Exponenciální rozdìlení
|
|
- Filip Pavlík
- před 5 lety
- Počet zobrazení:
Transkript
1 Exponenciální rozdìlení Ing. Michael Rost, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích Katedra aplikované matematiky a informatiky
2 Exponenciální rozdìlení Exp(A, λ) "Rozdìlení bez pamìti" Exponenciální rozdìlení je vhodným modelem doby èekání na výskyt nìjakého jevu. Vyu¾ívá se napøíklad v pojistné matematice pøi urèování (pravdìpodobnostního) rozdìlení vý¹e pojistného plnìní nebo èasu mezi nastalé pojistných událostí. Úzce souvisí s Poissonovým rozdìlením. Je to dùle¾ité rozdìlení pro teorii spolehlivosti. Pøíklady aplikace: doba ¾ivotnosti nìjaké vìci (tedy vlastnì doby èekání na poruchu) doba èekání ve fronì (systémy hromadné obsluhy)
3 Exponenciální rozdìlení Exp(A, λ) "Rozdìlení bez pamìti" doba od jedné poruchy ke druhé poru¹e ve fyzice pøi modelování èasu radioaktivního rozpadu èástic Jestli¾e Poissonovo rozdìlení modelovalo poèet nìjakých událostí v èase, exponenciální rozdìlení se pou¾ívá k modelování doby do výskytu pøíslu¹né události.
4 Hustota pravdìpodobnosti Hustotu pravdìpodobnosti lze vyjádøit jako: f(x) = 1 λ e (x A) λ prox > A (1) Parametr A lze interpretovat jako parametr posunutí na ose x. Parametr λ mù¾eme interpretovat stejnì jako u Poissonova rozdìlení. Zde jej lze oznaèit za intenzitu náhodné velièiny Èasto se spí¹e setkáme s neposunutým rozdìlením, kde A = 0. Hustota pak pøejde na tvar: f(x) = 1 λ e x λ. (2)
5 Graf hustoty pravdìpodobnosti
6 Graf hustoty pravdìpodobnosti Exp(0;1/13,5) f(x) x
7 Distribuèní funkce náhodné velièiny s exponenciálním rozdìlením Distribuèní funkci velièiny X Exp(A, λ) denujeme jako F X (x) = 1 e (x A) λ pro A > 0; λ > 0 (3)
8 Graf distribuèní funkce
9 Graf distribuèní funkce Exp(0;1/13,5) F(x) x
10 Charakteristiky a vlastnosti exponenciálního rozdìlení Momenty: Støední hodnota náhodné velièiny s exponenciálním rozdìlením : E(X) = A + λ Rozptyl náhodné velièiny s exponenciálním rozdìlením: var(x) = λ 2 Kvantily: α100% kvantily rozdìlení urèíme snadno následovnì: ln(1 α) Exp α (0, λ) =, pro0 < α < 1 λ
11 Charakteristiky a vlastnosti exponenciálního rozdìlení Pozn.: Exponenciální rozdìlení bývá nìkdy nazýváno jako "rozdìlení bez pamìti". Tento název je odvozen z následující vlastnosti: Pravdìpodobnost, ¾e náhodná velièina X s rozdìlením Exp(0, d) pøekroèí hodnotu x + a podmínìná jevem X > a, je pro libovolné kladné a a x rovna nepodmínìné pravdìpodobnosti jevu X > x, tj. P (X > x + a) P (X > a) = P (X > x) Pokud by tedy n.v. X pøedstavovala dobu do poruchy zaøízení, pak by pravdìpodobnost, toho, ¾e zaøízení, které pracovalo bez poruchy po dobu a hodin, bude pracovat bez poruchy je¹tì
12 Charakteristiky a vlastnosti exponenciálního rozdìlení alespoò x hodin, je rovna pravdìpodobnosti, ¾e zaøízení, které dosud nebylo v provozu, bude pracovat alespoò x hodin, jako by "zapomnìlo" døíve odpracovanou dobu. Tato vlastnost vysvìtluje pou¾ití exponenciálního rozdìlení v teorii spolehlivosti, nebo» Exp(A, λ) popisuje dobøe rozdìlení doby ¾ivota zaøízení, u kterých dochází k poru¹e ze zcela náhodných pøíèin a nikoliv v dùsledku opotøebení (mechanické opotøebení, únava materiálu apod.). Má-li doba do výskytu události stejné exponenciální rozdìlení, pak informace o tom, ¾e událost nenastala po dobu a hodin, nemìní pravdìpodobnost výskytu události v pøí¹tích x hodinách.
13 Normalizace na Exp(0; 1) Jestli¾e má náhodná velièina X rozdìlení Exp(A, λ), pak má náhodná velièina (X A) Y = (4) λ normované exponenciální rozdìlení Exp(0; 1).
14 Pøíklad Pøedpokládejme, ¾e se doba mytí øídí exponenciálním rozdìlením pravdìpodobnosti a mìjme k dispozici napozorované èasy (doby mytí aut v mycí lince): 10; 8; 7; 8; 14; 45; 13; 20; 8; 8; 9; 11; 15; 36; 7; 4; 6; 15 Prùmìrná doba mytí auta v mycí lince je cca 13 minut 30 sekund. Urèete: a) pravdìpodobnost, ¾e obsluha bude trvat více ne¾ 10 minut, b) stanovte dobu obsluhy, bìhem ní¾ bude zákazník obslou¾en s pravdìpodobností 0,9.
15 Øe¹ení 1 λ = 1 13, 5 = 0, zak.min 1 ad a) P (X > 10) = 1 P (X 10) = 1 [1 e 10.0, ] = e 0, = 0, ad b) P (0 < X < t) = 0, 9 = F X (t) F X (0) = 0, 9 1 e t/λ = 0, 9 λ t = 2, t = 2, λ = 31, 084min.
Matematika 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
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
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.
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
VíceMatematika II Funkce více promìnných
Matematika II Funkce více promìnných RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Euklidovský n-rozmìrný prostor Def. Euklidovským
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:
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
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.
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
VíceOlga Tùmová Metrologie a hodnocení procesù Praha 2009 Publikace pojednává o teoretických problémech mìøení, metrologii a hodnocení procesù mìøicích, technologických nebo výrobních. Úvod je vìnován obecné
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.
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
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
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
VíceMatematika I Podprostory prostoru V n
Matematika I Podprostory prostoru V n RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Co u¾ známe? vektory - základní operace (sèítání,
VícePojistná matematika 2 KMA/POM2E
Pojistná matematika 2 KMA/POM2E RNDr. Ondřej Pavlačka, Ph.D. pracovna 5.052 tel. 585 63 4027 e-mail: ondrej.pavlacka@upol.cz web: http://aix-slx.upol.cz/~pavlacka (informace + podkladové materiály) Konzultační
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:,
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
VíceFyzikální korespondenční seminář MFF UK
Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná
VícePoznámky k předmětu Aplikovaná statistika, 5.téma
Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné
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
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
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
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
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:
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
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
VíceA6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2
A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2 Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky
VíceStatistická termodynamika (mechanika)
Statistická termodynamika (mechanika) 1/16 Makroskopické velièiny jsou výsledkem zprùmìrovaného chování mnoha èástic Tlak ideálního plynu z kinetické teorie 1 [tchem/simplyn.sh] 2/16 Molekula = hmotný
VícePříklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7
Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku
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.
VíceHodnocení vlastností materiálů podle ČSN EN 1990, přílohy D
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Miroslav Sýkora Kloknerův ústav, ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
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
VíceRovnoměrné rozdělení
Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot
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
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
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
VíceA6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti
A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky Markovovy
VíceToolboxy analýzy a modelování stochastických systémů
Toolboxy analýzy a modelování stochastických systémů Ústav teorie informace a automatizace, AVČR Oddělen lení stochastické informatiky Petr Salaba Toolboxy analýzy a modelování stochastických systémů Projekt:
VíceASYNCHRONNÍ DYNAMOMETRY ØADY ASD DO 1000 kw
ELEKTRICKÉ STROJE A POHONY ASYNCHRONNÍ DYNAMOMETRY ØADY ASD DO 1000 kw Asynchronní dynamometry øady ASD jsou urèeny k mìøení mechanického výkonu na høídeli zkou¹eného stroje a k vyvozování regulovaného
VíceExponenciální modely hromadné obsluhy
Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím
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
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
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:
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 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
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
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
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
Vícepravděpodobnosti 10 Poissonovo a exponenciální rozdělení pravděpodobnosti
pravděpodobnosti pravděpodobnosti Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá část kapitoly 12 ze skript [1] a vše, co se nachází v kapitole 6 sbírky úloh [2] tuto kapitolu 6 sbírky úloh
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 24 Příklad (25 bodů) Spočtěte Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A M x 2 dxdy, kde M = {(x, y) R 2 ;
Více6.1 Normální (Gaussovo) rozdělení
6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů
VíceZápočtová písemka z Matematiky III (BA04) skupina A
skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
Vícepravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.
3.1 Základy teorie pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti. Co se dozvíte Náhodný pokus a náhodný jev. Pravděpodobnost, počítání s pravděpodobnostmi.
VíceStatistická termodynamika (mechanika)
Statistická termodynamika (mechanika) 1/18 Makroskopické velièiny jsou výsledkem zprùmìrovaného chování mnoha èástic Tlak ideálního plynu z kinetické teorie 1 [simolant -I0] 2/18 Molekula = hmotný bod
VíceBrownovská (stochastická) dynamika, disipativní èásticová dynamika = MD + náhodné síly. i = 1,..., N. r i. U = i<j. u(r ij ) du(r ji ) r ji
Molekulová dynamika Síly: tuhé koule ap. { nárazy þklasickáÿ MD { integrace pohybových rovnic 1/20 Brownovská (stochastická) dynamika, disipativní èásticová dynamika = MD + náhodné síly Pøíklad: f i =
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,
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
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
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
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
VíceÚvodní info. Studium
[mozilla le:///home/jiri/www/fh/z/pomuky/kolafa/n4341.html] 1/16 Úvodní info Jiøí Kolafa Ústav fyzikální hemie V CHT Praha budova A, místnost 325 (zadním vhodem) jiri.kolafa@vsht.z 2244 4257 Web pøedmìtu:
Více1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.
2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:
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
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
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
VíceTermochemie { práce. Práce: W = s F nebo W = F ds. Objemová práce (p vn = vnìj¹í tlak): W = p vn dv. Vratný dìj: p = p vn (ze stavové rovnice) W =
Termochemie { práce Práce: W = s F nebo W = Objemová práce (p vn = vnìj¹í tlak): W = V2 V 1 p vn dv s2 Vratný dìj: p = p vn (ze stavové rovnice) W = V2 V 1 p dv s 1 F ds s.1 Diferenciální tvar: dw = pdv
VíceNÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:
NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného
VíceFunkce více proměnných - úvod
Funkce více proměnných - úvod Helena Říhová FBMI 14. července 2014 Helena Říhová (ČVUT) Funkce více proměnných - úvod 14. července 2014 1 / 16 Obsah 1 Úvod Grafy funkcí dvou proměnných Eukleidovská vzdálenost
VíceMATEMATICKÁ STATISTIKA 1, CVIČENÍ (NMSA331) Poslední úprava dokumentu: 17. listopadu 2016
MATEMATICKÁ STATISTIKA, CVIČENÍ NMSA33 Příklay nejen pro přípravu na písemnou zápočtovou práci Poslení úprava okumentu: 7. listopau 206 Poslení úprava okumentu: 7. listopau 206 Mnohorozměrné normální rozěleni
VíceNokia N76-1. Začínáme. 9254321, 2. vydání CS
Nokia N76-1 Začínáme 9254321, 2. vydání CS Tlaèítka a èásti pøístroje (na krytu a pøi otevøeném pøístroji) Dále jen Nokia N76. 1 Pravé tlaèítko na krytu 2 Støední tlaèítko 3 Levé tlaèítko na krytu 4 Druhý
VíceCvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.
5 Přednášející: 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
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
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
VícePříklad 1: Házíme dvěma kostkami. Stanovte pravděpodobnost jevu, že na kostkách padne součet menší než 5.
Příklad 1: Házíme dvěma kostkami. Stanovte pravděpodobnost jevu, že na kostkách padne součet menší než 5. Řešení: Výsledky pokusu jsou uspořádané dvojice. První člen dvojice odpovídá hodu 1. kostkou a
VíceCvi ení 7. Docházka a testík - 15 min. Distfun 10 min. Úloha 1
Cvi ení 7 Úkol: generování dat dle rozd lení, vykreslení rozd lení psti, odhad rozd lení dle dat, bodový odhad parametr, centrální limitní v ta, balí ek Distfun, normalizace Docházka a testík - 15 min.
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceSoftwarové in enýrství Úvodní studie PRODUKÈNÍ SYSTÉM PRO IP TELEFONNÍ SPOLEÈNOST
PRODUKÈNÍ SYSTÉM PRO IP TELEFONNÍ SPOLEÈNOST Øešitelský tým: Pavel Strnad - vedoucí projektu Jiøí Dole álek - tahoun Jan Faflík - analytik Otakar Merz - dokonèovatel Martin Peterka - tvùrce ideí Deklarace
VíceVLASTNOSTI PARAMETRY SVÍTIDLA VÝHODY NA PØÁNÍ
PARAMETRY SVÍTIDLA Krytí optické èásti: Krytí elektrické èásti: Odolnost proti nárazu (sklo): Napájecí napìtí: El. tøída izolace: Hmotnost: TECEO 1 TECEO 2 Instalaèní výška: TECEO 1 TECEO 2 VÝHODY NA PØÁNÍ
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
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
VíceMatematická statistika
Matematická statistika 1/30 Náhodná/stochastická promìnná pøiøazuje pravdìpodobnost/hustotu pravdìpodobnosti mo¾nému diskrétnímu/spojitému jevu z diskrétní/spojité mno¾iny jevù. diskrétní pøíklad: hod
VíceVýznamná diskrétní rozdělení pravděpodobnosti
Alternativní rozdělení Příklad Střelec vystřelí do terče, pravděpodobnost zásahu je 0,8. Náhodná veličina X udává, jestli trefil: položíme X = 1, jestliže ano, a X = 0, jestliže ne. Alternativní rozdělení
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
VíceDiskrétní rozdělení Náhodná veličina má diskrétní rozdělení pravděpodobnosti, jestliže existuje seznam hodnot
Rozdělení Náhodná veličina Náhodná veličina je vyjádření výsledku náhodného pokusu číselnou hodnotou. Jde o reálnou funkci definovanou na množině. Rozdělení náhodné veličiny udává jakých hodnot a s jakou
VíceTransportní jevy. J = konst F
Transportní jevy 1/23 Transportní (kinetické) jevy: difuze, elektrická vodivost, viskozita (vnitøní tøení), vedení tepla... Tok (ux) (té¾ zobecnìný tok) hmoty, náboje, hybnosti, tepla... : J = mno¾ství
VícePravdìpodobnostní popis
Pravdìpodobnostní popis 1/19 klasická mechanika { stav = { r 1,..., r N, p 1,..., p N } stavù je { hustota pravdìpodobnosti stavù ρ( r 1,..., r N, p 1,..., p N ) kvantové mechaniky { stav = stavù je koneènì
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
VíceKendallova klasifikace
Kendallova klasifikace Délka obsluhy, frontový režim, Littleovy vzorce Parametry obsluhy Trvání obsluhy - většinou předpokládáme, že trvání obsluhy jsou nezávisl vislé náhodné proměnné, se stejným rozdělením
VíceNEKOVÉ PØEVODOVKY ØADA K
NEKOVÉ PØEVODOVKY ØADA K Popis Znaèení Mazání a montá¾ní poloha Poloha svorkovnice Technická data Moment setrvaènosti Rozmìry Dvojitý vstup Omezovaè momentu s dutou høídelí Pøíslu¹enství Náhradní díly
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
VíceZákladní statistické modely Statistické vyhodnocování exp. dat M. Čada ~ cada
Základní statistické modely 1 Statistika Matematická statistika se zabývá interpretací získaných náhodných dat. Snažíme se přiřadit statistickému souboru vhodnou distribuční funkci a najít základní číselné
Více1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost
(8 bod ) Náhodná veli ina X je po et rub p i nezávislých hodech mincí a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost P ( X EX < ) (9 bod ) b) Formulujte centrální limitní v tu a pomocí ní vypo
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.
VíceSoftwarové in enýrství Úvodní studie PRODUKÈNÍ SYSTÉM PRO IP TELEFONNÍ SPOLEÈNOST
PRODUKÈNÍ SYSTÉM PRO IP TELEFONNÍ SPOLEÈNOST Øešitelský tým: Pavel Strnad - vedoucí projektu Jiøí Dole álek - tahoun Jan Faflík - analytik Otakar Merz - dokonèovatel Martin Peterka - tvùrce ideí Deklarace
Více