wtorek, 13 marca 2012 Wykład 2012 Ewa Gudowska-Nowak, IFUJ, 441a
|
|
- Kazimierz Przybysz
- 4 lat temu
- Przeglądów:
Transkrypt
1 Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Narzędzia przypomnienie podstawowych definicji i twierdzeń z rachunku prawdopodobienstwa; podstawowe rozkłady statystyczne ważne z punktu widzenia zastosowań; Pojęcie entropii, wyprowadzenie równowagowej fizyki statystycznej; Zastosowania układy nieoddziaływujących cząstek klasycznych i kwantowych; oddziaływania i najprostszy rachunek perturbacyjny; Teoria odpowiedzi, twierdzenie fluktuacyjno-dyssypacyjne Podstawy teorii procesów stochastycznych Zastosowania: opis kinetyki chemicznej, motory molekularne. Wykład 2012 Ewa Gudowska-Nowak, IFUJ, 441a 1
2 Rachunek prawdopodobieństwa: podstawowe definicje i twierdzenia Definicja. Przestrzenią probabilistyczną nazywamy trójkę (Ω, F, P), gdzie (a) Ω to pewien niepusty zbiór; (b) F to pewna rodzina podzbiorów zbioru Ω owłasnościach F, jeżeli A F, toa c = Ω \ A F, jeżeli A 1,A 2,... F, to n=1 A n F; (c) P to funkcja, P : F [0, 1], owłasnościach: P (Ω) =1(unormowanie), dla A 1,A 2,... F, paramirozłącznych (tzn. A i A j = dla i = j) P n=1 A n = n=1 P (A n ) (przeliczalna addytywność). Ω zwany jest zbiorem zdarzeń elementarnych lub przestrzenią stanów, F to σ-ciało zdarzeń losowych, afunkcjap zwana jest prawdopodobieństwem. Elementy zbioru Ω nazywamy zdarzeniami elementarnymi i oznaczamy zwykle przez ω. Można je interpretować jako możliwe wyniki pewnego doświadczenia. Stąd nazwa przestrzeń stanów dla Ω. 2
3 Własności prawdopodobieństwa wynikające z definicji: 1. 0 P (A) 1 dla każdego A F 2. P ( ) =0, P (Ω) =1 3. P (A c )=1 P (A) 4. Jeśli A B, top (A) P (B) 5. P (A B) =P (A)+P (B) P (A B) istąd P (A B) P (A)+P (B) 6. Jeśli A 1,A 2,... to nierosnący ciąg zdarzeń losowych, tzn. A n+1 A n dla każdego n, to P ( A n ) = n lim P (A n ) n=1 7. Jeśli A 1,A 2,... to niemalejący ciąg zdarzeń losowych, tzn. A n A n+1 dla każdego n, to P ( n=1 A n ) = lim n P (A n ) 3
4 Proste przykłady Przykłady przestrzeni probabilistycznych: Trywialna przestrzeń probabilistyczna: Ω = -dowolny,f = {, Ω}, P ( ) =0, P (Ω) =1. Skończona przestrzeń stanów: Ω = {ω 1,...,ω n } -zbiórskończony, F =2 Ω - rodzina wszystkich podzbiorów zbioru Ω, każde prawdopodobieństwo P można wtedy skonstruować w następujący sposób: 1. wybieramy liczby p 1,p 2,...,p n spełniające warunki p i 0 dla każdego i = 1, 2,...,n oraz n p i =1, i=1 2. definiujemy P ({ω i }) := p i dla i =1, 2,...,n. Z własności prawdopodobieństwa mamy wtedy dla dowolnego A F P (A) = {i : ω i A} np. dla A = {ω 2, ω 5 } mamy P (A) =P ({ω 2 })+P ({ω 5 })=p 2 + p 5. p i, 4
5 Przypadek szczególny - prawdopodobieństwo klasyczne: p 1 = p 2 =...= p n =1/n. Wtedy P (A) = #A #Ω, gdzie #A oznacza liczność zbioru A. Innymisłowy, P (A) to częstość występowania zdarzeń elementarnych sprzyjających zdarzeniu A w zbiorze Ω wszystkich zdarzeń elementarnych. Do określania liczności zbiorów stosujemy kombinatorykę. Podstawowe wzory kombinatoryczne: {i 1,i 2,...,i k } -nieuporządkowana k-tka elementów zbioru n-elementowego (kombinacja). Ilość nieuporządkowanych k-tek bez powtórzeń wynosi n k = n!, k =0, 1,..., n. k!(n k)! Ilość nieuporządkowanych k-tek z powtórzeniami wynosi n + k 1 k, k =0, 1,... (i 1,i 2,...,i k ) -uporządkowana k-tka elementów zbioru n-elementowego (wariacja). Ilość uporządkowanych k-tek bez powtórzeń wynosi n!, k =0, 1,..., n. (n k)! (Uporządkowana n-ka bez powtórzeń zwana jest permutacją,ilość permutacji wynosi n!.) Ilość uporządkowanych k-tek z powtórzeniami wynosi n k, k =0, 1,... 5
6 Przeliczalna przestrzeń stanów: Ω = {ω 1, ω 2,...} -zbiórnieskończony, przeliczalny, F =2 Ω - rodzina wszystkich podzbiorów zbioru Ω, każde prawdopodobieństwo P można wtedy skonstruować w następujący sposób: 1. wybieramy ciąg liczbowy p 1,p 2,... spełniający warunki p i 0 dla każdego i =1, 2,..., oraz p i =1, i=1 2. definiujemy P ({ω i }) := p i dla i =1, 2,... Z własności prawdopodobieństwa mamy wtedy dla dowolnego A F P (A) = np. dla A = {ω 3, ω 6,...} mamy P (A) = {i : ω i A} k=1 p i, P ({ω 3k })= k=1 p 3k. Nieprzeliczalna przestrzeń stanów: Ω - zbiór nieskończony, nieprzeliczalny, F 2 Ω,naogół nie są to wszystkie podzbiory zbioru Ω, nie ma prostego przepisu na określenie prawdopodobieństwa P,dużo zależy od postaci zbioru Ω. Szczególny przypadek - prawdopodobieństwo geometryczne: 6
7 staci zbioru Ω. Szczególny przypadek - prawdopodobieństwo geometryczne: Def. Zbiory borelowskie w R (R 2, R 3 )tonajmniejszarodzinapodzbiorówprostej (płaszczyzny, przestrzeni) o własnościach rodziny F, która zawiera przedziały (koła, kule). Ω R- zbiór borelowski np. przedział, F to podzbiory borelowskie zbioru Ω. Definiujemy dla A F P (A) = długość A długość Ω. Ω R 2 - zbiór borelowski, F to podzbiory borelowskie zbioru Ω. Definiujemy dla A F P (A) = pole A pole Ω. Ω R 3 - zbiór borelowski, F to podzbiory borelowskie zbioru Ω. Definiujemy dla A F P (A) = objętość A objętość Ω. 7
8 Prawdopodobieństwo warunkowe B A P HBê AL = P HB AL P HAL Reguła Bayes a P HBê AL = df N N B A B A = N A N N = P HB AL N A P HAL P H B A L = P HBê AL P HAL = P HAêBL P HBL Niezależność statystyczna P H B A L = P HBê AL P HAL = P HBL P HAL 8
9 Twierdzenie Bayes a B A 1 A 6 A 5 A 4 Ω A 2 A 3 W = Ê A i A i A j = " i, j Na mocy wcześniejszego wyprowadzenia... P HBL = P HB A i L = P HBê A i L P HA i L i i 9
10 Funkcje rozkładu prawdopodobieństwa Prawdopodobieństwo zajścia zdarzenia x < X < x + x zapisujemy jako P Hx < X < x + xl = r X HxL x r HxL x Hostatni zapis można stosować jeśli nie prowadzi do nieporozumień L r HxL - funkcja rozkładu gęstości H î r HxL 0L î P Ha X b L = a b r HxL x 10
11 Dystrybuanta rozkładu df( x) ρ( x) dx P[ x < X x ] = F( x ) F( x ) w szczególności : P HX xl = - x r Hx'L x' oraz - r Hx'L x' =
12 w szczególności : P HX xl = - x r Hx'L x' oraz - r Hx'L x' = 1 UWAGA: podany przepis zawiera w sobie przypadek dyskretny; np. jeśli W = 8x 1, x 2,..., x n < i jeśli z każdym zdarzeniem elementarnym związane jestprawdopodobieństwo n p i : p i 0, p i = 1, wtedy n i=1 r HxL = p i d Hx - x i L i=1 12
13 PRZYPADEK ROZKŁADÓW DYSKRETNYCH P Hb X al = a br Hx'L x' = Q - f. Heavisida n i =1 1 2 p i@ Q Hb - x i L + Q Hx i - ald Przepis uogólnia się natychmiast na przypadek wielowymiarowy 13
14 Zamiana zmiennych w rozkładach 1 dim Z = f(x) Związek między zmiennymi wtedy i przypadkowymi X i Z (tr. współrzędnych z =f(x)) 1 r Z HzL = r X HxL d H z - f HxL L x =» f' Hx i HzLL» r X Hx i HzLL, gdzie 8x i HzL< : dozwolone rozwiązania równania z = f HxL dla x. W przypadku transformacji współrzędnych z Æ z HxL możemy także użyć tożsamości 1 = r X HxL x = r Z HzL z = r X Hx HzLL ƒ dx dz ƒ z î r Z HzL = r X Hx HzLL ƒ dx dz ƒ Hzgodnie z poprzednim wzoreml
15 PRZYKŁADY: r Z HzL = r X HxL d H z - f HxL L x = 1» f' Hx i HzLL» r X Hx i HzLL, gdzie 8x i HzL< : dozwolone rozwiązania równania z = f HxL dla x. i HaL niech Z = -ln HXL, r X HxL = 1, x 1D wtedy r Z HzL = r X HxL d H z - f HxL L x = 0 1 d Hz + ln HxLL x =» x» = -z Æ również z dz dx = - 1 x î r Z HzL = ƒ dx dz ƒ =» x» = -z
16 Momenty rozkładu < x n > = df - + x n r HxL x Hjeśli istnieją!l < x > : pozycja ' środka masy' rozkładu <x> HbL < x 2 > : " moment bezwładności " rozkładu względem x = 0 s = " < x 2 > - < x > 2 : wariancja jest miarą rozmycia rozkładu wokół średniej < x >; HcL < x 3 > : mierzy asymetrię rozkładu względem
17 Funkcja charakterystyczna/funkcja generująca momenty Transformata Fourier a (bądź Laplace a jeśli np. zmienna przypadkowa x określona na dodatniej półosi OX ) funkcji gęstości rozkładu prawdopodobieństwa: f HkL = df < e HikL x > = df - + e ikx r HxL x = φ(s) = s x = x p x s x HikL n < x n > n=0 Ma sens tylko wtedy, gdy szereg jest zbieżny; momenty wyższe niż pierwszy mogą nie istnieć a mimo to f(k) będzie istnieć n! φ(s) = s x = x p s x x 17
18 Własności funkcji charakterystycznej f HkL = df < e HikL x > = df - + e ikx r HxL x = HikL n < x n > n=0 n! f H0L =1 HnormalizacjaL» f HkL» 1 Hwłasności f -cji podcałkowejl f H-kL = f * HkL W praktyce wielokrotnie znamy f(k) analitycznie, natomiast nie znamy rozkładu r HxL = p - e -ikx f HkL k < x n > = lim kæ0 H-iL n dn f HkL dk n 18
19 Przykłady (a) Rozkład Lévy ego Jest to rozkład dla którego funkcja charakterystyczna ma postać: H L f HkL = exp H -c» k» a L ; 0 < a 2, c > 0 H L analitycznie postać r X HxL znana jest jedynie dla kilku wartości a H L I M H L $ H'L jeśli a = 2, wtedy ij yz f HkL = exp I-ck 2 M ô r HxL = $ 1 4 pc exp i j - x2 y z k 4 c { Hr jest rozkładem Gaussa o s 2 = 2 c L 19
20 H''L jeśli a < 2, wtedy wszystkie momenty rozkładu poza pierwszym H = 0L są nieskończone H. L Np. dla a = 1 otrzymujemy H L tzw. rozkład Cauchy' ego H znany także jako rozkład H Breita - WigneraL H r X HxL = 1 c p c 2 + x 2 L (0,1) g( x) = dθ f dx ( θ ) 1 1 = π 1+ x 2 θ - p 2 q p 2 f HqL = 1 p ; q = arc tg x ; dq dx = x 2 20
21 Rozkład sumy zmiennych losowych Często pojawiające się zagadnienie w fizyce statystycznej: średnia energia kinetyczna < v v vn 2 > : średnia prędkość < H 1 + H H N > : średnia energia nieoddziaływujących cząstek Pod średnią mamy sumę niezależnych zmiennych losowych. Można zapytać o ich rozkład prawdopodobieństwa 21
22 Wykorzystanie funkcji charakterystycznej: Niech Y N = X 1 + X X N X i ma rozkład r Hx i L Hidentyczna funkcja " x i L; szukamy rozkładu dla Y N : r YN HyL r YN HyL =... d@ y - Hx x N L D r Hx 1 L... r Hx N L x 1... x N wtedy f YN HkL = e iky r YN HyL y f X HkLD N, gdzie f X HkL = e ikx r HxL x HpokazaćL
23 (d) przykład: rozkład dwumienny: (modelem może być rzut monetą lub błądzenie przypadkowe) przeprowadzamy sekwencję N - statystycznie niezależnych H L doświadczeń, których wynikiem H z założenial są dwie wartości : 0 lub 1 H L H p L H0L = q p H1L = p p + q = 1 w sekwencji N prób : 0 wypada n 0 - razy 1 wypada n 1 - razy n 0 + n 1 = N wtedy 4-15 P N Hn 1 L = N! n 0! n 1! qn 0 p n 1 N n1 =0 P N Hn 1 L = Hp + ql N = 1 23
24 Na sekwencję prób można też popatrzeć z innego punktu widzenia. Wyobraźmy sobie, że zmienna stochastyczna X i opisuje wynik i - tej próby i może mieć dwie realizacje : x = 0 x = 1 z prawd. q z prawd. p wtedy gęstość prawdopodobieństwa r HxL = q d HxL + p d Hx - 1L i funkcja charakterystyczna i - tej próby dana jest przez f HkL = - + e ikx r HxL x = - + e d HxL + p d Hx - 1LD x = q + p e ik W = 8x 1, x 2,..., x n < i jeśli z każdym zdarzeniem elementarnym związane jest prawdopodobieństwo n p i : p i 0, p i = 1, wtedy i= n r HxL = p i d Hx - x i L i=1
25 f HkL = q + p e ik Rozważmy obecnie zmienną losową będącą sumą N - niezależnych prób : Y N = X 1 + X X N wtedy r YN HyL =... d@ y - Hx x N L D r Hx 1 L... r Hx N L x 1... x N f YN HkL = e iky r YN HyL y f HkLD N + p e ik D N 25
26 UWAGA: CENTRALNE TWIERDZENIE GRANICZNE Druga część ostatniego zadania jest szczególnym przypadkiem tzw. Centralnego Twierdzenia Granicznego, które można sformułować następująco: niech X i - statystycznie niezależne zmienne losowe o rozkładzie r HxL, który ma skończone momenty wtedy zmienna losowa Y N = 1 N HX X N L - < x > ma rozkład NÆ r YN HyL æô 1 &'''''''''''''''''''''' 2 p Hs 2 x ênl exp i j - y 2 y k 2 Hs 2 z x ênl, gdzie s 2 x = < x 2 > - < x > 2 {
27 Y N = 1 N HX X N L - < x > ma rozkład r YN HyL æ NÆ ô 1 &'''''''''''''''''''''' 2 p Hs 2 x ê NL exp i j - y 2 k 2 Hs 2 x ê NL y z, { gdzie s 2 x = < x 2 > - < x > 2 Rozkład Gaussa w granicy dużych N Dyspersja rozkładu zachowuje się jak "############## Hs x 2 ênl ~ 1 è!!!! N 27
28 Rozkłady stabilne (klasa rozkładów nieskończenie podzielnych) Definicja Niech X 1,..., X N będą niezależnymi zmiennymi losowymi o identycznych rozkładach r X HxL. Niech Y N = X X N będzie zmienną losową reprezentującą sumę zmiennych losowych. Rozkład r X HxL nazwiemy stabilnym jeśli " N rozkład r YN HyL jest opisywany tą samą funkcyjną zależnościa co r X Htzn. różnica jest jedynie w wartości parametrów a nie w kształcie funkcjil. 28
29 Rozkłady stabilne Gęstość rozkładu prawdopodobieństwa jest stabilna, jeśli jest niezmiennicza ze względu na konwolucję, tj. istnieja takie stałe a>0 i b, że zachodzi: ρ( al 1 + b) ρ( al b 2 ) = + dlρ ( a( z l 1 + b) ρ( al b 2 ) = ρ( az+ b) Dla dowolnych rzeczywistych a 1 >0, b 1 oraz a 2 >0, b 2 29
30 Przykład: rozkład Gaussa H a+x 1 L 2 2 σ 1 2 ρ 1 = è 2 π σ1 ρ 2 = H b+x 2 L2 2 σ 2 2 è 2 π σ2 ρ Y Hy = x 1 + x 2 L = Ha+b yl2 2 Iσ 1 2 +σ2 2 M è 2 π I è σ1 2 + σ 2 2 M Rozkłady stabilne są samopodobne
31 Pomocne podejście z użyciem funkcji charakterystyznych: pozwala rozwiązać zagadnienie rozkładów stabilnych całkiem ogólnie r Xi Hx i L = r HX i L Jeśli Y N = X X N ìììììììììììì î " N f è Y N HkL f X HkLD N f èy N HkL = e iky r YN HyL y f HkLD N W.K.W. na to aby mieć r. stabilny: èy f HkL = f Hk, 8a' HNL<L f Hk, 8a<LD N N 31
32 Przykłady: f èy N HkL = f Hk, 8a' HNL<L f Hk, 8a<LD N (a) Rozkład Gaussa 1 r YN HyL = &''''''''''''' exp i 2 Hy - al 2 j- 2 2 ps Y k 2 s Y y z { f è Y N HkL = iak - s 2 Y 2 k2 f HkL = $%%%%%%%%%%%%%%%%%%%% iak - s 2 N Y k 2 2 = i H a N L k - s 2 Y 2 N k 2 1 r X HxL = &''''''''''''''''''''''' 2 p Is 2 Y ënm 32 i Ix - y exp j - k 2 Is 2 Y ënm z { a M 2 N
33 Przykłady: f è Y N HkL = f Hk, 8a' HNL<L f Hk, 8a<LD N (a) Rozkład L evy ego è fy N HkL = exp H-c»k» a L; 0< a 2, c>0 H tylko1-szy moment jest skończonyl f HkL = "############################ N exp H -c» k» a L = expa - i j c k N y z { k ƒa E ƒ 33
34 Przykłady symetrycznych rozkładów Lévy ego, ciężkie ogony 34
35 Różne typy błądzenia przypadkowego ze stabilnym rozkładem długości skoku 1-dim trajektoria błądzenie w 2-dim długość kroku losowana z rozkładu Levy ego
36 Przykłady: Rozkład Bernoulliego: Dla X orozkładzie B(n, p) mamy n n EX = k p k (1 p) n k = np k = np k=0 n 1 l=0 n 1 l Rozkład wykładniczy: Dla X orozkładzie Exp(λ) mamy EX = 0 xλe λx dx = 1 λ n k=1 n 1 p k 1 (1 p) n 1 (k 1) = k 1 p l (1 p) n 1 l = np(p +1 p) n 1 = np. 0 t 2 1 e t dt = 1 λ Γ(2) = 1 λ. Mediana (in. wartość środkowa), kwantyle rzędu q, 0 <q<1 Kwantyl rzędu q to taki punkt x q,dlaktórego F (x q ) q F (x q +0). Jeśli dystrybuanta jest funkcją ciągłą, towarunektenupraszczasię do F (x q )=q. Mediana to kwantyl rzędu q =0, 5. Zarówno mediana jak wartość oczekiwana są miarami położenia rozkładu zmiennej losowej X. 36
37 Działania na zmiennych losowych (X, Y ) to wektor losowy. Definiujemy zmienną losową Z = g(x, Y ), gdzieg jest odpowiednią funkcją. Abyokreślić rozkład Z, potrzebnajestznajomość rozkładu łącznego zmiennych losowych X i Y. Najważniejsze przykłady: (a) suma Z = X + Y (b) iloczyn Z = XY Wiadomo, że = n T 1 EZ =Eg(X, Y )= k T 2 g(x n,y k )p nk, g(x, y)f(x, y)dxdy, o ile całka (szereg) zbieżne. Stąd jeśli istnieją EX i EY,to g(x, y)df X,Y (x, y) = gdy X ma rozkład dyskretny zadany ciągiem {(x n,y k,p nk ),n T 1,k T 2 }; gdy X ma rozkład ciągły o gęstości f(x, y). E(X + Y )=EX +EY 37
38 Stąd jeśli istnieją EX i EY,to E(X + Y )=EX +EY oraz jeśli istnieją D 2 X i D 2 Y,to D 2 (X + Y )=D 2 X +D 2 Y +2(E(XY ) EXEY ). Definicja: Przy założeniu, że istnieją D 2 X>0 i D 2 Y > 0, określamy współczynnik korelacji zmiennych losowych X i Y jako: ρ XY = E(XY ) EXEY D2 X D 2 Y. Własności współczynnika korelacji: ρ XY 1. ρ XY =1wtedy i tylko wtedy, gdy Y = ax + b dla pewnych stałych a = 0,b,przy czym ρ XY =1odpowiada a>0, aρ XY = 1 odpowiada a<0 (pełna liniowa zależność Y od X). Gdy ρ XY =0, mówimy, że X i Y są nieskorelowane. 38
39 Niezależność zmiennych losowych Definicja: Zmienne losowe X i Y są niezależne, gdy dla dowolnych borelowskich zbiorów B 1 i B 2 zdarzenia {X B 1 } i {Y B 2 } są niezależne, tzn. P (X B 1,Y B 2 )= P (X B 1 )P (Y B 2 ). Zmienne losowe X 1,X 2,...,X n są niezależne, gdy dla dowolnych borelowskich zbiorów B 1, B 2,...,B n rodzina {{X i B i },i=1, 2,...,n} jest rodziną zdarzeń niezależnych. Fakt: Zmienne losowe X i Y są niezależne wtedy i tylko wtedy, gdy Wówczas astąd F X,Y (x, y) =F X (x)f Y (y) EXY =EXEY D 2 (X + Y )=D 2 X +D 2 Y oraz ρ XY =0, oilewartości oczekiwane i wariancje istnieją, wariancjesą niezerowe. Zatem jeśli zmienne losowe o skończonych i niezerowych wariancjach są niezależne, to są też nieskorelowane. Implikacja odwrotna nie jest prawdziwa. Suma niezależnych zmiennych losowych. X i Y to niezależne zmienne losowe odpowiednio o dystrybuantach F X (x) i F Y (y). Wówczas Z = X + Y ma rozkład o dystrybuancie F X+Y (z) = Jest to tzw. splot dystrybuant (miar). F X (z y)df Y (y). Jeśli X i Y mają rozkłady ciągłe ogęstościach odpowiednio f X (x) i f Y (y), to Z = X + Y też ma rozkład ciągły ogęstości f X+Y (z) = f X (z y)f Y (y)dy =(f X f Y )(z). 39
40 Modele fizyki statystycznej z prawdopodobieństwem klasycznym: Rozważamy układ n cząstek. Każda cząstka zajmuje jeden z N poziomów energetycznych. Układ znajduje się w stanie (k 1,...,k N ),gdydokładnie k i cząstek zajmuje i-ty poziom energetyczny, i =1,...,N,(zatemmusibyć k k N = n). Szukamy prawdopodobieństwa p k1,...,k N znalezienia się układu w stanie (k 1,...,k N ). Możliwe są następujące przypadki: cząstki są rozróżnialne albo nierozróżnialne; obowiązuje lub nie zasada wyłączności (in. zasada Pauliego), tzn. zasada, że na jednym poziomie energetycznym może znajdować się co najwyżej jedna cząstka. 1. Przypadek, gdy cząstki są rozróżnialne i obowiązuje zasada wyłączności. Ω = {(i 1,...,i n ), gdzie i j to numer poziomu energetycznego zajmowanego przez cząstkę nr j, bez powtórzeń}, F =2 Ω, P to prawdopodobieństwo klasyczne. N! #Ω = (N n)!. 2. Przypadek, gdy cząstki są rozróżnialne i nie obowiązuje zasada wyłączwtorek, 13 marca 2012 Stan (k 1,...,k N ) to ciąg zerijedynekzdokładnie n jedynkami. Zdarzenie A = {układ jest w stanie (k 1,...,k N )} = = {zdarzenia elementarne utworzone z n numerów miejsc z jedynkami}. #A = n! (liczba permutacji zbioru tych numerów). Stąd p k1,...,k N = P (A) = #A #Ω = n! N! (N n)! stanów. = 1 N n. Jest ono takie samo dla wszystkich 40
41 2. Przypadek, gdy cząstki są rozróżnialne i nie obowiązuje zasada wyłączności: model Maxwella Boltzmanna. Ω = {(i 1,...,i n ), gdzie i j to numer poziomu energetycznego zajmowanego przez cząstkę nr j, możliwe powtórzenia}, F =2 Ω, P to prawdopodobieństwo klasyczne. #Ω = N n. Zdarzenie A = {układ jest w stanie (k 1,...,k N )} = = {zdarzenia elementarne zawierające k 1 jedynek, k 2 dwójek,..., k N N-ek}. #A = n n k1 k 1 k 2... n (k k N 1 ) n! k N = (liczba możliwości wyboru k 1!k 2!...k N! miejsc na jedynki, miejsc na dwójki, itd.). Stąd p k1,...,k N = P (A) = #A #Ω = n! k 1!k 2!...k N!N. n 41
42 3. Przypadek, gdy cząstki są nierozróżnialne i obowiązuje zasada wyłączności: model Fermiego-Diraca. (dobrze opisuje zachowanie elektronów, protonów, neutronów) Ω = {{i 1,...,i n }, gdzie jest to zbiór numerów poziomów energetycznych zajmowanych przez cząstki, bez powtórzeń}, F =2 Ω, P to prawdopodobieństwo klasyczne. #Ω = N n. Stan (k 1,...,k N ) to ciąg zerijedynekzdokładnie n jedynkami. Zdarzenie A = {układ jest w stanie (k 1,...,k N )} = = {zdarzenie elementarne utworzone z n numerów miejsc z jedynkami}. #A =1. Stąd p k1,...,k N = P (A) = #A #Ω = 1 N n. Jest ono takie samo dla wszystkich stanów i takie samo jak dla przypadku cząstek rozróżnialnych. 4. Przypadek, gdy cząstki są nierozróżnialne i nie obowiązuje zasada wyłączności: model Bosego-Einsteina. (dobrze opisuje zachowanie fotonów, jąder atomowych, atomów zawierających parzystą liczbę cząstek elementarnych) Ω = {{i 1,...,i n }, gdzie jest to zbiór numerów poziomów energetycznych zajmowanych przez cząstki, możliwe powtórzenia}, F =2 Ω, P to prawdopodobieństwo klasyczne. #Ω = N+n 1 n. Zdarzenie A = {układ jest w stanie (k 1,...,k N )} = = {zdarzenie elementarne zawierające k 1 jedynek, k 2 dwójek,..., k N N-ek}. #A =1.. Jest ono takie samo dla wszystkich sta- Stąd p k1,...,k N = P (A) = #A #Ω = 1 n nów. N+n 1 42
43 cząstkę nr j, możliwe powtórzenia}, F =2 Ω, P to prawdopodobieństwo klasyczne. #Ω = N n. Zdarzenie A = {układ jest w stanie (k 1,...,k N )} = = {zdarzenia elementarne zawierające k 1 jedynek, k 2 dwójek,..., k N N-ek}. #A = n n k1 k 1 k 2... n (k k N 1 ) n! k N = (liczba możliwości wyboru k 1!k 2!...k N! miejsc na jedynki, miejsc na dwójki, itd.). Stąd p k1,...,k N = P (A) = #A #Ω = n! k 1!k 2!...k N!N. n 3. Przypadek, gdy cząstki są nierozróżnialne i obowiązuje zasada wyłączności: model Fermiego-Diraca. (dobrze opisuje zachowanie elektronów, protonów, neutronów) Ω = {{i 1,...,i n }, gdzie jest to zbiór numerów poziomów energetycznych zajmowanych przez cząstki, bez powtórzeń}, F =2 Ω, P to prawdopodobieństwo klasyczne. #Ω = N n. Stan (k 1,...,k N ) to ciąg zerijedynekzdokładnie n jedynkami. Zdarzenie A = {układ jest w stanie (k 1,...,k N )} = = {zdarzenie elementarne utworzone z n numerów miejsc z jedynkami}. #A =1. Stąd p k1,...,k N = P (A) = #A #Ω = 1 N n. Jest ono takie samo dla wszystkich stanów i takie samo jak dla przypadku cząstek rozróżnialnych. 43
Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień
Fizyka statystyczna, elementy termodynamiki nierównowagowej Cele, zakres zagadnień Narzędzia przypomnienie podstawowych definicji i twierdzeń z rachunku prawdopodobienstwa; podstawowe rozkłady statystyczne
Bardziej szczegółowoWykład 1: Przestrzeń probabilistyczna. Prawdopodobieństwo klasyczne. Prawdopodobieństwo geometryczne.
Rachunek prawdopodobieństwa MAP1151 Wydział Elektroniki, rok akad. 2011/12, sem. letni Wykładowca: dr hab. A. Jurlewicz Wykład 1: Przestrzeń probabilistyczna. Prawdopodobieństwo klasyczne. Prawdopodobieństwo
Bardziej szczegółowoTERMODYNAMIKA I FIZYKA STATYSTYCZNA
TERMODYNAMIKA I FIZYKA STATYSTYCZNA Lech Longa pok. D.2.49, II piętro, sektor D Zakład Fizyki Statystycznej e-mail: lech.longa@uj.edu.pl Dyżury: poniedziałki 13-14 można się umówić wysyłając e-maila 1
Bardziej szczegółowoTERMODYNAMIKA I FIZYKA STATYSTYCZNA
TERMODYNAMIKA I FIZYKA STATYSTYCZNA Lech Longa pok. D.2.49, II piętro, sektor D Zakład Fizyki Statystycznej e-mail: lech.longa@uj.edu.pl Dyżury: poniedziałki 14-15.50 można się umówić wysyłając e-maila
Bardziej szczegółowoWykład 3 Jednowymiarowe zmienne losowe
Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej
Bardziej 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 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 szczegółowoWykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.
Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.
Bardziej szczegółowoWykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.
Bardziej szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej 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 szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X
Bardziej 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 szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej 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 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 szczegółowoPodstawy metod probabilistycznych. dr Adam Kiersztyn
Podstawy metod probabilistycznych dr Adam Kiersztyn Przestrzeń zdarzeń elementarnych i zdarzenia losowe. Zjawiskiem lub doświadczeniem losowym nazywamy taki proces, którego przebiegu i ostatecznego wyniku
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej 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 szczegółowoZmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014
Zmienne losowe i ich rozkłady. Momenty zmiennych losowych. Wrocław, 10 października 2014 Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe
Bardziej szczegółowoJeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.
Bardziej szczegółowoĆwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.
Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu. A Teoria Definicja A.1. Niech (Ω, F, P) będzie przestrzenią probabilistyczną. Zmienną losową określoną na przestrzeni Ω nazywamy dowolną
Bardziej szczegółowo1 Elementy kombinatoryki i teorii prawdopodobieństwa
1 Elementy kombinatoryki i teorii prawdopodobieństwa 1.1 Elementy kombinatoryki W rozwiązywaniu pewnych problemów związanych z obliczaniem prawdopodobieństwa o skończonej liczbie zdażeń elementarnych bardzo
Bardziej szczegółowo12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej
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 szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoRozdział 1. Zmienne losowe, ich rozkłady i charakterystyki. 1.1 Definicja zmiennej losowej
Rozdział 1 Zmienne losowe, ich rozkłady i charakterystyki 1.1 Definicja zmiennej losowej Zbiór możliwych wyników eksperymentu będziemy nazywać przestrzenią zdarzeń elementarnych i oznaczać Ω, natomiast
Bardziej szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
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 szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowoZadania do Rozdziału X
Zadania do Rozdziału X 1. 2. Znajdź wszystkie σ-ciała podzbiorów X, gdy X = (i) {1, 2}, (ii){1, 2, 3}. (b) Znajdź wszystkie elementy σ-ciała generowanego przez {{1, 2}, {2, 3}} dla X = {1, 2, 3, 4}. Wykaż,
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 2013/2014 Wykład 3 Zmienna losowa i jej rozkłady Zdarzenia losowe Pojęcie prawdopodobieństwa
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. L. Kowalski, Statystyka, 2005
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 1. Literatura: Marek Cieciura, Janusz Zacharski, Metody probabilistyczne w ujęciu praktycznym, L. Kowalski, Statystyka, 2005 R.Leitner, J.Zacharski, "Zarys matematyki
Bardziej szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
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 szczegółowoP (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)
Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P
Bardziej 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 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 szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA
Wydział: WiLiŚ, Transport, sem.2 dr Jolanta Dymkowska RACHUNEK PRAWDOPODOBIEŃSTWA - POJĘCIA WSTĘPNE MATERIAŁY POMOCNICZE - TEORIA Przestrzeń probabilistyczna Modelem matematycznym (tj. teoretycznym, wyidealizowanym,
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 szczegółowoRachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 1
Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 1 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Jakubowski, Sztencel:
Bardziej szczegółowoSTATYSTYKA wykład 1. Wanda Olech. Katedra Genetyki i Ogólnej Hodowli Zwierząt
STTYSTYK wykład 1 Wanda Olech Katedra Genetyki i Ogólnej Hodowli Zwierząt Plan wykładów Data WYKŁDY 1.X rachunek prawdopodobieństwa; 8.X zmienna losowa jednowymiarowa, funkcja rozkładu, dystrybuanta 15.X
Bardziej szczegółowoWYKŁAD 15. Gęstość stanów Zastosowanie: oscylatory kwantowe (ª bosony bezmasowe) Formalizm dla nieoddziaływujących cząstek Bosego lub Fermiego
WYKŁAD 15 Gęstość stanów Zastosowanie: oscylatory kwantowe (ª bosony bezmasowe) Formalizm dla nieoddziaływujących cząstek Bosego lub Fermiego 1 Statystyka nieoddziaływujących gazów Bosego i Fermiego Bosony
Bardziej szczegółowoWykład 4, 5 i 6. Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej
Wykład 4, 5 i 6 Elementy rachunku prawdopodobieństwa i kombinatoryki w fizyce statystycznej dr hab. Agata Fronczak, prof. PW Wydział Fizyki, Politechnika Warszawska 1 stycznia 2017 dr hab. A. Fronczak
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
Bardziej szczegółowoWartość oczekiwana Mediana i dominanta Wariancja Nierówności związane z momentami. Momenty zmiennych losowych Momenty wektorów losowych
Przykład(Wartość średnia) Otrzymaliśmy propozycję udziału w grze polegającej na jednokrotnym rzucie symetryczną kostką. Jeśli wypadnie 1 wygrywamy2zł,;jeśliwypadnie2,płacimy1zł;za3wygrywamy 4zł;za4płacimy5zł;za5wygrywamy3złiwreszcieza6
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 4.03.06 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 05/06 Zmienne losowe, jednowymiarowe rozkłady zmiennych losowych Pomiar jako zdarzenie
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 szczegółowoPRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW
PRAWDOPODOBIEŃSTWO. ZMIENNA LOSOWA. TYPY ROZKŁADÓW Rachunek prawdopodobieństwa (probabilitis - prawdopodobny) zajmuje się badaniami pewnych prawidłowości (regularności) zachodzących przy wykonywaniu doświadczeń
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 szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 2. Aksjomatyczna definicja prawdopodobieństwa Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 10.10.2017 1 / 33 Klasyczna definicja prawdopodobieństwa
Bardziej szczegółowo2. 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 szczegółowoZmienne losowe. Statystyka w 3
Zmienne losowe Statystyka w Zmienna losowa Zmienna losowa jest funkcją, w której każdej wartości R odpowiada pewien podzbiór zbioru będący zdarzeniem losowym. Zmienna losowa powstaje poprzez przyporządkowanie
Bardziej szczegółowo1 Rachunek prawdopodobieństwa
1 Rachunek prawdopodobieństwa 1. Obliczyć średnią i wariancję rozkładu Bernouliego 2. Wykonać przejście graniczne p 0, N w rozkładzie Bernouliego przy zachowaniu stałej wartości średniej: λ = N p = const
Bardziej szczegółowoElementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska)
Elementy rachunku prawdopodobieństwa (M. Skośkiewicz, A. Siejka, K. Walczak, A. Szpakowska) Twierdzenie (o mnożeniu) Podstawowe pojęcia i wzory kombinatoryczne. Niech,, będą zbiorami mającymi odpowiednio,,
Bardziej szczegółowoStatystyka i eksploracja danych
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja
Bardziej szczegółowoPojęcie przestrzeni probabilistycznej
Pojęcie przestrzeni probabilistycznej Definicja (przestrzeni probabilistycznej) Uporządkowany układ < Ω, S, P> nazywamy przestrzenią probabilistyczną jeśli (Ω) Ω jest niepustym zbiorem zwanym przestrzenia
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3. ZMIENNA LOSOWA JEDNOWYMIAROWA. Zmienną losową X nazywamy funkcję (praktycznie każdą) przyporządkowującą zdarzeniom elementarnym liczby rzeczywiste. X : Ω R (dokładniej:
Bardziej szczegółowoWynik pomiaru jako zmienna losowa
Wynik pomiaru jako zmienna losowa Wynik pomiaru jako zmienna losowa Zmienne ciągłe i dyskretne Funkcja gęstości i dystrybuanta Wartość oczekiwana Momenty rozkładów Odchylenie standardowe Estymator zmiennej
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoZmienne losowe. dr Mariusz Grządziel Wykład 12; 20 maja 2014
Zmienne losowe dr Mariusz Grządziel Wykład 2; 20 maja 204 Definicja. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoMetody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x),
Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: Fx sinx, Fx a e x mogą być dystrybuantami?. Podaj twierdzenie Lindeberga
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa
Rachunek prawdopodobieństwa Rozdział 2. Aksjomatyczne ujęcie prawdopodobieństwa 2.1. σ ciało (algebra) zdarzeń Katarzyna Rybarczyk-Krzywdzińska losowe Zdarzenie losowe to pewien podzbiór przestrzeni zdarzeń
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoRozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe
Statystyka i opracowanie danych W4 Rozkład normalny Parametry rozkładu zmiennej losowej Zmienne losowe wielowymiarowe Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Rozkład normalny wykres funkcji gęstości
Bardziej 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 szczegółowoStatystyka. Magdalena Jakubek. kwiecień 2017
Statystyka Magdalena Jakubek kwiecień 2017 1 Nauka nie stara się wyjaśniać, a nawet niemal nie stara się interpretować, zajmuje się ona głównie budową modeli. Model rozumiany jest jako matematyczny twór,
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoWYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki
WYKŁAD Z ANALIZY MATEMATYCZNEJ I dr. Elżbieta Kotlicka Centrum Nauczania Matematyki i Fizyki http://im0.p.lodz.pl/~ekot Łódź 2006 Spis treści 1. CIĄGI LICZBOWE 2 1.1. Własności ciągów liczbowych o wyrazach
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 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 szczegółowoWybrane rozkłady zmiennych losowych. Statystyka
Wybrane rozkłady zmiennych losowych Statystyka Rozkład dwupunktowy Zmienna losowa przyjmuje tylko dwie wartości: wartość 1 z prawdopodobieństwem p i wartość 0 z prawdopodobieństwem 1- p x i p i 0 1-p 1
Bardziej szczegółowoWykład 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 08/9 Zarządzanie e-mail: www: konsultacje: rafal.kucharski@ue.katowice.pl http://web.ue.katowice.pl/rkucharski/ Piątki, 5:0-6:0,
Bardziej szczegółowoWstęp. Kurs w skrócie
Mariola Zalewska Zakład Metod Matematycznych i Statystycznych Zarządzania Wydział Zarządzania Uniwersystet Warszawski I rok DSM Rachunek Prawdopodobieństwa Wstęp Kombinatoryka Niezależność zdarzeń, Twierdzenie
Bardziej szczegółowoPROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)
PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoRachunek prawdopodobieństwa
Rachunek prawdopodobieństwa Sebastian Rymarczyk srymarczyk@afm.edu.pl Tematyka zajęć 1. Elementy kombinatoryki. 2. Definicje prawdopodobieństwa. 3. Własności prawdopodobieństwa. 4. Zmienne losowe, parametry
Bardziej szczegółowoBiostatystyka, # 3 /Weterynaria I/
Biostatystyka, # 3 /Weterynaria I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, p. 221 bud. CIW, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowo5 Równania różniczkowe zwyczajne rzędu drugiego
5 Równania różniczkowe zwyczajne rzędu drugiego Definicja 5.1. Równaniem różniczkowym zwyczajnym rzędu drugiego nazywamy równanie postaci F ( x, y, y, y ) = 0, (12) w którym niewiadomą jest funkcja y =
Bardziej szczegółowoRodzinę spełniającą trzeci warunek tylko dla sumy skończonej nazywamy ciałem (algebrą) w zbiorze X.
1 σ-ciała Definicja 1.1 (σ - ciało) σ - ciałem (σ - algebrą) w danym zbiorze X (zwanym przestrzenią) nazywamy rodzinę M pewnych podzbiorów zbioru X, spełniającą trzy warunki: 1 o M; 2 o jeśli A M, to X
Bardziej szczegółowoPrzykłady 6.1 : charakterystyki liczbowe rozkładów dyskretnych
Rachunek Prawdopodobieństwa MAP8 Wydział Matematyki, Matematyka Stosowana Przykłady 6. Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa. Transformacje zmiennej losowej. Opracowanie:
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowo