PRAVDĚPODOBNOST A STATISTIKA. Náhodná proměnná Vybraná spojitá rozdělení
|
|
- Věra Beránková
- před 5 lety
- Počet zobrazení:
Transkript
1 PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Vybrná spojitá rozdělení
2 Zákldní soubor u spojité náhodné proměnné je nespočetná množin. Z je tedy podmnožin množiny reálných čísel (R). Distribuční funkce spojité náhodné proměnné je spojitá funkce. Hustot prvděpodobnosti spojité náhodné proměnné je funkce: f :, 0, Pro kterou pltí: f ( x) dx 1 Pomocí hustoty prvděpodobnosti lze vytvořit příslušnou distribuční funkci vzthem: x F ( x) f ( t) dt U všech spojitých rozděleních náhodných proměnných budeme předpokládt, že zákldní soubor je roven reálným číslům (R).
3 Náhodná veličin X s rovnoměrným rozdělením X~R(,b),,b R, <b, má zákldní prostor Z = R hustotu prvděpodobnosti: Rovnoměrné rozdělení R(,b) distribuční funkci: jink b x b x f 0, 1 ) ( x b b x b x x x F 1 0 ) ( S1P Náhodná proměnná vybrná rozdělení
4 Hustot distribuční funkce: Rovnoměrné rozdělení R(,b)
5 Rovnoměrné rozdělení R(,b) Chrkteristiky: střední hodnot: rozptyl: medián: koef. šikmosti: koef. špičtosti: b E( X ) b D( X ) 1 ~ x b A3 ( X ) 0 9 A4 ( X )
6 Rovnoměrné rozdělení R(,b) Pod rovnoměrné rozdělení lze tké zřdit geometrickou prvděpodobnost (nezměnit s geometrickým rozdělením!). Geometrická prvděpodobnost je obdob klsické prvděpodobnosti, kde místo porovnání počtu prvků porovnáváme obshy, objemy, ( A) P( A) ( ) ( A), ( ) kde, velikosti množiny určuje délkovou, obshovou nebo objemovou míru Normovné rovnoměrné rozdělení: = 0, b = 1
7 Rovnoměrné rozdělení R(,b) Příkldy: 1) Mezi Brnem Prhou je ntžen telefonní link. Prvděpodobnost poruchy je n celé délce stejná. Spočtěte prvděpodobnost poruchy mezi km. ) Házíte jehly o délce cm n soustvu rovnoběžek, které jsou od sebe vzdáleny 8 cm. Spočtete prvděpodobnost, že jehl leží (nebo se dotýká) n nějké rovnoběžce. 3) Máte domluvenou schůzku s jednou dlší osobou mezi hodinou. Kždý z vás čeká 10 minut. S jkou prvděpodobností se setkáte?
8 Exponenciální rozdělení Exp(, λ) Náhodná veličin X s exponenciálním rozdělením X~Exp(, λ),,λ R, λ >0, má zákldní prostor Z = R hustotu prvděpodobnosti: f ( x) e ( x) 0 x jink distribuční funkci: F( x) 1 e 0 ( x) x jink
9 Exponenciální rozdělení Exp(, λ) Chrkteristiky: střední hodnot: rozptyl: medián: E( X ) D( X ) 1 1 ~ 1 1 x ln koef. šikmosti: A3 ( X ) koef. špičtosti: A4 ( X ) 9 3 6
10 Exponenciální rozdělení Exp(, λ)
11 Exponenciální rozdělení Exp(, λ) Normovné Exponenciální rozdělení: Exp(0, 1) Náhodná veličin X udává náhodnou dobu čekání n nějkou událost, která se může dostvit se stejnou šncí kždým okmžikem, bez ohledu n dosud pročeknou dobu. Příkldy plikce: - dob životnosti čekání n poruchu - dob čekání ve frontě - modelování čsu rozpdu částic
12 λ intenzit poruchy 1/λ střední dob čekání Exponenciální rozdělení je vhodným modelem, kdy nás zjímá rozdělení doby X do poruchy nějkého zřízení, přitom prvděpodobnost poruchy v následujících x hodinách není ovlivněn předcházející historií zřízení. Rozdělení se tké nzývá rozdělením bez pměti. Tedy Exponenciální rozdělení popisuje dobře rozdělení život zřízení, u nichž dochází k poruše z náhodných příčin, nikoliv v důsledku opotřebení nebo únvy mteriálu. S1P Náhodná proměnná vybrná rozdělení Exponenciální rozdělení Exp(, λ) ) ( ) ( ) ( x X P X P x X P ) ( ) ( ) ( ) ( ) ( ) ( x X P X P x X P X P X x X P X x X P
13 Exponenciální rozdělení Exp(, λ) Příkld: X~Exp(0, 1) A náhodný jev poruch nstne v intervlu <0, ln(3)> B náhodný jev poruch nstne v intervlu <ln(3), *ln(3)> Spočtěte: P(A), P(B), P(B/neg(A)).
14 Erlngovo rozdělení Er(k, λ) Náhodná veličin X s Erlngovým rozdělením X~Er(k, λ), kn,λr, λ>0, má zákldní prostor Z = R hustotu prvděpodobnosti: Chrkteristiky: střední hodnot: rozptyl: koef. šikmosti: koef. špičtosti: k x f ( x) ( k 1)! 0 E( X ) D( X ) A3 ( X ) k k k e k1 x 6 A4 ( X ) 33 k 6 k x 0 jink
15 Erlngovo rozdělení Er(k, λ)
16 Erlngovo rozdělení Er(k, λ) Náhodná veličin X udává náhodnou dobu čekání n k-té opkování nějké události, která se může dostvit se stejnou šncí kždým okmžikem, bez ohledu n dosud pročeknou dobu. Příkldy plikce: - dob životnosti čekání n k-tou poruchu - dob čekání ve frontě - modelování čsu rozpdu částic k částic
17 Normální rozdělení N(μ, σ ) Náhodná veličin X s normálním rozdělením X~N(μ, σ ), μ, σ R, σ >0, má zákldní prostor Z = R hustotu prvděpodobnosti: f ( x) 1 ( x) e Chrkteristiky: střední hodnot: rozptyl: medián: modus: koef. šikmosti: koef. špičtosti: E(X ) D( X ) x~ xˆ A3 ( X ) 0 A4 ( X ) 33 0
18 Normální rozdělení N(μ, σ )
19 Normální rozdělení N(μ, σ ) Vlstnosti: 1) Nechť X ~ N(, ), b R; b 0, pk pltí: Y bx ~ N( b, b ) ) Nechť X ~ N(, ), pk pltí: X U ~ N(0,1) Náhodná proměnná U má normovné normální rozdělení. Hustot se znčí (u) distribuční funkce: (u).
20 Normovné normální rozdělení N(0, 1) Náhodná veličin X s normovným normálním rozdělením X~N(0, 1), má zákldní prostor Z = R hustotu prvděpodobnosti: ( u) 1 e u distribuční funkci: u t 1 ( u) e dt
21 Normovné normální rozdělení N(0, 1) Vlstnosti: 1) Nechť U ~ N(0,1), pk pltí: ( u) ( u) ) Nechť X ~ N(, ), pk pltí:. ( u) 1 ( u) u 1 p u p x F ( x) x p u p
22 Weibullovo rozdělení Wb(δ, β) Náhodná veličin X s Weibulovým rozdělením X~Wb(δ, β ), δ, β R, δ,β>0, má zákldní prostor Z = R hustotu prvděpodobnosti: f ( x) x 0 1 e x x 0 jink Chrkteristiky: střední hodnot: rozptyl: medián: kde E( X ) (1 1 ) D (1 1 ) ( X ) (1 ) ~ x 1 ln k 1 t ( k) t e dt 0
23 Náhodná veličin X udává náhodnou dobu čekání n nějkou událost, která se může dostvit kždým okmžikem. N rozdíl od náhodné veličiny s exponenciálním rozdělením má dosud pročekná dob vliv n prvděpodobnost nstoupení události. λ = δ, k= β Weibullovo rozdělení Wb(δ, β)
24 Weibullovo rozdělení Wb(δ, β) Prmetr δ: Tento prmetr mění měřítko n čsové ose, npříkld hodiny, měsíce, cykly, td. Prmetr β: Prmetr tvru typicky nbývá hodnoty mezi ovlivňuje tvr (průběh) funkce hustoty prvděpodobnosti. Weibullovo rozdělení může v závislosti n hodnotě prmetru tvru proximovt i jiná užitečná rozdělení. Npříkld pro(viz. obr. 4): β =1 Weibullovo rozdělení je identické k exponenciálnímu rozdělení, β = Weibullovo rozdělení je identické k Ryleighovu rozdělení, β =.5 Weibullovo rozdělení proximuje lognormální rozdělení, β =3.6 Weibullovo rozdělení proximuje normální rozdělení.
25 Weibullovo rozdělení Wb(δ, β)
26 Ryleighovo rozdělení R(δ) Speciální přípd Weibulov rozdělení: X~R(δ)=Wb(δ, ). Hustot prvděpodobnosti: x x f ( x) e x 0 0 jink Chrkteristiky: střední hodnot: rozptyl: medián: kde E( X ) (3/ ) D ( X ) () ~ x 1 ln k 1 t ( k) t e dt 0 (3/ )
27 Lognormální rozdělení LN(ѳ, τ ) Náhodná veličin X je trnsformcí náhodně veličiny Y LN(ѳ, τ ) tk, že X = exp(y). Hustot prvděpodobnosti: f (ln( x) 1 ( x) e x ) Chrkteristiky: střední hodnot: rozptyl: E( X ) e D( X ) e e 1
28 Lognormální rozdělení LN(ѳ, τ )
29 Aproximce diskrétních rozdělení Z vhodných podmínek lze Binomického rozdělení nhrdit Normálním rozdělením. K tomu se využívá Moivre-Lplceov vět. Moivre-Lplceov vět: Nechť X1,, X n, je posloupnost vzájemně nezávislých náhodných veličin, pro které pltí: ~ A( p) Pk náhodná proměnná Y normální rozdělení. Tedy: X i n n i1 X i np(1 limy n n np má symptoticky normovné V prxi můžeme Binomické rozdělení Bi(n,p) nhrdit Normálním N(μ, σ ) z těchto podmínek: np(1-p) > 9. Tedy μ =np, σ = np(1-p) p) ~ N(0,1) Bi(n,p) N(np, np(1-p)).
30 Aproximce diskrétních rozdělení Z vhodných podmínek lze jedno rozdělení nhrdit jiným proximce Binomického rozdělení:pomocí Normálního rozdělení Při výpočtu P( X b) F( b) F( ) lze použít vzorec: b np np(1 np) np np(1 np) U diskrétních náhodných proměnných se čsto počítá prvděpodobnost v jednotlivých bodech. Pk bychom při použití této proximce dostli 0. Proto se zvádí korekce: P( X P( X b) b) F( b 0.5) F( 0.5) b 0.5 np np(1 np) 0.5 np np(1 np) Vhodnost proximce se zlepšuje - čím je p blíže 0,5 - s rostoucím rozptylem (proto podmínk np(1-np) >9)
31 Aproximce diskrétních rozdělení Příkldy: 1) Hodíte 1000x kostkou. S jkou prvděpodobností počet pdnutí 6 bude mezi (včetně)?
Téma 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
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
VícePRAVDĚPODOBNOST A STATISTIKA. Metoda momentů Metoda maximální věrohodnosti
SP3 Odhady arametrů PRAVDĚPODOBNOST A STATISTIKA Metoda momentů Metoda maimální věrohodnosti SP3 Odhady arametrů Metoda momentů Vychází se z: - P - ravděodobnostní rostor - X je náhodná roměnná s hustotou
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
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
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
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
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr 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
VíceSPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení
SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
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.
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
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
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
Víceje jedna z orientací určena jeho parametrizací. Je to ta, pro kterou je počátečním bodem bod ϕ(a). Im k.b.(c ) ( C ) (C ) Obr Obr. 3.5.
10. Komplexní funkce reálné proměnné. Křivky. Je-li f : (, b) C, pk lze funkci f povžovt z dvojici (u, v), kde u = Re f v = Im f. Rozdíl proti vektorovému poli je v tom, že jsou pro komplexní čísl definovány
VíceLDF MENDELU. Simona Fišnarová (MENDELU) Určitý integrál ZVMT lesnictví 1 / 26
Určitý integrál Zákldy vyšší mtemtiky LDF MENDELU Podpořeno projektem Průřezová inovce studijních progrmů Lesnické dřevřské fkulty MENDELU v Brně (LDF) s ohledem n discipĺıny společného zákldu http://kdemie.ldf.mendelu.cz/cz
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
VíceOBECNÝ URČITÝ INTEGRÁL
OBECNÝ URČITÝ INTEGRÁL Zobecnění Newtonov nebo Riemnnov integrálu se definují různým způsobem dostnou se někdy různé, někdy stejné pojmy. V tomto textu bude postup volen jko zobecnění Newtonov integrálu,
VíceA DIRACOVA DISTRIBUCE 1. δ(x) dx = 1, δ(x) = 0 pro x 0. (1) Graficky znázorňujeme Diracovu distribuci šipkou jednotkové velikosti (viz obr. 1).
A DIRACOVA DISTRIBUCE A Dircov distribuce A Definice Dircovy distribuce Dircovu distribuci δx) lze zvést třemi ekvivlentními způsoby ) Dirc [] ji zvedl vzthy δx) dx, δx) pro x ) Grficky znázorňujeme Dircovu
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
Více2. Funkční řady Studijní text. V předcházející kapitole jsme uvažovali řady, jejichž členy byla reálná čísla. Nyní se budeme zabývat studiem
2. Funkční řd Studijní text 2. Funkční řd V předcházející kpitole jsme uvžovli řd, jejichž člen bl reálná čísl. Nní se budeme zbývt studiem obecnějšího přípdu, kd člen řd tvoří reálné funkce. Definice
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
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
VíceVzdělávací materiál. vytvořený v projektu OP VK. Název školy: Gymnázium, Zábřeh, náměstí Osvobození 20. Číslo projektu: CZ.1.07/1.5.00/34.
Vzdělávcí mteriál vytvořený v projektu OP VK Název školy: Gymnázium, Zářeh, náměstí Osvoození 20 Číslo projektu: Název projektu: Číslo název klíčové ktivity: CZ.1.07/1.5.00/34.0211 Zlepšení podmínek pro
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.
VíceVIII. Primitivní funkce a Riemannův integrál
VIII. Primitivní funkce Riemnnův integrál VIII.2. Primitivní funkce Definice. Nechť funkce f je definován n neprázdném otevřeném intervlu I. Řekneme, že funkce F : I R je primitivní funkce k f n intervlu
VíceDefinice. Nechť k 0 celé, a < b R. Definujeme. x < 1. ϕ(x) 0 v R. Lemma [Slabá formulace diferenciální rovnice.] x 2 1
9. Vriční počet. Definice. Nechť k 0 celé, < b R. Definujeme C k ([, b]) = { ỹ [,b] : ỹ C k (R) } ; C 0 ([, b]) = { y C ([, b]) : y() = y(b) = 0 }. Důležitá konstrukce. Shlzovcí funkce (molifiér, bump
Více26. listopadu a 10.prosince 2016
Integrální počet Přednášk 4 5 26. listopdu 10.prosince 2016 Obsh 1 Neurčitý integrál Tbulkové integrály Substituční metod Metod per-prtes 2 Určitý integrál Geometrické plikce Fyzikální plikce K čemu integrální
VíceR n výběr reprezentantů. Řekneme, že funkce f je Riemannovsky integrovatelná na
Mtemtik II. Určitý integrál.1. Pojem Riemnnov určitého integrálu Definice.1.1. Říkáme, že funkce f( x ) je n intervlu integrovtelná (schopná integrce), je-li n něm ohrničená spoň po částech spojitá.
Více+ c. n x ( ) ( ) f x dx ln f x c ) a. x x. dx = cotgx + c. A x. A x A arctgx + A x A c
) INTEGRÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ ) Pojem neurčitého integrálu Je dán funkce Pltí všk tké F tk, y pltilo F ( ) f ( ) Zřejmě F ( ), protože pltí, 5,, oecně c, kde c je liovolná kon- stnt f ( ) nším
VíceVIII. Primitivní funkce a Riemannův integrál
VIII. Primitivní funkce Riemnnův integrál VIII.2. Riemnnův integrál opkování Vět. Nechť f je spojitá funkce n intervlu, b nechť c, b. Oznčíme-li F (x) = x (, b), pk F (x) = f(x) pro kždé x (, b). VIII.3.
VíceObecně: K dané funkci f hledáme funkci ϕ z dané množiny funkcí M, pro kterou v daných bodech x 0 < x 1 <... < x n. (δ ij... Kroneckerovo delta) (4)
KAPITOLA 13: Numerická integrce interpolce [MA1-18:P13.1] 13.1 Interpolce Obecně: K dné funkci f hledáme funkci ϕ z dné množiny funkcí M, pro kterou v dných bodech x 0 < x 1
VíceIntegrální počet - II. část (určitý integrál a jeho aplikace)
Integrální počet - II. část (určitý integrál jeho plikce) Michl Fusek Ústv mtemtiky FEKT VUT, fusekmi@feec.vutbr.cz 7. přednášk z ESMAT Michl Fusek (fusekmi@feec.vutbr.cz) 1 / 23 Obsh 1 Určitý vlstní (Riemnnův)
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
VíceKŘIVKOVÉ INTEGRÁLY. Křivka v prostoru je popsána spojitými funkcemi ϕ, ψ, τ : [a, b] R jako množina bodů {(ϕ(t), ψ(t), τ(t)); t
KŘIVKOVÉ INTEGRÁLY Má-li se spočítt npř. spotřeb betonu n rovný plot s měnící se výškou, stčí spočítt integrál z této výšky podle zákldny plotu. o když je le zákldnou plotu nikoli rovná úsečk, le křivá
VíceV předchozích kapitolách byla popsána inverzní operace k derivování. Zatím nebylo jasné, k čemu tento nástroj slouží.
NEWTONŮV INTEGRÁL V předchozích kpitolách byl popsán inverzní operce k derivování Ztím nebylo jsné, k čemu tento nástroj slouží Uvžujme trmvj, která je poháněn elektřinou při brždění vyrábí dynmem elektřinu:
Více8. Elementární funkce
Historie přírodních věd potvrzuje, že většinu reálně eistujících dějů lze reprezentovt mtemtickými model, které jsou popsán tzv. elementárními funkcemi. Elementární funkce je kždá funkce, která vznikne
VíceS1P Příklady 02. Náhodná proměnná (veličina) Mějme krabičku o rozměrech 1 x 2 x 3 cm. Na stranách jsou obrázky: :
S1P Příklady 02 Náhodná proměnná (veličina) Mějme krabičku o rozměrech 1 2 3 cm Na stranách jsou obrázky: : Ω ={strom, houba, kytka, slunce, dům, ryba} Pravděpodobnost jednotlivých elementárních jevů odpovídá
Více4. Determinanty. Výpočet: a11. a22. a21. a12. = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 13 a 22 a 31. a 11 a 23 a 32 a 12 a 21 a 33
. Determinnty Determinnt, znčíme deta, je číslo přiřzené čtvercové mtici A. Je zveden tk, by pro invertibilní mtici byl nenulový pro neinvertibilní mtici byl roven nule. Výpočet: = + = + + - - - + + +
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
Vícex + F F x F (x, f(x)).
I. Funkce dvou více reálných proměnných 8. Implicitně dné funkce. Budeme se zbývt úlohou, kdy funkce není zdná přímo předpisem, který vyjdřuje závislost její hodnoty n hodnotách proměnných. Jeden z možných
VíceKomplexní čísla tedy násobíme jako dvojčleny s tím, že použijeme vztah i 2 = 1. = (a 1 + ia 2 )(b 1 ib 2 ) b 2 1 + b2 2.
7 Komplexní čísl 71 Komplexní číslo je uspořádná dvojice reálných čísel Komplexní číslo = 1, ) zprvidl zpisujeme v tzv lgebrickém tvru = 1 + i, kde i je imginární jednotk, pro kterou pltí i = 1 Číslo 1
VícePříklad 22 : Kapacita a rozložení intenzity elektrického pole v deskovém kondenzátoru s jednoduchým dielektrikem
Příkld 22 : Kpcit rozložení intenzity elektrického pole v deskovém kondenzátoru s jednoduchým dielektrikem Předpokládné znlosti: Elektrické pole mezi dvěm nbitými rovinmi Příkld 2 Kpcit kondenzátoru je
Více17 Křivky v rovině a prostoru
17 Křivky v rovině prostoru Definice 17.1 (rovinné křivky souvisejících pojmů). 1. Nechť F (t) [ϕ(t), ψ(t)] je 2-funkce spojitá n, b. Rovinnou křivkou nzveme množinu : {F (t) : t, b } R 2. 2-funkce F [ϕ,
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 STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Číselné charateristiy náhodných proměnných Charateristiy náhodných proměnných dělíme nejčastěji na charateristiy polohy a variability. Mezi charateristiy polohy se nejčastěji
VícePřednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP
IV Přednáška Diskrétní náhodná proměnná Charakteristiky DNP Základní rozdělení DNP Diskrétní náhodná veličina Funkce definovaná na Ω, přiřazující každému elementárnímu jevu E prvky X(E) D R kde D je posloupnost
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
Víceintegrovat. Obecně lze ale říct, že pokud existuje určitý integrál funkce podle různých definic, má pro všechny takové definice stejnou hodnotu.
Přednášk 1 Určitý integrál V této přednášce se budeme zbývt určitým integrálem. Eistuje několik definic určitého integrálu funkce jedné reálné proměnné. Jednotlivé integrály se liší v tom, jké funkce lze
Více( a) Okolí bodu
0..5 Okolí bodu Předpokldy: 40 Pedgogická poznámk: Hodin zjevně překrčuje možnosti většiny studentů v 45 minutách. Myslím, že nemá cenu přethovt do dlší hodiny, příkldy s redukovnými okolími nejsou nutné,
VícePřehled základních vzorců pro Matematiku 2 1
Přehled zákldních vzorců pro Mtemtiku 1 1. Limity funkcí definice Vlstní it v bodě = : f() = ɛ > 0, δ > 0 tk, že pro : ( δ, δ), pltí f() ( ɛ, ɛ) Vlstní it v bodě = : f() = ɛ > 0, c > 0 tk, že pro : > c,
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
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
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
VíceNEWTONŮV INTEGRÁL. V předchozích kapitolách byla popsána inverzní operace k derivování. Zatím nebylo jasné, k čemu tento nástroj slouží.
NEWTONŮV INTEGRÁL V předchozích kpitolách byl popsán inverzní operce k derivování. Ztím nebylo jsné, k čemu tento nástroj slouží. Uvžujme trmvj, která je poháněn elektřinou při brždění vyrábí dynmem elektřinu:
VíceZÁKLADY. y 1 + y 2 dx a. kde y je hledanou funkcí proměnné x.
VARIAČNÍ POČET ZÁKLADY V prxi se čsto hledjí křivky nebo plochy, které minimlizují nebo mximlizují jisté hodnoty. Npř. se hledá nejkrtší spojnice dvou bodů n dné ploše, nebo tvr zvěšeného ln (má minimální
VíceLIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení
LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení Způsoby statistického šetření Vyčerpávající šetření prošetření všech jednotek statistického souboru (populace) Výběrové šetření ze základního souboru
VíceNÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
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
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 =
VíceDERIVACE A INTEGRÁLY VE FYZICE
DOPLŇKOVÉ TEXTY BB0 PAVEL SCHAUER INTERNÍ MATERIÁL FAST VUT V BRNĚ DERIVACE A INTEGRÁLY VE FYZICE Obsh Derivce... Definice derivce... Prciální derivce... Derivce vektorů... Výpočt derivcí... 3 Algebrická
VíceÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.
ROZDĚLENÍ NV ÚVOD Velké skupiny náhodných pokusů vykazují stejné pravděpodobnostní chování Mince panna/orel Výška mužů/žen NV mohou být spojeny s určitým pravděpodobnostním rozdělení (již známe jeho hustotu
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
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka
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.
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipa.cz Pravděpodobnost a matematická statistika 2010 1.týden 20.09.-24.09. Data, tp dat, variabilita, frekvenční analýza histogram,
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
VíceNáhodná 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
Více5. B o d o v é o d h a d y p a r a m e t r ů
5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme
VíceMatematika 1A. PetrSalačaJiříHozman Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci
Mtemtik 1A. PetrSlčJiříHozmn Fkult přírodovědně-humnitní pedgogická Technická univerzit v Liberci petr.slc@tul.cz jiri.hozmn@tul.cz 21.11.2016 Fkult přírodovědně-humnitní pedgogická TUL ZS 2016-2017 1/
Vícemnožina, na které je zavedena určitá struktura. Zejména, součet každých dvou prvků X = [x 1,..., x n ] R n,
Náplní předmětu bude klkulus R n R (přípdně R m ). Proč se zbývt funkcemi více proměnných? V prxi je čsto třeb uvžovt veličiny, které závisejí n více než jedné proměnné, npř. objem rotčního kužele závisí
Více6. Setrvačný kmitový člen 2. řádu
6. Setrvčný kmitový člen. řádu Nejprve uvedeme dynmické vlstnosti kmitvého členu neboli setrvčného členu. řádu. Předstviteli těchto členů jsou obvody nebo technická zřízení, která obshují dvě energetické
VíceAž dosud jsme se zabývali většinou reálnými posloupnostmi, tedy zobrazeními s definičním
Limit funkce. Zákldní pojmy Až dosud jsme se zbývli většinou reálnými posloupnostmi, tedy zobrzeními s definičním oborem N. Nyní obrátíme svou pozornost n širší třídu zobrzení. Definice.. Zobrzení f, jehož
Vícey = 0, ,19716x.
Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému
Vícenaopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.
Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
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
Více10 Určitý integrál Riemannův integrál. Definice. Konečnou posloupnost {x j } n j=0 nazýváme dělením intervalu [a,b], jestliže platí
10 Určitý integrál 10.1 Riemnnův integrál Definice. Konečnou posloupnost {x j } n j=0 nzýváme dělením intervlu [,b], jestliže pltí = x 0 < x 1 < < x n = b. Body x 0,...,x n nzýváme dělícími body. Normou
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceŘešené příklady k MAI III.
Řešené příkldy k MAI III. Jkub Melk 28. říjn 2007 1 Obsh 1 Metrické prostory 2 1.1 Teoretickéotázky.... 2 1.2 Metriky..... 4 1.3 Anlýzmnožin... 4 1.3.1 Uzávěry... 4 1.3.2 Zkoumejtenásledujícímnožiny....
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
Více7. Integrální počet Primitivní funkce, Neurčitý integrál
7. Integrální počet 7.. Primitivní funkce, Neurčitý integrál Definice 7. Říkáme, že F (x) je v intervlu (, b) (přitom může být tké =, b = + ) primitivní funkcí k finkci f(x), jestliže pro všechn x (, b)
Více3 NÁHODNÁ VELIČINA. Čas ke studiu kapitoly: 80 minut. Cíl: Po prostudování tohoto odstavce budete umět
NÁHODNÁ VELIČINA Čs ke studiu kpitol: 8 minut Cíl: o studování tohoto odstvce udete umět oecně popst náhodnou veličinu pomocí distriuční funkce chrkterizovt diskrétní i spojitou náhodnou veličinu porozumět
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceZáklady teorie matic
Zákldy teorie mtic 1. Pojem mtice nd číselným tělesem In: Otkr Borůvk (uthor): Zákldy teorie mtic. (Czech). Prh: Acdemi, 1971. pp. 9--12. Persistent URL: http://dml.cz/dmlcz/401328 Terms of use: Akdemie
Více4. přednáška 22. října Úplné metrické prostory. Metrický prostor (M, d) je úplný, když každá cauchyovská posloupnost bodů v M konverguje.
4. přednášk 22. říjn 2007 Úplné metrické prostory. Metrický prostor (M, d) je úplný, když kždá cuchyovská posloupnost bodů v M konverguje. Příkldy. 1. Euklidovský prostor R je úplný, kždá cuchyovská posloupnost
VíceIntegrální počet - IV. část (aplikace na určitý vlastní integrál, nevlastní integrál)
Integrální počet - IV. část (plikce n určitý vlstní integrál, nevlstní integrál) Michl Fusek Ústv mtemtiky FEKT VUT, fusekmi@feec.vutbr.cz 9. přednášk z AMA Michl Fusek (fusekmi@feec.vutbr.cz) / 4 Obsh
VíceMatematické metody v kartografii
Mtemtické metody v krtogrfii. Přednášk Referenční elipsoid zákldní vzthy. Poloměry křivosti. Délky poledníkového rovnoběžkového oblouku. 1. Zákldní vzthy n rotčním elipoidu Rotční elipsoid dán následujícími
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
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
VíceII. 5. Aplikace integrálního počtu
494 II Integrální počet funkcí jedné proměnné II 5 Aplikce integrálního počtu Geometrické plikce Určitý integrál S b fx) dx lze geometricky interpretovt jko obsh plochy vymezené grfem funkce f v intervlu
Více