Matematická statistika
|
|
- Bedřich Tábor
- před 5 lety
- Počet zobrazení:
Transkript
1 Matematická statistika 1/30 Náhodná/stochastická promìnná pøiøazuje pravdìpodobnost/hustotu pravdìpodobnosti mo¾nému diskrétnímu/spojitému jevu z diskrétní/spojité mno¾iny jevù. diskrétní pøíklad: hod kostkou: p i = 1/6 pro i {,,,,, } spojitý pøíklad: èas rozpadu jádra: p(t) = ke kt Spojitou náhodnou velièinu v 1D (tj. x R) popisuje distribuèní funkce (hustota pravdìpodobnosti, rozdìlení/rozlo¾ení pravdìpodobnosti) p(x): p(x)dx je pravdìpodobnost, ¾e nastane jev x [x, x + dx) Ve dvou dimenzích denujeme hustotu pravdìpodobnostip(x, y) tak, ¾e jev x [x + dx) a zároveò y [y + dy) nastane s pravdìpodobností p(x, y)dxdy. Normalizace: p i = 1 i nebo p(x)dx = 1 Kumulativní (integrální) distribuèní funkce = pravdìpodobnost, ¾e padne náhodná hodnota x x: P(x) = x p(x )dx
2 Rozdìlení pravdìpodobnosti 2/30 Varování. Ve fyzice a technice nepøesnì a volnì zamìòujeme symbol x pro náhodnou velièinu a x pro její hodnotu (napø. pøi integraci). Støední hodnota (té¾ expectation value, oèekávaná hodnota; slovo prùmìr budeme rezervovat pro aritmetický prùmìr, tj. støední hodnotu výbìru) E (x) x x x volnì = x = xp(x)dx nebo x i p i i Pøíklad. Kdy¾ hodíte na kostce, vyhrajete 5 Kè; pokud padne nìco jiného, prohrajete 1 Kè. Je tato hra spravedlivá? Ano { støední výhra je 0 Variance (té¾: rozptyl, uktuace, disperze, støední kvadratická odchylka (MSD) Var (x) volnì = Var x = (x x ) 2 = x 2 = x 2 x 2, kde x = x x Smìrodatná odchylka (standard deviation) = Var (x), ozn. σ(x), δx Pøíklad. Mìjme rovnomìrné rozdìlení u v intervalu [0, 1); na poèítaèi napø. rnd(0). Vypoètìte støední hodnotu a varianci. u = 1/2, Var (u) = 1/12
3 Pøíklad: Giniho koecient 3/30 Míra nerovnosti pøíjmu. Pøíjem x s hustotou pravdìpodobnosti p(x), x 0. G = 1 2 x Funkce náhodné velièiny 0 p(x)dx 0 p(y)dy x y Mìjme reálnou náhodnou velièinu x s rozdìlením p(x) a reálnou funkci f(x). Velièina (pozorovatelná) f(x) má rozdìlení (sèítá se pøes v¹echny koøeny): p f (y) = x:f(x)=y p(x) f (x) Pøíklad. Mìjme rovnomìrné rozdìlení u v intervalu [0, 1). Jaké rozdìlení má t = ln u? exp( t): napø. èas rozpadu 1 atomu s k = 1
4 Funkce náhodné velièiny: støední hodnota 4/30 Støední hodnota velièiny f: f = f(x)p(x)dx nebo z nové náhodné promìnné f = f(x): f = yp f (y)dy Obì støední hodnoty jsou stejné: f = f(x)p(x)dx subst. y=f(x) = yp(x) f (x) dy = yp f (y)dy kde v 2. integrálu x = øe¹ení rovnice f(x) = y, které zde pro jednoduchost uva¾ujeme jen jedno a také pøedpokládáme, ¾e funkce f je rostoucí.
5 Kovariance Kovariance x a y dvojrozmìrného rozdìlení p(x, y) Cov (x, y) = x y = x yp(x, y)dxdy 5/30 Kovariance dvou velièin f(x) a g(x) (obdobnì u diskrétného èi vícerozmìrného rozdìlení): Cov (f, g) = f g = f g p(x)dx Nezávislé náhodné velièiny Náhodné velièiny x (s rozdìlením p 1 (x)) a y (s rozdìlením p 2 (y)): p(x, y) = p 1 (x)p 2 (y) V diskrétním pøípadì (napø. dva hody kostkou, p ij = 1/36): p ij = p 1,i p 2,j Kovariance nezávislých náhodných velièin je nula: Cov (x, y) = x y x+y = dx dy xp 1 (x) yp 2 (y) = x x y y = 0
6 Korelaèní koecient [plot/matnum2r.sh] 6/30 r(x, y) = Cov(x, y) Var (x)var (y) Pøíklad. Nech» u 1 a u 2 jsou dvì nezávislá rovnomìrný rozdìlení v [0,1]. Calculate: Vypoètìte: a) r(u 1, u 1 ) b) r(u 2 1, u2 1 ) c) r(u 1, u 2 + u 1 ) (viz Maple) a) 1, b) 1, c) 1/ 2 tab tabproc "rnd(0)" "rnd(0)" tabproc A A+B lr
7 Souèet náhodných promìnných [plot/matnum2conv.sh] 7/30 Nech» x a y jsou dvì spojité náhodné promìnné s rozdìlením p(x, y). Rozdìlení souètu x + y je px+y(z)dz = p(x, y)dxdy y:=z x = p(x, z x)dxdz x+y (z,z+dz) px+y(z) = p(x, z x)dx Nech» nyní p(x, y) = p 1 (x)p 2 (y). Pak px+y(z) = p 1 (x)p 2 (z x)dx (p 1 p 2 )(z) p 1 p 2 se nazývá konvoluce Diskrétní pøíklad: Hodíme dvojicí kostek. Jaké rozdìlení má souèet ok? p(2) = 1/36, p(3) = 2/36,... p(7) = 6/36,... p(12) = 1/36 Pøíklad. Vypoètìte rozdìlení u 1 u 2 0 for x > 1, 1 x otherwise tab tabproc "rnd(0)-rnd(0)" histogr plot -
8 [show/convol.sh] Souèet nezávislých náhodných promìnných 8/30 Støední hodnota i variance souètu nezávislých náhodných velièin jsou aditivní. S epickou ¹íøí: E (x + y) = zpx+y(z)dz = zp 1 (x)p 2 (z x)dxdz y:=z z = (x + y)p 1 (x)p 2 (y)dxdy = x 1 + y 2 = E (x) + E (y) Pøímo: E (x + y) = p 1 (x)p 2 (y)(x + y)dxdy = p 1 (x)p 2 (y)xdxdy+ p 1 (x)p 2 (y)ydxdy = p 1 (x)xdx+ p 2 (y)ydy = E (x)+e (y) Var (x + y) = ( x + y) 2 x+y = ( x) 2 x+y + 2 x y x+y + ( y) 2 x+y = Var (x) + Var (y)
9 Centrální limitní vìta [show/galton.sh] 9/30 Souèet n stejných nezávislých rozdìlení s koneènou støední hodnotou a koneènou variancí je pro velké n rovno Gaussovì rozdìlení se støední hodnotou n x a variancí nvar x. Pøíklad. Uva¾ujme diskrétní rozdìlení b: p( 1/2) = p(1/2) = 1/2. Aproximujte souèet n takových rozdìlení. n = 1 p( 1/2) = 1/2, p(1/2) = 1/2, Var b = 1/4 n = 2 p( 1) = 1/4, p(0) = 1/2, p(1) = 1/4, Var b 2 = 2/4 n = 3 p(±3/2) = 1/8, p(±1/2) = 3/8, Var b 3 = 3/4 Pro jednoduchost uva¾ujme jen sudé n. Pak pro k = n/2..n/2: ( ) n p(k) = 2 n 1 ( ) exp k2 n/2 + k 2πσ 2σ 2, σ 2 = Var (b n ) = n 4 Dùkaz: potøebujeme Stirlingùv vzorec ve tvaru n! n n e n / 2πn
10 Ovìøení centrální limitní vìty + 10/30 ( ) n n = ( ) n! ( n 2 1)!(n 2 + 1)! = n! n ( n 2 )!/(n 2 ) (n 2 )!(n 2 + 1) = n 2 n 2 n ln p( n 2, 1) = ln p(n 2, 0) + ln n 2 n ln p(n 2, 0) 2 n Dal¹í èlen ln p( n 2, 2) = ln p(n 2, 1) + ln n 2 1 n ln p(n 2, 1) 6 n a obecnì ln p(n, k) ln p(n, 0) 2 k j=1 2k 1 k n, (2k 1) j=1 Obdobnì pro záporná k. V limitì velkých k a n tedy ( ) p(n, k) p(n, 0) exp k2 n/2 Po normalizaci dostaneme ký¾ené k 0 (2k 1)dk = k(k 1) k 2
11 Matematická statistika a metrologie 11/30 Názvosloví kolísá podle oboru... Statistika, odhad, þstatistický algoritmusÿ, (ú¾eji) þstatistický funkcionál, (v metrologii þmìøicí funkceÿ, measurement function) je vzorec/algoritmus, podle kterého poèítáme výsledek z (vzorku) náhodných velièin (v metrologii z dat). Statistika je také náhodnou velièinou. Pøíklady: aritmetický prùmìr, parametry modelu pøi tování metodou nejmen¹ích ètvercù. Standardní chyba statistiky = smìrodatná (standardní) odchylka (odmocnina variance) rozdìlení (rozdìlovací funkce) této statistiky. Nejistota (uncertainty) v metrologii zahrnuje kritické posouzení systematických, náhodných, diskretizaèních aj. chyb. Obdobnì þstandardní nejistotaÿ.
12 Aritmetický prùmìr jako pøíklad statistiky Mìjme vzorek (sample) náhodné velièiny (výbìr, trajektorii v simulacích), napø. 100 hodíme kostkou. Aritmetický prùmìr jako odhad støední hodnoty: x x n 1 n x n i 1 x n i i=1 Spoèítejme varianci náhodné velièiny x n : ( Var (x n ) = (x n x ) 2 = i x ) 2 i n i = Var x n 12/30 Pou¾ili jsme nezávislost, tj. Cov(x i, x j ) = 0 pro i j. Spoèítejme: 2 x i 1 [ (( x n j = n 1 1 ) x n 1 1 ) ] 2 n x 2 + = (n 1)Var x (1) i j A proto odhady jsou (1 = poèet stupòù volnosti): i Var x σ 2 n(x) x2 i n 1 ( i x i) 2 i = x2 i n 1 n 1, Var (x n) = Var x n Statistika σ 2 n(x) = (korigovaný/nestranný/nevychýlený) výbìrový rozptyl
13 Rozli¹ujte 13/30 Pro zpracování nekorelovaných dat metodou aritmetického prùmìru, se stejnými vahami dat: smìrodatná odchylka velièiny (standardní nejistota jednoho mìøení) jejím (nestranným) odhadem z dat je σ n standardní chyba (nejistota) aritmetického prùmìru, tj. nepøesnost, se kterou známe x jejím (nestranným) odhadem z dat je σ n / n Odhad je nestranný (nevychýlený, unbiased), jestli¾e se jeho støední hodnota rovná støední hodnotì hledané velièiny (parametru) (viz (1) pro σ 2 n)
14 Zvyky 14/30 Výsledky statistického zpracování pí¹eme takto: velièina = odhad velièiny ± odhad chyby Fyzika: odhad chyby = σ = odhadnutá smìrodatná (standardní) chyba ; nepøesnì (odhadnutá) chyba, smìrodatná (standardní) odchylka (rozumí se aritmetického prùmìru èi jiné statistiky) Obvyklá notace: ± (5) Biologie, ekonomie, in¾enýrství: Zpravidla se pou¾ívá hladina významnosti (condence level) 95 % (data jsou s pravdìpodobností 95 % uvnitø mezí). V pøípadì Gaussova rozdìlení: odhad chyby = 2 (standardní chyba) Chemie: èasto ignorováno; pokud udáno, tak nikdo neví, zda σ èi 2σ... nebo nejistoty V¾dy nutno udat typ chyby
15 Studentovo t-rozdìlení [plot/student.sh 1] 15/30 Odvodili jsme, ¾e náhodná velièina x n má Gaussovo rozdìlení s parametry: x n = x, Var (x n ) = Var x n σ2 i (x n ) x2 i n(n 1) Ale odhad standardní chyby prùmìru, σ(x n ), je poèítán z málo dat! Denujme Studentovo t-rozdìlení s parametrem ν (poèet stupòù volnosti) jako rozdìlení náhodné velièiny x ν+1 x σ(x ν+1 ) Tvrzení: distribuèní funkce je ( ) Γ ν+1 ( 2 t ν (x) = ( νπ Γ ν2 ) 1 + x2 ν ) ν+1 2 Platí, ¾e limita je normalizované Gaussovo rozdìlení: lim ν t ν(x) = 1 e x2 /2 2π
16 Pøíklad { Gauss a Student 16/30 a) Spoèítali jsme ze mìøení, ¾e X = 1.50 ± 0.10 (za ± je standardní chyba). S jakou pravdìpodobností neplatí X (1.20, 1.80)? 0.27 % b) Spoèítali jsme z 10 mìøení, ¾e X = 1.50 ± S jakou pravdìpodobností neplatí X (1.20, 1.80)? 1.5 %
17 Porovnání dvou výbìrù 17/30 Porovnáváme 2 výbìry (n a m dat) ze stejného souboru. Tvrzení. Náhodná velièina x n x m s 1/n + 1/m, má Studentovo t-rozdìlení. kde s2 = (n 1)σ2 n(x) + (m 1)σ 2 m(x) n + m 2 NB: σ n je výbìrový rozptyl dat (ne chyba prùmìru)
18 Váhy 18/30 Vá¾ený prùmìr (váhy w i nemusí být normalizované) x = i x iw i i w i Známe x i (nezávislé) s chybami σ i. Jaké máme volit váhy? Odvodíme pro 2 velièiny: x = wx 1 + (1 w)x 2 σ 2 (x) = (x x ) 2 = (w x 1 + (1 w) x 2 ) 2 = w 2 σ (1 w)2 σ 2 2 Minimum nastane pro 1/σ 2 w = 1 1/σ 2 1 +, 1 w = w 2 = 1/σ2 2 Tedy (a platí obecnì): 1/σ 2 2 1/σ /σ2 2 w i = 1 σ 2 i Ale problém mù¾e být, pokud neznáme σ i pøesnì.
19 Prùmìrování nezávislých mìøení 19/30 Máme m nezávislých mìøení x i, i = 1..m, vè. odhadù standardní chyby σ i. Chceme odhad støední hodnoty x a standardní chyby σ. Malá mno¾ství dat. Poèet dat pøi výpoètu x i je = n i x = i n ix i i, σ = n i(n i 1)σ 2 i ni i (n i 1) i n i Známé váhy. Známe (pøesnì) váhy w i, dat je þmnohoÿ: x = i w ix i wi, σ = i w2 i σ2 i wi Neznámé váhy. Pak w i = 1/σ 2 i (za pøedpokladu, ¾e σ i jsou dostateènì pøesné) a z vý¹e uvedeného vzorce dostaneme x = i x i/σ 2 i 1/σ 2 i, σ = 1 i 1/σ2 i
20 Pøíklad (viz.mw) 20/30 Firma vyrábí podpìry pro pøíli¹ dlouhé jezevèíky. Zadala dvìma agenturám mìøení spodní vý¹ky jezevèíka. Agentura A zjistila vý¹ku podpìry h = 12.6 ± 1.1 cm (standardní chyba), agentura B namìøila h = 9.2 ± 1.3 cm. a) Stanovte co nejpøesnìji vý¹ku podpìry vè. odhadu nejistoty. Pøedpokládejte, ¾e obì agentury pou¾ily dostateèné mno¾ství psù. b) Jsou oba výsledky v souladu (na 95% hladinì významnosti)? c) Opakujte oba výpoèty, jestli¾e víte, ¾e Agentura A mìøila 12 jezevèíkù, zatímco Agentura B jen 6 jezevèíkù. a) 11.2(8); b) ne; c+a) 11.5(9); c+b) ano
21 Metoda nejmen¹ích ètvercù 21/30 x i = nezávisle promìnné (n vektor; libovoln0 dimenze, i = 1..n) y i = závisle promìnné (reálná èísla) 1/σ 2 i = váhy a = parametry (p hodnot zapí¹eme jako vektor), p n, nejlépe p n) Hledáme funkci f a ( x) závislou na p parametrech vystihující data ( x i, y i ). Parametry a budeme hledat z podmínky minima souètu kvadrátù odchylek: min a S 2, S 2 = i [ f a ( x i ) y i Vìta (Gauss{Markov): pro funkci f a lineárnì závisející na a je metoda nejmen¹ích ètvercù: Best (dává nejmen¹í varianci odhadnutých a) Linear (= pøedpoklad) Unbiased ( a je správné) Estimate (BLUE). V limitì n platí s = S 2 /(n p) 1 (posouzení tu) σ i ] 2 S 2 = n p
22 Metoda nejmen¹ích ètvercù Pøíklad. Pro f a (x) = a (konstanta) a σ i = 1 najdìte odhad a Výsledkem tování (korelace, regrese, prokládání) je: 22/30 a = y odhad a odhad standardních chyb odhad korelací mezi parametry odhad hodnoty nìjaké funkce g( a) (vè. odhadu standardní chyby) V limitì n platí s = S 2 /(n p) 1 (posouzení tu)
23 Metoda nejmen¹ích ètvercù { linearizace 23/30 Nech» a 0 je pøesná (hledaná) hodnota parametrù. Pro ka¾dé x rozvineme: kde a = a 0 + a. f a ( x) f a0 ( x) + p a j f j ( x), j=1 f j ( x) = f a 0 ( x) a j Pokud jsou zmìny parametrù a malé, bez újmy na obecnosti staèí studovat lineární model p f a ( x) = a j f j ( x), j=1 kde {f j ( x)} p j=1 je (obecnì neortogonální) báze.
24 Metoda nejmen¹ích ètvercù { lineární model 24/30 p f a ( x) = a j f j ( x) j=1 Dále pøedpokládejme stejné váhy. Data s chybami mù¾eme zapsat jako: p y i = a j f j ( x) + δy i, δy i = 0, δy i δy j = σ 2 δ ij j=1 kde δ ij = 1 pro i = j a δ ij = 0 pro i j (Kroneckerovo delta). n p S 2 = a j f j ( x i ) y i i=1 j=1 Hledáme minimum, tedy spoèítáme derivaci a polo¾íme = 0: 1 S 2 = p f 2 a k ( x i ) a j f j ( x i ) y i! = (A a b) k = 0 k i j=1 kde A = F F T, b = F y, F ki = f k (x i ) (matice p n) a = maticové násobení. 2
25 Metoda nejmen¹ích ètvercù { kovarianèní matice 25/30 A a = b, a = A 1 b = A 1 F y Zbývá spoèítat chyby odhadù a korelace (kovariance) mezi parametry; pravidlo: sèítáme v¾dy pøes dvojice stejných indexù: Cov (a i, a j ) = a i a j = A 1 iα F αkδy k A 1 jβ F βlδy l = A 1 iα F αk A 1 jβ F βlσ 2 δ kl = A 1 iα F αk A 1 jβ F βkσ 2 = A 1 iα A αβa 1 jβ σ2 = A 1 iα A αβa 1 βj σ2 = A 1 ij σ 2 Pokud neznáme σ, odhadneme ho takto (analogie s prùmìrem, kdy p = 1): σ 2 = S2 n p Výsledkem tování nejsou jen odhady chyb parametrù (na diagonále), ale i korelace (kovariance)!
26 Metoda nejmen¹ích ètvercù { funkce parametrù 26/30 Potøebujeme spoèítat g( a) s chybou g a g a0 + p j=1 a j g j ( x), g j = g a 0 a j (g a g a0 ) 2 = ij a i g i a j g j = ij g i A 1 ij σ 2 g j Pøíklady g( a): a i (jeden z parametrù), x 1 x 0 f(x)dx
27 [plot/.sh] 27/30 Metoda nejmen¹ích ètvercù { chyby MC metodou Minimalizujeme S 2 získáme a 0 a g( a 0 ) Pro k = 1..m provedeme: Vyrobíme fale¹ná data y (k) i = f a0 ( x i ) + σ i u kde u je náhodné èíslo s normalizovaným Gaussovým rozdìlením (chyby σ i dat y i známe; pokud ne, pou¾ijeme σ i = S 2 /(n p)) Vypoèteme metodou nejmen¹ích ètvercù parametry a (k) Vypoèteme g(a (k) ) Výsledky g(a (k) ) pro k = 1..m zpracujeme jako nezávislá data a dostaneme odhad standardní chyby σ(g)
28 Metoda nejmen¹ích ètvercù { jak na to 28/30 Lineární model: øe¹itelný metodou lineární algebry, nebývají problémy (pokud jsou, staèí ortonormalizovat bázi) Nelineární model: Problém 1: mù¾eme mít více lokálních minim, nìkterá pro nevlastní hodnoty parametrù (= divergence) Problém 2: dlouhá zakøivená údolí pøi minimalizaci (pomalé) Minimalizace nelineární funkce mnoha promìnných: metoda nejvìt¹ího spádu (steepest descent, greedy) konjugované gradienty amoeba (Nelder{Mead) Monte Carlo search (na zaèátku) (Gaussova{)Newtonova metoda (jsme-li blízko øe¹ení) (Levenbergova{)Marquardtova metoda (kombinace Newton, gradient, tlumení)
29 Pøíklad z praxe 29/30 Pøi simulaci modelu platiny ve slab-geometrii byla získána data pro tlak ve smìru kolmém na vrstvu: T/K p/bar stderr/bar Vypoètìte bod varu platiny za tlaku 1 bar a odhadnìte chybu.
30 Øe¹ení [plot/ptvle.sh] 30/30 Budeme pøedpokládat platnost Clausiovy{Clapeyronovy rovnice a konstantní výparnou enthalpii. ln p = a + b/t kde a a b jsou konstanty, které budeme tovat. Pak stanovíme hodnotu funkce g, která je øe¹ením rovnice lnp = a + b/t pro p = 1 bar. Pøímé tování na p = exp(a + b/t): s = 1.067, T vap = 3021(55) K, pøe¹kálováno s (59) Fitujeme ln(p) vs. 1/T (lineární regrese): s = 1.081, T vap = 2992(53) K, pøe¹kálováno s (57) Nepøedpokládáme-li znalost standardních chyb mìøení, vyjde: T vap = 3015(74) K Proto¾e data jsou zalo¾ena na stejnì dlouhých trajektorích, mù¾eme chyby jednotlivých mìøení vyrovnat. Vyjde: s = 1.138, T vap = 2965(63) K, pøe¹kálováno s (72) Závìr: T vap = 2965(72)
Matematická statistika
Matematcká statstka 1/1 M:um Náhodá velèa pøøazuje ka¾dému mo¾ému jevu (z urèté mo¾y jevù) pravdìpodobost (hustotu pravdìpodobost) dskrétí, apø. hod kostkou: p = 1/6 pro {,,,,, } spojtá, apø. èas rozpadu
VíceMatematika II Urèitý integrál
Matematika II Urèitý integrál RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Motivace Je dána funkce f(x) = 2 + x2 x 4. Urèete co
VíceAproximace funkcí. Chceme þvzoreèekÿ. Známe: celý prùbìh funkce
Aproximace funkcí 1/13 Známe: celý prùbìh funkce Chceme þvzoreèekÿ hodnoty ve vybraných bodech, pøíp. i derivace Kvalita údajù: známe pøesnì (máme algoritmus) známe pøibli¾nì (experiment èi simulace) {
VíceMatematika II Lineární diferenciální rovnice
Matematika II Lineární diferenciální rovnice RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Lineární diferenciální rovnice Denice
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceViriálová stavová rovnice 1 + s.1
Viriálová stavová rovnice 1 + s.1 (Mírnì nestandardní odvození Prùmìrná energie molekul okolo vybrané molekuly (β = 1/(k B T : 0 u(r e βu(r 4πr 2 dr Energie souboru N molekul: U = f 2 k B T + N 2 2V Tlak
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceMatematika II Limita a spojitost funkce, derivace
Matematika II Limita a spojitost funkce, derivace RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Prstencové a kruhové okolí bodu
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceExponenciální rozdìlení
Exponenciální rozdìlení Ing. Michael Rost, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích Katedra aplikované matematiky a informatiky Exponenciální rozdìlení Exp(A, λ) "Rozdìlení bez pamìti" Exponenciální
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceMatematika I Ètvercové matice - determinanty
Matematika I Ètvercové matice - determinanty RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Co u¾ známe? vektory - základní operace
VíceVektor náhodných veli in - práce s více prom nnými
Vektor náhodných veli in - práce s více prom nnými 12. kv tna 2015 N kdy k popisu n jaké situace pot ebujeme více neº jednu náhodnou veli inu. Nap. v k, hmotnost, vý²ku. Mezi t mito veli inami mohou být
VíceTeorie Pøíèné vlny se ¹íøí v napjaté strunì pøibli¾nì rychlostí. v =
24. roèník, úloha V. E... strunatci (8 bodù; prùmìr 4,80; øe¹ilo 5 studentù) Vytvoøte si zaøízení, na kterém bude moci být upevnìna struna (èi gumièka) s promìnlivou délkou tak, ¾e bude napínána stále
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
VíceMatematika I Posloupnosti
Matematika I Posloupnosti RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Posloupnost Def. Nekoneènou posloupností reálných èísel
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceMatematika II Aplikace derivací
Matematika II Aplikace derivací RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Derivace slo¾ené funkce Vìta o derivaci slo¾ené funkce.
VíceCvièení { 2D Clausiova-Clapeyronova rovnice
Cvièení { 2D Clausiova-Clapeyronova rovnice 1/12 Evropský sociální fond þpraha & EU: Investujeme do va¹í budoucnostiÿ Inovace pøedmìtu Poèítaèová chemie je podporována projektem CHEMnote (Inovace bakaláøského
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
Vícev trojúhelníku P QC sestrojíme vý¹ky na základnu a jedno rameno, patu vý¹ky na rameno oznaèíme R a patu na základnu S
Øe¹ení 5. série IV. roèníku kategorie JUNIOR RS-IV-5-1 Pro na¹e úvahy bude vhodné upravit si na¹í rovnici do tvaru 3 jx 1 4 j+2 = 5 + 4 sin 2x: Budeme uva¾ovat o funkci na pravé stranì na¹í rovnice, tj.
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceMatematika II Extrémy funkcí více promìnných
Matematika II Extrémy funkcí více promìnných RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Parciální derivace vy¹¹ích øádù Def.
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceÚlohy k pøedná¹ce NMAG 102: Lineární algebra a geometrie 2, 2016
Úlohy k øedná¹ce NMG : Lineární algebra a geometrie, Verze ze dne kvìtna Toto je seznam øímoèarých øíkladù k øedná¹ce Úlohy z tohoto seznamu je nezbytnì nutné umìt øe¹it Oakování Nech» = ; ; a = rostoru
VíceÚvodní info. Studium
[mozilla le:/home/jiri/www/fch/cz/pomucky/kolafa/n4316.html] 1/16 Úvodní info Jiøí Kolafa Ústav fyzikální chemie V CHT Praha budova A, místnost 325 (zadním vchodem) jiri.kolafa@vscht.cz 2244 4257 Web pøedmìtu:
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceTématické celky { kontrolní otázky.
Tématické celky kontrolní otázky. Základy teorie pravdìpodobnosti..pravdìpodobnostní míra základní pojmy... Vysvìtlete pojem náhody, náhodného pokusu, náhodného jevu a jeho mno- ¾inovou interpretaci. Popi¹te
VíceRegresní analýza. Statistika II. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Statistika II Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu) této závislosti pomocí vhodné funkce
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
VíceLineární Regrese Hašovací Funkce
Hašovací Funkce Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v
VíceCharakterizují kvantitativně vlastnosti předmětů a jevů.
Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceOpakování: Standardní stav þ ÿ
Opakování: Standardní stav þ ÿ s.1 12. øíjna 215 Standardní stav þ ÿ = èistá slo¾ka ve stavu ideálního plynu za teploty soustavy T a standardního tlaku = 1 kpa, døíve 11,325 kpa. Èistá látka: Pøibli¾nì:
VíceHledání extrémů funkcí
Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání
Více11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah
11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceMolekulový počítačový experiment
Molekulový počítačový experiment 1/16 též pseudoexperiment REÁLNÝ EXPERIMENT Vedení laboratorního deníku POČÍTAČOVÝ EXPERIMENT Vedení laboratorního deníku Zvol metodu (přístroj, protokol) Zvol metody (MD,
VíceNMAI059 Pravděpodobnost a statistika
NMAI059 Pravděpodobnost a statistika podle přednášky Daniela Hlubinky (hlubinka@karlin.mff.cuni.cz) zapsal Pavel Obdržálek (pobdr@matfyz.cz) 205/20 poslední změna: 4. prosince 205 . přednáška. 0. 205 )
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceRovnováha kapalina{pára u binárních systémù
Rovnováha kapalina{pára u binárních systémù 1 Pøedpoklad: 1 kapalná fáze Oznaèení: molární zlomky v kapalné fázi: x i molární zlomky v plynné fázi: y i Poèet stupòù volnosti: v = k f + 2 = 2 stav smìsi
VíceMotivace: Poissonova rovnice
Motivace: Poissonova rovnice Zachovává se poèet el. indukèních èar: Q = D d s, S D = ε E Integrál spoèítáme pøes povrch krychlièky dx dy dz: dq = dvρ = D d s = dydz[d x (x + dx) D x (x)] = dxdydz S ( Dx
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
VíceMatematika pro chemické inženýry
Matematika pro chemické inženýry Drahoslava Janovská Lineární a nelineární regrese Přednášky ZS 2016-2017 Sponzorováno grantem VŠCHT Praha, PIGA 413-17-6642, 2016 Povinná látka. Bude v písemkách a bude
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceDnešní látka: Literatura: Kapitoly 3 a 4 ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceSTATISTICKÁ VAZBA. 1.1 Statistická vazba Charakteristiky statistické vazby dvou náhodných veličin Literatura 9
STATISTICKÁ VAZBA Obsah 1 Korelační analýza 1 1.1 Statistická vazba.................................... 1 1.2 Motivační příklady................................... 1 1.3 Sdružená distribuční funkce a nezávislost
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceAKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceNalezněte hladiny následujících funkcí. Pro které hodnoty C R jsou hladiny neprázdné
. Definiční obor a hladiny funkce více proměnných Nalezněte a graficky znázorněte definiční obor D funkce f = f(x, y), kde a) f(x, y) = x y, b) f(x, y) = log(xy + ), c) f(x, y) = xy, d) f(x, y) = log(x
VíceNumerická derivace a kvadratura
Numerická derivce kvdrtur 1/7 kvdrtur = výpoèet urèitého integrálu jednodimenzionální Dt prolo¾it vhodnou funkcí tu pk derivovt/integrovt. Vhodné, jsou-li dt ztí¾en chybmi. Pøíkld: Shomteov rovnice C pm(t)
Vícenazvu obecnou PDR pro neznámou funkci
Denice. Bu n N a Ω R d otev ená, d 2. Vztah tvaru F (x, u(x), Du(x),..., D (n 1) u(x), D (n) u(x)) = 0 x Ω (1) nazvu obecnou PDR pro neznámou funkci u : Ω R d R Zde je daná funkce. F : Ω R R d R dn 1 R
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
VíceFunkce jedné proměnné
Funkce jedné proměnné Příklad - V následujících příkladech v případě a) pro funkce dané rovnicí zjistěte zda jsou rostoucí klesající nebo konstantní vypočítejte průsečíky grafu s osami souřadnic a graf
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
Více2. prosince velikosti symboly a, b, je b ω a b = a b cosω (1) a. ω pro ω π/2, π platí a b = b a a (3) a b = a 1 b 1 + a 2 b 2 + a 3 b 3 (5)
Vektorové prostory se skalárním součinem 2. prosince 25 1 Skalární součin geometrických vektorů Skalární součin geometrických vektorů je definován jako součin jejich velikostí násobený kosinem jejich odchylky.
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
Více4. OBYČEJNÉ DIFERENCIÁLNÍ ROVNICE
FBI VŠB-TUO 28. března 2014 4.1. Základní pojmy Definice 4.1. Rovnice tvaru F (x, y, y, y,..., y (n) ) = 0 se nazývá obyčejná diferenciální rovnice n-tého řádu a vyjadřuje vztah mezi neznámou funkcí y
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceINTEGRÁLY S PARAMETREM
INTEGRÁLY S PARAMETREM b a V kapitole o integraci funkcí více proměnných byla potřeba funkce g(x) = f(x, y) dy proměnné x. Spojitost funkce g(x) = b a f(x, y) dy proměnné x znamená vlastně prohození limity
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Více8 Střední hodnota a rozptyl
Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
Více1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x
1 ZOBRAZENÍ 1 Zobrazení a algebraické struktury 1 Zobrazení Příklad 1.1. (a) Ukažte, že zobrazení f : x na otevřený interval ( 1, 1). x x +1 je bijekce množiny reálných čísel R (b) Necht a, b R, a < b.
VíceOdhady - Sdružené rozdělení pravděpodobnosti
Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy
Více