DWUWYMIAROWE ZMIENNE LOSOWE
Rozkład łączny pary zmiennych losowych (X ,Y )
określonych na tej samej przestrzeni zdarzeń
elementarnych:
P((X ,Y ) A), A - dowolny podzbiór zbioru par
wartości zmiennych X, Y.
Definicja. Dystrybuantą zmiennej losowej (X ,Y )
nazywamy funkcję
F(x, y) = P(X Ł x,Y Ł y),
gdzie - Ą < x < Ą, - Ą < y < Ą.
Twierdzenie. Aączny rozkład prawdopodobieństwa
zmiennej losowej (X ,Y ) określony jest jednoznacznie
przez jej dystrybuantę.
Zmienne dyskretne
Funkcja prawdopodobieństwa ( łącznego )
dwuwymiarowej zmiennej losowej dyskretnej:
f (x, y) = P(X = x,Y = y).
Własności:
(i) f (x, y) ł 0, dla dowolnej pary wartości (x, y),
(ii) f (x, y) = 1,
x y
(iii) P((X ,Y ) A) = f (x, y),
(x, y)A
(iv) F(x, y) = f (s,t).
sŁ x t Ł y
Przykład. W każdym z dwóch etapów teleturnieju
można otrzymać 0, 1, lub 2 punkty. Niech zmienne
losowe X, Y oznaczają liczby punktów uzyskane w
etapie I i II, odpowiednio, przez losowo wybranego
uczestnika. Funkcję prawdopodobieństwa łącznego
określa tabela:
Y 0 1 2
X
0,5 0,05 0,01
0
0,2 0,1 0,06
1
0,02 0,03 A
2
Znalezć:
(a) f (2,2) = P(X = 2,Y = 2)
(b) P(Y = 2)
(c) F(1,1).
2 2
(a) f (x, y) = 1. Stąd
x=0 y=0
f (2,2) = A = 1 ( 0,5 + 0,05 + 0,01 + 0,2 + 0,1 +
+ 0,06 + 0,02 + 0,03 ) = 1 0,97 = 0,03.
2
(b) P(Y = 2) = P(X = x,Y = 2) =
x=0
f (0,2) + f (1,2) + f (2,2) = 0,01 + 0,06 + 0,03 = 0,1.
(c) F(1,1) = P(X Ł 1,Y Ł 1) =
= f (0,0) + f (0,1) + f (1,0) + f (1,1) =
= 0,5 + 0,05 + 0,2 + 0,1 = 0,85.
Zmienne ciągłe
Zmienna losowa ( X ,Y ) jest dwuwymiarową ciągłą
zmienną losową, jeśli jej łączny rozkład prawdopodo-
bieństwa określony jest przez funkcję gęstości łącznej
( łączną gęstość prawdopodobieństwa ), taką że
(i) f (x, y) ł 0
Ą Ą
(ii) f (x, y)dxdy = 1
-Ą -Ą
(iii) P((X ,Y ) A) = f (x, y)dxdy
A
W szczególności dla A = (-Ą, x] (-Ą, y]:
y
x
F(x, y) = P(X Ł x,Y Ł y) = f (s,t)dtds .
-Ą -Ą
ś2
f (x, y) = F(x, y), - Ą < x < Ą, - Ą < y < Ą.
śxśy
Przykład. Zmienna losowa (X ,Y ) ma gęstość
prawdopodobieństwa
x + y 0 Ł x Ł 1,0 Ł y Ł 1
f (x, y) = gdy .
0 przeciwnie
Obliczyć
0,5
1
P(X Ł 0,5,Y > 0,25) = (x + y)dydx =
0 0,25
0,5
1
(xy + y2 / 2) dx =
0,25
0
0,5
(x + 0,5 - 0,25x - 0,625 / 2)dx = ?
0
Rozkłady brzegowe
Niech (X ,Y ) będzie dwuwymiarową zmienną losową o
rozkładzie prawdopodobieństwa określonym przez
funkcję f (x, y) ( funkcja prawdopodobieństwa lub
gęstość ).
Rozkład brzegowy = rozkład prawdopodobieństwa
zmiennej losowej X lub zmiennej losowej Y.
(a) dla dyskretnych zmiennych X, Y , brzegowe
funkcje prawdopodobieństwa są postaci
fX (x) = P(X = x) = f (x, y)
y
fY (y) = P(Y = y) = f (x, y)
x
(b) dla ciągłych zmiennych X, Y , brzegowe gęstości
są postaci
Ą
fX (x) = f (x, y)dy
-Ą
Ą
fY (y) = f (x, y)dx.
-Ą
D. (a) fX (x) = P(X = x) = P( {X = x,Y = y}) =
U
y
P(X = x,Y = y) = f (x, y).
yy
(b) FX (x) = P(X Ł x) = P(X Ł x,-Ą < Y < Ą) =
x Ą
f (s,t)dtds . Stąd
-Ą -Ą
Ą
d
fX (x) = FX (x) = f (x,t)dt .
dx
-Ą
Przykład. Dwuwymiarowa zmienna losowa (X ,Y )
ma gęstość
3(x - y)2 / 8 -1 Ł x Ł 1,-1 Ł y Ł 1
f (x, y) = gdy
przeciwnie
0
Znalezć gęstość zmiennej losowej X.
Niech -1 Ł x Ł 1.
Ą 1
3
fX (x) = f (x, y)dy = (x - y)2 dy =
8
-Ą -1
1
3
(x2 - 2xy + y2)dy =
8
-1
1
3 3 1
[x2 y - xy2 + y3 / 3] = x2 + .
8 -1 4 4
(3x2 +1) / 4 -1 Ł x Ł 1
fX (x) = gdy .
przeciwnie
0
Gęstość zmiennej losowej Y ma identyczną postać.
Rozkłady warunkowe
(a) Niech (X ,Y ) będzie dyskretną zmienną losową
mającą funkcję prawdopodobieństwa f (x, y).
Niech y ustalone oraz fY (y) > 0.
Rozkład warunkowy zmiennej losowej X pod
warunkiem, że Y = y określa warunkowa funkcja
prawdopodobieństwa:
f (x, y)
f (x y) = , x dowolna wartość zmiennej X.
fY ( y)
P(X = x,Y = y)
f (x y) = = P(X = xY = y) =
P(Y = y)
funkcja prawdopodobieństwa zmiennej X pod
warunkiem, że zmienna Y przyjęła wartość y.
Analogicznie:
f (x, y)
f (y x) = = P(Y = y X = x), gdzie fX (x) > 0.
fX (x)
Notacja: f (x y) = fX Y (x y)
f ( y x) = fY X ( y x)
(b) Niech (X ,Y ) będzie ciągłą zmienną losową o
łącznej gęstości f (x, y).
Niech y ustalone oraz fY (y) > 0.
Warunkową gęstością prawdopodobieństwa zmiennej
losowej X pod warunkiem, że Y = y nazywamy funkcję
f (x, y)
f (x y) = , - Ą < x < Ą.
fY ( y)
Przykład. (kontynuacja)
3(x - y)2 / 8 -1 Ł x Ł 1,-1 Ł y Ł 1
f (x, y) = gdy
przeciwnie
0
(3y2 +1) / 4 -1 Ł y Ł 1
fY ( y) = gdy
przeciwnie
0
Niech -1 Ł y Ł 1 - ustalone.
3(x - y)2 / 8 3(x - y)2
f (x y) = = dla x [-1,1]
(3y2 +1) / 4 6y2 + 2
f (x y) = 0 dla x [-1,1].
Uwaga. Analogicznie określamy rozkład warunkowy
zmiennej losowej Y pod warunkiem X = x. Zatem
f (x, y)
f (y x) = , gdzie y dowolna wartość Y,
fX (x)
x - ustalone, takie że fX (x) > 0.
Notacja: f (y x) = fY X ( y x), f (x y) = f (x y)
X Y
Przykład. (kontynuacja)
(a) Znalezć rozkład brzegowy zmiennej Y, liczby
punktów uzyskanych w II etapie teleturnieju przez
losowo wybranego uczestnika.
(b) Wyznaczyć rozkład warunkowy Y pod warunkiem,
że w I etapie uzyskano 2 punkty, tzn. X = 2.
Y 0 1 2
X
0,5 0,05 0,01
0
0,2 0,1 0,06
1
0,02 0,03 0,03
2
Y 0 1 2
X
0,5 0,05 0,01
0
0,2 0,1 0,06
1
0,02 0,03 0,03
2
(a) fY (y) = f (0, y) + f (1, y) + f (2, y). Stąd
Y 0 1 2
fY (y)
0,72 0,18 0,1
f (2, y)
(b) f (y 2) = = ?
f (2)
X
f (0 2) = fY X (0 2) = f (2,0) / f (2) =
X
= 0,02/(0,02 + 0,03 + 0,03) =1/4,
f (12) = fY X (12) = f (2,1) / fX (2) =
= 0,03/0,08 = 3/8,
f (2 2) = fY X (2 2) = f (2,2) / fX (2)=
= 0,03/0,08 = 3/8.
Niezależne zmienne losowe
Definicja. Niech (X ,Y ) będzie dwuwymiarową
zmienna losową o dystrybuancie F(x, y) oraz
dystrybuantach brzegowych FX (x), FY ( y),
x, y (-Ą, Ą). Zmienne losowe X, Y są niezależne,
jeśli
F(x, y) = FX (x)FY (y),
dla wszystkich wartości x, y.
Twierdzenie. Zmienne losowe X, Y są niezależne
wtedy i tylko wtedy gdy
f (x, y) = f (x) fY (y),
X
dla wszystkich wartości x, y.
Wniosek. Poniższe warunki są równoważne:
(i) Zmienne losowe X, Y są niezależne.
(ii) f (x y) = f (x), - Ą < x < Ą, dla wszystkich y,
X
takich że fY (y) > 0.
(iii) f (y x) = fY (y), - Ą < y < Ą, dla wszystkich x,
takich że fX (x) > 0.
Przykład. ( kontynuacja )
Czy liczby punktów uzyskane w I i II etapie teleturnieju
przez losowo wybranego uczestnika są niezależnymi
zmiennymi losowymi ?
Y 0 1 2
X
0,5 0,05 0,01
0
0,2 0,1 0,06
1
0,02 0,03 0,03
2
f (0) = f (0,0) + f (0,1) + f (0,2) = 0,5 + 0,05 +
X
+ 0,01 = 0,56.
fY (0) = f (0,0) + f (1,0) + f (2,0) = 0,5 + 0,2
+ 0,02 = 0,72.
Stąd f (0,0) = 0,5 ą 0,56 0,72 = fX (0) fY (0),
Zmienne losowe X ,Y są zależne.
Przykład. ( kontynuacja ). Czy X, Y są niezależnymi
zmiennymi losowymi, jeśli ich łączna gęstość ma
postać:
3(x - y)2 / 8 -1 Ł x Ł 1,-1 Ł y Ł 1
f (x, y) = gdy
przeciwnie
0
Dla x, y [-1,1] :
fX (x) = (3x2 +1) / 4 oraz fY (y) = (3y2 +1) / 4.
f (x, y) ą f (x) fY ( y).
X
Przykład. Czasy poprawnej pracy dwu podzespołów są
niezależnymi zmiennymi losowymi X, Y o rozkładach
wykładniczych z parametrami l1,l2, odpowiednio.
Średnie czasy pracy podzespołów wynoszą 1000
(godzin ) i 1200 ( godzin ). Obliczyć
prawdopodobieństwo zdarzenia takiego, że każdy
podzespół nie ulegnie awarii przed upływem 1500
godzin.
E(X ) = 1/ l1 = 1000 (godz.),
E(Y ) = 1/ l2 = 1200 (godz.)
Stąd l1 = 1/1000 (1/godz.) l2 = 1/1200 (1/godz.).
P(X ł 1500,Y ł 1500) = P(X ł 1500) P(Y ł 1500) =
e-l11500 e-l21500 = e-1500 /1000 e-1500 /1200 =
= 0,22310,2865 = 0,0639.
Wartość oczekiwana. Kowariancja.
E[g(X ,Y )] = g(x, y) f (x, y),
x y
gdy X, Y są dyskretne,
Ą Ą
E[g(X ,Y )] = g(x, y) f (x, y)dxdy,
-Ą -Ą
gdy X, Y są ciągłe.
Uwaga. Dla g(X ,Y ) = X lub g(X ,Y ) = Y
otrzymujemy wartości oczekiwane brzegowych
zmiennych losowych X lub Y.
Np.
E[X ] = xf (x, y) = x f (x, y) =
x y x y
= xfX (x) = mX .
x
Stwierdzenie. Niech c będzie dowolną stałą, a
g(X ,Y ), g1(X ,Y ), g2(X ,Y ) zmiennymi losowymi
jednowymiarowymi. Wówczas
E[cg(X ,Y ) = cE[g(X ,Y )],
E[g1(X ,Y ) + g2(X ,Y )] = E[g1(X ,Y )] + E[g2(X ,Y )].
D. Dowód jest bezpośrednią konsekwencją definicji
wartości oczekiwanej oraz własności całki i sumowania.
Stwierdzenie. Jeśli zmienne losowe X, Y są niezależne,
to
E(XY ) = E(X )E(Y ).
D. Niezależność zmiennych jest równoważna
f (x, y) = f (x) fY ( y). Stąd i z definicji wartości
X
oczekiwanej mamy
(a) (zmienne dyskretne )
E[g(X ,Y )] = g(x, y) f (x, y).
x y
E(XY ) = xyf (x, y) = xyfX (x) fY ( y)=
x y x y
xfX (x) yfY (y) = yfY ( y) xfX (x) =
xy y x
E(Y )E(X ) = E(X )E(Y ).
(b) (zmienne ciągłe) Dowód analogiczny - Sumowanie
należy zastąpić całkowaniem.
Definicja. Niech X i Y będą zmiennymi losowymi o
łącznej funkcji prawdopodobieństwa ( gęstości )
f (x, y). Kowariancją zmiennych X i Y nazywamy
liczbę:
s = E[(X - mX )(Y - mY )].
XY
Uwaga.
Z definicji s oraz E[g(X ,Y )], przyjmując
XY
g(x, y) = (x - mX )(y - mY ), otrzymujemy wzory:
s = (x - mX )(y - mY ) f (x, y),
XY
x y
gdy X, Y są dyskretne
Ą Ą
s = (x - mX )(y - mY ) f (x, y)dxdy ,
XY
-Ą -Ą
gdy X, Y są ciągłe.
Notacja: Zamiast s często piszemy Cov (X,Y).
XY
Interpretacja. Kowariancja określa pewną
współzależność między zmiennymi losowymi:
(a) Jeśli dużym wartościom zmiennej X
przewyższającym mX towarzyszą zwykle duże
wartości zmiennej Y przewyższające mY , a wartościom
X mniejszym od mX towarzyszą zwykle wartości Y
mniejsze od mY , to s > 0.
XY
(b) Jeśli wartościom zmiennej X większym od mX
towarzyszą zwykle wartości Y mniejsze od mY
wartościom X mniejszym od mX towarzyszą zwykle
wartości Y większe od od mY , to s < 0.
XY
Stwierdzenie. Cov(X,Y) = E(XY ) - mX mY .
D. Cov(X,Y) = E[(X - mX )(Y - mY )] =
= E(XY - XmY - YmX + m mY ) =
X
= E(XY ) - E(XmY ) - E(YmX ) + mX mY =
= E(XY ) - mX mY .
Twierdzenie. Jeśli zmienne losowe X i Y są
niezależne, to
Cov(X,Y) = 0.
D. Dla niezależnych zmiennych losowych
E(XY ) = E(X )E(Y ). Stąd oraz wzoru na
kowariancję mamy:
Cov(X,Y) = E(XY ) - mX mY =
= E(X )E(Y ) - mX mY = 0.
Uwaga. Twierdzenie odwrotne nie jest na ogół
prawdziwe.
Twierdzenie. Dla dowolnych stałych a, b
Var(aX + bY ) =
a2Var(X) + b2Var(Y) + 2abCov(X,Y).
D. E{ [(aX + bY ) - (amX + bmY )]2 } =
E{ [a(X - mX ) + b(Y - mY )]2 } = E{ [a(X - mX ))]2 }
+ E [2ab(X - mX )(Y - mY )] + E{ [b(Y - mY )]2 } =
= a2Var(X) + 2abCov(X,Y) + b2Var(Y). c.k.d.
Wniosek. Jeśli zmienne losowe X i Y są niezależne,
to
Var(aX + bY ) = a2Var(X) + b2Var(Y).
Definicja. Współczynnikiem korelacji między
zmiennymi losowymi X i Y nazywamy liczbę:
Cov(X ,Y )
r = .
Var(X ) Var(Y )
Przykład. r = ?
Y 0 1 2
X
0,5 0,05 0,01
0
0,2 0,1 0,06
1
0,02 0,03 0,03
2
E(X ) = x f (x, y) = 0(0,5 + 0,05 + 0,01) +
x y
+ 1(0,2 + 0,1 + 0,06) + 2(0,02+0,03+0,03) = 0,52.
E(Y ) = y f (x, y) = 0 (0,5 + 0,2 + 0,02) +
x y
+ 1(0,05 + 0,1 + 0,03) + 2(0,01+0,06+0,03) = 0,38.
Y 0 1 2
X
0,5 0,05 0,01
0
0,2 0,1 0,06
1
0,02 0,03 0,03
2
E(XY ) = xyf (x, y) = 0 + 0 + 0 + 0 + 110,1 +
x y
+ 1 2 0,06 + 21 0,03 + 2 2 0,03 = 0,31.
Cov(X,Y) = 0,31 0,52 0,38 = 0,1124.
2
E(X ) = 12 (0,2 + 0,1 + 0,06) +
+ 22 (0,02 + 0,03 + 0,03) = 0,68
2
E(Y ) = 12 (0,05 + 0,1 + 0,03) +
+ 22 (0,01+ 0,06 + 0,03) = 0,58.
2
Var(X) = E(X ) - [E(X )]2 = 0,68 - 0,522 = 0,4096
2
Var(Y) = E(Y ) - [E(Y )]2 = 0,58 - 0,382 = 0,4356
0,1124
r = = 0,2661.
0,4096 0,4356
Własności współczynnika korelacji
(i) -1 Ł r Ł 1
(ii) Jeśli a i b są stałymi, oraz jeśli
Y = a + bX,
to
1 b > 0
r = gdy
b < 0
-1
(iii) Jeśli zmienne losowe X i Y są niezależne, to
r = 0.
(iv) Jeśli r = 1, to między zmiennymi losowymi X, Y
istnieje liniowa zależność funkcyjna.
Interpretacja. Współczynnik korelacji jest miarą
zależności liniowej między zmiennymi losowymi.
Dwuwymiarowy rozkład normalny
Zmienna losowa (X ,Y ) ma dwuwymiarowy rozkład
normalny, jeśli ma gęstość postaci:
ł
1 1
f (x, y) = expę- q(x, y)ś ,
2
2ps sY
2(1- r )
X
gdzie
(x - mX )2 (x - mX )(y - mY ) (y - mY )2
q(x, y) = - 2r + ,
2 2
s sY
s s
X
X y
- Ą < x < Ą, - Ą < y < Ą, stałe s ,sY , r spełniają
X
warunki s > 0, sY > 0, -1 < r < 1.
X
Notacja: (X ,Y ) ~ N(mX , mY ,s ,sY , r)
X
Twierdzenie. Jeśli (X ,Y ) ~ N(mX , mY ,s ,sY , r), to
X
(i) X ~ N(mX ,s ), Y ~ N(mY ,sY ).
X
(ii) Cov(X,Y) = r .
(iii) X, Y są niezależne wtedy i tylko wtedy gdy r = 0.
Twierdzenie. Zmienna losowa (X,Y) ma
dwuwymiarowy rozkład normalny wtedy i tylko wtedy
gdy zmienna losowa aX + bY ma rozkład normalny, a, b
są dowolnymi stałymi.
CIGI ZMIENNYCH LOSOWYCH
Niech X1, X ,..., X będą zmiennymi losowymi
2 n
określonymi na tej samej przestrzeni zdarzeń
elementarnych S .
F(x1, x2,..., xn ) = P(X1 Ł x1, X Ł x2,..., X Ł xn ) =
2 n
dystrybuanta wektora losowego ( X1, X ,..., X ).
2 n
f (x1, x2,..., xn ) = funkcja prawdopodobieństwa
łącznego lub funkcja gęstości łącznej wektora losowego
( X1, X ,..., X ).
2 n
Definicja. Zmienne losowe X1, X ,..., X są niezależne,
2 n
jeśli
F(x1, x2,..., xn ) = FX1 (x1)FX 2 (x2) ... FX n (xn ),
gdzie FX i (xi ) = P(Xi Ł xi ), i = 1,2,...,n.
Definicja.
E[g(X1, X ,,,, X )] =
2 n
... g(x1, x2,..., xn ) f (x1, x2,..., xn ),
x1 x2 xn
lub
Ą Ą Ą
... g(x1, x2,..., xn ) f (x1, x2,..., xn )dx1dx2...dxn .
-Ą -Ą -Ą
Stwierdzenie.
E(a1X1 + a2 X + ... + an X ) =
2 n
a1E(X1) + a2E(X ) + ... + anE(X ).
2 n
n
1
Wniosek. Niech X = Xi , E(Xi ) = m, i = 1,2,..,n.
n
i=1
E(X ) = m .
1
D. W stwierdzeniu trzeba przyjąć ai = , i = 1,2,..,n.
n
Stwierdzenie. Jeśli X1, X ,..., X są niezależnymi
2 n
zmiennymi losowymi, to
Var(a1X1 + a2 X + ... + an X ) =
2 n
a12Var( X1) + a22Var( X ) + ... +an2Var( X ).
2 n
1
2
W szczególności, jeśli Var( Xi ) = s oraz ai = ,
n
i = 1,2,..,n, to
2
s
Var( X ) = .
n
Przykład. Dokonujemy n jednakowych, niezależnych
doświadczeń Bernoulli ego o prawdopodobieństwie
sukcesu p, 0 < p < 1. Znalezć wartość oczekiwaną i
wariancję zmiennej losowej Y będącej liczbą sukcesów.
Niech Xi = 1, gdy sukces w i-tym doświadczeniu,
Xi = 0, gdy porażka w i-tym doświadczeniu. Wówczas
X1, X ,..., X są niezależnymi zmiennymi losowymi o
2 n
funkcjach prawdopodobieństwa:
f (1) = p, fX i (0) = 1- p.
X
i
Stąd:
E(Xi ) = p, Var( Xi ) = p(1- p).
Liczba sukcesów =
Y = X1 + X + ... + X .
2 n
E(Y ) = E(X1 + X + ... + X ) =
2 n
E(X1) + E(X ) + ... + E(X ) = np.
2 n
Var(Y) =
Var( X1) + Var( X ) + ... + Var( X ) = np(1- p)
2 n
Definicja. Prostą próbą losową o liczności n
nazywamy ciąg niezależnych zmiennych losowych
X1, X ,..., X określonych na przestrzeni zdarzeń
2 n
elementarnych S i takich, że każda ze zmiennych ma
taki sam rozkład.
Twierdzenie. ( CENTRALNE TWIERDZENIE
GRANICZNE)
Niech X1, X ,..., X będzie prostą próbą losową z
2 n
2
rozkładu o średniej m i wariancji s . Wówczas dla
dużych liczności próby n rozkład prawdopodobieństwa
standaryzowanej średniej ( = standaryzowanej sumy
X1 + X + ... + X ) jest bliski standardowemu
2 n
rozkładowi normalnemu N(0,1), dokładniej dla
dowolnych liczb a, b, - Ą Ł a < b Ł Ą
X - m
P(a < Ł b) P(a Ł Z Ł b) = F(b) - F(a),
s / n
przy n Ą. Równoważnie rozkład średniej X jest
bliski rozkładowi normalnemu N(m,s / n).
Przykład. Załóżmy, że rozkład codziennego dojazdu do
pracy jest w przybliżeniu rozkładem jednostajnym na
przedziale [0,5 godz., 1 godz. ] i że czasy dojazdów w
różne dni są niezależne. Obliczyć przybliżone
prawdopodobieństwo zdarzenia, że średni dzienny
dojazd w ciągu 30 dni przekroczy 0,8 godz.
Niech Xi oznacza czas dojazdu w i-tym dniu ,
i = 1,2,...,30.
0,5 +1 3
m = E(Xi ) = = ,
2 4
(1- 0,5)2 1
2
s = Var(Xi ) = = .
12 48
3 1
E(X ) = , Var(X ) =
4 30 48
X - 3/ 4 0,8 - 3/ 4
P(X > 0,8) = P( > )
1/(30 48) 1/(30 48)
P(Z > 1,89) = 1- F(1,89) = 0,03.
Wyszukiwarka
Podobne podstrony:
Przekształcenia ciągłe zmiennej losowejMPiS30 W05d Zmienne losowe IIPiS15 W03 Zmienne losowe II 12MPiS cw zmienne losowezmienne losowe22 09 AMPiS cw dwie zmienne losowe3 Zmienne losowe i ich rozkładyrozklad zmiennej losowe metodologia wyk2Rozklad zmiennej losowej zadaniaPiS15 W02k Zmienne losowe ISM15 W02k Zmienne losowe IParametry zmiennej losowejPiS15 W02d Zmienne losowe Izmienne losowePiS15 W03k Zmienne losowe IIjurlewicz,probabilistyka, parametry zmiennej losowej2rozklady zmiennej losowejwięcej podobnych podstron