Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego.
|
|
- Helena Czerwińska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Rachue rawdoodobieństwa MAP064 Wydział Eletroii, ro aad. 008/09, sem. leti Wyładowca: dr hab. A. Jurlewicz Wyład 8: Zmiee losowe dysrete. Rozłady Beroulliego (dwumiaowy), Pascala, Poissoa. Przybliżeie Poissoa rozładu dwumiaowego. Defiicja. Zmiea losowa dysreta (i. o rozładzie dysretym) to taa zmiea losowa, tóra rzyjmuje z dodatim rawdoodobieństwem jedyie sończoą lub iesończoą rzeliczalą liczbę różych wartości. Techia oreślaia rozładu dysretej zmieej losowej X: Peła iformacja o rozładzie dysretej zmieej losowej X zawarta jest w ciągu ar {(x, ), T N}, gdzie {x, T} to ciąg wszystich wartości rzyjmowaych rzez zmieą losową X z dodatim rawdoodobieństwem, atomiast = P (X = x ), T. Z ciągu tego możemy dostać iformację o wartości fucji P X (B) dla dowolego zbioru borelowsiego B: P X (B) = P (X B) = T B, gdzie T B to zbiór tych, dla tórych x B. W szczególości, dystrybuata ma ostać F (x) = P (X < x) = T(x) gdzie T(x) to zbiór tych, dla tórych x < x. Iaczej mówiąc, zmiea losowa ma rozład dysrety wtedy i tylo wtedy, gdy jej dystrybuata jest fucją schodową. Schodi są w utach x, x,... i mają wysoości odowiedio,,...,
2 Ciąg {(x, ), T N sełia astęujące warui: {x, T} to ciąg różowartościowy; 0 dla ażdego T; =. T Jeżeli ewie ciąg {(x, ), T N sełia te warui, to dla ewej zmieej losowej X mamy = P (X = x ). Ciąg te ma wtedy robabilistyczą iterretację, rerezetację, może być używay w modelach do defiiowaia rozładu dysretego. Przyład: X - zachowaie dziewczyy, gdy jej chłoa sóźia sie a radę, oisae liczbowo: X = - giewa się; X = 0 - ie zauważa; X = - cieszy się, że wreszcie rzyszedł: F(x) x Przyłady do zad. 7.
3 Schemat Beroulliego Schemat Beroulliego modeluje sytuację, w tórej:. Wyoujemy doświadczeie, w tórym możliwe są dwa wyii. Jede z tych wyiów azywamy sucesem, drugi orażą. Szasa a wyi suces wyosi.. Doświadczeie możemy owtarzać bez zmiay waruów, iezależie. Pla I: Wyoamy taich doświadczeń i zliczymy ilość sucesów. Ozaczmy ilość sucesów rzez X. Przed realizacją eserymetu ie wiemy, jaa jest ta liczba. Wiemy atomiast, że możliwe wartości X to 0,,,..., oraz że dla z tego zbioru możliwych wartości ( ) rawdoodobieństwo, że w róbach otrzymamy doładie sucesów wyosi ( ). Ilość sucesów w róbach Beroulliego X to dysreta zmiea losowa. Po wyoaiu lau otrzymamy oretą liczbę - realizację tej zmieej losowej. X ma rozład dwumiaowy (iaczej Beroulliego) z arametrami N i 0<<; w srócie B(, ) x =, = P (X = ) = ( ) ( ) dla = 0,,...,. B(, ) azywamy rozładem zerojedyowym z arametrem.
4 Pla II: Będziemy wyoywać oleje doświadczeia ta długo aż ojawi się wyi suces. Ozaczmy rzez Y ilość wyoaych doświadczeń, czyli czas oczeiwaia a ierwszy suces. Przed realizacją eserymetu ie wiemy, jaa jest ta ilość. Wiemy atomiast, że możliwe wartości Y to,,... oraz że dla z tego zbioru możliwych wartości rawdoodobieństwo, że ierwszy suces ojawi się w -tej róbie wyosi ( ). Y to czas oczeiwaia a ierwszy suces w ciągu rób Beroulliego. Jest to dysreta zmiea losowa. Po wyoaiu lau otrzymamy oretą liczbę - realizację tej zmieej losowej. Y ma rozład geometryczy z arametrem 0<<; w srócie Geo() x =, = P (Y = ) = ( ) dla =,,... Pla III: Podobie oreslimy Z - czas oczeiwaia a m-ty suces w ciągu rób Beroulliego z rawdoodobieństwem sucesu. Z ma rozład ujemy dwumiaowy (i. Pascala) z arametrami m N i 0<<; w srócie N B(m, ) x =, = ( ) m m ( ) m dla = m, m +,... N B(, ) to zay am już rozład geometryczy Geo(). Wzór a moża uogólić a dowole m > 0. X ie ma wtedy iterretacji czasu oczeiwaia a m-ty suces. Nazwa rozład Pascala odosi się tylo do m N. Przyłady do zad. 7. 4
5 Rozład Poissoa Rozład Poissoa z arametrem λ > 0; w srócie P(λ), defiiujemy ciągiem ar: x =, = λ! e λ dla = 0,,... Twierdzeie Poissoa (rzybliżeie Poissoa rozładu dwumiaowego) Niech X ozacza liczbę sucesów w róbach Beroulliego z rawdoodobieństwem sucesu. Jeżeli 0 ta, że λ > 0, to dla dowolego ustaloego N P (X = ) = gdzie Y λ ma rozład Poissoa P(λ). Dowód: ( ) ( ) =! ( ) ( ) ( ( )... ( + ) ( ) λ! e λ = P (Y λ = ), ) ( ) = = (! ) (... ) ( ) ( )! ( ) λ e λ = λ! e λ. Oszacowaie doładości rzybliżeia w twierdzeiu Poissoa: Niech X ozacza liczbę sucesów w róbach Beroulliego z rawdoodobieństwem sucesu, Y - zmiea losową o rozładzie Poissoa P(λ) z λ =. Wtedy dla dowolego zbioru borelowsiego B W ratyce rzybliżeie P (X B) P (Y B) λ =. ( ) ( ) λ! e λ, gdzie λ =, stosuje się dla 50, 0,, 0. Przyłady do zad. 7. 5
Funkcja generująca rozkład (p-two)
Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są
Bardziej szczegółowonpq jest funkcją gęstości zmiennej losowej X? Po wyznaczeniu k proszę znaleźć: dystrybuantę, kwartyl drugi,
Zadaie aa jest fucja gęstości zmieej losowej X: 9 8 Wyzacz: F (X ; Q ; ; ( X ; 9 9 P X P Zadaie ( Statystya II, X a b F( b F( a X e! P m ( ; m E( X ( X V ( X X R P ( X R ( X V ( X jest fucją gęstości zmieej
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i
Bardziej szczegółowoMetody probabilistyczne Rozwiązania zadań
Metody robabilistyczne Rozwiązania zadań 6. Momenty zmiennych losowych 8.11.2018 Zadanie 1. Poaż, że jeśli X Bn, to EX n. Odowiedź: X rzyjmuje wartości w zbiorze {0, 1,..., n} z rawdoodobieństwami zadanymi
Bardziej szczegółowoWyższe momenty zmiennej losowej
Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla
Bardziej szczegółowon k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka
Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu
Bardziej szczegółowoWstęp. zbiór wszystkich zdarzeń elementarnych (sample space), S zbiór zdarzeń, (events), P prawdopodobieństwo (probability distribution).
Wstęp,, S P przestrzeń probabilistycza (Probability space), zbiór wszystich zdarzeń elemetarych (sample space), S zbiór zdarzeń, (evets), P prawdopodobieństwo (probability distributio). P : S R ZMIENNA
Bardziej szczegółowoWykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy
Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej
Bardziej szczegółowoRozkład Poissona. I. Cel ćwiczenia. Obowiązujący zakres materiału. Podstawy teoretyczne. Opracował: Roman Szatanik
Opracował: Roma Szatai Rozład Poissoa I. Cel ćwiczeia Zapozaie ze statystyczym sposobem opisu zagadień związaych z promieiowaiem jądrowym oraz z rozładami statystyczymi stosowaymi w fizyce jądrowej. Pratycze
Bardziej szczegółowoM. Przybycień Rachunek prawdopodobieństwa i statystyka Wykład 7-2
Ważiejsze rozłady -wa Rozłady zmieej losowej dysreej: rozład łasi (jedosajy) rozład dwuuowy (Beroulliego) rozład dwu- i wielomiaowy rozład ujemy dwumiaowy (Pascala) rozład geomeryczy rozład hiergeomeryczy
Bardziej szczegółowoDwumian Newtona. Agnieszka Dąbrowska i Maciej Nieszporski 8 stycznia 2011
Dwumia Newtoa Agiesza Dąbrowsa i Maciej Nieszporsi 8 styczia Wstęp Wzory srócoego możeia, tóre pozaliśmy w gimazjum (x + y x + y (x + y x + xy + y (x + y 3 x 3 + 3x y + 3xy + y 3 x 3 + y 3 + 3xy(x + y
Bardziej szczegółowoIV Uniwersytecka Sobota Matematyczna 14 kwietnia Funkcje tworzące w kombinatoryce
IV Uiwersyteca Sobota Matematycza 4 wietia 208 Fucje tworzące w ombiatoryce Dla ciągu a 0 a a 2... defiiujemy fucję tworzącą: G(x) = a x = a 0 + a x + a 2 x 2 + a 3 x 3 + =0. Zajdź fucje tworzące dla poiższych
Bardziej szczegółowoINDUKCJA MATEMATYCZNA
MATEMATYKA DYSKRETNA (4/5) dr hab. iż. Małgorzata Stera malgorzata.stera@cs.put.poza.pl www.cs.put.poza.pl/mstera/ INDUKCJA MATEMATYCZNA Matematya Dysreta Małgorzata Stera FUNKCJA SILNIA dla, fucja silia
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 6..003 r. Zadaie. W kolejych okresach czasu t =,, 3, 4, 5 ubezpieczoy, charakteryzujący się parametrem ryzyka Λ, geeruje szkód. Dla daego Λ = λ zmiee N, N,..., N 5 są
Bardziej szczegółowoRachunek różniczkowy funkcji wielu zmiennych
Automatya i Robotya Aaliza Wyład dr Adam Ćmiel cmiel@agh.edu.pl Rachue różiczowy fucji wielu zmieych W olejych wyładach uogólimy pojęcia rachuu różiczowego i całowego fucji jedej zmieej a przypade fucji
Bardziej szczegółowoWykład 6. Przestrzenie metryczne ośrodkowe i zupełne. ρ, gdzie r
Wyład 6 Przestrzeie etrycze ośrodowe i zupełe. Przypoiay, że zbiór azyway przeliczaly, jeśli jest o rówoliczy ze zbiore wszystich liczb aturalych N, a co ajwyżej przeliczaly, jeśli jest o przeliczaly lub
Bardziej szczegółowoII. PEWNE SCHEMATY RACHUNKU PRAWDOPODOBIEŃSTWA
II EWNE SCHEMATY RACHUNKU RAWDOODOBIEŃSTWA 2 Zagadieie Beroulliego rzeprowadzamy doświadczeń w tai sposób, że prawdopodobieństwo sucesu w ażdym doświadczeiu jest stałe, iezależe od wyiów poprzedich i rówe
Bardziej szczegółowoWyk lad 1 Podstawowe techniki zliczania
Wy lad 1 Podstawowe techii zliczaia Wariacje bez powtórzeń Defiicja 1. Niech i bed a liczbami aturalymi taimi, że. Niech A bedzie dowolym zbiorem elemetowym. Każdy ciag różowartościowy a 1,..., a d lugości
Bardziej szczegółowoLista 5. Odp. 1. xf(x)dx = xdx = 1 2 E [X] = 1. Pr(X > 3/4) E [X] 3/4 = 2 3. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadaia a zastosowaie ierówosci Markowa i Czebyszewa. Zadaie 1. Niech zmiea losowa X ma rozkład jedostajy a odciku [0, 1]. Korzystając z ierówości Markowa oszacować od góry prawdopodobieństwo, że
Bardziej szczegółowoWyk lad 8 Zasadnicze twierdzenie algebry. Poj. ecie pierścienia
Wy lad 8 Zasadicze twierdzeie algebry. Poj ecie pierścieia 1 Zasadicze twierdzeie algebry i jego dowód Defiicja 8.1. f: C C postaci Wielomiaem o wspó lczyiach zespoloych azywamy fucj e f(x) = a x + a 1
Bardziej szczegółowoJEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:
Bardziej szczegółowoN ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
Bardziej szczegółowoWybrane rozkłady zmiennych losowych i ich charakterystyki
Rozdział 1 Wybrane rozłady zmiennych losowych i ich charaterystyi 1.1 Wybrane rozłady zmiennych losowych typu soowego 1.1.1 Rozład równomierny Rozpatrzmy esperyment, tóry może sończyć się jednym z n możliwych
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoRozkłady zmiennych losowych
ZIP 007/008 (zaoczne) Rozłady zmiennych losowych I. X zmienna losowa soowa. Rozład zero jedynowy X rzybiera dwie wartości: i 0 Jeśli P(X ), to (X ) q P gdyż P(X ) P(X ) Rozład zmiennej losowej jest rozładem
Bardziej szczegółowoUWAGI O GRANICZNYCH ROZKŁADACH EKSTREMALNYCH STATYSTYK POZYCYJNYCH
D I D A C T I C S O F M A T H E M A T I C S No. 5-6 (9-0) 009 Rafał Korzoe (Wrocław) UWAGI O GRANICZNYCH ROZKŁADACH EKSTREMALNYCH STATYSTYK POZYCYJNYCH Abstract. I may practical issues to deal with etreme
Bardziej szczegółowoZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest
Bardziej szczegółowo16 Przedziały ufności
16 Przedziały ufości zapis wyiku pomiaru: sugeruje, że rozkład błędów jest symetryczy; θ ± u(θ) iterpretacja statystycza przedziału [θ u(θ), θ + u(θ)] zależy od rozkładu błędów: P (Θ [θ u(θ), θ + u(θ)])
Bardziej szczegółowoĆwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA
Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoZmienna losowa N ma rozkład ujemny dwumianowy z parametrami (, q) = 7,
Matematyka ubezpieczeń majątkowych.0.008 r. Zadaie. r, Zmiea losowa N ma rozkład ujemy dwumiaowy z parametrami (, q), tz.: Pr( N k) (.5 + k) (.5) k! Γ Γ * Niech k ozacza taką liczbę aturalą, że: * k if{
Bardziej szczegółowoKOMBINATORYKA. Oznaczenia. } oznacza zbiór o elementach a, a2,..., an. Kolejność wypisania elementów zbioru nie odgrywa roli.
KOMBINATORYKA Kombiatoryą azywamy dział matematyi zajmujący się zbiorami sończoymi oraz relacjami między imi. Kombiatorya w szczególości zajmuje się wyzaczaiem liczby elemetów zbiorów sończoych utworzoych
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoEstymacja przedziałowa
Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze
Bardziej szczegółowoZdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe
Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowoSTATYSTKA I ANALIZA DANYCH LAB II
STATYSTKA I ANALIZA DANYCH LAB II 1. Pla laboratorium II rozkłady prawdopodobieństwa Rozkłady prawdopodobieństwa dwupuktowy, dwumiaowy, jedostajy, ormaly. Związki pomiędzy rozkładami prawdopodobieństw.
Bardziej szczegółowoWykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.
Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau
Bardziej szczegółowoAnaliza I.1, zima globalna lista zadań
Aaliza I., zima 207 - globala lista zadań Marci Kotowsi 8 styczia 208 Podstawy Zadaie. Udowodij, że dla ażdego aturalego liczby 7 2 + oraz 7 2 dzielą się przez 6. Zadaie 2. Rozstrzygij, czy poiższe liczby
Bardziej szczegółowoAPROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne
APROKSYMACJA I INTERPOLACJA Przybliżeie fucji f(x) przez ią fucję g(x) fucja f jest zbyt sompliowaa; użycie f w dalszej aalizie problemu jest trude fucja f jest zaa tylo tabelaryczie; wymagaa jest zajomość
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch
Bardziej szczegółowoRozkład normalny (Gaussa)
Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch
Bardziej szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoTwierdzenia o funkcjach ciągłych
Automatya i Robotya Aaliza Wyład 5 dr Adam Ćmiel cmiel@aghedupl Twierdzeia o ucjach ciągłych Tw (Weierstrassa Jeżeli ucja : R [ R jest ciągła a [, to ograiczoa i : ( sup ( i ( i ( [, Dowód Ograiczoość
Bardziej szczegółowo1 Twierdzenia o granicznym przejściu pod znakiem całki
1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae
Bardziej szczegółowoTwierdzenia graniczne:
Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości
Bardziej szczegółowoZajęcia nr. 2 notatki
Zajęcia r otati wietia 5 Wzory srócoego możeia W rozdziale tym podamy ila wzorów tóre ułatwiają obliczaie wielu zadań rachuowych Fat (wzory srócoego możeia) Dla dowolych liczb rzeczywistych a, b zachodzi:
Bardziej szczegółowoI. Ciągi liczbowe. , gdzie a n oznacza n-ty wyraz ciągu (a n ) n N. spełniający warunek. a n+1 a n = r, spełniający warunek a n+1 a n
I. Ciągi liczbowe Defiicja 1. Fukcję określoą a zbiorze liczb aturalych o wartościach rzeczywistych azywamy ciągiem liczbowym. Ciągi będziemy ozaczać symbolem a ), gdzie a ozacza -ty wyraz ciągu a ). Defiicja.
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 6.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Własości rozkładu ormalego Cetrale twierdzeie graicze Fukcja charakterystycza
Bardziej szczegółowoσ-ciało zdarzeń Niech Ω będzie niepustym zbiorem zdarzeń elementarnych, a zbiór F rodziną podzbiorów zbioru Ω spełniającą warunki: jeśli A F, to A F;
Zdarzenie losowe i zdarzenie elementarne Zdarzenie (zdarzenie losowe) - wyni pewnej obserwacji lub doświadczenia; może być ilościowy lub jaościowy. Zdarzenie elementarne - najprostszy wyni doświadczenia
Bardziej szczegółowoAnaliza I.1, zima wzorcowe rozwiązania
Aaliza I., zima 07 - wzorcowe rozwiązaia Marci Kotowsi 5 listopada 07 Zadaie. Udowodij, że dla ażdego aturalego liczba 7 + dzieli się przez 6. Dowód. Tezę udowodimy za pomocą iducji matematyczej. Najpierw
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności
Estymacja rzedziałowa - rzedziały ufości Próbę -elemetową charakteryzujemy jej arametrami ( x, s, s ). SłuŜą oe do ocey wartości iezaych arametrów oulacji (m, σ, σ). Nazywamy je estymatorami uktowymi iezaych
Bardziej szczegółowoi statystyka matematyczna Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, M. Przybycień Rachunek prawdopodobieństwa i statystyka
Rachue prawdopodobieństwa i statystya matematycza Dr hab. iż.. Mariusz Przybycień Literatura: Rachue prawdopodobieństwa i statystya matematycza w zadaiach, tom I i II, W. Krysici i i., PWN 200. Wstęp do
Bardziej szczegółowoWykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.
Rachuek prawopoobieństwa MA064 Wyział Elektroiki, rok aka 2008/09, sem leti Wykłaowca: r hab A Jurlewicz Wykła 3: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług
Bardziej szczegółowoKurs Prawdopodobieństwo Wzory
Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowof '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n
Metoda Newtoa i rówaie z = 1 Załóżmy, że fucja f :C C ma ciągłą pochodą. Dla (prawie) ażdej liczby zespoloej z 0 tworzymy ciąg (1) (z ) 0, z 1 = z f ( z ), ciąg te f ' (z ) będziemy azywać orbitą liczby
Bardziej szczegółowoWiadowmości wstępne z rachunku prawdopodobieństwa
Biotechologia, Chemia, Chemia Budowlaa - Wydział Chemiczy - 1 Wiadowmości wstępe z rachuu prawdopodobieństwa Zdecydowaa więszość procesów fizyczych, techiczych, społeczych, eoomiczych itp, przebiega w
Bardziej szczegółowoKrótkie i dość swobodne wprowadzenie do liczb Stirlinga. Jakub Kamiński
Krótie i dość swobode wprowadzeie do liczb Stirliga Jaub Kamińsi 9 styczia 27 LICZBY STIRLINGA PIERWSZEGO RODZAJU Liczby Stirliga pierwszego rodzaju Liczby Stirliga zawdzięczają swoją azwę szociemu matematyowi
Bardziej szczegółowoZADANIA NA ĆWICZENIA 3 I 4
Agata Boratyńska Statystyka aktuariala... 1 ZADANIA NA ĆWICZENIA 3 I 4 1. Wygeeruj szkody dla polis z kolejych lat wg rozkładu P (N = 1) = 0, 1 P (N = 0) = 0, 9, gdzie N jest liczbą szkód z jedej polisy.
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka matematyczna w zadaniach,
Rachue prawdopodobieństwa i statystya matematycza Dr hab. iż. Mariusz Przybycień Literatura: Rachue prawdopodobieństwa i statystya matematycza w zadaiach, tom I i II, W. Krysici i i., PWN 2005. Wstęp do
Bardziej szczegółowosą niezależnymi zmiennymi losowymi o jednakowym rozkładzie Poissona z wartością oczekiwaną λ równą 10. Obliczyć v = var( X
Prawdoodobieństwo i statystyka 5..008 r. Zadaie. Załóżmy że 3 są iezależymi zmieymi losowymi o jedakowym rozkładzie Poissoa z wartością oczekiwaą λ rówą 0. Obliczyć v = var( 3 + + + 3 = 9). (A) v = 0 (B)
Bardziej szczegółowoWYKŁAD 1. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD Zdarzeia losowe i prawdopodobieństwo Zmiea losowa i jej rozkłady Metody statystycze metody opisu metody wioskowaia statystyczego sytetyczy liczbowy opis właściwości zbioru daych ocea charakterystyk
Bardziej szczegółowoPierwiastki z liczby zespolonej. Autorzy: Agnieszka Kowalik
Pierwiastki z liczby zespoloej Autorzy: Agieszka Kowalik 09 Pierwiastki z liczby zespoloej Autor: Agieszka Kowalik DEFINICJA Defiicja : Pierwiastek z liczby zespoloej Niech będzie liczbą aturalą. Pierwiastkiem
Bardziej szczegółowoPERMUTACJE Permutacją zbioru n-elementowego X nazywamy dowolną wzajemnie jednoznaczną funkcję f : X X X
PERMUTACJE Permutacą zboru -elemetowego X azywamy dowolą wzaeme edozaczą fucę f : X X f : X X Przyład permutac X = { a, b, c, d } f (a) = d, f (b) = a, f (c) = c, f (d) = b a b c d Zaps permutac w postac
Bardziej szczegółowoErlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2.
Rozład Erlaga Zajdziem rozład czasów oczeiwaia a -e zdarzeie. Łącz czas oczeiwaia a zdarzeń da jes przez: M. Przbcień Rachue prawdopodobieńswa i sasa ( (- gdzie E ; λ λ exp λ Podobie zajdujem: E ( ; E(
Bardziej szczegółowoStatystyka Inżynierska
Statystya Iżyiersa dr hab. iż. Jace Tarasiu GH, WFiIS 03 Wyład 4 RCHUNEK NIEPEWNOŚCI + KILK UŻYTECZNYCH NRZĘDZI STTYSTYCZNYCH Wyład w więszości oparty a opracowaiu prof.. Zięby http://www.fis.agh.edu.pl/~pracowia_fizycza/pomoce/opracowaiedaychpomiarowych.pdf
Bardziej szczegółowoP ( i I A i) = i I P (A i) dla parami rozłącznych zbiorów A i. F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) = 1.
Podstawy teorii miary probabilistyczej. Zbiory mierzale σ ciało zbiorów Załóżmy, że mamy jakiś zbiór Ω. Niech F będzie taką rodzią podzbiorów Ω, że: Ω F A F A F i I A i F i I A i F Wtedy rodzię F azywamy
Bardziej szczegółowoĆWICZENIE 1 Symulacja doświadczeń losowych Statystyka opisowa Estymacja parametryczna i nieparametryczna T E O R I A
ĆWICZENIE Symulacja doświadczeń losowych Statystya opisowa Estymacja parametrycza i ieparametrycza T E O R I A Opracowała: Katarzya Stąpor Opis programu MS EXCEL. Iformacje ogóle Program Microsoft Excel
Bardziej szczegółowoDwa podstawowe zagadnienia klasycznej statystyki matematycznej.
5. Podstawowe pojęcia statystyi CZĘŚĆ II STATYSTYKA MATEMATYCZNA Rachue prawdopodobieństwa a statystya matematycza. Część I, rachue prawdopodobieństwa, dostarcza podstawowych pojęć i wzorów języa, za pomocą
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 7 8.04.06 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 05/06 Cetrale twierdzeie graicze - przypomieie Sploty Pobieraie próby, estymatory
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 5 4.03.07 dr iż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr leti 06/07 Metody Mote Carlo Najważiejsze rozkłady prawdopodobieństwa Metoda akceptacji-odrzuceń
Bardziej szczegółowoTwierdzenie 15.3 (o postaci elementów rozszerzenia ciała o zbiór). Niech F będzie ciałem oraz A F pewnym zbiorem. Niech L<F.
15. Wyład 15: Podciała, podciała geerowae przez zbiór, rozszerzeia ciał. Charaterystya pierścieia i ciała, ciała proste i lasyfiacja ciał prostych. 15.1. Podciała, podciała geerowae przez zbiór, rozszerzeia
Bardziej szczegółowoKombinatoryka - wyk lad z 28.XI (za notatkami prof.wojciecha Guzickiego)
Kombiatorya - wy lad z 28XI (za otatami profwojciecha Guziciego) Kombiatorya zajmuje sie sposobami zliczaia elemetów zbiorów sończoych Liczbe elemetów sończoego zbioru A be dziemy ozaczać symbolem A 1
Bardziej szczegółowoTeoria. a k. Wskaźnik sumowania można oznaczać dowolną literą. Mamy np. a j = a i =
Zastosowaie symboli Σ i Π do zapisu sum i iloczyów Teoria Niech a, a,, a będą dowolymi liczbami Sumę a + a + + a zapisuje się zazwyczaj w postaci (czytaj: suma od do a ) Za Σ to duża greca litera sigma,
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5.
RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 5. PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Rozłady soowe Rozład jednopuntowy Oreślamy: P(X c) 1 gdzie c ustalona liczba. 1 EX c, D 2 X 0 (tylo ten rozład ma zerową wariancję!!!)
Bardziej szczegółowoa 1, a 2, a 3,..., a n,...
III. Ciągi liczbowe. 1. Defiicja ciągu liczbowego. Defiicja 1.1. Ciągiem liczbowym azywamy fukcję a : N R odwzorowującą zbiór liczb aturalych N w zbiór liczb rzeczywistych R i ozaczamy przez { }. Używamy
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoStatystyka i rachunek prawdopodobieństwa
Statystyka i rachuek prawdopodobieństwa Filip A. Wudarski 22 maja 2013 1 Wstęp Defiicja 1. Statystyka matematycza opisuje i aalizuje zjawiska masowe przy użyciu metod rachuku prawdopodobieństwa. Defiicja
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoLista 6. Estymacja punktowa
Estymacja puktowa Lista 6 Model metoda mometów, rozkład ciągły. Zadaie. Metodą mometów zaleźć estymator iezaego parametru a w populacji jedostajej a odciku [a, a +. Czy jest to estymator ieobciążoy i zgody?
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 5 3.03.08 dr iż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr leti 07/08 Metody Mote Carlo Najważiejsze rozkłady prawdopodobieństwa Metoda akceptacji-odrzuceń
Bardziej szczegółowoLICZBY, RÓWNANIA, NIERÓWNOŚCI; DOWÓD INDUKCYJNY
LICZBY, RÓWNANIA, NIERÓWNOŚCI; DOWÓD INDUKCYJNY Zgodie z dążeiami filozofii pitagorejsiej matematyzacja abstracyjego myśleia powia być dooywaa przy pomocy liczb. Soro ta, to liczby ależy tworzyć w miarę
Bardziej szczegółowon n X n = σ σ = n n n Ponieważ zmienna losowa standaryzowana ma rozkład normalny N(0, 1), więc
5.3. Zagadieia estymacji 87 Rozważmy teraz dokładiej zagadieie szacowaia wartości oczekiwaej m zmieej losowej X o rozkładzie ormalym N(m, F), w którym odchyleie stadardowe F jest zae. Niech X, X,..., X
Bardziej szczegółowoMatematyka dyskretna Kombinatoryka
Matematya dysreta Kombiatorya Adrzej Szepietowsi 1 Ci agi Zastaówmy siȩ, ile ci agów d lugości moża utworzyć z elemetów zbioru zawieraj acego symboli. Jeżeli zbiór symboli zawiera dwa elemety: to moża
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie
Bardziej szczegółowo1 Przedziały ufności. ). Obliczamy. gdzie S pochodzi z rozkładu B(n, 1 2. P(2 S n 2) = 1 P(S 2) P(S n 2) = 1 2( 2 n +n2 n +2 n ) = 1 (n 2 +n+2)2 n.
Przedziały ufości W tym rozdziale będziemy zajmować się przede wszystkim zadaiami związaymi z przedziałami ufości Będą as rówież iteresować statystki pozycyje oraz estymatory ajwiększej wiarygodości (Eg
Bardziej szczegółowoNiezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne
Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki
Bardziej szczegółowooznaczają łączne wartości szkód odpowiednio dla k-tego kontraktu w t-tym roku. O składnikach naszych zmiennych zakładamy, że:
Zadaie. Niech zmiee losowe: X t,k = μ + α k + β t + ε t,k, k =,2,, K oraz t =,2,, T, ozaczają łącze wartości szkód odpowiedio dla k-tego kotraktu w t-tym roku. O składikach aszych zmieych zakładamy, że:
Bardziej szczegółowoStochastyczne metody optymalizacji
Stochastycze metody otymalizacji I a b b a b = a d Metoda rostokątów N N i i= 0 i= 0 d = σ = h y Metoda traezów d h y y N 0 + ( ) = + yi i= Metoda Simsoa i ξ [ a, b] b h = 0 3 4 5 4 3 a ( b a) R = ( ξ
Bardziej szczegółowoi statystyka matematyczna Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach, M. Przybycień Rachunek prawdopodobieństwa i statystyka
Rachue prawdopodobieństwa i statystya matematycza Dr hab. iż.. Mariusz Przybycień Literatura: Rachue prawdopodobieństwa i statystya matematycza w zadaiach, tom I i II, W. Krysici i i., PWN 200. Wstęp do
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa aaliza daych doświadczalych Wykład 5.03.09 dr iż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr leti 08/09 Trasformacje liiowe Propagacja iepewości Trasformacje liiowe Najczęściej,
Bardziej szczegółowoZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE
ZBIÓR LICZB RZECZYWISTYCH - DZIAŁANIA ALGEBRAICZNE WARTOŚĆ BEZWZGLĘDNA LICZBY Wartość bezwzględą liczby rzeczywistej x defiiujemy wzorem: { x dla x 0 x = x dla x < 0 Liczba x jest to odległość a osi liczbowej
Bardziej szczegółowo1 Układy równań liniowych
Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b
Bardziej szczegółowoKongruencje Wykład 4. Kongruencje kwadratowe symbole Legendre a i Jac
Kogruecje kwadratowe symbole Legedre a i Jacobiego Kogruecje Wykład 4 Defiicja 1 Kogruecję w ostaci x a (mod m), gdzie a m, azywamy kogruecją kwadratową; jej bardziej ogóla ostać ax + bx + c może zostać
Bardziej szczegółowotek zauważmy, że podobnie jak w dziedzinie rzeczywistej wprowadzamy dla funkcji zespolonych zmiennej rzeczywistej pochodne wyższych rze
R o z d z i a l III RÓWNANIA RÓŻNICZKOWE LINIOWE WYŻSZYCH RZE DÓW 12. Rówaie różiczowe liiowe -tego rze du Na pocza te zauważmy, że podobie ja w dziedziie rzeczywistej wprowadzamy dla fucji zespoloych
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. WYKŁAD 0 (powt. wiadomości z r. p-stwa)
STATYSTYKA MATEMATYCZNA WYKŁAD 0 (powt. wiadomości z r. p-stwa) Literatura M. Cieciura, J. Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 005 R.Leiter, J.Zacharski, "Zarys
Bardziej szczegółowoH brak zgodności rozkładu z zakładanym
WSPÓŁZALEŻNOŚĆ PROCESÓW MASOWYCH Test zgodości H : rozład jest zgody z załadaym 0 : H bra zgodości rozładu z załadaym statystya: p emp i p obszar rytyczy: K ;, i gdzie liczba ategorii p Przyład: Wyoujemy
Bardziej szczegółowoMetoda najszybszego spadku
Metody Gradietowe W tym rozdziale bdziemy rozwaa metody poszuiwaia dla fucji z przestrzei R o wartociach rzeczywistych Metody te wyorzystuj radiet fucji ja rówie wartoci fucji Przypomijmy, czym jest zbiór
Bardziej szczegółowo