Systemy obsługi ze wspólną pamięcią

Wielkość: px
Rozpocząć pokaz od strony:

Download "Systemy obsługi ze wspólną pamięcią"

Transkrypt

1 Systemy obsłgi ze wspólną pamięcią dr Marcin Ziółkowski 14 listopada 2014 r.

2 SCHEMAT DZIAŁANIA SYSTEMU OBSŁUGI ZGŁOSZEŃ NIEJEDNORODNYCH Rysnek: Schemat działania system obsłgi zgłoszeń niejednorodnych

3 KLASYFIKACJA SYSTEMÓW OBSŁUGI ZGŁOSZEŃ NIEJEDNORODNYCH NiechVbędzieobjętościąpamięci,azmiennelosoweξorazζ oznaczają odpowiednio czas obsłgi i objętość zgłoszenia. Z wagi na charakter zależności zmiennych losowych ξ oraz ζ, a także wielkość V modele takich systemów możemy zaliczać do jednej z następjących klas: 1 Modele,dlaktórychV =,azmiennelosoweξiζsą niezależne. 2 Modele,dlaktórychV<,azmiennelosoweξiζsą niezależne. 3 Modele,dlaktórychV =,azmiennelosoweξiζsą zależne. 4 Modele,dlaktórychV<,azmiennelosoweξiζsą zależne.

4 ANALIZA MODELU SERWERA Rozpatrjemy dwa działające niezależnie od siebie klasyczne systemyobsłgitypm/m/n/m,oznaczającjejakom/m/n i /m i, gdziei=1,2,1 n i,0 m i. Niecha i,µ i będąparametramiwejściowego(najprostszego) strmienia żądań oraz czas obsłgi dla i-tego system. Dodatkowo zakładamy, że każde żądanie w i-tym systemie posiada pewienlosowyrozmiarζ i. OznaczmyprzezL i (x)dystrybantęzmiennejlosowejζ i orazprzez σ(t) objętość smaryczną wszystkich żądań obecnych w pamięci serwera pochodzących od ob systemów w chwili t. Załóżmy teraz, żeczasobsłgiżądańniezależyodichrozmiaroraz,żeoba systemy są połączone poprzez wspólną ograniczoną wielkością V pamięć. Z powod ostatniego założenia systemy te oczywiście stają się zależne.

5 OZNACZENIA, PROCES OPISUJĄCY DZIAŁANIE SYSTEMU Niechη i (t)będzieliczbążądańwi-tymsystemiewchwiliczast, i =1,2. Przezσ i j (t)oznaczmyrozmiarj-tegożądaniaobecnegowi-tym systemiewchwiliczast,j =1,η i (t). Wówczas analizowany kład dwóch systemów może być opisany przez poniższy proces markowowski ( ) η 1 (t),η 2 (t),σj 1 (t),j =1,η 1 (t),σj 2 (t),j =1,η 2 (t), (1) gdzie 2 η i (t) i=1j=1 σj i (t) =σ(t).

6 FUNKCJE OPISUJĄCE BADANY PROCES Analizowany proces możemy charakteryzować poprzez poniższe fnkcje: G(k 1,k 2,x,t) =P{η 1 (t) =k 1,η 2 (t) =k 2,σ(t)<x}; (2) P(k 1,k 2,t) =P{η 1 (t) =k 1,η 2 (t) =k 2 } =G(k 1,k 2,V,t), (3) k i =0,n i +m i,k 1 +k 2 1,i =1,2; P 0 (t) =P(0,0,t) =P{η 1 (t) =0,η 2 (t) =0}. (4)

7 RÓWNANIA OPISUJĄCE ZACHOWANIE SIĘ SYSTEMU Analizjąc zachowanie się proces(1), można zaważyć, że fnkcje (2) (4) spełniają następjące równania: P 0 (t) = (a 1L 1 (V)+a 2 L 2 (V))P 0 (t)+µ 1 P(1,0,t)+µ 2 P(0,1,t); (5) V P (0,1,t) =a 2 P(0,0,t)L 2 (V) a 1 G(0,1,V x,t)dl 1 (x) V a 2 G(0,1,V x,t)dl 2 (x) µ 2 P(0,1,t)+µ 1 P(1,1,t)+2µ 2 P(0,2,t); 0 (6) V P (1,0,t) =a 1 P(0,0,t)L 1 (V) a 1 G(1,0,V x,t)dl 1 (x) V a 2 G(1,0,V x,t)dl 2 (x) µ 1 P(1,0,t)+2µ 1 P(2,0,t)+µ 2 P(1,1,t); (7)

8 RÓWNANIA OPISUJĄCE ZACHOWANIE SIĘ SYSTEMU V P (k 1,k 2,t) = (1 δ 0,k1 )a 1 G(k 1 1,k 2,V x,t)dl 1 (x)+ 0 V +(1 δ 0,k2 )a 2 G(k 1,k 2 1,V x,t)dl 2 (x) 0 V (1 δ m1+n 1,k 1 )a 1 G(k 1,k 2,V x,t)dl 1 (x) 0 V (1 δ m2+n 2,k 2 )a 2 G(k 1,k 2,V x,t)dl 2 (x) 0 (κ 1 µ 1 +κ 2 µ 2 )P(k 1,k 2,t)+(1 δ m1+n 1,k 1 )γ 1 µ 1 P(k 1 +1,k 2,t)+ +(1 δ m2+n 2,k 2 )γ 2 µ 2 P(k 1,k 2 +1,t),k i =0,m i +n i,k 1 +k 2 2,i =1,2, (8) gdzieκ i =min(k i,n i ),γ i =min(k i +1,n i ).

9 RÓWNANIA W STANIE STACJONARNYM W trybie stacjonarnym otrzymjemy poniższe równania dla stacjonarnych odpowiedników fnkcji(2) (4): 0 = (a 1 L 1 (V)+a 2 L 2 (V))p 0 +µ 1 p(1,0)+µ 2 p(0,1); (9) V 0 =a 2 p 0 L 2 (V) a 1 g(0,1,v x)dl 1 (x) 0 V a 2 g(0,1,v x)dl 2 (x) µ 2 p(0,1)+µ 1 p(1,1)+2µ 2 p(0,2); 0 (10) V 0 =a 1 p 0 L 1 (V) a 1 g(1,0,v x)dl 1 (x) 0 V a 2 g(1,0,v x)dl 2 (x) µ 1 p(1,0)+2µ 1 p(2,0)+µ 2 p(1,1); 0 (11)

10 RÓWNANIA W STANIE STACJONARNYM V 0 = (1 δ 0,k1 )a 1 g(k 1 1,k 2,V x)dl 1 (x)+ 0 V +(1 δ 0,k2 )a 2 g(k 1,k 2 1,V x)dl 2 (x) 0 V (1 δ m1 +n 1,k 1 )a 1 g(k 1,k 2,V x)dl 1 (x) 0 V (1 δ m2 +n 2,k 2 )a 2 g(k 1,k 2,V x)dl 2 (x) 0 (κ 1 µ 1 +κ 2 µ 2 )p(k 1,k 2 )+(1 δ m1 +n 1,k 1 )γ 1 µ 1 p(k 1 +1,k 2 )+ +(1 δ m2 +n 2,k 2 )γ 2 µ 2 p(k 1,k 2 +1),k i =0,m i +n i,k 1 +k 2 2,i =1,2. (12)

11 ROZWIĄZANIE Wprowadźmy następjące oznaczenie: (n i ρ i ) k, k =0,n i, N i (k) = k! n n i iρ k i, k =n i +1,n i +m i, n i! (13) gdzieρ i =a i /(n i µ i ). Poprzez bezpośrednie podstawienie można sprawdzić, że rozwiązanie kład(9) (12) ma postać: g(k 1,k 2,x) =p 0 N 1 (k 1 )N 2 (k 2 )L (k 1) 1 L (k 2) 2 (x),k 1 +k 2 1, (14) skąd otrzymjemy p(k 1,k 2 ) =g(k 1,k 2,V) =p 0 N 1 (k 1 )N 2 (k 2 )L (k1) 1 L (k2) 2 (V),k i =0,m i +n i. (15)

12 WYZNACZENIE PRAWDOPODOBIEŃSTW ODMOWY Stacjonarneprawdopodobieństwoodmowyp i żądaniawi-tymsystemie (i =1,2)możebyćzyskanezrównaniarównowagi równanietoma następjący sens probabilistyczny w warnkach stacjonarnych średnia liczba żądań przybyłych do system w ciąg jednostki czas, które nie zostały odrzcone(tj. przyjętych do pamięci serwera) jest równa średniej liczbie żądań obsłżonych w ciąg jednostki czas. W przypadk i = 1 równanie równowagi przyjmje postać: gdziepk 1 1 = n2+m2 n ( ) 1 1 a 1 1 p 1 =µ1 k 2=0 k 1=1 p(k 1,k 2 ),pk 2 2 = n1+m1 n 1 1 k 1 pk 1 1 +n 1 µ 1 (1 k 1=0 p(k 1,k 2 ). k 1=0 p 1 k 1 ), (16)

13 WYZNACZENIE PRAWDOPODOBIEŃSTW ODMOWY Z równania(16) oraz analogicznego równania w przypadk i = 2 otrzymjemy równość: n i 1 p i =1 (n i ρ i ) 1 n k i pk i i 1 1 i ρ i 1. (17) k i =1 pk i i k i =0

14 UOGÓLNIENIE NA WIĘKSZĄ LICZBĘ URZĄDZEŃ Załóżmy,żemamykładr,r =1,2,...systemówinformatycznychtyp M/M/n/mpołączonychpoprzezwspólnąograniczonąpamięć.Niecha i, µ i będąparametramistrmieniawejściowegoorazczasobsłgidla i-tegosystemodpowiednio,i =1,r,L i (x)-dystrybantąobjętości zgłoszenia w i-tym systemie, V niech oznacza objętość pamięci. Wówczas dla prawdopodobieństw stacjonarnych p(k 1,...,k r ) =P{η 1 =k 1,...,η r =k r }otrzymjemyponiższe wyrażenie: r r p(k 1,...,k r ) =p 0 N i (k i ) i=1 i=1 L (ki) i (V), gdziefnkcjan i (k)jestokreślonawzorem(13),wktórymi =1,r.

15 UOGÓLNIENIE NA WIĘKSZĄ LICZBĘ URZĄDZEŃ Prawdopodobieństwo odmowy żądania dla i-tego system jest określone przez równość(17), przy czym p i k i = k 1,...,k i 1,k i+1,...,k r p(k 1,...,k i 1,k i,k i+1,...,k r ),k i =0,n i +m i.

16 UKŁAD DWÓCH SYSTEMÓW JEDNOLINIOWYCH Z WYKŁADNICZYM ROZMIAREM ŻĄDAŃ Załóżmyterazdodatkowo,żen 1 =n 2 =1,m 1 =m 2 = oraz rozmiary żądań dla ob systemów mają rozkład wykładniczy z parametremf:l(x) =1 e fx.dodatkowoprzypśćmy,że ρ 1 1,ρ 2 1orazρ 1 ρ 2.Wówczasotrzymjemy: k 1 +k 2 1 k p(k 1,k 2 ) =p 0 ρ 1 k 1 ρ e fv (fv) j,k i =0,1,...,i=1,2; j! j=0 (18)

17 WYZNACZENIE PRAWDOPODOBIEŃSTW ODMOWY Można wykazać, że w tym przypadk: p 1 =1 1 1 p 0 (1 ρ ) 2 e (1 ρ 2)fV. (19) ρ 1 1 ρ 2 p 2 =1 1 1 p 0 (1 ρ ) 1 e (1 ρ 1)fV. (20) ρ 2 1 ρ 1 Możnałatwopokazać,żep 1 =p. 2

18 WYZNACZENIE PRAWDOPODOBIEŃSTW ODMOWY Jeślizałożymy,żeρ 1 =ρ 2 =ρ 1,tootrzymamy p 1 =p2 = (ρ 1)2 +p 0 ( 1+e f(ρ 1)V ρ). (21) ρ(ρ 1) Jeśliρ 1 =1orazρ 2 1,towówczas p 1 =p2 =1 1 (1+fV)p 0 ρ 2. (22) Jeśliwreszcieρ 1 =1orazρ 2 =1,towtymwypadkotrzymjemy p 1 =p 2 =p 0 (1+fV). (23) Wzory mogą być ogólnione na większą ilość rządzeń obsłgi.

19 UWAGI UWAGA Podczas analizy możemy zaważyć, że badana kombinacja systemów jednoliniowych z wykładniczym rozkładem rozmiar żądań i parametrem f jednakowym dla wszystkich systemów może należeć do jednej z klas: stanstabilny(ρ i 1dlawszystkichi =1,r).Wtedydla każdegosystemmamyp 0,gdyV ; stanprzeładowania(ρ i >1przynajmniejdlajednegoi, i =1,r).Wtedydlakażdegosystemmamy p 1 min{ 1 ρ i,i =1,r},gdyV.

20 PORÓWNANIE WYNIKÓW ANALITYCZNYCH Z WYNIKAMI SYMULACJI Tabela:Prawdopodobieństwaodmowywprzypadk(ρ 1 =ρ 2 =2) V p an f =1 f =2 p 1sim p 2sim p an p 1sim p 2sim

21 PORÓWNANIE WYNIKÓW ANALITYCZNYCH Z WYNIKAMI SYMULACJI Tabela:Prawdopodobieństwaodmowywprzypadk(ρ 1 =ρ 2 =1) V p an f =1 f =2 p 1sim p 2sim p an p 1sim p 2sim

22 UWAGI C.D Jeśli parametry wykładniczego rozmiar żądań nie są jednakowe w każdym systemie, to wówczas prawdopodobieństwa trat w każdym systemie są różne. Tabela:Prawdopodobieństwaodmowywprzypadkρ 1 =1,ρ 2 =1 (wykładniczyrozkładrozmiarówprocesów,f 1 =1,f 2 =2) V p 1sim p 2sim

23 JEDNOSTAJNY ROZKŁAD ROZMIARU ŻĄDAŃ Na koniec zbadamy jeszcze jeden szczególny przypadek. Załóżmy, że dana jest kombinacja dwóch systemów jednoliniowych ze skończoną liczbą miejsc oczekiwania. Dodatkowo załóżmy, że rozmiary żądań mają jednakowy rozkład jednostajny w przedzale [a,b](0 a<b). Wykorzystjąc odwrócone przekształcenie Laplace a możemy znaleźć wzór określający splot wedłg Stieltjesa k-tego rzęd k niezależnych zmiennych losowych, z których każda ma rozkład jednostajny na odcink [a, b]: L (k) (x) = ( 1 ) k k b a l=0 ( 1) l ((b a)l bk +x) k H((b a)l bk +x), l!(k l)! gdzie H(x) jest fnkcją Heaviside a skok jednostkowego. (24)

24 JEDNOSTAJNY ROZKŁAD ROZMIARU ŻĄDAŃ Wówczas otrzymjemy następjące wyniki: Tabela:Prawdopodobieństwaodmowywprzypadkρ 1 =2,ρ 2 =3 (jednostajnyrozkładrozmiarżądań,a =1,b =3) V p 1sim p 1an p 2sim p 2an

25 JEDNOSTAJNY ROZKŁAD ROZMIARU ŻĄDAŃ Tabela:Prawdopodobieństwaodmowywprzypadkρ 1 = 1 2,ρ 2 = 1 3 (jednostajnyrozkładrozmiarżądań,a =1,b =3) V p 1sim p 2sim Możemyzaważyć,żeprawdopodobieństwaodmowyp i niesą jednakoweisązbieżnedo0wstaniestabilnymorazdo 1 1 ρ i,(i =1,2)wstanieprzeładowania,comazwiązekze skończoną liczbą miejsc oczekiwania.

26 ZASTOSOWANIA Jeżeli chodzi o techniczne realizacje model analizowanego w tym rozdziale, to możemy ich poszkiwać przede wszystkim w sieciach kompterowych. Wszędzie tam, gdzie mamy do czynienia z serwerem przechowjącym dane pochodzące od wiel żytkowników sieci kompterowej analizowany model ma swoje praktyczne zasadnienie. Przejdziemy teraz do przedstawienia kilk interesjących przypadków zastosowania analizowanego model.

27 ZASTOSOWANIA SERWER FTP Rozważamy serwer FTP, na którym żytkownicy mieszczają różnorodne pliki. Dodatkowo zakładamy, że każdy klient serwera FTP może zamieszczać pliki o maksymalnym możliwym w danej chwili rozmiarze, to znaczy ograniczenie jest związane tylko z maksymalną dostępną w danym momencie pamięcią serwera. Całkowita dostępna pamięć serwera ma rozmiar V, kolejka zamieszczanych plików jest nieograniczona dla każdego klienta. Klienci wysyłają losowe żądania zamieszczania plików na serwerze- czas między sąsiednimi chwilami inicjalizacji żądań ma rozkład wykładniczyzparametrema i dlai-tegoklienta.

28 ZASTOSOWANIA SERWER FTP Czas obsłgi żądania może być ttaj rozmiany jako czas przechowywania określonego plik na serwerze. Zakładamy, że czas ten jest niezależny od rozmiar żądania, co ma swoje praktyczne zasadnienie, gdyż czas przechowywania plików na serwerze FTP zwykle nie zależy od ich rozmiar.

29 ZASTOSOWANIA SERWER MAILOWY Ttaj sytacja jest bardzo podobna. Serwer poczty mailowej jest wyspecjalizowanym kompterem lb siecią kompterów przechowjącą wiadomości mailowe pochodzące od wiel żytkowników. Czas obsłgi wiadomości mailowej może być rozmiany jako czas przechowywania wiadomości na serwerze do moment jej skasowania. Ttaj również możemy założyć, że czas obsłgi wiadomości nie zależy od jej rozmiar. W tej realizacji technicznej właścicielom serwerów pocztowych zależy przede wszystkim na niezawodności komnikacji mailowej, stąd wyznaczanie rozmiar potrzebnej pamięci jest bardzo ważnym zadaniem przy projektowani takiego serwera.

30 ZASTOSOWANIA PORTALE AUKCYJNE, SKLEPY INTERNETOWE W dzisiejszych czasach rola handl elektronicznego znacznie wzrosła. Udział procentowy handl w internecie oraz generowane zyski stale się powiększają Skces portalów akcyjnych oraz sklepów internetowych zależy między innymi od odpowiednio zaprojektowanych serwerów, na których zamieszczane są dane związane z przeprowadzonymi transakcjami. Użytkownicy, oprócz ogłoszeń(będących plikami w ogólnym przypadk tekstowymi), zamieszczają zdjęcia, filmy i inne pliki o dżych rozmiarach. Jako czas obsłgi żądania generowanego w portal akcyjnym lb sklepie internetowym rozmiemy czas transakcji do moment snięcia związanych z nią danych z pamięci serwera, na którym dany portal jest zamieszczony. Założenie o niezależności czas transakcji od rozmiar danych związanych z transakcją ma również swoje zasadnienie.

31 ZASTOSOWANIA PORTALE SPOŁECZNOŚCIOWE Portale społecznościowe są oparte na serwerach o dżych pamięciach możliwiających zamieszczanie przez żytkowników różnorakiego rodzaj plików(zdjęcia, filmy). Czas obsłgi żądania generowanego przez żytkownika jest rozmiany jako czas przechowywania danego plik na portal do moment jego snięcia, ttaj też czas ten zwykle nie zależy od rozmiar zamieszczanego plik. Z wagi na działalność reklamową portalom społecznościowym zależy na trzymani klientów, co ma związek z zapewnieniem stabilności działania takich portali, związanych niewątpliwie z zapewnieniem odpowiedniego rozmiar pamięci dla serwerów obsłgjących dany portal.

32 ZASTOSOWANIA OBSŁUGA URZĄDZEŃ KOŃCOWYCH Załóżmy, że do system kompterowego posiadającego pamięć o rozmiarze V podłączonych jest kilka rządzeń końcowych, które generją żądania obsłgi, każde takie żądanie zajmje pamięć system i ma losowy rozmiar. Czas obsłgi żądania to czas potrzebny na wykonanie operacji na danym rządzeni, po wykonani takiej operacji pamięć jest zwalniana. Zagadnieniem związanym z taką techniczną realizacją jest zapewnienie stabilności działania rządzeń końcowych poprzez odpowiedni dobór pamięci wydzielonej dla obsłgi żądań w oparci o znane charakterystyki wejściowych strmieni żądań, ich rozmiarów oraz czasów obsłgi.

33 SERWER POCZTOWY- PRZYKŁAD NUMERYCZNY MODEL SERWERA POCZTOWEGO- PRZYKŁAD Rozważmy niedży serwer pocztowy, który obsłgje dziesięci klientów. Każdy z klientów wysyła z jednego komptera wiadomości pocztowe, które są przechowywane na serwerze do moment podjęcia przez żytkownika decyzji o ich snięci z serwera(skasowania wiadomości). Czas obsłgi wiadomości może być traktowany jako niezależy od jej rozmiar. Załóżmy, że rozmiar każdej wiadomości ma rozkład geometryczny o wartośći średniej 128 KB. Załóżmy, że czas obsłgi wiadomości dla każdego żytkownika ma jednakowy rozkład wykładniczy, a średnio jest obsłgiwanych dziesięć wiadomości dziennie(µ = 10).

34 SERWER POCZTOWY- PRZYKŁAD NUMERYCZNY MODEL SERWERA POCZTOWEGO- PRZYKŁAD Natomiast średnia liczba wysyłanych w ciąg dnia wiadomości wynosi odpowiedniodlakażdegożytkownikaa=1,2,3,4,5,6,7,8,9oraz2,5 (również rozkład wykładniczy). Serwer pracje więc w stanie stabilnym. Wyznaczymy pamięć serwera w taki sposób, aby prawdopodobieństwo odmowyprzyjęciawiadomościbyłomniejszeod Zaważmy,że geometryczny rozkład rozmiar żądania może być t zastąpiony rozkłademwykładniczymzparametremf =

35 SERWER POCZTOWY- PRZYKŁAD NUMERYCZNY MODEL SERWERA POCZTOWEGO- PRZYKŁAD Korzystając ze wzor(17) można zyskać prawdopodobieństwa trat. Wykorzystjąc analizę dla wykładniczego rozkład rozmiar żądań otrzymjemy,żev 7,5MB.

Modelowanie komputerowe

Modelowanie komputerowe Modelowanie komputerowe wykład 5- Klasyczne systemy kolejkowe i ich analiza dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 16,23listopada2015r. Analiza

Bardziej szczegółowo

Priorytetowy system obsługi zgłoszeń niejednorodnych z mechanizmem odrzucania pakietów opartym o AQM

Priorytetowy system obsługi zgłoszeń niejednorodnych z mechanizmem odrzucania pakietów opartym o AQM Priorytetowy system obsługi zgłoszeń niejednorodnych z mechanizmem odrzucania pakietów opartym o AQM prof. dr hab. Oleg Tikhonenko, dr Marcin Ziółkowski, mgr inż. Jacek Małek Instytut Matematyki, Politechnika

Bardziej szczegółowo

Spacery losowe generowanie realizacji procesu losowego

Spacery 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 szczegółowo

Elementy Modelowania Matematycznego

Elementy Modelowania Matematycznego Elementy Modelowania Matematycznego Wykład 9 Systemy kolejkowe Spis treści Wstęp Systemy masowej obsługi (SMO) Notacja Kendalla Schemat systemu masowej obsługi Przykład systemu M/M/1 Założenia modelu matematycznego

Bardziej szczegółowo

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa.

VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. VII. Elementy teorii stabilności. Funkcja Lapunowa. 1. Stabilność w sensie Lapunowa. W rozdziale tym zajmiemy się dokładniej badaniem stabilności rozwiązań równania różniczkowego. Pojęcie stabilności w

Bardziej szczegółowo

MODELE MATEMATYCZNE W UBEZPIECZENIACH

MODELE MATEMATYCZNE W UBEZPIECZENIACH MODELE MATEMATYCZNE W UBEZPIECZENIACH WYKŁAD 3: WYZNACZANIE ROZKŁADU CZASU PRZYSZŁEGO ŻYCIA 1 Hipoteza jednorodnej populacji Rozważmy pewną populację osób w różnym wieku i załóżmy, że każda z tych osób

Bardziej szczegółowo

4. Ubezpieczenie Życiowe

4. Ubezpieczenie Życiowe 4. Ubezpieczenie Życiowe Składka ubezpieczeniowa musi brać pod uwagę następujące czynniki: 1. Kwotę wypłaconą przy śmierci ubezpieczonego oraz jej wartość aktualną. 2. Rozkład czasu do śmierci ubezpieczonego

Bardziej szczegółowo

Opis układów złożonych za pomocą schematów strukturalnych. dr hab. inż. Krzysztof Patan

Opis układów złożonych za pomocą schematów strukturalnych. dr hab. inż. Krzysztof Patan Opis kładów złożonych za pomocą schematów strktralnych dr hab. inż. Krzysztof Patan Schematy strktralne W przypadk opis złożonych kładów dynamicznych, należy zwrócić wagę na interpretację fizyczną zjawisk

Bardziej szczegółowo

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f

Parametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:

Bardziej szczegółowo

TEORIA OBSŁUGI MASOWEJ

TEORIA OBSŁUGI MASOWEJ TEORIA OBSŁUGI MASOWEJ mgr Marcin Ziółkowski Wstęp do teorii obsługi masowej Początków nurtu naukowego nazwanego później TEORIĄ OBSŁUGI MASOWEJ (ang. Queuing theory) można doszukiwać się na początku XX

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze

Bardziej szczegółowo

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k = Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Eleenty odelowania ateatycznego Systey kolejkowe. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ RZYKŁAD KOLEJKI N(t) długość kolejki w chwili t T i czas obsługi i-tego klienta Do okienka

Bardziej szczegółowo

Tablice trwania życia

Tablice trwania życia ROZDZIAŁ 3 Tablice trwania życia 1 Przyszły czas życia Osobę, która ukończyła x lat życia, będziemy nazywać x-latkiem i oznaczać symbolem x Jej przyszły czas życia, tzn od chwili x do chwili śmierci, będziemy

Bardziej szczegółowo

01. dla x 0; 1 2 wynosi:

01. dla x 0; 1 2 wynosi: Matematyka ubezpieczeń majątkowych 0.0.04 r. Zadanie. Ryzyko X ma rozkład z atomami: Pr X 0 08. Pr X 0. i gęstością: f X x 0. dla x 0; Ryzyko Y ma rozkład z atomami: Pr Y 0 07. Pr Y 0. i gęstością: fy

Bardziej szczegółowo

Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009

Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Rafał M. Łochowski Szkoła Główna Handlowa w Warszawie O pewnym modelu pojawiania się szkód Ogólnopolska Konferencja Aktuarialna Zagadnienia aktuarialne teoria i praktyka Warszawa, IE SGH 2009 Modele pojawiania

Bardziej szczegółowo

Wykład 9 Testy rangowe w problemie dwóch prób

Wykład 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 szczegółowo

Ćwiczenie 2. Analiza błędów i niepewności pomiarowych. Program ćwiczenia:

Ćwiczenie 2. Analiza błędów i niepewności pomiarowych. Program ćwiczenia: Ćwiczenie Analiza błędów i niepewności pomiarowych Proam ćwiczenia: 1. Wyznaczenie niepewności typ w bezpośrednim pomiarze napięcia stałego. Wyznaczenie niepewności typ w pośrednim pomiarze rezystancji

Bardziej szczegółowo

Ćwiczenie 2. Analiza błędów i niepewności pomiarowych. Program ćwiczenia:

Ćwiczenie 2. Analiza błędów i niepewności pomiarowych. Program ćwiczenia: Ćwiczenie Analiza błędów i niepewności pomiarowych Proam ćwiczenia: 1. Wyznaczenie niepewności typ w bezpośrednim pomiarze napięcia stałego. Wyznaczenie niepewności typ A i w bezpośrednim pomiarze napięcia.

Bardziej szczegółowo

Macierze. Rozdział Działania na macierzach

Macierze. Rozdział Działania na macierzach Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i, j) (i 1,..., n; j 1,..., m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F R lub F C, nazywamy macierzą (rzeczywistą, gdy

Bardziej szczegółowo

PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek

PODSTAWOWE 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 szczegółowo

Podstawy Informatyki Elementy teorii masowej obsługi

Podstawy Informatyki Elementy teorii masowej obsługi Podstawy Informatyki alina.momot@polsl.pl http://zti.polsl.pl/amomot/pi Plan wykładu 1 Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla 2 Analiza systemu M/M/1 Wyznaczenie P n (t) Wybrane

Bardziej szczegółowo

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t.

Proces Poissona. Proces {N(t), t 0} nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Procesy stochastyczne WYKŁAD 5 Proces Poissona. Proces {N(t), t } nazywamy procesem zliczającym jeśli N(t) oznacza całkowitą liczbę badanych zdarzeń zaobserwowanych do chwili t. Proces zliczający musi

Bardziej szczegółowo

dr Adam Sojda Wykład Politechnika Śląska Badania Operacyjne Teoria kolejek

dr Adam Sojda Wykład Politechnika Śląska Badania Operacyjne Teoria kolejek dr Adam Sojda Badania Operacyjne Wykład Politechnika Śląska Teoria kolejek Teoria kolejek zajmuje się badaniem systemów związanych z powstawaniem kolejek. Systemy kolejkowe W systemach, którymi zajmuje

Bardziej szczegółowo

Rachunek prawdopodobieństwa dla informatyków

Rachunek prawdopodobieństwa dla informatyków Rachunek prawdopodobieństwa dla informatyków Adam Roman Instytut Informatyki UJ Wykład 7 teoria kolejek prawo Little a systemy jedno- i wielokolejkowe 1/75 System kolejkowy System kolejkowy to układ złożony

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 0.0.005 r. Zadanie. Likwidacja szkody zaistniałej w roku t następuje: w tym samym roku z prawdopodobieństwem 0 3, w następnym roku z prawdopodobieństwem 0 3, 8 w roku

Bardziej szczegółowo

Dystrybucje, wiadomości wstępne (I)

Dystrybucje, wiadomości wstępne (I) Temat 8 Dystrybucje, wiadomości wstępne (I) Wielkości fizyczne opisujemy najczęściej przyporządkowując im funkcje (np. zależne od czasu). Inną drogą opisu tych wielkości jest przyporządkowanie im funkcjonałów

Bardziej szczegółowo

Filtr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz

Filtr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Filtr Kalmana Struktury i Algorytmy Sterowania Wykład 1-2 prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Politechnika Gdańska, Wydział Elektortechniki i Automatyki 2013-10-09, Gdańsk Założenia

Bardziej szczegółowo

Rozkłady 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,

Rozkłady 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 szczegółowo

P (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)

P (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 szczegółowo

Agata Boratyńska Statystyka aktuarialna... 1

Agata Boratyńska Statystyka aktuarialna... 1 Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje 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

13 Układy równań liniowych

13 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 szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Rozważmy

Bardziej szczegółowo

Systemy masowej obsługi

Systemy masowej obsługi Systemy masowej obsługi Celem niniejszego ćwiczenia jest: zapoznanie się z podstawowymi właściwościami najprostszego systemu analizowanego w ramach teorii masowej obsługi, systemu M/M/ zapoznanie się z

Bardziej szczegółowo

Rozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm

Rozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i,j) (i = 1,,n;j = 1,,m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F = R lub F = C, nazywamy macierzą (rzeczywistą, gdy F

Bardziej szczegółowo

Definicje i przykłady

Definicje i przykłady Rozdział 1 Definicje i przykłady 1.1 Definicja równania różniczkowego 1.1 DEFINICJA. Równaniem różniczkowym zwyczajnym rzędu n nazywamy równanie F (t, x, ẋ, ẍ,..., x (n) ) = 0. (1.1) W równaniu tym t jest

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Enkapsulacja RARP DANE TYP PREAMBUŁA SFD ADRES DOCELOWY ADRES ŹRÓDŁOWY TYP SUMA KONTROLNA 2 B 2 B 1 B 1 B 2 B N B N B N B N B Typ: 0x0835 Ramka RARP T

Enkapsulacja RARP DANE TYP PREAMBUŁA SFD ADRES DOCELOWY ADRES ŹRÓDŁOWY TYP SUMA KONTROLNA 2 B 2 B 1 B 1 B 2 B N B N B N B N B Typ: 0x0835 Ramka RARP T Skąd dostać adres? Metody uzyskiwania adresów IP Część sieciowa Jeśli nie jesteśmy dołączeni do Internetu wyssany z palca. W przeciwnym przypadku numer sieci dostajemy od NIC organizacji międzynarodowej

Bardziej szczegółowo

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136

19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =

Bardziej szczegółowo

Projektowanie bazy danych przykład

Projektowanie bazy danych przykład Projektowanie bazy danych przykład Pierwszą fazą tworzenia projektu bazy danych jest postawienie definicji celu, założeń wstępnych i określenie podstawowych funkcji aplikacji. Każda baza danych jest projektowana

Bardziej szczegółowo

Colloquium 1, Grupa A

Colloquium 1, Grupa A Colloquium 1, Grupa A 1. W pewnej fabryce zamontowano system kontroli pracowników wchodzących na teren zakładu. Osoba chcąca wejść, dzwoni na portiernię i czeka przy drzwiach. Portier sprawdza tę osobę

Bardziej szczegółowo

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014 Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Lista 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 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 szczegółowo

Matematyka ubezpieczeń majątkowych 6.04.2009 r.

Matematyka ubezpieczeń majątkowych 6.04.2009 r. Matematyka ubezpieczeń majątkowych 6.04.009 r. Zadanie. Niech N oznacza liczbę szkód zaszłych w ciągu roku z pewnego ubezpieczenia z czego: M to liczba szkód zgłoszonych przed końcem tego roku K to liczba

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka

Rachunek 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 szczegółowo

z przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X

z przedziału 0,1 liczb dodatnich. Rozważmy dwie zmienne losowe:... ma złożony rozkład dwumianowy o parametrach 1,q i, gdzie X, wszystkie składniki X Zadanie. Mamy dany ciąg liczb q, q,..., q n z przedziału 0,, oraz ciąg m, m,..., m n liczb dodatnich. Rozważmy dwie zmienne losowe: o X X X... X n, gdzie X i ma złożony rozkład dwumianowy o parametrach,q

Bardziej szczegółowo

4. ELEMENTY PŁASKIEGO STANU NAPRĘŻEŃ I ODKSZTAŁCEŃ

4. ELEMENTY PŁASKIEGO STANU NAPRĘŻEŃ I ODKSZTAŁCEŃ 4. ELEMENTY PŁASKIEGO STANU NAPRĘŻEŃ I ODKSZTAŁCEŃ 1 4. 4. ELEMENTY PŁASKIEGO STANU NAPRĘŻEŃ I ODKSZTAŁCEŃ 4.1. Elementy trójkątne Do opisywania dwuwymiarowego kontinuum jako jeden z pierwszych elementów

Bardziej szczegółowo

Skąd dostać adres? Metody uzyskiwania adresów IP. Statycznie RARP. Część sieciowa. Część hosta

Skąd dostać adres? Metody uzyskiwania adresów IP. Statycznie RARP. Część sieciowa. Część hosta Sieci komputerowe 1 Sieci komputerowe 2 Skąd dostać adres? Metody uzyskiwania adresów IP Część sieciowa Jeśli nie jesteśmy dołączeni do Internetu wyssany z palca. W przeciwnym przypadku numer sieci dostajemy

Bardziej szczegółowo

Wybrane rozkłady zmiennych losowych. Statystyka

Wybrane 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 szczegółowo

UBEZPIECZENIA NA ŻYCIE

UBEZPIECZENIA NA ŻYCIE UBEZPIECZENIA NA ŻYCIE M BIENIEK Ubezpieczenie na życie jest to kontrakt pomiędzy ubezpieczycielem a ubezpieczonym gwarantujący, że ubezpieczyciel w zamian za opłacanie składek, wypłaci z góry ustaloną

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 1.10.2012 r.

Matematyka ubezpieczeń majątkowych 1.10.2012 r. Zadanie. W pewnej populacji każde ryzyko charakteryzuje się trzema parametrami q, b oraz v, o następującym znaczeniu: parametr q to prawdopodobieństwo, że do szkody dojdzie (może zajść co najwyżej jedna

Bardziej szczegółowo

Układy równań liniowych. Ax = b (1)

Układy równań liniowych. Ax = b (1) Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m

Bardziej szczegółowo

Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe

Wykład 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.

Bardziej szczegółowo

26. RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE DRUGIEGO RZĘDU

26. RÓWNANIA RÓŻNICZKOWE ZWYCZAJNE DRUGIEGO RZĘDU 6. RÓWNANIA RÓŻNIZKOWE ZWYZAJNE DRUGIEGO RZĘDU 6.. Własności ogólne Równaniem różniczkowym zwyczajnym rzęd drgiego nazywamy równanie, w którym niewiadomą jest fnkcja y jednej zmiennej i w którym występją

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną

Bardziej szczegółowo

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Wybrane litery alfabetu greckiego α alfa β beta Γ γ gamma δ delta ɛ, ε epsilon η eta Θ θ theta

Bardziej szczegółowo

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

Bardziej szczegółowo

Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20:

Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: Zadanie 1. O rozkładzie pewnego ryzyka X posiadamy następujące informacje: znamy oczekiwaną wartość nadwyżki ponad 20: E X 20 8 oraz znamy następujące charakterystyki dotyczące przedziału 10, 20 : 3 Pr

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli 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 szczegółowo

Uczeń: -podaje przykłady ciągów liczbowych skończonych i nieskończonych oraz rysuje wykresy ciągów

Uczeń: -podaje przykłady ciągów liczbowych skończonych i nieskończonych oraz rysuje wykresy ciągów Wymagania edukacyjne PRZEDMIOT: Matematyka KLASA: III Th ZAKRES: zakres podstawowy Poziom wymagań Lp. Dział programu Konieczny-K Podstawowy-P Rozszerzający-R Dopełniający-D Uczeń: 1. Ciągi liczbowe. -zna

Bardziej szczegółowo

Ataki na serwery Domain Name System (DNS Cache Poisoning)

Ataki na serwery Domain Name System (DNS Cache Poisoning) Ataki na serwery Domain Name System (DNS Cache Poisoning) Jacek Gawrych semestr 9 Teleinformatyka i Zarządzanie w Telekomunikacji jgawrych@elka.pw.edu.pl Plan prezentacji Pytania Phishing -> Pharming Phishing

Bardziej szczegółowo

IX. MECHANIKA (FIZYKA) KWANTOWA

IX. MECHANIKA (FIZYKA) KWANTOWA IX. MECHANIKA (FIZYKA) KWANTOWA IX.1. OPERACJE OBSERWACJI. a) klasycznie nie ważna kolejność, w jakiej wykonujemy pomiary. AB = BA A pomiar wielkości A B pomiar wielkości B b) kwantowo wartość obserwacji

Bardziej szczegółowo

Funkcje wymierne. Jerzy Rutkowski. Działania dodawania i mnożenia funkcji wymiernych określa się wzorami: g h + k l g h k.

Funkcje wymierne. Jerzy Rutkowski. Działania dodawania i mnożenia funkcji wymiernych określa się wzorami: g h + k l g h k. Funkcje wymierne Jerzy Rutkowski Teoria Przypomnijmy, że przez R[x] oznaczamy zbiór wszystkich wielomianów zmiennej x i o współczynnikach rzeczywistych Definicja Funkcją wymierną jednej zmiennej nazywamy

Bardziej szczegółowo

Prawdopodobieństwo geometryczne

Prawdopodobieństwo geometryczne Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo

Bardziej szczegółowo

1. Przyszła długość życia x-latka

1. Przyszła długość życia x-latka Przyszła długość życia x-latka Rozważmy osobę mającą x lat; oznaczenie: (x) Jej przyszłą długość życia oznaczymy T (x), lub krótko T Zatem x+t oznacza całkowitą długość życia T jest zmienną losową, której

Bardziej szczegółowo

Wnioskowanie bayesowskie

Wnioskowanie bayesowskie Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,

Bardziej szczegółowo

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej

7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej 7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach

Bardziej szczegółowo

Wymagania edukacyjne z informatyki w klasie IIIa gimnazjum

Wymagania edukacyjne z informatyki w klasie IIIa gimnazjum Lp. Wymagania edukacyjne z informatyki w klasie IIIa gimnazjum 1. Internet i sieci [17 godz.] 1 Sieci komputerowe. Rodzaje sieci, topologie, protokoły transmisji danych w sieciach. Internet jako sie rozległa

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności

WYKŁADY 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 szczegółowo

Zadanie 1. są niezależne i mają rozkład z atomami: ( ),

Zadanie 1. są niezależne i mają rozkład z atomami: ( ), Zadanie. Zmienne losowe są niezależne i mają rozkład z atomami: ( ) ( ) i gęstością: ( ) na przedziale ( ). Wobec tego ( ) wynosi: (A) 0.2295 (B) 0.2403 (C) 0.2457 (D) 0.25 (E) 0.269 Zadanie 2. Niech:

Bardziej szczegółowo

Sieci komputerowe i bazy danych

Sieci komputerowe i bazy danych Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Sieci komputerowe i bazy danych Sprawozdanie 5 Badanie protokołów pocztowych Szymon Dziewic Inżynieria Mechatroniczna Rok: III Grupa: L1 Zajęcia

Bardziej szczegółowo

Przykład 1 W przypadku jednokrotnego rzutu kostką przestrzeń zdarzeń elementarnych

Przykład 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 szczegółowo

Wykład z równań różnicowych

Wykład z równań różnicowych Wykład z równań różnicowych 1 Wiadomości wstępne Umówmy się, że na czas tego wykładu zrezygnujemy z oznaczania n-tego wyrazu ciągu symbolem typu x n, y n itp. Zamiast tego pisać będziemy x (n), y (n) itp.

Bardziej szczegółowo

Ważne rozkłady i twierdzenia c.d.

Ważne 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 szczegółowo

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )

Bardziej szczegółowo

Model Blacka-Scholesa

Model Blacka-Scholesa WYCENA OPCJI EUROPEJSKIEJ I AMERYKAŃSKIEJ W MODELACH DWUMIANOWYCH I TRÓJMIANOWYCH COXA-ROSSA-RUBINSTEINA I JARROWA-RUDDA Joanna Karska W modelach dyskretnych wyceny opcji losowość wyrażana jest poprzez

Bardziej szczegółowo

Średnie. Średnie. Kinga Kolczyńska - Przybycień

Średnie. Średnie. Kinga Kolczyńska - Przybycień Czym jest średnia? W wielu zagadnieniach praktycznych, kiedy mamy do czynienia z jakimiś danymi, poszukujemy liczb, które w pewnym sensie charakteryzują te dane. Na przykład kiedy chcielibyśmy sklasyfikować,

Bardziej szczegółowo

Prawa wielkich liczb, centralne twierdzenia graniczne

Prawa wielkich liczb, centralne twierdzenia graniczne , centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne

Bardziej szczegółowo

Ćwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II

Ćwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,

Bardziej szczegółowo

Estymacja parametrów w modelu normalnym

Estymacja parametrów w modelu normalnym Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy. XXXIX Egzamin dla Aktuariuszy z 5 czerwca 2006 r. Część I. Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy. XXXIX Egzamin dla Aktuariuszy z 5 czerwca 2006 r. Część I. Matematyka finansowa Komisja Egzaminacyjna dla Aktuariuszy XXXIX Egzamin dla Aktuariuszy z 5 czerwca 006 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Inwestor dokonuje

Bardziej szczegółowo

RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 3.

RACHUNEK 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 szczegółowo

III. ZMIENNE LOSOWE JEDNOWYMIAROWE

III. ZMIENNE LOSOWE JEDNOWYMIAROWE III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta

Bardziej szczegółowo

O ŚREDNIEJ STATYSTYCZNEJ

O ŚREDNIEJ STATYSTYCZNEJ Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla

Bardziej szczegółowo

3 Ubezpieczenia na życie

3 Ubezpieczenia na życie 3 Ubezpieczenia na życie O ile nie jest powiedziane inaczej, w poniższych zadaniach zakładamy HJP. 3.1. Zadania 7.1-7.26 z Miśkiewicz-Nawrocka, Zeug-Żebro, Zbiór zadań z matematyki finansowej. 3.2. Mając

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny

Bardziej szczegółowo

II. Równania autonomiczne. 1. Podstawowe pojęcia.

II. Równania autonomiczne. 1. Podstawowe pojęcia. II. Równania autonomiczne. 1. Podstawowe pojęcia. Definicja 1.1. Niech Q R n, n 1, będzie danym zbiorem i niech f : Q R n będzie daną funkcją określoną na Q. Równanie różniczkowe postaci (1.1) x = f(x),

Bardziej szczegółowo

O ŚREDNIEJ STATYSTYCZNEJ

O ŚREDNIEJ STATYSTYCZNEJ O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla Młodych Matematyków Rachunek Prawdopodobieństwa i Statystyka Kraków, 20 26 IX 2009 r. WYNIKI OBSERWACJI X 1, X 2,..., X n WYNIKI

Bardziej szczegółowo

Układy równań i nierówności liniowych

Układy 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 szczegółowo

Za pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa).

Za pierwszy niebanalny algorytm uważa się algorytm Euklidesa wyszukiwanie NWD dwóch liczb (400 a 300 rok przed narodzeniem Chrystusa). Algorytmy definicja, cechy, złożoność. Algorytmy napotykamy wszędzie, gdziekolwiek się zwrócimy. Rządzą one wieloma codziennymi czynnościami, jak np. wymiana przedziurawionej dętki, montowanie szafy z

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 5.0.00 r. Zadanie. Dla dowolnej zmiennej losowej X o wartości oczekiwanej µ wariancji oraz momencie centralnym µ k rzędu k zachodzą nierówności (typu Czebyszewa): ( X

Bardziej szczegółowo

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p. Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )

Bardziej szczegółowo

Wykład z modelowania matematycznego. Zagadnienie transportowe.

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

Bardziej szczegółowo

POLITYKA PRYWATNOŚCI od Przetwarzanie danych Serwisu fabryq.pl W związku z korzystaniem przez Użytkownika z Serwisu fabryq.

POLITYKA PRYWATNOŚCI od Przetwarzanie danych Serwisu fabryq.pl W związku z korzystaniem przez Użytkownika z Serwisu fabryq. POLITYKA PRYWATNOŚCI od 25.05.2018 1. Przetwarzanie danych Serwisu fabryq.pl W związku z korzystaniem przez Użytkownika z Serwisu fabryq.pl Administrator (fabryq.pl) zbiera dane w zakresie niezbędnym do

Bardziej szczegółowo

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne

Wykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład

Bardziej szczegółowo