Obsah přednášky. 1. Základní pojmy. 2. Jednorozměrné charakteristiky 3. Rozložení 4. Vícerozměrné charakteristiky. Jak stručně popsat data
|
|
- Ivo Ševčík
- před 5 lety
- Počet zobrazení:
Transkript
1
2 Obah přednášky 1. Základní pojmy. Jednorozměrné charakteritiky 3. Rozložení 4. Vícerozměrné charakteritiky Jak tručně popat data 5. Hypotézy, tety O kvalitě dat a modelů
3 Základní a výběrový oubor, pravděpodobnot, věrohodnot Základní oubor (ZS) Pravděpodobnot (P)? Věrohodnot (L) Výběrový oubor???základní oubor??základní oubor? 3
4 Pravděpodobnot v. věrohodnot Na základě konkrétního výběru lze bez vhodně tanovených omezujících podmínek vyrobit nekonečně mnoho ZS, pro které mohl výběr natat. Pravděpodobnot i věrohodnot jou podmíněné pravděpodobnoti. Zapišme podmíněnou pravděpodobnot takto p(<jev> <předpoklad>). Rozdíl je v tom, co je neznámá; v případě podmíněné pravděpodobnoti je neznámou jev (výběr), v případě věrohodnoti předpoklad (ZS). pravděpodobnot: věrohodnot ZS výběr p výběr ZS = 1 p výběr ZS Pokud je omezen počet ZS, které mohou eitovat, platí, že ZS p výběr ZS = kont., čehož využívá např. zápi Bayeova vzorce bez tzv. evidence = p(výběr), jejíž zjištění vyžaduje velké množtví dat. Další ukázka dále v přednášce u -rozměrných charakteritik družená pravděpodobnot. VIS: vyvětli rozdíl mezi pravděpodobnotí a věrohodnotí 4
5 Pravděpodobnot v. věrohodnot Pravděpodobnot P (probability) základní výběrový P, že natane právě tento výběr. ΣP = 1 deduktivní charakter Př.: známe základní oubor nebo ytém (hazardní hry) Věrohodnot L (likelihood) výběrový základní L, že výběr pochází právě z tohoto základního ouboru. ΣL = libovolné čílo induktivní charakter Př.: většina případů, pracujeme většími či menšími vzorky, hypotézy o základním ouboru VIS: vyvětli rozdíl mezi pravděpodobnotí a věrohodnotí 5
6 6 Podmíněná pravděpodobnot Bayeův vzorec Pojmy, Charakteritiky1, Rozložení, Charakteritiky, Hypotézy a tety A p H p H A p H p H A p H p H A p A H p k k K i i i k k k 1 H 1 H H 3 H 4 H 5 A
7 Proměnná (veličina, atribut) nezávilá, vtupní, vyvětlující, prediktor - závilá, výtupní, vyvětlovaná, cílová veličina - y jednorozměrná vícerozměrná kvalitativní kvantitativní? jaký je rozdíl mezi závilou a vyvětlovanou proměnnou 7
8 Další pojmy charakteritika (jedno-více rozměrná) hitogram (třídy) rozložení (rozdělení) funkce hutoty pravděpodobnoti ditribuční funkce kvartil, centil, percentil tatitika popiná (charakterizuje větší množtví dat) a induktivní (analýza, z mála vypovídá o celku) variace a kombinace /bez opakování permutace? rozdíl mezi hutotou pravděpodobnoti a ditribuční funkcí, kolik definujeme kvartilů v libovolném rozložení 8
9 Hitogram jako příznakový vektor Frekvence pímen 16,00% 14,00% Angličtina Francouzština 1,00% 10,00% 8,00% 6,00% 4,00%,00% 0,00% a b c d e f g h i j k l m n o p q r t u v w y z 9
10 Průměry aritmetický a N vážený. w w w harmonický (průměrná rychlot) geometrický N... g 1 N N h 1 medián (protřední hodnota) modu (nejčetněji zatoupená hodnota) 10
11 Něco málo z prae Kde je chyba?
12 Co je třední hodnota E()? Střední hodnota = míra polohy, obecný moment prvního řádu, průměr, tzv. očekávaná hodnota, Epectation E(). Očekávaná hodnota je definována jako oučet oučinů všech hodnot D(f) a jejich pravděpodobnoti p(), že budou při náhodném eperimentu pozorovány. E X = p, E X = f d U očekávané hodnoty je předpokládána znalot hutoty pravděpodobnoti nebo frekvenční funkce veličiny. Aritmetický průměr je aproimací třední hodnoty zíkanou z výběrového ouboru. Pravděpodobnot p() nahrazuje četnot nebo rozložení konkrétních hodnot ve výběru. 1
13 Rozptyl, měrodatná odchylka Rozptyl = variance var( ) N Výběrová variance N 1 Směrodatná odchylka Výběrová měrodatná odchylka N N 1 VIS: jaký je rozdíl mezi tatitickými charakteritikami σ a 13
14 14 Obecné a centrální momenty Obecný moment (k=1 třední hodnota) Centrální moment (k=1 0; k= rozptyl) Pojmy, Charakteritiky1, Rozložení, Charakteritiky, Hypotézy a tety Q i k i k i f X M d f X M k k Q i k i k i f X E X m d f X E X m k k
15 pojitá dikrétní Rozložení hutota pravděpodobnoti / frekvenční funkce ditribuční funkce 15
16 Binomické rozložení Binomické rozložení popiuje pravděpodobnot četnotí (k = 1..n) výkytu jevu A při provedení n pokuů. Binomické rozložení určuje chování znaku A a jeho negace A, znaky dohromady vyplňují celý pravděpodobnotní protor. Jev A natane pravděpodobnotí p A, nenatane prav. 1-p A. Binomické rozložení vyjadřuje pravděpodobnot, že při n pokuech událot A natala -krát a (n-)-krát nenatala. Frekvenční funkce (obdoba funkce hutoty pravděpodobnoti pro dikrétní rozložení) f() n n f p p A 1 A, i 0,1,,..., n 16
17 Koeficienty binomického rozložení Koeficient binomického rozložení udává počet variací, pro které po provedení n nezávilých eperimentů platí, že ledovaný jev natal právě -krát a n- krát nenatal. f n n p A 1 p Pravděpodobnot natolení jedné variace je rovna p A 1 p A n A 17
18 Grafy binomického rozložení 0.6 pravděpodobnot [-] f n n p A 1 p A pa=0,5 pa=0,3 pa=0,1 pa=0, , kolikrát natal jev A [-] 18
19 Vlatnoti binomického rozložení Binomické rozložení udává, jaká je pravděpodobnot výběrového ouboru bez ohledu na pořadí, v jakém byly prvky výběrového ouboru pořízeny. Binomické koeficienty lze zíkat z tzv. Pacalova či aritmetického trojúhelníku. Střední hodnota = n.p, rozptyl ( ) = n.p.(1-p) Binomické rozložení aproimuje normální rozložení pro p=0,5 a n. Normální rozložení je používáno jako aproimace rozložení binomického pro dotatečně velké p. Poionovo rozložení je používáno pro aproimaci binomického rozložení pro p<0,1 a n>30. Příklad: mince hozena 4-krát, urči pravděpodobnot, že orel padnul maimálně 3-krát. Aproimace normálním rozložením později (ilutrativní příklad, pro n=4 není důvod k aproimaci) 19
20 Normální rozložení (rozdělení) 1733 Abraham de Moivre, mince od hitogramu ke křivce 18. tol., Gau křivka chyb (geografická měření na základě atronomie) 19. tol. Quetelet [ketəlæ], kotští vojáci 0. tol. Pearon, nenormální rozložení loženo z několika normálních rozložení 0. tol. Eintein: Bůh nehraje v kotky. normální rozložení, zvonovitá křivka, Gauova křivka rozložení chyby, de Moivrova tochatika centrální limitní věta dle Ljapunova (nejobecnější definice) je-li znak určen půobením většího počtu navzájem nezávilých vlivů libovolného rozložení, je výledné rozložení alepoň přibližně normální 0
21 Centrální limitní věta
22
23 Rogue wave Ne každé rozložení je normální popci.typepad.com Náledující údaje nalezeny cca v roce 008, nedaří e mi však najít zdroj Každý týden e potopí 1 velká loď Každý měíc e potopí jeden tanker delší než 00m 3
24 Normální rozložení charakterizováno dvěma parametry μ a σ f 1 e F t 1 dt normované normální rozložení normovaná hodnota z pak μ z =0 a σ z =1, jedinou veličinou je z z 4
25 Normální rozložení odhad chyby (-σ,σ) 68,3% (-σ,σ) 95,0% (-3σ,3σ) 99,7% Jev A natane pravděpod. p A =0,. Provedli jme N=100 pokuů. Odhadněte pomocí normálního rozložení bez tabulek a kalkulačky, jakou pravděpodobnotí p natal jev A během N pokuů méně než 17-krát. Tedy: p(16), E()=N.p, =N.p.(1-p)? kolik procent (celočíelně) předtavují 3 uvedené intervaly (68%,95%,99%) 5
26 Tabelované hodnoty Tabelované hodnoty mohou vyjadřovat tejnou informaci různou formou. V grafech je ukázka funkce hutoty normálního rozložení a její tabelovaná hodnota pro =1,5. D(z), (z), (-z), * (z) 6
27 7
28 X (=etiny deetiny) 0,3 0,618 0,6 0,66 0,69 0,633 0,637 0,641 0,644 0,648 0,65 0,4 0,655 0,659 0,663 0,666 0,670 0,674 0,677 0,681 0,684 0,688 0,5 0,691 0,695 0,698 0,70 0,705 0,709 0,71 0,716 0,719 0,7 0,6 0,76 0,79 0,73 0,736 0,739 0,74 0,745 0,749 0,75 0,755 0,7 0,758 0,761 0,764 0,767 0,770 0,773 0,776 0,779 0,78 0,785 0,8 0,788 0,791 0,794 0,797 0,800 0,80 0,805 0,808 0,811 0,813 0,9 0,816 0,819 0,81 0,84 0,86 0,89 0,831 0,834 0,836 0, ,841 0,844 0,846 0,848 0,851 0,853 0,855 0,858 0,860 0,86 1,1 0,864 0,867 0,869 0,871 0,873 0,875 0,877 0,879 0,881 0,883 1, 0,885 0,887 0,889 0,891 0,893 0,894 0,896 0,898 0,900 0,901 1,3 0,903 0,905 0,907 0,908 0,910 0,911 0,913 0,915 0,916 0,918 1,4 0,919 0,91 0,9 0,94 0,95 0,96 0,98 0,99 0,931 0,93 1,5 0,933 0,934 0,936 0,937 0,938 0,939 0,941 0,94 0,943 0,944 1,6 0,945 0,946 0,947 0,948 0,949 0,951 0,95 0,953 0,954 0,954 1,7 0,955 0,956 0,957 0,958 0,959 0,960 0,961 0,96 0,96 0,963 1,8 0,964 0,965 0,966 0,966 0,967 0,968 0,969 0,969 0,970 0,971 1,9 0,971 0,97 0,973 0,973 0,974 0,974 0,975 0,976 0,976 0,977 Příklad: Pomocí binomického a normovaného normálního rozložení počtěte, jaká je pravděpodobnot, že po 4 hodech mincí padne orel ma 3-krát (zkute pro N = 8 hodů, ma 5-krát; zjitěte přenot aproimace). Binomické rozložení: - Přímo počítat z Pacalova trojúhelníku ( p = 1-p = 0,5 ) Normované normální rozložení: - = N.p, = N.p.(1-p) - převod počtu hodů na normované normální rozložení - odpočet z tabulky
29 Sdružená pravděpodobnot Mějme náhodné veličiny X={1,,3} a Y={y1,y}. p(x) a p(y) jou pravděpodobnotní funkce veličin X a Y, udávají pravděpodobnot výledků náhodných pokuů. Sdruženou pravděpodobnotí p(x,y) rozumíme pravděpodobnoti výledků kombinací hodnot veličin X a Y. Příklad: V uvedeném příkladu jou veličiny P(X) a P(Y) označovány jako marginální pravděpodobnoti. 9
30 Sdružená pravděpodobnot Příklad: Spočítejte hodnoty výrazů (družená a podmíněná pravděpodobnot): Rozdíl mezi pravděpodobnotí a věrohodnotí počítejte umy: 30
31 Vícerozměrné charakteritiky Kovariance jak e hodují veličiny v odchylkách od vé třední hodnoty. Může nabývat záporných, nulových i kladných hodnot. Čím větší abolutní hodnota (pro daný příklad), tím větší lineární závilot. y y n 1 Korelace normovaná kovariance (oběma měrodat. odch.), míra lineární záviloti y y y r y y y y Regree normovaná kovariance, zohledňuje závilot proměnných. r y y y 31
32 3 Kovariance 1 Pojmy, Charakteritiky1, Rozložení, Charakteritiky, Hypotézy a tety y y y A) B) C) 3 C B A C B A y y y 3,3 C B A C B A y y y 3,3 4 3 yy N y Jak ai vypadají původní data? průměr
33 Kovariance A) B) C) A y A yy A 3,3 3,3 B y B yy B 3,3 C y C yy C 1 3,3 Ze zadaných dat počítejte rozptyl a kovarianci. 33
34 Kovariance 3 Kovarianční matice pro veličiny: y y yy y yy y n 1 y y n 1 y y n 1 rozptyl v rozptyl v y kovariance Ze zadané kovarianční matice vypočtěte korelační koeficient. 34
35 Kovariance 4 Které z kovariančních matic nemohly z dat vzniknout a proč? A) B) C) D) NE Rozptyl nemůže být záporný NE Matice není ymetrická (kovariance y a y muejí být tejné) ANO Toto může být kovarianční matice NE Nedefinuje elipu ale hyperbolu, nemohlo vzniknout z naměřených dat (korelace = 5/3 > 1) 35
36 Vícerozměrné charakteritiky Korelace r y y y y y y Regree y = f() = f(y) r r y y y y y y y y y y y 36
37 Zdánlivé ouviloti Korelace může být zdánlivá / podmíněná délka ukní v. cena akcií ebevraždy žen po tranplantaci prních implantátů růt platu patora a ceny alkoholu tělené míry občanek BRD černá barva auta je nebezpečnější než barvy otatní (větší riziko nehody) 37
38 Hypotézy, tety volba H A a H 0 zaleží na řešeném problému chci dokázat H A, ale nelze dokázat přímo (nebo obtížně) zaměřím e na H 0 (doplněk k H A ), kterou lze dokázat hladina významnoti přejímací kontrola (chyba I. a II. druhu) I. druhu = chyba = fale poitive = H 0 zamítáme, i když je platná (a přijímáme H 1 ); P(H 1 H 0 ) II. druhu = chyba = fale negative = H 0 přijímáme, i když je chybná P(H 0 H 1 ) 38
39 . Tety hypotéz o průměrech a rozptylech H Pojmy, Charakteritiky1, Rozložení, Charakteritiky, Hypotézy a tety H : 0 tet právnoti výledku, hypotéza o rozdílu odhadu třední hodnoty z náhodného výběru a kontanty μ Par.:t-tet, Lordův tet / Nepar.: Wilcoon, Mann-Whitney 0 : A B tet hodnoti výledků; t-tet, Moorův tet / Wilco., M-W H0 : A B Tet hody dvou rozptylů; F-tet ANOVA tety (analýza rozptylu-vychází z předešlých tetů) zda více výběrů pochází ze tejného základního ouboru, tetuje e rozdíl ve třední hodnotě výběrů 39
40 tet čato používaný a velice jednoduchý tet podle hodnoty e dozvíme, jetli ledovaný příklad padá do % všech náhodných výledků může být příliš velké, ale i podezřele malé Otázka: odpovídá eperimentální rozdělení očekávanému? Odpověď: nulová hypotéza nebyla na hladině % zamítnuta nutné tanovit tupeň volnoti porovnání vypočtené a tabulkové hodnoty podle vzorce E T T E eperiment, pozorování (nutno naměřit) T teoretická, očekávaná (předpoklad) 40
41 E T T tet - příklad Prověřte H 0 : 1/3 aut jou červené, 1/3 bílé, 1/3 otatní Poku koukám z okna a dělám i čárky : E T /T B ,14 Č ,3 O ,55 = 9,9 Tvrzení H 0 lze zamítnou na hladině významnoti 0,01. V provozu není třetina aut červený, bílých a otatních. Příklad: Vypočti chí-kvadrát pro zadané hodnoty. Stupeň volnoti = Stupně volnoti 0,05 0,05 0, , ,8 5,0 6,6 7,9 6,0 7,4 9, 10,6 3 7,8 9,3 11,3 1,8 4 9,5 11,1 13,3 14,9 5 11,1 1,8 15,1 16,7
42 tet příklad zkute i ami Prověřte eperimentálně náledující hypotézu (60 pokuů): H 0 : pravděpodobnoti padnutí číel na kotce jou 1 0, 4 0,3 0, 5 0,1 3 0,1 6 0,1 =? Stupně volnoti =? 4
43 Příklad: rozhodnutí 3 jinak Máme dva modely M1 a M. Bylo provedeno 40 pokuů, přičemž model M1 byl lepší 5-krát než M. Je to tatiticky významný výledek? 1. Všimněme i, že nevíme o kolik byl lepší (což by ná mohlo vét např. k t-tetu), víme jen, že bylo N pokuů a k-krát byl jeden lepší než druhý.. Potavíme H0 = oba modely jou tejné ; čekali jme, že každý model bude lepší než druhý 0-krát. 3. K poouzení H0 můžeme použít z právě probíraných potupů: binomické rozložení, jeho aproimaci normálním rozložením nebo chí-kvadrát tet. 4. Zeleně jou zvýrazněny tatiticky významné výledky (na hladině 0,05) M M prum igma 3,16 3,16 3,16 3,16 3,16 3,16 3,16 Chí-q 1,67,67 3,96 5,58 7,6 10,16 13,33 Binom 0,9 0,96 0,98 0,99 1,00 1,00 1,00 Norm 0,90 0,94 0,97 0,99 0,99 1,00 1,00 43
44 Doporučená literatura [1] SWOBODA H.: Moderní tatitika, Svoboda, [] ANDĚL, J.: Statitické metody, Matfyzpre Praha, [3] Meloun M., Militký J.: Kompendium tatitického zpracování dat, Academia 006. [4] Zapletal J.: Základy počtu pravděpodobnoti a matematické tatitiky, kripta VUT. [5] nepřeberné množtví materiálů na internetu 44
Náhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
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
VíceANALÝZA A KLASIFIKACE DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík,, CSc. III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných dat je vyjádřen n-rozměrným loupcovým vektorem hodnot x i,
VícePracovní list č. 3: Pracujeme s kategorizovanými daty
Pracovní lt č. 3: Pracujeme kategorzovaným daty Cíl cvčení: Tento pracovní lt je určen pro cvčení ke 3. a. přednášce předmětu Kvanttatvní metody B (.1 Třídění tattckých dat a. Číelné charaktertky tattckých
VíceAproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
VíceSTATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a
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
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)
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VíceVyhodnocování impulsních m ěř m ení kvalita vysokonap ěťových měř m ení
Vyhodnocování impulních měření a kvalita vyokonapěťových měření 1 Měření impulních napětí Metody pro tanovení 50 konvenční (po hladinách) 3 Pravděpodobnotní papír 4 Výpočet 50 a pomocí metody nejmenších
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
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
Více3 Chyby měření. 3.1 Hrubé chyby
3 Chyby měření Za daných podmínek má každá fyzikální veličina určitou hodnotu, kterou ovšem z principiálních důvodů nemůžeme zjitit úplně přeně. Každé měření je totiž zatíženo chybami, které jou nejrůznějšího
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
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
Víceteorie elektronických obvodů Jiří Petržela syntéza elektronických obvodů
Jiří Petržela příklad nalezněte dvě různé realizace admitanční funkce zadané formou racionální lomené funkce Y () () ( ) ( ) : první krok rozkladu do řetězového zlomku () 9 7 9 výledný rozklad ( ) 9 9
VíceFUZZY STOCHASTICKÁ ANALÝZA SLOŽITÝCH SOUSTAV ČÁST II CHARAKTERISTIKY FUZZY NÁHODNÉ VELIČINY
FUZZY STOCHASTICKÁ ANALÝZA SLOŽITÝCH SOUSTAV ČÁST II CHARAKTERISTIKY FUZZY NÁHODNÉ VELIČINY FUZZY STOCHASTIC ANALYSIS OF COMPLEX SYSTEMS PART II CHARACTERISTICS OF FUZZY RANDOM VARIABLE Mirolav Pokorný
VíceTECHNICKÁ UNIVERZITA V LIBERCI. Ekonomická fakulta. Semestrální práce. Statistický rozbor dat z dotazníkového šetření školní zadání
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce Statistický rozbor dat z dotazníkového šetření školní zadání Skupina: 51 Vypracovaly: Pavlína Horná, Nikola Loumová, Petra Mikešová,
VíceVzorový protokol pro předmět Zpracování experimentu. Tento protokol by měl sloužit jako vzor pro tvorbu vašich vlastních protokolů.
Vzorový protokol pro předmět Zpracování experimentu. Tento protokol by měl loužit jako vzor pro tvorbu vašich vlatních protokolů. Na příkladech je zde ukázán právný zápi výledků i formát tabulek a grafů.
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,
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
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
VíceStatistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability
I Přednáška Statistika Diskrétní data Spojitá data Charakteristiky polohy Charakteristiky variability Statistika deskriptivní statistika ˆ induktivní statistika populace (základní soubor) ˆ výběr parametry
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 1: Opakování ze statistiky LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Z čeho studovat 1) Z KNIHY Krkošková,
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
VíceTESTOVÁNÍ HYPOTÉZ STATISTICKÁ HYPOTÉZA Statistické testy Testovací kritérium = B B > B < B B - B - B < 0 - B > 0 oboustranný test = B > B
TESTOVÁNÍ HYPOTÉZ Od statistického šetření neočekáváme pouze elementární informace o velikosti některých statistických ukazatelů. Používáme je i k ověřování našich očekávání o výsledcích nějakého procesu,
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
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Více4 HMM a jejich trénov
Pokročilé metody rozpoznávánířeči Přednáška 4 HMM a jejich trénov nování Skryté Markovovy modely (HMM) Metoda HMM (Hidden Markov Model kryté Markovovy modely) reprezentujeřeč (lovo, hláku, celou promluvu)
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VíceZPRACOVÁNÍ VÝBĚRŮ Z ASYMETRICKÝCH ROZDĚLENÍ
ZPRCOVÁÍ VÝBĚRŮ Z SYMERICKÝCH ROZDĚLEÍ JIŘÍ MILIKÝ, Katedra tetilních materiálů, echnická univerita v Liberci, 46 7 Liberec MIL MELOU, Katedra analytické chemie, Univerita Pardubice, Pardubice btrakt Jou
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
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 =
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Testování statistických hypotéz Testování statistických hypotéz Princip: Ověřování určitého předpokladu zjišťujeme, zda zkoumaný výběr pochází ze základního souboru, který má určité rozdělení zjišťujeme,
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
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
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
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Základy zpracování dat chemometrie, statistika Doporučenáliteratura
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
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 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
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
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
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
VícePracovní list č. 3 Charakteristiky variability
Pracovní lt č. 3 Charaktertky varablty 1. Př zjšťování počtu nezletlých dětí ve třcet vybraných rodnách byly zíkány tyto výledky: 1, 1, 0,, 3, 4,,, 3, 0, 1,,, 4, 3, 3, 0, 1, 1, 1,,, 0,, 1, 1,, 3, 3,. Upořádejte
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
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
VíceStatistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží
Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Zdeněk Karpíšek Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky. Statistika je logická a přesná metoda, jak nepřesně
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
Vícepopulace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.
Populace a Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 populace soubor jednotek, o jejichž vlastnostech bychom
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
VíceÚvod do problematiky měření
1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
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
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ týden doc Ing Renata WAGNEROVÁ, PhD Otrava 013 doc Ing Renata WAGNEROVÁ, PhD Vyoká škola báňká Technická univerzita
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
Více1 Seznamová barevnost úplných bipartitních
Barvení grafů pravděpodobnotní důazy Zdeně Dvořá 7. proince 208 Seznamová barevnot úplných bipartitních grafů Hypergraf je (labě) -obarvitelný, jetliže exituje jeho obarvení barvami neobahující monochromaticou
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
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
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
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
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
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
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
VíceZákladní statistické charakteristiky
Základní statistické charakteristiky Základní statistické charakteristiky slouží pro vzájemné porovnávání statistických souborů charakteristiky = čísla, pomocí kterých porovnáváme Základní statistické
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
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
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
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
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
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 )
Více1.1.14 Rovnice rovnoměrně zrychleného pohybu
..4 Rovnice rovnoměrně zrychleného pohybu Předpoklady: 3 Pedagogická poznámka: Stejně jako u předchozí hodiny je i v této hodině potřeba potupovat tak, aby tudenti měli minimálně minut na řešení příkladů
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:
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
Více12. cvičení z PST. 20. prosince 2017
1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceROZDĚLENÍ NÁHODNÝCH VELIČIN
ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
VíceZÁKLADNÍ STATISTICKÉ CHARAKTERISTIKY
zhanel@fsps.muni.cz ZÁKLADNÍ STATISTICKÉ CHARAKTERISTIKY METODY DESKRIPTIVNÍ STATISTIKY 1. URČENÍ TYPU ŠKÁLY (nominální, ordinální, metrické) a) nominální + ordinální neparametrické stat. metody b) metrické
VíceRovnice rovnoměrně zrychleného pohybu
..8 Rovnice rovnoměrně zrychleného pohybu Předpoklady: 7 Pedagogická poznámka: Stejně jako u předchozí hodiny je i v této hodině potřeba potupovat tak, aby tudenti měli minimálně píše minut na řešení příkladů
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.
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
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VícePříklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka
Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
Vícemarek.pomp@vsb.cz http://homel.vsb.cz/~pom68
Statistika B (151-0303) Marek Pomp ZS 2014 marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Cvičení: Pavlína Kuráňová & Marek Pomp Podmínky pro úspěšné ukončení zápočet 45 bodů, min. 23 bodů, dvě zápočtové
Více