XXXIII Konferencja Statystyka Matematyczna
|
|
- Sylwester Piekarski
- 4 lat temu
- Przeglądów:
Transkrypt
1 XXXIII Konferencja Statystyka Matematyczna MODEL AUTOPSJI KOHERENTNEGO SYSTEMU Karol J. ANDRZEJCZAK Politechnika Poznańska
2 PROGRAM REFERATU. WPROWADZENIE A. Dychotomiczny system koherentny B. Model autopsji 2. KLUCZOWE PYTANIA 3. RYS HISTORYCZNY 4. CEL REFERATU 5. OZNACZENIA I DEFINICJE 6. WŁASNOŚCI 7. ZAKOŃCZENIE Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 2
3 . WPROWADZENIE A. Dychotomiczny system koherentny (dychotomic coherent system). <C, ϕ> gdzie C ={e, e 2,, e n } oznacza zbiór n elementów systemu, ϕ oznacza koherentną strukturę niezawodnościową. x j oznacza stan elementu e j. Dychotomiczność oznacza, że x j =,, gdy element gdy element e e j j jest zdatny, jest niezdatny, j =,,n System jest również dwu stanowy i jego stan x s zależy wyłącznie od stanów jego elementów i struktury niezawodnościowej ϕ. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 3
4 Stan systemu x s = ϕ(x,, x n ), Struktura niezawodnościowa ϕ jest funkcją boolowską postaci ϕ: {, } n {, } Koherentność oznacza, że struktura systemu jest monotoniczna i nieredukowalna. Rozważania dotyczą klasy systemów koherentnych, tj klasy wykluczającej systemy z elementami pasywnymi. Klasyczny problem niezawodności Wyznaczenie rozkładu czasu zdatności systemu, o danej struktury niezawodnościowej ϕ, na podstawie znanych rozkładów czasów zdatności jego elementów. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 4
5 B. Model autopsji (the autopsy model). T i oznacza czas zdatności elementu e i, i =,,n T oznacza czas zdatności systemu. Założenia modelu: czasy zdatności T,,T n są a) niezależnymi zm. l., b) absolutnie ciągłymi zm. l., c) nie obserwowanymi zm. l. Czas T zdatności systemu jest obserwowany. W chwili utraty zdatności systemu rejestrowany jest zbiór elementów niezdatnych. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 5
6 Problem autopsji Polega na rozpoznaniu rozkładów czasów zdatności elementów systemu na podstawie obserwacji czasu T zdatności systemu i zbioru A elementów niezdatnych. Rozwiązanie metodami statystycznymi Polega na estymacja nieznanych czasów zdatności poszczególnych elementów systemu na podstawie statystycznego modelu, w którym m replik systemu poddanych jest obserwacji, aż do ich utraty zdatności. Dane statystyczne Składają się z czasów zdatności badanego systemu oraz ze zbiorów niezdatnych elementów, tj. ciągu par (T, A ),,(T n, A n ) Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 6
7 Element e i nazywamy bezpośrednią przyczyną utraty zdatności systemu, jeżeli system traci zdatność w chwili utraty zdatności przez ten element. Model autopsji systemu koherentnego Każdy model służący do rozwiązania przedstawionego problemu autopsji przy podanych założeniach lub ich modyfikacjach. Zbiory A,,A n są niepustymi podzbiorami zbioru elementów C. Jeżeli zawierają one tylko po jednym elemencie, to znane są bezpośrednie przyczyny utraty zdatności systemu. W szczególnym przypadku, dla systemu o strukturze szeregowej, zbiory A,,A n będą wyłącznie jednoelementowe. Dla takich systemów są mocno rozwinięte modele zwane modelami rywalizujących przyczyn (competing risks models). Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 7
8 2. KLUCZOWE PYTANIA Czy w ogóle, bądź w jakich przypadkach, mogą być estymowane rozkłady czasów zdatności elementów? Pytanie to jest blisko związane z pytaniem: Czy rozkłady czasów zdatności elementów można odtworzyć z wiedzy o prawdziwych rozkładach statystyk autopsji systemu? Jeżeli dla systemu <C, ϕ> odpowiedź jest pozytywna, to mówimy, że rozkłady elementów są identyfikowalne (identifiable). System <C, ϕ> nazywamy wówczas systemem identyfikowalnym (the identifiable system). Pytanie o identyfikowalność nie jest banalne, gdyż okazuje się, że nie każdy system jest identyfikowalny. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 8
9 Przykład. (System nie identyfikowalny) Dwuelementowy system o strukturze równoległej. Niech F i F 2 oznaczają dystrybuanty czasów zdatności T i T 2 tych elementów. Gdy zaobserwujemy niezdatność systemu, to obydwa elementy będą zawsze niezdatne. Obserwowany czas T zdatności systemu jest związany z czasami T i T 2 zależnością T = max{t, T 2 }. Model autopsji pozwala estymować czas zdatności systemu, którego dystrybuanta F, w przypadku niezależnie pracujących elementów związana jest z dystrybuantami F i F 2 zależnością F = F F 2. Niestety nie możliwe jest wyznaczenie dystrybuant brzegowych F i F 2 na podstawie dystrybuanty F. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 9
10 3. RYS HISTORYCZNY 98 Meilijson podał warunek konieczny nałożony na strukturę systemu, aby rozkłady elementów systemu były identyfikowalne, przy założeniu ciągłości i niezależności czasów zdatności elementów i tym samym nośniku. 99 Nowik podał warunek konieczny i wystarczający identyfikowalności czasów zdatności elementów, przy bardziej restrykcyjnym założeniu, że rozkłady elementów są absolutnie ciągłe. 993 Antoine, Doss i Hollander podali warunek wystarczający dla struktury systemu, aby był identyfikowalny poprzez skupienie uwagi na klasie rzeczywistych funkcji analitycznych (gładkiej klasie funkcji rozkładów), tj. bez atomów. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl
11 Literatura:. Antoine, R., Doss, H., Hollander, M. (993) On identifiability in the autopsy model of reliability theory. J. Appl. Prob. 3, Doss, H., Freitag, S. and Proschan, F. (989) Estimating jointly system and component reliabilities using a mutual censorship approach. Ann. Statist. 7, Meilijson, I. (98) Estimation of the lifetime distribution of the parts from the autopsy statistics of the machine. J. Appl. Prob. 8, Nowik, S. (99) Identifiability problems in coherent systems, J. Appl. Prob. 28, Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl
12 4. CEL REFERATU Koherentny binarny system poddany jest obserwacji, aż do jego utraty zdatności. W chwili utraty zdatności przez system rejestrowany jest zbiór niezdatnych elementów oraz czas zdatności systemu. Czasy zdatności elementów nie są obserwowalne i są nieznane. Celem referatu jest przedstawienie możliwości wyznaczenia rozkładu czasów zdatności elementów na podstawie rozkładu obserwowanych danych. Cel ten jest osiągnięty poprzez podanie warunku koniecznego i wystarczającego identyfikowalności czasów zdatności elementów. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 2
13 5. OZNACZENIA I DEFINICJE Dany jest system <C, ϕ>. F i F j, j =,,n oznaczają dystrybuanty czasów zdatności systemu i elementów. I <C, ϕ> oznacza losowy zbiór tych elementów systemu <C, ϕ>, które są niezdatne w chwili utraty zdatności systemu. Definicja. Podzbiór A zbioru elementów C nazywamy cięciem, jeżeli spełniona jest formuła ( (e j A), (x j = )) ϕ(x,, x n ) = Podzbiór A nazywamy minimalnym cięciem, jeżeli jest on cięciem i żaden właściwy jego podzbiór nie jest cięciem. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 3
14 Przykład 2. Rozważamy system przedstawiony schematycznie na rys. 2 3 Zbiory {}, {, 2}, {, 3}, {2, 3} i oczywiście {, 2, 3} są wszystkimi cięciami. Minimalnymi cięciami są {} i {2, 3}. Przy założeniu, że nie możliwa jest utrata zdatności jednocześnie przez kilka elementów, cięcie {, 2, 3} nigdy nie będzie zaobserwowane, ponieważ system utraci zdatność, jak tylko cięcie {} lub {2, 3} utraci zdatność. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 4
15 Spostrzeżenie to prowadzi do wyróżnienia zbiorów elementów, których niezdatność można zaobserwować w momencie utraty zdatności przez system. Zbiory te nazywamy zbiorami fatalnymi (a fatal set). Niech (x,, x n ) oznacza zaobserwowany wektor stanów elementów w chwili utraty zdatności przez system. Definicja 2. Podzbiór B zbioru elementów C nazywamy fatalnym zbiorem elementów, jeżeli spełniona jest formuła (x,, x n ), (ϕ( B, C B ) = ) Zbiór fatalny nazywamy minimalnym zbiorem fatalnym, jeżeli nie zawiera on żadnego właściwego podzbioru fatalnego. W przykładzie 2 zbiór {, 2} jest fatalny, ale nie jest minimalnym zbiorem fatalnym. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 5
16 6. WŁASNOŚCI Założenie. Nie możliwa jest utrata zdatności jednocześnie przez kilka elementów systemu. Własność. Niech B C. Zbiór elementów B jest fatalny wtedy i tylko wtedy gdy Pr(I = B)>. Własność 2. Jeżeli B jest zbiorem fatalnym, to jest cięciem. Własność 3. Nie każde cięcie jest zbiorem fatalnym. Własność 4. Jeżeli zbiór B nie jest cięciem, to nie jest zbiorem fatalnym. Własność 5. Zbiór elementów B C jest minimalnym zbiorem fatalnym B jest minimalnym cięciem. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 6
17 W przykładowym systemie jeżeli (x, x 2, x 3 ) = (,, ), tj. jeżeli zaobserwowany jest zbiór fatalny {}, to jest on przyczyną utraty zdatności systemu. Podobnie, jeżeli zaobserwowany jest zbiór fatalny {, 2}, to też element pierwszy jest przyczyną niezdatności systemu. Niestety w przypadku zaobserwowania zbioru fatalnego {2, 3} nie jesteśmy w stanie rozstrzygnąć, który element uszkodził się jako drugi i stał się bezpośrednią przyczyną uszkodzenia systemu. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 7
18 Niech W oznacza rodzinę fatalnych zbiorów elementów systemu <C, ϕ>, tj. W = {B C: Pr(I = B) > } Definicja 3. Niech B będzie fatalnym zbiorem systemu <C, ϕ>. Podzbiór D zbioru B nazywamy jego krytycznym podzbiorem, jeżeli elementy podzbioru D mogą być niezdatne w chwili utraty zdatności systemu i stąd mogą być przyczyną utraty zdatności systemu. Definicja 4. Niech E będzie podzbiorem zbioru elementów systemu <C, ϕ>. Wektorem incydencji v zbioru E nazywamy wektor zerojedynkowy v(e), którego składowe są określone wzorem: v j =,, gdy gdy e e j j E E Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 8
19 Jeżeli struktura niezawodnościowa systemu <C, ϕ> jest znana, to można utworzyć kolekcje następujących zbiorów: minimalnych fatalnych zbiorów M = {M,, M q }, fatalnych zbiorów B = {B,, B l }, krytycznych zbiorów D = {D,, D l }. Definicja 5. Macierzą incydencji fatalnej systemu <C, ϕ> nazywamy l n macierz B, której elementy są określone wzorem: b ij =,, gdy gdy Analogicznie dla systemu <C, ϕ> definiujemy macierze incydencji: minimalną fatalną M, krytyczną D. e e j j B B Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 9 i i
20 Karol J. Andrzejczak, PP, 2 Przykład 2 c.d. Krytycznymi zbiorami odpowiadającymi zbiorom fatalnym {}, {, 2}, {, 3} i {2, 3} są odpowiednio zbiory {}, {}, {} i {2, 3}. Stąd macierze: minimalna fatalna = M, fatalna = B, krytyczna = D Minimalna macierz incydencji fatalnej jest wystarczająca do jednoznacznego odtworzenia struktury niezawodnościowej systemu.
21 Przykład 2 cd. Identyfikacja rozkładów elementów. Niech T będzie czasem zdatności systemu, a I <C, ϕ> losowym zbiorem fatalnym. Niech G i (t) = Pr(I <C, ϕ> = D i, T t) Przypuśćmy, że rozkłady zdatności elementów są absolutnie ciągłe. Niech g i oznacza gęstość dla dystrybuanty G i, f j gęstość czasu zdatności j-tego elementu. Zbiory fatalne {} i {, 2} mają ten sam zbiór krytyczny {}. Z fatalnego zbioru {} otrzymujemy a z fatalnego zbioru {, 2} g (t) = f (t) ( F 2 (t)) ( F 3 (t)), g 2 (t) = f (t) F 2 (t) ( F 3 (t)), Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 2
22 Karol J. Andrzejczak, PP, 22 Dzieląc g 2 (t) przez g (t) otrzymujemy ) ( ) ( ) ( ) ( t F t F t g t g = Stąd można wyznaczyć dystrybuantę F 2. ) ( ) ( ) ( ) ( t g t g t g t F + = Podobnie można wyznaczyć dystrybuantę F 3. ) ( ) ( ) ( ) ( t g t g t g t F + = gdzie g 3 (t) = f (t) ( F 2 (t)) F 3 (t), Metoda jest skuteczna ponieważ zbiory fatalne {} i {, 2} mają ten sam krytyczny zbiór {} i różnią się tylko jednym elementem {2}.
23 7. ZAKOŃCZENIE Wracamy do pytania: Jaki warunek należy nałożyć na strukturę niezawodnościową, aby system był identyfikowalny, w klasie absolutnie ciągłych rozkładów czasów zdatności elementów? Odpowiedź wymaga zdefiniowania specyficznych zbiorów elementów i macierzy. Definicja 6. Element e nazywamy elementem specyficznym systemu, jeżeli istnieje zbiór fatalny B o własnościach: (i) e B i B = B \ {e} jest zbiorem fatalnym, (ii) B i B mają te same krytyczne zbiory. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 23
24 Niech E będzie zbiorem elementów specyficznych systemu <C, ϕ> oraz J = C \ E. Macierz B J definiujemy jako podmacierz macierzy krytycznej B utworzoną z kolumn odpowiadających elementom zbioru J. Rozkłady czasów zdatności elementów zbioru E można wyznaczyć stosując technikę użytą w przykładzie. Stąd system <C, ϕ> jest identyfikowalny, jeżeli rozkłady czasów zdatności elementów ze zbioru J mogą być wyznaczone. Jest to możliwe wtedy i tylko wtedy, gdy rząd macierzy B incydencji fatalnej jest równy liczbie elementów systemu. Jest to równoważne temu, że nie istnieją elementy e i i e j oraz rozłączny moduł M równolegle połączone. Karol J. Andrzejczak, PP, kandrzej@math.put.poznan.pl 24
25 PYTANIA? Karol J. Andrzejczak, PP, 25
Na 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 szczegółowoDiagnozowanie sieci komputerowej na podstawie opinii diagnostycznych o poszczególnych komputerach sieci
Diagnozowanie sieci komputerowej na podstawie opinii diagnostycznych o poszczególnych komputerach sieci Diagnozowanie systemu, w tym przypadku, pojmowane jest jako metoda określania stanu niezawodnościowego
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 szczegółowoDiagnozowanie sieci komputerowej metodą dialogu diagnostycznego
Diagnozowanie sieci komputerowej metodą dialogu diagnostycznego Metoda dialogu diagnostycznego między komputerami sieci komputerowej, zalicza się do, tak zwanych, rozproszonych metod samodiagnozowania
Bardziej szczegółowoPOISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoPrawa 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 szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowodomykanie relacji, relacja równoważności, rozkłady zbiorów
1 of 8 2012-03-28 17:45 Logika i teoria mnogości/wykład 5: Para uporządkowana iloczyn kartezjański relacje domykanie relacji relacja równoważności rozkłady zbiorów From Studia Informatyczne < Logika i
Bardziej szczegółowoPostać Jordana macierzy
Rozdział 8 Postać Jordana macierzy Niech F = R lub F = C Macierz J r λ) F r r postaci λ 1 0 0 0 λ 1 J r λ) = 0 λ 1 0 0 λ gdzie λ F nazywamy klatką Jordana stopnia r Oczywiście J 1 λ) = [λ Definicja 81
Bardziej szczegółowoDokładne i graniczne rozkłady statystyk z próby
Dokładne i graniczne rozkłady statystyk z próby Przypomnijmy Populacja Próba Wielkość N n Średnia Wariancja Odchylenie standardowe 4.2 Rozkład statystyki Mówimy, że rozkład statystyki (1) jest dokładny,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XI: Testowanie hipotez statystycznych 12 stycznia 2015 Przykład Motywacja X 1, X 2,..., X N N (µ, σ 2 ), Y 1, Y 2,..., Y M N (ν, δ 2 ). Chcemy sprawdzić, czy µ = ν i σ 2 = δ 2, czyli że w obu populacjach
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowo13 Układy równań liniowych
13 Układy równań liniowych Definicja 13.1 Niech m, n N. Układem równań liniowych nad ciałem F m równaniach i n niewiadomych x 1, x 2,..., x n nazywamy koniunkcję równań postaci a 11 x 1 + a 12 x 2 +...
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 1 Zadanie Definicja 1.1. (zadanie) Zadaniem nazywamy zagadnienie znalezienia rozwiązania x spełniającego równanie F (x, d) = 0, gdzie d jest zbiorem danych (od których zależy rozwiązanie x), a F
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
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 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 szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoStruktury niezawodności systemów.
Struktury niezawodności systemów. 9 marca 2015 - system i jego schemat - struktury niezawodności a schemat techniczny System to zorganizowany zbiór elementów, współpracujacych ze soba pełniac przypisane
Bardziej szczegółowoTemperatura w atmosferze (czy innym ośrodku) jako funkcja dł. i szer. geogr. oraz wysokości.
Własności Odległości i normy w Będziemy się teraz zajmować funkcjami od zmiennych, tzn. określonymi na (iloczyn kartezja/nski egzemplarzy ). Punkt należący do będziemy oznaczać jako Przykł. Wysokość terenu
Bardziej szczegółowo1 Określenie pierścienia
1 Określenie pierścienia Definicja 1. Niech P będzie zbiorem, w którym określone są działania +, (dodawanie i mnożenie). Mówimy, że struktura (P, +, ) jest pierścieniem, jeżeli spełnione są następujące
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 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 szczegółowoA i. i=1. i=1. i=1. i=1. W dalszej części skryptu będziemy mieli najczęściej do czynienia z miarami określonymi na rodzinach, które są σ - algebrami.
M. Beśka, Wstęp do teorii miary, rozdz. 3 25 3 Miara 3.1 Definicja miary i jej podstawowe własności Niech X będzie niepustym zbiorem, a A 2 X niepustą rodziną podzbiorów. Wtedy dowolne odwzorowanie : A
Bardziej 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 szczegółowo10. Kolorowanie wierzchołków grafu
p. 10. Kolorowanie wierzchołków grafu 10.1 Definicje i twierdzenia Przez k-kolorowanie wierzchołków grafu G rozumiemy przyporzadkowanie każdemu wierzchołkowi grafu G jednego z k kolorów 1, 2,...,k. p.
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 szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład X, 9.05.206 TESTOWANIE HIPOTEZ STATYSTYCZNYCH II: PORÓWNYWANIE TESTÓW Plan na dzisiaj 0. Przypomnienie potrzebnych definicji. Porównywanie testów 2. Test jednostajnie
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoStatystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 1/15/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.1.1 ROMAN RUMIANOWSKI Statystyczna analiza awarii pojazdów
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoWykład 10 Testy jednorodności rozkładów
Wykład 10 Testy jednorodności rozkładów Wrocław, 16 maja 2018 Test Znaków test jednorodności rozkładów nieparametryczny odpowiednik testu t-studenta dla prób zależnych brak normalności rozkładów Test Znaków
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoW4 Eksperyment niezawodnościowy
W4 Eksperyment niezawodnościowy Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Badania niezawodnościowe i analiza statystyczna wyników 1. Co to są badania niezawodnościowe i
Bardziej szczegółowo4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO
Znaczenie rozkładu wykładniczego 4 51 4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO 4.1. Rozkład wykładniczy Zmienna losowa X ma rozkład wykładniczy, jeżeli funkcja gęstości prawdopodobieństwa f ( x) = λe λx x 0,
Bardziej szczegółowo26 marzec, Łańcuchy Markowa z czasem ciągłym. Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 7, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 26 marzec, 212 Łańcuchy z czasem ciągłym S = {, 1,..., }, B S = 2 S, ale T = [, ) lub T = (, ). Gdy S skończone,
Bardziej szczegółowoLokalna odwracalność odwzorowań, odwzorowania uwikłane
Lokalna odwracalność odwzorowań, odwzorowania uwikłane Katedra Matematyki i Ekonomii Matematycznej Szkoła Główna Handlowa 17 maja 2012 Definicja Mówimy, że odwzorowanie F : X R n, gdzie X R n, jest lokalnie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoRozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład
Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem
Bardziej szczegółowoRozkłady i ich dystrybuanty 16 marca F X (t) = P (X < t) 0, gdy t 0, F X (t) = 1, gdy t > c, 0, gdy t x 1, 1, gdy t > x 2,
Wykład 4. Rozkłady i ich dystrybuanty 6 marca 2007 Jak opisać cały rozkład jedną funkcją? Aby znać rozkład zmiennej X, musimy umieć obliczyć P (a < X < b) dla dowolnych a < b. W tym celu wystarczy znać
Bardziej szczegółowoTechnologie i systemy oparte na logice rozmytej
Zagadnienia I Technologie i systemy oparte na logice rozmytej Mają zastosowania w sytuacjach kiedy nie posiadamy wystarczającej wiedzy o modelu matematycznym rządzącym danym zjawiskiem oraz tam gdzie zbudowanie
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy
Bardziej szczegółowo1. Synteza automatów Moore a i Mealy realizujących zadane przekształcenie 2. Transformacja automatu Moore a w automat Mealy i odwrotnie
Opracował: dr hab. inż. Jan Magott KATEDRA INFORMATYKI TECHNICZNEJ Ćwiczenia laboratoryjne z Logiki Układów Cyfrowych ćwiczenie 207 Temat: Automaty Moore'a i Mealy 1. Cel ćwiczenia Celem ćwiczenia jest
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
Bardziej szczegółowoAlgebrą nazywamy strukturę A = (A, {F i : i I }), gdzie A jest zbiorem zwanym uniwersum algebry, zaś F i : A F i
Algebrą nazywamy strukturę A = (A, {F i : i I }), gdzie A jest zbiorem zwanym uniwersum algebry, zaś F i : A F i A (symbol F i oznacza ilość argumentów funkcji F i ). W rozważanych przez nas algebrach
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa
Bardziej szczegółowoLOGIKA I TEORIA ZBIORÓW
LOGIKA I TEORIA ZBIORÓW Logika Logika jest nauką zajmującą się zdaniami Z punktu widzenia logiki istotne jest, czy dane zdanie jest prawdziwe, czy nie Nie jest natomiast istotne o czym to zdanie mówi Definicja
Bardziej szczegółowoPrawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018
Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy
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 szczegółowoTeoretyczne podstawy programowania liniowego
Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i
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 szczegółowoSTOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI
1-2011 PROBLEMY EKSPLOATACJI 89 Franciszek GRABSKI Akademia Marynarki Wojennej, Gdynia STOCHASTYCZNY MODEL BEZPIECZEŃSTWA OBIEKTU W PROCESIE EKSPLOATACJI Słowa kluczowe Bezpieczeństwo, procesy semimarkowskie,
Bardziej szczegółowoModelowanie niezawodności prostych struktur sprzętowych
Modelowanie niezawodności prostych struktur sprzętowych W ćwiczeniu tym przedstawione zostaną proste struktury sprzętowe oraz sposób obliczania ich niezawodności przy założeniu, że funkcja niezawodności
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoPrzykładami ciągów, które Czytelnik dobrze zna (a jeśli nie, to niniejszym poznaje), jest ciąg arytmetyczny:
Podstawowe definicje Definicja ciągu Ciągiem nazywamy funkcję na zbiorze liczb naturalnych, tzn. przyporządkowanie każdej liczbie naturalnej jakiejś liczby rzeczywistej. (Mówimy wtedy o ciągu o wyrazach
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej szczegółowoIndukcja. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Indukcja Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Charakteryzacja zbioru liczb naturalnych Arytmetyka liczb naturalnych Jedną z najważniejszych teorii matematycznych jest arytmetyka
Bardziej szczegółowo. : a 1,..., a n F. . a n Wówczas (F n, F, +, ) jest przestrzenią liniową, gdzie + oraz są działaniami zdefiniowanymi wzorami:
9 Wykład 9: Przestrzenie liniowe i podprzestrzenie Definicja 9 Niech F będzie ciałem Algebrę (V, F, +, ), gdzie V, + jest działaniem w zbiorze V zwanym dodawaniem wektorów, a jest działaniem zewnętrznym
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoWykład 9 Testy rangowe w problemie dwóch prób
Wykład 9 Testy rangowe w problemie dwóch prób Wrocław, 18 kwietnia 2018 Test rangowy Testem rangowym nazywamy test, w którym statystyka testowa jest konstruowana w oparciu o rangi współrzędnych wektora
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
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 szczegółowoO pewnych związkach teorii modeli z teorią reprezentacji
O pewnych związkach teorii modeli z teorią reprezentacji na podstawie referatu Stanisława Kasjana 5 i 12 grudnia 2000 roku 1. Elementy teorii modeli Będziemy rozważać język L składający się z przeliczalnej
Bardziej szczegółowoKarol ANDRZEJCZAK
Karol ANDRZEJCZAK karol.andrzejczak@put.poznan.pl PLAN PREZENTACJI 1. OBSZAR PROBLEMOWY 2. CEL ROZPRAWY 3. GŁÓWNE WYNIKI ROZPRAWY 4. PODSUMOWANIE PLAN PREZENTACJI 1. OBSZAR PROBLEMOWY 2. CEL WYKŁADU 3.
Bardziej szczegółowoPrzestrzeń unitarna. Jacek Kłopotowski. 23 października Katedra Matematyki i Ekonomii Matematycznej SGH
Katedra Matematyki i Ekonomii Matematycznej SGH 23 października 2018 Definicja iloczynu skalarnego Definicja Iloczynem skalarnym w przestrzeni liniowej R n nazywamy odwzorowanie ( ) : R n R n R spełniające
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
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 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 szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoWykład 11 Testowanie jednorodności
Wykład 11 Testowanie jednorodności Wrocław, 17 maja 2018 Test χ 2 jednorodności Niech X i, i = 1, 2,..., k będą niezależnymi zmiennymi losowymi typu dyskretnego przyjmującymi wartości z 1, z 2,..., z l,
Bardziej szczegółowoWykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego
Wykład 10 (12.05.08). Testowanie hipotez w rodzinie rozkładów normalnych przypadek nieznanego odchylenia standardowego Przykład Cena metra kwadratowego (w tys. zł) z dla 14 losowo wybranych mieszkań w
Bardziej szczegółowoNiezawodność i Diagnostyka
Katedra Metrologii i Optoelektroniki Wydział Elektroniki Telekomunikacji i Informatyki Politechnika Gdańska Niezawodność i Diagnostyka Ćwiczenie laboratoryjne nr 3 Struktury niezawodnościowe 1. Struktury
Bardziej szczegółowoWstęp. Regresja logistyczna. Spis treści. Hipoteza. powrót
powrót Spis treści 1 Wstęp 2 Regresja logistyczna 2.1 Hipoteza 2.2 Estymacja parametrów 2.2.1 Funkcja wiarygodności 3 Uogólnione modele liniowe 3.1 Rodzina wykładnicza 3.1.1 Rozkład Bernouliego 3.1.2 Rozkład
Bardziej szczegółowo0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowob) Niech: - wśród trzech wylosowanych opakowań jest co najwyżej jedno o dawce 15 mg. Wówczas:
ROZWIĄZANIA I ODPOWIEDZI Zadanie A1. Można założyć, że przy losowaniu trzech kul jednocześnie kolejność ich wylosowania nie jest istotna. A więc: Ω = 20 3. a) Niech: - wśród trzech wylosowanych opakowań
Bardziej szczegółowoNa podstawie dokonanych obserwacji:
PODSTAWOWE PROBLEMY STATYSTYKI MATEMATYCZNEJ Niech mamy próbkę X 1,..., X n oraz przestrzeń prób X n, i niech {X i } to niezależne zmienne losowe o tym samym rozkładzie P θ P. Na podstawie obserwacji chcemy
Bardziej szczegółowoW6 Systemy naprawialne
W6 Systemy naprawialne Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Plan wykładu 1. Graf stanów elementu naprawialnego / systemu 2. Analiza niezawodnościowa systemu model Markowa
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 szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
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 szczegółowoALGEBRA Z GEOMETRIĄ MACIERZE ODWZOROWAŃ LINIOWYCH
ALGEBRA Z GEOMETRIĄ 1/10 MACIERZE ODWZOROWAŃ LINIOWYCH Piotr M. Hajac Uniwersytet Warszawski Wykład 12, 08.01.2014 Typeset by Jakub Szczepanik. Motywacje 2/10 W celu wykonania obliczeń numerycznych w zagadnieniach
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI
Bardziej szczegółowoBOGDAN ZARĘBSKI ZASTOSOWANIE ZASADY ABSTRAKCJI DO KONSTRUKCJI LICZB CAŁKOWITYCH
BOGDAN ZARĘBSKI ZASTOSOWANIE ZASADY ABSTRAKCJI DO KONSTRUKCJI LICZB CAŁKOWITYCH WSTĘP Zbiór liczb całkowitych można definiować na różne sposoby. Jednym ze sposobów określania zbioru liczb całkowitych jest
Bardziej szczegółowoRelacje. opracował Maciej Grzesiak. 17 października 2011
Relacje opracował Maciej Grzesiak 17 października 2011 1 Podstawowe definicje Niech dany będzie zbiór X. X n oznacza n-tą potęgę kartezjańską zbioru X, tzn zbiór X X X = {(x 1, x 2,..., x n ) : x k X dla
Bardziej szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 3 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Zmienna losowa i jej
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowo