Deska Galtona. Adam Osękowski. Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski
|
|
- Bartosz Zalewski
- 4 lat temu
- Przeglądów:
Transkrypt
1 a schemat Bernoulliego Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski XV Festiwal Nauki, 21 września 2011r.
2 a schemat Bernoulliego Schemat Bernoulliego B(n, p) Załóżmy, że n jest ustaloną liczbą całkowitą dodatnią, a p jest liczbą z przedziału (0, 1). Próbą Bernoulliego nazywamy eksperyment losowy o dwóch możliwych wynikach, interpretowanych jako sukces i porażka. Prawdopodobieństwo sukcesu wynosi p, prawdopodobieństwo porażki to q = 1 p. Schematem Bernoulliego B(n, p) nazywamy ciąg n niezależnych prób Bernoulliego.
3 a schemat Bernoulliego Schemat Bernoulliego B(n, p) Załóżmy, że n jest ustaloną liczbą całkowitą dodatnią, a p jest liczbą z przedziału (0, 1). Próbą Bernoulliego nazywamy eksperyment losowy o dwóch możliwych wynikach, interpretowanych jako sukces i porażka. Prawdopodobieństwo sukcesu wynosi p, prawdopodobieństwo porażki to q = 1 p. Schematem Bernoulliego B(n, p) nazywamy ciąg n niezależnych prób Bernoulliego.
4 a schemat Bernoulliego Schemat Bernoulliego B(n, p) Załóżmy, że n jest ustaloną liczbą całkowitą dodatnią, a p jest liczbą z przedziału (0, 1). Próbą Bernoulliego nazywamy eksperyment losowy o dwóch możliwych wynikach, interpretowanych jako sukces i porażka. Prawdopodobieństwo sukcesu wynosi p, prawdopodobieństwo porażki to q = 1 p. Schematem Bernoulliego B(n, p) nazywamy ciąg n niezależnych prób Bernoulliego.
5 a schemat Bernoulliego Schemat Bernoulliego B(n, p) Załóżmy, że n jest ustaloną liczbą całkowitą dodatnią, a p jest liczbą z przedziału (0, 1). Próbą Bernoulliego nazywamy eksperyment losowy o dwóch możliwych wynikach, interpretowanych jako sukces i porażka. Prawdopodobieństwo sukcesu wynosi p, prawdopodobieństwo porażki to q = 1 p. Schematem Bernoulliego B(n, p) nazywamy ciąg n niezależnych prób Bernoulliego.
6 a schemat Bernoulliego Przykład - schematu Bernoulliego B(100, 1/3) Rzucamy 100 razy monetą, dla której prawdopodobieństwo wypadnięcia orła wynosi 1/3. Próbą Bernoulliego jest pojedynczy rzut monetą. Sukcesem jest wypadnięcie orła, porażką - wypadnięcie reszki. Jeśli zamienić miejscami sukces i porażkę, to otrzymujemy schemat Bernoulliego B(100, 2/3). Ważna dygresja: spodziewamy się, że liczba wyrzuconych orłów będzie się wahać w okolicach 100/3 =
7 a schemat Bernoulliego Przykład - schematu Bernoulliego B(100, 1/3) Rzucamy 100 razy monetą, dla której prawdopodobieństwo wypadnięcia orła wynosi 1/3. Próbą Bernoulliego jest pojedynczy rzut monetą. Sukcesem jest wypadnięcie orła, porażką - wypadnięcie reszki. Jeśli zamienić miejscami sukces i porażkę, to otrzymujemy schemat Bernoulliego B(100, 2/3). Ważna dygresja: spodziewamy się, że liczba wyrzuconych orłów będzie się wahać w okolicach 100/3 =
8 a schemat Bernoulliego Przykład - schematu Bernoulliego B(100, 1/3) Rzucamy 100 razy monetą, dla której prawdopodobieństwo wypadnięcia orła wynosi 1/3. Próbą Bernoulliego jest pojedynczy rzut monetą. Sukcesem jest wypadnięcie orła, porażką - wypadnięcie reszki. Jeśli zamienić miejscami sukces i porażkę, to otrzymujemy schemat Bernoulliego B(100, 2/3). Ważna dygresja: spodziewamy się, że liczba wyrzuconych orłów będzie się wahać w okolicach 100/3 =
9 a schemat Bernoulliego Przykład - schematu Bernoulliego B(100, 1/3) Rzucamy 100 razy monetą, dla której prawdopodobieństwo wypadnięcia orła wynosi 1/3. Próbą Bernoulliego jest pojedynczy rzut monetą. Sukcesem jest wypadnięcie orła, porażką - wypadnięcie reszki. Jeśli zamienić miejscami sukces i porażkę, to otrzymujemy schemat Bernoulliego B(100, 2/3). Ważna dygresja: spodziewamy się, że liczba wyrzuconych orłów będzie się wahać w okolicach 100/3 =
10 a schemat Bernoulliego Sformułowanie problemu Odtąd zakładamy, że p = 1/2. Rozważmy schemat Bernoulliego B(n, 1/2). Niech P k =prawdopodobieństwo tego, że łącznie otrzymaliśmy k sukcesów, k = 0, 1, 2,..., n. Oczywiście P 0, P 1, P 2,..., P n > 0 oraz P 0 + P 1 + P P n = 1. Dokładniej, P k = ( ) n 1 k 2 n. Cel: zbadać zachowanie ciągu (P k ) dla dużych n.
11 a schemat Bernoulliego Sformułowanie problemu Odtąd zakładamy, że p = 1/2. Rozważmy schemat Bernoulliego B(n, 1/2). Niech P k =prawdopodobieństwo tego, że łącznie otrzymaliśmy k sukcesów, k = 0, 1, 2,..., n. Oczywiście P 0, P 1, P 2,..., P n > 0 oraz P 0 + P 1 + P P n = 1. Dokładniej, P k = ( ) n 1 k 2 n. Cel: zbadać zachowanie ciągu (P k ) dla dużych n.
12 a schemat Bernoulliego Sformułowanie problemu Odtąd zakładamy, że p = 1/2. Rozważmy schemat Bernoulliego B(n, 1/2). Niech P k =prawdopodobieństwo tego, że łącznie otrzymaliśmy k sukcesów, k = 0, 1, 2,..., n. Oczywiście P 0, P 1, P 2,..., P n > 0 oraz P 0 + P 1 + P P n = 1. Dokładniej, P k = ( ) n 1 k 2 n. Cel: zbadać zachowanie ciągu (P k ) dla dużych n.
13 a schemat Bernoulliego Sformułowanie problemu Odtąd zakładamy, że p = 1/2. Rozważmy schemat Bernoulliego B(n, 1/2). Niech P k =prawdopodobieństwo tego, że łącznie otrzymaliśmy k sukcesów, k = 0, 1, 2,..., n. Oczywiście P 0, P 1, P 2,..., P n > 0 oraz P 0 + P 1 + P P n = 1. Dokładniej, P k = ( ) n 1 k 2 n. Cel: zbadać zachowanie ciągu (P k ) dla dużych n.
14 a schemat Bernoulliego Sformułowanie problemu Odtąd zakładamy, że p = 1/2. Rozważmy schemat Bernoulliego B(n, 1/2). Niech P k =prawdopodobieństwo tego, że łącznie otrzymaliśmy k sukcesów, k = 0, 1, 2,..., n. Oczywiście P 0, P 1, P 2,..., P n > 0 oraz P 0 + P 1 + P P n = 1. Dokładniej, P k = ( ) n 1 k 2 n. Cel: zbadać zachowanie ciągu (P k ) dla dużych n.
15 a schemat Bernoulliego Sformułowanie problemu Odtąd zakładamy, że p = 1/2. Rozważmy schemat Bernoulliego B(n, 1/2). Niech P k =prawdopodobieństwo tego, że łącznie otrzymaliśmy k sukcesów, k = 0, 1, 2,..., n. Oczywiście P 0, P 1, P 2,..., P n > 0 oraz P 0 + P 1 + P P n = 1. Dokładniej, P k = ( ) n 1 k 2 n. Cel: zbadać zachowanie ciągu (P k ) dla dużych n.
16 a schemat Bernoulliego Francis Galton Sir Francis Galton ( ) - angielski podróżnik, przyrodnik oraz wynalazca.
17 a schemat Bernoulliego Opis przyrządu Rysunek:.
18 a schemat Bernoulliego Opis przyrządu Rysunek:.
19 a schemat Bernoulliego Opis przyrządu Rysunek:.
20 a schemat Bernoulliego Opis przyrządu Rysunek:.
21 a schemat Bernoulliego Opis przyrządu Rysunek:.
22 a schemat Bernoulliego Opis przyrządu Rysunek:.
23 a schemat Bernoulliego Opis przyrządu Rysunek:.
24 a schemat Bernoulliego Związek ze schematem Bernoulliego B(n, 1/2) Weźmy deskę Galtona o n poziomach. Proces losowania przegrody, w której ostatecznie wyląduje kulka, składa się z n niezależnych kroków, związanych z pokonywaniem kolejnych poziomów. Zinterpretujmy ruch w lewo jako porażkę, ruch w prawo jako sukces. Wówczas numer komory do której wpadnie kulka to liczba sukcesów w schemacie B(n, 1/2).
25 a schemat Bernoulliego Związek ze schematem Bernoulliego B(n, 1/2) Weźmy deskę Galtona o n poziomach. Proces losowania przegrody, w której ostatecznie wyląduje kulka, składa się z n niezależnych kroków, związanych z pokonywaniem kolejnych poziomów. Zinterpretujmy ruch w lewo jako porażkę, ruch w prawo jako sukces. Wówczas numer komory do której wpadnie kulka to liczba sukcesów w schemacie B(n, 1/2).
26 a schemat Bernoulliego Związek ze schematem Bernoulliego B(n, 1/2) Weźmy deskę Galtona o n poziomach. Proces losowania przegrody, w której ostatecznie wyląduje kulka, składa się z n niezależnych kroków, związanych z pokonywaniem kolejnych poziomów. Zinterpretujmy ruch w lewo jako porażkę, ruch w prawo jako sukces. Wówczas numer komory do której wpadnie kulka to liczba sukcesów w schemacie B(n, 1/2).
27 a schemat Bernoulliego Związek ze schematem Bernoulliego B(n, 1/2) Weźmy deskę Galtona o n poziomach. Proces losowania przegrody, w której ostatecznie wyląduje kulka, składa się z n niezależnych kroków, związanych z pokonywaniem kolejnych poziomów. Zinterpretujmy ruch w lewo jako porażkę, ruch w prawo jako sukces. Wówczas numer komory do której wpadnie kulka to liczba sukcesów w schemacie B(n, 1/2).
28 a schemat Bernoulliego Związek ze schematem Bernoulliego B(n, 1/2) c.d. Przez deskę Galtona możemy przepuścić M kulek (M - duża liczba całkowita). Niech L k (M) - liczba kulek które wpadły do przegrody nr k.
29 a schemat Bernoulliego Związek ze schematem Bernoulliego B(n, 1/2) c.d. Przez deskę Galtona możemy przepuścić M kulek (M - duża liczba całkowita). Niech L k (M) - liczba kulek które wpadły do przegrody nr k.
30 a schemat Bernoulliego Przykład 1 Rysunek: M = 12 kulek przepuszczonych przez deskę Galtona o n = 5 poziomach: L 0 (12) = 1, L 1 (12) = 1, L 2 (12) = 3, itd.
31 a schemat Bernoulliego Przykład 1 - inaczej Rysunek: M = 12 kulek przepuszczonych przez deskę Galtona o n = 5 poziomach: L 0 (12) = 1, L 1 (12) = 1, L 2 (12) = 3, itd.
32 a schemat Bernoulliego Przykład 2 Rysunek: M = 1000 kulek przepuszczonych przez deskę Galtona o n = 5 poziomach: L 0 (1000) = 29, L 1 (1000) = 155, L 2 (1000) = 315, itd.
33 a schemat Bernoulliego Dalszych 5 przykładów 5 dodatkowych symulacji dla M = 1000 i n = 5: , , , , Z teoretycznego punktu widzenia, L k (M) M P k = ( ) n 1 k 2 n, w naszym przypadku ciąg P 0, P 1,..., P 5 to 0, , , , , ,
34 a schemat Bernoulliego Dalszych 5 przykładów 5 dodatkowych symulacji dla M = 1000 i n = 5: , , , , Z teoretycznego punktu widzenia, L k (M) M P k = ( ) n 1 k 2 n, w naszym przypadku ciąg P 0, P 1,..., P 5 to 0, , , , , ,
35 a schemat Bernoulliego Dalszych 5 przykładów 5 dodatkowych symulacji dla M = 1000 i n = 5: , , , , Z teoretycznego punktu widzenia, L k (M) M P k = ( ) n 1 k 2 n, w naszym przypadku ciąg P 0, P 1,..., P 5 to 0, , , , , ,
36 a schemat Bernoulliego Związek z rozkładem normalnym Załóżmy teraz, iż interesuje nas wygląd histogramów przy dużych wartościach n. Innymi słowy, co można powiedzieć o granicznym zachowaniu ciągu (P k ) n k=0 gdy n?
37 a schemat Bernoulliego Związek z rozkładem normalnym Załóżmy teraz, iż interesuje nas wygląd histogramów przy dużych wartościach n. Innymi słowy, co można powiedzieć o granicznym zachowaniu ciągu (P k ) n k=0 gdy n?
38 a schemat Bernoulliego Przykład 1 Rysunek: Histogram M = kulek przepuszczonych przez deskę Galtona o n = 5 poziomach.
39 a schemat Bernoulliego Przykład 2 Rysunek: Histogram M = kulek przepuszczonych przez deskę Galtona o n = 15 poziomach.
40 a schemat Bernoulliego Przykład 3 Rysunek: Histogram M = kulek przepuszczonych przez deskę Galtona o n = 50 poziomach.
41 a schemat Bernoulliego Twierdzenie de Moivre a-laplace a (wersja symetryczna) Twierdzenie. Dla dowolnej liczby rzeczywistej x, ( ) n n n lim n 2 P liczba sukcesów w B(n, 1/2) = x = 1 2π e x2 /2.
42 a schemat Bernoulliego Gęstość standardowego rozkładu normalnego Rysunek: Funkcja g(x) = 1 2π e x 2 /2, gęstość standardowego rozkładu normalnego N(0, 1).
43 a schemat Bernoulliego Rozkład normalny a modelowanie Poprzednie twierdzenie można z grubsza zapisać w postaci ( ) n 2 liczba sukcesów n lim n 2 P x = 1 e x2 /2. n 2π { 1/ n jeśli w k-tej próbie porażka, Niech X k = 1/ n jeśli w k-tej próbie sukces. Wówczas 2 liczba sukcesów n n = X 1 + X X n, a zatem lim n n 2 P (X 1 + X X n x) = 1 2π e x2 /2.
44 a schemat Bernoulliego Rozkład normalny a modelowanie Poprzednie twierdzenie można z grubsza zapisać w postaci ( ) n 2 liczba sukcesów n lim n 2 P x = 1 e x2 /2. n 2π { 1/ n jeśli w k-tej próbie porażka, Niech X k = 1/ n jeśli w k-tej próbie sukces. Wówczas 2 liczba sukcesów n n = X 1 + X X n, a zatem lim n n 2 P (X 1 + X X n x) = 1 2π e x2 /2.
45 a schemat Bernoulliego Rozkład normalny a modelowanie Poprzednie twierdzenie można z grubsza zapisać w postaci ( ) n 2 liczba sukcesów n lim n 2 P x = 1 e x2 /2. n 2π { 1/ n jeśli w k-tej próbie porażka, Niech X k = 1/ n jeśli w k-tej próbie sukces. Wówczas 2 liczba sukcesów n n = X 1 + X X n, a zatem lim n n 2 P (X 1 + X X n x) = 1 2π e x2 /2.
46 a schemat Bernoulliego Rozkład normalny a modelowanie Poprzednie twierdzenie można z grubsza zapisać w postaci ( ) n 2 liczba sukcesów n lim n 2 P x = 1 e x2 /2. n 2π { 1/ n jeśli w k-tej próbie porażka, Niech X k = 1/ n jeśli w k-tej próbie sukces. Wówczas 2 liczba sukcesów n n = X 1 + X X n, a zatem lim n n 2 P (X 1 + X X n x) = 1 2π e x2 /2.
47 a schemat Bernoulliego Rozkład normalny a modelowanie c.d. Widzimy więc, że rozkład normalny pojawia się przy badaniu zachowania sum dużej liczby małych odchyleń. Fakt ten można znacznie uogólnić: można stosować do składników X k o różnych rozkładach. Stąd popularność rozkładu normalnego przy modelowaniu rozmaitych zagadnień.
48 a schemat Bernoulliego Rozkład normalny a modelowanie c.d. Widzimy więc, że rozkład normalny pojawia się przy badaniu zachowania sum dużej liczby małych odchyleń. Fakt ten można znacznie uogólnić: można stosować do składników X k o różnych rozkładach. Stąd popularność rozkładu normalnego przy modelowaniu rozmaitych zagadnień.
49 a schemat Bernoulliego Rozkład normalny a modelowanie c.d. Widzimy więc, że rozkład normalny pojawia się przy badaniu zachowania sum dużej liczby małych odchyleń. Fakt ten można znacznie uogólnić: można stosować do składników X k o różnych rozkładach. Stąd popularność rozkładu normalnego przy modelowaniu rozmaitych zagadnień.
Prawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoWykład 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 szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 5 Magdalena Alama-Bućko 1 kwietnia 2019 Magdalena Alama-Bućko Statystyka matematyczna 1 kwietnia 2019 1 / 19 Rozkład Poissona Po(λ), λ > 0 - parametr tzw. rozkład zdarzeń
Bardziej szczegółowoĆwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II
Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,
Bardziej szczegółowoPodstawy nauk przyrodniczych Matematyka
Podstawy nauk przyrodniczych Matematyka Elementy rachunku prawdopodobieństwa dr inż. Małgorzata Szeląg Zakład Genetyki Molekularnej Człowieka tel. 61 829 59 04 malgorzata.szelag@amu.edu.pl Pokój 1.118
Bardziej szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
Bardziej szczegółowoIII. 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 szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoZmienna 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 szczegółowoRozkłady 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 szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoPrzykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Niech Ω będzie przestrzenią zdarzeń elementarnych. Definicja 1 Rodzinę S zdarzeń losowych (zbiór S podzbiorów zbioru
Bardziej szczegółowoZmienne losowe i ich rozkłady
Zmienne losowe i ich rozkłady 29 kwietnia 2019 Definicja: Zmienną losową nazywamy mierzalną funkcję X : (Ω, F, P) (R n, B(R n )). Definicja: Niech A będzie zbiorem borelowskim. Rozkładem zmiennej losowej
Bardziej szczegółowoZmienna losowa. Rozkład skokowy
Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 5. Zmienne losowe: wprowadzenie Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8..208 / 42 Motywacja Często bardziej niż same zdarzenia losowe
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.1. Zmienne losowe dyskretne. Katarzyna Rybarczyk-Krzywdzińska Definicja/Rozkład Zmienne losowe dyskretne Definicja Zmienną losową, która skupiona
Bardziej szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoMATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ
MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ Opracowała: Milena Suliga Wszystkie pliki pomocnicze wymienione w treści
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 1) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW STATYSTYKA to nauka, której przedmiotem
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoRozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia.
Rozkład zmiennej losowej Polega na przyporządkowaniu każdej wartości zmiennej losowej prawdopodobieństwo jej wystąpienia. D A R I U S Z P I W C Z Y Ń S K I 2 2 ROZKŁAD ZMIENNEJ LOSOWEJ Polega na przyporządkowaniu
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 6. Momenty zmiennych losowych Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8.11.2018 1 / 47 Funkcje zmiennych losowych Mierzalna funkcja Y
Bardziej szczegółowop k (1 p) n k. k c. dokładnie 10 razy została wylosowana kula amarantowa, ale nie za pierwszym ani drugim razem;
05DRAP - Niezależność zdarzeń, schemat Bernoulliego Definicja.. Zdarzenia A i B nazywamy niezależnymi, jeżeli zachodzi równość P(A B) = P(A) P(B). Definicja. 2. Zdarzenia A,..., A n nazywamy niezależnymi
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO
STATYSTYKA I DOŚWIADCZALNICTWO dla studiów magisterskich kierunku ogrodnictwo Wykład 1 Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Słowo statystyka pochodzi
Bardziej szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.
Bardziej szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoDrugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A Zad. 1. Korzystając z podanych poniżej mini-tablic, oblicz pierwszy, drugi i trzeci kwartyl rozkładu N(10, 2 ). Rozwiązanie. Najpierw ogólny komentarz
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń.
Rachunek prawdopodobieństwa Rozdział 3. Prawdopodobieństwo warunkowe i niezależność zdarzeń. 3.2. Niezależność zdarzeń Katarzyna Rybarczyk-Krzywdzińska Niezależność dwóch zdarzeń Intuicja Zdarzenia losowe
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona
Bardziej szczegółowo7. 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 szczegółowoPojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1
Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoPODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść I
PODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść I Szkic wykładu 1 Przykład wprowadzajacy 2 Prawo wielkich liczb Bernoulliego i centralne tw. graniczne 3 4 Przykład wprowadzajacy W Polsce różne głosowania odbywaja
Bardziej szczegółowoSieci Mobilne i Bezprzewodowe laboratorium 1
Sieci Mobilne i Bezprzewodowe laboratorium 1 Plan laboratoriów Teoria zdarzeń dyskretnych Modelowanie zdarzeń dyskretnych Symulacja zdarzeń dyskretnych Problem rozmieszczenia stacji raportujących i nieraportujących
Bardziej szczegółowoElementy 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 szczegółowoZ 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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowo6.4 Podstawowe metody statystyczne
156 Wstęp do statystyki matematycznej 6.4 Podstawowe metody statystyczne Spóbujemy teraz w dopuszczalnym uproszczeniu przedstawić istotę analizy statystycznej. W szczególności udzielimy odpowiedzi na postawione
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 2. Aksjomatyczna definicja prawdopodobieństwa Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 10.10.2017 1 / 33 Klasyczna definicja prawdopodobieństwa
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoLaboratorium nr 7. Zmienne losowe typu skokowego.
Laboratorium nr 7. Zmienne losowe typu skokowego.. Zmienna losowa X ma rozkład dany tabelką: - 0 3 0, 0,3 0, 0,3 0, Naszkicować dystrybuantę zmiennej X. Obliczyć EX oraz VarX.. Zmienna losowa ma rozkład
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowoSTATYSTYKA wykład 5-6
TATYTYKA wykład 5-6 Twierdzenia graniczne Rozkłady statystyk z próby Wanda Olech Twierdzenia graniczne Jeżeli rozpatrujemy ciąg zmiennych losowych {X ; X ;...; X n }, to zdarza się, że ich rozkłady przy
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoWykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
Bardziej szczegółowoRozkłady 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 szczegółowoRachunek prawdopodobieństwa
Rachunek prawdopodobieństwa Sebastian Rymarczyk srymarczyk@afm.edu.pl Tematyka zajęć 1. Elementy kombinatoryki. 2. Definicje prawdopodobieństwa. 3. Własności prawdopodobieństwa. 4. Zmienne losowe, parametry
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 1 i 2 Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Słowo statystyka pochodzi od łacińskiego słowa status, które oznacza
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoĆwiczenia 3 ROZKŁAD ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ
Ćwiczenia 3 ROZKŁAD ZMIENNEJ LOSOWEJ JEDNOWYMIAROWEJ Zadanie 1. Zmienna losowa przyjmuje wartości -1, 0, 1 z prawdopodobieństwami równymi odpowiednio: ¼, ½, ¼. Należy: a. Wyznaczyć rozkład prawdopodobieństwa
Bardziej szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoZ poprzedniego wykładu
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoII WYKŁAD STATYSTYKA. 12/03/2014 B8 sala 0.10B Godz. 15:15
II WYKŁAD STATYSTYKA 12/03/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 2 Rachunek prawdopodobieństwa zdarzenia elementarne zdarzenia losowe zmienna losowa skokowa i ciągła prawdopodobieństwo i gęstość prawdopodobieństwa
Bardziej szczegółowoZakładamy, że są niezależnymi zmiennymi podlegającymi (dowolnemu) rozkładowi o skończonej wartości oczekiwanej i wariancji.
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Centralne Twierdzenie Graniczne 1.1 Twierdzenie Lindeberga Levy'ego 1.2 Dowód 1.2.1 funkcja tworząca sumy zmiennych niezależnych 1.2.2 pochodna funkcji
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowo2. Empiryczna wersja klasyfikatora bayesowskiego
Algorytmy rozpoznawania obrazów 2. Empiryczna wersja klasyfikatora bayesowskiego dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Brak pełnej informacji probabilistycznej Klasyfikator bayesowski
Bardziej szczegółowoPrzykłady do zadania 8.1 : 0 dla x 1, c x 4/3 dla x > 1. (b) Czy można dobrać stałą c tak, aby funkcja f(x) = była gęstością pewnego
Rachunek prawdopodobieństwa MAP64 Wydział Elektroniki, rok akad. 8/9, sem. letni Wykładowca: dr hab. A. Jurlewicz Przykłady do listy 8: Zmienne losowe typu ciągłego. Gęstość prawdopodobieństwa. Rozkład
Bardziej szczegółowoMODELOWANIE ZMIENNOŚCI CEN AKCJI MODEL ADDYTYWNY MODEL MULTIPLIKATYWNY
MODELOWANIE ZMIENNOŚCI CEN AKCJI MODEL ADDYTYWNY MODEL MULTIPLIKATYWNY Modele zmienności aktywów z czasem dyskretnym / Model addytywny Przyjmijmy następujące oznaczenia: S(0) - cena początkowa akcji S(k)
Bardziej szczegółowoR 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 szczegółowoWykład 10 Estymacja przedziałowa - przedziały ufności dla średn
Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem
Bardziej szczegółowoLISTA 4. 7.Przy sporządzaniu skali magnetometru dokonano 10 niezależnych pomiarów
LISTA 4 1.Na pewnym obszarze dokonano 40 pomiarów grubości warstwy piasku otrzymując w m.: 54, 58, 64, 69, 61, 56, 41, 48, 56, 61, 70, 55, 46, 57, 70, 55, 47, 62, 55, 60, 54,57,65,60,53,54, 49,58,62,59,55,50,58,
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoMatematyka dla biologów Zajęcia nr 13.
Matematyka dla biologów Zajęcia nr 13. Dariusz Wrzosek 16 stycznia 2019 Matematyka dla biologów Zajęcia 13. 16 stycznia 2019 1 / 34 Plan: 1 Rachunek prawdopodobienstwa-zmienne losowe o rozkładzie ciagłym
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
Bardziej szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowo