układu jest w stanie pracy. Przykładem takiego systemu jest np. system oświetlenia. Będzie on działał do momentu, aż ostania żarówka nie przepali się.

48 System równoległy Jeśli system złożony z n elementów jest równoległy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system nie ma stałej intensywnośćci awarii. Ma ona dość złożoną postać.

49 System równoległy Jeśli system złożony z n elementów jest równoległy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system nie ma stałej intensywnośćci awarii. Ma ona dość złożoną postać. Możemy jednak podać postać średniego czasu życia takiego systemu. Też nie jest to postać mało skomplikowana: ES r = n i=1 1 λ i n n i=1 j=i ( 1) n+1 1. λ i + λ i λ λ n

50 System równoległy Jeśli system złożony z n elementów jest równoległy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system nie ma stałej intensywnośćci awarii. Ma ona dość złożoną postać. Możemy jednak podać postać średniego czasu życia takiego systemu. Też nie jest to postać mało skomplikowana: ES r = n i=1 1 λ i n n i=1 j=i ( 1) n+1 1. λ i + λ i λ λ n Jeśli jednak przyjmiemy, że każda z tych intensywności jest taka sama i wynosi λ, to wtedy: ES r = 1 ( λ ). n

51 System równoległy Jeśli system złożony z n elementów jest równoległy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system nie ma stałej intensywnośćci awarii. Ma ona dość złożoną postać. Możemy jednak podać postać średniego czasu życia takiego systemu. Też nie jest to postać mało skomplikowana: ES r = n i=1 1 λ i n n i=1 j=i ( 1) n+1 1. λ i + λ i λ λ n Jeśli jednak przyjmiemy, że każda z tych intensywności jest taka sama i wynosi λ, to wtedy: ES r = 1 ( λ ). n Czyli dodanie kolejnego elementu do systemu zwiększa jego średni czas pracy, choć o niewiele.

52 System równoległy Jeśli system złożony z n elementów jest równoległy i każda z jego składowych ma stałą intensywność awarii λ i, i = 1,..., n, to cały system nie ma stałej intensywnośćci awarii. Ma ona dość złożoną postać. Możemy jednak podać postać średniego czasu życia takiego systemu. Też nie jest to postać mało skomplikowana: ES r = n i=1 1 λ i n n i=1 j=i ( 1) n+1 1. λ i + λ i λ λ n Jeśli jednak przyjmiemy, że każda z tych intensywności jest taka sama i wynosi λ, to wtedy: ES r = 1 ( λ ). n Czyli dodanie kolejnego elementu do systemu zwiększa jego średni czas pracy, choć o niewiele. Dla dużych n można to przybliżyć wartością (ln(n) + 0, 57712). 1 λ

53 Rezerwowanie Oczywiście, aby zapewnić działanie systemu w sposób ciągły można posiadać także elementy zapasowe. Nazywa się to rezerwowaniem elementów. W zależności od tego, w jakim stanie znajdują się elementy wyróżnia się trzy typy rezerwy:

54 Rezerwowanie Oczywiście, aby zapewnić działanie systemu w sposób ciągły można posiadać także elementy zapasowe. Nazywa się to rezerwowaniem elementów. W zależności od tego, w jakim stanie znajdują się elementy wyróżnia się trzy typy rezerwy: 1 rezerwa gorąca

55 Rezerwowanie Oczywiście, aby zapewnić działanie systemu w sposób ciągły można posiadać także elementy zapasowe. Nazywa się to rezerwowaniem elementów. W zależności od tego, w jakim stanie znajdują się elementy wyróżnia się trzy typy rezerwy: 1 rezerwa gorąca 2 rezerwa zimna

56 Rezerwowanie Oczywiście, aby zapewnić działanie systemu w sposób ciągły można posiadać także elementy zapasowe. Nazywa się to rezerwowaniem elementów. W zależności od tego, w jakim stanie znajdują się elementy wyróżnia się trzy typy rezerwy: 1 rezerwa gorąca 2 rezerwa zimna 3 rezerwa ciepła.

57 Rezerwa gorąca Rezerwę nazywamy gorącą, jeśli elementy rezerwowe zachowują się tak samo jak element zasadniczy podczas pracy. Mają tą samą intensywność awarii.

58 Rezerwa gorąca Rezerwę nazywamy gorącą, jeśli elementy rezerwowe zachowują się tak samo jak element zasadniczy podczas pracy. Mają tą samą intensywność awarii. Przykład: odczynniki chemiczne. Jedna butelka jest używana, reszta stoi w magazynie. Nie oznacza to jednak, że odczynnik nie może się popsuć jako nieużywany.

59 Rezerwa gorąca Rezerwę nazywamy gorącą, jeśli elementy rezerwowe zachowują się tak samo jak element zasadniczy podczas pracy. Mają tą samą intensywność awarii. Przykład: odczynniki chemiczne. Jedna butelka jest używana, reszta stoi w magazynie. Nie oznacza to jednak, że odczynnik nie może się popsuć jako nieużywany. Łatwo zauważyć, że system z rezerwą gorącą jest równoważny systemowi o układzie równoległym.

60 Rezerwa zimna Rezerwę nazywamy zimną, jeżeli elementy rezerwowe nie zmieniają swych właściwości w rezerwie, nie ulegają uszkodzeniom ani starzeniu się. W tym przypadku elementy są kolejno instalowane do pracy.

61 Rezerwa zimna Rezerwę nazywamy zimną, jeżeli elementy rezerwowe nie zmieniają swych właściwości w rezerwie, nie ulegają uszkodzeniom ani starzeniu się. W tym przypadku elementy są kolejno instalowane do pracy. Przykład: zapasowe żarówki w magazynie.

62 Rezerwa zimna Rezerwę nazywamy zimną, jeżeli elementy rezerwowe nie zmieniają swych właściwości w rezerwie, nie ulegają uszkodzeniom ani starzeniu się. W tym przypadku elementy są kolejno instalowane do pracy. Przykład: zapasowe żarówki w magazynie. Łatwo zauważyć, że system z rezerwą zimną to system, w którym czas jego pracy jest sumą czasów pracy każdego elementu. Zatem także i średni czas pracy tego systemu jest sumą średnich czasów pracy każdego komponentu.

63 Rezerwa ciepła Rezerwę nazywamy ciepłą, jeżeli elementy rezerwowe zmieniają swoje właściwości w rezerwie, ale nie w tym samym tempie co elementy zasadnicze.

64 Rezerwa ciepła Rezerwę nazywamy ciepłą, jeżeli elementy rezerwowe zmieniają swoje właściwości w rezerwie, ale nie w tym samym tempie co elementy zasadnicze. Przykład: uszczelki gumowe. Kiedy pracują są narażone na działanie innych czynników niż gdy leżą w pudełku. Ale niestety guma też się starzeje.

65 Rezerwa ciepła Rezerwę nazywamy ciepłą, jeżeli elementy rezerwowe zmieniają swoje właściwości w rezerwie, ale nie w tym samym tempie co elementy zasadnicze. Przykład: uszczelki gumowe. Kiedy pracują są narażone na działanie innych czynników niż gdy leżą w pudełku. Ale niestety guma też się starzeje. Jeżeli elementy systemu nie są jednakowe (np. pochodzą od innego prducenta) to kolejność instalowania elementów w systemie NIE jest obojętna.

66 Kolejność instalowania elementów Załóżmy, że w systemie n elementowym Jednym z kryteriów, jakie przyjmuje się dla kolejności instalowania elementów jest Kryterium Kolejność instalowania elementów do pracy jest optymalna, jeżeli niezawodność systemu w początkowym okresie pracy jest maksymalna.

67 Kolejność instalowania elementów Załóżmy, że w systemie n elementowym Jednym z kryteriów, jakie przyjmuje się dla kolejności instalowania elementów jest Kryterium Kolejność instalowania elementów do pracy jest optymalna, jeżeli niezawodność systemu w początkowym okresie pracy jest maksymalna. Wtedy zachodzi twierdzenie Twierdzenie Kolejność instalowania elementów do pracy w systemie n elementowym jest optymalna wtedy i tylko wtedy, gdy spełnione są nierówności λ 1 Λ 1 λ 2 Λ 2... λ n Λ n (3) gdzie λ i to intensywność awarii i-tego elementu w rezerwie, zaś Λ i to intensywność awarii i-tego elementu podczas pracy.

68 Kolejność instalowania elementów Inne kryterium podawane jest dla n = 2. Brzmi ono następująco: Kryterium Kolejność instalowania elementów do pracy jest optymalna, jeżeli średni czas pracy jest maksymalny.

69 Kolejność instalowania elementów Inne kryterium podawane jest dla n = 2. Brzmi ono następująco: Kryterium Kolejność instalowania elementów do pracy jest optymalna, jeżeli średni czas pracy jest maksymalny. Wtedy zachodzi twierdzenie Twierdzenie Kolejność instalowania elementów do pracy w systemie 2 elementowym jest optymalna wtedy i tylko wtedy, gdy spełniona jest nierówność λ 1 Λ 1 λ 2 Λ 2 λ 1 + Λ 2 Λ 1 + λ 2 (4) gdzie λ i to intensywność awarii i-tego elementu w rezerwie, zaś Λ i to intensywność awarii i-tego elementu podczas pracy.

70 Średni czas pracy systemu z rezerwą ciepłą Średni czas pracy systemu z rezerwą zimną można wyznaczyć, jednak jest on dany dość skomplikowanymi wzorami.

71 Średni czas pracy systemu z rezerwą ciepłą Średni czas pracy systemu z rezerwą zimną można wyznaczyć, jednak jest on dany dość skomplikowanymi wzorami. Niemniej jednak podamy go dla n = 2: ES c = 1 Λ 1 + Λ 1 Λ 2 (λ 2 + Λ 2 ).

72 Przybliżanie wartości funkcji niezawodności w przypadku stałej intensywności awarii W przypadku, gdy intensywność awarii jest stała, to można przybliżyć funkcję niezawodności w iinny sposób.

73 Przybliżanie wartości funkcji niezawodności w przypadku stałej intensywności awarii W przypadku, gdy intensywność awarii jest stała, to można przybliżyć funkcję niezawodności w iinny sposób. Niech t będzie średnią czasów bezawaryjnej pracy n elementowego systemu.

74 Przybliżanie wartości funkcji niezawodności w przypadku stałej intensywności awarii W przypadku, gdy intensywność awarii jest stała, to można przybliżyć funkcję niezawodności w iinny sposób. Niech t będzie średnią czasów bezawaryjnej pracy n elementowego systemu. Wtedy R(t) = e t t, t 0.

75 Przybliżanie wartości funkcji niezawodności w przypadku stałej intensywności awarii W przypadku, gdy intensywność awarii jest stała, to można przybliżyć funkcję niezawodności w iinny sposób. Niech t będzie średnią czasów bezawaryjnej pracy n elementowego systemu. Wtedy R(t) = e t t, t 0. Powyższy estymator niedoszacuje nam prawdziwej funkcji niezawodności, tzn. jego oczekiwana wartość jest mniejsza niż powinna być. Ma on też duże wahania.

76 Przybliżanie wartości funkcji niezawodności w przypadku stałej intensywności awarii W przypadku, gdy intensywność awarii jest stała, to można przybliżyć funkcję niezawodności w iinny sposób. Niech t będzie średnią czasów bezawaryjnej pracy n elementowego systemu. Wtedy R(t) = e t t, t 0. Powyższy estymator niedoszacuje nam prawdziwej funkcji niezawodności, tzn. jego oczekiwana wartość jest mniejsza niż powinna być. Ma on też duże wahania. Lepszym przybliżeniem o mniejszym wahaniu jest następujące: R(t) = ( 1 t ) n 1, 0 t n t. n t

77 Przybliżanie wartości funkcji niezawodności w przypadku stałej intensywności awarii W przypadku, gdy intensywność awarii jest stała, to można przybliżyć funkcję niezawodności w iinny sposób. Niech t będzie średnią czasów bezawaryjnej pracy n elementowego systemu. Wtedy R(t) = e t t, t 0. Powyższy estymator niedoszacuje nam prawdziwej funkcji niezawodności, tzn. jego oczekiwana wartość jest mniejsza niż powinna być. Ma on też duże wahania. Lepszym przybliżeniem o mniejszym wahaniu jest następujące: R(t) = Niestety jego zakres jest ograniczony. ( 1 t ) n 1, 0 t n t. n t

78 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.:

79 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.: Jaki przedstawić okres gwarancji produktu?

80 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.: Jaki przedstawić okres gwarancji produktu? Ile części zamiennych produkować?

81 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.: Jaki przedstawić okres gwarancji produktu? Ile części zamiennych produkować? Użytkownikom też pozwala uzyskać wskazówkę do wielu zagadnień, m.in.:

82 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.: Jaki przedstawić okres gwarancji produktu? Ile części zamiennych produkować? Użytkownikom też pozwala uzyskać wskazówkę do wielu zagadnień, m.in.: Ile części zapasowych magazynować?

83 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.: Jaki przedstawić okres gwarancji produktu? Ile części zamiennych produkować? Użytkownikom też pozwala uzyskać wskazówkę do wielu zagadnień, m.in.: Ile części zapasowych magazynować? W jakiej kolejności podłączać kolejne urządzenia zapasowe?.

84 Po co to wszystko? Podczas tych zajęć zajęliśmy się przypadkiem, kiedy już mamy działające urządzenia. Jak widać, czas pracy urządzeń jest losowy, a nie deterministyczny. Oszacowanie go pozwala odpowiedzieć producentowi na wiele pytań, m.in.: Jaki przedstawić okres gwarancji produktu? Ile części zamiennych produkować? Użytkownikom też pozwala uzyskać wskazówkę do wielu zagadnień, m.in.: Ile części zapasowych magazynować? W jakiej kolejności podłączać kolejne urządzenia zapasowe?. Jest to przykład praktycznego zastosowania statystyki matematycznej i rachunku prawdopodobieństwa.

85 Literatura Douglas C. Montgomery, Introduction to Statistical Quality Control, John Willey & Sons Inc., 6th edition, W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski, Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, cz. II, PWN, wyd. VIII, B. Kopociński, Zarys teorii odnowy i niezawodności, Biblioteka Naukowa Inżyniera, PWN, Warszawa, 1973.

86 Podziękowania Dziękuję za uwagę

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę.

Bardziej szczegółowo

Zajęcia nr. 3 notatki

Zajęcia nr. 3 notatki Zajęcia nr. 3 notatki 22 kwietnia 2005 1 Funkcje liczbowe wprowadzenie Istnieje nieskończenie wiele funkcji w matematyce. W dodaktu nie wszystkie są liczbowe. Rozpatruje się funkcje które pobierają argumenty

Bardziej szczegółowo

UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski

UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >

Bardziej szczegółowo

Wykład 5 Estymatory nieobciążone z jednostajnie minimalną war

Wykład 5 Estymatory nieobciążone z jednostajnie minimalną war Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.

Bardziej szczegółowo

W3 - Niezawodność elementu nienaprawialnego

W3 - Niezawodność elementu nienaprawialnego W3 - Niezawodność elementu nienaprawialnego Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Niezawodność elementu nienaprawialnego 1. Model niezawodności elementu nienaprawialnego

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Wykład 3 Momenty zmiennych losowych.

Wykład 3 Momenty zmiennych losowych. Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną

Bardziej szczegółowo

Ciąg monotoniczny. Autorzy: Katarzyna Korbel

Ciąg monotoniczny. Autorzy: Katarzyna Korbel Ciąg monotoniczny Autorzy: Katarzyna Korbel 07 Ciąg monotoniczny Autor: Katarzyna Korbel Ciągi, tak jak funkcje, mogą mieć różne własności, których znajomość może przyczynić się do dalszej analizy ich

Bardziej szczegółowo

Modelowanie niezawodności prostych struktur sprzętowych

Modelowanie niezawodności prostych struktur sprzętowych Modelowanie niezawodności prostych struktur sprzętowych W ćwiczeniu tym przedstawione zostaną proste struktury sprzętowe oraz sposób obliczania ich niezawodności przy założeniu, że funkcja niezawodności

Bardziej szczegółowo

HISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =

HISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N = HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki

Bardziej szczegółowo

13. Równania różniczkowe - portrety fazowe

13. Równania różniczkowe - portrety fazowe 13. Równania różniczkowe - portrety fazowe Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie rzegorz Kosiorowski (Uniwersytet Ekonomiczny 13. wrównania Krakowie) różniczkowe - portrety fazowe 1 /

Bardziej szczegółowo

Statystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars

Statystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 1/15/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.1.1 ROMAN RUMIANOWSKI Statystyczna analiza awarii pojazdów

Bardziej szczegółowo

Wykład 2 Zmienne losowe i ich rozkłady

Wykład 2 Zmienne losowe i ich rozkłady Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie

Bardziej szczegółowo

Statystyka 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 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 szczegółowo

Niezawodność i Diagnostyka

Niezawodność i Diagnostyka Katedra Metrologii i Optoelektroniki Wydział Elektroniki Telekomunikacji i Informatyki Politechnika Gdańska Niezawodność i Diagnostyka Ćwiczenie laboratoryjne nr 3 Struktury niezawodnościowe Gdańsk, 2012

Bardziej szczegółowo

WŁASNOŚCI FUNKCJI MONOTONICZNYCH

WŁASNOŚCI FUNKCJI MONOTONICZNYCH Dorota Sasiuk WŁASNOŚCI FUNKCJI MONOTONICZNYCH WSTĘP... WIADOMOŚCI WSTĘPNE... 3. DEFINICJA FUNKCJI:... 3. DZIAŁANIA ARYTMETYCZNE NA FUNKCJACH:... 3.3 ZŁOŻENIE FUNKCJI:... 3.4 FUNKCJA ODWROTNA:... 4.5 FUNKCJA

Bardziej szczegółowo

Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie:

Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: Ciągi rekurencyjne Zadanie 1 Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: w dwóch przypadkach: dla i, oraz dla i. Wskazówka Należy poszukiwać rozwiązania w postaci, gdzie

Bardziej szczegółowo

Wykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów

Wykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie

Bardziej szczegółowo

PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV

PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV Elektroenergetyczne linie napowietrzne i kablowe wysokich i najwyższych napięć PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV Wisła, 18-19 października 2017

Bardziej szczegółowo

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe

Bardziej szczegółowo

7. CIĄGI. WYKŁAD 5. Przykłady :

7. CIĄGI. WYKŁAD 5. Przykłady : WYKŁAD 5 1 7. CIĄGI. CIĄGIEM NIESKOŃCZONYM nazywamy funkcję określoną na zbiorze liczb naturalnych, dodatnich, a wyrazami ciągu są wartości tej funkcji. CIĄGIEM SKOŃCZONYM nazywamy funkcję określoną na

Bardziej szczegółowo

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 4 Modelowanie niezawodności prostych struktur sprzętowych Prowadzący: mgr inż. Marcel Luzar Cel

Bardziej szczegółowo

Niezawodność i Diagnostyka

Niezawodność i Diagnostyka Katedra Metrologii i Optoelektroniki Wydział Elektroniki Telekomunikacji i Informatyki Politechnika Gdańska Niezawodność i Diagnostyka Ćwiczenie laboratoryjne nr 3 Struktury niezawodnościowe 1. Struktury

Bardziej szczegółowo

Finanse i Rachunkowość studia niestacjonarne Wprowadzenie do teorii ciągów liczbowych (treść wykładu z 21 grudnia 2014)

Finanse i Rachunkowość studia niestacjonarne Wprowadzenie do teorii ciągów liczbowych (treść wykładu z 21 grudnia 2014) dr inż. Ryszard Rębowski DEFINICJA CIĄGU LICZBOWEGO Finanse i Rachunkowość studia niestacjonarne Wprowadzenie do teorii ciągów liczbowych (treść wykładu z grudnia 04) Definicja ciągu liczbowego Spośród

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu

Bardziej szczegółowo

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Materiały dydaktyczne na zajęcia wyrównawcze z matematyki dla studentów pierwszego roku kierunku zamawianego Inżynieria i Gospodarka Wodna w ramach projektu Era inżyniera pewna lokata na przyszłość Projekt

Bardziej szczegółowo

FUNKCJA LINIOWA - WYKRES

FUNKCJA LINIOWA - WYKRES FUNKCJA LINIOWA - WYKRES Wzór funkcji liniowej (Postać kierunkowa) Funkcja liniowa jest podstawowym typem funkcji. Jest to funkcja o wzorze: y = ax + b a i b to współczynniki funkcji, które mają wartości

Bardziej szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne losowe ciągłe i ich rozkłady Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

FUNKCJA LINIOWA - WYKRES. y = ax + b. a i b to współczynniki funkcji, które mają wartości liczbowe

FUNKCJA LINIOWA - WYKRES. y = ax + b. a i b to współczynniki funkcji, które mają wartości liczbowe FUNKCJA LINIOWA - WYKRES Wzór funkcji liniowej (postać kierunkowa) Funkcja liniowa to funkcja o wzorze: y = ax + b a i b to współczynniki funkcji, które mają wartości liczbowe Szczególnie ważny w postaci

Bardziej szczegółowo

Funkcje charakteryzujące proces. Dr inż. Robert Jakubowski

Funkcje charakteryzujące proces. Dr inż. Robert Jakubowski Funkcje charakteryzujące proces eksploatacji Dr inż. Robert Jakubowski Niezawodność Niezawodność Rprawdopodobieństwo, że w przedziale czasu od do t cechy funkcjonalne statku powietrznego Ubędą się mieścić

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów

Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:

Bardziej szczegółowo

Wykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu

Wykład 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 szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA

RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA Wydział: WiLiŚ, Transport, sem.2 dr Jolanta Dymkowska RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA Przestrzeń probabilistyczna Modelem matematycznym (tj. teoretycznym, wyidealizowanym,

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. 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 szczegółowo

Zmienne losowe. dr Mariusz Grzadziel. rok akademicki 2016/2017 semestr letni. Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu

Zmienne losowe. dr Mariusz Grzadziel. rok akademicki 2016/2017 semestr letni. Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu Zmienne losowe dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu rok akademicki 2016/2017 semestr letni Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór

Bardziej szczegółowo

Biostatystyka, # 3 /Weterynaria I/

Biostatystyka, # 3 /Weterynaria I/ Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl

Bardziej szczegółowo

Zadania z analizy matematycznej - sem. I Pochodne funkcji, przebieg zmienności funkcji

Zadania z analizy matematycznej - sem. I Pochodne funkcji, przebieg zmienności funkcji Zadania z analizy matematycznej - sem. I Pochodne funkcji przebieg zmienności funkcji Definicja 1. Niech f : (a b) R gdzie a < b oraz 0 (a b). Dla dowolnego (a b) wyrażenie f() f( 0 ) = f( 0 + ) f( 0 )

Bardziej szczegółowo

Modelowanie wybranych pojęć matematycznych. semestr letni, 2016/2017 Wykład 10 Własności funkcji cd.

Modelowanie wybranych pojęć matematycznych. semestr letni, 2016/2017 Wykład 10 Własności funkcji cd. Modelowanie wybranych pojęć matematycznych semestr letni, 206/207 Wykład 0 Własności funkcji cd. Ciągłość funkcji zastosowania Przybliżone rozwiązywanie równań Znajdziemy przybliżone rozwiązanie równania

Bardziej szczegółowo

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości

Uwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi

Bardziej szczegółowo

Struktury niezawodności systemów.

Struktury niezawodności systemów. Struktury niezawodności systemów. 9 marca 2015 - system i jego schemat - struktury niezawodności a schemat techniczny System to zorganizowany zbiór elementów, współpracujacych ze soba pełniac przypisane

Bardziej szczegółowo

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym

Bardziej szczegółowo

Metody numeryczne w przykładach

Metody numeryczne w przykładach Metody numeryczne w przykładach Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK, Toruń Regionalne Koło Matematyczne 8 kwietnia 2010 r. Bartosz Ziemkiewicz (WMiI UMK) Metody numeryczne w przykładach

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura

Bardziej szczegółowo

Rachunek Różniczkowy

Rachunek Różniczkowy Rachunek Różniczkowy Sąsiedztwo punktu Liczby rzeczywiste będziemy teraz nazywać również punktami. Dla ustalonego punktu x 0 i promienia r > 0 zbiór S(x 0, r) = (x 0 r, x 0 ) (x 0, x 0 + r) nazywamy sąsiedztwem

Bardziej szczegółowo

Lista 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 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 szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim: STATYSTYKA W MODELACH NIEZAWODNOŚCI I ANALIZIE PRZEŻYCIA Nazwa w języku angielskim: STATISTICS IN RELIABILITY MODELS AND

Bardziej szczegółowo

Ważne rozkłady i twierdzenia

Ważne 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 szczegółowo

Rozkład wykładniczy. Proces Poissona.

Rozkład wykładniczy. Proces Poissona. Wykład 3 Rozkład wykładniczy. Proces Poissona. 3.1 Własności rozkładu wykładniczego 3.1.1 Rozkład geometryczny: Mówimy, że zmienna losowa X ma rozkład geometryczny z parametrem p (, 1) jeśli P(Xi)p(1 p)

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 23.09.2008 Biomatematyka Biomatematyka W 200-elementowej próbie losowej z diploidalnej populacji wystąpiło 89 osobników genotypu AA, 57 osobników genotypu Aa oraz 54 osobników genotypu aa. Na podstawie tych danych (a) dokonaj

Bardziej szczegółowo

Aproksymacja diofantyczna

Aproksymacja diofantyczna Aproksymacja diofantyczna Szymon Draga Ustroń, 4 listopada 0 r Wprowadzenie Jak wiadomo, każdą liczbę niewymierną można (z dowolną dokładnością) aproksymować liczbami wymiernymi Powstaje pytanie, w jaki

Bardziej szczegółowo

Rozkłady statystyk z próby

Rozkłady 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 szczegółowo

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2.

dla t ściślejsze ograniczenie na prawdopodobieństwo otrzymujemy przyjmując k = 1, zaś dla t > t ściślejsze ograniczenie otrzymujemy przyjmując k = 2. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej μ, wariancji momencie centralnym μ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X μ k Pr > μ + t σ ) 0. k k t σ *

Bardziej szczegółowo

Testy post-hoc. Wrocław, 6 czerwca 2016

Testy post-hoc. Wrocław, 6 czerwca 2016 Testy post-hoc Wrocław, 6 czerwca 2016 Testy post-hoc 1 metoda LSD 2 metoda Duncana 3 metoda Dunneta 4 metoda kontrastów 5 matoda Newman-Keuls 6 metoda Tukeya Metoda LSD Metoda Least Significant Difference

Bardziej szczegółowo

Rozwiązaniem jest zbiór (, ] (5, )

Rozwiązaniem jest zbiór (, ] (5, ) FUNKCJE WYMIERNE Definicja Miech L() i M() będą niezerowymi wielomianami i niech D { R : M( ) 0 } Funkcję (*) D F : D R określoną wzorem F( ) L( ) M( ) nazywamy funkcją wymierną Funkcja wymierna, to iloraz

Bardziej szczegółowo

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.

Statystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd. Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru

Bardziej szczegółowo

Skrypt 16. Ciągi: Opracowanie L6

Skrypt 16. Ciągi: Opracowanie L6 Projekt Innowacyjny program nauczania matematyki dla liceów ogólnokształcących współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Skrypt 16 Ciągi: 1. Ciągi liczbowe.

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawa 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 szczegółowo

Jeśli lubisz matematykę

Jeśli lubisz matematykę Witold Bednarek Jeśli lubisz matematykę Część 3 Opole 011 1 Wielokąt wypukły i kąty proste Pewien wielokąt wypukły ma cztery kąty proste. Czy wielokąt ten musi być prostokątem? Niech n oznacza liczbę wierzchołków

Bardziej szczegółowo

Programowanie celowe #1

Programowanie celowe #1 Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem

Bardziej szczegółowo

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1 Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:

Bardziej szczegółowo

Rachunku prawdopodobieństwa: rys historyczny, aksjomatyka, prawdopodobieństwo warunkowe,

Rachunku prawdopodobieństwa: rys historyczny, aksjomatyka, prawdopodobieństwo warunkowe, Rachunku prawdopodobieństwa: rys historyczny, aksjomatyka, prawdopodobieństwo warunkowe, niezależność zdarzeń dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu Semestr letni

Bardziej szczegółowo

Wykład 9 Testy rangowe w problemie dwóch prób

Wykład 9 Testy rangowe w problemie dwóch prób Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora

Bardziej szczegółowo

Przykładami ciągów, które Czytelnik dobrze zna (a jeśli nie, to niniejszym poznaje), jest ciąg arytmetyczny:

Przykładami ciągów, które Czytelnik dobrze zna (a jeśli nie, to niniejszym poznaje), jest ciąg arytmetyczny: Podstawowe definicje Definicja ciągu Ciągiem nazywamy funkcję na zbiorze liczb naturalnych, tzn. przyporządkowanie każdej liczbie naturalnej jakiejś liczby rzeczywistej. (Mówimy wtedy o ciągu o wyrazach

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie

Bardziej szczegółowo

FUNKCJE. Rozwiązywanie zadań Ćw. 1-3 a) b) str Ćw. 5 i 6 str. 141 dodatkowo podaj przeciwdziedzinę.

FUNKCJE. Rozwiązywanie zadań Ćw. 1-3 a) b) str Ćw. 5 i 6 str. 141 dodatkowo podaj przeciwdziedzinę. FUNKCJE Lekcja 61-6. Dziedzina i miejsce zerowe funkcji str. 140-14 Co to jest funkcja. Może przykłady. W matematyce funkcje najczęściej przedstawiamy za pomocą wzorów. Przykłady. Dziedzina to zbiór argumentów

Bardziej szczegółowo

Niezawodność eksploatacyjna środków transportu

Niezawodność eksploatacyjna środków transportu Niezawodność eksploatacyjna środków transportu Niezawodność obiektów eksploatacji Niezawodność i trwałość obiektów eksploatacji Niezawodność obiektu (środka transportu) jest to jego zdolność do zachowania

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Wykład 4 Przebieg zmienności funkcji. Badanie dziedziny oraz wyznaczanie granic funkcji poznaliśmy na poprzednich wykładach.

Wykład 4 Przebieg zmienności funkcji. Badanie dziedziny oraz wyznaczanie granic funkcji poznaliśmy na poprzednich wykładach. Wykład Przebieg zmienności funkcji. Celem badania przebiegu zmienności funkcji y = f() jest poznanie ważnych własności tej funkcji na podstawie jej wzoru. Efekty badania pozwalają naszkicować wykres badanej

Bardziej szczegółowo

WSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.

WSTĘP. 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 szczegółowo

Indukcja matematyczna

Indukcja matematyczna Indukcja matematyczna 1 Zasada indukcji Rozpatrzmy najpierw następujący przykład. Przykład 1 Oblicz sumę 1 + + 5 +... + (n 1). Dyskusja. Widzimy że dla n = 1 ostatnim składnikiem powyższej sumy jest n

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

a 1, a 2, a 3,..., a n,...

a 1, a 2, a 3,..., a n,... III. Ciągi liczbowe. 1. Definicja ciągu liczbowego. Definicja 1.1. Ciągiem liczbowym nazywamy funkcję a : N R odwzorowującą zbiór liczb naturalnych N w zbiór liczb rzeczywistych R i oznaczamy przez {a

Bardziej szczegółowo

4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO

4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO Znaczenie rozkładu wykładniczego 4 51 4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO 4.1. Rozkład wykładniczy Zmienna losowa X ma rozkład wykładniczy, jeżeli funkcja gęstości prawdopodobieństwa f ( x) = λe λx x 0,

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, 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 szczegółowo

Funkcje: wielomianowa, wykładnicza, logarytmiczna wykład 2

Funkcje: wielomianowa, wykładnicza, logarytmiczna wykład 2 Funkcje: wielomianowa, wykładnicza, logarytmiczna wykład 2 dr Mariusz Grządziel semestr zimowy 2013 Potęgowanie Dla dowolnej liczby dodatniej a oraz liczy wymiernej w = p/q definiujemy: a w (a 1/q ) p.

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli 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 szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład

Bardziej szczegółowo

Wykład 3 Hipotezy statystyczne

Wykład 3 Hipotezy statystyczne Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza

Bardziej szczegółowo

W6 Systemy naprawialne

W6 Systemy naprawialne W6 Systemy naprawialne Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Plan wykładu 1. Graf stanów elementu naprawialnego / systemu 2. Analiza niezawodnościowa systemu model Markowa

Bardziej szczegółowo

Zmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014

Zmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014 Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie 1. W pewnej populacji podmiotów każdy podmiot narażony jest na ryzyko straty X o rozkładzie normalnym z wartością oczekiwaną równą μ i wariancją równą. Wszystkie podmioty z tej populacji kierują

Bardziej szczegółowo

Wnioskowanie statystyczne. Statystyka w 5

Wnioskowanie statystyczne. Statystyka w 5 Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających

Bardziej szczegółowo

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki

Bardziej szczegółowo

Estymacja parametrów w modelu normalnym

Estymacja parametrów w modelu normalnym Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy

Bardziej szczegółowo

LABORATORIUM Populacja Generalna (PG) 2. Próba (P n ) 3. Kryterium 3σ 4. Błąd Średniej Arytmetycznej 5. Estymatory 6. Teoria Estymacji (cz.

LABORATORIUM 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 szczegółowo

Czym jest ciąg? a 1, a 2, lub. (a n ), n = 1,2,

Czym jest ciąg? a 1, a 2, lub. (a n ), n = 1,2, Ciągi liczbowe Czym jest ciąg? Ciąg liczbowy, to funkcja o argumentach naturalnych, której wartościami są liczby rzeczywiste. Wartość ciągu dla liczby naturalnej n oznaczamy symbolem a n i nazywamy n-tym

Bardziej szczegółowo

Wykład 8. Informatyka Stosowana. 26 listopada 2018 Magdalena Alama-Bućko. Informatyka Stosowana Wykład , M.A-B 1 / 31

Wykład 8. Informatyka Stosowana. 26 listopada 2018 Magdalena Alama-Bućko. Informatyka Stosowana Wykład , M.A-B 1 / 31 Wykład 8 Informatyka Stosowana 26 listopada 208 Magdalena Alama-Bućko Informatyka Stosowana Wykład 8 26..208, M.A-B / 3 Definicja Ciagiem liczbowym {a n }, n N nazywamy funkcję odwzorowujac a zbiór liczb

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010

STATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010 STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego

Bardziej szczegółowo

O funkcjach : mówimy również, że są określone na zbiorze o wartościach w zbiorze.

O funkcjach : mówimy również, że są określone na zbiorze o wartościach w zbiorze. 1. Definicja funkcji f:x->y. Definicja dziedziny, przeciwdziedziny, zbioru wartości. Przykłady. I definicja: Funkcją nazywamy relację, jeśli spełnia następujące warunki: 1) 2) 1,2 [(1 2)=> 1=2] Inaczej

Bardziej szczegółowo

Teoretyczne podstawy programowania liniowego

Teoretyczne podstawy programowania liniowego Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i

Bardziej szczegółowo

3. FUNKCJA LINIOWA. gdzie ; ół,.

3. FUNKCJA LINIOWA. gdzie ; ół,. 1 WYKŁAD 3 3. FUNKCJA LINIOWA FUNKCJĄ LINIOWĄ nazywamy funkcję typu : dla, gdzie ; ół,. Załóżmy na początek, że wyraz wolny. Wtedy mamy do czynienia z funkcją typu :.. Wykresem tej funkcji jest prosta

Bardziej szczegółowo

Weryfikacja hipotez statystycznych

Weryfikacja hipotez statystycznych Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w

Bardziej szczegółowo