Własności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja. α stabilna. Andrzej Obuchowicz i Przemysław Prętki
|
|
- Janusz Matusiak
- 6 lat temu
- Przeglądów:
Transkrypt
1 Własności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja α stabilna Andrzej Obuchowicz i Przemysław Prętki Uniwersytet Zielonogórski
2 IEEE CIS seminarium, Zielona Góra /38 motywacja; rozkłady α-stabilne; Plan wielowymiarowe mutacje α-stabilne; nieizotropowość; efekt martwego otoczenia; izotropowe mutacje α-stabilne; wskaźniki progresu dla zmodyfikowanych strategii ewolucyjnych; eksploracja kontra eksploatacja; podsumowanie i aktualne kierunki badań
3 IEEE CIS seminarium, Zielona Góra /38 Mutacja Mutacja w algorytmach ewolucyjnych ( i innych algorytmach stochastycznych) parametrycznej optymalizacji globalnej x i = x i + N(0,σ)
4 IEEE CIS seminarium, Zielona Góra /38 Uzasadnienie o mutacji w naturze decyduja czynniki fizyczne i chemiczne, które sa niezależne i identycznego rozkładu; Centralne Twierdzenie Graniczne konieczność spełnienia warunku Lindeberga; w przeciwnym razie Uogólnione Centralne Twierdzenie Graniczne rozkłady α-stabilne (Lévi-stabilne).
5 IEEE CIS seminarium, Zielona Góra /38 Rozkłady α-stabilne funkcja charakterystyczna X d = S α (β,σ,µ) φ(k) = exp ( σ α k { α 1 iβsign(k) tg ( )} ) πα 2 + iµk dla α 1, exp ( σ k { 1 + iβsign(k) 2 π log k } + iµk ) dla α = 1. 0 < α 2 indeks stabilności; σ > 0 par. skali; 1 β 1 par. skośności.; µ par. lokalizacji
6 IEEE CIS seminarium, Zielona Góra /38 Rozkłady Gaussa, Cauchy ego i Lévy ego Gauss Cauchy Levy f(x) x S 2 (0, σ, µ) = N(µ, 2σ) S 1 (0, σ, µ) = C(µ, σ) S 1 2 (1, σ, µ) = Levy(µ, σ)
7 IEEE CIS seminarium, Zielona Góra /38 Suma zmiennych o rozkładzie α-stabilnym Niech X 1 d = S α (β 1,σ 1,µ 1 ) i X 2 d = S α (β 2,σ 2,µ 2 ) będa zmiennymi niezależnymi, wówczas X 1 + X 2 d = S α (β,σ,µ) gdzie β = β 1σ α 1 +β 2σ α 2 σ α 1 +σα 2, σ α = σ α 1 + σ α 2, µ = µ 1 + µ 2.
8 IEEE CIS seminarium, Zielona Góra /38 Wybrane własności rozkładów α-stabilnych Istnienie momentów dla α < 2 E(X p ) = xp f(x)dx < + 0 < p < α. Istnienie algorytmów generujacych X = d S α (β,σ,µ) Symetryczne rozkłady α-stabilne SαS(σ) = S α (0,σ, 0); φ(k) = exp( σ α k α ).
9 IEEE CIS seminarium, Zielona Góra /38 Symetryczne rozkłady α-stabilne α=2.0 α=1.5 α=1.0 α= α=2.0 α=1.5 α=1.0 α=0.5 f α,1 (x) 10 4 F α,1 (x) x x Funkcje gęstości f α,1 (x) i dystrybuanty F α,1 (x) zmiennej losowej SαS(1)
10 IEEE CIS seminarium, Zielona Góra /38 Mutacja w EA oparta na SαS(σ) x i = x i + SαS(σ), (x = x + SαS(σ))
11 IEEE CIS seminarium, Zielona Góra /38 Nieizotropowość SαS(σ) (a) (b) Izopowierzchnie funkcji gęstości 3D (f α (x) = 0.001) rozkładów SαS dla α = 1 (a), and α = 0.5 (b).
12 IEEE CIS seminarium, Zielona Góra /38 Nieizotropowość SαS(σ) konsekwencje Eksperyment funkcja dopasowania Φ s (x) = x 2, x R 4 (funkcja sferyczna); algorytmy (1 + 1)ES α, α = 1 2,1, 3 2,2, σ = 0.1; punkty startowe: a 1 = (100,0,0,0), a 2 = ( 100 2, 100 2,0,0), a 3 = ( 100 3, 100 3, 100 3,0), a 4 = (50,50,50,50).
13 IEEE CIS seminarium, Zielona Góra /38 Nieizotropowość SαS(σ) konsekwencje (a) (b) Skuteczne mutacje [%] A 1 =[50,50,50,50] A 2 =[57.7,57.7,57.7,0] A =[70.71,70.71,0,0] 3 A 4 =[100,0,0,0] α Liczba generacji A =[50,50,50,50] 1 A 2 =[57.7,57.7,57.7,0] A 3 =[70.71,70.71,0,0] A 4 =[100,0,0,0] α Procent skutecznych mutacji (a) i średnia liczba iteracji konieczna do lokalizacji optimum (Φ(x) < 0.5) (b) vs. α
14 IEEE CIS seminarium, Zielona Góra /38 Efekt martwego otoczenia rozkłady χ α,n χ α,n = X 2 k, X k d = SαS(σ), ÚÙØ n k=1 Liczba elementow x n = 2 n = 4 n = 8 n = 16 Liczba elementow 4.5 x n = 2 n = 4 n = 8 n = Odleglosc Odleglosc α = 1.5 α = 1 Histogramy długości 10 6 wektorów losowych X d = SαS(1)
15 IEEE CIS seminarium, Zielona Góra /38 Efekt martwego otoczenia konsekwencje Eksperyment funkcja dopasowania Φ s (x) = x 2 (f. sferyczna); Φ r (x) = n 1 [ i=1 100(xi+1 x 2 i )2 + (x i 1) 2] (uogólniona f. Rosenbrocka) algorytmy ESSS α, α = 1 2,1, 3 2,2, σ = 0.05; punkty startowe: x 0 = (0,0,...,0) dla Φ s (x), x 0 = ( 30 n,..., 30 n ), dla Φ r (x).
16 IEEE CIS seminarium, Zielona Góra /38 Efekt martwego otoczenia konsekwencje (a) 10 2 (b) 10 6 Dopasowanie n=100 n=80 n=40 n=20 n=10 n=5 n= Epoki Epoki Odległość najlepszego osobnika populacji w ESSS 2 (a) i ESSS 1 2 od optimum Φ s (x) vs. iteracje (średnie po 100 uruchomieniach). (n = 2, 5,10,20, 40,60,80, 100 linie od dołu do góry.) Dopasowanie n=100 n=80 n=40 n=20 n=10 n=5 n=2
17 IEEE CIS seminarium, Zielona Góra /38 Efekt martwego otoczenia konsekwencje (a) (b) Dopasowanie α= α=1.5 α=1.0 α= Epoki α=2 α=1.5 α=1.0 α= Epoki Najlepsze dopasowanie Φ r (x) w populacji ESSS α vs. iteracje (średnie po 500 uruchomieniach) w środowisku 2D (a) i 20D (b). (α = 2 l. ciagła, α = 1.5 l. kres., α = 1 l. kres.-krop., α = 0.5 l. krop.) Dopasowanie
18 IEEE CIS seminarium, Zielona Góra /38 Efekt martwego otoczenia + adaptacja parametru skali Eksperyment funkcja dopasowania Φ s (x) = x 2 ; algorytmy EP α, α = 1 2,1, 3 2,2; rozmiar populacji η = 20, rozmiar sparingu q = 5; obszary inicjacji: Ω x = [0,8,1,2] n i=2 [ 0,2,0,2], Ω σ = n i=1 [0,0.01].
19 IEEE CIS seminarium, Zielona Góra /38 Efekt martwego otoczenia + adaptacja parametru skali (a) (b) Dopasowanie α=2 α=1.5 α=1.0 α= Epoki Parametr skali σ Epoki (a) Najlepsze dopasowanie Φ s (x) w populacji EP α vs. iteracje (średnie po 500 uruchomieniach) w środowisku 20D. (α = 2 l. ci agła, α = 1.5 l. kres., α = 1 l. kres.-krop., α = 0.5 l. krop.) (b) średnia wartość σ w populacji dla EP 1.
20 IEEE CIS seminarium, Zielona Góra /38 Izotropowa mutacja α-stabilna x = x + X = x + ru (n) gdzie u n d = U(Sphere(1)); r d = SαS(σ) ; Funkcja gęstości X d = ISαS(σ): g(x α,σ,µ,n) = 1 σπ n/2 Γ( n 2 ) x µ n 1f α,1 ( ) x µ σ
21 IEEE CIS seminarium, Zielona Góra /38 Wskaźnik progresu dla (1 + 1)ES α Założenia: funkcja dopasowania Φ s (x) = x 2, mutacja elementu y k : y k = y k + SαS(σ) u, twarda selekcja: y k+1 = arg min{φ s (y k ),Φ s (y k )}.
22 IEEE CIS seminarium, Zielona Góra /38 Wskaźnik progresu dla (1 + 1)ES α Niech V = Y k 2 y k 2 wówczas gdzie formalizm ϕ = E {min{v, 1} y k } = (1 v)f v(v)dv, f v (v) = δv n 2 1 B( n 1 2,1 2) 1 1 funkcja gęstości V ; f α,1 δ(v 2t v+1) 1 2 (v 2t v+1) (n 1) 2 (1 t 2 ) (n 3) 2 dt δ = y k σ parametr odchyłu od centrum; B(, ) funkcja Beta.
23 IEEE CIS seminarium, Zielona Góra /38 Wskaźnik progresu dla (1 + 1)ES α wyniki c(δ) α=2.0 α= α=1.0 α= δ= y /σ k Wskaźnik progresu dla (1 + 1)ES α vs. δ = y k /σ. Wartości dokładne dla α = 0.5, 1, 1.5, 2.0.
24 IEEE CIS seminarium, Zielona Góra /38 Założenia: Wskaźnik progresu dla (1 + λ)es α funkcja dopasowania Φ s (x) = x 2, mutacja y k : y k,i = y k + X i, X i SαS(σ) N(0,I) N(0,I), twarda selekja: y k+1 = arg min{f(y k ), {f(y k,i ) i = 1, 2,...,λ}}. i = 1, 2,...,λ,
25 IEEE CIS seminarium, Zielona Góra /38 Wskaźnik progresu dla (1 + λ)es α formalizm Niech (X i i = 1,...,λ) (X i:λ i = 1,...,λ) : (i < j X i:λ X j:λ ). Let V i:λ = Y k,i 2 y k 2 wówczas ϕ = E {min{v 1:λ,1} y k } = 1 0 (1 F v(v)) λ dv, gdzie F v (v) jest dystrybuanta V i:λ.
26 IEEE CIS seminarium, Zielona Góra /38 Wskaźnik progresu dla (1 + λ)es α wyniki c(δ * ) λ α=2.0 α=1.5 α=1.0 α=0.5 Maksymalny wskaźnik progresu (1 + λ)es α (α = 0.5, 1, 1.5, 2 linie od góry do dołu) vs. liczba potomków λ.
27 IEEE CIS seminarium, Zielona Góra /38 Izotropowa mutacja α-stabilna + miękka selekcja Założenia intuicyjne mutacja pozwala na generowanie potomków blisko rodzica lepsza zdolność eksploatacyjna EA; mutacja pozwala na częste generowanie potomków odległych lepsza zdolność eksploracyjna EA.
28 IEEE CIS seminarium, Zielona Góra /38 Izotropowa mutacja α-stabilna + miękka selekcja Wspólne cechy EA z miękka selekcja populacja w iteracji k + 1 jest zwykle utworzona na bazie pewnego podzbioru k-tej populacji; r wartość oczekiwana liczby potomków w generacji k + 1 posiadajacego tego samego rodzica; analiza lokalnej zbieżności jest zredukowana do analizy wartości oczekiwanej pierwszej zmiennej X 1: r statystyki porzadkowej.
29 IEEE CIS seminarium, Zielona Góra /38 Istnienie k-tego momentu X 1:λ Twierdzenie: Niech X SαS wówczas k α(λ i + 1) < 0 E{Xi,λ} k < + Wniosek λ > 1/α E{X 1,λ } < + ;
30 IEEE CIS seminarium, Zielona Góra /38 Izotropowa mutacja α-stabilna + miękka selekcja α = 2 α = 1.5 α =1 α=0.5 Wartość oczekiwana zmiennej losowej X 1:λ vs. λ. E[χ α,1: λ ] λ X d = S 2 S(1) kwadraty, X d = S 1.5 S(1) diamenty, X d = S 1 S(1) krzyże, X d = S 0.5 S(1) koła
31 IEEE CIS seminarium, Zielona Góra /38 Estymacja rozmiaru martwego obszaru Funkcja dopasowania: 8 6 Φ s (x) = x 2 Populacja poczatkowa: 4 2 P 0 = {x 0 i }η i=1, x0 i = Algorytm: selekcja turniejowa + ISαS Wskaźnik jakości: H(α, σ) - średnia odległość najlepszego osobnika od rozwiazania.
32 IEEE CIS seminarium, Zielona Góra /38 Zdolności eksploatacyjne α = 2.0 α = 1.5 α = 1.0 α = α = 2.0 α = 1.5 α = 1.0 α = 0.5 H(α,σ) 10 2 H(α,σ) σ σ λ = 2 λ = 8
33 IEEE CIS seminarium, Zielona Góra /38 Przekraczanie siodła - właściwości eksploracyjne Populacja poczatkowa: P 0 = {x 0 i }η i=1, x 0 i optimum lokalne Warunek stopu: max x k i P(k){φ(x k i )} > 0.6 Wskaźnik jakości: E(α, σ) - średnia liczba iteracji potrzebna do rozwiazania problemu.
34 IEEE CIS seminarium, Zielona Góra /38 Zdolności eksploracyjne - przekraczanie siodła E(α,σ) E(α,σ) 10 2 α = 2.0 α = 1.5 α = 1.0 α = σ 10 2 α = 2.0 α = 1.5 α = 1.0 α = σ λ = 2 λ = 8
35 IEEE CIS seminarium, Zielona Góra /38 Eksploracja vs. Eksploatacja problem dwukryterialny α = 2.0 α = 1.5 α = 1.0 α = 0.5 P optimum E (α,σ) 10 2 α = 2.0 α = 1.5 α = 1.0 α = 0.5 P optimum E (α,σ) H(α,σ) H(α,σ) λ = 2 λ = 8
36 IEEE CIS seminarium, Zielona Góra /38 Podsumowanie Otrzymane dotychczasowe wyniki badań podważaja dotychczasowa hegemonię mutacji gaussowskiej w stochastycznych algorytmach optymalizacji globalnej. Istnieje możliwość pogodzenia wymagań eksploatacyjnych i eksploracyjnych algorytmów ewolucyjnych stosujac izotropowa mutację α-stabilna.
37 IEEE CIS seminarium, Zielona Góra /38 Aktualne realizowane zagadnienia samoadaptacja parametrów mutacji α-stabilnej: parametr skali σ; indeksu stabilności α; wymuszony kierunek mutacji; samoadaptacja kierunku wymuszenia; zastosowanie w zagadnieniach hyper-multiwymiarowych i środowiskach niestacjonarnych; lokalna selekcja + izotropowa mutacja α-stabilna; mutacja promienia selekcji; zastosowanie w zagadnieniach wielokryterianych i środowiskach niestacjonarnych;
38 IEEE CIS seminarium, Zielona Góra /38 Ważniejsze publikacje Rozkłady Cauchy ego w EA: G. Rudolph, Local convergence rates of simple evolutionary algorithms with Cauchy mutations IEEE TEC, Vol.1, No.4, pp , X. Yao, Y. Liu, Fast evolutionary strategies Contr. Cybern., Vol.26, No.3, pp , 1997; X. Yao, Y. Liu, Evolutionary programming made faster IEEE TEC, Vol.3, No.2, pp , 1999; A. Obuchowicz, Multidimensional mutations in evolutionary algorithms based on real-valued representation, Int. J. System Science, Vol.34, No.7, 2003, pp
39 IEEE CIS seminarium, Zielona Góra /38 Nieizotropowe mutacje α-stabilne w EA; A. Obuchowicz, P. Prętki, Phenotypic Evolution with Mutation Based on Symmetric α-stable Distributions. Int. J. Appl. Math. and Comp. Sci. Vol.14, No.3, pp , 2004; C.Y. Lee, X. Yao, Evolutionary programming using mutations based on the Lévy probability distribution. IEEE TEC Vol.8, No.1, pp.1 13, 2004; Izotropowe mutacje α-stabilne w EA; A. Obuchowicz, P. Prętki, Isotropic Symmetric α-stable Mutations for Evolutionary Algorithms. Proc. IEEE CEC 05, Vol. 1, pp , 2005;
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoStrategie ewolucyjne (ang. evolution strategies)
Strategie ewolucyjne (ang. evolution strategies) 1 2 Szybki przegląd Rozwijane w Niemczech w latach 60-70. Wcześni badacze: I. Rechenberg, H.-P. Schwefel (student Rechenberga). Typowe zastosowanie: Optymalizacja
Bardziej szczegółowoALHE Z11 Jarosław Arabas wykład 11
ALHE Z11 Jarosław Arabas wykład 11 algorytm ewolucyjny inicjuj P 0 {x 1, x 2... x } t 0 while! stop for i 1: if a p c O t,i mutation crossover select P t, k else O t,i mutation select P t,1 P t 1 replacement
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
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 szczegółowoWAE Jarosław Arabas Adaptacja i samoczynna adaptacja parametrów AE Algorytm CMA-ES
WAE Jarosław Arabas Adaptacja i samoczynna adaptacja parametrów AE Algorytm CMA-ES Dynamika mutacyjnego AE Mutacja gaussowska σ=0.1 Wszystkie wygenerowane punkty Wartość średnia jakości punktów populacji
Bardziej szczegółowoRozkłady α-stabilne w ewolucyjnych algorytmach globalnej optymalizacji parametrycznej. Przemysław Prętki
Wydział Informatyki, Elektrotechniki i Telekomunikacji Uniwersytet Zielonogórski Rozkłady α-stabilne w ewolucyjnych algorytmach globalnej optymalizacji parametrycznej Przemysław Prętki Rozprawa doktorska
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoALHE Jarosław Arabas Metaheurystyki w Rn Ewolucja różnicowa EDA CMAES Rój cząstek
ALHE Jarosław Arabas Metaheurystyki w Rn Ewolucja różnicowa EDA CMAES Rój cząstek Metoda przeszukiwania stan adaptacja S0 S1 om : Π X M M inicjacja S2 S4 S8 selekcja I : S U X o s : Π H U X wariacja o
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
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 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 szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD grudnia 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 10 14 grudnia 2009 PARAMETRY POŁOŻENIA Przypomnienie: Model statystyczny pomiaru: wynik pomiaru X = µ + ε 1. ε jest zmienną losową 2. E(ε) = 0 pomiar nieobciążony, pomiar
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 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 szczegółowoPrzegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła
Przegląd metod optymalizacji wielowymiarowej Tomasz M. Gwizdałła 2012.12.06 Funkcja testowa Funkcją testową dla zagadnień rozpatrywanych w ramach tego wykładu będzie funkcja postaci f (x) = (x 1 1) 4 +
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoPEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA
PEWNE FAKTY Z RACHUNKU PRAWDOPODOBIEŃSTWA 1. Trójkę (Ω, F, P ), gdzie Ω, F jest σ-ciałem podzbiorów Ω, a P jest prawdopodobieństwem określonym na F, nazywamy przestrzenią probabilistyczną. 2. Rodzinę F
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoWykład 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 szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej 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 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 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 szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne strategie ewolucyjne Piotr Lipiński Podstawowe algorytmy ewolucyjne Podstawowe algorytmy ewolucyjne algorytmy genetyczne zwykle przestrzeń poszukiwań to {0, 1} d niektóre wersje działają
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowo1 Relacje i odwzorowania
Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X
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 szczegółowoALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ
ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar
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 szczegółowoPrawa wielkich liczb, centralne twierdzenia graniczne
, centralne twierdzenia graniczne Katedra matematyki i ekonomii matematycznej 17 maja 2012, centralne twierdzenia graniczne Rodzaje zbieżności ciągów zmiennych losowych, centralne twierdzenia graniczne
Bardziej szczegółowoO ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE
Ryszard Zieliński, IMPAN Warszawa O ŚREDNIEJ ARYTMETYCZNEJ I MEDIANIE XXXIX Ogólnopolska Konferencja Zastosowań Matematyki Zakopane-Kościelisko 7-14 września 2010 r Model statystyczny pomiaru: wynik pomiaru
Bardziej szczegółowoSzkice do zajęć z Przedmiotu Wyrównawczego
Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................
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 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 szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowo1 Podstawy rachunku prawdopodobieństwa
1 Podstawy rachunku prawdopodobieństwa Dystrybuantą zmiennej losowej X nazywamy prawdopodobieństwo przyjęcia przez zmienną losową X wartości mniejszej od x, tzn. F (x) = P [X < x]. 1. dla zmiennej losowej
Bardziej szczegółowoROZWÓJ ALGORYTMU EWOLUCJI RÓŻNICOWEJ. Konrad Wypchło
ROZWÓJ ALGORYTMU EWOLUCJI RÓŻNICOWEJ Konrad Wypchło Plan prezentacji 2 Elementy klasycznego algorytmu ewolucyjnego Ewolucja różnicowa DMEA i inne modyfikacje Adaptacja zasięgu mutacji (AHDMEA, SaHDMEA)
Bardziej szczegółowoStatystyka. Magdalena Jakubek. kwiecień 2017
Statystyka Magdalena Jakubek kwiecień 2017 1 Nauka nie stara się wyjaśniać, a nawet niemal nie stara się interpretować, zajmuje się ona głównie budową modeli. Model rozumiany jest jako matematyczny twór,
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium Zadanie nr 3 Osada autor: A Gonczarek Celem poniższego zadania jest zrealizowanie fragmentu komputerowego przeciwnika w grze strategiczno-ekonomicznej
Bardziej szczegółowoTwierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych
Publiczna obrona rozprawy doktorskiej Twierdzenia graniczne fluktuacji procesów przebywania dla układów gałazkowych Piotr Miłoś Instytut Matematyczny Polskiej Akademii Nauk 23.10.2008 Warszawa Plan 1 Układy
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
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 szczegółowo6. Zmienne losowe typu ciagłego ( ) Pole trapezu krzywoliniowego
6. Zmienne losowe typu ciagłego (2.04.2007) Pole trapezu krzywoliniowego Przypomnienie: figurę ograniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją ciągłą; proste x = a, x = b, a < b, oś OX
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
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 szczegółowoRóżne rozkłady prawdopodobieństwa
Różne rozłady prawdopodobieństwa. Rozład dwupuntowy D(p). Zmienna losowa ξ ma rozład D(p), jeżeli P p {ξ = 0} = p oraz P p {ξ = } = p. Eξ = p D ξ = p( p). Rozład dwumianowy Bin(n, p). Zmienna losowa ξ
Bardziej szczegółowoRozkłady prawdopodobieństwa
Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 4.03.06 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 05/06 Zmienne losowe, jednowymiarowe rozkłady zmiennych losowych Pomiar jako zdarzenie
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
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 szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
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 szczegółowozadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych
zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych 1. [E.A 5.10.1996/zad.4] Funkcja gęstości dana jest wzorem { 3 x + 2xy + 1 y dla (x y) (0 1) (0 1) 4 4 P (X > 1 2 Y > 1 2 ) wynosi:
Bardziej szczegółowo3. Generacja liczb losowych o różnych rozkładach
3. Generacja liczb losowych o różnych rozkładach 1. Jak uzyskać liczby pseudolosowe za pomocakomputera?[zieliński] nieliniowe sprzężenie zwrotne x k = F(x k 1,x k 2,..., x k q ) Postulaty dotyczace F:
Bardziej szczegółowoLaboratorium nr 7. Zmienne losowe typu skokowego.
Laboratorium nr 7. Zmienne losowe typu skokowego.. Zmienna losowa X ma rozkład dany tabelką: - 0 3 0, 0,3 0, 0,3 0, Naszkicować dystrybuantę zmiennej X. Obliczyć EX oraz VarX.. Zmienna losowa ma rozkład
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 szczegółowoStatystyka. Wydział Zarządzania Uniwersytetu Łódzkiego
Statystyka Wydział Zarządzania Uniwersytetu Łódzkiego 2017 Podstawowe rozkłady zmiennych losowych Rozkłady zmiennych skokowych Rozkład zero-jedynkowy Rozpatrujemy doświadczenie, którego rezultatem może
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 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 szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 4.04.0 r. Zadanie. Przy danej wartości λ parametru ryzyka Λ liczby szkód generowane przez ubezpieczającego się w kolejnych latach to niezależne zmienne losowe o rozkładzie
Bardziej 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 szczegółowoStatystyka w analizie i planowaniu eksperymentu
21 marca 2011 Zmienna losowa - wst ep Przeprowadzane w praktyce badania i eksperymenty maja bardzo różnorodny charakter, niemniej jednak wiaż a sie one z rejestracja jakiś sygna lów (danych). Moga to być
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoPodstawowe rozkłady zmiennych losowych typu dyskretnego
Podstawowe rozkłady zmieych losowych typu dyskretego. Zmiea losowa X ma rozkład jedopuktowy, skocetroway w pukcie x 0 (ozaczay przez δ(x 0 )), jeżeli P (X = x 0 ) =. EX = x 0, V arx = 0. e itx0.. Zmiea
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowo1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
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 szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
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 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 szczegółowo1 Metody rozwiązywania równań nieliniowych. Postawienie problemu
1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie
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 szczegółowoZadania z Rachunku Prawdopodobieństwa III - 1
Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o
Bardziej 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 szczegółowoLista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym
Lista 5 Zadania na zastosowanie nierównosci Markowa i Czebyszewa. Zadanie 1. Niech zmienna losowa X ma rozkład jednostajny na odcinku [0, 1]. Korzystając z nierówności Markowa oszacować od góry prawdopodobieństwo,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoPodstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowo2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.
Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.
Bardziej szczegółowo2. 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 szczegółowoAKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej ROZKŁAD NORMALNY ROZKŁAD GAUSSA
AKADEMIA GÓRNICZO-HUTNICZA Wydział Matematyki Stosowanej KATEDRA MATEMATYKI TEMAT PRACY: ROZKŁAD NORMALNY ROZKŁAD GAUSSA AUTOR: BARBARA MARDOSZ Kraków, styczeń 2008 Spis treści 1 Wprowadzenie 2 2 Definicja
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoStatystyka matematyczna
Statystyka matematyczna Wykład 6 Magdalena Alama-Bućko 8 kwietnia 019 Magdalena Alama-Bućko Statystyka matematyczna 8 kwietnia 019 1 / 1 Rozkłady ciagłe Magdalena Alama-Bućko Statystyka matematyczna 8
Bardziej 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 szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
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 szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoTesty adaptacyjne dla problemu k prób
Instytut Matematyczny Polskiej Akademii Nauk Oddział Wrocław Problem testowania Problem Testowania Weryfikacja hipotezy Notacja Pomocnicza statystyka rangowa Załóżmy, że X l1,..., X lnl, l = 1,..., k,
Bardziej szczegółowo