Podstawy Informatyki Elementy teorii masowej obsługi
|
|
- Anatol Drozd
- 7 lat temu
- Przeglądów:
Transkrypt
1 Podstawy Informatyki
2 Plan wykładu 1 Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla 2 Analiza systemu M/M/1 Wyznaczenie P n (t) Wybrane charakterystyki liczbowe modelu M/M/1 3
3 Teoria masowej obsługi Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Bada zjawiska, w których występują problemy związane z masową obsługą zgłoszeń: klientów idących do kasy w sklepie, samochodów czekających na skrzyżowaniu, listów czekających na dostarczenie, procesów obecnych w pamięci operacyjnej komputera, żądań skierowanych do serwera itp. Ma na celu dostarczenie precyzyjnych metod opisu i analizy systemów świadczących usługi. Pomaga wyznaczać optymalne decyzje dotyczące: liczby aparatów obsługi, intensywności obsługi, czasu obsługi itp.
4 Agner Krarup Erlang ( ) Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Duński matematyk. Pionier w dziedzinie teorii ruchu telekomunikacyjnego i teorii masowej obsługi. W 1909r. udowodnił, że losowe żądania obsługi mają rozkład Poissona. W 1917r. przedstawił tzw. modele Erlanga pozwalające oszacować prawdopodobieństwo blokady połączenia w centralach telefonicznych. Od jego nazwiska pochodzi nazwa jednostki natężenia ruchu telekomunikacyjnego oraz nazwa języka programowania.
5 Przykład systemu masowej obsługi Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla
6 Przykład systemu masowej obsługi Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Najprostszy system obsługi obejmuje: źródło zgłoszeń, kolejkę, stanowisko obsługi zgłoszeń. Czasy przybycia zgłoszeń oraz czasy ich obsługi są zmiennymi losowymi.
7 Źródło Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Źródło charakteryzowane jest poprzez wymiar nieskończony, gdy nowe zgłoszenia mogą w nieograniczonej liczbie przybywać do systemu, skończony, gdy źródło generuje ściśle określoną liczbę zadań (źródło takie po wyemitowaniu n zgłoszeń staje się puste),
8 Źródło Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Źródło charakteryzowane jest poprzez wymiar nieskończony, gdy nowe zgłoszenia mogą w nieograniczonej liczbie przybywać do systemu, skończony, gdy źródło generuje ściśle określoną liczbę zadań (źródło takie po wyemitowaniu n zgłoszeń staje się puste), odstępy czasu pomiędzy poszczególnymi zgłoszeniami opisywane są one za pomocą zmiennej losowej U o dystrubuancie A(x) = P(U x) u średnia wartość odstępów czasu pomiędzy zgłoszeniami, E(u), 1 średnia liczba przychodzących zgłoszeń w jednostce czasu u (intensywność strumienia zgłoszeń).
9 Kolejka Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Kolejka charakteryzowana jest poprzez maksymalną długość nieograniczoną, ograniczoną, regulamin, m.in. naturalny, czyli FIFO (First In First Out), priorytetowy, czyli pierwszeństwa mają zgłoszenia uprzywilejowane, losowy, czyli SIRO (Selection In Random Order).
10 Stanowisko obsługi Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Stanowisko obsługi charakteryzowane jest poprzez czas obsługi zgłoszenia opisywany za pomocą zmiennej losowej V o dystrubuancie B(x) = P(V x) v średni czas obsługi pojedynczego zgłoszenia, E(v), 1 średnia liczba obsłużonych zgłoszeń w jednostce czasu. v
11 Stanowisko obsługi Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Stanowisko obsługi charakteryzowane jest poprzez czas obsługi zgłoszenia opisywany za pomocą zmiennej losowej V o dystrubuancie B(x) = P(V x) v średni czas obsługi pojedynczego zgłoszenia, E(v), 1 średnia liczba obsłużonych zgłoszeń w jednostce czasu. v Intensywność ruchu (stała Erlanga) iloraz średniej liczby zgłoszeń jaka napływa do systemu w jednostce czasu do średniej liczby zgłoszeń jaka może być obsłużona w jednostce czasu. ρ = 1/E(u) 1/E(v)
12 Notacja Kendalla Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Charakterystykę systemu obsługi ujmuje notacja Kendalla: A/B/c/K/h/Z gdzie poszczególne symbole oznaczają: A typ rozkładu odstępów czasu między zgłoszeniami, B typ rozkładu czasów obsługi, c liczba równoległych stanowisk obsługi, K największa dopuszczalna liczba zgłoszeń w systemie, h wymiar źródła zgłoszeń, Z regulamin kolejki.
13 Notacja Kendalla Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Charakterystykę systemu obsługi ujmuje notacja Kendalla: A/B/c/K/h/Z gdzie poszczególne symbole oznaczają: A typ rozkładu odstępów czasu między zgłoszeniami, B typ rozkładu czasów obsługi, c liczba równoległych stanowisk obsługi, K największa dopuszczalna liczba zgłoszeń w systemie, h wymiar źródła zgłoszeń, Z regulamin kolejki. Symbole K, h, Z pomija się, jeżeli brak ograniczeń długości kolejki, źródło zgłoszeń ma nieskończony wymiar, a regulamin kolejki jest naturalny (FIFO).
14 Typy rozkładów Wprowadzenie Źródło, kolejka, stanowisko obsługi Notacja Kendalla Rozkłady zmiennych losowych oznacza się następującymi symbolami: D napływ deterministyczny (zmienna losowa o rozkładzie jednopunktowym), M rozkład wykładniczy P(X x) = 1 exp( λx), Ek rozkład Erlanga, gdzie k jest parametrem, G rozkład ogólny, zdefiniowany przez użytkownika.
15 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Zapis M/M/1 oznacza system, gdzie odstępy czasu między zgłoszeniami mają rozkład wykładniczy z parametrem λ, zgłoszenia obsługiwane w czasie o rozkładzie wykładniczym z parametrem µ w pojedynczym stanowisku obsługi, regulamin kolejki jest naturalny a jej długość jest nieograniczona.
16 Strumień zgłoszeń Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Gdy odstępy czasu między zgłoszeniami mają rozkład wykładniczy z parametrem λ, to zgłoszenia napływają strumieniem Poissona, czyli liczba zgłoszeń w jednostce czasu ma rozkład Poissona z parametrem λ. Prawdopodobieństwo, że liczba zgłoszeń (n) pojawiająca się w systemie w jednostce czasu o długości T wynosi k: P(n = k) = (λt )k exp( λt ) k! dla k = 0, 1, 2,... Średnia liczba zgłoszeń pojawiająca się w systemie w jednostce czasu o długości T wynosi λt.
17 - podstawowe równania Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Dystrybuanta czasu odstępów między zgłoszeniami A(x) = P(U x) = 1 exp( λx) dla x 0 zatem E(u) = 1/λ, a średnia liczba przychodzących zgłoszeń w jednostce czasu wynosi λ. Dystrybuanta czasu obsługi zgłoszeń B(x) = P(V x) = 1 exp( µx) dla x 0 zatem E(v) = 1/µ, a średnia liczba obsłużonych zgłoszeń w jednostce czasu wynosi µ. Intensywność ruchu, czyli wykorzystanie (obciążenie) stanowiska ρ = 1/E(u) 1/E(v) = λ µ Aby system mógł pracować poprawnie, tzn. kolejka nie urosła do nieskończoności, intensywność musi być mniejsza od 1.
18 Wprowadzenie Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Podstawowy problem: wyznaczenie P n (t) - prawdopodobieństwo zajętości systemu przez określoną liczbę zgłoszeń n w określonej chwili t. Założenia: prawdopodobieństwo pojawienia się zgłoszenia w czasie dt: λdt, prawdopodobieństwo obsługi zgłoszenia w czasie dt: µdt.
19 Analiza P 0 (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P 0 (t + dt) = P 0 (t)(1 λdt) + P 1 (t)(1 λdt)µdt P 0 (t + dt) P 0 (t) dt = P 1 (t)(1 λdt)µ P 0 (t)λ gdy dt 0 dp 0 (t) dt = P 1 (t)µ P 0 (t)λ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 1 µ P 0 λ = 0, czyli P 1 = λ µ P 0 = ρp 0.
20 Analiza P 0 (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P 0 (t + dt) = P 0 (t)(1 λdt) + P 1 (t)(1 λdt)µdt P 0 (t + dt) P 0 (t) dt = P 1 (t)(1 λdt)µ P 0 (t)λ gdy dt 0 dp 0 (t) dt = P 1 (t)µ P 0 (t)λ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 1 µ P 0 λ = 0, czyli P 1 = λ µ P 0 = ρp 0.
21 Analiza P 0 (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P 0 (t + dt) = P 0 (t)(1 λdt) + P 1 (t)(1 λdt)µdt P 0 (t + dt) P 0 (t) dt = P 1 (t)(1 λdt)µ P 0 (t)λ gdy dt 0 dp 0 (t) dt = P 1 (t)µ P 0 (t)λ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 1 µ P 0 λ = 0, czyli P 1 = λ µ P 0 = ρp 0.
22 Analiza P 0 (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P 0 (t + dt) = P 0 (t)(1 λdt) + P 1 (t)(1 λdt)µdt P 0 (t + dt) P 0 (t) dt = P 1 (t)(1 λdt)µ P 0 (t)λ gdy dt 0 dp 0 (t) dt = P 1 (t)µ P 0 (t)λ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 1 µ P 0 λ = 0, czyli P 1 = λ µ P 0 = ρp 0.
23 Analiza P 0 (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P 0 (t + dt) = P 0 (t)(1 λdt) + P 1 (t)(1 λdt)µdt P 0 (t + dt) P 0 (t) dt = P 1 (t)(1 λdt)µ P 0 (t)λ gdy dt 0 dp 0 (t) dt = P 1 (t)µ P 0 (t)λ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 1 µ P 0 λ = 0, czyli P 1 = λ µ P 0 = ρp 0.
24 Analiza P n (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P n (t+dt) = P n (t)(1 λdt)(1 µdt)+p n 1 (t)λdt(1 µdt)+p n+1 (t)(1 λdt)µdt P n (t + dt) P n (t) dt = P n (t)( λ µ+λµdt)+p n 1 (t)λ(1 µdt)+p n+1 (t)(1 λdt)µ gdy dt 0 dp n (t) dt = P n (t)( λ µ) + P n 1 (t)λ + P n+1 (t)µ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P n ( λ µ) + P n 1 λ + P n+1 µ = 0, czyli P n+1 µ P n λ = P n µ P n 1 λ.
25 Analiza P n (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P n (t+dt) = P n (t)(1 λdt)(1 µdt)+p n 1 (t)λdt(1 µdt)+p n+1 (t)(1 λdt)µdt P n (t + dt) P n (t) dt = P n (t)( λ µ+λµdt)+p n 1 (t)λ(1 µdt)+p n+1 (t)(1 λdt)µ gdy dt 0 dp n (t) dt = P n (t)( λ µ) + P n 1 (t)λ + P n+1 (t)µ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P n ( λ µ) + P n 1 λ + P n+1 µ = 0, czyli P n+1 µ P n λ = P n µ P n 1 λ.
26 Analiza P n (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P n (t+dt) = P n (t)(1 λdt)(1 µdt)+p n 1 (t)λdt(1 µdt)+p n+1 (t)(1 λdt)µdt P n (t + dt) P n (t) dt = P n (t)( λ µ+λµdt)+p n 1 (t)λ(1 µdt)+p n+1 (t)(1 λdt)µ gdy dt 0 dp n (t) dt = P n (t)( λ µ) + P n 1 (t)λ + P n+1 (t)µ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P n ( λ µ) + P n 1 λ + P n+1 µ = 0, czyli P n+1 µ P n λ = P n µ P n 1 λ.
27 Analiza P n (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P n (t+dt) = P n (t)(1 λdt)(1 µdt)+p n 1 (t)λdt(1 µdt)+p n+1 (t)(1 λdt)µdt P n (t + dt) P n (t) dt = P n (t)( λ µ+λµdt)+p n 1 (t)λ(1 µdt)+p n+1 (t)(1 λdt)µ gdy dt 0 dp n (t) dt = P n (t)( λ µ) + P n 1 (t)λ + P n+1 (t)µ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P n ( λ µ) + P n 1 λ + P n+1 µ = 0, czyli P n+1 µ P n λ = P n µ P n 1 λ.
28 Analiza P n (t + dt) Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 P n (t+dt) = P n (t)(1 λdt)(1 µdt)+p n 1 (t)λdt(1 µdt)+p n+1 (t)(1 λdt)µdt P n (t + dt) P n (t) dt = P n (t)( λ µ+λµdt)+p n 1 (t)λ(1 µdt)+p n+1 (t)(1 λdt)µ gdy dt 0 dp n (t) dt = P n (t)( λ µ) + P n 1 (t)λ + P n+1 (t)µ Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P n ( λ µ) + P n 1 λ + P n+1 µ = 0, czyli P n+1 µ P n λ = P n µ P n 1 λ.
29 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wyznaczenie P n P n+1 µ P n λ = P n µ P n 1 λ =... = P 1 µ P 0 λ = 0 czyli P n = ρp n 1 = ρ n P 0. Wiedząc, że P n = 1, n=0 oraz ρ < 1 otrzymuje się Zatem n=0 P 0 ρ n = P ρ = 1 P 0 = 1 ρ.
30 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wyznaczenie P n P n+1 µ P n λ = P n µ P n 1 λ =... = P 1 µ P 0 λ = 0 czyli P n = ρp n 1 = ρ n P 0. Wiedząc, że P n = 1, n=0 oraz ρ < 1 otrzymuje się Zatem n=0 P 0 ρ n = P ρ = 1 P 0 = 1 ρ.
31 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wyznaczenie P n P n+1 µ P n λ = P n µ P n 1 λ =... = P 1 µ P 0 λ = 0 czyli P n = ρp n 1 = ρ n P 0. Wiedząc, że P n = 1, n=0 oraz ρ < 1 otrzymuje się Zatem n=0 P 0 ρ n = P ρ = 1 P 0 = 1 ρ.
32 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wyznaczenie P n P n+1 µ P n λ = P n µ P n 1 λ =... = P 1 µ P 0 λ = 0 czyli P n = ρp n 1 = ρ n P 0. Wiedząc, że P n = 1, n=0 oraz ρ < 1 otrzymuje się Zatem n=0 P 0 ρ n = P ρ = 1 P 0 = 1 ρ.
33 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wyznaczenie P n Prawdopodobieństwo zajętości systemu przez określoną liczbę zgłoszeń n P n = ρ n (1 ρ).
34 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wyznaczenie P n Prawdopodobieństwo zajętości systemu przez określoną liczbę zgłoszeń n P n = ρ n (1 ρ). W szczególności prawdopodobieństwo, że system jest pusty: P 0 = 1 ρ, prawdopodobieństwo stanu, w którym system jest zajęty (system pracuje): P n>0 = ρ.
35 Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Wybrane charakterystyki liczbowe modelu M/M/1 Średnia liczba zgłoszeń w systemie: E(n) = np n = nρ n (1 ρ) = n=0 n=0 Średnia liczba zgłoszeń w kolejce: ρ 1 ρ. E(k) = (n 1)P n = (n 1)ρ n (1 ρ) = ρ2 1 ρ. n=0 n=0 Średnia liczba zgłoszeń na stanowisku obsługi: E(s) = E(n) E(k) = ρ.
36 Twierdzenie Little a Analiza systemu M/M/1 Wyznaczenie P n(t) Wybrane charakterystyki liczbowe modelu M/M/1 Twierdzenie Little a Średnia liczba zgłoszeń w systemie jest równa iloczynowi średniego czasu pobytu w systemie i średniej częstotliwości nadchodzenia zgłoszeń: E(n) = λe(τ). Wnioski: średni czas pobytu zgłoszenia w systemie: E(τ) = 1 λ E(n) = 1 ρ λ 1 ρ = 1 µ(1 ρ), średni czas pobytu zgłoszenia w kolejce (oczekiwania na obsługę): ρ 2 E(ω) = 1 λ E(k) = 1 λ 1 ρ = ρ µ(1 ρ).
37 Problem przepływu Wiedząc, że do systemu nadchodzą zgłoszenia o wykładniczym rozkładzie czasu między zgłoszeniami A(x), system realizuje te zgłoszenia w czasie o rozkładzie wykładniczym B(x), wyznaczyć rozkład czasu odstępów między zgłoszeniami wychodzącymi z systemu.
38 Problem przepływu Wyznaczenie gęstości pojawiania się zgłoszeń na wyjściu: Zatem d(x) = ρµ exp( µx) + (1 ρ) d(x) = ρb(x) + (1 ρ)a(x) b(x) x d(x) = λ µ µ exp( µx) + µ λ µ λµ exp( µx) x [ d(x) = λ exp( µx) + (µ λ)λ exp( µx) 0 λ exp( λt)µ exp( µ(x t))dt 0 exp((µ λ)t)dt 1 µ λ exp((µ λ)t) ] x 0 d(x) = λ exp( µx) + λ exp( µx) [exp((µ λ)x) 1] d(x) = λ exp( λx)
39 Problem przepływu Wyznaczenie gęstości pojawiania się zgłoszeń na wyjściu: Zatem d(x) = ρµ exp( µx) + (1 ρ) d(x) = ρb(x) + (1 ρ)a(x) b(x) x d(x) = λ µ µ exp( µx) + µ λ µ λµ exp( µx) x [ d(x) = λ exp( µx) + (µ λ)λ exp( µx) 0 λ exp( λt)µ exp( µ(x t))dt 0 exp((µ λ)t)dt 1 µ λ exp((µ λ)t) ] x 0 d(x) = λ exp( µx) + λ exp( µx) [exp((µ λ)x) 1] d(x) = λ exp( λx)
40 Problem przepływu Wyznaczenie gęstości pojawiania się zgłoszeń na wyjściu: Zatem d(x) = ρµ exp( µx) + (1 ρ) d(x) = ρb(x) + (1 ρ)a(x) b(x) x d(x) = λ µ µ exp( µx) + µ λ µ λµ exp( µx) x [ d(x) = λ exp( µx) + (µ λ)λ exp( µx) 0 λ exp( λt)µ exp( µ(x t))dt 0 exp((µ λ)t)dt 1 µ λ exp((µ λ)t) ] x 0 d(x) = λ exp( µx) + λ exp( µx) [exp((µ λ)x) 1] d(x) = λ exp( λx)
41 Problem przepływu Wyznaczenie gęstości pojawiania się zgłoszeń na wyjściu: Zatem d(x) = ρµ exp( µx) + (1 ρ) d(x) = ρb(x) + (1 ρ)a(x) b(x) x d(x) = λ µ µ exp( µx) + µ λ µ λµ exp( µx) x [ d(x) = λ exp( µx) + (µ λ)λ exp( µx) 0 λ exp( λt)µ exp( µ(x t))dt 0 exp((µ λ)t)dt 1 µ λ exp((µ λ)t) ] x 0 d(x) = λ exp( µx) + λ exp( µx) [exp((µ λ)x) 1] d(x) = λ exp( λx)
42 Problem przepływu Wyznaczenie gęstości pojawiania się zgłoszeń na wyjściu: Zatem d(x) = ρµ exp( µx) + (1 ρ) d(x) = ρb(x) + (1 ρ)a(x) b(x) x d(x) = λ µ µ exp( µx) + µ λ µ λµ exp( µx) x [ d(x) = λ exp( µx) + (µ λ)λ exp( µx) 0 λ exp( λt)µ exp( µ(x t))dt 0 exp((µ λ)t)dt 1 µ λ exp((µ λ)t) ] x 0 d(x) = λ exp( µx) + λ exp( µx) [exp((µ λ)x) 1] d(x) = λ exp( λx)
43 Problem przepływu Wyznaczenie gęstości pojawiania się zgłoszeń na wyjściu: Zatem d(x) = ρµ exp( µx) + (1 ρ) d(x) = ρb(x) + (1 ρ)a(x) b(x) x d(x) = λ µ µ exp( µx) + µ λ µ λµ exp( µx) x [ d(x) = λ exp( µx) + (µ λ)λ exp( µx) 0 λ exp( λt)µ exp( µ(x t))dt 0 exp((µ λ)t)dt 1 µ λ exp((µ λ)t) ] x 0 d(x) = λ exp( µx) + λ exp( µx) [exp((µ λ)x) 1] d(x) = λ exp( λx)
44 Rozkład czasu odstępów między zgłoszeniami wychodzącymi z systemu: D(x) = A(x). Zatem system do którego nadchodzą zgłoszenia o wykładniczym rozkładzie czasu między zgłoszeniami A(x), który realizuje je w czasie o rozkładzie wykładniczym, który wysyła wyniki na zewnątrz, zachowuje się jak źródło o rozkładzie wykładniczym A(x).
45 - wnioski Z zasady ciągłości przepływu wynika, że sieci stanowisk typu M/M/1 można analizować biorąc pod uwagę następujące własności: strumień zgłoszeń opuszczających stanowisko obsługi typu M/M/1 jest strumieniem Poissona, rozgałęzienie strumienia Poissona na dwa (lub więcej) strumieni zgłoszeń zachowuje tę własność, łączenie strumieni Poissona zachowuje tę własność.
46 Otwarte sieci stanowisk typu M/M/1 Sieć nazywa się otwartą, gdy ma co najmniej jedno wejście i jedno wyprowadzenie na zewnątrz.
47 Analiza sieci stanowisk typu M/M/1 Zakładając, że liczba pojedynczych stanowisk typu M/M/1 wynosi N: gdzie i {1, 2,..., N} N N λ i = λ 0i + λ ji = λ 0i + p ji λ j j=1 j=1 λ i intensywność wejściowego strumienia zgłoszeń przychodzących do stanowiska i, λ 0i intensywność strumienia zgłoszeń spoza sieci przychodzących do stanowiska i, λ ji intensywność strumienia zgłoszeń przechodzących ze stanowiska j na stanowisko i, p ji prawdopodobieństwo przejścia ze stanowiska j na stanowisko i.
48 Analiza sieci stanowisk typu M/M/1 Znając dla każdego i {1, 2,..., N} λ i średnią liczbę zgłoszeń napływajacych do i-tego stanowiska w jednostce czasu, µ i średnią liczbę zgłoszeń obsługiwanych na i-tym stanowisku, można określić stopień obciążenia wszystkich stanowisk. System działa stabilnie, gdy obciążenie każdego ze stanowisk jest mniejsze od 1: ρ i < 1 i {1, 2,..., N}.
49 Przykład Dla jakich wartości µ 1 oraz µ 2 system działa stabilnie, gdy: λ 01 = 10, λ 02 = 20, p 11 = 0, p 12 = 1/4, p 21 = 1/2, p 22 = 1/2.
50 Przykład { λ1 = λ 2 λ 2 = λ λ 2
51 Przykład { λ1 = λ 2 λ 2 = λ λ λ 2 = ( λ 2) 3 8 λ 2 = λ 2 = = 60
52 Przykład { λ1 = λ 2 λ 2 = λ λ λ 2 = ( λ 2) 3 8 λ 2 = λ 2 = = 60 { λ1 = 40 λ 2 = 60 { µ1 > 40 µ 2 > 60
53 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60.
54 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4.
55 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jaka jest średnia liczba zgłoszeń w takim układzie?
56 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jaka jest średnia liczba zgłoszeń w takim układzie? czyli E(n) = 4. E(n 1 ) = ρ 1 1 ρ 1 = 1 E(n 2 ) = ρ 2 1 ρ 2 = 3
57 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Ile wynosi średni czas przebywania zgłoszenia w takim układzie?
58 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Ile wynosi średni czas przebywania zgłoszenia w takim układzie? Na podstawie tw. Little a E(n) = λe(τ), czyli E(τ) = E(n) λ = E(n 1) + E(n 2 ) λ 01 + λ 02 = 4 30.
59 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jakie jest prawdopodobieństwo, że w takiej sieci znajdują się dokładnie 4 zgłoszenia?
60 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jakie jest prawdopodobieństwo, że w takiej sieci znajdują się dokładnie 4 zgłoszenia? P 4 = 4 Pj 1 P4 j 2 dla Pn 1 = ρ n 1 (1 ρ 1) oraz Pn 2 = ρ n 2 (1 ρ 2) j=0
61 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jakie jest prawdopodobieństwo, że w takiej sieci znajdują się dokładnie 4 zgłoszenia? P 4 = 4 j=0 ρ j 1 (1 ρ 1)ρ 4 j 2 (1 ρ 2 ) = (1 ρ 1 )(1 ρ 2 ) 4 j=0 ρ j 1 ρ4 j 2
62 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jakie jest prawdopodobieństwo, że w takiej sieci znajdują się dokładnie 4 zgłoszenia? P 4 = ( ) 1 j ( 3 4 j 2 4) j=0
63 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jakie jest prawdopodobieństwo, że w takiej sieci znajdują się dokładnie 4 zgłoszenia? ( ( ) 4 ( ) 3 ( ) 2 ( ) 2 ( ) 3 ( ) 4 P 4 = )
64 Przykład c.d. Wiadomo, że λ 1 = 40 λ 2 = 60 i aby system działał stabilnie µ 1 > 40 µ 2 > 60. Niech µ 1 = µ 2 = 80. Wtedy ρ 1 = 1 2 i ρ 2 = 3 4. Jakie jest prawdopodobieństwo, że w takiej sieci znajdują się dokładnie 4 zgłoszenia? ( ) P 4 = =
65 Zamknięte sieci stanowisk typu M/M/1 W sieciach zamkniętych brak jest wejściowego i wyjściowego strumienia zgłoszeń, jest zawsze stała liczba zgłoszeń. Podstawowy problem: wyznaczenie P n1 n 2...n K (t) prawdopodobieństwa zajętości j-tego stanowiska obsługi przez n j zgłoszeń w określonej chwili t, gdzie j {1, 2,..., K}. Założenia: w systemie jest K stanowisk obsługi, w systemie krąży N zgłoszeń, prawdopodobieństwo obsługi zgłoszenia przez j-te stanowisko w czasie dt: µ j dt.
66 Analiza zamkniętej sieci stanowisk typu M/M/1 Niech w systemie krążą 2 zgłoszenia, zatem możliwe są stany: 1 (2,0) - oba zgłoszenia są przy SO1, 2 (0,2) oba zgłoszenia są przy SO2, 3 (1,1) każde ze stanowisk obsługuje jedno zgłoszenie.
67 Analiza zamkniętej sieci stanowisk typu M/M/1 Niech w systemie krążą 2 zgłoszenia, zatem możliwe są stany: 1 (2,0) - oba zgłoszenia są przy SO1, 2 (0,2) oba zgłoszenia są przy SO2, 3 (1,1) każde ze stanowisk obsługuje jedno zgłoszenie. P 20 (t + dt) = P 20 (t)(1 µ 1 dt) + P 11 (t)µ 2 dt(1 µ 1 dt)
68 Analiza zamkniętej sieci stanowisk typu M/M/1 Niech w systemie krążą 2 zgłoszenia, zatem możliwe są stany: 1 (2,0) - oba zgłoszenia są przy SO1, 2 (0,2) oba zgłoszenia są przy SO2, 3 (1,1) każde ze stanowisk obsługuje jedno zgłoszenie. P 20 (t + dt) = P 20 (t)(1 µ 1 dt) + P 11 (t)µ 2 dt(1 µ 1 dt) P 20 (t + dt) P 20 (t) dt = P 20 (t)µ 1 + P 11 (t)µ 2 (1 µ 1 dt)
69 Analiza zamkniętej sieci stanowisk typu M/M/1 Niech w systemie krążą 2 zgłoszenia, zatem możliwe są stany: 1 (2,0) - oba zgłoszenia są przy SO1, 2 (0,2) oba zgłoszenia są przy SO2, 3 (1,1) każde ze stanowisk obsługuje jedno zgłoszenie. P 20 (t + dt) = P 20 (t)(1 µ 1 dt) + P 11 (t)µ 2 dt(1 µ 1 dt) P 20 (t + dt) P 20 (t) dt = P 20 (t)µ 1 + P 11 (t)µ 2 (1 µ 1 dt) gdy dt 0 dp 20 (t) dt = P 20 (t)µ 1 + P 11 (t)µ 2
70 Analiza zamkniętej sieci stanowisk typu M/M/1 Niech w systemie krążą 2 zgłoszenia, zatem możliwe są stany: 1 (2,0) - oba zgłoszenia są przy SO1, 2 (0,2) oba zgłoszenia są przy SO2, 3 (1,1) każde ze stanowisk obsługuje jedno zgłoszenie. Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 20 µ 1 + P 11 µ 2 = 0
71 Analiza zamkniętej sieci stanowisk typu M/M/1 Niech w systemie krążą 2 zgłoszenia, zatem możliwe są stany: 1 (2,0) - oba zgłoszenia są przy SO1, 2 (0,2) oba zgłoszenia są przy SO2, 3 (1,1) każde ze stanowisk obsługuje jedno zgłoszenie. Ponieważ w ustalonym stanie stacjonarnym prawdopodobieństwa nie są już funkcją czasu: P 20 µ 1 + P 11 µ 2 = 0 Zatem P 20 µ 1 = P 11 µ 2
72 Analiza zamkniętej sieci stanowisk typu M/M/1 Analizując pozostałe stany można otrzymać: P 20 µ 1 = P 11 µ 2 P 11 (µ 1 + µ 2 ) = P 20 µ 1 + P 02 µ 2 P 02 µ 2 = P 11 µ 1 Są to tzw. równania bilansu prawdopodobieństw.
73 Analiza zamkniętej sieci stanowisk typu M/M/1 Analizując pozostałe stany można otrzymać: P 20 µ 1 = P 11 µ 2 P 11 (µ 1 + µ 2 ) = P 20 µ 1 + P 02 µ 2 P 02 µ 2 = P 11 µ 1 Są to tzw. równania bilansu prawdopodobieństw. Niestety uzyskany układ równań jest zależny, dlatego trzeba jeszcze użyć warunku normującego: P 20 + P 11 + P 02 = 1
74 Przykład Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Obliczyć: P 20, P 11, P 02
75 Przykład Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Obliczyć: P 20, P 11, P 02 P 20 µ 1 = P 11 µ 2 P 02 µ 2 = P 11 µ 1 P 20 + P 11 + P 02 = 1 P 20 = µ 2 µ 1 P 11 = 3 2 P 11 P 02 = µ 1 µ 2 P 11 = 2 3 P 11 P 20 + P 11 + P 02 = 1
76 Przykład Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. P 20 µ 1 = P 11 µ 2 P 02 µ 2 = P 11 µ 1 P 20 + P 11 + P 02 = 1 Obliczyć: P 20, P 11, P P 11 + P P 11 = 1 P 20 = µ 2 µ 1 P 11 = 3 2 P 11 P 02 = µ 1 µ 2 P 11 = 2 3 P 11 P 20 + P 11 + P 02 = 1
77 Przykład Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. P 20 µ 1 = P 11 µ 2 P 02 µ 2 = P 11 µ 1 P 20 + P 11 + P 02 = 1 P 11 ( ) Obliczyć: P 20, P 11, P 02 = P 11 ( P 20 = µ 2 1 P 11 = 3 2 P 11 P 02 = µ 1 µ 2 P 11 = 2 3 P 11 P 20 + P 11 + P 02 = 1 ) = 19 6 P 11 = 1
78 Przykład Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Obliczyć: P 20, P 11, P 02 P 20 µ 1 = P 11 µ 2 P 02 µ 2 = P 11 µ 1 P 20 + P 11 + P 02 = 1 P 20 = µ 2 µ 1 P 11 = 3 2 P 11 P 02 = µ 1 µ 2 P 11 = 2 3 P 11 P 20 + P 11 + P 02 = 1 P 11 = 6 19, a zatem P 20 = 9 19 oraz P 02 = 4 19
79 Przykład c.d. Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Zatem P 20 = 9 19, P 11 = 6 19 oraz P 02 = 4 19.
80 Przykład c.d. Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Zatem P 20 = 9 19, P 11 = 6 19 oraz P 02 = Jakie są średnie liczby zgłoszeń przy stanowiskach?
81 Przykład c.d. Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Zatem P 20 = 9 19, P 11 = 6 19 oraz P 02 = Jakie są średnie liczby zgłoszeń przy stanowiskach? E(n 1 ) = 0 P P P 20 = = E(n 2 ) = 0 P P P 02 = = 14 19
82 Przykład c.d. Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Zatem P 20 = 9 19, P 11 = 6 19 oraz P 02 = Jakie są średnie długości kolejek przed stanowiskami?
83 Przykład c.d. Dane: w systemie krążą 2 zgłoszenia, µ 1 = 2 oraz µ 2 = 3. Zatem P 20 = 9 19, P 11 = 6 19 oraz P 02 = Jakie są średnie długości kolejek przed stanowiskami? E(k 1 ) = 0 P P 20 = 9 19 E(k 2 ) = 0 P P 02 = 4 19
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 szczegółowoSystemy 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 szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Teoria masowej obsługi. Geneza. Teoria masowej obsługi
TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK Wykład 1 Dr inż. Anna Kwasiborska Literatura B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii
Bardziej szczegółowoModele procesów masowej obsługi
Modele procesów masowej obsługi Musiał Kamil Motek Jakub Osowski Michał Inżynieria Bezpieczeństwa Rok II Wstęp Teoria masowej obsługi to samodzielna dyscyplina, której celem jest dostarczenie możliwie
Bardziej szczegółowoTEORIA 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 szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Teoria masowej obsługi. Geneza. Teoria masowej obsługi
TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK Wykład 1 Dr inż. Anna Kwasiborska Literatura B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii
Bardziej szczegółowoModelowanie 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 szczegółowoLiteratura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK. Geneza. Teoria masowej obsługi. Cele masowej obsługi. Teoria masowej obsługi
Literatura TEORIA MASOWEJ OBSŁUGI TEORIA KOLEJEK B. von der Veen: Wstęp do teorii badań operacyjnych. PWN, Warszawa 1970. Gniedenko B. W., Kowalenko I. N.: Wstęp do teorii obsługi masowej. PWN, Warszawa
Bardziej szczegółowodr 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 szczegółowoProces 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 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 szczegółowoElementy 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 szczegółowoRachunek 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 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 szczegółowoColloquium 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 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 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 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 szczegółowoSystem obsługi klienta przy okienku w urzędzie pocztowym
System obsługi klienta przy okienku w urzędzie pocztowym Opracowały: Monika Rozmarynowska Paulina Wałdoch Joanna Wika Specjalność : EPiF Rok akademicki: 2009/2010 1 Spis treści 1. Opis i założenia wstępne
Bardziej szczegółowoANALIZA I OCENA FUNKCJONALNOŚCI SYSTEMU MASOWEJ OBSŁUGI NA PODSTAWIE OBSŁUGI CELNEJ POJAZDÓW CIĘŻAROWYCH
Andrzej LEWIŃSKI, Marta ŻUREK-MORTKA ANALIZA I OCENA FUNKCJONALNOŚCI SYSTEMU MASOWEJ OBSŁUGI NA PODSTAWIE OBSŁUGI CELNEJ POJAZDÓW CIĘŻAROWYCH Artykuł przedstawia modelowanie procesów obsługi celnej pojazdów
Bardziej szczegółowoPodstawy symulacji komputerowej
Podstawy symulacji komputerowej Wykład 3 Generatory liczb losowych Wojciech Kordecki wojciech.kordecki@pwsz-legnica.eu Państwowa Wyższa Szkoła Zawodowa im. Witelona w Legnicy Wydział Nauk Technicznych
Bardziej szczegółowoOgólnopolska 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 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 szczegółowoBADANIE EFEKTYWNOŚCI PRACY ELASTYCZNEGO GNIAZDA MONTAŻOWEGO
BADANIE EFEKTYWNOŚCI PRACY ELASTYCZNEGO GNIAZDA MONTAŻOWEGO Rafał KLUZ, Barbara CIECIŃSKA Streszczenie W pracy przedstawiono wyniki badań dotyczące efektywności pracy elastycznego gniazda montażowego.
Bardziej szczegółowoSystemy kolejkowe z histerezą- wprowadzenie
Systemy kolejkowe z histerezą- wprowadzenie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 25 kwietnia 2014 r. System kolejkowy z histerezą System kolejkowy
Bardziej szczegółowoZmienne losowe. dr Mariusz Grzadziel. rok akademicki 2016/2017 semestr letni. Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu
Zmienne losowe dr Mariusz Grzadziel Katedra Matematyki, Uniwersytet Przyrodniczy we Wrocławiu rok akademicki 2016/2017 semestr letni Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór
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 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 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 szczegółowoCentralne twierdzenie graniczne
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1
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 szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoColloquium 2, Grupa A
Colloquium 2, Grupa A 1. W warsztacie samochodowym są dwa stanowiska obsługi. Na każdym z nich, naprawa samochodu trwa przeciętnie pół godziny. Do warsztatu przyjeżdża średnio 4 klientów w ciągu godziny.
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej 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 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 szczegółowoFunkcje charakteryzujące proces. Dr inż. Robert Jakubowski
Funkcje charakteryzujące proces eksploatacji Dr inż. Robert Jakubowski Niezawodność Niezawodność Rprawdopodobieństwo, że w przedziale czasu od do t cechy funkcjonalne statku powietrznego Ubędą się mieścić
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 szczegółowoRozkład wykładniczy. Proces Poissona.
Wykład 3 Rozkład wykładniczy. Proces Poissona. 3.1 Własności rozkładu wykładniczego 3.1.1 Rozkład geometryczny: Mówimy, że zmienna losowa X ma rozkład geometryczny z parametrem p (, 1) jeśli P(Xi)p(1 p)
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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie
Bardziej szczegółowoSystemy masowej obsługi
Rozdział 1 Systemy masowej obsługi Systemy masowej obsługi (lub kolejkowe) występują w wielu praktycznych sytuacjach, np. samoloty na lotnisku oczekują na start lub lądowanie, klienci w banku oczekują
Bardziej szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoModelowanie stochastyczne Stochastic Modeling. Poziom przedmiotu: II stopnia. Liczba godzin/tydzień: 2W E, 2C
Nazwa przedmiotu: Kierunek: Matematyka Rodzaj przedmiotu: obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład, ćwiczenia Modelowanie stochastyczne Stochastic Modeling Poziom przedmiotu:
Bardziej szczegółowoParametr 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 szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
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 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 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 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 szczegółowoRachunek prawdopodobieństwa 1B; zadania egzaminacyjne.
Rachunek prawdopodobieństwa B; zadania egzaminacyjne.. Niech µ będzie rozkładem probabilistycznym na (0, ) (0, ): µ(b) = l({x (0,) : (x, x) B}), dla B B((0, ) (0, ))), gdzie l jest miarą Lebesgue a na
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 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 szczegółowoElementy Modelowania Matematycznego Wykªad 9 Systemy kolejkowe
Elementy Modelowania Matematycznego Wykªad 9 Systemy kolejkowe Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis tre±ci 1 2 3 Spis tre±ci 1 2 3 Spis tre±ci 1 2 3 Teoria masowej obsªugi,
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 szczegółowo4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO
Znaczenie rozkładu wykładniczego 4 51 4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO 4.1. Rozkład wykładniczy Zmienna losowa X ma rozkład wykładniczy, jeżeli funkcja gęstości prawdopodobieństwa f ( x) = λe λx x 0,
Bardziej 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 szczegółowoProcesy stochastyczne 2.
Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,
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 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 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 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 szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowoMatematyka 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 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 szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoZmienne losowe ciągłe i ich rozkłady
Statystyka i opracowanie danych W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Rozkład Poissona. Zmienna losowa ciągła Dystrybuanta i funkcja gęstości
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 szczegółowoZestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =
Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x
Bardziej szczegółowoRachunek Prawdopodobieństwa i Statystyka
Rachunek Prawdopodobieństwa i Statystyka W 2. Probabilistyczne modele danych Zmienne losowe. Rozkład prawdopodobieństwa i dystrybuanta. Wartość oczekiwana i wariancja zmiennej losowej Dr Anna ADRIAN Zmienne
Bardziej szczegółowoZmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015
Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.4. Momenty zmiennych losowych Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Przykład 1 Rzucamy raz kostką Ile wynosi średnia liczba oczek, jaka
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 szczegółowoGeometryczna zbieżność algorytmu Gibbsa
Geometryczna zbieżność algorytmu Gibbsa Iwona Żerda Wydział Matematyki i Informatyki, Uniwersytet Jagielloński 6 grudnia 2013 6 grudnia 2013 1 / 19 Plan prezentacji 1 Algorytm Gibbsa 2 Tempo zbieżności
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 szczegółowoNajkrótsza droga Maksymalny przepływ Najtańszy przepływ Analiza czynności (zdarzeń)
Carl Adam Petri (1926-2010) Najkrótsza droga Maksymalny przepływ Najtańszy przepływ Analiza czynności (zdarzeń) Problemy statyczne Kommunikation mit Automaten praca doktorska (1962) opis procesów współbieżnych
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 szczegółowoUPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski
UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 3 - model statystyczny, podstawowe zadania statystyki matematycznej Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 3 1 / 8 ZADANIE z rachunku
Bardziej szczegółowoPojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1
Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:
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 szczegółowoFizyka 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 szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych 1 Zmienne losowe dyskretne 1.1 Rozkład dwumianowy Zad.1.1.1 Prawdopodobieństwo dziedziczenia pewnej cechy wynosi 0,7. Jakie jest prawdopodobieństwo, że spośród pięciu potomków
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 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 szczegółowoZmienne losowe ciągłe i ich rozkłady
Rachunek Prawdopodobieństwa i Statystyka - W3 Zmienne losowe ciągłe i ich rozkłady Dr Anna ADRIAN Paw B5, pok47 adan@agh.edu.pl Plan wykładu Zmienna losowa ciągła Dystrybuanta i unkcja gęstości rozkładu
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 6. Momenty zmiennych losowych Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 8.11.2018 1 / 47 Funkcje zmiennych losowych Mierzalna funkcja Y
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 6 Magdalena Alama-Bućko 8 kwietnia 019 Magdalena Alama-Bućko Statystyka matematyczna 8 kwietnia 019 1 / 1 Rozkłady ciagłe Magdalena Alama-Bućko Statystyka matematyczna 8
Bardziej szczegółowo4,5. Dyskretne zmienne losowe (17.03; 31.03)
4,5. Dyskretne zmienne losowe (17.03; 31.03) Definicja 1 Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która przyjmuje wszystkie
Bardziej szczegółowoTeoretyczne podstawy programowania liniowego
Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i
Bardziej szczegółowoZadanie 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 szczegółowoDyskretne zmienne losowe
Dyskretne zmienne losowe dr Mariusz Grządziel 16 marca 2009 Definicja 1. Zmienna losowa nazywamy dyskretna (skokowa), jeśli zbiór jej wartości x 1, x 2,..., można ustawić w ciag. Zmienna losowa X, która
Bardziej szczegółowoMODELE STOCHASTYCZNE Plan wykładu
UNIWERSYTET WROCŁAWSKI Wydział Matematyki i Informatyki Instytut Matematyczny M.Majsnerowska rok akademicki 2018/2019 MODELE STOCHASTYCZNE Plan wykładu 1. Łańcuchy Markowa 1.1. Podstawowe pojęcia i przykłady
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 szczegółowoStatystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone
Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 3 i 4 1 / 25 MODEL RYZYKA INDYWIDUALNEGO X wielkość
Bardziej szczegółowoProces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką
z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n
Bardziej szczegółowo1 Warunkowe wartości oczekiwane
Warunkowe wartości oczekiwane W tej serii zadań rozwiążemy różne zadania związane z problemem warunkowania.. (Eg 48/) Załóżmy, że X, X, X 3, X 4 są niezależnymi zmiennymi losowymi o jednakowym rozkładzie
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 szczegółowo