Prawa wielkich liczb, centralne twierdzenia graniczne
|
|
- Adam Maciejewski
- 6 lat temu
- Przeglądów:
Transkrypt
1 , centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne
2 Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
3 Niech X, X n (n = 1, 2,...) będą zmiennymi losowymi określonymi na przestrzeni probabilistycznej (Ω, M, P). Omówimy rodzaje zbieżności ciągu (X n ) do zmiennej losowej X., centralne twierdzenia graniczne
4 Niech X, X n (n = 1, 2,...) będą zmiennymi losowymi określonymi na przestrzeni probabilistycznej (Ω, M, P). Omówimy rodzaje zbieżności ciągu (X n ) do zmiennej losowej X. Definicja Mówimy, że ciąg zmiennych losowych (X n ) jest zbieżny według prawdopodobieństwa (lub stochastycznie) do zmiennej losowej X wtedy i tylko wtedy, gdy lim P ({ω Ω : X n(ω) X (ω) ε}) = 0 n dla każdego ε > 0. Zbieżność stochastyczną oznaczamy przez X n p X., centralne twierdzenia graniczne
5 Definicja Mówimy, że ciąg zmiennych losowych (X n ) jest zbieżny z prawdopodobieństwem 1 (lub prawie na pewno) do zmiennej losowej X wtedy i tylko wtedy, gdy ({ }) P ω Ω : lim X n(ω) = X (ω) = 1. n Piszemy wówczas X n X., centralne twierdzenia graniczne
6 Definicja Mówimy, że ciąg zmiennych losowych (X n ) jest zbieżny z prawdopodobieństwem 1 (lub prawie na pewno) do zmiennej losowej X wtedy i tylko wtedy, gdy ({ }) P ω Ω : lim X n(ω) = X (ω) = 1. n Piszemy wówczas X n X. Twierdzenie Jeśli ciąg (X n ) jest zbieżny z prawdopodobieństwem 1 do zmiennej losowej X, to ciąg (X n ) jest zbieżny według prawdopodobieństwa do zmiennej losowej X., centralne twierdzenia graniczne
7 Twierdzenie odwrotne do powyższego twierdzenia jest fałszywe, świadczy o tym następujący przykład. Przykład Niech (Ω, M, P) będzie przestrzenią probabilistyczną, gdzie Ω = (0, 1, M jest rodziną zbiorów borelowskich na przedziale (0, 1, P jest prawdopodobieństwem określonym wzorem P(A) = A. Określamy ciąg (A n ) podzbiorów zbioru Ω taki, że ( ( ( ( A 1 = 0, 1 2, A 2 = 1 2, 1, A 3 = 0, 1 4, A 4 = 1 4 4, 2, ( ( A 5 = 2 4 4, 3, A 6 = 3 4, 1, ( ( A 7 = 0, 1 8, A 8 = 1 8 8, 2,... itd., centralne twierdzenia graniczne
8 Przykład (cd) Dla dowolnej liczby naturalnej n przyjmujemy X n (ω) = { 1 dla ω An, 0 dla ω / A n. Łatwo można sprawdzić, że dla dowolnej liczby ε > 0 spełniony jest warunek lim P ({ω (0, 1 : X n(ω) ε}) = 0. n, centralne twierdzenia graniczne
9 Przykład (cd) Istotnie, jeśli ε > 1, to dla każdego n N. Dla 0 < ε 1 mamy natomiast P ({ω (0, 1 : X n (ω) ε}) = 0 P ({ω (0, 1 : X n (ω) ε}) = A n 0, gdy n. Oznacza to, że ciąg (X n ) jest zbieżny według prawdopodobieństwa do zmiennej losowej X 0 (tzn. do zmiennej losowej X o rozkładzie jednopunktowym skoncentrowanym w punkcie 0). Z drugiej strony, dla dowolnego ustalonego ω 0 (0, 1 ciąg liczbowy (X n (ω 0 )) zawiera dwa podciągi, jeden o wyrazach równych 0, drugi o wyrazach równych 1. Wynika stąd, że ciąg funkcyjny (X n ) nie jest zbieżny punktowo do żadnej granicy., centralne twierdzenia graniczne
10 Załóżmy, że zmienne X n (n = 1, 2,...), X mają skończone momenty drugiego rzędu., centralne twierdzenia graniczne
11 Załóżmy, że zmienne X n (n = 1, 2,...), X mają skończone momenty drugiego rzędu. Definicja Mówimy, że ciąg zmiennych losowych (X n ) jest zbieżny przeciętnie z kwadratem (lub średnio kwadratowo) do zmiennej losowej X wtedy i tylko wtedy, gdy lim n E(X n X ) 2 = 0. Piszemy wówczas l.i.m. n X n = X., centralne twierdzenia graniczne
12 Załóżmy, że zmienne X n (n = 1, 2,...), X mają skończone momenty drugiego rzędu. Definicja Mówimy, że ciąg zmiennych losowych (X n ) jest zbieżny przeciętnie z kwadratem (lub średnio kwadratowo) do zmiennej losowej X wtedy i tylko wtedy, gdy lim n E(X n X ) 2 = 0. Piszemy wówczas l.i.m. n X n = X. Twierdzenie Jeśli ciąg (X n ) jest zbieżny przeciętnie z kwadratem do zmiennej losowej X, to ciąg (X n ) jest zbieżny według prawdopodobieństwa do zmiennej losowej X., centralne twierdzenia graniczne
13 Obok zbieżności ciągów zmiennych losowych możemy również rozpatrywać zbieżność rozkładów prawdopodobieństwa tych zmiennych. Ponieważ rozkład prawdopodobieństwa jest jednoznacznie wyznaczony przez dystrybuantę, więc pojęcie zbieżności rozkładów sformułujemy przy pomocy pojęcia zbieżności ciągów dystrybuant., centralne twierdzenia graniczne
14 Obok zbieżności ciągów zmiennych losowych możemy również rozpatrywać zbieżność rozkładów prawdopodobieństwa tych zmiennych. Ponieważ rozkład prawdopodobieństwa jest jednoznacznie wyznaczony przez dystrybuantę, więc pojęcie zbieżności rozkładów sformułujemy przy pomocy pojęcia zbieżności ciągów dystrybuant. Definicja Mówimy, że ciąg dystrybuant (F n ) jest zbieżny podstawowo do dystrybuanty F wtedy i tylko wtedy, gdy w każdym punkcie x R ciągłości dystrybuanty F spełniony jest warunek lim n F n(x) = F (x). O ciągu (P n ) rozkładów o dystrybuantach F n mówimy wtedy, że jest słabo zbieżny do rozkładu P o dystrybuancie F., centralne twierdzenia graniczne
15 Twierdzenie Jeśli ciąg (X n ) zmiennych losowych jest zbieżny według prawdopodobieństwa do zmiennej losowej X, to ciąg (F n ) dystrybuant tych zmiennych jest zbieżny podstawowo do dystrybuanty zmiennej losowej X., centralne twierdzenia graniczne
16 Twierdzenie Jeśli ciąg (X n ) zmiennych losowych jest zbieżny według prawdopodobieństwa do zmiennej losowej X, to ciąg (F n ) dystrybuant tych zmiennych jest zbieżny podstawowo do dystrybuanty zmiennej losowej X. Twierdzenie odwrotne do powyższego twierdzenia jest prawdziwe tylko w szczególnym przypadku, gdy zmienna X ma rozkład jednopunktowy., centralne twierdzenia graniczne
17 , centralne twierdzenia graniczne
18 Niech (X n ) będzie ciągiem zmiennych losowych określonych na przestrzeni probabilistycznej (Ω, M, P) o skończonych wartościach oczekiwanych. Przyjmijmy następujące oznaczenia: m k = EX k dla k = 1, 2,..., S n = X 1 + X X n, M n = m 1 + m m n dla n = 1, 2,..., centralne twierdzenia graniczne
19 Niech (X n ) będzie ciągiem zmiennych losowych określonych na przestrzeni probabilistycznej (Ω, M, P) o skończonych wartościach oczekiwanych. Przyjmijmy następujące oznaczenia: m k = EX k dla k = 1, 2,..., S n = X 1 + X X n, M n = m 1 + m m n dla n = 1, 2,... Definicja Mówimy, że ciąg (X n ) spełnia słabe prawo wielkich liczb wtedy i tylko wtedy, gdy 1 n (S n M n ) p 0., centralne twierdzenia graniczne
20 Niech (X n ) będzie ciągiem zmiennych losowych określonych na przestrzeni probabilistycznej (Ω, M, P) o skończonych wartościach oczekiwanych. Przyjmijmy następujące oznaczenia: m k = EX k dla k = 1, 2,..., S n = X 1 + X X n, M n = m 1 + m m n dla n = 1, 2,... Definicja Mówimy, że ciąg (X n ) spełnia słabe prawo wielkich liczb wtedy i tylko wtedy, gdy 1 n (S n M n ) p 0. Definicja Mówimy, że ciąg (X n ) spełnia mocne prawo wielkich liczb wtedy i tylko wtedy, gdy 1 n (S n M n ) 0., centralne twierdzenia graniczne
21 Podamy warunki dostateczne na to, aby ciąg (X n ) spełniał prawo wielkich liczb., centralne twierdzenia graniczne
22 Podamy warunki dostateczne na to, aby ciąg (X n ) spełniał prawo wielkich liczb. Definicja Ciąg (X n ) nazywamy ciągiem niezależnych zmiennych losowych wtedy i tylko, gdy dla każdego k N zmienne X 1, X 2,..., X k są niezależne., centralne twierdzenia graniczne
23 Podamy warunki dostateczne na to, aby ciąg (X n ) spełniał prawo wielkich liczb. Definicja Ciąg (X n ) nazywamy ciągiem niezależnych zmiennych losowych wtedy i tylko, gdy dla każdego k N zmienne X 1, X 2,..., X k są niezależne. Definicja Mówimy, że ciąg (X n ) spełnia warunek Markowa wtedy i tylko wtedy, gdy σ1 lim 2+σ σ2 n = 0, n n 2 gdzie σ 2 n = D 2 X n dla n N., centralne twierdzenia graniczne
24 Twierdzenie (prawo wielkich liczb Markowa) Niech (X n ) będzie ciągiem niezależnych zmiennych losowych mających skończone wariancje σ 2 n = D 2 X n. Jeśli ciąg (X n ) spełnia warunek Markowa, to ciąg (X n ) spełnia słabe prawo wielkich liczb., centralne twierdzenia graniczne
25 Twierdzenie (prawo wielkich liczb Markowa) Niech (X n ) będzie ciągiem niezależnych zmiennych losowych mających skończone wariancje σ 2 n = D 2 X n. Jeśli ciąg (X n ) spełnia warunek Markowa, to ciąg (X n ) spełnia słabe prawo wielkich liczb. Przykład Wykażemy, że ciąg (X n ) niezależnych zmiennych losowych o rozkładach N(0, 3 n) spełnia słabe prawo wielkich liczb., centralne twierdzenia graniczne
26 Przykład (cd) Zadanie sprowadza się do wykazania, że ciąg (X n ) zmiennych losowych spełnia warunek Markowa. Ponieważ zmienna X k ma rozkład normalny N(0, 3 k), więc σ 2 k = 3 k 2. Stąd otrzymujemy oszacowanie lim n 0 < σ2 1 +σ σ2 n n 2 = n 2 n 2 n 3 n 2 n 2 = 1 3 n. Z twierdzenia o trzech ciągach wynika zatem, że σ1 2+σ σ2 n = 0. n 2, centralne twierdzenia graniczne
27 Definicja Mówimy, że ciąg (X n ) spełnia warunek Kołmogorowa wtedy i tylko wtedy, gdy szereg jest zbieżny. n=1 σ 2 n n 2, centralne twierdzenia graniczne
28 Definicja Mówimy, że ciąg (X n ) spełnia warunek Kołmogorowa wtedy i tylko wtedy, gdy szereg jest zbieżny. n=1 σ 2 n n 2 Twierdzenie (pierwsze prawo wielkich liczb Kołmogorowa) Niech (X n ) będzie ciągiem niezależnych zmiennych losowych mających skończone wariancje σ 2 n = D 2 X n. Jeśli ciąg (X n ) spełnia warunek Kołmogorowa, to ciąg (X n ) spełnia mocne prawo wielkich liczb., centralne twierdzenia graniczne
29 Przykład Wykażemy, że ciąg zmiennych losowych (X n ) z przykładu 16 spełnia mocne prawo wielkich liczb. Rozwiązanie. Ponieważ σ2 n = 1 n 2 3, więc szereg σn 2 jest zbieżny, n 4 n 2 n=1 a zatem ciąg (X n ) spełnia warunek Kołmogorowa. Oznacza to, że ciąg (X n ) spełnia mocne prawo wielkich liczb., centralne twierdzenia graniczne
30 Przykład Wykażemy, że ciąg zmiennych losowych (X n ) z przykładu 16 spełnia mocne prawo wielkich liczb. Rozwiązanie. Ponieważ σ2 n = 1 n 2 3, więc szereg σn 2 jest zbieżny, n 4 n 2 n=1 a zatem ciąg (X n ) spełnia warunek Kołmogorowa. Oznacza to, że ciąg (X n ) spełnia mocne prawo wielkich liczb. Wynika stąd oczywiście, że ciąg (X n ) spełnia również słabe prawo wielkich liczb. Tak więc, aby wykazać, że ciąg niezależnych zmiennych losowych spełnia słabe prawo wielkich liczb można korzystać albo z twierdzenia Markowa, albo z twierdzenia Kołmogorowa., centralne twierdzenia graniczne
31 Załóżmy teraz, że niezależne zmienne losowe X 1,X 2,... mają identyczny rozkład z wartością oczekiwaną m = m k dla k = 1, 2,... Zbieżność ciągu ( 1 n (S n M n )) do zmiennej losowej X 0 jest równoważna warunkowi, że ciąg średnich 1 n S n dąży do zmiennej losowej przyjmującej wartość m z prawdopodobieństwem 1. W tym przypadku zachodzi następujące twierdzenie., centralne twierdzenia graniczne
32 Załóżmy teraz, że niezależne zmienne losowe X 1,X 2,... mają identyczny rozkład z wartością oczekiwaną m = m k dla k = 1, 2,... Zbieżność ciągu ( 1 n (S n M n )) do zmiennej losowej X 0 jest równoważna warunkowi, że ciąg średnich 1 n S n dąży do zmiennej losowej przyjmującej wartość m z prawdopodobieństwem 1. W tym przypadku zachodzi następujące twierdzenie. Twierdzenie (drugie prawo wielkich liczb Kołmogorowa) Niech (X n ) będzie ciągiem niezależnych zmiennych losowych o identycznych rozkładach. Ciąg (X n ) spełnia mocne prawo wielkich liczb wtedy i tylko wtedy, gdy istnieje wartość oczekiwana m = EX n, gdzie n = 1, 2,...., centralne twierdzenia graniczne
33 , centralne twierdzenia graniczne
34 Niech (X n ) będzie ciągiem niezależnych zmiennych losowych określonych na przestrzeni probabilistycznej (Ω, M, P) mających skończoną wartość oczekiwaną i skończoną dodatnią wariancję. Przyjmijmy, tak jak w poprzednim paragrafie: m k = EX k dla k = 1, 2,..., S n = X 1 + X X n, M n = m 1 + m m n, oraz σ k 2 = D2 X k dla k = 1, 2,..., Bn 2 = σ1 2 + σ σ2 n, B n = Bn. 2 Niech Y n będzie zmienną otrzymaną przez standaryzację zmiennej S n, tzn. Y n = S n M n. B n, centralne twierdzenia graniczne
35 Definicja Mówimy, że dla ciągu (X n ) spełnione jest centralne twierdzenie graniczne wtedy i tylko wtedy, gdy ciąg dystrybuant zmiennych losowych Y n jest zbieżny podstawowo do dystrybuanty rozkładu normalnego N(0, 1). O ciągu (Y n ) mówimy wtedy, że jest asymptotycznie normalny., centralne twierdzenia graniczne
36 Przykładem centralnego twierdzenia granicznego jest twierdzenie integralne de Moivre a-laplace a, które sformułowaliśmy nie korzystając z pojęcia zmiennej losowej. Podany w tym twierdzeniu wzór ( ) lim P a < k np n npq < b = F (b) F (a), gdzie F jest dystrybuantą rozkładu normalnego N(0, 1), możemy obecnie zinterpretować następująco. Liczba sukcesów k w schemacie n prób Bernoulliego jest wartością zmiennej losowej S n o rozkładzie Bernoulliego z parametrami n, p. Zmienna S n jest sumą n niezależnych zmiennych losowych X k, gdzie k = 1, 2,..., n, o identycznym rozkładzie zero-jedynkowym z parametrem p., centralne twierdzenia graniczne
37 Standaryzując zmienne S n, otrzymujemy Y n = S n M n B n = S n np npq. Tak więc twierdzenie integralne de Moivre a-laplace a orzeka, że dla ciągu niezależnych zmiennych losowych o identycznych rozkładach zero-jedynkowych spełnione jest centralne twierdzenie graniczne., centralne twierdzenia graniczne
38 Twierdzenie integralne de Moivre a-laplace a jest szczególnym przypadkiem następującego twierdzenia. Twierdzenie (Lindeberga-Levy ego) Jeśli (X n ) jest ciągiem niezależnych zmiennych losowych o identycznych rozkładach z wartością oczekiwaną m i skończoną dodatnią wariancją σ 2, to ciąg (X n ) spełnia centralne twierdzenie graniczne., centralne twierdzenia graniczne
39 Twierdzenie integralne de Moivre a-laplace a jest szczególnym przypadkiem następującego twierdzenia. Twierdzenie (Lindeberga-Levy ego) Jeśli (X n ) jest ciągiem niezależnych zmiennych losowych o identycznych rozkładach z wartością oczekiwaną m i skończoną dodatnią wariancją σ 2, to ciąg (X n ) spełnia centralne twierdzenie graniczne. Przykład Dany jest ciąg niezależnych zmiennych losowych (X n ) o jednakowych rozkładach takich, że EX n = 3, D 2 X n = 2. Wyznaczymy ( przybliżoną wartość prawdopodobieństwa P 580 < 200 ) X n < 660. n=1, centralne twierdzenia graniczne
40 Przykład (cd) Zauważmy, że ciąg (X n ) spełnia założenia twierdzenia Lindeberga-Levy ego. Niech S 200 = 200 X n, wówczas n=1 M 200 = ES 200 = = 600, a z niezależności zmiennych X n wynika, że B200 2 = D 2 S 200 = = 400, czyli B 200 = 400 = 20., centralne twierdzenia graniczne
41 Przykład (cd) Stąd otrzymujemy ( P 580 < 200 = P n=1 ) X n < 660 ( ) 1 < S < 3 ( ) = P < S < = F (3) F ( 1) = F (3) + F (1) 1, gdzie F jest dystrybuantą rozkładu normalnego N (0, 1)., centralne twierdzenia graniczne
42 Podamy teraz twierdzenie graniczne dla ciągu zmiennych losowych o niejednakowych rozkładach. Definicja Mówimy, że ciąg (X n ) zmiennych losowych o skończonych wartościach oczekiwanych m n = EX n spełnia warunek Lapunowa wtedy i tylko wtedy, gdy istnieje taka liczba δ > 0, że a) ck 2+δ = E X k m k 2+δ < + dla k = 1, 2,...; C b) lim n n B n = 0, gdzie C n = ( n k=1 c 2+δ k ) 1/(2+δ)., centralne twierdzenia graniczne
43 Podamy teraz twierdzenie graniczne dla ciągu zmiennych losowych o niejednakowych rozkładach. Definicja Mówimy, że ciąg (X n ) zmiennych losowych o skończonych wartościach oczekiwanych m n = EX n spełnia warunek Lapunowa wtedy i tylko wtedy, gdy istnieje taka liczba δ > 0, że a) ck 2+δ = E X k m k 2+δ < + dla k = 1, 2,...; C b) lim n n B n = 0, gdzie C n = Twierdzenie (Lapunowa) ( n k=1 c 2+δ k ) 1/(2+δ). Jeśli ciąg (X n ) niezależnych zmiennych losowych spełnia warunek Lapunowa, to ciąg (X n ) spełnia centralne twierdzenie graniczne., centralne twierdzenia graniczne
44 Twierdzenie Lapunowa stosowane jest najczęściej dla δ = 1. Przykład Niech (X n ) będzie ciągiem niezależnych zmiennych losowych o rozkładach dwupunktowych określonych następująco P(X n = n) = P(X n = n) = 1 2. Wykażemy, że ciąg (X n ) spełnia centralne twierdzenie graniczne., centralne twierdzenia graniczne
45 Przykład (cd) Zauważmy, że σ 2 k = k2, c 3 k = k3, więc Stąd otrzymujemy C lim n n B n = lim n B 2 n = C 3 n = n k=1 n k=1 k 2 = 1 6n(n + 1)(2n + 1), ( ) 2 k 3 = 1 2 n(n + 1). 3 ( 1 2 n(n+1))2 1 6 n(n+1)(2n+1) = lim n n ( 1 2 (1+ 1 n ))2 n (1+ 1 n )(2+ 1 n ) = 0. Ciąg (X n ) niezależnych zmiennych losowych spełnia zatem warunek Lapunowa, a więc spełnia także centralne twierdzenie graniczne., centralne twierdzenia graniczne
PEWNE 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 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 szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej 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 szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej 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 szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej 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 szczegółowoZadania o numerze 4 z zestawów licencjat 2014.
Zadania o numerze 4 z zestawów licencjat 2014. W nawiasie przy zadaniu jego występowanie w numerze zestawu Spis treści (Z1, Z22, Z43) Definicja granicy ciągu. Obliczyć granicę:... 3 Definicja granicy ciągu...
Bardziej szczegółowoWSTĘP. Tematy: Regresja liniowa: model regresji liniowej, estymacja nieznanych parametrów. Wykład:30godz., ćwiczenia:15godz., laboratorium:30godz.
Tematy: WSTĘP 1. Wprowadzenie do przedmiotu. Próbkowe odpowiedniki wielkości populacyjnych. Modele statystyczne i przykładowe zadania wnioskowania statystycznego. Statystyki i ich rozkłady. 2. Estymacja
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej 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 szczegółowoJednowymiarowa zmienna losowa
1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),
Bardziej 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 szczegółowoWykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa
Wykład z analizy danych: powtórzenie zagadnień z rachunku prawdopodobieństwa Marek Kubiak Instytut Informatyki Politechnika Poznańska Plan wykładu Podstawowe pojęcia rachunku prawdopodobieństwa Rozkład
Bardziej 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 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 szczegółowoPrzestrzeń probabilistyczna
Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty zbiór Σ rodzina podzbiorów tego zbioru P funkcja określona na Σ, zwana prawdopodobieństwem. Przestrzeń probabilistyczna (Ω, Σ, P) Ω pewien niepusty
Bardziej szczegółowoWykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga
RAP 412 21.01.2009 Wykład 11: Martyngały: Twierdzenie o zbieżności i Hoeffdinga Wykładowca: Andrzej Ruciński Pisarz: Łukasz Waszak 1 Wstęp Na ostatnim wykładzie przedstawiliśmy twierdzenie o zbieżności
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 szczegółowoIII. ZMIENNE LOSOWE JEDNOWYMIAROWE
III. ZMIENNE LOSOWE JEDNOWYMIAROWE.. Zmienna losowa i pojęcie rozkładu prawdopodobieństwa W dotychczas rozpatrywanych przykładach każdemu zdarzeniu była przyporządkowana odpowiednia wartość liczbowa. Ta
Bardziej szczegółowoRozkłady 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 szczegółowo5 Przegląd najważniejszych rozkładów
5 Przegląd najważniejszych rozkładów 5. Rozkład Bernoulliego W niezmieniających się warunkach wykonujemy n razy pewne doświadczenie. W wyniku każdego doświadczenia może nastąpić zdarzenie A lub A. Zakładamy,
Bardziej szczegółowoStatystyka matematyczna. Wykład III. Estymacja przedziałowa
Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności
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 szczegółowoDrugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A
Drugie kolokwium z Rachunku Prawdopodobieństwa, zestaw A Zad. 1. Korzystając z podanych poniżej mini-tablic, oblicz pierwszy, drugi i trzeci kwartyl rozkładu N(10, 2 ). Rozwiązanie. Najpierw ogólny komentarz
Bardziej szczegółowoAnaliza matematyczna. 1. Ciągi
Analiza matematyczna 1. Ciągi Definicja 1.1 Funkcję a: N R odwzorowującą zbiór liczb naturalnych w zbiór liczb rzeczywistych nazywamy ciągiem liczbowym. Wartość tego odwzorowania w punkcie n nazywamy n
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne Teoria estymacji Jędrzej Potoniec Bibliografia Bibliografia Próba losowa (x 1, x 2,..., x n ) Próba losowa (x 1, x 2,..., x n ) (X 1, X 2,..., X n ) Próba losowa (x 1, x 2,...,
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 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 szczegółowoWykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału
Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład V: Zmienne losowe i ich wartości oczekiwane 25 października 2017 Definicja zmiennej losowej Definicja Zmienne losowa to charakterystyka liczbowa wyniku eksperymentu losowego. Zmienne losowa na przestrzeni
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
Bardziej 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 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 szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoStatystyka i eksploracja danych
Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja
Bardziej szczegółowoF t+ := s>t. F s = F t.
M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną
Bardziej 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 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 szczegółowo1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo
1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo 1.1 Rodzaje zbieżności ciagów zmiennych losowych Niech (Ω, F, P ) będzie przestrzenia probabilistyczna na której określony jest ciag {X
Bardziej szczegółowogranicą ciągu funkcyjnego (f n ) n N W symbolicznym zapicie fakt, że f jest granicą ciągu funkcyjnego (f n ) n N możemy wyrazić następująco: ε>0 N N
14. Określenie ciągu i szeregu funkcyjnego, zbieżność punktowa i jednostajna. Własności zbieżności jednostajnej. Kryterium zbieżności jednostajnej szeregu funkcyjnego. 1 Definicja Ciąg funkcyjny Niech
Bardziej szczegółowoWykład 11: Martyngały: definicja, twierdzenia o zbieżności
RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n
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 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 szczegółowoZmienna losowa. Rozkład skokowy
Temat: Zmienna losowa. Rozkład skokowy Kody kolorów: żółty nowe pojęcie pomarańczowy uwaga * - materiał nadobowiązkowy Anna Rajfura, Matematyka i statystyka matematyczna na kierunku Rolnictwo SGGW 1 Zagadnienia
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 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 szczegółowoRachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Bardziej szczegółowoWYKŁAD 2. Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady
WYKŁAD 2 Zdarzenia losowe i prawdopodobieństwo Zmienna losowa i jej rozkłady Metody statystyczne metody opisu metody wnioskowania statystycznego syntetyczny liczbowy opis właściwości zbioru danych ocena
Bardziej szczegółowoWykład 6 Estymatory efektywne. Własności asymptotyczne estym. estymatorów
Wykład 6 Estymatory efektywne. Własności asymptotyczne estymatorów Wrocław, 30 listopada 2016r Powtórzenie z rachunku prawdopodobieństwa Zbieżność Definicja 6.1 Niech ciąg {X } n ma rozkład o dystrybuancie
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska Wprowadzenie Rozważmy eksperymenty 1 gra Bolka w ruletkę w kasynie;
Bardziej szczegółowoMetody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: F(x) = sin(x),
Metody probabilistyczne opracowane notatki 1. Zdefiniuj zmienną losową, rozkład prawdopodobieństwa. Przy jakich założeniach funkcje: Fx sinx, Fx a e x mogą być dystrybuantami?. Podaj twierdzenie Lindeberga
Bardziej szczegółowoWykład 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 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 szczegółowoWykład 2 Zmienne losowe i ich rozkłady
Wykład 2 Zmienne losowe i ich rozkłady Magdalena Frąszczak Wrocław, 11.10.2017r Zmienne losowe i ich rozkłady Doświadczenie losowe: Rzut monetą Rzut kostką Wybór losowy n kart z talii 52 Gry losowe Doświadczenie
Bardziej 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 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 szczegółowoWykład 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 szczegółowoOśrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,
Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.
Bardziej szczegółowoZmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej
Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie
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 szczegółowoElementy Rachunek prawdopodobieństwa
Elementy rachunku prawdopodobieństwa Rachunek prawdopodobieństwa zajmuje się analizą praw rządzących zdarzeniami losowymi Pojęciami pierwotnymi są: zdarzenie elementarne ω oraz zbiór zdarzeń elementarnych
Bardziej szczegółowoWYKŁAD Z ANALIZY MATEMATYCZNEJ I. dr. Elżbieta Kotlicka. Centrum Nauczania Matematyki i Fizyki
WYKŁAD Z ANALIZY MATEMATYCZNEJ I dr. Elżbieta Kotlicka Centrum Nauczania Matematyki i Fizyki http://im0.p.lodz.pl/~ekot Łódź 2006 Spis treści 1. CIĄGI LICZBOWE 2 1.1. Własności ciągów liczbowych o wyrazach
Bardziej 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 szczegółowoRachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podać przykład
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 szczegółowoDeska Galtona. Adam Osękowski. Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski
a schemat Bernoulliego Instytut Matematyki, Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski XV Festiwal Nauki, 21 września 2011r. a schemat Bernoulliego Schemat Bernoulliego B(n, p)
Bardziej szczegółowoKorzystając z własności metryki łatwo wykazać, że dla dowolnych x, y, z X zachodzi
M. Beśka, Wstęp do teorii miary, Dodatek 158 10 Dodatek 10.1 Przestrzenie metryczne Niech X będzie niepustym zbiorem. Funkcję d : X X [0, ) spełniającą dla x, y, z X warunki (i) d(x, y) = 0 x = y, (ii)
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 szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej 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 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 szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 5 Magdalena Alama-Bućko 1 kwietnia 2019 Magdalena Alama-Bućko Statystyka matematyczna 1 kwietnia 2019 1 / 19 Rozkład Poissona Po(λ), λ > 0 - parametr tzw. rozkład zdarzeń
Bardziej szczegółowoNotatki z Analizy Matematycznej 2. Jacek M. Jędrzejewski
Notatki z Analizy Matematycznej 2 Jacek M. Jędrzejewski Definicja 3.1. Niech (a n ) n=1 będzie ciągiem liczbowym. Dla każdej liczby naturalnej dodatniej n utwórzmy S n nazywamy n-tą sumą częściową. ROZDZIAŁ
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane
Bardziej szczegółowoEstymacja 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 szczegółowoPrawdopodobieństwo. Prawdopodobieństwo. Jacek Kłopotowski. Katedra Matematyki i Ekonomii Matematycznej SGH. 16 października 2018
Katedra Matematyki i Ekonomii Matematycznej SGH 16 października 2018 Definicja σ-algebry Definicja Niech Ω oznacza zbiór niepusty. Rodzinę M podzbiorów zbioru Ω nazywamy σ-algebrą (lub σ-ciałem) wtedy
Bardziej szczegółowo19 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 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 szczegółowo1 Elementy kombinatoryki i teorii prawdopodobieństwa
1 Elementy kombinatoryki i teorii prawdopodobieństwa 1.1 Elementy kombinatoryki W rozwiązywaniu pewnych problemów związanych z obliczaniem prawdopodobieństwa o skończonej liczbie zdażeń elementarnych bardzo
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA
1 STATYSTYKA MATEMATYCZNA dla ZPM I dr inż Krzysztof Bryś wyk lad 1,2 KLASYCZNY RACHUNEK PRAWDOPODOBIEŃSTWA 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany.
Bardziej szczegółowoSZEREGI LICZBOWE I FUNKCYJNE
Mając dowolny ciąg można z niego utworzyć nowy ciąg sum częściowych: Ten nowy rodzaj ciągu nazywamy szeregiem liczbowym, a jeśli to mamy do czynienia z nieskończonym szeregiem liczbowym, który oznaczany
Bardziej szczegółowoSTYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1
1 STYSTYSTYKA dla ZOM II dr inż Krzysztof Bryś Wykad 1 Klasyczny Rachunek Prawdopodobieństwa. 1. Pojȩcia wstȩpne. Doświadczeniem losowym nazywamy doświadczenie, którego wynik nie jest znany. Posiadamy
Bardziej szczegółowo3. Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II - Mówimy, że i) ciąg miar probabilistycznych µ n zbiega słabo do miary probabilistycznej µ (ozn. µ n µ), jeśli fdµ n fdµ dla dowolnej funkcji ciągłej ograniczonej
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowojest ciągiem elementów z przestrzeni B(R, R)
Wykład 2 1 Ciągi Definicja 1.1 (ciąg) Ciągiem w zbiorze X nazywamy odwzorowanie x: N X. Dla uproszczenia piszemy x n zamiast x(n). Przykład 1. x n = n jest ciągiem elementów z przestrzeni R 2. f n (x)
Bardziej szczegółowoPrawdopodobieństwo 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 szczegółowo2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27
SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 4. Zmienne losowe
Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.0. Rozkłady zmiennych losowych, dystrybuanta. Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2016/2017 Wprowadzenie Przykład 1 Bolek, Lolek i Tola
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 szczegółowoRozkłady prawdopodobieństwa zmiennych losowych
Rozkłady prawdopodobieństwa zmiennych losowych Rozkład dwumianowy Rozkład normalny Marta Zalewska Zmienna losowa dyskretna (skokowa) jest to zmienna, której zbór wartości jest skończony lub przeliczalny.
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoPrzykłady 6.1 : charakterystyki liczbowe rozkładów dyskretnych
Rachunek Prawdopodobieństwa MAP8 Wydział Matematyki, Matematyka Stosowana Przykłady 6. Wartość oczekiwana, wariancja, mediana, kwartyle rozkładu prawdopodobieństwa. Transformacje zmiennej losowej. Opracowanie:
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 6 Wrocław, 7 listopada 2011 Temat. Weryfikacja hipotez statystycznych dotyczących proporcji. Test dla proporcji. Niech X 1,..., X n będzie próbą statystyczną z 0-1. Oznaczmy odpowiednio
Bardziej szczegółowoMatematyka dla biologów Zajęcia nr 13.
Matematyka dla biologów Zajęcia nr 13. Dariusz Wrzosek 16 stycznia 2019 Matematyka dla biologów Zajęcia 13. 16 stycznia 2019 1 / 34 Plan: 1 Rachunek prawdopodobienstwa-zmienne losowe o rozkładzie ciagłym
Bardziej szczegółowoZadania z Rachunku Prawdopodobieństwa II Podaj przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,
Zadania z Rachunku Prawdopodobieństwa II -. Udowodnij, że dla dowolnych liczb x n, x, δ xn δ x wtedy i tylko wtedy, gdy x n x.. Wykaż, że n n k= δ k/n λ, gdzie λ jest miarą Lebesgue a na [, ].. Podaj przykład
Bardziej szczegółowo