Niegaussowskie procesy stochastyczne w oceanotechnice

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Niegaussowskie procesy stochastyczne w oceanotechnice"

Transkrypt

1 Niegaussowskie procesy stochastyczne w oceanotechnice Joanna Dys 29 listopada 2009 Streszczenie Referat na podstawie artykułu Michela K. Ochi, Non-Gaussian random processes in ocean engineering, Probabilistic Engineering Mechanics, 986 Wstępne przypomnienia Definicja. Funkcją charakterystyczną zmiennej losowej X nazwiemy funkcję wyrażającą się wzorem: φ(t = E(e itx = e itx f(xdx Definicja 2 (Kumulanta. Kumulantami κ n rozkładu nazwiemy wielkości spełniające: ( κn φ(t = exp (itn Funkcją generującą kumulanty nazwiemy logarytm funkcji charakterystycznej: (it j ψ(t = ln φ(t = κ j j! Kumulanty są powiązane z momentami zwykłymi wzorami wielomianowymi (których nie będę tu przytaczać. Innymi słowy, znając kumulanty, możemy wyznaczyć momenty i na odwrót. Zapamiętajmy tylko, że: m = κ m 2 = κ 2 + κ 2 zatem κ 2 = σ 2 2 Fala jako proces niegaussowski Falowanie jest to oscylacyjny ruch cząstek wody po orbitach kołowych lub eliptycznych. Aby uniknąć niejasności, w tym referacie będę mówić wyłącznie o za: Wikipedia

2 falach generowanych przez wiatr. Ponieważ wiatr jest zjawiskiem losowym, losowa jest także fala. Na wielkość i strukturę fali wpływa kilka czynników: przede wszystkim prędkość wiatru, jak wielki jest obszar na którym wieje (tzw. rozbieg fal i jak długo wieje, a także głębokość wody. W szczególności, na wodach oceanicznych, gdzie woda ma dużą głębokość, ruch cząsteczek wody jest kolisty, podczas gdy bliżej brzegu orbity ulegają spłaszczeniu do elipsoid. Modelowanie fal jest zatem kwestią złożoną i wymaga pewnych upraszczających założeń. W początkowych badaniach procesów stochastycznych niemal zawsze zakładano więc, że proces fal jest stacjonarny i ergodyczny 2 oraz że odchylenie od średniej ma rozkład normalny. Te założenia sprawdziły się w wielu przypadkach, okazało się jednak, że pewne sytuacje nie dają się wymodelować w ten sposób. Przykładem może być właśnie fala na wodzie o skończonej (w domyśle: niewielkiej głębokości. Liczne obserwacje wykazują, że na wodzie o skończonej głębokości występuje przewaga wysokich grzbietów i płytkich dołów fali, podczas gdy w wodzie głębokiej takie zależności nie występują (patrz: wykres. Innym przykładem niegaussowskiego procesu w oceanotechnice jest zachowanie wody w odpowiedzi na instalacje przybrzeżne np. plafrotmy wiertnicze. Jeśli taka struktura ma mocno nieliniową charakterystykę np. platformę cięgnową. W takim wypadku, nawet jeśli morze/ocean jest procesem gaussowskim, to po takim nieliniowym zaburzeniu fala może być niegaussowska. Przykłady takich niegaussowskich rozkładów zaprezentuję później, gdy już poznamy sposoby konstruowania takich rozkładów. 3 Rozkłady prawdopodobieństwa dla niegaussowskich procesów stochastycznych Będziemy rozważać aproksymację funkcji gęstości prawdopodobieństwa. Generalnie, funkcje gęstości, które znajdują zastosowanie w rezprezentacji niegaussowskich procesów w oceanotechnice możemy podzielić na dwie grupy: te powstale na drodze rozważań probabilistycznych i te wyprowadzone przy użyciu teorii fal Stokesa. Pierwsze podejście jest zapewne nam, matematykom, bliższe, jako, że korzysta wyłącznie z teorii prawdopodobieństwa. 3. Rozkłady oparte na teorii prawdopodobieństwa 3.. Rozkład ciągu Grama-Charliera Wyprowadzanie funkcji gęstości Grama-Charliera opiera się na następującej idei: nie znamy dokładnego rozkładu fal, ale możemy przybliżać pewne momenty tego 2 tzn. lim T E{ T t 0 +T t 0 X(tdt m x}] 2 = 0 2

3 rozkładu. Następnie, możemy rozwinąć funkcję w szereg w pewnej bazie wielomianowej, tak, by współczynniki rozwinięcia oparte były właśnie na wyliczonych momentach (a dokładniej ich estymatorach. Funkcja gęstości Grama-Charliera opiera się zatem na wielomianach ortogonalnych względem funkcji gęstości. Konkretniej rzecz biorąc, będziemy wykorzystywać wielomiany Hermite a. Aby móc spokojnie zająć się konstrukcją, wyprowadźmy i przedstawmy najpierw kilka podstawowych faktów o wielomianach Hermite a. Definicja 3 (Wielomian Hermite a. 3 Wielomianem Hermite a stopnia n, ozn. H n (z nazywamy funkcję, która spełnia następujące równanie: d n 2 dz n e z /2 = ( n H n (z e z2 /2 Z powyższego równania możemy wyznaczyć kolejne wielomiany Hermite a. H 0 (z = H (z = z H 2 (z = z 2 H 3 (z = z 3 3z H 4 (z = z 4 6z H 5 (z = z 5 0z 3 + 5z H 6 (z = z 6 5z z 2 5, itd. Obserwacja (Różniczkowanie wielomianów Hermite a. Dla wielomianów Hermite a zachodzi następująca własność: ( d dz H n(z = n H n (z (2 Niech α(z będzie gęstością rozkładu normalnego: Pokażemy następujące twierdzenie: α(z = e z2 /2 Twierdzenie (Ortogonalność wielomianów Hermite a. Wielomiany postaci (/ H n (z są ortonormalne, z funkcją wagową będącą gęstością rozkładu normalnego α(z. Zatem: H m (z ] H n (z α(zdz = m! 3 Jest to definicja tzw. probabilistycznych wielomianów Hermite a. Fizycy wolą postać: H n(z = ( n e z2 d n dz n e z2 { 0 (3 3

4 Dokładniej mówiąc, wielomiany Hermite a tworzą bazę ortogonalną przestrzeni Hilberta funkcji, dla których: z iloczynem skalarnym: f(z 2 α(zdz < f(z g(zα(zdz < Dowód. (Dla przypadku rzeczywistego Zacznijmy od przecałkowania wyrażenia bez stałych: H m (xh n (xα(xdx = ( n H m (x dn dx n α(xdx= części = ( n H m (x dn dx ] α(x n + d dx H m(x dn α(xdx dxn Pierwsza część jest równa zero (dlaczego?, do drugiej zastosujemy obserwację (2. Stosując powyższą metodę różniczkowania m-krotnie, otrzymujemy w końcu: = H m (xh n (xα(xdx = ( n m m! { jeśli m = n 0 jeśli m n α(xdx = m! n m d n m dx H n m α(xdx = Zatem ostatecznie otrzymujemy pożądaną własność (3 Biorąc pod uwagę tan fakt, rozważmy dowolną z góry zadaną standaryzowaną 4 funkcję gęstości prawdopodobieństwa f(x i rozwińmy ją w szereg postaci: f(x = a 0 α(x + a α ( (x + a 2 α (2 (x + a 3 α (3 (x +..., gdzie a n to pewne nieznane stałe, a α (n (x = dn dx n α(x Z definicji wielomianów Hermite a możemy wyrazić f w bazie wyznaczonej przez te wielomiany: f(x = α(x (a 0 H 0 (x a H (x + a 2 H 2 (x a 3 H 3 (x +..., 4 standaryzowana zmienna, to taka, dla której m = 0, m 2 = 4

5 ( H 0 (x H = α(x c 0 (x H c 2 (x H + c 2 3 (x a , 0!! 2! 3! = α(x ( n H n (x c n, gdzie c = n a n nieznane. Aby wyznaczyć nieznane wielkości c n, możey pomnożyć f(x przez H n (x/ i odcałkować po przedziale od do. Ponieważ wielomiany {H n (x/ } n są ortonormalne względem funkcji wagowej α(x, mamy: Zatem mamy: H n (x f(xdx = ( n c n c n = ( n H 2 n(x α(xdx = ( n c n H n (xf(xdx Pamiętając o tym, że funkcja gęstości jest standaryzowana, możemy wyliczyć współczynniki c n : c 0 (x = H 0 (xf(xdx = c (x = c 2 (x = 2! c 3 (x = 3! m 3 c 4 (x = 4! (m 4 3 c 5 (x = 5! (m 5 0m 3, H (xf(xdx = m = 0 H 2 (xf(xdx = 2! (m 2 c 6 (x = 6! (m 6 5m , itd. Gdzie oczywiście m j oznacza j-ty moment standaryzowanej zmiennej losowej. Zatem ostatecznie, możemy zapisać naszą funkcję gęstości w postaci: f(x = e x2 /2 + m3 3! H 3(x + m 4 3 H 4 (x + m ] 5 0m 3 H 5 (x ! 5! (4 Powyższa forma nazywana jest szeregiem Grama-Charliera typu A dla funkcji gęstości prawdopodobieństwa. Zapiszmy to jeszcze z wykorzystaniem kumulant zamiast momentów (wyprowadzenia sobie oszczędzę: f(x = e x2 2σ 2 + κ 3 σ 3!σ 3 H 3 ( x µ σ + κ 4 4!σ 4 H 4 ( x µ σ + κ 5 5!σ 5 H 5 ( ] x µ σ (5 5

6 Równoważnie, podstawiając λ j = κ j /σ j : f(x = e x2 2σ 2 + λ ( 3 x σ 3! H 3 + λ ( 4 x σ 4! H 4 + λ ( ] 5 x σ 5! H σ ( Szereg Edgeworthe a Edgeworth zaproponował podobne rozwinięcie w szereg funkcji gęstości, jako poprawkę do CTG. Niech zmienna losowa X będzie sumą losowej próbki rozmiaru n, (x,..., x n. Wielkości x n reprezentują tu błędy związane z każdą z n obserwacji. Stąd, są one parami niezależne i możemy zakładać, że wszystkie mają ten sam rozkład (niekoniecznie normalny, o średniej m r i wariancji σr. 2 oznaczmy funkcję charakterystyczną zmiennej losowej x r m r jako φ r (t 6. Wówczas dla zestandaryzowanej zmiennej Z = (X r m r /σ r funkcja charakterystyczna ma postać φ r (t/σ r. Zatem po przesumowaniu otrzymujemy funkcję charakterystyczną standaryzacji zmiennej X, oznaczonej przez Z = (X nm r /( nσ r : ( ] t φ(t = φ r (7 nσr Będziemy teraz przekształcać to równanie. Zauważmy, że jeśli przez f(x oznaczymy gęstość funkcji Z, to z definicji funkcji charakterystycznej mamy: e t2 /2 φ(t = e t2 /2+itx f(xdx (8 A z drugiej strony, mamy następującą formułę wielomianową: H n (z t n = e t2 /2+tz A zatem, podstawiając it w miejsce t, mamy: H n (z (it n = e t2 /2+itz (9 (0 I podstawiając do to równania (8 otrzymujemy: e t2 /2 φ(t = = (it n H n (x (it n f(xdx = H n (xf(xdx = ( c n (it n 6 Edgworth używa funkcji generującej momenty zamiast funkcji charakterystycznej 6

7 Gdzie c n jest tym samym parametrem, co powyżej, przy metodzie Grama- Charliera. W tym momencie jednak wartości c n wciąż nie są znane. Aby je obliczyć, wróćmy do równania funkcji charakterystycznej phi r (t Wiemy, że, oznaczając wartośc j-tej kumulanty zmiennej (X r m r przez κ rj, mamy: φ r (t = exp (it j κ rj j! Zatem biorąc pod uwagę relację (7, funkcja charakterystyczna zmiennej Z wygląda następująco: ( j κ rj it φ(t = exp n j! n Należy odnotować, że λ r = 0, więc możemy sumować od j = 2. Ponadto λ r2 =, gdyż zmienna X r m r jest scentrowana, o zerowej średniej i wartości oczekiwanej σr 2 = κ r2. Po wymnożeniu obu stron przez e t2 /2 mamy: e t2 /2 φ(t = exp n = exp n n (it2 j=2 λ rj j! ( j it + n (it2 n 2!n + t2 = exp n 2 ( λ j r(j+2 it = (j + 2! n (it 2s s! s=0 λ rj j! ( j it = n s ( λ j r(j+2 it (j + 2! n Po zauważeniu, że σ 2 = nσr 2 oraz κ = nκ r, oznaczając λ = κ j /σ j, mamy: λ = Stąd możemy przepisać nasze równanie w postaci: λrj n j/2 e t2 /2 φ(t = (it 2s λ j+2 s! (j + 2! (itj s=0 s (2 Porównując teraz wyrazy rozwinięcia w ( i (2 mamy: c 0 = c = c 2 = 0 c 3 = λ3 3! c 4 = λ4 4!, itd. Ostatecznie: f(x = σ e x2 2σ 2 ( n c ( n x H n σ (3 Czyli to samo, co w rozwinięciu Grama-Charliera, kompletnie inną metodą. 7

8 3..3 Szereg Longuet-Higginsa Longuet-Higgins wyprowadził swój szereg funkcji gęstości w oparciu o funkcję generującą kumulanty. Wykorzystamy ją w odwrotnej transformacie Fouriera. Wiemy, że funkcja gęstości da się przedstawić jako: f(x = exp itx φ(tdt = exp (ψ(t itx dt = = ( exp (κ xit + κ 2 2! (it2 + κ 3 3! (it dt Teraz unormujemy (ustandaryzujemy zmienną X zgodnie z konwencją: Z = X κ k2 t = s/ κ 2 λ j = κ j /(κ 2 j/2 7 Używając ten notacji, możemy zapisać funkcję gęstości wystandaryzowanej zmiennej Z jako: f(x = exp ] 2 (s2 + 2ixs exp j! λ j(is j ds Drugi czynnnik możemy rozwinąć w szereg: 2 exp j! λ j(is j = + j! λ j(is j + 2! j! λ j(is j +... = = + 3! λ 3(is 3 + 4! λ 4(is 4 + 5! λ 5(is 5 + 6! λ 6 + ] 2!(3! 2 λ2 3 (is Ponadto, możemy napisać w ogólności: exp ] 2 (s2 + 2ixs (is n ds = ( n d n dx n F ourier = ( n dn 2 dx n e x /2 = H n (xe x2 /2 (4 exp ] 2 (s2 + 2ixs ds = 7 Zauważmy przy okazji, że λ 3 i λ 4 są, odpowiednio, skośnością i kurtozą zmiennej (5 8

9 Zatem, biorąc pod uwagę (4 i (5, standaryzowaną gęstość prawdopodobieńtwa możemy zapisać jako: f(x = = e x2 /2 exp ] 2 (s2 + 2ixs + λ 3 3! (is3 + λ 4 + λ 3 3! H 3(x + λ 4 4! H 4(x + λ 5 5! H 5(x + ] 4! (is ( λ6 6! + λ2 3 2!(3! 2 ds = ] H 6 (x +... ds Zatem dla zmiennej losowej scentrowanej (średnia= 0 i wariancji σ 2 otrzymujemy znowu ten sam wzór, co w dwóch poprzednich wyprowadzeniach. Jednak wyprowadzenie Longueta-Higginsa jest bardziej zwięzłe i wprost. Warto wspomnieć, że Longuet-Higgins posłużył się tym samym wyprowadzeniem dla funkcji łącznej gęstości dwóch zmiennych. 4 Zastosowanie do analizy fal wiatrowych (omówienie wykresów (6 9

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

0 + 0 = 0, = 1, = 1, = 0.

0 + 0 = 0, = 1, = 1, = 0. 5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,

Bardziej szczegółowo

Iloczyn skalarny. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 10. wykład z algebry liniowej Warszawa, grudzień 2013

Iloczyn skalarny. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 10. wykład z algebry liniowej Warszawa, grudzień 2013 Iloczyn skalarny Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 10. wykład z algebry liniowej Warszawa, grudzień 2013 Mirosław Sobolewski (UW) Warszawa, grudzień 2013 1 / 14 Standardowy

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

POSTULATY MECHANIKI KWANTOWEJ cd i formalizm matematyczny

POSTULATY MECHANIKI KWANTOWEJ cd i formalizm matematyczny POSTULATY MECHANIKI KWANTOWEJ cd i formalizm matematyczny Funkcja Falowa Postulat 1 Dla każdego układu istnieje funkcja falowa (funkcja współrzędnych i czasu), która jest ciągła, całkowalna w kwadracie,

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

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

Rozdział 2. Liczby zespolone

Rozdział 2. Liczby zespolone Rozdział Liczby zespolone Zbiór C = R z działaniami + oraz określonymi poniżej: x 1, y 1 ) + x, y ) := x 1 + x, y 1 + y ), 1) x 1, y 1 ) x, y ) := x 1 x y 1 y, x 1 y + x y 1 ) ) jest ciałem zob rozdział

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

Definicja i własności wartości bezwzględnej.

Definicja i własności wartości bezwzględnej. Równania i nierówności z wartością bezwzględną. Rozwiązywanie układów dwóch (trzech) równań z dwiema (trzema) niewiadomymi. Układy równań liniowych z parametrem, analiza rozwiązań. Definicja i własności

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów funkcje nieliniowe

KADD Metoda najmniejszych kwadratów funkcje nieliniowe Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji

Bardziej szczegółowo

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne Analiza szeregów czasowych: 5. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Dwa rodzaje modelowania 1. Modelowanie z pierwszych zasad. Znamy prawa

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

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

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

Metoda największej wiarygodności

Metoda największej wiarygodności Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna

Bardziej szczegółowo

4. Równania Cauchy ego Riemanna. lim. = c.. dz z=a Zauważmy, że warunkiem równoważnym istnieniu pochodnej jest istnienie liczby c C, takiej że

4. Równania Cauchy ego Riemanna. lim. = c.. dz z=a Zauważmy, że warunkiem równoważnym istnieniu pochodnej jest istnienie liczby c C, takiej że 4. Równania Caucy ego Riemanna Niec Ω C będzie zbiorem otwartym i niec f : Ω C. Mówimy, że f ma w punkcie a Ω pocodną w sensie zespolonym (jest olomorficzna w a równą c C, jeśli f(z f(a lim = c. z a Piszemy

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

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

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

Wielomiany. dr Tadeusz Werbiński. Teoria

Wielomiany. dr Tadeusz Werbiński. Teoria Wielomiany dr Tadeusz Werbiński Teoria Na początku przypomnimy kilka szkolnych definicji i twierdzeń dotyczących wielomianów. Autorzy podręczników szkolnych podają różne definicje wielomianu - dla jednych

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

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości

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

dr inż. Ryszard Rębowski 1 WPROWADZENIE

dr inż. Ryszard Rębowski 1 WPROWADZENIE dr inż. Ryszard Rębowski 1 WPROWADZENIE Zarządzanie i Inżynieria Produkcji studia stacjonarne Konspekt do wykładu z Matematyki 1 1 Postać trygonometryczna liczby zespolonej zastosowania i przykłady 1 Wprowadzenie

Bardziej szczegółowo

Algebra liniowa z geometrią

Algebra liniowa z geometrią Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........

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

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

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

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

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

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

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

Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1

Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1 Biotechnologia, Chemia, Chemia Budowlana - Wydział Chemiczny - 1 Równania różniczkowe pierwszego rzędu Równaniem różniczkowym zwyczajnym pierwszego rzędu nazywamy równanie postaci (R) y = f(x, y). Najogólniejszą

Bardziej szczegółowo

Uczeń: -podaje przykłady ciągów liczbowych skończonych i nieskończonych oraz rysuje wykresy ciągów

Uczeń: -podaje przykłady ciągów liczbowych skończonych i nieskończonych oraz rysuje wykresy ciągów Wymagania edukacyjne PRZEDMIOT: Matematyka KLASA: III Th ZAKRES: zakres podstawowy Poziom wymagań Lp. Dział programu Konieczny-K Podstawowy-P Rozszerzający-R Dopełniający-D Uczeń: 1. Ciągi liczbowe. -zna

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

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

Jak łatwo zauważyć, zbiór form symetrycznych (podobnie antysymetrycznych) stanowi podprzestrzeń przestrzeni L(V, V, K). Oznaczamy ją Sym(V ).

Jak łatwo zauważyć, zbiór form symetrycznych (podobnie antysymetrycznych) stanowi podprzestrzeń przestrzeni L(V, V, K). Oznaczamy ją Sym(V ). Odwzorowania n-liniowe; formy n-liniowe Definicja 1 Niech V 1,..., V n, U będą przestrzeniami liniowymi nad ciałem K. Odwzorowanie G: V 1 V n U nazywamy n-liniowym, jeśli dla każdego k [n] i wszelkich

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

x x 0.5. x Przykłady do zadania 4.1 :

x x 0.5. x Przykłady do zadania 4.1 : Rachunek prawdopodobieństwa MAP5 Wydział Elektroniki, rok akad. /, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 4: Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu 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

Wykład 1. Przestrzeń Hilberta

Wykład 1. Przestrzeń Hilberta Wykład 1. Przestrzeń Hilberta Sygnały. Funkcje (w języku inżynierów - sygnały) które będziemy rozważali na tym wykładzie będą kilku typów Sygnały ciągłe (analogowe). ) L (R) to funkcje na prostej spełniające

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

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

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

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania

Bardziej szczegółowo

Wykład 1. Przestrzeń Hilberta

Wykład 1. Przestrzeń Hilberta Wykład 1. Przestrzeń Hilberta Sygnały. Funkcje (w języku inżynierów - sygnały) które będziemy rozważali na tym wykładzie będą kilku typów Sygnały ciągłe (analogowe). ) L 2 (R) to funkcje na prostej spełniające

Bardziej szczegółowo

Formy kwadratowe. Rozdział 10

Formy kwadratowe. Rozdział 10 Rozdział 10 Formy kwadratowe Rozważmy rzeczywistą macierz symetryczną A R n n Definicja 101 Funkcję h : R n R postaci h (x) = x T Ax (101) nazywamy formą kwadratową Macierz symetryczną A występującą w

Bardziej szczegółowo

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:

b) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas: ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań

Bardziej 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

Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON.

Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON. Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON. Zadanie 6. Dane są punkty A=(5; 2); B=(1; -3); C=(-2; -8). Oblicz odległość punktu A od prostej l przechodzącej

Bardziej szczegółowo

Wykład FIZYKA I. 10. Ruch drgający tłumiony i wymuszony. Dr hab. inż. Władysław Artur Woźniak

Wykład FIZYKA I. 10. Ruch drgający tłumiony i wymuszony.  Dr hab. inż. Władysław Artur Woźniak Wykład FIZYKA I 1. Ruch drgający tłumiony i wymuszony Dr hab. inż. Władysław Artur Woźniak Instytut Fizyki Politechniki Wrocławskiej http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html Siły oporu (tarcia)

Bardziej szczegółowo

W. Guzicki Zadanie IV z Informatora Maturalnego poziom rozszerzony 1

W. Guzicki Zadanie IV z Informatora Maturalnego poziom rozszerzony 1 W. Guzicki Zadanie IV z Informatora Maturalnego poziom rozszerzony 1 Zadanie IV. Dany jest prostokątny arkusz kartony o długości 80 cm i szerokości 50 cm. W czterech rogach tego arkusza wycięto kwadratowe

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 6.04.2009 r.

Matematyka ubezpieczeń majątkowych 6.04.2009 r. Matematyka ubezpieczeń majątkowych 6.04.009 r. Zadanie. Niech N oznacza liczbę szkód zaszłych w ciągu roku z pewnego ubezpieczenia z czego: M to liczba szkód zgłoszonych przed końcem tego roku K to liczba

Bardziej szczegółowo

Matematyka dyskretna

Matematyka dyskretna Matematyka dyskretna Wykład 6: Ciała skończone i kongruencje Gniewomir Sarbicki 24 lutego 2015 Relacja przystawania Definicja: Mówimy, że liczby a, b Z przystają modulo m (co oznaczamy jako a = b (mod

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

PRAWO OHMA DLA PRĄDU PRZEMIENNEGO

PRAWO OHMA DLA PRĄDU PRZEMIENNEGO ĆWICZENIE 53 PRAWO OHMA DLA PRĄDU PRZEMIENNEGO Cel ćwiczenia: wyznaczenie wartości indukcyjności cewek i pojemności kondensatorów przy wykorzystaniu prawa Ohma dla prądu przemiennego; sprawdzenie prawa

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

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

Rozdział 9. Funkcja pierwotna. 9.1 Funkcja pierwotna

Rozdział 9. Funkcja pierwotna. 9.1 Funkcja pierwotna Rozdział 9 Funkcja pierwotna 9. Funkcja pierwotna Definicja funkcji pierwotnej. Niech f będzie funkcją określoną na przedziale P. Mówimy, że funkcja F : P R jest funkcją pierwotną funkcji f w przedziale

Bardziej szczegółowo

zestaw DO ĆWICZEŃ z matematyki

zestaw DO ĆWICZEŃ z matematyki zestaw DO ĆWICZEŃ z matematyki poziom podstawowy rozumowanie i argumentacja karty pracy ZESTAW II Zadanie. Wiadomo, że,7 jest przybliżeniem liczby 0,5 z zaokrągleniem do miejsc po przecinku. Wyznacz przybliżenie

Bardziej szczegółowo

Wprowadzenie do szeregów czasowych i modelu ARIMA

Wprowadzenie do szeregów czasowych i modelu ARIMA Wprowadzenie do szeregów czasowych i modelu ARIMA 25.02.2011 Plan 1 Pojęcie szeregu czasowego 2 Stacjonarne szeregi czasowe 3 Model autoregresyjny - AR 4 Model średniej ruchomej - MA 5 Model ARMA 6 ARIMA

Bardziej szczegółowo

Plan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym

Plan wynikowy. Klasa III Technik pojazdów samochodowych/ Technik urządzeń i systemów energetyki odnawialnej. Kształcenie ogólne w zakresie podstawowym Oznaczenia: wymagania konieczne, P wymagania podstawowe, R wymagania rozszerzające, D wymagania dopełniające, W wymagania wykraczające. Plan wynikowy lasa III Technik pojazdów samochodowych/ Technik urządzeń

Bardziej szczegółowo

Obliczenia naukowe Wykład nr 6

Obliczenia naukowe Wykład nr 6 Obliczenia naukowe Wykład nr 6 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [1] D. Kincaid, W. Cheney, Analiza

Bardziej szczegółowo

1 Równania różniczkowe zwyczajne liniowe pierwszego rzędu

1 Równania różniczkowe zwyczajne liniowe pierwszego rzędu Równania różniczkowe zwyczajne liniowe I-go rzędu 1 1 1 Równania różniczkowe zwyczajne liniowe pierwszego rzędu Równaniem różniczkowym zwyczajnym liniowym pierwszego rzędu nazywamy równanie postaci (RL1)

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

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

Twierdzenie spektralne

Twierdzenie spektralne Twierdzenie spektralne Algebrę ograniczonych funkcji borelowskich na K R będziemy oznaczać przez B (K). Spektralnym rozkładem jedności w przestrzeni Hilberta H nazywamy odwzorowanie, które każdemu zbiorowi

Bardziej szczegółowo

A i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.

A i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami. M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A

Bardziej szczegółowo

Propozycje rozwiązań zadań z matematyki - matura rozszerzona

Propozycje rozwiązań zadań z matematyki - matura rozszerzona Jacek Kredenc Propozycje rozwiązań zadań z matematyki - matura rozszerzona Zadanie 1 Zastosujmy trójkąt Paskala 1 1 1 1 2 1 1 3 3 1 Przy iloczynie będzie stał współczynnik 3. Zatem Odpowiedź : C Zadanie

Bardziej szczegółowo

1. Ubezpieczenia życiowe

1. Ubezpieczenia życiowe 1. Ubezpieczenia życiowe Przy ubezpieczeniach życiowych mamy do czynienia z jednorazową wypłatą sumy ubezpieczenia. Moment jej wypłaty i wielkość wypłaty może być funkcją zmiennej losowej T a więc czas

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

A,B M! v V ; A + v = B, (1.3) AB = v. (1.4)

A,B M! v V ; A + v = B, (1.3) AB = v. (1.4) Rozdział 1 Prosta i płaszczyzna 1.1 Przestrzeń afiniczna Przestrzeń afiniczna to matematyczny model przestrzeni jednorodnej, bez wyróżnionego punktu. Można w niej przesuwać punkty równolegle do zadanego

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

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone

Rozdział 4. Ciągi nieskończone. 4.1 Ciągi nieskończone Rozdział 4 Ciągi nieskończone W rozdziale tym wprowadzimy pojęcie granicy ciągu. Dalej rozszerzymy to pojęcie na przypadek dowolnych funkcji. Jak zauważyliśmy we wstępie jest to najważniejsze pojęcie analizy

Bardziej szczegółowo

y f x 0 f x 0 x x 0 x 0 lim 0 h f x 0 lim x x0 - o ile ta granica właściwa istnieje. f x x2 Definicja pochodnych jednostronnych 1.5 0.

y f x 0 f x 0 x x 0 x 0 lim 0 h f x 0 lim x x0 - o ile ta granica właściwa istnieje. f x x2 Definicja pochodnych jednostronnych 1.5 0. Matematyka ZLic - 3 Pochodne i różniczki funkcji jednej zmiennej Definicja Pochodną funkcji f w punkcie x, nazwiemy liczbę oznaczaną symbolem f x lub df x dx, równą granicy właściwej f x lim h - o ile

Bardziej szczegółowo

WYMAGANIE EDUKACYJNE Z MATEMATYKI W KLASIE II GIMNAZJUM. dopuszczającą dostateczną dobrą bardzo dobrą celującą

WYMAGANIE EDUKACYJNE Z MATEMATYKI W KLASIE II GIMNAZJUM. dopuszczającą dostateczną dobrą bardzo dobrą celującą 1. Statystyka odczytać informacje z tabeli odczytać informacje z diagramu 2. Mnożenie i dzielenie potęg o tych samych podstawach 3. Mnożenie i dzielenie potęg o tych samych wykładnikach 4. Potęga o wykładniku

Bardziej szczegółowo

PLAN WYNIKOWY DLA KLASY DRUGIEJ POZIOM PODSTAWOWY I ROZSZERZONY. I. Proste na płaszczyźnie (15 godz.)

PLAN WYNIKOWY DLA KLASY DRUGIEJ POZIOM PODSTAWOWY I ROZSZERZONY. I. Proste na płaszczyźnie (15 godz.) PLAN WYNIKOWY DLA KLASY DRUGIEJ POZIOM PODSTAWOWY I ROZSZERZONY I. Proste na płaszczyźnie (15 godz.) Równanie prostej w postaci ogólnej Wzajemne połoŝenie dwóch prostych Nierówność liniowa z dwiema niewiadomymi

Bardziej szczegółowo

Przykładowe rozwiązania

Przykładowe rozwiązania Przykładowe rozwiązania (E. Ludwikowska, M. Zygora, M. Walkowiak) Zadanie 1. Rozwiąż równanie: w przedziale. ( ) ( ) ( )( ) ( ) ( ) ( ) Uwzględniając, że x otrzymujemy lub lub lub. Zadanie. Dany jest czworokąt

Bardziej szczegółowo

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi.

Grupy. Permutacje 1. (G2) istnieje element jednostkowy (lub neutralny), tzn. taki element e G, że dla dowolnego a G zachodzi. Grupy. Permutacje 1 1 Definicja grupy Niech G będzie zbiorem. Działaniem na zbiorze G nazywamy odwzorowanie (oznaczane, jak mnożenie, przez ) przyporządkowujące każdej parze uporządkowanej (a, b) G G element

Bardziej szczegółowo

Matlab, zajęcia 3. Jeszcze jeden przykład metoda eliminacji Gaussa dla macierzy 3 na 3

Matlab, zajęcia 3. Jeszcze jeden przykład metoda eliminacji Gaussa dla macierzy 3 na 3 Matlab, zajęcia 3. Pętle c.d. Przypomnijmy sobie jak działa pętla for Możemy podać normalnie w Matlabie t=cputime; for i=1:20 v(i)=i; e=cputime-t UWAGA: Taka operacja jest bardzo czasochłonna i nieoptymalna

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

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

Regresja wielokrotna. PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Regresja wielokrotna Model dla zależności liniowej: Y=a+b 1 X 1 +b 2 X 2 +...+b n X n Cząstkowe współczynniki regresji wielokrotnej: b 1,..., b n Zmienne niezależne (przyczynowe): X 1,..., X n Zmienna

Bardziej szczegółowo

Matematyka dyskretna

Matematyka dyskretna Matematyka dyskretna wykład 1: Indukcja i zależności rekurencyjne Gniewomir Sarbicki Literatura Kenneth A. Ross, Charles R. B. Wright Matematyka Dyskretna PWN 005 J. Jaworski, Z. Palka, J. Szymański Matematyka

Bardziej szczegółowo

O ŚREDNIEJ STATYSTYCZNEJ

O ŚREDNIEJ STATYSTYCZNEJ O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI

Bardziej szczegółowo

II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU. Janusz Adamowski

II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU. Janusz Adamowski II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU Janusz Adamowski 1 1 Przestrzeń Hilberta Do opisu stanów kwantowych używamy przestrzeni Hilberta. Przestrzenią Hilberta H nazywamy przestrzeń wektorową

Bardziej szczegółowo

9 Przekształcenia liniowe

9 Przekształcenia liniowe 9 Przekształcenia liniowe Definicja 9.1. Niech V oraz W będą przestrzeniami liniowymi nad tym samym ciałem F. Przekształceniem liniowym nazywamy funkcję ϕ : V W spełniającą warunek (LM) v1,v 2 V a1,a 2

Bardziej szczegółowo

METODA SIŁ KRATOWNICA

METODA SIŁ KRATOWNICA Część. METDA SIŁ - RATWNICA.. METDA SIŁ RATWNICA Sposób rozwiązywania kratownic statycznie niewyznaczalnych metodą sił omówimy rozwiązują przykład liczbowy. Zadanie Dla kratownicy przedstawionej na rys..

Bardziej szczegółowo

7.2. Rozwiąż problem z zadania 7.1 stosując Twierdzenie 7.16.

7.2. Rozwiąż problem z zadania 7.1 stosując Twierdzenie 7.16. Rozdział 7 Funkcje użyteczności 7 Rozważ model dwumianowy z cenami akcji S0 R { S S = U = S0 + U z prawdopodobieństwem p S D = S0 + D z prawdopodobieństwem p oraz walorem wolnym od ryzyka A0 = A = + r

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład I: Formalizm teorii prawdopodonieństwa 6 października 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Dostępność treści wykładów 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin dwuczęściowy:

Bardziej szczegółowo

Matematyka Dyskretna Zestaw 2

Matematyka Dyskretna Zestaw 2 Materiały dydaktyczne Matematyka Dyskretna (Zestaw ) Matematyka Dyskretna Zestaw 1. Wykazać, że nie istnieje liczba naturalna, która przy dzieleniu przez 18 daje resztę 13, a przy dzieleniu przez 1 daje

Bardziej szczegółowo

III. STRUKTURA I FORMA EGZAMINU

III. STRUKTURA I FORMA EGZAMINU III. STRUKTURA I FORMA EGZAMINU Egzamin maturalny z matematyki jest egzaminem pisemnym sprawdzającym wiadomości i umiejętności określone w Standardach wymagań egzaminacyjnych i polega na rozwiązaniu zadań

Bardziej szczegółowo

1. Pochodna funkcji. Twierdzenie Rolle a i twierdzenie Lagrange a.

1. Pochodna funkcji. Twierdzenie Rolle a i twierdzenie Lagrange a. Ćwiczenia 3032010 - omówienie zadań 1-4 z egzaminu poprawkowego Konwersatorium 3032010 - omówienie zadań 5-8 z egzaminu poprawkowego Ćwiczenia 4032010 (zad 445-473) Kolokwium nr 1, 10032010 (do zad 473)

Bardziej szczegółowo

Estymacja parametrów, przedziały ufności etc

Estymacja parametrów, przedziały ufności etc Estymacja parametrów, przedziały ufności etc Liniowa MNK przypomnienie Wariancja parametrów Postulat Bayesa: rozkłady p-stwa dla parametrów Przypadek nieliniowy Przedziały ufności Rozkłady chi-kwadrat,

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów

Metody numeryczne. materiały do wykładu dla studentów Metody numeryczne materiały do wykładu dla studentów 4. Wartości własne i wektory własne 4.1. Podstawowe definicje, własności i twierdzenia 4.2. Lokalizacja wartości własnych 4.3. Metoda potęgowa znajdowania

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

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

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

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

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze

Bardziej szczegółowo