Analiza Algorytmów. Informatyka, WPPT, Politechnika Wroclawska. 1 Zadania teoretyczne (ćwiczenia) Zadanie 1. Zadanie 2. Zadanie 3

Wielkość: px
Rozpocząć pokaz od strony:

Download "Analiza Algorytmów. Informatyka, WPPT, Politechnika Wroclawska. 1 Zadania teoretyczne (ćwiczenia) Zadanie 1. Zadanie 2. Zadanie 3"

Transkrypt

1 Analiza Algorytmów Informatyka, WPPT, Politechnika Wroclawska 1 Zadania teoretyczne (ćwiczenia) Zadanie 1 Niech k będzie dodatnią liczbą całkowitą. Rozważ następującą zmienną losową Pr[X = k] = (6/π 2 )k 2. Ponieważ k=1 k 2 = π 2 /6 więc X jest zmienną losową. Jaka jest jej wartość oczekiwana? Zadanie 2 Udowodnij, że Var(aX + b) = a 2 Var(X), gdzie a, b - stałe, X - zmienna losowa. Zadanie 3 Niech a 1, a 2,..., a n będzie losową permutacją elementów {1, 2,..., n}. Podczas sortowania listy a 1, a 2,..., a n, element a i jest przesuwany o odległość a i i ze swojej pozycji do pozycji posortowanej. Oblicz oczekiwaną całkowitą odległość, o którą elementy są przesuwane [ n ] E a i i. Zadanie 4 Niech a, b będą dodatnimi liczbami całkowitymi. Korzystając z tożsamości 1 0 xa 1 (1 x) b 1 = ( a ( )) a+b 1 1 a pokaż, że ( ) n n 1 i i 0 ( ( i x n 1 )) 2 x i 1 (1 x) n i dx = Θ(1). 2n 1

2 dla dużych n. Aby przyśpieszyć rachunki możesz wykonać obliczenia symboliczne w pakiecie matematycznym. Zadanie 5 Niech X będzie dyskretną dodatnią zmienną losową. Pokaż, że E[X] = m 0 Pr[X > m], E[X 2 ] = m 0 Pr[X > m](2m + 1). Spróbuj uogólnić wzory na dowolny (k + 1) moment zmiennej losowej X i pokaż, że E[X k+1 ] = m 0 Pr[X > m] k i=0 (m + 1) k i m i. Rozwiąż rekurencję Zadanie 6 na n = (n + 1)a n 1 + 2n, dla n > 0, a 0 = 0. Rozwiąż rekurencję A n = A n 1 2A n 1 n * Zadanie 7 ( A n 1 n ), dla n > 0, A 0 = 0. Zadanie 8 Niech r będzie stałą. Udowodnij, że ( ) n = nr r r! + O(nr 1 ), ( ) n + r r = nr r! + O(nr 1 ). Udowodnij, że n! (n k)!n = k e ( k 2 2n 1 + O Zadanie 9 ( ) k + O n ( )) k 3, dla k = o(n 2/3 ) n 2 Zadanie 10 Udowodnij, że dla dowolnych k, n N n! (n k)!n k(k 1) k e 2n. 2

3 Niech ɛ > 0. Pokaż, że dla k = Θ(n 1/2+ɛ n! ) funkcja mała. Pokaż, że n k=0 * Zadanie 11 (n k)!n k n! πn (n k)!n = k 2 + O(1). jest ekspotencjalnie Zadanie 12 Rozważmy zdarzenie że do każdej urny wpadnie dokładnie jedna kula gdy wrzucamy losowo n kul do n urn. Oblicz dokładne prawdopodobieństwo tego zdarzenia, a następnie znajdz górne oszacowanie przy użyciu aproksymacji Poissona. Zadanie 13 Niech urny będą ponumerowane od 0 do n 1. Rozważamy log 2 (n) graczy. Każdy z graczy losowo wybiera startową lokację l jednostajnie w zbiorze {0, 1, 2,... n 1} i następnie wrzuca dokładnie jedną kulę do każdej urny l mod n, l + 1 mod n,..., + n/ log 2 (n) 1 mod n. Pokaż, że maksymalne załadowanie jest O(log log n/ log log log n) z prawdopodobieństwem 1 jak n. Zadanie 14 Udowodnij następującą wersję wzoru o częściowym sumowaniu b k=a+1 x k (y k y k 1 ) = x b y b x a y a b k=a+1 Zastosuj udowodniony wzór do pokazania tożsamości nk=1 k2 k = (n 1)2 n Zadanie 15 (x k x k 1 )y k 1. Niech X 1,..., X n będą kolekcją n niezależnych zmiennych losowych takich, że Pr(X i = 1) = Pr(X i = 1) = 1. Niech X = n 2 X i. Udowodnij następującą nierówność Chernoff a: dla dowolnego a > 0 zachodzi Pr(X a) e a2 2n. Wsk. Skorzystaj z nierówności 1 2 et e t e t2 /2. 3

4 Zadanie 16 Niech X będzie zmienną losową Poissona z parametrem µ Pokaż, że zachodzą następujące nierówności Chernoff a. Dla x > µ mamy Pr(X x) e µ (eµ) x x x. Dla x < µ mamy Pr(X x) e µ (eµ) x x x. Zadanie 17 Punkt stały permutacji π : {1, 2,..., n} {1, 2,..., n} to taka wartość, że zachodzi równość π(x) = x. Znajdz wariancję liczby punktów stałych permutacji wybieranych jednostajnie i losowo ze wszystkich permutacji. Zadanie 18 Rozważmy Algorytm A randomizacyjny rozwiązujący problem Π, który dla danych rozmiaru n ma czas działania T (n). Ponadto wiadomo, że algorytm A daje poprawny wynik z prawdopodobieństwem γ(n). Pokaż, że następujący algorytm randomizacyjny daje zawsze poprawny wynik i ma oczekiwany czas działania T (n)+t(n), gdzie t(n) to czas potrzebny na sprawdzenie poprawności algorytmu. γ(n) repeat Wykonuj Algorytm A until poprawny wynik Zadanie 19 Zastosuj wzór sumacyjny Eulera do wyliczenia sum n k=1 k 2, n k=1 k 3. Wsk. Skorzystaj z następującej formy wzoru Eulera b b f(a) + f(b) m B 2i f(k) = f(x)dx + + k=a a 2 (2i)! f (2i 1) (x) b a + R m, gdzie R m 4 (2π) 2m b a f (2m) (x) dx. Zadanie 20 Stosując wzór sumacyjny Eulera znajdz asymptotykę sum n 1 k=1, n k 2 k=1 k do rzędu O(1/n 2 ). Wsk. Zastosuj następujący wzór Eulera n n f(k) = k=1 1 gdzie R m = O ( N f(x)dx + f(n) 2 + C f + m B 2i (2i)! f (2i 1) (n) + R m, f (2m) (x) dx ), C f = lim n ( nk=1 f(k) n 1 f(x)dx 1 2 f(n)). 4

5 2 Zadania programistyczne (laboratoria) Zadania na laboratorium można zrealizować w dowolnym języku programowania na przykład Wolfram Mathematica czy Julia (julialang.org). Zadanie 1 Napisz generator losowy dla rozkładu geometrycznego. Zadanie 2 Napisz generator losowy dla rozkładu Poissona. Zadanie 3 Niech a 1, a 2,..., a n będzie losową permutacją elementów {1, 2,..., n}. Podczas sortowania listy a 1, a 2,..., a n, element a i jest przesuwany o odległość a i i ze swojej pozycji do pozycji posortowanej. Zbadaj eksperymentalnie oczekiwaną całkowitą odległość, o którą elementy są przesuwane [ n ] E a i i. Na podstawie eksperymentów spróbuj postawić rozsądną hipotezę o oczekiwanej całkowitej odległości. Wskazówka: Aby uniknąć kosztownego generowania permutacji możesz wykorzystać linowość wartości oczekiwanej E [ n a i i ] = n E [ a i i ]. Zadanie 4 Wrzucamy n mobilnych sensorów jednostajnie i niezależnie w sposób losowy do jednostkowego odcinka. Niech a 1, a 2,..., a n będą posortowanymi pozycjami sensorów. Zbadaj eksperymentalnie oczekiwaną całkowitą odległość pokonywaną przez mobilne sensory [ n ( E i a i n 1 ) ]. 2n Program powinien generować posortowane losowe ciągi zadanej długości n. Dla każdego n [10, 5000] z krokiem np. co 100 wykonaj k krotne losowanie (np k=32 razy) i oblicz całkowitą odległość pokonywaną przez mobilne sensory. Dane eksperymentalne umieść na wykresie wraz z wykresami funkcji f(n) = 0.1 n, g(n) = 0.5 n. Teoretyczny wynik to π 4 2 n 0.31 n. Zadanie 5 5

6 Wrzucamy jednostajnie i niezależnie w sposób losowy punkty do koła jednostkowego x 2 + y 2 1. Napisz generator losowy dla tego procesu. Zadanie 6 Zbadaj eksperymentalnie oczekiwany czas działania dla algorytmu Random Quick Sort dla danych rozmiaru n [10, 1000]. Program powinien generować losowe ciągi dla zadanej długości z rozkładem jednostajnym. Wykonaj odpowiednią liczbę eksperymentów dla każdego n i oblicz oczekiwaną wartość oczekiwaną. Dane eksperymentalne umieść na wykresie i porównaj z teoretycznym wynikiem. Za pivot możesz wybrać środek tablicy. Zadanie 7 Zbadaj eksperymentalnie oczekiwany czas działania algorytmu Merge Sort. Zadanie 8 Rozważmy równanie rekurencyjne C N = C N/2 + C N/2 + N dla N > 1, C 1 = 1. Poszukujemy rozwiązań równania w postaci C N = N ln N + Nα(N). Zbadaj eksperymentalnie α(n). Zadanie 9 Wrzucamy n kul do n urn w następujący sposób: dla każdej kuli wybieramy jedną urnę losowo, niezależnie i z rozkładem jednostajnym. Zbadaj eksperymentalnie Max-Load liczbę kul w urnie, do której trafiło najwięcej kul. Zadanie 10 Niech a bedzie ustaloną małą liczbą naturalną. Rozważamy n urn i w każdej z urn mamy na początku a kul. Zatem w systemie jest na kul. Wyciągamy w sposób losowy, niezależny i jednostajny kule z urn. W każdym kroku wybieramy losowo urnę, z której wyciągamy kulę. Podczas realizacji tego procesu w pewnym momencie pojawi się pierwsza pusta urn. Zbadaj eksperymentalnie moment pojawienia się pustej urny. Eksperymenty przeprowadz dla dużych n i małych a 2, 3, 4, 5. Porównaj wyniki eksperymentalne z teoretycznym wynikiem, że oczekiwany moment pojawienia się pustej urny jest ( aγ ) ( ) n a + O. a n 1/a Zadanie 11 6

7 Zbadaj eksperymentalnie problem kolekcjonowania kuponów. Przeprowadz analizę wartości oczekiwanej i wariancji. Zadanie 12 Sensory to n niezależnych, jednostajnych o jednakowym rozkładzie zmiennych losowych na odcinku [0, 1]. Niech X 1, X 2,..., X n będą posortowanymi pozycjami sensorów na odcinku [0, 1]. Zakres sensora X i to max{x i X i 1, X i+1 X i }, przyjmujemy X 0 = 0, X n+1 = 1. Interferencja dla rozważanego sensora to liczba innych sensorów, które należą do zakresu rozważanego sensora. Zbadaj eksperymentalnie oczekiwaną maksymalną interferencję między sensorami na odcinku. W tym celu wygeneruj k razy n losowych sensorów. Dla każdego k wyznacz maksymalną interferencję a następnie wyznacz średnią z k eksperymentów. Teoretyczny wynik: oczekiwana maksymalna interferencja jest Ω (ln ln n) i dla dowolnego ɛ > 0 jest O ( (ln n) 1/2+ɛ). Zadanie 13 Zaimplementuj algorytm wyboru lidera dla n stacji na podstawie H.Prodinger How to select a loser. Zbadaj eksperymentalnie oczekiwana liczbę rund algorytmu. Teoretyczny wynik to log 2 (n). Zadanie 14 Zaimplementuj nastepujący algorytm z pracy P.Berenbrink, K.Khodamoradi, T.Sauerwald, A.Stauffer Balls-into-Bins with Nearly Optimal Load Distribution. for each ball i from 1 to m do repeat Choose a bin j independently and uniformly at random from {1, 2,..., n} if load of bin j is stricly less than i/n + 1 then place ball i into bin j until the ball is placed end for Zbadaj eksperymentalnie oczekiwany czas alokacji, czyli oczekiwaną liczbę urn, które należy użyć do załadowania m kul. Teoretyczne oszacowanie z góry jest rzędu m + O(m 3/4 n 1/4 ). 7

8 Za każde zadanie z laboratorium można otrzymać 1 pkt. Ocena końcowa z laboratorium jest na podstawie punktów: 6,7 pkt dst, 8 pkt dst+, 9,10 pkt db, 11 pkt db+, 12, 13, 14 pkt bdb. Na egzaminie będzie do rozwiązania 5 zadań. Za każde zadanie będzie można otrzymać 1 pkt. Poziom wymagań na ocenę dostateczną 2pkt, dobrą 3 pkt, bardzo dobrą 4pkt. Zadania egzaminacyjne będą bardzo podobne do zadań przerobionych na ćwiczeniach. Można korzystać z własnych notatek. 8

Rekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie:

Rekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: Rekurencje Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: T(n) = Θ(1) (dla n = 1) T(n) = 2 T(n/2) + Θ(n) (dla n

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje

Bardziej szczegółowo

Wersja testu A 18 czerwca 2012 r. x 2 +x dx

Wersja testu A 18 czerwca 2012 r. x 2 +x dx 1. Funkcja f : R R jest różniczkowalna na całej prostej, a ponadto dla każdej liczby rzeczywistej x zachodzi nierówność f x

Bardziej szczegółowo

i=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 =

i=7 X i. Zachodzi EX i = P(X i = 1) = 1 2, i {1, 2,..., 11} oraz EX ix j = P(X i = 1, X j = 1) = 1 7 VarS 2 2 = 14 3 ( 5 2 = Kombinatoryka W tej serii zadań można znaleźć pojawiające się na egzaminach zadania dotyczące problemu wyznaczania prostych parametrów rozkładu w przypadku zgadnień kombinatorycznych. Zadania te wymagają

Bardziej szczegółowo

Ćwiczenia 7 - Zmienna losowa i jej rozkład. Parametry rozkładu.

Ćwiczenia 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 szczegółowo

Zestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) =

Zestaw 2: Zmienne losowe. 0, x < 1, 2, 2 x, 1 1 x, 1 x, F 9 (x) = Zestaw : Zmienne losowe. Które z poniższych funkcji są dystrybuantami? Odpowiedź uzasadnij. Wskazówka: naszkicuj wykres. 0, x 0,, x 0, F (x) = x, F (x) = x, 0 x

Bardziej szczegółowo

Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych

Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych Plan laboratorium Generatory liczb pseudolosowych dla rozkładów dyskretnych: Generator liczb o rozkładzie równomiernym Generator

Bardziej szczegółowo

Analiza Matematyczna I

Analiza Matematyczna I Analiza Matematyczna I Informatyka, WPPT, Politechnika Wrocławska Wprowadzenie (2 godziny ćwiczeń) Pokaż, że dla dowolnych liczb rzeczywistych a i b zachodzą nierówności:. a b = a b, 2. a + b a + b, 3.

Bardziej szczegółowo

12DRAP - parametry rozkładów wielowymiarowych

12DRAP - parametry rozkładów wielowymiarowych DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony

Bardziej szczegółowo

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85

Bardziej szczegółowo

Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa

Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa Ćwiczenia z metodyki nauczania rachunku prawdopodobieństwa 25 marca 209 Zadanie. W urnie jest b kul białych i c kul czarnych. Losujemy n kul bez zwracania. Jakie jest prawdopodobieństwo, że pierwsza kula

Bardziej szczegółowo

Podstawy Informatyki. Sprawność algorytmów

Podstawy Informatyki. Sprawność algorytmów Podstawy Informatyki Sprawność algorytmów Sprawność algorytmów Kryteria oceny oszczędności Miara złożoności rozmiaru pamięci (złożoność pamięciowa): Liczba zmiennych + liczba i rozmiar struktur danych

Bardziej szczegółowo

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p.

Kwantyle. Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p. , że. Możemy go obliczyć z dystrybuanty: P(X x p. Kwantyle Kwantyl rzędu p rozkładu prawdopodobieństwa to taka liczba x p, że P(X x p ) p P(X x p ) 1 p Możemy go obliczyć z dystrybuanty: Jeżeli F(x p ) = p, to x p jest kwantylem rzędu p Jeżeli F(x p )

Bardziej szczegółowo

DODATKOWA PULA ZADAŃ DO EGZAMINU. Rozważmy ciąg zdefiniowany tak: s 0 = a. s n+1 = 2s n +b (dla n=0,1,2 ) Pokaż, że s n = 2 n a +(2 n =1)b

DODATKOWA PULA ZADAŃ DO EGZAMINU. Rozważmy ciąg zdefiniowany tak: s 0 = a. s n+1 = 2s n +b (dla n=0,1,2 ) Pokaż, że s n = 2 n a +(2 n =1)b DODATKOWA PULA ZADAŃ DO EGZAMINU Rozważmy ciąg zdefiniowany tak: s 0 = a s n+1 = 2s n +b (dla n=0,1,2 ) Pokaż, że s n = 2 n a +(2 n =1)b Udowodnij, że liczba postaci 5 n+1 +2 3 n +1 jest podzielna przez

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach. x i 0,

EGZAMIN MAGISTERSKI, Matematyka w ekonomii i ubezpieczeniach. x i 0, Matematyka w ekonomii i ubezpieczeniach Wiedząc, że wektor x 0 = (0,3,0,0,4) jest rozwiązaniem optymalnym zagadnienia programowania liniowego: zminimalizować 3x 1 +2x 2 +5x 3 +3x 4 +4x 5, przy ograniczeniach

Bardziej szczegółowo

ćwiczenia z rachunku prawdopodobieństwa

ćwiczenia z rachunku prawdopodobieństwa ćwiczenia z rachunku prawdopodobieństwa 9.10.2010 ogólna definicja prawdopodobieństwa, własności 1. Niech Ω = [0, 1] oraz niech Σ będzie pewną σ-algebrą podzbiorów odcinka [0, 1]. Udowodnić, że funkcja

Bardziej szczegółowo

Laboratorium nr 7. Zmienne losowe typu skokowego.

Laboratorium 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 szczegółowo

Ile potrzeba matematyki, żeby zrozumieć prosty algorytm?

Ile potrzeba matematyki, żeby zrozumieć prosty algorytm? Ile potrzeba matematyki, żeby zrozumieć prosty algorytm? Marek Klonowski Marek.Klonowski@pwr.edu.pl Katedra Informatyki Wydział Podstawowych Problemów Techniki Politechnika Wrocławska 2 grudnia 2016 r.

Bardziej szczegółowo

Generowanie liczb o zadanym rozkładzie. ln(1 F (y) λ

Generowanie liczb o zadanym rozkładzie. ln(1 F (y) λ Wprowadzenie Generowanie liczb o zadanym rozkładzie Generowanie liczb o zadanym rozkładzie wejście X U(0, 1) wyjście Y z zadanego rozkładu F (y) = 1 e λy y = ln(1 F (y) λ = ln(1 0,1563 0, 5 0,34 Wprowadzenie

Bardziej szczegółowo

Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń

Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń Agata Boratyńska Ćwiczenia z rachunku prawdopodobieństwa 1 Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń UWAGA:

Bardziej szczegółowo

zadania z rachunku prawdopodobieństwa zapożyczone z egzaminów aktuarialnych

zadania 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 szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze

Bardziej szczegółowo

Metody probabilistyczne

Metody probabilistyczne Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,

Bardziej szczegółowo

Analiza Algorytmów 2018/2019 (zadania na laboratorium)

Analiza Algorytmów 2018/2019 (zadania na laboratorium) Analiza Algorytmów 2018/2019 (zadania na laboratorium) Wybór lidera (do 9 III) Zadanie 1 W dowolnym języku programowania zaimplementuj symulator umożliwiający przetestowanie algorytmu wyboru lidera ELECT

Bardziej szczegółowo

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014 Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka

Rachunek prawdopodobieństwa i statystyka Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk

Bardziej szczegółowo

P (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A)

P (A B) = P (A), P (B) = P (A), skąd P (A B) = P (A) P (B). P (A) Wykład 3 Niezależność zdarzeń, schemat Bernoulliego Kiedy dwa zdarzenia są niezależne? Gdy wiedza o tym, czy B zaszło, czy nie, NIE MA WPŁYWU na oszacowanie prawdopodobieństwa zdarzenia A: P (A B) = P

Bardziej szczegółowo

Lista 1. Procesy o przyrostach niezależnych.

Lista 1. Procesy o przyrostach niezależnych. Lista. Procesy o przyrostach niezależnych.. Niech N t bedzie procesem Poissona o intensywnoci λ = 2. Obliczyć a) P (N 2 < 3, b) P (N =, N 3 = 6), c) P (N 2 = N 5 = 2), d) P (N =, N 2 = 3, N 4 < 5), e)

Bardziej szczegółowo

Funkcja tworząca Funkcja charakterystyczna. Definicja i własności Funkcja tworząca momenty

Funkcja tworząca Funkcja charakterystyczna. Definicja i własności Funkcja tworząca momenty momenty Oprócz omówionych już do tej pory charakterystyk rozkładów bardzo wygodnym i skutecznym narzędziem badanie zmiennej losowej są tzw. transformaty jej rozkładu: funkcje tworzące i funkcje charakterystyczne.

Bardziej szczegółowo

Zadania do samodzielnego rozwiązania

Zadania do samodzielnego rozwiązania Zadania do samodzielnego rozwiązania I. Podzielność liczb całkowitych 1. Pewna liczba sześciocyfrowa a kończy się cyfrą 5. Jeśli tę cyfrę przestawimy na miejsce pierwsze ze strony lewej, to otrzymamy nową

Bardziej szczegółowo

02DRAP - Aksjomatyczna definicja prawdopodobieństwa, zasada w-w

02DRAP - Aksjomatyczna definicja prawdopodobieństwa, zasada w-w 02DRAP - Aksjomatyczna definicja prawdopodobieństwa, zasada w-w A Zadania na ćwiczenia Zadanie A.1. Niech Ω = R oraz F będzie σ-ciałem generowanym przez rodzinę wszystkich przedziałów otwartych typu (,

Bardziej szczegółowo

Zadania zestaw 1: Zadania zestaw 2

Zadania zestaw 1: Zadania zestaw 2 Zadania zestaw 1: Zadania zestaw 2 Zadania zestaw 3. 1 Rozkład zmiennej losowej skokowej X przedstawia tabela. x i m 0 n p i 0,4 0,3 0,3 a) Wyznacz m i n jeśli: są całkowite, m

Bardziej szczegółowo

Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 2

Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 2 Rachunek prawdopodobieństwa (Elektronika, studia niestacjonarne) Wykład 2 Przygotowując wykład korzystam głównie z książki Jakubowski, Sztencel Wstęp do teorii prawdopodobieństwa. Prawdopodobieństwo geometryczne

Bardziej szczegółowo

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1

Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład 1 Pojęcie szeregu nieskończonego:zastosowania do rachunku prawdopodobieństwa wykład dr Mariusz Grządziel 5 lutego 04 Paradoks Zenona z Elei wersja uwspółcześniona Zenek goni Andrzeja; prędkość Andrzeja:

Bardziej szczegółowo

Elektrotechnika II [ Laboratorium Grupa 1 ] 2016/2017 Zimowy. [ Laboratorium Grupa 2 ] 2016/2017 Zimowy

Elektrotechnika II [ Laboratorium Grupa 1 ] 2016/2017 Zimowy. [ Laboratorium Grupa 2 ] 2016/2017 Zimowy Elektrotechnika II [ Laboratorium Grupa ] 206/207 Zimowy Lp Numer indeksu Pkt Kol Suma Popr Ocena Data Uwagi 97574 6 7 Db + 2 9758 ++0,9 5 7,9 Db + 3 99555 0,9+0,9 2,8 Dst + 4 97595 0,8++ 0 2,8 Dst + 5

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA

STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;

Bardziej szczegółowo

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

1 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 szczegółowo

WYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

WYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy

Bardziej szczegółowo

Lista 5. Zadanie 3. Zmienne losowe X i (i = 1, 2, 3, 4) są niezależne o tym samym

Lista 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 szczegółowo

Zadanie 2. Wiadomo, że A, B i C są trzema zdarzeniami losowymi takimi, że P (A) = 2/5, P (B A) = 1/4, P (C A B) = 0.5, P (A B) = 6/10, P (C B) = 1/3.

Zadanie 2. Wiadomo, że A, B i C są trzema zdarzeniami losowymi takimi, że P (A) = 2/5, P (B A) = 1/4, P (C A B) = 0.5, P (A B) = 6/10, P (C B) = 1/3. Zadanie 1. O zdarzeniach A, B, C z pewnej przestrzeni uzyskaliśmy informacje, iż P (A B C) = 0.6, P (B A C) = 0.3 oraz P (C A B) = 0.9. Obliczyć P [A B C (A B) (A C) (B C)]. Odp. 9/37 Zadanie 2. Wiadomo,

Bardziej szczegółowo

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k = Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,

Bardziej szczegółowo

Lista 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 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 szczegółowo

a. zbiór wszystkich potasowań talii kart (w którym S dostaje 13 pierwszych kart, W - 13 kolejnych itd.);

a. zbiór wszystkich potasowań talii kart (w którym S dostaje 13 pierwszych kart, W - 13 kolejnych itd.); 03DRAP - Przykłady przestrzeni probabilistycznych A Zadania na ćwiczenia Zadanie A1 (wskazówka: pierwsze ćwicznia i rozdział 23 przykł 1 i 2) Zbuduj model przestrzeni klasycznej (czyli takiej, w której

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których

Bardziej szczegółowo

Teoretyczne podstawy informatyki

Teoretyczne podstawy informatyki Teoretyczne podstawy informatyki Wykład 4a: Rozwiązywanie rekurencji http://kiwi.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Czas działania programu Dla konkretnych

Bardziej szczegółowo

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty

WYKŁADY 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 szczegółowo

Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń

Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń Agata Boratyńska Ćwiczenia z rachunku prawdopodobieństwa 1 Ćwiczenia 1. Klasyczna definicja prawdopodobieństwa, prawdopodobieństwo geometryczne, własności prawdopodobieństwa, wzór włączeń i wyłączeń UWAGA:

Bardziej szczegółowo

Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap

Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody

Bardziej szczegółowo

Kurs do wyboru Wstęp do analizy algorytmów Instytut Matematyki i Informatyki UO 2011/2012

Kurs do wyboru Wstęp do analizy algorytmów Instytut Matematyki i Informatyki UO 2011/2012 dr Przemysław Szczepaniak Kurs do wyboru Wstęp do analizy algorytmów Instytut Matematyki i Informatyki UO 2011/2012 ZLICZANIE 1.ZmiastaAdomiastaBprowadzipięćdróg.Ilomasposobamimożnaodbyćpodróż A B Apodwarunkiem,żeniemożnawracaćtąsamądrogą?

Bardziej szczegółowo

07DRAP - Zmienne losowe: dyskretne i ciągłe

07DRAP - Zmienne losowe: dyskretne i ciągłe 07DRAP - Zmienne losowe: dyskretne i ciągłe Słynne rozkłady dyskretne Rozkład parametry P (X = k dla k = E(X Var(X uwagi ( dwumianowy n, p n k p k ( p n k 0,,, n np np( p liczba sukcesów w n próbach Bernoulliego

Bardziej szczegółowo

Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON.

Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON. Propozycje rozwiązań zadań otwartych z próbnej matury rozszerzonej przygotowanej przez OPERON. Zadanie 6. Dane są punkty A=(5; 2); B=(1; -3); C=(-2; -8). Oblicz odległość punktu A od prostej l przechodzącej

Bardziej szczegółowo

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami: Pr(X 1 = 0) = 6/10, Pr(X 1 = 1) = 1/10, i gęstością: f(x) = 3/10 na przedziale (0, 1). Wobec tego Pr(X 1 + X 2 5/3) wynosi:

Bardziej szczegółowo

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x 1, x 2,...}, to mówimy, że jest to zmienna dyskretna. Wykład 4 Rozkłady i ich dystrybuanty Dwa typy zmiennych losowych Jeśli wszystkie wartości, jakie może przyjmować zmienna można wypisać w postaci ciągu {x, x 2,...}, to mówimy, że jest to zmienna dyskretna.

Bardziej szczegółowo

Ćwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II

Ćwiczenia: Ukryte procesy Markowa lista 1 kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II Ćwiczenia: Ukryte procesy Markowa lista kierunek: matematyka, specjalność: analiza danych i modelowanie, studia II dr Jarosław Kotowicz Zadanie. Dany jest łańcuch Markowa, który może przyjmować wartości,,...,

Bardziej szczegółowo

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa

WYKŁADY 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 szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych..00 r. Zadanie. Proces szkód w pewnym ubezpieczeniu jest złożonym procesem Poissona z oczekiwaną liczbą szkód w ciągu roku równą λ i rozkładem wartości szkody o dystrybuancie

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 80...... Zadanie 1. (8 punktów) Załóżmy, że w diploidalnej populacji kojarzącej się w sposób losowy, w loci o dwóch allelach A i a 36% osobników tej populacji ma genotyp aa. (a) Jaka cześć

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka Biomatematyka Rozpatrzmy chorobę, która rozprzestrzenia się za pośrednictwem nosicieli, u których nie występują jej symptomy. Niech C(t) oznacza liczbę nosicieli w chwili t. Zakładamy, że nosiciele są

Bardziej szczegółowo

Matematyka dyskretna. Andrzej Łachwa, UJ, /14

Matematyka dyskretna. Andrzej Łachwa, UJ, /14 Matematyka dyskretna Andrzej Łachwa, UJ, 2016 andrzej.lachwa@uj.edu.pl 6/14 Sumy Oto dwie konwencje zapisu skończonych sum wyrazów: (notacja Sigma, Fourier, 1820) Czasami stosowana jest ogólniejsza notacja,

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 3 ZADANIA - ZESTAW 3 ZADANIA - ZESTAW 3 Zadanie 3. L Prawdopodobieństwo trafienia celu w jednym strzale wynosi 0,6. Do celu oddano niezależnie 0 strzałów. Oblicz prawdopodobieństwo, że cel został trafiony: a) jeden raz, b)

Bardziej szczegółowo

rachunek prawdopodobieństwa - zadania

rachunek prawdopodobieństwa - zadania rachunek prawdopodobieństwa - zadania ogólna definicja prawdopodobieństwa, własności - 9.10.2011 1. (d, 1pkt) Udowodnić twierdzenie 2 tj. własności prawdopodobieństwa (W1)-(W7). 2. Niech Ω = [0, 1] oraz

Bardziej szczegółowo

Zadanie 1. są niezależne i mają rozkład z atomami: ( ),

Zadanie 1. są niezależne i mają rozkład z atomami: ( ), Zadanie. Zmienne losowe są niezależne i mają rozkład z atomami: ( ) ( ) i gęstością: ( ) na przedziale ( ). Wobec tego ( ) wynosi: (A) 0.2295 (B) 0.2403 (C) 0.2457 (D) 0.25 (E) 0.269 Zadanie 2. Niech:

Bardziej szczegółowo

a. zbiór wszystkich potasowań talii kart (w którym S dostaje 13 pierwszych kart, W - 13 kolejnych itd.);

a. zbiór wszystkich potasowań talii kart (w którym S dostaje 13 pierwszych kart, W - 13 kolejnych itd.); 03DRAP - Przykłady przestrzeni probabilistycznych Definicja 1 Przestrzeń probabilistyczna to trójka (Ω, F, P), gdzie Ω zbiór zdarzeń elementarnych, F σ ciało zdarzeń (podzbiorów Ω), P funkcja prawdopodobieństwa/miara

Bardziej szczegółowo

Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki

Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe

Bardziej szczegółowo

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach:

N ma rozkład Poissona z wartością oczekiwaną równą 100 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: Zadanie. O niezależnych zmiennych losowych N, M M, M 2, 3 wiemy, że: N ma rozkład Poissona z wartością oczekiwaną równą 00 M, M M mają ten sam rozkład dwupunktowy o prawdopodobieństwach: 2, 3 Pr( M = )

Bardziej szczegółowo

Algorytmy i Struktury Danych, 2. ćwiczenia

Algorytmy i Struktury Danych, 2. ćwiczenia Algorytmy i Struktury Danych, 2. ćwiczenia 2017-10-13 Spis treści 1 Optymalne sortowanie 5 ciu elementów 1 2 Sortowanie metodą Shella 2 3 Przesunięcie cykliczne tablicy 3 4 Scalanie w miejscu dla ciągów

Bardziej szczegółowo

Obliczenia iteracyjne

Obliczenia iteracyjne Lekcja Strona z Obliczenia iteracyjne Zmienne iteracyjne (wyliczeniowe) Obliczenia iteracyjne wymagają zdefiniowania specjalnej zmiennej nazywanej iteracyjną lub wyliczeniową. Zmienną iteracyjną od zwykłej

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 90...... Zadanie 1. (8 punktów) Załóżmy, że w diploidalnej populacji, dla której zachodzi prawo Hardy ego- Weinberga dla loci o dwóch allelach A i a proporcja osobników o genotypie AA wynosi

Bardziej szczegółowo

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe

Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe Rachunek prawdopodobieństwa Rozdział 4. Zmienne losowe 4.1. Zmienne losowe dyskretne. Katarzyna Rybarczyk-Krzywdzińska Definicja/Rozkład Zmienne losowe dyskretne Definicja Zmienną losową, która skupiona

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo 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 szczegółowo

Rachunek prawdopodobieństwa 1B; zadania egzaminacyjne.

Rachunek prawdopodobieństwa 1B; zadania egzaminacyjne. Rachunek prawdopodobieństwa B; zadania egzaminacyjne.. Niech µ będzie rozkładem probabilistycznym na (0, ) (0, ): µ(b) = l({x (0,) : (x, x) B}), dla B B((0, ) (0, ))), gdzie l jest miarą Lebesgue a na

Bardziej szczegółowo

Laboratorium nr 1. i 2.

Laboratorium nr 1. i 2. Laboratorium nr 1. i 2. Celem laboratorium jest zapoznanie się ze zintegrowanym środowiskiem programistycznym, na przykładzie podstawowych aplikacji z obsługą standardowego wejścia wyjścia, podstawowych

Bardziej szczegółowo

Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1

Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1 Przykładowe zadania na egzamin z matematyki - dr Anita Tlałka - 1 Zadania rozwiązywane na wykładzie Zadania rozwiązywane na ćwiczeniach Przy rozwiązywaniu zadań najistotniejsze jest wykazanie się rozumieniem

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Zmienne losowe ciągłe i ich rozkłady

Zmienne 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 szczegółowo

Technologie informacyjne Wykład VII-IX

Technologie informacyjne Wykład VII-IX Technologie informacyjne -IX A. Matuszak 19 marca 2013 A. Matuszak Technologie informacyjne -IX Rekurencja A. Matuszak (2) Technologie informacyjne -IX Gotowanie jajek na miękko weż czysty garnek włóż

Bardziej szczegółowo

Ważne rozkłady i twierdzenia

Ważne rozkłady i twierdzenia Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne

Bardziej szczegółowo

Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki. Graniczne własności łańcuchów Markowa

Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki. Graniczne własności łańcuchów Markowa Zbigniew S. Szewczak Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Graniczne własności łańcuchów Markowa Toruń, 2003 Co to jest łańcuch Markowa? Każdy skończony, jednorodny łańcuch Markowa

Bardziej szczegółowo

5.Dzienne zużycie energii (1=100kWh) pewnej firmy jest zmienną losową. 0, gdy x 0 lub x 3

5.Dzienne zużycie energii (1=100kWh) pewnej firmy jest zmienną losową. 0, gdy x 0 lub x 3 LISTA 4 1.Liczba komputerów, które mogą być zarażone wirusem poprzez pewną sieć ma rozkład Poissona z parametrem λ = 7. Prawdopodobieństwo,że wirus uaktywni się w zarażonym komputerze wynosi p. Jakie jest

Bardziej szczegółowo

TEORETYCZNE PODSTAWY INFORMATYKI

TEORETYCZNE PODSTAWY INFORMATYKI 1 TEORETYCZNE PODSTAWY INFORMATYKI 16/01/2017 WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Repetytorium złożoność obliczeniowa 2 Złożoność obliczeniowa Notacja wielkie 0 Notacja Ω i Θ Rozwiązywanie

Bardziej szczegółowo

ARKUSZ PRÓBNEJ MATURY Z OPERONEM MATEMATYKA

ARKUSZ PRÓBNEJ MATURY Z OPERONEM MATEMATYKA Miejsce na identyfikację szkoły ARKUSZ PRÓBNEJ MATURY Z OPERONEM MATEMATYKA Instrukcja dla zdającego POZIOM ROZSZERZONY Czas pracy: 180 minut 1. Sprawdź, czy arkusz egzaminacyjny zawiera 16 stron (zadania

Bardziej szczegółowo

Wstęp do programowania

Wstęp do programowania Wstęp do programowania Złożoność obliczeniowa, poprawność programów Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XII Jesień 2013 1 / 20 Złożoność obliczeniowa Problem Ile czasu

Bardziej szczegółowo

PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek

PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów

Bardziej szczegółowo

Najczęściej spotykane rozkłady dyskretne:

Najczęściej spotykane rozkłady dyskretne: I. Rozkład dwupunktowy: Najczęściej spotykane rozkłady dyskretne: Def. Zmienna X ma rozkład dwupunktowy z prawdopodobieostwem 1 przyjmuje tylko dwie wartości, tzn. P(X = x 1 ) = p i P(X = x 2 ) = 1 p =

Bardziej szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody 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 szczegółowo

Analiza algorytmów zadania podstawowe

Analiza algorytmów zadania podstawowe Analiza algorytmów zadania podstawowe 15 stycznia 2019 Zadanie 1 Zliczanie Zliczaj(n) 1 r 0 2 for i 1 to n 1 3 do for j i + 1 to n 4 do for k 1 to j 5 do r r + 1 6 return r P Jaka wartość zostanie zwrócona

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa I - 1. a) Jacek i Agatka stoją koło siebie; b) Jacek, Placek i Agatka stoją koło siebie.

Zadania z Rachunku Prawdopodobieństwa I - 1. a) Jacek i Agatka stoją koło siebie; b) Jacek, Placek i Agatka stoją koło siebie. Zadania z Rachunku Prawdopodobieństwa I - 1 1. Grupę n dzieci ustawiono w sposón losowy w szereg. Oblicz prawdopodobieństwo tego, że a) Jacek i Agatka stoją koło siebie; b) Jacek, Placek i Agatka stoją

Bardziej szczegółowo

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału

Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Wykład 1 Zmienne losowe, statystyki próbkowe - powtórzenie materiału Magdalena Frąszczak Wrocław, 22.02.2017r Zasady oceniania Ćwiczenia 2 kolokwia (20 punktów każde) 05.04.2017 oraz 31.05.2017 2 kartkówki

Bardziej szczegółowo

Analiza algorytmów zadania podstawowe

Analiza algorytmów zadania podstawowe Analiza algorytmów zadania podstawowe Zadanie 1 Zliczanie Zliczaj(n) 1 r 0 2 for i 1 to n 1 3 do for j i + 1 to n 4 do for k 1 to j 5 do r r + 1 6 return r 0 Jaka wartość zostanie zwrócona przez powyższą

Bardziej szczegółowo

Wykład 3 Jednowymiarowe zmienne losowe

Wykład 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 szczegółowo

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka

EGZAMIN MAGISTERSKI, 25.06.2009 Biomatematyka Biomatematyka 80...... Zadanie 1. (8 punktów) Rozpatrzmy prawo Hardy ego Weinberga dla loci związanej z chromosomem X o dwóch allelach A 1 i A 2. Załóżmy, że początkowa częstość allelu A 2 u kobiet jest

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa II Podać przykład rozkładów prawdopodobieństwa µ n, µ, takich, że µ n µ,

Zadania 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 szczegółowo

RÓWNANIA NIELINIOWE Maciej Patan

RÓWNANIA NIELINIOWE Maciej Patan RÓWNANIA NIELINIOWE Maciej Patan Uniwersytet Zielonogórski Przykład 1 Prędkość v spadającego spadochroniarza wyraża się zależnością v = mg ( 1 e c t) m c gdzie g = 9.81 m/s 2. Dla współczynnika oporu c

Bardziej szczegółowo

KORESPONDENCYJNY KURS PRZYGOTOWAWCZY Z MATEMATYKI

KORESPONDENCYJNY KURS PRZYGOTOWAWCZY Z MATEMATYKI KORESPONDENCYJNY KURS PRZYGOTOWAWCZY Z MATEMATYKI PRACA KONTROLNA nr 1 październik 1999 r 1. Stop składa się z 40% srebra próby 0,6, 30% srebra próby 0,7 oraz 1 kg srebra próby 0,8. Jaka jest waga i jaka

Bardziej szczegółowo

Matematyka dyskretna - wykład - część Podstawowe algorytmy kombinatoryczne

Matematyka dyskretna - wykład - część Podstawowe algorytmy kombinatoryczne A. Permutacja losowa Matematyka dyskretna - wykład - część 2 9. Podstawowe algorytmy kombinatoryczne Załóżmy, że mamy tablice p złożoną z n liczb (ponumerowanych od 0 do n 1). Aby wygenerować losową permutację

Bardziej szczegółowo

Metody numeryczne. Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski

Metody numeryczne. Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski Metody numeryczne Instytut Sterowania i Systemów Informatycznych Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski Elektrotechnika stacjonarne-dzienne pierwszego stopnia

Bardziej szczegółowo

Algorytm selekcji Hoare a. Łukasz Miemus

Algorytm selekcji Hoare a. Łukasz Miemus Algorytm selekcji Hoare a Łukasz Miemus 1 lutego 2006 Rozdział 1 O algorytmie 1.1 Problem Mamy tablicę A[N] różnych elementów i zmienną int K, takie że 1 K N. Oczekiwane rozwiązanie to określenie K-tego

Bardziej szczegółowo

i = n = n 1 + n 2 1 i 2 n 1. n(n + 1)(2n + 1) n (n + 1) =

i = n = n 1 + n 2 1 i 2 n 1. n(n + 1)(2n + 1) n (n + 1) = Druga zasada inducji matematycznej Niech m będzie liczbą całowitą, niech p(n) będzie ciągiem zdań zdefiniowanych na zbiorze {n Z: n m} oraz niech l będzie nieujemną liczbą całowitą. Jeśli (P) wszystie

Bardziej szczegółowo

Szkice do zajęć z Przedmiotu Wyrównawczego

Szkice 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 szczegółowo