Dominacja stochastyczna a użyteczność

Wielkość: px
Rozpocząć pokaz od strony:

Download "Dominacja stochastyczna a użyteczność"

Transkrypt

1 Domncj stochstyczn użyteczność Jonn Dys 16 lpc 21 Streszczene W ponższej prcy bdny jest zwązek pomędzy domncją stochstyczną użytecznoścą konsument. Zostne wykzne, że porządek częścowy wyznczony przez domncję perwszego rzędu jest równowżny porządkow wyznczonemu przez preferencje. Prc powstł w oprcu o rtykuł Josef Hdr Wllm Russel, Rules for Orderng Uncertn Prospects. 1 Wprowdzene Rozwój teor oczekwnej użytecznośc był newątplwe krokem mlowym w rozwżnch n temt wyboru konsument w wrunkch ryzyk. W klsycznej już dzś prcy Theory of Gmes nd Economc Behvour, John von Neumnn Oskr Morgenstern zproponowl ksjomty, które według nch pownny spełnć rcjonlne spójne wybory konsument. Formlnej rzecz ujmując, określl on pożądne włsnośc relcj preferencj n zborze loter, czy też losowych wypłt, nstępne, dl relcj spełnjącej wszystke postulowne ksjomty, udowodnl fundmentlne twerdzene o stnenu funkcj użytecznośc, o wrtoścch w zborze lczb rzeczywstych. Stło sę jsne, że znjąc funkcję użytecznośc decydent, możemy określć jego wybór dl dowolnej sytucj decyzyjnej, przed jką zostne on postwony. Szybko jednk stło sę jsne, że określene dokłdnej postc funkcj użytecznośc, czy choćby klsy, do której nleży, jest zdnem trudnym, o le w ogóle możlwym do zrelzown. Zczęto węc bdć, przy jkch wrunkch możn przewdzeć wybór konsument, ne znjąc jego funkcj użytecznośc. Perwsze pomysły n rozwązne tego zgdnen, operły sę n dobrze znnych mernkch sttystycznych: wrtośc oczekwnej wrncj zmennych losowych, opsujących wypłty w probleme decyzyjnym. Szybko jednk okzuje sę, że metod porównywn dwóch perwszych momentów dzł tylko dl pewnych wąskch kls funkcj użytecznośc, bądź określonych rozkłdów. W ogólnośc jednk, jko, że użyteczność jest funkcją wszystkch momentów zmennej losowej, porównne wrtośc oczekwnej wrncj ne wystrczy do jednozncznego określen wyboru konsument. 1

2 Josef Hdr Wllm Russell zproponowl podejśce lterntywne, oprte n nowym wówczs pojęcu domncj stochstycznej. Koncepcj domncj stochstycznej perwszego rzędu określ częścowy porządek n przestrzen zmennych losowych, określjących wypłty decydent. Porównywne są ze sobą welkośc dystrybunt zmennych w kżdym punkce. Pomysł ten njlepej możn wytłumczyć z pomocą ogonów dystrybunt. Znlzujmy sytucję, w której prwdopodobeństwo tego, że X jest wększe od pewnej ustlonej wrtośc jest zwsze wększe (nezleżne od wyboru wrtośc) nż nlogczne prwdopodobeństwo dl Y. Ozncz to, że decydent częścej będze wygrywł co njmnej t, gdy zdecyduje sę wybrć wrnt X, nż gdy wyberze Y. Jeśl t zleżność zchodz dl wszystkch pozomów t, to decydent z kżdym rzem mksymlzując swoje sznse n dużą wygrną, wyberze X. Ne gorzej jest jednk ze strtm: po przeksztłcenu nerównośc wążącej ogony n tką wążącą dystrybunty, okże sę, że powyżej opsn zleżność mplkuje, ż prwdopodobeństwo wygrn mnej nż ustlon welkość t jest zwsze mnejsze dl zmennej X nż dl Y. Decydent, chcąc mnmlzowć sznse n młe wygrne, ponowne będze preferowł X wobec Y. Hdr Russell n drodze tych obserwcj, postwl hpotezę, że stojąc przed wyborem mędzy loterą zdomnowną domnującą, decydent mksymlzujący swą użyteczność będze zwsze wyberł tę osttną, gdyż oferuje on wększe prwdopodobeństwo wysokch wypłt mnejsze prwdopodobeństwo strt. Okzło sę równeż, że jeśl ne wdomo, czy mędzy zmennym stneje domncj stochstyczn perwszego rzędu, możn neco zmenć to złożene, przy wykorzystnu słbszej włsnośc domncj stochstycznej drugego rzędu. W nnejszej prcy przytoczę obserwcje Hdr Russell, jk równeż wększość dowodów postulownych twerdzeń, tkże krótko omówę ch nterpretcję. Główną treść prcy zostł przedstwon w kolejnych trzech rozdzłch. W perwszym przedstwm ogólną koncepcję domncj stochstycznej perwszego rzędu motywcję z ną stojącą. Nstępne dw prezentuje formlny dowód twerdzeń, wążących domncję z wyborm decydent, dl przypdku cągłego dyskretnego. W czwrtym rozdzle znleźć możn sformułowne podobnych włsnośc, tym rzem dl domncj stochstycznej drugego rzędu. Po formlnej nlze nstępują przykłdy zstosown obu twerdzeń dl rbtrlne dobrnych dnych. Ostteczne, zborę njwżnejsze wnosk w podsumownu. 2 Domncj stochstyczn I rzędu 2.1 Motywcj Bezpośredną motywcją stojącą z koncepcją domncj stochstycznej był prost włsność preferencj, określonych przez von Neumnn Morgenstern, któr wynkł z tzw. ksjomtu nezleżnośc. Włsność t jest nstępując: jeśl jest relcją preferencj spełnjącą kjomtykę teor oczekwnej użytecznośc dl pewnych zmenych losowych X Y, to dl β > α > zchodz: βx + (1 β)y αx + (1 αy ). (1) 2

3 Interpretcj jest jsn: decydent chrkteryzujący sę preferencjm typu von Neumnn Morgenstern, będze wyberł te lotere, które dją wększe prwdopodobeństwo uzyskn preferownej wypłty. Skoro zchodz tk nerówność dl dwóch zmennych, cekwym wydje sę pytne, czy podobn zleżność może zchodzć dl wększej lośc zmennych co będze on oznczć dl decydent. Dl uproszczen, przyjmjmy, że elementm loter będą ne zmenne losowe, pewne wypłty które dl wygody będzemy utożsmć z ch użytecznoścm u. Przyjmjmy, że użytecznośc są uszeregowne rosnąco, tj u 1 < u 2 <... < u n. Mmy dne też prwdopodobeństw α wystąpen kolejnych wypłt nnym słowy, mmy zdefnowną loterę n wrtoścch u. Będzemy sę strć skonstruowć nną loterę n tych smych welkoścch, tk, by zpewnć redystrybucję prwdopodobeństw w kerunku wyższych wypłt. Przyjmjmy dl nowej loter prwdopodobeństw β tke, że: { α j > β j, α k < β k dl pewnych wybrnych j, k, tkch, że j < k α = β dl / {j, k} Wówczs netrudno zuwżyć, że bezpośredno z włsnośc 1 wynk, ż: β u > α u Okzuje sę, że welkośc β możn zdefnowć dużo ogólnej. Wystrczy, żeby tworzyć lotere tk, by odpowedno grupowć prwdopodobeństw młych wypłt. Konkretnej, dl kżdego górnego lmtu wypłt r pownen być spełnony nstępujący wrunek: r β r α. Tką włsność będzemy włśne nzywć domncją stochstyczną perwszego rzędu. 2.2 Defncj Przystąpę terz do formlzcj teor. W prcy będzemy bdl włsnośc domncj stochstycznej wyłączne perwszego drugego rzędu. Przytoczę jednk ogólnejszą defncję, dl dowolnego rzędu n cłkowtego dodtnego. Defncj 1. Dystrybuntą n-tego rzędu zmennej losowej X X nzwemy funkcję F (n) X (x) spełnjącą nstępującą rekurencję: F (1) X (x) = F X(x) x F (n) X (x) = F (n 1) X (t)dt 3

4 Defncj 2 (Domncj stochstyczn n-tego rzędu). Powemy, że zmenn losow X domnuje zmenną Y w sense domncj stochstycznej n-tego rzędu, co oznczymy przez X d(n) Y, jeśl zchodz: x R F (n) X (n) (x) F (x). Łtwo możn zobserwowć, ż relcj domncj stochstycznej n-tego rzędu tworzy porządek częścowy n przestrzen zmennych losowych. Ne jest to jednk porządek zupełny, co wyjśn nstępując defncj: Defncj 3 (Neporównywlność zmennych). Powemy, że X, Y są neporównywlne w sense domncj stochstycznej n-tego rzędu, co oznczymy przez X d(n) Y jeśl ne zchodz żdn z zleżnośc: X d(n) Y orz Y d(n) X. 3 Twerdzene o wyborze dl domncj stochstycznej perwszego rzędu Przystąpmy terz do sformułown dowodu tezy sformułownej przez Hdr Russell, o tym, że domncj stochstyczn determnuje wybór wszystkch decydentów o nemlejących funkcjch użytecznośc zchodz też zleżność odwrotn. Monotonczność funkcj użytecznośc jest nejko mnmlnym wymgnem, jk stwją bdcze, tym stotnejsze jest ztem, że wyłączne to wystrczy, by bdć włsnośc domncj perwszego rzędu. 3.1 Przypdek dyskretny Zcznemy od dowodu twerdzen w przypdku dyskretnym. Twerdzene 1. Nech X, Y X będą dyskretnym zmennym losowym n skończonej przestrzen stnów. Wówczs X d(1) Y wtedy tylko wtedy, gdy dl kżdej nemlejącej funkcj użytecznośc u zchodz: Eu(X) Eu(Y ). Prezentuję w tej prcy nny dowód nż orygnlne zproponowny przez Hdr Russel, stąd przytoczę go w cłośc. Ponższy dowód jest oprty n pomyśle Qurk Sposnk z prcy [QuS]. Sformułuję njperw udowodnę lemt pomocnczy, dopero późnej zś przejdzemy do dowodu twerdzen 1. Lemt 1. 1 Jeśl zchodz X d(1) Y, to stneją funkcje u,v, obe nemlejące, tke, że prwdzwy jest ukłd nerównośc: { Eu(X) < Eu(Y ) Ev(X) > Ev(Y ). 1 Ponższy lemt ukzuje mplkcję jedyne w jedną stronę. Implkcj w drugą równeż jest prwdzw, ze względu jednk n czytelność prcy zdecydowłm sę jej ne udowdnć. Dowód ne wprost jest łtwy pozostwm go chętnemu Czytelnkow bądź odsyłm do [QuS] Y 4

5 Dowód lemtu. Oznczmy zbór wrtośc zmennych X Y, odpowedno przez A X A Y, ch (dyskretne) gęstośc prwopodobeństw przez p(x), dl x A x orz q(y) dl y A Y. Nech A = A X A Y. Bez strty ogólnośc możemy złożyć, że elementy zboru A są ustwone w cąg nemlejący: 1 > 2 >... > n. Dodefnujmy gęstośc p q nstępująco: p( ) =, jeśl / A x orz q( ) =, jeśl / A y Dzęk temu zbegow możemy operowć n tych smych wrtoścch dl obu zmennych. Rozptrzmy welkośc: ρ X = 2 p( ) orz rho Y = 2 q( ). Są to lczby rzeczywste, zchodz węc lbo ρ X < ρ Y lbo ρ X ρ Y. Złóżmy n początek, że ρ X < ρ Y. Chcemy udowodnć stnene tkch funkcj u,v, że zchodz Eu(X) < Eu(Y ) orz Ev(X) > Ev(X). Kłdąc u( ) = 2 otrzymujemy: Eu(X) = u( )p( ) = 2 p( ) = ρ X < ρ Y = 2 q( ) = Eu(Y ) Oczywśce, u jest funkcją nemlejącą, węc spełn wrunk lemtu. Poszukmy terz funkcj v, tk, by spełnł on nerówność przecwną, co równowżne możemy zpsć: v( )[p( ) q( )] > Wemy, że: 2 [p( ) q( )] < orz [p( ) q( )] = Pondto, z defncj stochstycznej neporównywl- nośc, stneją m, k tke, że: m [p( ) q( )] > k [p( ) q( )] < Ztem Ev(X) Ev(Y ) możn zpsć nstępująco: Ev(X) Ev(Y ) = m v( )[p( ) q( )] + v( )[p( ) q( )]. >m Ztem możemy zdefnowć v nstępująco: ρ Y ρ X +ɛ m + 2 dl m, czyl m [p( v( ) = ) q( )] 2 dl < m, czyl > m, gdze ɛ jest dowolną lczbą dodtną. Wówczs mmy: Ev(X) Ev(Y ) = ρ Y ρ X + ɛ + 2 [q( ) p( )] = ɛ >. Funkcj v zdefnown jk powyżej jest rosnąc, spełn węc wrunk lemtu. 5

6 Dowód w przypdku, gdy ρ X > ρ Y przebeg nlogczne - wystrczy w powyższym dowodze zmenć role funkcj p q. Pozostje przypdek, gdy ρ X = ρ Y. Wówczs możn dobrć dowolne r (, 1) tke, że r p( ) r q( ). Istnene tkego r wynk z jednozncznośc współczynnków welomnu. Mjąc już udowodnony lemt, możemy przejść do dowodu twerdzen 1 Dowód twerdzen. Udowodnmy mpkcję w prwą stronę. Przyjmjmy oznczen jk z dowodu lemtu 1. Przypomnjmy, że wrtośc są ustwone w cąg mlejący. Dl ustlonego m sum m p( ) reprezentuje ztem ogon dystrybunty zgodne z defncją domncj stochstycznej perwszego rzędu spełn nerówność: m m p( ) p( ) (2) Chcemy wykzć, że dl kżdej funkcj nemlejącej u zchodz: Eu(X) = u( )p( ) Eu(Y ) = u( )q( ). Równowżne: u( )[p( ) q( )]. (3) Bez strty ogólnośc możemy złożyć, że u( ) > dl kżdego. Jeśl tk ne jest, możemy przesunąć u o dowolną stłą, któr zgwrntuje nm żądną nerówność. 2 Dowód przeprowdzmy ndukcyjne po górnej grncy sumown m. 1. Dl m = 1. Wówczs u( 1 )[p( 1 ) q( 1 )], bo u( ) > orz p( ) q( ) (z (2), dl m = 1). 2. Złóżmy, że nerówność (3) zchodz dl sumown od 1 do m 1. Udowodnmy ją dl sumy od 1 do m. Mmy: m u( )[p( ) q( )] = m 1 u( )[p( ) q( )] + u( m )[p( m ) q( m )]. Z nerównośc (2) po drobnych przeksztłcench wdzmy, że: m 1 p( m ) q( m ) [p( ) q( )]. Ztem, wstwjąc to do (4) otrzymujemy: m m 1 u( )[p( ) q( )] [u( ) u( m )] [p( ) q( )] 2 Zgodne z teorą von Neumnn-Morgenstern, użyteczność krdynln jest nezmenn ze względu n dodtne przeksztłcen fnczne. (4) 6

7 Połóżmy ũ( ) = u( ) u( m ). Wówczs ũ jest monotonczn ũ jest funkcją krdynlnej użytecznośc równowżną z u w sense ksjomtów von Neumnn Morgenstern (gdyż powstł przez dodtne przeksztłcene fnczne u). Ponewż dl funkcj u z złożen ndukcyjnego zchodz nerówność węc zchodz tkże: m 1 m 1 u( )[p( ) q( )], v( )[p( ) q( )]. To z kole n mocy powyższej nerównośc mplkuje: m u( )[p( ) q( )]. Zkończylśmy węc dowód mplkcj w prwą stronę. Udowodnmy mplkcję w lewą stronę. Dowód przeprowdzmy ne wprost. Złóżmy, że dl kżdej funkcj użytecznośc u mmy Eu(X) Eu(Y ), le ne zchodz X d(1) Y. Wówczs lbo X d(1) Y lbo X d(1) Y. 1. Jeśl X d(1) Y, to n mocy lemtu 1 stneją funkcje u, v tke, że Eu(X) < Eu(Y ) Eu(X) > Eu(Y ). Jest to sprzeczne z nszym perwotnym złożenem. Ztem ne może zchodzć X d(1) Y. 2. Jeśl X d(1) Y, to n mocy udowodnonej przed chwlą mplkcj w prwą stronę, zchodz Eu(X) Eu(Y ). Ponowne otrzymujemy sprzeczność. Wnoskujemy ztem, że mus zchodzć X d(1) Y. Dowód twerdzen zostł zkończony. 3.2 Przypdek cągły Udowodnmy terz nlogczne twerdzene dl przypdku cągłego. Okzuje sę, że tez jest prwdzw, jeśl o funkcj użytecznośc złożymy że jest nerosnąc różnczkowln w sposób cągły. Dodtkowo, przyjmemy, że zmenne X, Y orz wszystke funkcje u są określone n przedzle domknętym [, b]. Twerdzene 2. Nech X, Y będą zmennym losowym o wrtoścch n przedzle [, b] o cągłych gęstoścch prwdopodobeństw. Wówczs X d(1) Y wtedy tylko wtedy, gdy dl kżdej nemlejącej kwłkm różnczkowlnej funkcj użytecznośc zchodz: u : [, b] R zchodz: Eu(X) Eu(Y ). 7

8 Ponowne, przed przystąpenem do dowodu, sformułujemy nlog lmtu 1 dl przypdku cągłego. Lemt 2. Nech X, Y są zdefnowne jk wyżej. Jeśl zchodz X d(1) Y, to stneją funkcje u,v, obe nemlejące, tke, że prwdzwy jest ukłd nerównośc: { Eu(X) < Eu(Y ) Ev(X) > Ev(Y ). Dowód lemtu. Dowód lemtu będze nlogczny jk w przypdku dyskretnym, pozwolę sobe węc zstosowć pewne skróty. Nech p(x) q(x) oznczją gęstośc zmennych X Y, f : [, b] R będze tką funkcją nemlejącą, dl której stneją cłk b f(x)p(x) orz b f(x)q(x). Oznczmy te cłk, odpowedno, przez ρ X ρ Y. Złóżmy n początek, że ρ X < ρ Y. Chcemy udowodnć stnene tkch funkcj u,v, że zchodz Eu(X) < Eu(Y ) orz Ev(X) > Ev(X). Kłdąc u(x) = f(x) otrzymujemy, jk poprzedno, perwszą nerówność. Poszukmy terz funkcj v, któr spełn drugą nerówność, którą możemy zpsć: b f(x)[p(x) q(x)] > Z defncj stochstycznej neporównywlnośc, stneją s, t tke, że: s [p(x) q(x)dx] > [p(x) q(x)dx] < b s b t [p(x) q(x)dx] < [p(x) q(x)dx] > Ztem, defnując nlogczne jk w dowodze perwszego lemtu funkcję v nstępująco: ρ Y ρ X + f(x) dl x > s b [p(x) q(x)]+ɛ v(x) = t f(x) dl x s, otrzymujemy kwłkm cągłą różnczkowlną funkcję użytecznośc. Pondto, v(x) jest nemlejąc, węc spełn wrunk lemtu zchodz Ev(x)[p(x) q(x)] > Podobne uzsdnmy przypdek ρ X > ρ Y. Dl ρ X = ρ Y dobermy nną funkcję f. Przystąpmy terz do dowodu twerdzen 2. Dowód zczerpnęty jest z [HRu]. Co zskkujące, jest zrówno krótszy, jk prostszy nż jego dyskretny odpowednk. 8

9 Dowód. Nech p(x), q(x) oznczją cągłe gęstośc zmennych X Y, P (x), Q(x) odpowdjące m dystrybunty. Chcemmy pokzć, że Eu(X) Eu(Y ). Z defncj wrtośc oczekwnej mmy: b Eu(X) Eu(Y ) = Cłkując przez częśc, mmy: b u(x)[p(x) q(x)]dx. b u(x)[p(x) q(x)]dx = u(x)[p (x) Q(x)]dx b u (x)[p (x) Q(x)]dx Perwszy skłdnk jest równy zeru, gdyż P (b) = Q(b) = 1 P () = Q() = z defncj dystrybunt. Drug człon jest dodtn, gdyż z złożen X d(1) Y mmy P (x) Q(x) orz u (x), bo u jest nemlejąc. Ztem bez trudu otrzymujemy, że: Eu(X) Eu(Y ), co kończy dowód mplkcj w prwo. Dowód przebeg z wykorzystnem lemtu 2 jest bezpośrednm przenesenem dowodu dl przypdku dyskretnego. 4 Domncj stochstyczn drugego rzędu Dzęk domncj stochstycznej perwszego rzędu potrfmy przewdzeć zchown kżdego decydent o rosnącej funkcj użytecznośc. Nestety, włsność t jest n tyle sln, że występuje stosunkowo rzdko. Dl zmennych, które są neporównywlne w sense domncj stochstycznej perwszego rzędu, skutecznym może sę okzć zbdne domncj drugego rzędu. Rezultt będze neco słbszy - zmuszen jesteśmy dodć dodtkowe złożene o funkcj użytecznośc u. Metod domncj drugego rzędu sprwdz sę dl klsy decydentów, chrkteryzujących sę wersją do ryzyk. Behworlne, ozncz to, że mjąc do wyboru wzęce udzłu w loter lub uzyskne średnej wypłty z tej loter bez ponoszen ryzyk, wyborą tą drugą opcję. Mtemtyczne, ozncz to, że jeśl ch funkcj użytecznośc jest dwukrotne różnczkowln, to u (x). Okzuje sę, jk wykzł Hdr Russel, że dl tkej grupy konsumentów możn sformułowć neco słbszą wersję twerdzen 1. Twerdzene to sformułuję od rzu w ogólnośc - ne m potrzeby rozptrywć osobno przypdku dyskretnego cągłego, gdyż po przejścu n dystrybunty utomtyczne otrzymujemy funkcje kwłkm cągłe. Mlcząco zkłdm, że wszystke cłk są cłkm Lebesgue, toteż skończene wele punktów necągłośc ne będze nm przeszkdzć w defncj. 9

10 Tym rzem dowód oper sę wyłączne n cytownej prcy Hdr Russell, pozwolę sobe go ztem omnąć, formułoując tylko twerdzene: Twerdzene 3. Nech X, Y są zmennym losowym o wrtoścch w przedzle [, b], o dystrybuntch, odpowedno P (x) Q(x). Wówczs, jeżel nerówność: P (x)dx Q(x)dx, zchodz dl kżdego t [, b], to dl kżdej nemlejącej funkcj u kwłkm klsy C 2, o nedodtnej drugej pochodnej zchodz Dowód. [HRu]. 5 Przykłdy Eu(X) Eu(Y ). Podm terz dw przykłdy lustrujące wykorzystne powyższych twerdzeń. Njperw poddmy nlze przykłd cągły, w którym z domncj stochstycznej perwszego rzędu będzemy wnoskowć o wyborze decydent. Nstępne, zbdmy przypdek dyskretny, w którym z wyboru decydentów będzemy wnoskowć o domncj stochstycznej drugego rzędu. 5.1 Przykłd 1 Rozwżmy dwe zmenne losowe, określone n przedzle [, 1], reprezentujące dw ryzyk, mędzy którym będze wyberł decydent. Nech X będze zmenną o rozkłdze jednostjnym n tym przedzle - to jest, gęstość X wyrż sę wzorem g X (t) = I [,1] (t), co ozncz, że kżd wypłt z X jest w pewnym sense jednkowo prwdopodobn. Nech Y będze zmenną n tym smym przedzle o gęstośc g Y (t) = ( 2t+2) I [,1] (t). Gęstość funkcj Y jest mlejąc, co ozncz, że m wyższe wrtośc wypłt, tym mnejsze prwdopodobeństwo ch uzyskn. Intucyjne wdć ztem, że mmy do czynen z sytucją, gdy dl ustlonej wrtośc t prwdopodobeństwo wypłty nższej nż t jest zwsze wyższe dl zmennej Y nż nlogczne prwdopodobeństwo dl zmennej X. Istotne, mmy: F Y (t) = F X (t) = 1ds = t dl t [, 1] ( 2s + 2)ds = t 2 + 2t dl t [, 1] F Y (t) F X (t) = t 2 + t = t(t 1) dl t [, 1] 1

11 Oczywśce F Y (t) = F X (t) dl t / [, 1], węc neostr nerówność zostje zchown. Mmy ztem w ogólnośc F X (t) F Y (t) t, ztem X domnuje Y w sense domncj stochstycznej perwszego rzędu. Z twerdzen 2 wemy, że jest to równowżne sytucj, w której kżdy decydent o rosnącej funkcj użytecznośc będze wyberł X zmst Y. O tym, że stotne tk jest możemy sę przekonć, lcząc wrtość oczekwną obu zmennych: EY = EX = 1 1 sds = 1 2 (2s 2s 2 )ds = 1 3 Ztem EX > EY, skąd wnoskujemy, że decydent mksymlzujący swoją użyteczność będze wyberł X wobec lterntywy Y. 5.2 Przykłd 2 Znlzujmy terz przykłd dzłn domncj stochstycznej drugego rzędu. Nech X będze, ponowne, zmenną losową o rozkłdze jednostjnym n przedzle [, 1], Y - zmenną o rozkłdze dwupunktowym, przy czym P(Y = 1) = P(Y = ) = 1 2. Aby zbdć wybor decydent, przyjmemy - bez strty ogólnośc - że jego funkcj użytecznośc jest unormowne tj. u() = orz u(1) = 1. Pondto, jk w twerdzenu 3, będzemy zkłdć, że funkcj użytecznośc jest kwłkm klsy C 2 wklęsł. Wówczs decydent dl dowolnej funkcj u będze preferowł ryzyko X wobec Y, bowem przy tkej smej wrtośc oczekwnej chrkteryzuje sę mnejszą wrncją. Udowodnmy to formlne. Netrudno wylczyć wrtość oczekwną użytecznośc ze zmennej Y : Eu(Y ) = 1 2 u(1) u() = 1 2 Neco brdzej skomplkown jest welkość Eu(X). Znjąc gęstość X możemy npsć: 1 Eu(X) = u(t)g X (t)dt = u(t)dt R Pondto, z defncj wklęsłośc mmy dl kżdego t [, 1]: u(t) = u(t 1 + (1 t) ) t u(1) + (1 t) u() = t Oczywśce, cłk zchowuje monotonczność, możemy ztem zpsć: 1 1 u(t)dt tdt =

12 Co ostteczne dowodz tego, że: Eu(X) Eu(Y ) Zbdjmy terz kwestę domncj stochstycznej. Dystrybunty zmennych X Y przedstwją sę nstępująco: dl t < F X (t) = 1/2 dl t < 1 1 dl t 1 dl t < F Y (t) = t dl t < 1 1 dl t 1 F X (t) = F Y (t) dl t / [, 1], ztem pozostje zbdć zchowne dystrybunt n przedzle [, 1]. Jest oczywstym, że ne zchodz n F X (t) F Y (t) t, n F X (t) F Y (t) t, ztem X d(1) Y. Jednk dl cłek z dystrybunt mmy dl t [, 1]: F X (s)ds = sds = t2 2 t 2 = t 1 t 2 = F Y (s)ds Zchodz ztem wrunek domncj drugego rzędu X d(2) Y. 6 Podsumowne W porównnu z nnym metodm przewdywn zchowń konsument, metody oprte n domncj stochstycznej perwszego drugego rzędu wyróżnją sę dwem ogromnym zletm. Po perwsze, stwne są brdzo newelke wymgn wobec funkcj użytecznośc. W przecweństwe do metody momentów, ne musmy nc zkłdć o welkoścch pochodnych, tylko neujemność perwszej dl domncj perwszego rzędu orz dodtkowo nedodtność drugej dl domncj drugego rzędu. To czyn tę metodę szczególne wżną zwłszcz dl rozwżń teoretycznych, które zzwyczj chcemy prowdzć n jk njwyższym stopnu ogólnośc. Po druge, wrunk defnujące domncję są koneczne dostteczne. To sprw, że obe strony nlzy zrówno od domncj do preferencj, jk od preferencj do domncj mogą byż przeprowdzne dl kżdego rozkłdu cągłego lub dyskretnego dl kżdej funkcj użytecznośc spełnjącej zdne wrunk. Wemy też, że nespełnene dowolnego wrunku utomtyczne wyklucz prwdzwość twerdzen, co znczne przyspesz ułtw rozwązne problemu. 12

13 Ltertur [HRu] Josef Hdr, Wllm Russell, Rules for Orderng Uncertn Prospects [onlne]. Dostępne w Internece: drp.lse.c.uk [NeMo] John von Neumnn, Oskr Morgenstern Theory of gmes nd economc behvour, Prnceton [QuS] Jmes Qurk, Rubn Sposnk, Admssblty nd Mesurble Utlty Functons, The Revew of Economc Studes, 22 (1962), s

Równania liniowe. gdzie. Automatyka i Robotyka Algebra -Wykład 8- dr Adam Ćmiel,

Równania liniowe. gdzie. Automatyka i Robotyka Algebra -Wykład 8- dr Adam Ćmiel, utomtyk Robotyk lgebr -Wykłd - dr dm Ćmel cmel@ghedupl Równn lnowe Nech V W będą przestrzenm lnowym nd tym smym cłem K T: V W przeksztłcenem lnowym Rozwżmy równne lnowe T(v)w Powyższe równne nzywmy równnem

Bardziej szczegółowo

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu.

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu. Elementy rchunku prwdopodoeństw f 0 f() - gęstość rozkłdu prwdopodoeństw X f d P< < = f( d ) F = f( tdt ) - dystryunt rozkłdu E( X) = tf( t) dt - wrtość średn D ( X) = E( X ) E( X) - wrncj = f () F ()

Bardziej szczegółowo

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim 5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną

Bardziej szczegółowo

ĆWICZENIE ANALIZA SITOWA I PODSTAWY OCENY GRANULOMETRYCZNEJ SUROWCÓW I PRODUKTÓW

ĆWICZENIE ANALIZA SITOWA I PODSTAWY OCENY GRANULOMETRYCZNEJ SUROWCÓW I PRODUKTÓW 1 ĆWICZENIE ANALIZA SITOWA I PODSTAWY OCENY GANULOMETYCZNEJ SUOWCÓW I PODUKTÓW 1. Cel zkres ćwczen Celem ćwczen jest opnowne przez studentów metody oceny mterłu sypkego pod względem loścowej zwrtośc frkcj

Bardziej szczegółowo

EKONOMIA MENEDŻERSKA. Wykład 2 Analiza popytu. Optymalna polityka cenowa. 1 ANALIZA POPYTU. OPTYMALNA POLITYKA CENOWA.

EKONOMIA MENEDŻERSKA. Wykład 2 Analiza popytu. Optymalna polityka cenowa. 1 ANALIZA POPYTU. OPTYMALNA POLITYKA CENOWA. Wykłd Anlz popytu. Optymln poltyk cenow. 1 ANALIZA OYTU. OTYMALNA OLITYKA CENOWA. rzedmotem wykłdu jest prolem zrządzn zyskem poprzez oprcowne wdrożene odpowednej strteg różncown cen, wykorzystując do

Bardziej szczegółowo

Sformułowanie zagadnienia. c c. Analiza zagadnienia dla przypadku m = 4 i n = 3. B 2. c A. c A

Sformułowanie zagadnienia. c c. Analiza zagadnienia dla przypadku m = 4 i n = 3. B 2. c A. c A ZGDNIENIE TRNSPORTOWE Sformułowne zgdnen Przypuśćmy, że z m punktów odprwy,, K, m m być wysłny w lośh,, K, m ednorodny produkt do n punktów przyęć,, K, n. odboru przymuą produkt w lośh b, b, K, bn. Kżdy

Bardziej szczegółowo

Realizacje zmiennych są niezależne, co sprawia, że ciąg jest ciągiem niezależnych zmiennych losowych,

Realizacje zmiennych są niezależne, co sprawia, że ciąg jest ciągiem niezależnych zmiennych losowych, Klsyczn Metod Njmniejszych Kwdrtów (KMNK) Postć ć modelu jest liniow względem prmetrów (lbo nleży dokonć doprowdzeni postci modelu do liniowości względem prmetrów), Zmienne objśnijące są wielkościmi nielosowymi,

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Poltechnk Gdńsk Wydzł Elektrotechnk Automtyk Ktedr Inżyner Systemów Sterown Teor sterown Podstwy lgebry mcerzy Mterły pomocncze do ćwczeń lbortoryjnych 1 Część 3 Oprcowne: Kzmerz Duznkewcz, dr hb. nż.

Bardziej szczegółowo

PODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych

PODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych PODSTAWY BAZ DANYCH Wykłd 3 2. Pojęcie Relcyjnej Bzy Dnych 2005/2006 Wykłd "Podstwy z dnych" 1 Rozkłdlno dlność schemtów w relcyjnych Przykłd. Relcj EGZ(U), U := { I, N, P, O }, gdzie I 10 10 11 N f f

Bardziej szczegółowo

METODY KOMPUTEROWE 11

METODY KOMPUTEROWE 11 METOY KOMPUTEROWE METOA WAŻONYCH REZIUÓW Mchł PŁOTKOWIAK Adm ŁOYGOWSKI Konsultcje nukowe dr nż. Wtold Kąkol Poznń / METOY KOMPUTEROWE METOA WAŻONYCH REZIUÓW Metod wżonych rezduów jest slnym nrzędzem znjdown

Bardziej szczegółowo

Rozwiązania maj 2017r. Zadania zamknięte

Rozwiązania maj 2017r. Zadania zamknięte Rozwiązni mj 2017r. Zdni zmknięte Zd 1. 5 16 5 2 5 2 Zd 2. 5 2 27 2 23 2 2 2 2 Zd 3. 2log 3 2log 5log 3 log 5 log 9 log 25log Zd. 120% 8910 1,2 8910 2,2 8910 $%, 050 Zd 5. Njłtwiej jest zuwżyć że dl 1

Bardziej szczegółowo

Miary ryzyka a dualna teoria użyteczności Yaariego

Miary ryzyka a dualna teoria użyteczności Yaariego Uniwersytet Wrszwski Wydził Mtemtyki, Informtyki i Mechniki Jonn Dys Nr lbumu: 233996 Miry ryzyk duln teori użyteczności Yriego Prc mgistersk n kierunku MATEMATYKA Prc wykonn pod kierunkiem dr hb. Wojciech

Bardziej szczegółowo

Równania i nierówności kwadratowe z jedną niewiadomą

Równania i nierówności kwadratowe z jedną niewiadomą 50 REPETYTORIUM 31 Równni i nierówności kwdrtowe z jedną niewidomą Równnie wielominowe to równość dwóch wyrżeń lgebricznych Kżd liczb, któr po podstwieniu w miejscu niewidomej w równniu o jednej niewidomej

Bardziej szczegółowo

VI. Rachunek całkowy. 1. Całka nieoznaczona

VI. Rachunek całkowy. 1. Całka nieoznaczona VI. Rchunek cłkowy. Cłk nieoznczon Niech F : I R i f : I R będą funkcjmi określonymi n pewnym przedzile I R. Definicj. Funkcję F nzywmy funkcją pierwotną funkcji f n przedzile I, gdy F (x) = f(x) dl x

Bardziej szczegółowo

Notatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski

Notatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski Nottki z Anlizy Mtemtycznej 4 Jcek M. Jędrzejewski ROZDZIAŁ 7 Cłk Riemnn 1. Cłk nieoznczon Definicj 7.1. Niech f : (, b) R będzie dowolną funkcją. Jeżeli dl pewnej funkcji F : (, b) R spełnion jest równość

Bardziej szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:

Bardziej szczegółowo

DOBÓR LINIOWO-ŁAMANEGO ROZDZIAŁU SIŁ HAMUJĄCYCH W SAMOCHODACH DOSTAWCZYCH

DOBÓR LINIOWO-ŁAMANEGO ROZDZIAŁU SIŁ HAMUJĄCYCH W SAMOCHODACH DOSTAWCZYCH Zgnew Kmńsk DOBÓ INIOWO-ŁMNEO OZDZIŁU SIŁ HMUJĄCYCH W SMOCHODCH DOSTWCZYCH Streszczene. W rtykule opsno sposoy dooru lnowo-łmnego rozdzłu sł mującyc w smocodc dostwczyc według wymgń egulmnu 3 ECE. Przedstwono

Bardziej szczegółowo

Wykład 2. Pojęcie całki niewłaściwej do rachunku prawdopodobieństwa

Wykład 2. Pojęcie całki niewłaściwej do rachunku prawdopodobieństwa Wykłd 2. Pojęcie cłki niewłściwej do rchunku prwdopodobieństw dr Mriusz Grządziel 4 mrc 24 Pole trpezu krzywoliniowego Przypomnienie: figurę ogrniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją

Bardziej szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo

O pewnych zgadnieniach optymalizacyjnych O pewnych zgadnieniach optymalizacyjnych

O pewnych zgadnieniach optymalizacyjnych O pewnych zgadnieniach optymalizacyjnych Spis tresci 1 Spis tresci 1 W wielu zgdnienich prktycznych brdzo wżne jest znjdownie optymlnego (czyli njlepszego z jkiegoś punktu widzeni) rozwiązni dnego problemu. Dl przykłdu, gdybyśmy chcieli podróżowć

Bardziej szczegółowo

Niewymierność i przestępność Materiały do warsztatów na WWW6

Niewymierność i przestępność Materiały do warsztatów na WWW6 Niewymierność i przestępność Mteriły do wrszttów n WWW6 Piotr Achinger 23 sierpni 2010 1 Wstęp 1.1 Liczby wymierne i niewymierne Pytnie 1. Czy istnieją liczby niewymierne? Zdnie 1. Wykzć, że 1. 2 / Q,

Bardziej szczegółowo

nazywamy odpowiednio dolną oraz górną sumą Darboux funkcji f w przedziale [a, b] wyznaczoną przez podział P.

nazywamy odpowiednio dolną oraz górną sumą Darboux funkcji f w przedziale [a, b] wyznaczoną przez podział P. Rozdził 10 Cłk Drboux 10.1 Doln i górn sum Drboux Definicj podziłu. Niech, b R, < b. Kżdy skończony ciąg P postci (10.1) P = (x 0,..., x n ), gdzie n N, = x 0 < x 1

Bardziej szczegółowo

PODSTAWY BAZ DANYCH Wykład 2 2. Pojęcie Relacyjnej Bazy Danych

PODSTAWY BAZ DANYCH Wykład 2 2. Pojęcie Relacyjnej Bazy Danych PODSTAWY BAZ DANYCH Wykłd 2 2. Pojęcie Relcyjnej Bzy Dnych 2005/2006 Wykłd "Podstwy bz dnych" 1 Pojęcie krotki - definicj Definicj. Niech dny będzie skończony zbiór U := { A 1, A 2,..., A n }, którego

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka matematyczna.

Rachunek prawdopodobieństwa i statystyka matematyczna. Rchunek rwdoodobieństw i sttystyk mtemtyczn. Zd 8. {(, : i } Zleżność tą możn rzedstwić w ostci nstęującej interretcji grficznej: Arkdiusz Kwosk Rfł Kukliński Informtyk sem.4 gr. Srwdźmy, czy odne zmienne

Bardziej szczegółowo

Wykład 2. Granice, ciągłość, pochodna funkcji i jej interpretacja geometryczna

Wykład 2. Granice, ciągłość, pochodna funkcji i jej interpretacja geometryczna 1 Wykłd Grnice, ciągłość, pocodn unkcji i jej interpretcj geometryczn.1 Grnic unkcji. Grnic lewostronn i grnic prwostronn unkcji Deinicj.1 Mówimy, że liczb g jest grnicą lewostronną unkcji w punkcie =,

Bardziej szczegółowo

MODELE TEORII GIER. Modelowanie matematyczne. dr inż. Zbigniew Tarapata Wykład nr 5: Modele teorii gier

MODELE TEORII GIER. Modelowanie matematyczne. dr inż. Zbigniew Tarapata Wykład nr 5: Modele teorii gier MODELE TEORII GIER Podejmowne decyzj nwestycyjnych często jest dokonywne w sytucjch, w których ne wdomo, jk będze stn otoczen lub też, jką decyzję podejmą nn decydenc, mjący wpływ n wynk decyzj przez ns

Bardziej szczegółowo

ZESZYTY NAUKOWE NR 11(83) AKADEMII MORSKIEJ W SZCZECINIE. Fuzja danych nawigacyjnych w przestrzeni filtru Kalmana

ZESZYTY NAUKOWE NR 11(83) AKADEMII MORSKIEJ W SZCZECINIE. Fuzja danych nawigacyjnych w przestrzeni filtru Kalmana ISSN 733-867 ZESZ NAUKOWE NR (83) AKADEMII MORSKIEJ W SZCZECINIE IV MIĘDZNARODOWA KONFERENCJA NAUKOWO-ECHNICZNA E X L O - S H I 6 Andrzej Stteczny, Andrzej Lsj, Chfn Mohmmd Fzj dnych nwgcyjnych w przestrzen

Bardziej szczegółowo

Rozpraszania twardych kul

Rozpraszania twardych kul Wyłd XVIII Rozprszn twrdych u Rozwżmy oddzływne twrdych u opsywne potencjłem V r r Ponewż potencjł jest seryczne symetryczny uncję ową możn zpsć w postc ( r Cm R Ym( m gdze Ym( to hrmon seryczne Rozprszne

Bardziej szczegółowo

RACHUNEK CAŁKOWY. Funkcja F jest funkcją pierwotną funkcji f na przedziale I R, jeżeli. F (x) = f (x), dla każdego x I.

RACHUNEK CAŁKOWY. Funkcja F jest funkcją pierwotną funkcji f na przedziale I R, jeżeli. F (x) = f (x), dla każdego x I. RACHUNEK CAŁKOWY Funkcj F jest funkcją pierwotną funkcji f n przedzile I R, jeżeli F (x) = f (x), dl kżdego x I. Przykłd. Niech f (x) = 2x dl x (, ). Wtedy funkcje F (x) = x 2 + 5, F (x) = x 2 + 5, F (x)

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne

Bardziej szczegółowo

STYLE. TWORZENIE SPISÓW TREŚCI

STYLE. TWORZENIE SPISÓW TREŚCI STYLE. TWORZENIE SPISÓW TREŚCI Ćwiczenie 1 Tworzenie nowego stylu n bzie istniejącego 1. Formtujemy jeden kpit tekstu i zznczmy go (stnowi on wzorzec). 2. Wybiermy Nrzędzi główne, rozwijmy okno Style (lub

Bardziej szczegółowo

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. dr hab.inż. Katarzyna Zakrzewska, prof.

METODY NUMERYCZNE. Wykład 4. Numeryczne rozwiązywanie równań nieliniowych z jedną niewiadomą. dr hab.inż. Katarzyna Zakrzewska, prof. METODY NUMERYCZNE Wykłd 4. Numeryczne rozwązywne równń nelnowych z jedną newdomą dr hb.nż. Ktrzyn Zkrzewsk, pro.agh Met.Numer. Wykłd 4 Rozwązywne równń nelnowych z jedną newdomą Nleży znleźć perwstek równn

Bardziej szczegółowo

12. Zadanie optymalnej mieszanki - maksymalizacja ilości mieszanki wykonanej z dostępnych komponentów

12. Zadanie optymalnej mieszanki - maksymalizacja ilości mieszanki wykonanej z dostępnych komponentów P. Kowlk, Lbortorum bdń opercyjnych: zdne optymlnej mesznk - mksymlzcj lośc mesznk. Zdne optymlnej mesznk - mksymlzcj lośc mesznk wykonnej z dostępnych komponentów Jeżel wszystke komponenty dostępne są

Bardziej szczegółowo

ZADANIA OTWARTE. Są więc takie same. Trzeba jeszcze pokazać, że wynoszą one 2b, gdyż taka jest długość krawędzi dwudziestościanu.

ZADANIA OTWARTE. Są więc takie same. Trzeba jeszcze pokazać, że wynoszą one 2b, gdyż taka jest długość krawędzi dwudziestościanu. ZADANIA OTWARTE ZADANIE 1 DWUDZIESTOŚCIAN FOREMNY Wiemy, że z trzech złotych prostokątów możn skonstruowć dwudziestościn foremny. Wystrczy wykzć, że długości boków trójkąt ABC n rysunku obok są równe.

Bardziej szczegółowo

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy LII Egzamin dla Aktuariuszy z 15 marca 2010 r. Część I Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy LII Egzamin dla Aktuariuszy z 15 marca 2010 r. Część I Matematyka finansowa Mtemtyk finnsow 15.0.010 r. Komisj Egzmincyjn dl Akturiuszy LII Egzmin dl Akturiuszy z 15 mrc 010 r. Część I Mtemtyk finnsow WERSJA TESTU A Imię i nzwisko osoy egzminownej:... Czs egzminu: 100 minut 1

Bardziej szczegółowo

Maciej Grzesiak. Iloczyn skalarny. 1. Iloczyn skalarny wektorów na płaszczyźnie i w przestrzeni. a b = a b cos ϕ. j) (b x. i + b y

Maciej Grzesiak. Iloczyn skalarny. 1. Iloczyn skalarny wektorów na płaszczyźnie i w przestrzeni. a b = a b cos ϕ. j) (b x. i + b y Mciej Grzesik Iloczyn sklrny. Iloczyn sklrny wektorów n płszczyźnie i w przestrzeni Iloczyn sklrny wektorów i b określmy jko b = b cos ϕ. Bezpośrednio z definicji iloczynu sklrnego mmy, że i i = j j =

Bardziej szczegółowo

< f g = fg. f = e t f = e t. U nas: e t (α 1)t α 2 dt = 0 + (α 1)Γ(α 1)

< f g = fg. f = e t f = e t. U nas: e t (α 1)t α 2 dt = 0 + (α 1)Γ(α 1) Zdnie X,..., X 5 N(6, 5 ) Y,..., Y 6 N(7, 5 ) X N(6, 5 6 ) Ȳ N(7, 5 6 ) Przy złożeniu niezleżności zmiennych mmy: X Ȳ N(, ) po stndryzcji otrzymmy: Ȳ X N(, ) Pr(Ȳ X < ) = Pr(Ȳ X < ) = φ(, 3) = φ(, 3) =,

Bardziej szczegółowo

Zadania. I. Podzielność liczb całkowitych

Zadania. I. Podzielność liczb całkowitych Zdni I. Podzielność liczb cłkowitych. Pewn liczb sześciocyfrow kończy się cyfrą 5. Jeśli tę cyfrę przestwimy n miejsce pierwsze ze strony lewej to otrzymmy nową liczbę cztery rzy większą od poprzedniej.

Bardziej szczegółowo

I. Elementy analizy matematycznej

I. Elementy analizy matematycznej WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem

Bardziej szczegółowo

INSTRUKCJA. - Jak rozwiązywać zadania wysoko punktowane?

INSTRUKCJA. - Jak rozwiązywać zadania wysoko punktowane? INSTRUKCJA - Jk rozwiązywć zdni wysoko punktowne? Mturzysto! Zdni wysoko punktowne to tkie, z które możesz zdobyć 4 lub więcej punktów. Zdni z dużą ilość punktów nie zwsze są trudniejsze, często ich punktcj

Bardziej szczegółowo

Uniwersytet Mikołaja Kopernika w Toruniu

Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołj Kopernik w Toruniu Wydził Mtemtyki i Informtyki Krzysztof Frączek Anliz Mtemtyczn I Wykłd dl studentów I roku kierunku informtyk Toruń 206 Spis treści Liczby rzeczywiste 2 Ciągi liczbowe

Bardziej szczegółowo

N(0, 1) ) = φ( 0, 3) = 1 φ(0, 3) = 1 0, 6179 = 0, 3821 < t α 1 e t dt α > 0. f g = fg. f = e t f = e t. U nas: g = t α 1 g = (α 1)t α 2

N(0, 1) ) = φ( 0, 3) = 1 φ(0, 3) = 1 0, 6179 = 0, 3821 < t α 1 e t dt α > 0. f g = fg. f = e t f = e t. U nas: g = t α 1 g = (α 1)t α 2 Zdnie X,..., X 5 N(6, 5 ) Y,..., Y 6 N(7, 5 ) X N(6, 5 6 ) Ȳ N(7, 5 6 ) Przy złożeniu niezleżności zmiennych mmy: X Ȳ N(, ) po stndryzcji otrzymmy: Ȳ X N(, ) Pr(Ȳ X < ) = Pr(Ȳ X < ) = φ(, 3) = φ(, 3) =,

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni. Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :

Bardziej szczegółowo

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA Mteriły do wykłdu MATEMATYKA DYSKRETNA dl studiów zocznych cz. Progrm wykłdu: KOMBINATORYKA:. Notcj i podstwowe pojęci. Zlicznie funkcji. Permutcje. Podziory zioru. Podziory k-elementowe. Ziory z powtórzenimi

Bardziej szczegółowo

Proces decyzyjny: 1. Sformułuj jasno problem decyzyjny. 2. Wylicz wszystkie możliwe decyzje. 3. Zidentyfikuj wszystkie możliwe stany natury.

Proces decyzyjny: 1. Sformułuj jasno problem decyzyjny. 2. Wylicz wszystkie możliwe decyzje. 3. Zidentyfikuj wszystkie możliwe stany natury. Proces decyzyny: 1. Sformułu sno problem decyzyny. 2. Wylcz wszyste możlwe decyze. 3. Zdentyfu wszyste możlwe stny ntury. 4. Oreśl wypłtę dl wszystch możlwych sytuc, ( tzn. ombnc decyz / stn ntury ). 5.

Bardziej szczegółowo

Porównanie dostępności różnych, nadmiarowych konfiguracji zasilania szaf przemysłowych

Porównanie dostępności różnych, nadmiarowych konfiguracji zasilania szaf przemysłowych Porównne dotępnośc różnych, ndmrowych konfgurcj zln zf przemyłowych Whte Pper 48 Strezczene Przełącznk źródeł zln orz dwutorow dytrybucj zln przętu IT łużą zwękzenu dotępnośc ytemów oblczenowych. Sttytyczne

Bardziej szczegółowo

Prace Koła Matematyków Uniwersytetu Pedagogicznego w Krakowie (2014)

Prace Koła Matematyków Uniwersytetu Pedagogicznego w Krakowie (2014) Prce Koł Mt. Uniw. Ped. w Krk. 1 014), 1-5 edgogicznego w Krkowie PKoło Mtemtyków Uniwersytetu Prce Koł Mtemtyków Uniwersytetu Pedgogicznego w Krkowie 014) Bet Gwron 1 Kwdrtury Newton Cotes Streszczenie.

Bardziej szczegółowo

WYZNACZANIE OGNISKOWEJ SOCZEWEK CIENKICH ZA POMOCĄ ŁAWY OPTYCZNEJ

WYZNACZANIE OGNISKOWEJ SOCZEWEK CIENKICH ZA POMOCĄ ŁAWY OPTYCZNEJ Ćwiczenie 9 WYZNACZANIE OGNISKOWEJ SOCZEWEK CIENKICH ZA POMOCĄ ŁAWY OPTYCZNEJ 9.. Opis teoretyczny Soczewką seryczną nzywmy przezroczystą bryłę ogrniczoną dwom powierzchnimi serycznymi o promienich R i

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6 Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane

Bardziej szczegółowo

Matematyka stosowana i metody numeryczne

Matematyka stosowana i metody numeryczne Ew Pbisek Adm Wostko Piotr Pluciński Mtemtyk stosown i metody numeryczne Konspekt z wykłdu 0 Cłkownie numeryczne Wzory cłkowni numerycznego pozwlją n obliczenie przybliżonej wrtości cłki: I(f) = f(x) dx

Bardziej szczegółowo

Wariacje Funkcji, Ich Własności i Zastosowania

Wariacje Funkcji, Ich Własności i Zastosowania Środowiskowe Studi Doktornckie z Nuk Mtemtycznych Uniwersytet Mrii Curie-Skłodowskiej w Lublinie Józef Bnś Ktedr Mtemtyki Politechnik Rzeszowsk Wricje Funkcji, Ich Włsności i Zstosowni Lublin 2014 Spis

Bardziej szczegółowo

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7 Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy

5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy 5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja

Bardziej szczegółowo

Całki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju

Całki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju Rozdził 3 Cłki niewłściwe 3. Wprowdzenie Omwine w poprzednim rozdzile cłki oznczone są cłkmi funkcji ciągłych n przedzile domkniętym, więc funkcji ogrniczonych n przedzile skończonym. Wiele zgdnień prktycznych

Bardziej szczegółowo

R + v 10 R0, 9 k v k. a k v k + v 10 a 10. k=1. Z pierwszego równania otrzymuję R 32475, 21083. Dalej mam: (R 9P + (k 1)P )v k + v 10 a 10

R + v 10 R0, 9 k v k. a k v k + v 10 a 10. k=1. Z pierwszego równania otrzymuję R 32475, 21083. Dalej mam: (R 9P + (k 1)P )v k + v 10 a 10 Zdnie. Zkłd ubezpieczeń n życie plnuje zbudownie portfel ubezpieczeniowego przy nstępujących złożenich: ozwiąznie. Przez P k będę oznczł wrtość portfel n koniec k-tego roku. Szukm P 0 tkie by spełnił:

Bardziej szczegółowo

W. Guzicki Zadanie 19 z Informatora Maturalnego poziom rozszerzony 1

W. Guzicki Zadanie 19 z Informatora Maturalnego poziom rozszerzony 1 W. Guzicki Zdnie 19 z Informtor turlnego poziom rozszerzony 1 Zdnie 19. Rmię D trpezu D (w którym D) przedłużono do punktu E tkiego, że E 3 D. unkt leży n podstwie orz 4. Odcinek E przecin przekątną D

Bardziej szczegółowo

bezkontekstowa generujac X 010 0X0.

bezkontekstowa generujac X 010 0X0. 1. Npisz grmtyke ezkontekstow generujc jezyk : L 1 = { 0 i 10 j 10 p : i, j, p > 0, i + j = p } Odpowiedź. Grmtyk wygląd tk: Nieterminlem strtowym jest S. S 01X0 0S0 X 010 0X0. Nieterminl X generuje słow

Bardziej szczegółowo

Analiza Matematyczna (część II)

Analiza Matematyczna (część II) Anliz Mtemtyczn (część II) Krzysztof Trts Witold Bołt n podstwie wykłdów dr. Piotr Brtłomiejczyk 25 kwietni 24 roku 1 Rchunek cłkowy jednej zmiennej. 1.1 Cłk nieoznczon. Definicj 1.1.1 (funkcj pierwotn)

Bardziej szczegółowo

1 Definicja całki oznaczonej

1 Definicja całki oznaczonej Definicj cłki oznczonej Niech dn będzie funkcj y = g(x) ciągł w przedzile [, b]. Przedził [, b] podzielimy n n podprzedziłów punktmi = x < x < x

Bardziej szczegółowo

Metody Lagrange a i Hamiltona w Mechanice

Metody Lagrange a i Hamiltona w Mechanice Metody Lgrnge i Hmilton w Mechnice Mriusz Przybycień Wydził Fizyki i Informtyki Stosownej Akdemi Górniczo-Hutnicz Wykłd 3 M. Przybycień (WFiIS AGH) Metody Lgrnge i Hmilton... Wykłd 3 1 / 15 Przestrzeń

Bardziej szczegółowo

Środek masy i geometryczne momenty bezwładności figur płaskich 1

Środek masy i geometryczne momenty bezwładności figur płaskich 1 Środek ms geometrzne moment bezwłdnoś fgur płskh Środek ms fgur płskej Zleżnoś n współrzędne środk ms, fgur płskej złożonej z fgur regulrnh rs.. możem zpsć w nstępują sposób: gdze:. pole powerzhn -tej

Bardziej szczegółowo

4. RACHUNEK WEKTOROWY

4. RACHUNEK WEKTOROWY 4. RACHUNEK WEKTOROWY 4.1. Wektor zczepiony i wektor swoodny Uporządkowną prę punktów (A B) wyznczjącą skierowny odcinek o początku w punkcie A i końcu w punkcie B nzywmy wektorem zczepionym w punkcie

Bardziej szczegółowo

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4 Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =

Bardziej szczegółowo

65120/ / / /200

65120/ / / /200 . W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę

Bardziej szczegółowo

4.3. Przekształcenia automatów skończonych

4.3. Przekształcenia automatów skończonych 4.3. Przeksztłceni utomtów skończonych Konstrukcj utomtu skończonego (niedeterministycznego) n podstwie wyrżeni regulrnego (lgorytm Thompson). Wejście: wyrżenie regulrne r nd lfetem T Wyjście : utomt skończony

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje

Bardziej szczegółowo

Zbiory wyznaczone przez funkcje zdaniowe

Zbiory wyznaczone przez funkcje zdaniowe pojęci zbioru i elementu RCHUNEK ZIORÓW zbiór zwier element element nleży do zbioru jest elementem zbioru ( X zbiór wszystkich przedmiotów indywidulnych, których dotyczy dn nuk zbiór pełny (uniwerslny

Bardziej szczegółowo

Kodowanie liczb. Kodowanie stałopozycyjne liczb całkowitych. Niech liczba całkowita a ma w systemie dwójkowym postać: Kod prosty

Kodowanie liczb. Kodowanie stałopozycyjne liczb całkowitych. Niech liczba całkowita a ma w systemie dwójkowym postać: Kod prosty Kodownie licz Kodownie stłopozycyjne licz cłkowitych Niech licz cłkowit m w systemie dwójkowym postć: nn 0 Wtedy może yć on przedstwion w postci ( n+)-itowej przy pomocy trzech niżej zdefiniownych kodów

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy LIX Egzamin dla Aktuariuszy z 12 marca 2012 r. Część I Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy LIX Egzamin dla Aktuariuszy z 12 marca 2012 r. Część I Matematyka finansowa Mtemtyk finnsow 12.03.2012 r. Komisj Egzmincyjn dl Akturiuszy LIX Egzmin dl Akturiuszy z 12 mrc 2012 r. Część I Mtemtyk finnsow WERSJA TESTU A Imię i nzwisko osoby egzminownej:... Czs egzminu: 100 minut

Bardziej szczegółowo

PEWNIK DEDEKINDA i jego najprostsze konsekwencje

PEWNIK DEDEKINDA i jego najprostsze konsekwencje PEWNIK DEDEKINDA i jego njprostsze konsekwencje W rozdzile ósmym stwierdziliśmy, że z podnych tm pewników nie wynik istnienie pierwistków z liczb rzeczywistych. Uzupe lnimy terz liste pewników jeszcze

Bardziej szczegółowo

Matematyka finansowa 10.03.2014 r. Komisja Egzaminacyjna dla Aktuariuszy. LXVI Egzamin dla Aktuariuszy z 10 marca 2014 r. Część I

Matematyka finansowa 10.03.2014 r. Komisja Egzaminacyjna dla Aktuariuszy. LXVI Egzamin dla Aktuariuszy z 10 marca 2014 r. Część I Mtemtyk finnsow.03.2014 r. Komisj Egzmincyjn dl Akturiuszy LXVI Egzmin dl Akturiuszy z mrc 2014 r. Część I Mtemtyk finnsow WERSJA TESTU A Imię i nzwisko osoby egzminownej:... Czs egzminu: 0 minut 1 Mtemtyk

Bardziej szczegółowo

TESTOWANIE HIPOTEZY O KOMPLETNOŚCI ZBIORU ARGUMENTÓW

TESTOWANIE HIPOTEZY O KOMPLETNOŚCI ZBIORU ARGUMENTÓW TESTOWANIE HIPOTEY O KOMPLETNOŚCI BIORU ARGUMENTÓW Pweł Szołysek RELACJA PODOBIEŃSTWA I TESTOWANIE KOMPLETNOŚCI BIORU ARGUMENTÓW RELACJA PODOBIEŃSTWA - AŁOŻENIA Proces es opsny z poocą funkc wyrowe wyrowo

Bardziej szczegółowo

Natalia Nehrebecka. Wykład 2

Natalia Nehrebecka. Wykład 2 Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad

Bardziej szczegółowo

Zadanie optymalnej mieszanki - maksymalizacja ilości mieszanki wykonanej z dostępnych komponentów

Zadanie optymalnej mieszanki - maksymalizacja ilości mieszanki wykonanej z dostępnych komponentów P. Kowlk, Lbortorum bdń opercyjnych: moduł - zdne optymlnej mesznk - mksymlzcj lośc mesznk Zdne optymlnej mesznk - mksymlzcj lośc mesznk wykonnej z dostępnych komponentów JeĀel wszystke komponenty dostępne

Bardziej szczegółowo

Analiza matematyczna v.1.6 egzamin mgr inf niestacj 1. x p. , przy założeniu, że istnieją lim

Analiza matematyczna v.1.6 egzamin mgr inf niestacj 1. x p. , przy założeniu, że istnieją lim Anliz mtemtyczn v..6 egzmin mgr inf niestcj Oznczeni: f, g, h : J R funkcje rzeczywiste określone n J R J przedził, b),, b], [, b), [, b], półprost, b),, b],, ), [, ) lub prost R α, β [min{α, β}, m{α,

Bardziej szczegółowo

O SZEREGACH FOURIERA. T (x) = c k e ikx

O SZEREGACH FOURIERA. T (x) = c k e ikx O SZEREGACH FOURIERA Funkcję postci. Wielominy i szeregi trygonometryczne. T x = N k= N c k e ikx nzywmy wielominem trygonometrycznym. Jk widć, wielomin trygonometryczny jest funkcją okresową o podstwowym

Bardziej szczegółowo

Grażyna Nowicka, Waldemar Nowicki BADANIE RÓWNOWAG KWASOWO-ZASADOWYCH W ROZTWORACH ELEKTROLITÓW AMFOTERYCZNYCH

Grażyna Nowicka, Waldemar Nowicki BADANIE RÓWNOWAG KWASOWO-ZASADOWYCH W ROZTWORACH ELEKTROLITÓW AMFOTERYCZNYCH Ćwiczenie Grżyn Nowick, Wldemr Nowicki BDNIE RÓWNOWG WSOWO-ZSDOWYC W ROZTWORC ELETROLITÓW MFOTERYCZNYC Zgdnieni: ktywność i współczynnik ktywności skłdnik roztworu. ktywność jonów i ktywność elektrolitu.

Bardziej szczegółowo

WEKTORY skalary wektory W ogólnym przypadku, aby określić wektor, należy znać:

WEKTORY skalary wektory W ogólnym przypadku, aby określić wektor, należy znać: WEKTORY Wśród wielkości fizycznych występujących w fizyce możn wyróżnić sklry i wektory. Aby określić wielkość sklrną, wystrczy podć tylko jedną liczbę. Wielkościmi tkimi są ms, czs, tempertur, objętość

Bardziej szczegółowo

Wyrównanie sieci niwelacyjnej

Wyrównanie sieci niwelacyjnej 1. Wstęp Co to jest sieć niwelcyjn Po co ją się wyrównje Co chcemy osiągnąć 2. Metod pośrednicząc Wyrównnie sieci niwelcyjnej Metod pośrednicząc i metod grpow Mmy sieć skłdjącą się z szereg pnktów. Niektóre

Bardziej szczegółowo

Przekształcenia automatów skończonych

Przekształcenia automatów skończonych Przeksztłceni utomtów skończonych Teori utomtów i języków formlnych Dr inŝ. Jnusz Mjewski Ktedr Informtyki Konstrukcj utomtu skończonego n podstwie wyrŝeni regulrnego (lgorytm Thompson) Wejście: wyrŝenie

Bardziej szczegółowo

f(x)dx (1.7) b f(x)dx = F (x) = F (b) F (a) (1.2)

f(x)dx (1.7) b f(x)dx = F (x) = F (b) F (a) (1.2) Cłk oznczon Cłkę oznczoną będziemy zpisywli jko f(x)dx (.) z fnkcji f(x), któr jest ogrniczon w przedzile domkniętym [, b]. Jk obliczyć cłkę oznczoną? Obliczmy njpierw cłkę nieoznczoną z fnkcji f(x), co

Bardziej szczegółowo

Programy współbieżne

Programy współbieżne Specyfikownie i weryfikownie Progrmy współieżne Mrek A. Bednrczyk, www.ipipn.gd.pl Litertur wiele prc dostępnych w Sieci np.: http://www.wikipedi.org/ Specyfikownie i weryfikcj progrmy współieżne PJP Prosty

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

Wykład 6 Dyfrakcja Fresnela i Fraunhofera

Wykład 6 Dyfrakcja Fresnela i Fraunhofera Wykłd 6 Dyfrkcj Fresnel i Frunhofer Zjwisko dyfrkcji (ugięci) świtł odkrył Grimldi (XVII w). Poleg ono n uginniu się promieni świetlnych przechodzących w pobliżu przeszkody (np. brzeg szczeliny). Wyjśnienie

Bardziej szczegółowo

Metoda prądów obwodowych

Metoda prądów obwodowych Metod prądów owodowyh Zmenmy wszystke rzezywste źródł prądowe n npęowe, Tworzymy kłd równń lnowyh opsjąyh poszzególne owody. Dowolną seć lnową skłdjąą sę z elementów skponyh możn opsć z pomoą kłd równń

Bardziej szczegółowo

Natalia Nehrebecka. Zajęcia 4

Natalia Nehrebecka. Zajęcia 4 St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających

Bardziej szczegółowo

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.

Bardziej szczegółowo

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH

Analiza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa.   PARA ZMIENNYCH LOSOWYCH Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy

Bardziej szczegółowo

f(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 +

f(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 + Różnczkowalność pocodne Ćwczene. Znaleźć pocodne cz astkowe funkcj f(x, y) = arctg x y. Rozw azane: Wdać, że funkcj f można napsać jako f(u(x, y)) gdze f(u) = arctg(u), u(x, y) = x y. Korzystaj ac z reg

Bardziej szczegółowo

1 Przestrzenie statystyczne, statystyki

1 Przestrzenie statystyczne, statystyki M. Beśka, Statystyka matematyczna, wykład 1 1 1 Przestrzene statystyczne, statystyk 1.1 Rozkłady zmennych losowych Nech Ω, F, P ) będze ustaloną przestrzeną probablstyczną, a X : Ω IR zmenną losową na

Bardziej szczegółowo

Logika i teoria mnogości/wykład 1: Po co nam teoria mnogości? Naiwna teoria mnogości, naiwna indukcja, naiwne dowody niewprost

Logika i teoria mnogości/wykład 1: Po co nam teoria mnogości? Naiwna teoria mnogości, naiwna indukcja, naiwne dowody niewprost 1 z 8 2013-03-23 18:23 Logka teora mnogośc/wykład 1: Po co nam teora mnogośc? Nawna teora mnogośc, nawna ndukcja, nawne dowody newprost From Studa Informatyczne < Logka teora mnogośc "Nawna" teora mnogośc

Bardziej szczegółowo

Matematyka dla biologów Zajęcia nr 7.

Matematyka dla biologów Zajęcia nr 7. Mtemtyk dl biologów Zjęci nr 7. Driusz Wrzosek 21 listopd 2018 Mtemtyk dl biologów Zjęci 7. 21 listopd 2018 1 / 20 Przypomnienie: funkcj pierwotn Niech F : D, gdzie D to odcinek otwrty lub cł prost ).

Bardziej szczegółowo

Wartość bezwzględna. Proste równania i nierówności.

Wartość bezwzględna. Proste równania i nierówności. Wrtość bezwzględn Proste równni i nierówności Dl liczb rzeczywistych możemy zdefiniowć opercję zwną wrtością bezwzględną lub modułem liczby Definicj 7,, Sens powyższej definicji jest nstępujący Jeżeli

Bardziej szczegółowo

Wektor kolumnowy m wymiarowy macierz prostokątna o wymiarze n=1 Wektor wierszowy n wymiarowy macierz prostokątna o wymiarze m=1

Wektor kolumnowy m wymiarowy macierz prostokątna o wymiarze n=1 Wektor wierszowy n wymiarowy macierz prostokątna o wymiarze m=1 Rchunek mcierzowy Mcierzą A nzywmy funkcję 2-zmiennych, któr prze liczb nturlnych (i,j) gdzie i = 1,2,3,4.,m; j = 1,2,3,4,n przyporządkowuje dokłdnie jeden element ij. 11 21 A = m1 12 22 m2 1n 2n mn Wymirem

Bardziej szczegółowo

Wymagania edukacyjne matematyka klasa 2 zakres podstawowy 1. SUMY ALGEBRAICZNE

Wymagania edukacyjne matematyka klasa 2 zakres podstawowy 1. SUMY ALGEBRAICZNE Wymgni edukcyjne mtemtyk kls 2 zkres podstwowy 1. SUMY ALGEBRAICZNE Uczeń otrzymuje ocenę dopuszczjącą lub dostteczną, jeśli: rozpoznje jednominy i sumy lgebriczne oblicz wrtości liczbowe wyrżeń lgebricznych

Bardziej szczegółowo

Równania rekurencyjne na dziedzinach

Równania rekurencyjne na dziedzinach Marek Materzok Równana rekurencyjne na dzedznach Pommo, ż poczynłem starana, aby praca ta była możlwe kompletna wolna od błędów, ne mogę zagwarantować, że ne wkradły sę do nej żadne neścsłośc czy pomyłk.

Bardziej szczegółowo

Pierwiastek z liczby zespolonej

Pierwiastek z liczby zespolonej Pierwistek z liczby zespolonej Twierdzenie: Istnieje dokłdnie n różnych pierwistków n-tego stopni z kżdej liczby zespolonej różnej od zer, tzn. rozwiązń równni w n z i wszystkie te pierwistki dją się zpisć

Bardziej szczegółowo