PRZETWARZANIE SYGNAŁÓW

Wielkość: px
Rozpocząć pokaz od strony:

Download "PRZETWARZANIE SYGNAŁÓW"

Transkrypt

1 PZEWAZAIE SYGAŁÓW SEMES V Człowie- ajlepsza iwestcja Projet współfiasowa przez Uię Europejsą w ramach Europejsiego Fuduszu Społeczego Wład III Proces stochastcze Elemet estmacji parametrów procesów losowch

2 Proces stochastcze Proces losowe stochastcze { } rodzia fucji zmieej losowej i czasu proces stochastcz -ta realizacja procesu - fucja czasu dla pewej wartości zmieej losowej wiu zdarzeia losowego Xt i wartości procesu dla ustaloego czasu są wartościami zmieej losowej Zmiea losowa fucja oreśloa a zbiorze zdarzeń i przjmująca wartości rzeczwiste z oreślom prawdopodobieństwem

3 Opis procesu stochastczego Właściwości statstcze procesu w pewm przedziale czasu są oreśloe, jeśli dla tego przedziału za jest rozład łącz prawdopodobieństwa zmiech losowch Xt, Xt,... Xt. ai rozład łącz prawdopodobieństwa azwam gęstością procesu p,t ;,t ;... i,t i...;,t. ozład te oreśla prawdopodobieństwo, z jaim zmiea losowa X przjmuje wartości z przedziału i, i +Δ dla ażdego t. Wzaczeie tego rozładu wmaga dspoowaia zbiorem wszstich realizacji procesu i może bć bardzo trude do przeprowadzeia ierealizowale w waruach pomiarów fizczch. Opis sgałów losowch stochastczch Sgał losow - wartość średia i średiowadratowa, wariacja momet - rozład prawdopodobieństwa - ocea przedziału wartości przjmowach przez proces, wiosowaie o właściwościach rozładu amplitud - fucja i współczi orelacji i autoorelacji - wrwaie podobch/ powtarzającch się oresowch strutur w sgale, pomiar czasu opóźieia - widmowa gęstość moc - ocea właściwości sgału, ocea właściwości toru sgałowego, optmalizacja filtracji Para sgałów losowch: - fucja i współczi orelacji wzajemej 3

4 Wielości charaterzujące proces stochastcz I ieograiczoa liczba realizacji procesu, wartości procesu, E operator wzaczaia wartości oczeiwaej, m wartość średia procesu, p, jedowmiarowa fucja gęstości prawdopodobieństwa, ew. fucja czasu wartość średia pierwsz momet zwł m E[ ] p, d wartość średiowadratowa -gi momet zwł m E[ ] p, d wariacja drugi momet cetral s E[ m ] [ m ] p, d Wielości te mogą bć fucjami czasu!!!! Wielości charaterzujące proces stochastcz II ieograiczoa liczba realizacji procesu, wartości procesu, E operator wzaczaia wartości oczeiwaej, m wartość średia procesu, p dwuwmiarowa fucja gęstości prawdopodobieństwa, ew. fucja czasu fucja autoorelacji t, t E[ t t ] t t p,, t, t d d często stosuje się zapis - opóźieie t, t t, t E[ t, t ] fucja autoowariacji C t, t E[ t m t t m t ] t m t t m t p,, t, t d d Wielości te mogą bć fucjami czasu!!!! 4

5 Proces stacjoar Jeśli momet m i m ie są fucjami t, a jest jedie fucją, proces jest słabo stacjoar w szerszm sesie Jeśli dla dowolego rozład łącz prawdopodobieństwa zmiech losowch Xt, Xt,... Xt jest tai sam ja rozład łącz zmiech Xt +, Xt +,... Xt +, i wszstie momet ie zależą od czasu, proces jest ściśle stacjoar w węższm sesie t t t 3... t + t + Proces ergodcz Momet i fucja orelacji pojedczej realizacji słabo stacjoarego procesu: m lim dt s E[ m ], lim t t dt lim [ m ] dt Jeśli wii uzsae w powższ sposób są idetcze z uzsami dla zbioru realizacji proces jest ergodcz. Więszość obserwowach stacjoarch procesów fizczch to proces ergodcze

6 Proces ergodcz Jeśli uzsae dla pojedczej realizacji wii są idetcze z uzsami dla zbioru realizacji procesu proces jest ergodcz. Proces ergodcze - są imi słabo stacjoare proces ormale ormal rozład prawdopodobieństwa, m i ie zależą od spełiające warue: lim C d Więszość obserwowach stacjoarch procesów fizczch to proces ergodcze Wzaczaie parametrów procesu ergodczego I Parametr procesu losowego ergodczego obliczae dla pojedczej realizacji : Wartość oczeiwaa średia Wariacja: wadrat wartości średiowadratowej sładowej zmieej procesu m lim s E[ m ] dt lim [ m ] dt Fucja autoowariacji C E[ m t m] lim t m t m dt 6

7 Wzaczaie parametrów procesu ergodczego II Parametr procesu losowego ergodczego obliczae dla pojedczej realizacji: Fucja autoorelacji Widmowa gęstość moc WGM jest trasformatą Fouriera fucji autoorelacji procesu tw. Wieera-Chicza: G f=f{ } Fucja autoorelacji jest odwrotą trasformatą Fouriera WGM procesu: =F - {G f} G lim t t dt f ep jf G f ep jf df dt Fucja orelacji wzajemej Jest to wartość oczeiwaa iloczu sgałów ilocz salar. Argumetem fucji orelacji jest czas opóźieie, o tór przesuięto aalizowae sgał. Fucja ta staowi miarę podobieństwa tch sgałów dla daego. E[ t ] lim t t dt Uwaga! Poieważ fucja orelacji wzajemej jest w mśl defiicji wartością średią iloczu wartości sgałów i t+, ustuowach w putach t i t+, uśredieie powio zostać przeprowadzoe dla iesończoej liczb tch iloczów wzaczoch dla daego dla różch t wzdłuż całej osi czasu. Stąd dążąc do iesończoości przedział całowaia - w pomiarach fizczch warue te ie jest realizowal. 7

8 Fucja orelacji wzajemej Jest to wartość oczeiwaa iloczu sgałów, tóra staowi miarę podobieństwa tch sgałów. Argumetem fucji orelacji jest czas iaczej opóźieie, o tór przesuięto względem siebie aalizowae sgał. Sgał rzeczwiste i t t dt lim Sgał idetcze - wsoa wartość fucji orelacji wzajemej dla =, - czas trwaia sgału. Sgał przesuięte - isa wartość fucji orelacji wzajemej dla =, wsoa dla pewej wartości ; Fucja autoorelacji orelacji własej Sgał rzeczwist lim t t dt Właściwości:. dla. = - fucja rzeczwista, parzsta 3. wadrat wartości suteczej drugi momet zwł wariacja w przpadu zerowej wartości średiej sgału 8

9 Fucja orelacji wzajemej Jest to wartość oczeiwaa iloczu sgałów, tóra staowi miarę podobieństwa tch sgałów. Argumetem fucji orelacji jest czas, o tór przesuięto orelowae sgał. Właściwości:. τ= -τ lim t t dt. aaliza wróżia wrażeia E[a+bt+ ] =a +ab +b, b 3. ½[ + ] aaliza wrażeia [ + ] oraz właściwość 4. τ= => sgał i są iesorelowae W stuacjach pratczej aaliz sgałów odcie aalizowaego sgału jest ograiczo, a w związu z tm graica musi zostać zastąpioa całą: t t dt Współczi orelacji Dwa proces ergodcze, Uormowaa fucja owariacji wzajemej współczi orelacji wzajemej: lim [ m ][ t m ] dt C C C s s gdzie: m, m s, s C, C, C wartości oczeiwae wariacje owariacje m lim s lim C lim dt [ m ] dt [ m ][ t m ] dt 9

10 Współczi orelacji Dwa proces ergodcze, Współczi orelacji wzajemej: lim [ m ][ t m ] dt C C C s s Wielość ta istotie różi się od fucji orelacji wartość tego współczia iesie ilościową iformację o podobieństwie dwóch sgałów losowch. Podczas gd wartość masimum fucji orelacji jest zależa od amplitud obu sgałów, wartość ρ ie zależ od tch amplitud. Wartość ρ rówa jedości ozacza idetczość obu sgałów, wartość blisa jedości zacze podobieństwo tch sgałów. Współczi te spełia warue ρ =<. Współczi autoorelacji Proces ergodcz Uormowaa fucja autoowariacji współczi autoorelacji: lim t m t m dt [ ][ ] C C C s Współczi te spełia warue:

11 Zastosowaie fucji i współczia orelacji Estmacja czasu opóźieia I Sgał ergodcz i jego opóźioa i przesalowaa wersja a<: =at-τ Fucja orelacji wzajemej dla sgałów i E[ t ] E[ a t ] ae[ t ] a Fucja więc fucją autoorelacji sgału, przesuiętą o τ i pomożoą przez współczi a. Wartość masmala tej fucji leż dla τ=τ i jest rówa Zalezieie masimum pozwala wzaczć opóźieie sgałów i. a a a Zastosowaie fucji i współczia orelacji Estmacja czasu opóźieia II Sgał ergodcz i jego opóźioa i przesalowaa wersja =at-τ Fucja orelacji wzajemej dla sgałów i : a a poieważ C a a s Współczi orelacji wzajemej procesów i ma w ogólości postać: poieważ w aalizowam przpadu: mam: a C a a

12 Zastosowaie fucji i współczia orelacji Estmacja czasu opóźieia III -. sigal autoorelacja sgalu =at-τ, a= C -. - replia fucja orelacji wzajemej wspólczi orelacji wzajemej Fucja orelacji sgałów determiistczch Fucję orelacji wzajemej, autoorelacji, współczi autoorelacji i orelacji możem wzaczać taże dla sgałów determiistczch. Stosujem te same formuł co w przpadu sgałów losowch, dostosowae do właściwości eergetczch sgału, p. dla fucji orelacji: Sgał o sończoej eergii t t dt Sgał oresowe ores lub sgał o sończom czasie trwaia t t dt Sgał o sończoej moc średiej lim t t dt

13 Fucja autoorelacji ombiacji liiowej sgałów =a + b sgal Sgał o sończoej eergii t dt. 3 3 sgal przesuiet o próbe τ=e[a + b a t+τ + b t+ τ]= = E[a t+τ+ b t+τ + ab t+τ + ab t+τ]=. 3 sgal przesuiet o próbe = a τ+ b τ+ab τ+ τ;. = pole pod wadratem całego sgału є, pole pod wadratem części sgału є, pole rówe zero jest fucją parzstą i przjmuje masmalą wartość dla =!!!! 3 4 fucja autoorelacji Przład fucji autoorelacji procesów losowch sgał siusoidal siω t o si si t dt cos to szum losow szeroopasmow biał wadrat wartości wartość suteczej 3 sgał siusoidal plus szum biał iesorelowa z sgałem si jest fucją parzstą i przjmuje masmalą wartość dla =!!!! = zerowe opóźieie 3

14 Przład fucji autoorelacji i WGM procesów G f ep jf df G f ep jf dt si szum biał cost si + szum biał +cost o ile szum i si iesorelowae, jeśli sorelowae pojawia się orelacja wzajema Elemet estmacji parametrów procesów losowch 4

15 Podstawowe pojęcia teorii estmacji Estmacja parametrów Estmator Właściwości estmatorów jaość estmatorów G rzeczwista wartość parametru estmowaego Ĝ estmator zmiea losowa!! rozład, wariacja, obciążeie E[Ĝ ] wartość średia oczeiwaa estmatora Podstawowe pojęcia teorii estmacji Wi pomiaru Ĝ będzie róż od rzeczwistej wartości G ; wstąpić mogą dwojaiego rodzaju błęd: obciążeie - G - E[Ĝ ] -błąd sstematcz wariacja - Ĝ - E[Ĝ ] - błąd przpadow Błęd te ujmuje sumarczie błąd średiowadratow: MSE=E[Ĝ - G ]

16 Błąd średiowadratow Miara względa błędu: względ błąd średiowadratow MSE: MSE G f Właściwości estmatorów Oczeujem, że dobr estmator ie będzie wazwał obciążeia, a jego wariacja będzie ja ajmiejsza Jeśli wartość oczeiwaa estmatora jest rówa wartości parametru estmowaego estmator ieobciążo. ^ E[ G ] G Pożądae jest, b estmator miał ja ajmiejsz błąd średiowadratow, czli małą wariację i bł ieobciążo ^ E[ G G ] Estmator ajefetwiejsz estmator ieobciążo o ajmiejszej wariacji Jeśli rozmiar próbi rosą i zachodzi zależość: estmator jest zgod ^ lim E[ G G ] 6

17 Wariacja sum procesów losowch I Wariacja sum sgałów stochastczch gaussowsich iesorelowach p. szum biał o zerowej wartości średiej i wariacji s sgał stochastcze X uśredioa suma sgałów wartość oczeiwaa sum sgałów E[ ] X E[ X] E[ t ] E[ ] wariacja sum sgałów s E[ X EX ] E[ X XEX EX ] E[ X ] E[ XEX ] E EX E[ X ] E EX E[ X ] EX Poieważ EX=: s E[ X ] Wariacja sum procesów losowch II Wariacja uśredioej sum sgałów stochastczch gaussowsich iesorelowach p. szum biał o zerowej wartości średiej i wariacji s s E[ ] E[... poieważ szum jest iesorelowa, dla m p ] E[ ] E[ m p ]= X t poieważ E [ ] s s s E[ ] Wariacja uśredioej sum sgałów losowch jest rówa s /, a więc -rotie miejsza iż wariacja ażdego z sgałów losowch tworzącch sumę. Odchleie stadardowe po uśredieiu jest raz miejsze. 7

18 Estmacja fucji orelacji autoorelacji Estmator fucji orelacji wzajemej: iesończo czas całowaia uśrediaia estmatora!!! lim t dt Estmator fucji orelacji wzajemej stosowae w obliczeiach omputerowch a rzeczwistch dach: ^ ieobciążo ^ obciążo sończoa liczba próbe sgału!!!! ograiczeie liczb uśrediach iloczów!!! Estmacja fucji orelacji autoorelacji ^ 3 realizacje szumu białego, =, =±,, Szum biał oczeujem fucji autoorelacji w postaci delt Diraca, o wsoości, ustuowaej w początu uładu!!! Wi delta Diraca o wsoości oraz??? Widocze różice poszczególch wiów estmacji, wzrost zmieości wariacji estmatora ze wzrostem opóźieia oraz spade zmieości estmatora uśredioego w porówaiu z ażdm z pojedńczch estmatorów.. f.autoorelacji t f.autoorelacji t. estmata r f.autoorelacji t sredia f.autoorelacji.. estmata r estmata r 3 estmata uśredioa

19 Estmacja fucji orelacji autoorelacji Sgał - szum olorow, wi ograiczeia pasma szumu białego estmator ieobciązo estmator obciążo ^ ^ Liczba par {, +} tworzącch wartości iloczu maleje ze wzrostem!! coloured, próbe - fucja autoorelacji, est. ieobciazo coloured oise, próbe - fucja autoorelacji, est. obciazo uśredio estmator fucji autoorelacji, ubiased, 6* próbe, uśredio estmator fucji autoorelacji, biased, 6* próbe, Pojedcz wi estmacji Wi estmacji po 6 uśredieiach Widmowa gęstość moc 9

20 Widmowa gęstość moc Sgał ciągłe Uwaruowaia pratcze: F = lim Φω = Fω / Sgał spróbowae/dsrete X G / f s f s ep j położeie wartości G f f s WGM jest wielością rzeczwistą. Ze względu a smetrię wartości X dla rzeczwistch wartości mam smetrię G względem / G =G - Z tego względu wstarcza przedstawieie G w zaresie =,,.../-, tór odpowiada zaresowi -. częstotliwości próbowaia. Oprogramowaie/ aalizator widma prezetują widmową gęstość moc pomożoą w taim właśie przedziale. Jest to tzw. jedostroa widmowa gęstość moc: X G / f s Widmowa gęstość moc procedura obliczaia. Zebrać ciąg próbe sgału, =,,...-. Zastosować fucję graic w : w, =,,...- ew. uzupełić ciąg zerami FF próbe 3. Wzaczć DF X ciągu w, =,,...-, =,,... - ew. ciągu uzupełioego zerami FF próbe 4. Wzaczć wadrat modułu DF dla =,,.. /- f s G w ep j

21 Estmacja WGM procesów ormalch metodą DF Względ błąd średiowadratow MSE estmatora jest w przbliżeiu rów gdzie B rozdzielczość częstotliwościowa aaliz, długość odcia czasowego poddawaego aalizie odstęp czasow międz olejmi próbami wosi /f s f s - częstotliwość próbowaia, ciąg próbe poddawa DF trwa =/f s, rozdzielczość częstotliwościowa odległość międz olejmi wartościami DF jest odwrotie proporcjoala do : B=f s /=/, czli /B=!!! Błąd średiowadratow związa z wariacją jest rów wadratowi wartości estmowaej!!!! Obo - wii estmacji WGM dla 4 realizacji procesu smulowa szum biał oczeujem stałej wartości WGM w całm paśmie - widocza zacza wariacja estmatora. B Metod popraw właściwości estmatorów WGM Estmator WGM uzsa metodą DF zmiea losowa o wariacji rówej wadratowi wartości estmowaej odchleie stadardowe rówe wartości estmowaej. ozważaia dotczące reducji wariacji estmatora będącego wiiem uśredieia pojedczch estmatorów moża zastosować rówież do estmatora widmowej gęstości moc. Estmator WGM będąc wartością średią estmatorów pojedczch WGM ma wariację miejszą w porówaiu z pojedczmi estmatorami. Uśredio estmator DF WGM Ie metod średia ruchoma

22 Wielości charaterzujące sgał dsrete determiistcze lub losowe, ergodcze liczba próbe, M masmale opóźieie orelacji fucja orelacji wzajemej, =,,...M prz = - f. autoorelacji estmator obciążo estmator ieobciążo wariacja wartość średia m m s ] [ współczi orelacji wzajemej prz = - wsp. autoorelacji =,,...M widmowa gęstość moc Wieer- Chicz, m,=,,... M ep M m M m j m G m m m m ] [ ] [ ] ][ [ ep s j f G widmowa gęstość moc bezp. F,,=,,... M Wielości charaterzujące sgał dsrete determiistcze lub losowe, ergodcze liczba próbe, M masmale opóźieie orelacji

Przetwarzanie sygnałów biomedycznych

Przetwarzanie sygnałów biomedycznych 7-- Przewarzaie sgałów biomedczch Człowie- ajlepsza iwescja Proje współfiasowa przez Uię uropejsą w ramach uropejsiego Fuduszu Społeczego Wład IX Aaliza sgałów procesów losowch 7-- Proces losowe sochascze

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i

Bardziej szczegółowo

Wyższe momenty zmiennej losowej

Wyższe momenty zmiennej losowej Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla

Bardziej szczegółowo

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2.

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2. Rozład Erlaga Zajdziem rozład czasów oczeiwaia a -e zdarzeie. Łącz czas oczeiwaia a zdarzeń da jes przez: M. Przbcień Rachue prawdopodobieńswa i sasa ( (- gdzie E ; λ λ exp λ Podobie zajdujem: E ( ; E(

Bardziej szczegółowo

Ocena dopasowania modelu do danych empirycznych

Ocena dopasowania modelu do danych empirycznych Ocea dopasowaia modelu do dach empirczch Po oszacowaiu parametrów modelu ależ zbadać, cz zbudowa model dobrze opisuje badae zależości. Jeśli okaże się, że rozbieżość międz otrzmam modelem a dami empirczmi

Bardziej szczegółowo

( ) O k k k. A k. P k. r k. M O r 1. -P n W. P 1 P k. Rys. 3.21. Redukcja dowolnego przestrzennego układu sił

( ) O k k k. A k. P k. r k. M O r 1. -P n W. P 1 P k. Rys. 3.21. Redukcja dowolnego przestrzennego układu sił 3.7.. Reducja dowolego uładu sił do sił i par sił Dowolm uładem sił będiem awać uład sił o liiach diałaia dowolie romiescoch w prestrei. tm pucie ajmiem się sprowadeiem (reducją) taiego uładu sił do ajprostsej

Bardziej szczegółowo

Dodatek 10. Kwantowa teoria przewodnictwa I

Dodatek 10. Kwantowa teoria przewodnictwa I Dodate 10 Kwatowa teoria przewodictwa I Teoria lascza iała astępujące aaet: (1) zierzoe wartości średiej drogi swobodej oazał się o ila rzędów wielości więsze iż oczeiwae () teoria ie dawała poprawc zależości

Bardziej szczegółowo

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka Zmienna losowa ozszerzenie znaczenia funcji zmiennej rzeczwistej na przpadi, ied zmienna niezależna nie jest liczbą rzeczwistą: odległość to funcja par puntów, obwód trójąta, to funcja oreślona na zbiorze

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

Ciągi i szeregi liczbowe. Ciągi nieskończone.

Ciągi i szeregi liczbowe. Ciągi nieskończone. Ciągi i szeregi liczbowe W zbiorze liczb X jest określoa pewa fukcja f, jeŝeli kaŝdej liczbie x ze zbioru X jest przporządkowaa dokładie jeda liczba pewego zbioru liczb Y Przporządkowaie to zapisujem w

Bardziej szczegółowo

Przykładowe zadania dla poziomu rozszerzonego

Przykładowe zadania dla poziomu rozszerzonego Przkładowe zadaia dla poziomu rozszerzoego Zadaie. ( pkt W baku w pierwszm roku oszczędzaia stopa procetowa bła rówa p%, a w drugim roku bła o % iższa. Po dwóch latach, prz roczej kapitalizacji odsetek,

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej

Bardziej szczegółowo

Automatyka i Robotyka Analiza Wykład 14 dr Adam Ćmiel

Automatyka i Robotyka Analiza Wykład 14 dr Adam Ćmiel Własośi zbiorów otwarth i domięth Tw. a) Suma dowolej ilośi zbiorów otwarth jest zbiorem otwartm. b) Iloz sońzoej ilośi zbiorów otwarth jest zbiorem otwartm. Dow. a) Mam rodzię zbiorów otwarth: U A s {

Bardziej szczegółowo

Mec Me han a ik i a a o gólna Wyp W a yp dko dk w o a w do d w o o w l o ne n g e o g o ukł uk a ł du du sił.

Mec Me han a ik i a a o gólna Wyp W a yp dko dk w o a w do d w o o w l o ne n g e o g o ukł uk a ł du du sił. echaika ogóla Wkład r 2 Wpadkowa dowolego układu sił. ówowaga. odzaje sił i obciążeń. odzaje ustrojów prętowch. Wzaczaie reakcji. Wpadkowa układu sił rówoległch rzłożeie układu zerowego (układ sił rówoważącch

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych Automatya i Robotya Aaliza Wyład dr Adam Ćmiel cmiel@agh.edu.pl Rachue różiczowy fucji wielu zmieych W olejych wyładach uogólimy pojęcia rachuu różiczowego i całowego fucji jedej zmieej a przypade fucji

Bardziej szczegółowo

CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI

CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI CHARAKERYSYKI CZĘSOLIWOŚCIOWE PODSAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUOMAYKI Do podstawowych form opisu dyamii elemetów automatyi (oprócz rówań różiczowych zaliczamy trasmitację operatorową s oraz trasmitację

Bardziej szczegółowo

ZADANIA ZAMKNIĘTE. Zadanie 1. (1 pkt) Wartość wyrażenia. b dla a 2 3 i b 2 3 jest równa A B. 5 C. 6 D Zadanie 2.

ZADANIA ZAMKNIĘTE. Zadanie 1. (1 pkt) Wartość wyrażenia. b dla a 2 3 i b 2 3 jest równa A B. 5 C. 6 D Zadanie 2. Zachęcam do samodzielej prac z arkuszem diagostczm. Pozaj swoje moce i słabe stro, a astępie popracuj ad słabmi. Żczę przjemego rozwiązwaia zadań. Zadaie. ( pkt) Wartość wrażeia a ZADANIA ZAMKNIĘTE b dla

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM.

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM. Kompterowe Sstem Idetfikacji Laboratorim Ćwiczeie 5 IERACYJY ALGORY LS. IDEYFIKACJA OBIEKÓW IESACJOARYCH ALGORY Z WYKŁADICZY ZAPOIAIE. gr iż. Piotr Bros, bros@agh.ed.pl Kraków 26 Kompterowe Sstem Idetfikacji

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

APROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne

APROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne APROKSYMACJA I INTERPOLACJA Przybliżeie fucji f(x) przez ią fucję g(x) fucja f jest zbyt sompliowaa; użycie f w dalszej aalizie problemu jest trude fucja f jest zaa tylo tabelaryczie; wymagaa jest zajomość

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

Bardziej szczegółowo

Analiza matematyczna i algebra liniowa

Analiza matematyczna i algebra liniowa Aaliza matematycza i algebra liiowa Materiały pomocicze dla studetów do wyładów Rachue różiczowy ucji wielu zmieych. Pochode cząstowe i ich iterpretacja eoomicza. Estrema loale. Metoda ajmiejszych wadratów.

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW

Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW Michał Gruca ZASADY OPRACOWANIA WYNIKÓW POMIARÓW 1. Wstęp Pomiarem jest procesem pozawczm, któr umożliwia odwzorowaie właściwości fizczch obiektów w dziedziie liczb. Sam proces pomiarow jest ciągiem czości

Bardziej szczegółowo

Zbiorowość statystyczna zbiór elementów (osób, przedmiotów, itp.) mających jedną lub kilka wspólnych cech.

Zbiorowość statystyczna zbiór elementów (osób, przedmiotów, itp.) mających jedną lub kilka wspólnych cech. Statsta Statsta aua zajująca się wrwaie, badaie i opiswaie zależości wstępującch w zjawisach asowch; zbiór etod służącch groadzeiu, prezetacji, aalizie i iterpretacji dach. Przediote badaia statstczego

Bardziej szczegółowo

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych)

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych) Zadaia domowe z AM III dla grup E7 (semestr zimow 07/08) Czȩść Zadaia domowe z Aaliz Matematczej III - czȩść (fukcje wielu zmiech) Zadaie. Obliczć graice lub wkazać że ie istiej a: (a) () (00) (b) + ()

Bardziej szczegółowo

Wnioskowanie statystyczne dla korelacji i regresji.

Wnioskowanie statystyczne dla korelacji i regresji. STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITCHIKA OPOLSKA ISTYTUT AUTOMATYKI I IFOMATYKI LABOATOIUM MTOLOII LKTOICZJ 7. KOMPSATOY U P U. KOMPSATOY APIĘCIA STAŁO.. Wstęp... Zasada pomiaru metodą kompesacyją. Metoda kompesacyja pomiaru apięcia

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11

RÓWNANIA RÓŻNICZKOWE WYKŁAD 11 RÓWNANIA RÓŻNICZKOWE WYKŁAD Szeregi potęgowe Defiicja Fukcja y = f () jest klasy C jeżeli jest -krotie różiczkowala i jej -ta pochoda jest fukcją ciągłą. Defiicja Fukcja y = f () jest klasy C, jeżeli jest

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

ZMIENNE LOSOWE WIELOWYMIAROWE

ZMIENNE LOSOWE WIELOWYMIAROWE L.Kowals Zmee losowe welowmarowe ( ΩS P ZMIENNE LOSOWE WIELOWMIAROWE - ustaloa przestrzeń probablstcza. (... - zmea losowa - wmarowa (wetor losow cąg losow. : Ω R (fuca borelowsa P : Β R [0 - rozład zmee

Bardziej szczegółowo

TEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM

TEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM EORI OBWODÓW I SYGNŁÓW LBORORIUM KDEMI MORSK Katedra eleomuniacji Morsiej Ćwiczenie nr 2: eoria obwodów i sygnałów laboratorium ĆWICZENIE 2 BDNIE WIDM SYGNŁÓW OKRESOWYCH. Cel ćwiczenia Celem ćwiczenia

Bardziej szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń 3 Wkład III: Waruki optmalości dla zadań bez ograiczeń Podae poiże waruki optmalości dla są uogólieiem powszechie zach waruków dla fukci ede zmiee (zerowaie się pierwsze pochode i lokala wpukłość) 3 Twierdzeie

Bardziej szczegółowo

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW

INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4 ZADANIA - ZESTAW 4 Zadanie 4. 0-0,4 c 0 0, 0, Wznacz c. Wznacz rozkład brzegowe. Cz, są niezależne? (odp. c = 0,3 Zadanie 4.- 0-0,4 0,3 0 0, 0, Wznaczć macierz kowariancji i korelacji. Cz, są skorelowane?

Bardziej szczegółowo

40:5. 40:5 = 500000υ5 5p 40, 40:5 = 500000 5p 40.

40:5. 40:5 = 500000υ5 5p 40, 40:5 = 500000 5p 40. Portfele polis Poieważ składka jest ustalaa jako wartość oczekiwaa rzeczywistego, losowego kosztu ubezpieczeia, więc jest tym bliższa średiej wydatków im większa jest liczba ubezpieczoych Polisy grupuje

Bardziej szczegółowo

Ważne rozkłady i twierdzenia

Ważne rozkłady i twierdzenia Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne

Bardziej szczegółowo

ĆWICZENIE 1 Symulacja doświadczeń losowych Statystyka opisowa Estymacja parametryczna i nieparametryczna T E O R I A

ĆWICZENIE 1 Symulacja doświadczeń losowych Statystyka opisowa Estymacja parametryczna i nieparametryczna T E O R I A ĆWICZENIE Symulacja doświadczeń losowych Statystya opisowa Estymacja parametrycza i ieparametrycza T E O R I A Opracowała: Katarzya Stąpor Opis programu MS EXCEL. Iformacje ogóle Program Microsoft Excel

Bardziej szczegółowo

WYKORZYSTANIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDENTYFIKACJI UKŁADÓW AUTOMATYKI

WYKORZYSTANIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDENTYFIKACJI UKŁADÓW AUTOMATYKI Piotr KOZIERSKI WYKORZYSTAIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDETYFIKACJI UKŁADÓW AUTOMATYKI STRESZCZEIE W artyule przedstawioo sposób idetyfiacji parametryczej obietów ieliiowych zapisaych w przestrzei

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

16 Przedziały ufności

16 Przedziały ufności 16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Zastosowanie modeli czynnikowych w zarządzaniu portfelowym ryzykiem kredytowym na przykładzie kredytów hipotecznych i gotówkowych

Zastosowanie modeli czynnikowych w zarządzaniu portfelowym ryzykiem kredytowym na przykładzie kredytów hipotecznych i gotówkowych MBA. CE 5/202 Artuł 3 Maagemet ad Busiess Admiistratio. Cetral Europe 5/202 (8): s. 3 28, ISSN 2084 3356, Copright b Aademia Leoa Koźmińsiego Zastosowaie modeli cziowch w zarządzaiu portfelowm rziem redtowm

Bardziej szczegółowo

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej

3. Tworzenie próby, błąd przypadkowy (próbkowania) 5. Błąd standardowy średniej arytmetycznej PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i elemety kombiatoryki 2. Zmiee losowe i ich rozkłady 3. Populacje i próby daych, estymacja parametrów 4. Testowaie hipotez 5. Testy parametrycze 6. Testy

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elemety modelowaia matematyczego Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Modelowaie daych (ilościowe): Metody statystycze: estymacja parametrów modelu,

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

Statystyczny opis danych - parametry

Statystyczny opis danych - parametry Statystyczy opis daych - parametry Ozaczeia żółty owe pojęcie czerwoy, podkreśleie uwaga * materiał adobowiązkowy Aa Rajfura, Matematyka i statystyka matematycza a kieruku Rolictwo SGGW Zagadieia. Idea

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI 2 PEARSONA ROZKŁAD GAUSSA Ćwiczeia rachuowe TEST ZGODOŚCI PEARSOA ROZKŁAD GAUSSA UWAGA: a stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz alulacyjy do programu Calc paietu Ope Office, iezbędy podczas

Bardziej szczegółowo

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X

z przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

Funkcja generująca rozkład (p-two)

Funkcja generująca rozkład (p-two) Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są

Bardziej szczegółowo

BADANIA DOCHODU I RYZYKA INWESTYCJI

BADANIA DOCHODU I RYZYKA INWESTYCJI StatSoft Polska, tel. () 484300, (60) 445, ifo@statsoft.pl, www.statsoft.pl BADANIA DOCHODU I RYZYKA INWESTYCJI ZA POMOCĄ ANALIZY ROZKŁADÓW Agieszka Pasztyła Akademia Ekoomicza w Krakowie, Katedra Statystyki;

Bardziej szczegółowo

Kontakt,informacja i konsultacje. I Zasada Termodynamiki. Energia wewnętrzna

Kontakt,informacja i konsultacje. I Zasada Termodynamiki. Energia wewnętrzna Kotat,iformacja i osultacje Chemia A ; poój 37 elefo: 347-2769 E-mail: wojte@chem.pg.gda.pl tablica ogłoszeń Katedry Chemii Fizyczej http://www.pg.gda.pl/chem/dydatya/ lub http://www.pg.gda.pl/chem/katedry/fizycza

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

Twierdzenie Cayleya-Hamiltona

Twierdzenie Cayleya-Hamiltona Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.

Rachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu. Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są

Bardziej szczegółowo

ZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE

ZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE ZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE WARTOŚĆ BEZWZGLĘDNA LICZBY Wartość bezwzględą liczby rzeczywistej x defiiujemy wzorem: { x dla x 0 x = x dla x < 0 Liczba x jest to odległość a osi liczbowej

Bardziej szczegółowo

Programowanie nieliniowe optymalizacja funkcji wielu zmiennych

Programowanie nieliniowe optymalizacja funkcji wielu zmiennych Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu

Bardziej szczegółowo

x 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem

x 1 2 3 t 1 (x) 2 3 1 o 1 : x 1 2 3 s 3 (x) 2 1 3. Tym samym S(3) = {id 3,o 1,o 2,s 1,s 2,s 3 }. W zbiorze S(n) definiujemy działanie wzorem 9.1. Izomorfizmy algebr.. Wykład Przykłady: 13) Działaia w grupach często wygodie jest zapisywać w tabelkach Cayleya. Na przykład tabelka działań w grupie Z 5, 5) wygląda astępująco: 5 1 3 1 1 3 1 3 3

Bardziej szczegółowo

Wzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Wzór Taylora. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Wzór Taylora Szeregi potęgowe Matematyka Studium doktorackie KAE SGH Semestr leti 8/9 R. Łochowski Graica fukcji w pukcie Niech f: R D R, R oraz istieje ciąg puktów D, Fukcja f ma w pukcie graicę dowolego

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

Analiza I.1, zima wzorcowe rozwiązania

Analiza I.1, zima wzorcowe rozwiązania Aaliza I., zima 07 - wzorcowe rozwiązaia Marci Kotowsi 5 listopada 07 Zadaie. Udowodij, że dla ażdego aturalego liczba 7 + dzieli się przez 6. Dowód. Tezę udowodimy za pomocą iducji matematyczej. Najpierw

Bardziej szczegółowo

Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.

Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów. Wkład Test zgodności. Test zgodności służą do werikacji hipotez mówiącch, że a dstrbuanta rozkładu populacji ma określoną z gór postać unkcjną b dstrbuant rozkładów dwóch populacji nie różnią się w sposób

Bardziej szczegółowo

Wektory. P. F. Góra. rok akademicki

Wektory. P. F. Góra. rok akademicki Wektor P. F. Góra rok akademicki 009-0 Wektor zwiazan. Wektorem zwiazanm nazwam parę punktów. Jeżeli parę tę stanowią punkt,, wektor przez nie utworzon oznaczm. Graficznie koniec wektora oznaczam strzałką.

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych

Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. L. Baachowski, K. Diks, W. Rytter Algorytmy i struktury daych.

Bardziej szczegółowo

I kolokwium z Analizy Matematycznej

I kolokwium z Analizy Matematycznej I kolokwium z Aalizy Matematyczej 4 XI 0 Grupa A. Korzystając z zasady idukcji matematyczej udowodić ierówość dla wszystkich N. Rozwiązaie:... 4 < + Nierówość zachodzi dla, bo 4

Bardziej szczegółowo

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic).

Stwierdzenie 1. Jeżeli ciąg ma granicę, to jest ona określona jednoznacznie (żaden ciąg nie może mieć dwóch różnych granic). Materiały dydaktycze Aaliza Matematycza Wykład Ciągi liczbowe i ich graice. Graice ieskończoe. Waruek Cauchyego. Działaia arytmetycze a ciągach. Podstawowe techiki obliczaia graic ciągów. Istieie graic

Bardziej szczegółowo

Józef Borkowski. Metody interpolacji widma i metoda LIDFT w estymacji parametrów sygnału wieloczęstotliwościowego

Józef Borkowski. Metody interpolacji widma i metoda LIDFT w estymacji parametrów sygnału wieloczęstotliwościowego Józef Borowsi Metody iterpolacji widma i metoda LIDFT w estymacji parametrów sygału wieloczęstotliwościowego Oficya Wydawicza Politechii Wrocławsiej Wrocław 0 ecezeci yszard MAKOWSKI Tomasz ZIELIŃSKI Opracowaie

Bardziej szczegółowo

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1,

1 Zmienne losowe. Własności dystrybuanty F (x) = P (X < x): F1. 0 F (x) 1 dla każdego x R, F2. lim F (x) = 0 oraz lim F (x) = 1, 1 Zmiee loowe Właości dytrybuaty F x = X < x: F1. 0 F x 1 dla każdego x R, F2. lim F x = 0 oraz lim F x = 1, x x + F3. F jet fukcją iemalejącą, F4. lim x x 0 F x = F x 0 dla każdego x R, F5. a X < b =

Bardziej szczegółowo

KADD Metoda najmniejszych kwadratów

KADD Metoda najmniejszych kwadratów Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie

Bardziej szczegółowo

Wykład 10. Funkcje wielu zmiennych

Wykład 10. Funkcje wielu zmiennych Wkład 1. Funkcje wielu zmiennch dr Mariusz Grządziel 6 maja 1 (ostatnie poprawki: 1 maja 1) Funkcje wielu zmiennch Przestrzeń dwuwmiarowa, oznaczana w literaturze matematcznej smbolem R, może bć utożsamiona

Bardziej szczegółowo

Sygnały pojęcie i klasyfikacja, metody opisu.

Sygnały pojęcie i klasyfikacja, metody opisu. Sygały pojęcie i klasyfikacja, meody opisu. Iformacja przekazywaa jes za pośredicwem sygałów, kóre przeoszą eergię. Sygał jes o fukcja czasowa dowolej wielkości o charakerze eergeyczym, w kórym moża wyróżić

Bardziej szczegółowo

LABORATORIUM METROLOGII

LABORATORIUM METROLOGII AKADEMIA MORSKA W SZCZECINIE Cetrum Iżyierii Ruchu Morskiego LABORATORIUM METROLOGII Ćwiczeie 5 Aaliza statystycza wyików pomiarów pozycji GNSS Szczeci, 010 Zespół wykoawczy: Dr iż. Paweł Zalewski Mgr

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

V OGÓLNOPOLSKI KONKURS Z FIZYKI Fizyka się liczy I Etap ZADANIA 27 lutego 2013r.

V OGÓLNOPOLSKI KONKURS Z FIZYKI Fizyka się liczy I Etap ZADANIA 27 lutego 2013r. V OGÓLNOPOLSKI KONKURS Z FIZYKI Fizka się licz I Etap ZDNI 7 lutego 3r.. Dwa pociski wstrzeloo jeocześie w tę saą stroę z wóch puktów oległch o o. Pierwsz pocisk wstrzeloo z prękością o po kąte α. Z jaką

Bardziej szczegółowo

Instalacje i Urządzenia Elektryczne Automatyki Przemysłowej. Modernizacja systemu chłodzenia Ciągu Technologicznego-II część elektroenergetyczna

Instalacje i Urządzenia Elektryczne Automatyki Przemysłowej. Modernizacja systemu chłodzenia Ciągu Technologicznego-II część elektroenergetyczna stalacje i Urządzeia Eletrycze Automatyi Przemysłowej Moderizacja systemu chłodzeia Ciągu echologiczego- część eletroeergetycza Wyoali: Sebastia Marczyci Maciej Wasiuta Wydział Eletryczy Politechii Szczecińsiej

Bardziej szczegółowo

Damian Doroba. Ciągi. 1. Pierwsza z granic powinna wydawać się oczywista. Jako przykład może służyć: lim n = lim n 1 2 = lim.

Damian Doroba. Ciągi. 1. Pierwsza z granic powinna wydawać się oczywista. Jako przykład może służyć: lim n = lim n 1 2 = lim. Damia Doroba Ciągi. Graice, z których korzystamy. k. q.. 5. dla k > 0 dla k 0 0 dla k < 0 dla q > 0 dla q, ) dla q Nie istieje dla q ) e a, a > 0. Opis. Pierwsza z graic powia wydawać się oczywista. Jako

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

Materiały dydaktyczne. Matematyka. Semestr II

Materiały dydaktyczne. Matematyka. Semestr II Projekt współfiasowa ze środków Uii Europejskiej w ramach Europejskiego Fuduszu Społeczego Materiał ddaktcze Matematka Semestr II Ćwiczeia Projekt Rozwój i promocja kieruków techiczch w Akademii Morskiej

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Metody Podejmowania Decyzji

Metody Podejmowania Decyzji Metody Podejmowaia Decyzji Wzrost liczby absolwetów w Politechice Wrocławsiej a ieruach o luczowym zaczeiu dla gospodari opartej a wiedzy r UDA-POKL.04.0.0-00-065/09-0 Recezet: Prof. dr hab. iż. Ja Iżyowsi

Bardziej szczegółowo

Wykład 2b. Podstawowe zadania identyfikacji. Wybór optymalnego modelu

Wykład 2b. Podstawowe zadania identyfikacji. Wybór optymalnego modelu Wkład b. odstawowe zadaia idetfikaci. Wbór optmalego model Wiki: wioski i hipotez metod proektowaia metod zarządzaia algortm sterowaia metod diagostcze odiesieie wików do obiekt Efekt: owa wiedza owe obiekt

Bardziej szczegółowo

f '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n

f '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n Metoda Newtoa i rówaie z = 1 Załóżmy, że fucja f :C C ma ciągłą pochodą. Dla (prawie) ażdej liczby zespoloej z 0 tworzymy ciąg (1) (z ) 0, z 1 = z f ( z ), ciąg te f ' (z ) będziemy azywać orbitą liczby

Bardziej szczegółowo

( ) WŁASNOŚCI MACIERZY

( ) WŁASNOŚCI MACIERZY .Kowalski własości macierzy WŁSNOŚC MCERZY Własości iloczyu i traspozycji a) możeie macierzy jest łącze, tz. (C) ()C, dlatego zapis C jest jedozaczy, b) możeie macierzy jest rozdziele względem dodawaia,

Bardziej szczegółowo

G:\AA_Wyklad 2000\FIN\DOC\Fourier.doc. Drgania i fale II rok Fizyki BC. zawierają fazy i amplitudy.

G:\AA_Wyklad 2000\FIN\DOC\Fourier.doc. Drgania i fale II rok Fizyki BC. zawierają fazy i amplitudy. Elemety aalizy ourierowskiej: W przypadku drgań było: () t A + A ( ω t + φ ) + A os( 2ω t + φ ) gdzie + A ω 0 os 2 2 os( ω t + φ ) +... 2π Moża zapisać jako: [ ] () t A + C exp( iω t) + C ( iω t) gdzie

Bardziej szczegółowo

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn

opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.

Bardziej szczegółowo