Układy stochastyczne

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Układy stochastyczne"

Transkrypt

1 Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009

2 Definicja

3 Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych. Innymi słowy pewnej wielkości (jakiemuś człowiekowi, liczbie, chwili czasu, punktowi płaszczyzny) przypisane jest zdarzenie losowe (wzrost, losowo wybrana liczba, wartość waluty wg. notowań giełdowych, liczba rzeczywista).

4 Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych. Innymi słowy pewnej wielkości (jakiemuś człowiekowi, liczbie, chwili czasu, punktowi płaszczyzny) przypisane jest zdarzenie losowe (wzrost, losowo wybrana liczba, wartość waluty wg. notowań giełdowych, liczba rzeczywista). stochastyczny znaczy nic innego jak przypadkowy (losowy), lecz jest jest to termin jakościowy i heurystyczny, króty opisuje szeroką klasę własności i zachowania się układów. Nie ma też żadnego uniwersalnego testu lub miary przypadkowości, dlatego bezpieczniej jest używać właśnie określenia stochastyczny.

5 Definicja

6 Definicja Matematycznie, proces stochastyczny jest zazwyczaj definiowany jako rodzina zmiennych losowych:

7 Definicja Matematycznie, proces stochastyczny jest zazwyczaj definiowany jako rodzina zmiennych losowych: (X t, t T) gdzie: X t - zmienna losowa, zaś T to zbiór indeksów procesu stochastycznego.

8 Definicja Matematycznie, proces stochastyczny jest zazwyczaj definiowany jako rodzina zmiennych losowych: (X t, t T) gdzie: X t - zmienna losowa, zaś T to zbiór indeksów procesu stochastycznego. Zmienne muszą być określone na tej samej przestrzeni probabilistycznej. Zbiór wartości zmiennych losowych X t nazywamy przestrzenią stanów procesu stochastycznego, zaś pojedyncza wartość zmiennej losowej to stan procesu stochastycznego. Procesy stochastyczne zdefiniowane na dyskretnej przestrzeni stanów nazywane są łańcuchami.

9 Definicja

10 Definicja Definicja obejmuje ideę funkcji losowej w następujący sposób. Aby z funkcji f : D > R z dziedziną funkcji D i obrazem R zrobić funkcję losową, należy wszystkie wartości funkcji f(x) we wszystkich punktach D zamienić na zmienne losowe z wartościami w R. Dziedzina D staje się zbiorem indeksów procesu stochastycznego, zaś proces stochastyczny jest zdeterminowany przez połączone dystrybuanty różnych zmiennych losowych f(x).

11 Definicja Definicja obejmuje ideę funkcji losowej w następujący sposób. Aby z funkcji f : D > R z dziedziną funkcji D i obrazem R zrobić funkcję losową, należy wszystkie wartości funkcji f(x) we wszystkich punktach D zamienić na zmienne losowe z wartościami w R. Dziedzina D staje się zbiorem indeksów procesu stochastycznego, zaś proces stochastyczny jest zdeterminowany przez połączone dystrybuanty różnych zmiennych losowych f(x). Należy jednak zauważyć, że definicja procesu stochastycznego jako rodziny zmiennych losowych jest o wiele bardziej ogólna niż przypadek, kiedy indeksami są punkty dziedziny funkcji losowej.

12 Przykład

13 Przykład Losowość oznacza nieprzewidywalność w mniejszym lub większym stopniu. Prosty przykład:

14 Przykład Losowość oznacza nieprzewidywalność w mniejszym lub większym stopniu. Prosty przykład: Ciąg przypadkowy może być zdefiniowany jako taki ciąg x i, i N, w którym dla danych x 1, x 2,..., x n, wartość x n+1 ciągu może być z jednakowym prawdopodobieństwem dowolną liczbą z przedziału - do +.

15 ...

16 ... Przypadki specjalne procesów stochastycznych:

17 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego

18 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera

19 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości.

20 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona

21 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne

22 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne

23 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych

24 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa

25 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa procesy punktowe: losowe ustawienia punktów w przestrzeni S

26 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa procesy punktowe: losowe ustawienia punktów w przestrzeni S procesy gaussowskie: procesy, gdzie wszystkie liniowe kombinacje współrzędnych są zmiennymi losowymi z rozkładem normalnym

27 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa procesy punktowe: losowe ustawienia punktów w przestrzeni S procesy gaussowskie: procesy, gdzie wszystkie liniowe kombinacje współrzędnych są zmiennymi losowymi z rozkładem normalnym martyngały

28 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa procesy punktowe: losowe ustawienia punktów w przestrzeni S procesy gaussowskie: procesy, gdzie wszystkie liniowe kombinacje współrzędnych są zmiennymi losowymi z rozkładem normalnym martyngały procesy Galtona-Watsona

29 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa procesy punktowe: losowe ustawienia punktów w przestrzeni S procesy gaussowskie: procesy, gdzie wszystkie liniowe kombinacje współrzędnych są zmiennymi losowymi z rozkładem normalnym martyngały procesy Galtona-Watsona proces gałązkowy

30 ... Przypadki specjalne procesów stochastycznych: procesy Bernoulliego proces Wienera procesy Markowa to takie, w których przyszłość jest warunkowo niezależna od przeszłości przy danej teraźniejszości. procesy Poissona procesy stacjonarne procesy homogeniczne procesy o przyrostach niezależnych łańcuchy Markowa procesy punktowe: losowe ustawienia punktów w przestrzeni S procesy gaussowskie: procesy, gdzie wszystkie liniowe kombinacje współrzędnych są zmiennymi losowymi z rozkładem normalnym martyngały procesy Galtona-Watsona proces gałązkowy ruchy Browna

31 ... Proces Markowa ciąg zdarzeń, w którym prawdopodobieństwo każdego zdarzenia zależy jedynie od wyniku poprzedniego.

32 ... Proces Markowa ciąg zdarzeń, w którym prawdopodobieństwo każdego zdarzenia zależy jedynie od wyniku poprzedniego. Łańcuchy Markowa to takie procesy Markowa, które zdefiniowane są na dyskretnej przestrzeni stanów.

33 ... Proces Markowa ciąg zdarzeń, w którym prawdopodobieństwo każdego zdarzenia zależy jedynie od wyniku poprzedniego. Łańcuchy Markowa to takie procesy Markowa, które zdefiniowane są na dyskretnej przestrzeni stanów. Łańcuch Markowa jest ciągiem X 1, X 2, X 3,... zmiennych losowych. Dziedzinę tych zmiennych nazywamy przestrzenią stanów, a realizacje X n to stany w czasie n. Jeśli rozkład warunkowy X n+1 jest funkcją wyłącznie zmiennej X n :

34 ... Proces Markowa ciąg zdarzeń, w którym prawdopodobieństwo każdego zdarzenia zależy jedynie od wyniku poprzedniego. Łańcuchy Markowa to takie procesy Markowa, które zdefiniowane są na dyskretnej przestrzeni stanów. Łańcuch Markowa jest ciągiem X 1, X 2, X 3,... zmiennych losowych. Dziedzinę tych zmiennych nazywamy przestrzenią stanów, a realizacje X n to stany w czasie n. Jeśli rozkład warunkowy X n+1 jest funkcją wyłącznie zmiennej X n : P(X n+1 y X 0,X 1,X 2,...,X n ) = P(X n+1 y X n )

35 ... Proces Markowa ciąg zdarzeń, w którym prawdopodobieństwo każdego zdarzenia zależy jedynie od wyniku poprzedniego. Łańcuchy Markowa to takie procesy Markowa, które zdefiniowane są na dyskretnej przestrzeni stanów. Łańcuch Markowa jest ciągiem X 1, X 2, X 3,... zmiennych losowych. Dziedzinę tych zmiennych nazywamy przestrzenią stanów, a realizacje X n to stany w czasie n. Jeśli rozkład warunkowy X n+1 jest funkcją wyłącznie zmiennej X n : P(X n+1 y X 0,X 1,X 2,...,X n ) = P(X n+1 y X n ) to mówimy, że proces stochastyczny posiada własność Markowa.

36 Przykład procesu Markowa

37 Proces Markowa Własności łańcuchów Markowa

38 Proces Markowa Własności łańcuchów Markowa Macierz przejścia

39 Proces Markowa Własności łańcuchów Markowa Macierz przejścia Rozkład stacjonarny

40 macierz przejścia Jeśli przestrzeń stanów jest zbiorem skończonym, rozkład prawdopodobieństw przejść między poszczególnymi stanami może być przedstawiony jako macierz, zwaną macierzą przejścia oznaczoną literą P, gdzie elementy (i, j) są równe:

41 macierz przejścia Jeśli przestrzeń stanów jest zbiorem skończonym, rozkład prawdopodobieństw przejść między poszczególnymi stanami może być przedstawiony jako macierz, zwaną macierzą przejścia oznaczoną literą P, gdzie elementy (i, j) są równe: P ij = P(X n+1 = j X n = i)

42 macierz przejścia Jeśli przestrzeń stanów jest zbiorem skończonym, rozkład prawdopodobieństw przejść między poszczególnymi stanami może być przedstawiony jako macierz, zwaną macierzą przejścia oznaczoną literą P, gdzie elementy (i, j) są równe: P ij = P(X n+1 = j X n = i) czyli np. element p 13 oznacza prawdopodobieństwo przejścia ze stanu pierwszego do stanu trzeciego.

43 macierz przejścia Jeśli przestrzeń stanów jest zbiorem skończonym, rozkład prawdopodobieństw przejść między poszczególnymi stanami może być przedstawiony jako macierz, zwaną macierzą przejścia oznaczoną literą P, gdzie elementy (i, j) są równe: P ij = P(X n+1 = j X n = i) czyli np. element p 13 oznacza prawdopodobieństwo przejścia ze stanu pierwszego do stanu trzeciego. Na przestrzeni dyskretnej całkowanie k-tego stopnia macierzy przejścia jest zwykłym sumowaniem i może być obliczane jako k-ta potęga macierzy przejścia. Czyli jeśli P jest macierzą przejścia w jednym kroku, wówczas P k jest macierzą przejścia w k krokach.

44 rozkład stacjonarny Rozkład prawdopodobieństw na przestrzeni stanów S nazywamy stacjonarnym wtedy i tylko wtedy, gdy spełniony jest warunek: P j = π i p ij i S

45 rozkład stacjonarny Rozkład prawdopodobieństw na przestrzeni stanów S nazywamy stacjonarnym wtedy i tylko wtedy, gdy spełniony jest warunek: P j = π i p ij czyli: i S π T P=π T gdzie π T jest transponowanym wektorem wierszowym π, a π i = 1 π i 0 i

46 rozkład stacjonarny Rozkład prawdopodobieństw na przestrzeni stanów S nazywamy stacjonarnym wtedy i tylko wtedy, gdy spełniony jest warunek: P j = π i p ij czyli: i S π T P=π T gdzie π T jest transponowanym wektorem wierszowym π, a π i = 1 π i 0 i Jeśli rozkład początkowy X 0 jest stacjonarny, to każdy kolejny rozkład X n również jest stacjonarny. Może nie istnieć żaden, istnieć jeden lub więcej niż jeden rozkład stacjonarny dla danego procesu.

47 Trochę o generatorach...

48 Trochę o generatorach... W przypadku komputerowego generatora liczb losowych matematyk może wyznaczyć taką liczbę całkowitą i R, po której ciąg będzie się powtarzał. Zawsze będzie istniała taka liczba, dla której x i = x i+nir, n N ponieważ niewspółmierne liczby nie mają swojej reprezentacji w komputerze, niezależnie od wielkości jego pamięci.

49 Trochę o generatorach... W przypadku komputerowego generatora liczb losowych matematyk może wyznaczyć taką liczbę całkowitą i R, po której ciąg będzie się powtarzał. Zawsze będzie istniała taka liczba, dla której x i = x i+nir, n N ponieważ niewspółmierne liczby nie mają swojej reprezentacji w komputerze, niezależnie od wielkości jego pamięci. Od liczby i R wymagamy jedynie, aby była dostatecznie duża dla naszych doraźnych celów. Komputerowe algorytmy generujące ciągi przypadkowe są często nazywane generatorami liczb pseudolosowych. Oznacza to, że są one rzeczywistymi generatorami liczb losowych gdzieś na Ziemi lub w ciemnych otchłaniach wszechświata. Czy precyzyjny woltomierz jest prawdziwym generatorem liczb losowych, jeżeli weźmiemy pod uwagę błędy odczytu jego wskazań? Czy takie błędy jako proces losowy są lepsze niż liczby pseudolosowe generowane przez pewien algorytm komputerowy?

50 Trochę o generatorach...

51 Trochę o generatorach... Odpowiedź brzmi nie - jeżeli algorytm jest dobrze skonstruowany. Liczbę i R można uczynić tak dużą, aby odpowiadający jej okres przekraczał czas życia dowolnego urządzenia mechanicznego lub elektronicznego. Co więcej, fizyczne urządzenia mają tę wadę, że wymagają okresowej kalibracji w celu skompensowania odchylenia spowodowanego ich zużyciem i starzeniem się. A czy słyszał ktoś kiedykolwiek, aby program komputerowy się zużył? :-)

52 Trochę o generatorach... Odpowiedź brzmi nie - jeżeli algorytm jest dobrze skonstruowany. Liczbę i R można uczynić tak dużą, aby odpowiadający jej okres przekraczał czas życia dowolnego urządzenia mechanicznego lub elektronicznego. Co więcej, fizyczne urządzenia mają tę wadę, że wymagają okresowej kalibracji w celu skompensowania odchylenia spowodowanego ich zużyciem i starzeniem się. A czy słyszał ktoś kiedykolwiek, aby program komputerowy się zużył? :-) Najlepiej jeśli proces przypadkowy ma zerową wartość średnią. Staje się to najbardziej oczywiste przy tworzeniu metod analizy, bazujących w duzym stopniu na skończonej transformacji Fouriera. Średnia dokładnie równa zeru jest mało prawdopodobna. Najważniejszym jest, aby średnia procesu była przynajmniej bliska zeru.

53 Trochę o generatorach...

54 Trochę o generatorach... Dlatego pierwszą rzeczą jaką musimy wiedzieć o ciągu losowym jest jego skala wielkości. Określa się ją za pomocą tzw średniej kwadratowej

55 Trochę o generatorach... Dlatego pierwszą rzeczą jaką musimy wiedzieć o ciągu losowym jest jego skala wielkości. Określa się ją za pomocą tzw średniej kwadratowej [ σ({x i }; i 1, i 2 ) = 1 i 2 i 1 1 i 2 i=i 1 (x i x M ) 2 ] 1/2

56 Trochę o generatorach... Dlatego pierwszą rzeczą jaką musimy wiedzieć o ciągu losowym jest jego skala wielkości. Określa się ją za pomocą tzw średniej kwadratowej [ σ({x i }; i 1, i 2 ) = gdzie x M = 1 i 2 i 1+1 i 2 i=i 1 x i 1 i 2 i 1 1 i 2 i=i 1 (x i x M ) 2 ] 1/2

57 Trochę o generatorach...

58 Trochę o generatorach... Każdy ciąg zazwyczaj ma pewien rozkład. Konkretnie musi to być rozkład liczb x i w pewnych przedziałach. Rozkład dyskretny zwykle przybliża jakiś standardowy rozkład ciągły, typu rozkładu równomiernego lub rozkładu normalnego. Większość stosowanych w programach generatorów liczb losowych zapewnia rozkład jednostajny (boxcar), którego gęstość jest równa 1 w przedziale [0,1], tak że jego średnia x M = 1/2.

59 Trochę o generatorach... Każdy ciąg zazwyczaj ma pewien rozkład. Konkretnie musi to być rozkład liczb x i w pewnych przedziałach. Rozkład dyskretny zwykle przybliża jakiś standardowy rozkład ciągły, typu rozkładu równomiernego lub rozkładu normalnego. Większość stosowanych w programach generatorów liczb losowych zapewnia rozkład jednostajny (boxcar), którego gęstość jest równa 1 w przedziale [0,1], tak że jego średnia x M = 1/2. W wielu zastosowaniach konieczne jest odliczenie tej wartości gdzieś w obliczeniach. Rozkład jednostajny generatora może być bez trudu odwzorowany w inny rozkład. Dobrze jest znać stosowany przez nas generator liczb losowych.

60 Transformacje Fouriera

61 Transformacje Fouriera Transformacja Fouriera jest transformacją całkową z dziedziny czasu w dziedzinę częstotliwości. Została nazwana na cześć Jean Baptiste Joseph Fouriera. Transformata jest wynikiem transformacji Fouriera (transformata jest funkcją, a transformacja operacją na funkcji, dającą w wyniku transformatę).

62 Transformacje Fouriera Transformacja Fouriera jest transformacją całkową z dziedziny czasu w dziedzinę częstotliwości. Została nazwana na cześć Jean Baptiste Joseph Fouriera. Transformata jest wynikiem transformacji Fouriera (transformata jest funkcją, a transformacja operacją na funkcji, dającą w wyniku transformatę). Transformata Fouriera opisana jest wzorem: ˆf (ξ) := f (x)e 2πxiξ dx

63 Transformacje Fouriera Transformacja Fouriera jest transformacją całkową z dziedziny czasu w dziedzinę częstotliwości. Została nazwana na cześć Jean Baptiste Joseph Fouriera. Transformata jest wynikiem transformacji Fouriera (transformata jest funkcją, a transformacja operacją na funkcji, dającą w wyniku transformatę). Transformata Fouriera opisana jest wzorem: ˆf (ξ) := f (x)e 2πxiξ dx gdzie i - jednostka urojona (i 2 = -1) W praktyce x oznacza czas (w sekundach), a argument transformaty ξ częstotliwość (w Hz).

64 Szeregi Fouriera

65 Szeregi Fouriera

66 Szeregi Fouriera

67 Szeregi Fouriera

68 Dziękuje za uwagę =)

Lista 1. Procesy o przyrostach niezależnych.

Lista 1. Procesy o przyrostach niezależnych. Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)

Bardziej szczegółowo

Zadania o numerze 4 z zestawów licencjat 2014.

Zadania o numerze 4 z zestawów licencjat 2014. Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...

Bardziej szczegółowo

Rozkłady zmiennych losowych

Rozkłady zmiennych losowych Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli

Bardziej szczegółowo

Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe

Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Statystyka i opracowanie danych W4 Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Rozkład normalny wykres funkcji gęstości

Bardziej szczegółowo

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i )

Rachunek prawdopodobieństwa - Teoria - Przypomnienie.. A i B są niezależne, gdy P(A B) = P(A)P(B). P(A B i )P(B i ) Rachunek prawdopodobieństwa - Teoria - Przypomnienie Podstawy Definicja 1. Schemat klasyczny - wszystkie zdarzenia elementarne są równo prawdopodobne, licząc prawdopodobieństwo liczymy stosunek liczby

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

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i

Bardziej 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

Aleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.

Aleksander Adamowski (s1869) zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut. Zadanie Statystyczna Analiza Danych - Zadania 6 Aleksander Adamowski (s869) W pewnym biurze czas losowo wybranej rozmowy telefonicznej jest zmienn ą losow ą T o rozkładzie wykładniczym o średniej 5 minut.

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących

Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Klasyfikacja w oparciu o metrykę budowaną poprzez dystrybuanty empiryczne na przestrzeni wzorców uczących Cezary Dendek Wydział Matematyki i Nauk Informacyjnych PW Plan prezentacji Plan prezentacji Wprowadzenie

Bardziej szczegółowo

WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI

WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI Zał. nr do ZW WYDZIAŁ ELEKTRONIKI MIKROSYSTEMÓW I FOTONIKI KARTA PRZEDMIOTU Nazwa w języku polskim: Matematyka (Zao EA EiT stopień) Nazwa w języku angielskim: Mathematics Kierunek studiów (jeśli dotyczy):

Bardziej szczegółowo

Matematyka 2. dr inż. Rajmund Stasiewicz

Matematyka 2. dr inż. Rajmund Stasiewicz Matematyka 2 dr inż. Rajmund Stasiewicz Skala ocen Punkty Ocena 0 50 2,0 51 60 3,0 61 70 3,5 71 80 4,0 81 90 4,5 91-5,0 Zwolnienie z egzaminu Ocena z egzaminu liczba punktów z ćwiczeń - 5 Warunki zaliczenia

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

II WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15

II WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15 II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa

Bardziej szczegółowo

Spis treści 3 SPIS TREŚCI

Spis treści 3 SPIS TREŚCI Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe

Bardziej szczegółowo

Rozkłady dwóch zmiennych losowych

Rozkłady dwóch zmiennych losowych Rozkłady dwóch zmiennych losowych Uogólnienie pojęć na rozkład dwóch zmiennych Dystrybuanta i gęstość prawdopodobieństwa Rozkład brzegowy Prawdopodobieństwo warunkowe Wartości średnie i odchylenia standardowe

Bardziej szczegółowo

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak

Metody numeryczne. Wykład nr 12. Dr Piotr Fronczak Metody numeryczne Wykład nr 1 Dr Piotr Fronczak Generowanie liczb losowych Metody Monte Carlo są oparte na probabilistyce działają dzięki generowaniu liczb losowych. W komputerach te liczby generowane

Bardziej szczegółowo

Matematyka II nazwa przedmiotu SYLABUS A. Informacje ogólne

Matematyka II nazwa przedmiotu SYLABUS A. Informacje ogólne Matematyka II nazwa przedmiotu SYLABUS A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod przedmiotu

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015 Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20

Bardziej szczegółowo

Sylabus do programu kształcenia obowiązującego od roku akademickiego 2014/15

Sylabus do programu kształcenia obowiązującego od roku akademickiego 2014/15 Sylabus do programu kształcenia obowiązującego od roku akademickiego 0/5 () Nazwa Rachunek prawdopodobieństwa i statystyka () Nazwa jednostki prowadzącej Wydział Matematyczno - Przyrodniczy przedmiot ()

Bardziej szczegółowo

Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26

Rozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych

Bardziej szczegółowo

Z Wikipedii, wolnej encyklopedii.

Z Wikipedii, wolnej encyklopedii. Rozkład normalny Rozkład normalny jest niezwykle ważnym rozkładem prawdopodobieństwa w wielu dziedzinach. Nazywa się go także rozkładem Gaussa, w szczególności w fizyce i inżynierii. W zasadzie jest to

Bardziej szczegółowo

Statystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl

Statystyka Opisowa z Demografią oraz Biostatystyka. Zmienne losowe. Aleksander Denisiuk. denisjuk@euh-e.edu.pl Statystyka Opisowa z Demografią oraz Biostatystyka Zmienne losowe Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka p.

Bardziej szczegółowo

... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...

... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu... 4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem

Bardziej szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. 1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się.

Generatory takie mają niestety okres, po którym sekwencja liczb powtarza się. 1 Wstęp Będziemyrozważaćgeneratorytypux n+1 =f(x n,x n 1,...,x n k )(modm). Zakładamy,żeargumentamifunkcjifsąliczbycałkowitezezbioru0,1,...,M 1. Dla ustalenia uwagi mogą to być generatory liniowe typu:

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 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Bardziej szczegółowo

Komputerowa Analiza Danych Doświadczalnych

Komputerowa Analiza Danych Doświadczalnych Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek: 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd

Bardziej szczegółowo

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka

EGZAMIN DYPLOMOWY, część II, 20.09.2006 Biomatematyka Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w całej populacji wynoszą p 2, 2pq i q 2. Wiadomo, że czynnik selekcyjny sprawia, że osobniki o genotypie aa nie rozmnażają się. 1. Wyznacz częstości

Bardziej szczegółowo

Metoda Monte Carlo i jej zastosowania

Metoda Monte Carlo i jej zastosowania i jej zastosowania Tomasz Mostowski Zajęcia 31.03.2008 Plan 1 PWL 2 3 Plan PWL 1 PWL 2 3 Przypomnienie PWL Istnieje wiele wariantów praw wielkich liczb. Wspólna ich cecha jest asymptotyczne zachowanie

Bardziej szczegółowo

Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe

Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Rachunek Prawdopodobieństwa istatystyka W4 Rozkład normalny Parametry rozkładu zmienne losowe Zmienne losowe wielowymiarowe Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Rozkład normalny - standaryzaca

Bardziej szczegółowo

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2

Instytut Matematyczny Uniwersytet Wrocławski. Zakres egzaminu magisterskiego. Wybrane rozdziały anazlizy i topologii 1 i 2 Instytut Matematyczny Uniwersytet Wrocławski Zakres egzaminu magisterskiego Wybrane rozdziały anazlizy i topologii 1 i 2 Pojęcia, fakty: Definicje i pojęcia: metryka, iloczyn skalarny, norma supremum,

Bardziej szczegółowo

Mariusz Kaszubowski Katedra Statystyki Wydział Zarządzania i Ekonomii Politechnika Gdańska. Statystyka Mariusz Kaszubowski

Mariusz Kaszubowski Katedra Statystyki Wydział Zarządzania i Ekonomii Politechnika Gdańska. Statystyka Mariusz Kaszubowski Mariusz Kaszubowski Katedra Statystyki Wydział Zarządzania i Ekonomii Politechnika Gdańska Zmienna losowa i jej rozkład Statystyka matematyczna Podstawowe pojęcia Zmienna losowa (skokowa, ciągła) Rozkład

Bardziej szczegółowo

Liczby zespolone. Magdalena Nowak. 23 marca Uniwersytet Śląski

Liczby zespolone. Magdalena Nowak. 23 marca Uniwersytet Śląski Uniwersytet Śląski 23 marca 2012 Ciało liczb zespolonych Rozważmy zbiór C = R R, czyli C = {(x, y) : x, y R}. W zbiorze C definiujemy następujące działania: dodawanie: mnożenie: (a, b) + (c, d) = (a +

Bardziej szczegółowo

Finansowe szeregi czasowe

Finansowe szeregi czasowe 24 kwietnia 2009 Modelem szeregu czasowego jest proces stochastyczny (X t ) t Z, czyli rodzina zmiennych losowych, indeksowanych liczbami całkowitymi i zdefiniowanych na pewnej przestrzeni probabilistycznej

Bardziej szczegółowo

Generacja liczb pseudolosowych

Generacja liczb pseudolosowych Generacja liczb pseudolosowych Zapis liczb w komputerze Generatory liczb pseudolosowych Liniowe kongruentne Liniowe mutiplikatywne kongruentne Jakość generatorów Test widmowy Generowanie liczb losowych

Bardziej szczegółowo

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie

Bardziej szczegółowo

Pakiet edukacyjny do nauki przedmiotów ścisłych i kształtowania postaw przedsiębiorczych

Pakiet edukacyjny do nauki przedmiotów ścisłych i kształtowania postaw przedsiębiorczych ZESPÓŁ SZKÓŁ HANDLOWO-EKONOMICZNYCH IM. MIKOŁAJA KOPERNIKA W BIAŁYMSTOKU Pakiet edukacyjny do nauki przedmiotów ścisłych i kształtowania postaw przedsiębiorczych Mój przedmiot matematyka spis scenariuszy

Bardziej szczegółowo

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp. Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.

Bardziej szczegółowo

PODSTAWOWE ROZKŁADY ZMIENNYCH LOSOWYCH CIĄGŁYCH

PODSTAWOWE ROZKŁADY ZMIENNYCH LOSOWYCH CIĄGŁYCH Opracowała: Joanna Kisielińska 1 PODSTAWOWE ROZKŁADY ZMIENNYCH LOSOWYCH CIĄGŁYCH Rozkład normalny Zmienna losowa X ma rozkład normalny z parametrami µ i σ (średnia i odchylenie standardowe), jeśli jej

Bardziej szczegółowo

Wycena papierów wartościowych - instrumenty pochodne

Wycena papierów wartościowych - instrumenty pochodne Matematyka finansowa - 8 Wycena papierów wartościowych - instrumenty pochodne W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,

Bardziej szczegółowo

φ(x 1,..., x n ) = a i x 2 i +

φ(x 1,..., x n ) = a i x 2 i + Teoria na egzamin z algebry liniowej Wszystkie podane pojęcia należy umieć określić i podać pprzykłady, ewentualnie kontrprzykłady. Ponadto należy znać dowody tam gdzie to jest zaznaczone. Liczby zespolone.

Bardziej szczegółowo

Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych

Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Procesy stochastyczne

Bardziej szczegółowo

a)dane są wartości zmiennej losowej: 2, 4, 2, 1, 1, 3, 2, 1. Obliczyć wartość średnią i wariancję.

a)dane są wartości zmiennej losowej: 2, 4, 2, 1, 1, 3, 2, 1. Obliczyć wartość średnią i wariancję. Zad Rozkład zmiennej losowej dyskretnej : a)dane są wartości zmiennej losowej: 2, 4, 2,,, 3, 2,. Obliczyć wartość średnią i wariancję. b)oceny z pracy klasowej w tabeli: Ocena 2 3 4 5 6 Liczba uczniów

Bardziej szczegółowo

Algorytmy, które estymują wprost rozkłady czy też mapowania z nazywamy algorytmami dyskryminacyjnymi.

Algorytmy, które estymują wprost rozkłady czy też mapowania z nazywamy algorytmami dyskryminacyjnymi. Spis treści 1 Wstęp: generatywne algorytmy uczące 2 Gaussowska analiza dyskryminacyjna 2.1 Gaussowska analiza dyskryminacyjna a regresja logistyczna 3 Naiwny Klasyfikator Bayesa 3.1 Wygładzanie Laplace'a

Bardziej szczegółowo

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak

Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN

Bardziej szczegółowo

Transformacja Fouriera i biblioteka CUFFT 3.0

Transformacja Fouriera i biblioteka CUFFT 3.0 Transformacja Fouriera i biblioteka CUFFT 3.0 Procesory Graficzne w Zastosowaniach Obliczeniowych Karol Opara Warszawa, 14 kwietnia 2010 Transformacja Fouriera Definicje i Intuicje Transformacja z dziedziny

Bardziej szczegółowo

Symulacyjne metody wyceny opcji amerykańskich

Symulacyjne metody wyceny opcji amerykańskich Metody wyceny Piotr Małecki promotor: dr hab. Rafał Weron Instytut Matematyki i Informatyki Politechniki Wrocławskiej Wrocław, 0 lipca 009 Metody wyceny Drzewko S 0 S t S t S 3 t S t St St 3 S t St St

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

Przekształcenia liniowe

Przekształcenia liniowe Przekształcenia liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 4. wykład z algebry liniowej Warszawa, październik 2010 Mirosław Sobolewski (UW) Warszawa, wrzesień 2006 1 / 7

Bardziej szczegółowo

1 Zmienne losowe wielowymiarowe.

1 Zmienne losowe wielowymiarowe. 1 Zmienne losowe wielowymiarowe. 1.1 Definicja i przykłady. Definicja1.1. Wektorem losowym n-wymiarowym(zmienna losowa n-wymiarowa )nazywamywektorn-wymiarowy,któregoskładowymisązmiennelosowex i dlai=1,,...,n,

Bardziej szczegółowo

Definicja 7.4 (Dystrybuanta zmiennej losowej). Dystrybuantą F zmiennej losowej X nazywamy funkcję: Własności dystrybuanty zmiennej losowej:

Definicja 7.4 (Dystrybuanta zmiennej losowej). Dystrybuantą F zmiennej losowej X nazywamy funkcję: Własności dystrybuanty zmiennej losowej: Definicja 7.4 (Dystrybuanta zmiennej losowej). Dystrybuantą F zmiennej losowej X nazywamy funkcję: F (t) P (X t) < t < Własności dystrybuanty zmiennej losowej: jest niemalejąca: 0 F (t) jest prawostronnie

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2016/2017 Wprowadzenie Przykład 1 Bolek, Lolek i Tola

Bardziej szczegółowo

Macierze - obliczanie wyznacznika macierzy z użyciem permutacji

Macierze - obliczanie wyznacznika macierzy z użyciem permutacji Macierze - obliczanie wyznacznika macierzy z użyciem permutacji I LO im. F. Ceynowy w Świeciu Radosław Rudnicki joix@mat.uni.torun.pl 17.03.2009 r. Typeset by FoilTEX Streszczenie Celem wykładu jest wprowadzenie

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

W1. Wprowadzenie. Statystyka opisowa

W1. Wprowadzenie. Statystyka opisowa W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład

Bardziej szczegółowo

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych.

Podczas zajęć będziemy zajmować się głownie procesami ergodycznymi zdefiniowanymi na przestrzeniach ciągłych. Trochę teorii W celu przeprowadzenia rygorystycznej ekonometrycznej analizy szeregu finansowego będziemy traktowali obserwowany ciąg danych (x 1, x 2,..., x T ) jako realizację pewnego procesu stochastycznego.

Bardziej szczegółowo

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ L.p. 1. Liczby rzeczywiste 2. Wyrażenia algebraiczne bada, czy wynik obliczeń jest liczbą

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

KLUCZ PUNKTOWANIA ODPOWIEDZI

KLUCZ PUNKTOWANIA ODPOWIEDZI Egzamin maturalny maj 009 MATEMATYKA POZIOM PODSTAWOWY KLUCZ PUNKTOWANIA ODPOWIEDZI Zadanie 1. Matematyka poziom podstawowy Wyznaczanie wartości funkcji dla danych argumentów i jej miejsca zerowego. Zdający

Bardziej szczegółowo

Widoczność zmiennych Czy wartości każdej zmiennej można zmieniać w dowolnym miejscu kodu? Czy można zadeklarować dwie zmienne o takich samych nazwach?

Widoczność zmiennych Czy wartości każdej zmiennej można zmieniać w dowolnym miejscu kodu? Czy można zadeklarować dwie zmienne o takich samych nazwach? Część XVIII C++ Funkcje Widoczność zmiennych Czy wartości każdej zmiennej można zmieniać w dowolnym miejscu kodu? Czy można zadeklarować dwie zmienne o takich samych nazwach? Umiemy już podzielić nasz

Bardziej szczegółowo

Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.)

Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. 2 godz. = 76 godz.) Rozkład materiału z matematyki dla II klasy technikum zakres podstawowy I wariant (38 tyg. godz. = 76 godz.) I. Funkcja i jej własności.4godz. II. Przekształcenia wykresów funkcji...9 godz. III. Funkcja

Bardziej szczegółowo

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny

Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny Zmienne losowe dyskretne i Zmienne losowe ciągłe Rozkład Normalny 1. Wyprodukowanie określonej liczby wyrobów przez jednego pracownika w ciągu godziny jest zmienną losową o następującym rozkładzie prawdopodobieństwa:

Bardziej szczegółowo

Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r=

Program MC. Obliczyć radialną funkcję korelacji. Zrobić jej wykres. Odczytać z wykresu wartość radialnej funkcji korelacji w punkcie r= Program MC Napisać program symulujący twarde kule w zespole kanonicznym. Dla N > 100 twardych kul. Gęstość liczbowa 0.1 < N/V < 0.4. Zrobić obliczenia dla 2,3 różnych wartości gęstości. Obliczyć radialną

Bardziej szczegółowo

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2 STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2 Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Słowo statystyka pochodzi od łacińskiego słowa status, które oznacza

Bardziej szczegółowo

Matematyka zajęcia fakultatywne (Wyspa inżynierów) Dodatkowe w ramach projektu UE

Matematyka zajęcia fakultatywne (Wyspa inżynierów) Dodatkowe w ramach projektu UE PROGRAM ZAJĘĆ FAKULTATYWNYCH Z MATEMATYKI DLA STUDENTÓW I ROKU SYLABUS Nazwa uczelni: Wyższa Szkoła Przedsiębiorczości i Administracji w Lublinie ul. Bursaki 12, 20-150 Lublin Kierunek Rok studiów Informatyka

Bardziej szczegółowo

SIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY

SIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Weryfikacja hipotez statystycznych Statystyka i demografia PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY

Bardziej szczegółowo

Środowisko R wprowadzenie c.d. Wykład R2; 21.05.07 Struktury danych w R c.d.

Środowisko R wprowadzenie c.d. Wykład R2; 21.05.07 Struktury danych w R c.d. Środowisko R wprowadzenie c.d. Wykład R2; 21.05.07 Struktury danych w R c.d. Oprócz zmiennych i wektorów strukturami danych w R są: macierze; ramki (ang. data frames); listy; klasy S3 1 Macierze Macierze

Bardziej szczegółowo

Podstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24)

Podstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24) Podstawy Automatyki wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak Politechnika Wrocławska Instytut Technologii Maszyn i Automatyzacji (I-24) Laboratorium Podstaw Automatyzacji (L6) 105/2 B1 Sprawy organizacyjne

Bardziej szczegółowo

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE

Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie

Bardziej szczegółowo

Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2011/2012

Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2011/2012 Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Karta Instytut Pedagogiczny obowiązuje studentów rozpoczynających studia w roku akademickim 011/01 Kierunek studiów: Matematyka Profil: Ogólnoakademicki Forma

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki

STATYSTYKA Statistics. Inżynieria Środowiska. II stopień ogólnoakademicki Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/13 STATYSTYKA

Bardziej szczegółowo

Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska)

Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska) Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska) Twierdzenie (o mnożeniu) Podstawowe pojęcia i wzory kombinatoryczne. Niech,, będą zbiorami mającymi odpowiednio,,

Bardziej szczegółowo

Modelowanie komputerowe

Modelowanie komputerowe Modelowanie komputerowe wykład 5- Klasyczne systemy kolejkowe i ich analiza dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 16,23listopada2015r. Analiza

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2014 Matematyka w ekonomii i ubezpieczeniach

EGZAMIN MAGISTERSKI, czerwiec 2014 Matematyka w ekonomii i ubezpieczeniach Matematyka w ekonomii i ubezpieczeniach Sprawdź, czy wektor x 0 = (0,5,,0,0) jest rozwiązaniem dopuszczalnym zagadnienia programowania liniowego: Zminimalizować 3x 1 +x +x 3 +4x 4 +6x 5, przy ograniczeniach

Bardziej szczegółowo

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ MATEMATYKA I SEMESTR ALK (PwZ). Sumy i sumy podwójne : Σ i ΣΣ.. OKREŚLENIE Ciąg liczbowy = Dowolna funkcja przypisująca liczby rzeczywiste pierwszym n (ciąg skończony), albo wszystkim (ciąg nieskończony)

Bardziej szczegółowo

SPIS TREŚCI WSTĘP... 8 1. LICZBY RZECZYWISTE 2. WYRAŻENIA ALGEBRAICZNE 3. RÓWNANIA I NIERÓWNOŚCI

SPIS TREŚCI WSTĘP... 8 1. LICZBY RZECZYWISTE 2. WYRAŻENIA ALGEBRAICZNE 3. RÓWNANIA I NIERÓWNOŚCI SPIS TREŚCI WSTĘP.................................................................. 8 1. LICZBY RZECZYWISTE Teoria............................................................ 11 Rozgrzewka 1.....................................................

Bardziej szczegółowo

ZAKRES PODSTAWOWY CZĘŚĆ II. Wyrażenia wymierne

ZAKRES PODSTAWOWY CZĘŚĆ II. Wyrażenia wymierne CZĘŚĆ II ZAKRES PODSTAWOWY Wyrażenia wymierne Temat: Wielomiany-przypomnienie i poszerzenie wiadomości. (2 godz.) znać i rozumieć pojęcie jednomianu (2) znać i rozumieć pojęcie wielomianu stopnia n (2)

Bardziej szczegółowo

mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 4, strona 1. GOLOMBA I RICE'A

mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 4, strona 1. GOLOMBA I RICE'A mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 4, strona 1. KOMPRESJA ALGORYTMEM ARYTMETYCZNYM, GOLOMBA I RICE'A Idea algorytmu arytmetycznego Przykład kodowania arytmetycznego Renormalizacja

Bardziej szczegółowo

Matematyka do liceów i techników Szczegółowy rozkład materiału Zakres podstawowy

Matematyka do liceów i techników Szczegółowy rozkład materiału Zakres podstawowy Matematyka do liceów i techników Szczegółowy rozkład materiału Zakres podstawowy Wariant nr (klasa I 4 godz., klasa II godz., klasa III godz.) Klasa I 7 tygodni 4 godziny = 48 godzin Lp. Tematyka zajęć

Bardziej szczegółowo

ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ

ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ ANALIZA STATYSTYCZNA WYNIKÓW BADAŃ Dopasowanie rozkładów Dopasowanie rozkładów- ogólny cel Porównanie średnich dwóch zmiennych 2 zmienne posiadają rozkład normalny -> test parametryczny (t- studenta) 2

Bardziej szczegółowo

MATEMATYKA - CYKL 5 GODZINNY. DATA : 8 czerwca 2009

MATEMATYKA - CYKL 5 GODZINNY. DATA : 8 czerwca 2009 MATURA EUROPEJSKA 2009 MATEMATYKA - CYKL 5 GODZINNY DATA : 8 czerwca 2009 CZAS TRWANIA EGZAMINU: 4 godziny (240 minut) DOZWOLONE POMOCE : Europejski zestaw wzorów Kalkulator (bez grafiki, bez możliwości

Bardziej szczegółowo

Rachunek prawdopodobieństwa dla informatyków

Rachunek prawdopodobieństwa dla informatyków Rachunek prawdopodobieństwa dla informatyków Adam Roman Instytut Informatyki UJ Wykład 7 teoria kolejek prawo Little a systemy jedno- i wielokolejkowe 1/75 System kolejkowy System kolejkowy to układ złożony

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

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych

Bardziej szczegółowo

Wykład 9: Markov Chain Monte Carlo

Wykład 9: Markov Chain Monte Carlo RAP 412 17.12.2008 Wykład 9: Markov Chain Monte Carlo Wykładowca: Andrzej Ruciński Pisarz: Ewelina Rychlińska i Wojciech Wawrzyniak Wstęp W tej części wykładu zajmiemy się zastosowaniami łańcuchów Markowa

Bardziej szczegółowo

Nieskończona jednowymiarowa studnia potencjału

Nieskończona jednowymiarowa studnia potencjału Nieskończona jednowymiarowa studnia potencjału Zagadnienie dane jest następująco: znaleźć funkcje własne i wartości własne operatora energii dla cząstki umieszczonej w nieskończonej studni potencjału,

Bardziej szczegółowo

Od neuronu do sieci: modelowanie układu nerwowego

Od neuronu do sieci: modelowanie układu nerwowego Od neuronu do sieci: modelowanie układu nerwowego Stochastyczne modele generacji iglic Kodowanie informacji w układzie nerwowym dr Daniel Wójcik Na podstawie podręcznika THEORETICAL NEUROSCIENCE Petera

Bardziej szczegółowo

Planowanie eksperymentu (optymalizacja procesów chemicznych)

Planowanie eksperymentu (optymalizacja procesów chemicznych) Planowanie eksperymentu (optymalizacja procesów chemicznych) dr inż. Agnieszka Gadomska-Gajadhur E-mail: agadomska@ch.pw.edu.pl Lab. Pawilon, nr tel. 34 54 63 Plan wykładu Dlaczego planujemy eksperymenty?

Bardziej szczegółowo

uzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem próbkowania t takim, że T = t N 1 t

uzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem próbkowania t takim, że T = t N 1 t 4. 1 3. " P r ze c ie k " w idm ow y 1 0 2 4.13. "PRZECIEK" WIDMOWY Rozważmy szereg czasowy {x r } dla r = 0, 1,..., N 1 uzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem

Bardziej szczegółowo

Wprowadzenie do programu Mathcad 15 cz. 1

Wprowadzenie do programu Mathcad 15 cz. 1 Wpisywanie tekstu Wprowadzenie do programu Mathcad 15 cz. 1 Domyślnie, Mathcad traktuje wpisywany tekst jako wyrażenia matematyczne. Do trybu tekstowego można przejść na dwa sposoby: Zaczynając wpisywanie

Bardziej szczegółowo

Matematyczne Podstawy Informatyki

Matematyczne Podstawy Informatyki Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Informacje podstawowe 1. Konsultacje: pokój

Bardziej szczegółowo