Niegaussowskie procesy stochastyczne w oceanotechnice

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

( 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

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

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

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

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

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

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

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski

Narzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:

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

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

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

Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI

Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI Maria Romanowska UDOWODNIJ, ŻE... PRZYKŁADOWE ZADANIA MATURALNE Z MATEMATYKI Matematyka dla liceum ogólnokształcącego i technikum w zakresie podstawowym i rozszerzonym Z E S Z Y T M E T O D Y C Z N Y Miejski

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

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

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y.

FUNKCJE LICZBOWE. Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. FUNKCJE LICZBOWE Na zbiorze X określona jest funkcja f : X Y gdy dowolnemu punktowi x X przyporządkowany jest punkt f(x) Y. Innymi słowy f X Y = {(x, y) : x X oraz y Y }, o ile (x, y) f oraz (x, z) f pociąga

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

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

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

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

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

ELEKTROTECHNIKA Semestr 2 Rok akad. 2015 / 2016. ZADANIA Z MATEMATYKI Zestaw 1. 2. Oblicz pochodne cząstkowe rzędu drugiego funkcji:

ELEKTROTECHNIKA Semestr 2 Rok akad. 2015 / 2016. ZADANIA Z MATEMATYKI Zestaw 1. 2. Oblicz pochodne cząstkowe rzędu drugiego funkcji: ZADANIA Z MATEMATYKI Zestaw 1 1. Oblicz pochodne cząstkowe funkcji: a) f(x, y) = x sin y x b) f(x, y) = e y 1+x 2 c) f(x, y, z) = z cos x+y z 2. Oblicz pochodne cząstkowe rzędu drugiego funkcji: 3. Wyznacz

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

Wykład z modelowania matematycznego. Zagadnienie transportowe.

Wykład z modelowania matematycznego. Zagadnienie transportowe. Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana

Bardziej szczegółowo

MATeMAtyka klasa II poziom rozszerzony

MATeMAtyka klasa II poziom rozszerzony MATeMAtyka klasa II poziom rozszerzony W klasie drugiej na poziomie rozszerzonym realizujemy materiał z klasy pierwszej tylko z poziomu rozszerzonego (na czerwono) oraz cały materiał z klasy drugiej. Rozkład

Bardziej szczegółowo

MATeMAtyka 3. Propozycja przedmiotowego systemu oceniania wraz z określeniem wymagań edukacyjnych. Zakres podstawowy i rozszerzony

MATeMAtyka 3. Propozycja przedmiotowego systemu oceniania wraz z określeniem wymagań edukacyjnych. Zakres podstawowy i rozszerzony Agnieszka Kamińska, Dorota Ponczek MATeMAtyka 3 Propozycja przedmiotowego systemu oceniania wraz z określeniem wymagań edukacyjnych Zakres podstawowy i rozszerzony Wyróżnione zostały następujące wymagania

Bardziej szczegółowo

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW

ODRZUCANIE WYNIKÓW POJEDYNCZYCH POMIARÓW ODRZUCANIE WYNIKÓW OJEDYNCZYCH OMIARÓW W praktyce pomiarowej zdarzają się sytuacje gdy jeden z pomiarów odstaje od pozostałych. Jeżeli wykorzystamy fakt, że wyniki pomiarów są zmienną losową opisywaną

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

Matematyka finansowa - 4. P t n 1 1 r. (Gdy P t 0 0, P t 1 0,...,P t N 0, to przyjmujemy umownie i P. Gdy t n kn. do równania definiującego.

Matematyka finansowa - 4. P t n 1 1 r. (Gdy P t 0 0, P t 1 0,...,P t N 0, to przyjmujemy umownie i P. Gdy t n kn. do równania definiującego. Matematyka finansowa - 4 Przepływy pieniężne - 2 Wewnętrzna stopa zwrotu Definicja Wewnętrzna stopa zwrotu (IRR-Internal Rate of Return) dla strumienia przepływów pieniężnych P P t,p t, P t 2,...,P t w

Bardziej szczegółowo

R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych

R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we

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

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

Bardziej szczegółowo

Rozdział 8. Analiza fourierowska. 8.1 Rozwinięcie w szereg Fouriera

Rozdział 8. Analiza fourierowska. 8.1 Rozwinięcie w szereg Fouriera Rozdział 8 Analiza fourierowska 8.1 Rozwinięcie w szereg Fouriera Rozważmy funkcję rzeczywistą f określoną na okręgu o promieniu jednostkowym. Parametryzując okrąg przy pomocy kąta φ [, π] otrzymujemy

Bardziej szczegółowo

Przykładowe rozwiązania zadań. Próbnej Matury 2014 z matematyki na poziomie rozszerzonym

Przykładowe rozwiązania zadań. Próbnej Matury 2014 z matematyki na poziomie rozszerzonym Zadania rozwiązali: Przykładowe rozwiązania zadań Próbnej Matury 014 z matematyki na poziomie rozszerzonym Małgorzata Zygora-nauczyciel matematyki w II Liceum Ogólnokształcącym w Inowrocławiu Mariusz Walkowiak-nauczyciel

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE Z MATEMATYKI W KLASIE II A ROK SZKOLNY 2013/2014 - ZAKRES PODSTAWOWY

WYMAGANIA EDUKACYJNE Z MATEMATYKI W KLASIE II A ROK SZKOLNY 2013/2014 - ZAKRES PODSTAWOWY WYMAGANIA EDUKACYJNE Z MATEMATYKI W KLASIE II A ROK SZKOLNY 2013/2014 - ZAKRES PODSTAWOWY 1. FUNKCJA KWADRATOWA rysuje wykres funkcji i podaje jej własności sprawdza algebraicznie, czy dany punkt należy

Bardziej szczegółowo

Luty 2001 Algorytmy (7) 2000/2001 s-rg@siwy.il.pw.edu.pl

Luty 2001 Algorytmy (7) 2000/2001 s-rg@siwy.il.pw.edu.pl System dziesiętny 7 * 10 4 + 3 * 10 3 + 0 * 10 2 + 5 *10 1 + 1 * 10 0 = 73051 Liczba 10 w tym zapisie nazywa się podstawą systemu liczenia. Jeśli liczba 73051 byłaby zapisana w systemie ósemkowym, co powinniśmy

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

4. O funkcji uwikłanej 4.1. Twierdzenie. Niech będzie dana funkcja f klasy C 1 na otwartym podzbiorze. ϕ : K(x 0, δ) (y 0 η, y 0 + η), taka że

4. O funkcji uwikłanej 4.1. Twierdzenie. Niech będzie dana funkcja f klasy C 1 na otwartym podzbiorze. ϕ : K(x 0, δ) (y 0 η, y 0 + η), taka że 4. O funkcji uwikłanej 4.1. Twierdzenie. Niech będzie dana funkcja f klasy C 1 na otwartym podzbiorze taka że K(x 0, δ) (y 0 η, y 0 + η) R n R, f(x 0, y 0 ) = 0, y f(x 0, y 0 ) 0. Wówczas dla odpowiednio

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5

Bardziej szczegółowo

Analiza przeżycia. Wprowadzenie

Analiza przeżycia. Wprowadzenie Wprowadzenie Przedmiotem badania analizy przeżycia jest czas jaki upływa od początku obserwacji do wystąpienia określonego zdarzenia, które jednoznacznie kończy obserwację na danej jednostce. Analiza przeżycia

Bardziej szczegółowo

ciałem F i oznaczamy [L : F ].

ciałem F i oznaczamy [L : F ]. 11. Wykład 11: Baza i stopień rozszerzenia. Elementy algebraiczne i przestępne. Rozszerzenia algebraiczne i skończone. 11.1. Baza i stopień rozszerzenia. Uwaga 11.1. Niech F będzie ciałem, L rozszerzeniem

Bardziej szczegółowo

Ekonometria - ćwiczenia 10

Ekonometria - ćwiczenia 10 Ekonometria - ćwiczenia 10 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 14 grudnia 2012 Wprowadzenie Optymalizacja liniowa Na

Bardziej szczegółowo

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne

Metody numeryczne. materiały do wykładu dla studentów. 7. Całkowanie numeryczne Metody numeryczne materiały do wykładu dla studentów 7. Całkowanie numeryczne 7.1. Całkowanie numeryczne 7.2. Metoda trapezów 7.3. Metoda Simpsona 7.4. Metoda 3/8 Newtona 7.5. Ogólna postać wzorów kwadratur

Bardziej szczegółowo

Newton vs. Lagrange - kto lepszy?

Newton vs. Lagrange - kto lepszy? Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Katedra Analizy Matematycznej Agnieszka Rydzyńska nr albumu: 254231 Praca Zaliczeniowa z Seminarium Newton vs. Lagrange - kto lepszy? Opiekun

Bardziej szczegółowo

Statystyczna analiza danych

Statystyczna analiza danych Statystyczna analiza danych Marek Ptak 21 października 2013 Marek Ptak Statystyka 21 października 2013 1 / 70 Część I Wstęp Marek Ptak Statystyka 21 października 2013 2 / 70 LITERATURA A. Łomnicki, Wprowadzenie

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE Z MATEMATYKI / POZIOM PODSTAWOWY /

WYMAGANIA EDUKACYJNE Z MATEMATYKI / POZIOM PODSTAWOWY / WYMAGANIA EDUKACYJNE Z MATEMATYKI / POZIOM PODSTAWOWY / Wymagania konieczne (K) dotyczą zagadnień elementarnych, stanowiących swego rodzaju podstawę, zatem powinny być opanowane przez każdego ucznia. Wymagania

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

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

W tym rozdziale książka opisuje kilka podejść do poszukiwania kolokacji.

W tym rozdziale książka opisuje kilka podejść do poszukiwania kolokacji. 5 Collocations Związek frazeologiczny (kolokacja), to często używane zestawienie słów. Przykłady: strong tea, weapons of mass destruction, make up. Znaczenie całości wyrażenia, nie zawsze wynika ze znaczeń

Bardziej szczegółowo

L A TEX krok po kroku

L A TEX krok po kroku L A TEX krok po kroku Imię i nazwisko Spis treści 1 Sekcja pierwsza 1 1.1 Lista numerowana.......................... 1 2 Wymagania podstawowe 2 2.1 Lista numerowana.......................... 2 3 Troszkę

Bardziej szczegółowo

Działanie grupy na zbiorze

Działanie grupy na zbiorze Działanie grupy na zbiorze Definicja 0.1 Niech (G, ) będzie dowolną grupą oraz X niepustym zbiorem, to odwzorowanie : G X X nazywamy działaniem grupy G na zbiorze X jeślinastępujące warunki są spełnione:

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

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

Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/

Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/ Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/ MATEMATYKA Klasa III ZAKRES PODSTAWOWY Dział programu Temat Wymagania. Uczeń: 1. Miara łukowa kąta zna pojęcia: kąt skierowany, kąt

Bardziej szczegółowo

Optymalne inwestowanie w rozwój firmy. Zastosowanie teorii sterowania.

Optymalne inwestowanie w rozwój firmy. Zastosowanie teorii sterowania. Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki Izabela Asiewicz Nr albumu: 305038 Optymalne inwestowanie w rozwój firmy. Zastosowanie teorii sterowania. Praca licencjacka na kierunku

Bardziej szczegółowo

Formy kwadratowe. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 14. wykład z algebry liniowej Warszawa, styczeń 2011

Formy kwadratowe. Mirosław Sobolewski. Wydział Matematyki, Informatyki i Mechaniki UW. 14. wykład z algebry liniowej Warszawa, styczeń 2011 Formy kwadratowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 14. wykład z algebry liniowej Warszawa, styczeń 2011 Mirosław Sobolewski (UW) Warszawa, 2011 1 / 16 Definicja Niech V,

Bardziej szczegółowo

Analiza matematyczna - 14. Analiza zmiennych dyskretnych: ciągi i szeregi liczbowe

Analiza matematyczna - 14. Analiza zmiennych dyskretnych: ciągi i szeregi liczbowe Analiza matematyczna - 4. Analiza zmiennych dyskretnych: ciągi i szeregi liczbowe Wstęp: zmienne ciągłe i zmienne dyskretne Podczas dotychczasowych wykładów rozważaliśmy przede wszystkim zależności funkcyjne

Bardziej szczegółowo

Systemy. Krzysztof Patan

Systemy. Krzysztof Patan Systemy Krzysztof Patan Systemy z pamięcią System jest bez pamięci (statyczny), jeżeli dla dowolnej chwili t 0 wartość sygnału wyjściowego y(t 0 ) zależy wyłącznie od wartości sygnału wejściowego w tej

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

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

K. Rochowicz, M. Sadowska, G. Karwasz i inni, Toruński poręcznik do fizyki Gimnazjum I klasa Całość: http://dydaktyka.fizyka.umk.

K. Rochowicz, M. Sadowska, G. Karwasz i inni, Toruński poręcznik do fizyki Gimnazjum I klasa Całość: http://dydaktyka.fizyka.umk. 3.2 Ruch prostoliniowy jednostajny Kiedy obserwujemy ruch samochodu po drodze między dwoma tunelami, albo ruch bąbelka powietrza ku górze w szklance wody mineralnej, jest to ruch po linii prostej. W przypadku

Bardziej szczegółowo