6.1 Normální (Gaussovo) rozdělení

Rozměr: px
Začít zobrazení ze stránky:

Download "6.1 Normální (Gaussovo) rozdělení"

Transkript

1 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 vědy a techniky. Původně bylo odvozeno pro analýzu chyb měření, ale postupně se ukázalo, že normální rozdělení za jistých poměrně obecných podmínek aproximuje jiná rozdělení. Normální rozdělení lze použít všude tam, kde náhodná veličina vznikla jako výsledek působení součtu velkého počtu drobných náhodných vlivů, které jsou vzájemně nezávislé a žádný nemá dominantní vliv. Funkce hustoty normálního rozdělení (Gaussova křivka) má tvar f(x) = 1 σ (x µ) 2 2 π e 2 σ 2, kde parametry µ a σ > 0 jsou parametry rozdělení plně určující tvar Gaussovy křivky. Distribuční funkce normálního rozdělení nelze vyjádřit pomocí jednoduchých matematických funkcí její hodnoty proto určujeme pomocí tabulek (nebo pomocí vhodného SW). To, že náhodná veličina X má charakter normálního rozdělení značíme X N(µ; σ 2 ). Pro střední hodnotu normálního rozdělení platí EX = µ a pro rozptyl DX = σ 2. Obrázek 1: Vliv změny parametru rozptylu σ 2 na tvar Gaussovy křivky a odpovídající distribuční funkci (σ 2 = 1-modrá křivka, σ 2 = 2-červená křivka,σ 2 = 1/2-zelená křivka) Při hledání hodnot distribuční funkce ve statistických tabulkách používáme normované (standardizované) normální rozdělení s parametry µ = 0 a σ 2 = 1. Distribuční funkci normované normální veličiny značíme Φ(x) a funkci hustoty φ(x). Libovolnou veličinu X N(µ; σ 2 ) můžeme transformovat na veličinu Z = X µ, která má normované σ normální rozdělení Z N(0; 1) a pro distribuční funkce platí ( ) X µ F (x) = Φ σ V Excelu použijeme pro určení hodnot distribuční funkce a funkce hustoty normálního rozdělení funkci 1

2 Obrázek 2: Vliv změny parametru střední hodnoty µ na tvar Gaussovy křivky a odpovídající distribuční funkci (µ = 1-modrá křivka, µ = 2-červená křivka,µ = 1-zelená křivka) Tabulka 1: Ukázka tabulky hodnot distribuční funkce normovaného normálního rozdělení u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) u Φ(u) NORMDIST(x;µ;σ;L), kde L je logická hodnota, která určuje, zda hledáme funkci hustoty L=NEPRAVDA nebo distribuční funkce L=PRAVDA. Př.NORMDIST(7;5;2;NEPRAVDA) vrací hodnotu funkce hustoty (nejedná se o pravděpodobnost!) pro normální náhodnou veličinu se střední hodnotou µ = 5 a rozptylem σ 2 = 2 2. Př.NORMDIST(7;5;2;PRAVDA) vrací pravděpodobnost, náhodná veličina, která se řídí normálním rozdělením s parametry µ = 5 a σ = 4 nabude hodnoty menší nebo rovno než 7. Pro distribuční funkci normované normální rozdělení používáme funkci NORMSDIST(x) a platí NORMSDIST(x)=NORMDIST(x;0;1;PRAVDA). Pro standardizaci náhodné veličiny X (transformaci na veličinu s nulovou střední hodnotou a jednotkovým rozptylem) používáme funkci STANDARDIZE(x;µ;σ). 2

3 Př. Výška v populaci chlapců ve věku roky má normální rozdělení s průměrem µ = 102 cm a směrodatnou odchylkou σ = 4.5 cm. Určete procento chlapců, kteří budou menší než 90 cm; v rozmezí 95 až 105 cm; větší než 110 cm. Řešení: Označme X N(µ = 102; σ 2 = ) a použijeme výše uvedené vztahy a funkce P (X 90) = F (90) = NORMDIST (90; 102; 4.5; P RAV DA) = = 0.38% P (95 X 105) = F (105) F (95) = = NORMDIST (105; 102; 4.5; P RAV DA) NORMDIST (95; 102; 4.5; P RAV DA) = = = 68.76% P (X > 110) = 1 P (X 110) = 1 F (110) = 1 NORMDIST (110; 102; 4.5; P RAV DA) = = 3.77% Pravděpodobnost, že chlapec ve sledovaném věku bude menší než 90 cm je 0.38%, pravděpodobnost, že bude v rozmezí cm je 68.76% a pravděpodobnost, že chlapec bude větší než 110 cm je 3.77%. Pravidlo 3 SIGMA Pro náhodnou veličinu s normálním rozdělením platí tzv. pravidlo 3 SIGMA, které na základě tvaru hustoty určuje, že pro normální veličinu s parametry µ a σ bude téměř 70% hodnot ležet ve vzdálenosti menší než 1 směrodatná odchylka od průmeru µ, přesněji 68.27% hodnot leží v intervalu (µ σ; µ + σ), 95.45% hodnot leží v intervalu (µ 2σ; µ + 2σ), resp. přesně 95% hodnot leží v intervalu (µ 1.96σ; µ σ), 99.73% hodnot leží v intervalu (µ 3σ; µ + 3σ), resp. přesně 99% hodnot leží v intervalu (µ 2.57σ; µ σ), Kvantily a kritické hodnoty normálního rozdělení Kritická hodnota normálního rozdělení z α je číslo, které náhodná veličina X N(µ; σ 2 ) překročí s pravděpodobností α, tedy P (X > z α ) = α Kvantil normálního rozdělení je u α pravděpodobností α, tedy je číslo, které náhodná veličina X N(µ; σ 2 ) nepřekročí s P (X < u α ) = α Pro kvantily a kritické hodnoty tedy platí z α = u 1 α, hodnoty kvantilů, případně kritických hodnot pro normované normální rozdělení jsou tabelovány a pro normální rozdělení s parametry µ a σ platí x α = u α σ + µ, kde x α je kvantil obecného normálního rozdělení a u α je kvantil normovaného normálního rozdělení. 3

4 Obrázek 3: Pravidlo 3 SIGMA Tabulka 2: Tabulka kvantilů normovaného normálního rozdělení α u α α u α u p = u 1 p Centrální limitní věta Necht X i, i = 1, 2,..., n jsou vzájemně nezávislé náhodné veličiny se stejným rozdělením, E(X i ) = µ 0, D(X i ) = σ0. 2 Pak platí n X = X i N(nµ 0 ; nσ0) 2 X = 1 n i=1 n X i N(µ 0 ; σ0/n) 2 i=1 V Excelu použijeme pro určení kvantilů normálního rozdělení funkci NORMINV(α;µ;σ). Př.NORMINV(0.95;2;3) 6.93 nám poskytuje informaci, že pro normální náhodnou veličinu s parametry µ = 2 a rozptylem σ 2 = 3 2 bude 95% měření menších než Pro distribuční funkci normované normální rozdělení používáme funkci NORMSINV(α) a platí NORMSINV(α)=NORMINV(α;0;1). Př. Výška v populaci chlapců ve věku roky má normální rozdělení s průměrem µ = 102 cm a směrodatnou odchylkou σ = 4.5 cm. Určete výšku v tak, aby jsme mohli prohlásit, že 95% chlapců je menších než námi nalezená výška. Řešení: Označme X N(µ = 102; σ 2 = ) a hledáme v tak, aby platilo P (X v) = 95%. Tedy použiji funkci NORMINV(0.95;102;4.5) a dostávám hodnotu v = cm. Tedy výška cm nám rozdělila chlapce na oddělila skupinu 5% nejvyšších chlapců. 4

5 Obrázek 4: Kvantil a kritická hodnota normálního rozdělení 6.2 Rovnoměrné rozdělení R (a; b) a, b R, a < b Náhodná veličina X může nabýt libovolné reálné hodnoty x z intervalu (a; b) a její výskyt na celém intervalu (a; b) je stejně možný. Pak X má rovnoměrné rozdělení na intervalu (a; b) a plocha pod křivkou hustoty tvoří obdélník, jehož plocha je rovna 1. To znamená, že X jistě nabude hodnoty 1 z intervalu (a; b). Jelikož šířka tohoto intervalu je (b a), výška hustoty musí být rovna b a (nebot integrál přes hustotu dá 1). { 1 pro x a; b Funkce hustoty f (x) = b a 0 jinde 0 pro x a x a Distribuční funkce F (x) = pro x (a; b) b a 1 pro x b Střední hodnota a rozptyl E(X) = a + b 12 D(X) = (a b)2 12 Použití chyby při zaokrouhlování v numerických výpočtech výchozí rozdělení při simulaci náhodných veličin na počítači, ostatní náhodné veličiny lze získat pomocí různých transformací doba, která uplyne od náhodně zvoleného okamžiku do nastoupení jevu, který se pravidelně opakuje časovém intervalu (a; b) libovolná spojitá veličina z intervalu (a; b), o jejímž chování na tomto intervalu není nic bližšího známo (nouzové řešení v případě neznalosti skutečného rozdělení) 5

6 Obrázek 5: Funkce hustoty a distribuční funkce rovnoměrného rozdělení 6.3 Exponenciální rozdělení Exp (λ), λ > 0 Exp (δ), δ = 1 λ Náhodná veličina X může nabýt libovolné reálné hodnoty x z intervalu [0, ). { λe Funkce hustoty f (x) = λx = 1 δ e x/δ pro x 0 0 pro x < 0 { 0 pro x < 0 Distribuční funkce F (x) = 1 e λx = 1 e x/δ pro x 0 Střední hodnota a rozptyl E(X) = 1 λ = δ D(X) = 1 λ 2 = δ2 Použití Obrázek 6: Funkce hustoty a distribuční funkce exponenciálního rozdělení doba čekání na určitou náhodnou událost, např. dobu životnosti součástek, které nepodléhají opotřebení λ označuje počet událostí za jednu časovou jednotku δ charakterizuje průměrnou dobu mezi výskytem dvou událostí jestliže se počet výskytů událostí během nějakého časového intervalu řídí Poissonovým rozdělením s parametrem λ, pak doba mezi výskytem dvou událostí se řídí exponenciálním rozdělením s parametrem λ 6

7 Jak bylo uvedeno, exponenciální rozdělení se spolu s Weibullovým hodí pro modely životnosti a přežití, k dispozici máme pouze funkci distribuční EXPONDIST, inverzní funkci je třeba matematicky odvodit. 6.4 Další spojitá rozdělení Jak již bylo uvedeno dříve, patří normální rozdělená k nejvýznamnějším modelům. V praxi se však můžeme setkat i s daty, která nemají symetrický charakter (jako normální rozdělení) nebo máme jiné závažné důvody nepovažovat data za normální. V takovémto případě můžeme vhodnou transformací dat (pomocí logaritmu, druhé mocniny, převrácené hodnoty, Fisherova transformace z = 1 2 ln 1 + x,... ) převést data na novou veličinu, které již 1 x lépe odpovídá normálnímu rozdělení, provést analýzu na transformované veličině a získané výsledky zpětně modifikovat pro naši původně studovanou náhodnou veličinu. Dále máme možnost pracovat přímo s jinými modely spojité náhodné veličiny nebo použít statistické metody, které nejsou založeny na konkrétním typu rozdělení (tzv. neparametrické metody), případně metody, které nejsou příliš citlivé na porušení předpokladu normality dat (tzv. robusní metody). Excel nám nabízí celou řadu funkcí pro různé typy rozdělení, jedná se vždy o funkce distribuční (resp. funkci hustoty)- výsledkem je pravděpodobnost, že sledovaná veličina bude menší než zadaná hodnota a inverzní funkci k funkci distribuční-výsledkem je číslo tak, aby pravděpodobnost, že sledovaná veličina bude menší než výsledné hodnota je námi zadaná pravděpodobnost. Logaritmicko normální rozdělení se hodí pro modely doby přežití, minimální smrtelné dávky v homogenní skupině a podobně, excelovské funkce jsou LOGNORMDIST a LOGINV. Beta rozdělení je rozdělení, které v závislosti na svých parametrech může nabývat různých tvarů a může být použito v různých situacích, příslušné funkce jsou BETADIST a BETAINV. Gamma rozdělení patří k dalším velice univerzálním rozdělením, funkce jsou GAMMADIST a GAMMAINV. Studentovo t-rozdělení,χ 2 rozdělení a F rozdělení jsou rozdělení velmi používaná pro hodnocení různých statistických testů, příslušné excelovské funkce jsou TDIST a TINV, CHIDIST a CHIINV a FDIST a FINV. U všech funkcí je vždy třeba důkladně prostudovat nápovědu, protože například některé inverzní funkcí vrací místo kvantilů hodnoty kritických hodnot. 7

8 Obrázek 7: Graf hustoty vybraných rozdělení 6.5 Některá vícerozměrná rozdělení, jejich populační charakteristiky V rámci teoretických modelů rozdělení náhodné veličiny byly vypracovány též modely pro vícerozměrná data. Z nich nejpoužívanější je model vícerozměrného normálního rozdělení. Kromě charakteristik polohy a variability jednotlivých znaků sledujeme při vícerozměrných modelech též vzájemnou souvislost veličin. Nejpoužívanějšími charakteristikami pro sledování souvislosti dvou náhodných veličin je kovariance a korelace. Kovarianci dvou náhodných veličin (dvou teoretických populací) X a Y určíme podle vztahu σ X,Y = cov(x, Y ) = E((X EX) (Y EY )) = E(XY ) E(X)E(Y ), kovariance může nabývat libovolné hodnoty (kladné i záporné a libovolně velké) Výběrová kovariance je odpovídající charakteristika z náhodného výběru a spočteme ji podle vztahu cov(x, y) = 1 n (x i x)(y i y) n 1 Korelace (Pearsonův koeficient) dvou náhodných veličin (dvou teoretických populací) X a Y určíme podle vztahu ρ X,Y = cor(x, Y ) = cov(x, Y ) σ X σ Y, kde σ X a σ Y jsou odmocniny z rozptylů příslušných náhodných veličin. Kovariance může nabývat pouze hodnot z intervalu 1; 1. 8 i=1

9 Výběrová korelace je odpovídající charakteristika z náhodného výběru a spočteme ji podle vztahu cor(x, y) = cov(x, y) s x s y, kde s X a s Y jsou výběrové směrodatné odchylky příslušných dat. V Excelu použijeme pro výpočet výběrové kovariance funkci COVAR(oblast dat X;oblast dat Y) a pro výpočet výběrové korelace funkci CORREL(oblast dat X;oblast dat Y). Obrázek 8: Graf hustoty dvourozměrného normálního rozdělení a odpovídající vrstevnice veličiny X N(µ 1 = 0; µ 2 = 0; σ 1 = 1; σ 2 = 1; ρ = 0) Obrázek 9: Graf hustoty dvourozměrného normálního rozdělení a odpovídající vrstevnice veličiny X N(µ 1 = 0; µ 2 = 0; σ 1 = 1; σ 2 = 4; ρ = 0) 9

10 Obrázek 10: Graf hustoty dvourozměrného normálního rozdělení a odpovídající vrstevnice veličiny X N(µ 1 = 0; µ 2 = 0; σ 1 = 1; σ 2 = 1; ρ = 0.5) Obrázek 11: Graf hustoty dvourozměrného normálního rozdělení a odpovídající vrstevnice veličiny X N = (µ 1 = 0; µ 2 = 0; σ 1 = 1; σ 2 = 4; ρ = 0.5) 6.6 Příklady 1. Mějme náhodnou veličinu X R (8; 12.5). Spočtěte (a) P (X = 9.75); (b) P (X > 11.3); (c) P (8.8 < X < 10.1); (d) 50% kvantil x 0.5. (e) Nakreslete graf hustoty náhodné veličiny X a znázorněte v něm P (8.8 < X < 10.1). (f) Nakreslete graf distribuční funkce náhodné veličiny X a znázorněte v něm x 0.5. Řešení: Hustota pravděpodobnosti je konstantní na intervalu (8; 12.5), jinde je nulová. Tedy f (x) = { = 1 = pro x (8; 12.5) jinde. Distribuční funkce pro x (8; 12.5) je pak F (x) = x

11 (a) P (X = 9.75) = 0 jedná se o spojitou náhodnou veličinu (b) P (X > 11.3) = 1 P (X 11.3) = 1 F (11.3) = = (c) P (8.8 < X < 10.1) = F (10.1) F (8.8) = = (d) F (x 0.5 ) = 0.5 x 0.5 = 0.5 (12.5 8) + 8 = (e) Hustota rovnoměrného rozdělení R (8; 12.5) Obrázek 12: Funkce hustot rovnoměrného rozdělení (f) Distribuční funkce rovnoměrného rozdělení R (8; 12.5) Obrázek 13: Distribuční funkce rovnoměrného rozdělení 2. Náhodná veličina má rovnoměrné rozdělení na intervalu (0; 5). Určete: (a) pravděpodobnost, že náhodná veličina X nabude hodnoty vyšší než 4, za předpokladu, že náhodná veličina již nabyla hodnoty 2. (b) pravděpodobnost, že náhodná veličina nabude hodnoty nižší než 4, za předpokladu, že náhodná veličina již nabyla hodnoty 2. Řešení: Distribuční funkce této náhodné veličiny je F (x) = x = x 5. (a) P (X > 4 X > 2) = (b) P (X < 4 X > 2) = P (X > 4) P (X > 2) = 1 F (4) 1 F (2) = 1 4/5 1 2/5 = = 1 3 P (2 < X < 4) P (X > 2) = F (4) F (2) 1 F (2) = 4/5 2/5 1 2/5 = =

12 3. Předpokládejme, že průměrná doba zpracování zakázky je 30 sekund a řídí se exponenciálním rozdělením pravděpodobnosti. (a) Určete pravděpodobnost, že zakázka se zpracuje do 1 minuty. (b) Určete dobu, do níž se zakázka zpracuje s pravděpodobností Řešení: Doba zpracování zakázky (v sekundách) X Exp (δ = 30) = Exp ( λ = 1 ) 30 (a) P (X < 60) = P (X 60) = F (60) = 1 e 60/30 = (b) F (t) = 0.95 t = 30 ln 0.05 = 89.87[s] 4. Výrobce udává, že střední doba životnosti určité součástky je 4 roky. Za předpokladu, že životnost součástky se řídí exponenciálním rozdělením pravděpodobnosti a údaj daný výrobcem je pravdivý, spočtěte pravděpodobnost, že životnost náhodně vybrané součástky bude kratší, než půl roku. Řešení: Životnost součástky X Exp (δ = 4). Platí P (X < 0.5) = P (X 0.5) = F (0.5) = 1 e 0.5/4 = Mějme náhodnou veličinu X Exp (δ = 11). Spočtěte (a) P (X = 27.5); (b) P (X < 9.9); (c) P (18.5 X 54.7); (d) 10% kvantil x 0.1. (e) Nakreslete graf hustoty náhodné veličiny X a znázorněte v něm P (18.5 X 54.7) a x 0.1. Řešení: Distribuční funkce této náhodné veličiny je F (x) = 1 e x/11 pro x 0. (a) P (X = 27.5) = 0 jedná se o spojitou náhodnou veličinu (b) P (X < 9.9) = F (9.9) = 1 e 9.9/11 = (c) P (18.5 X 54.7) = F (54.7) F (18.5) = = (d) F (x 0.1 ) = 0.1 x 0.1 = 11 ln (1 0.1) = (e) Hustota exponenciálního rozdělení Exp (δ = 11) 6. Čekáme na autobus v horské vesnici. Dlouhodobým pozorováním bylo zjištěno, že zpoždění odjezdu autobusu ze zastávky se přibližně řídí normálním rozdělením se střední hodnotou 10 min. a rozptylem 25 (min 2 ). Spočtěte: (a) ppst, že autobus bude mít zpoždění více než 20 min.; (b) ppst, že autobus odjede dříve; 12

13 Obrázek 14: Funkce hustoty exponenciálního rozdělení (c) ppst, že autobus odjede o 0 až 2.5 min. dříve; (d) ppst, že autobus bude mít zpoždění více než 20 min., jestliže již má zpoždění 15 min.; (e) čas, ve který bychom měli být na zastávce, aby nám autobus neujel alespoň na 90%. (f) nakreslete graf hustoty pravděpodobnosti a v něm znázorněte ppst, že autobus odjede o 0 až 2.5 min. dříve; Řešení X... zpoždění autobusu X N(10; 25) { ( }} ){ (a) P (X > 20) = 1 P (X 20) = 1 φ = } {{ } ( ) 0 10 (b) P (X < 0) = P (X 0) = F (0) = φ = φ( 2) = 1 φ(2) = 5 = ( ) (c) P ( 2.5 < X < 0) = F (0) F ( 2.5) = φ = 5 = φ ( 2.5) = φ(2.5) = = P (X > 20) (d) P (X > 20 X > 15) = P (X > 15) = 1 F (20) 1 F (15) = 1 φ ( 10 ) 5 1 φ ( ) = = = = 14.36% (e) x 0.1 = µ + σu 0.1 = = Náhodná proměnná X má normální rozdělení s parametry µ, σ 2 0. Zjistěte následující pravděpodobnosti (a) P (X (µ σ; µ + σ)) (b) P (X (µ 2σ; µ + 2σ)) (c) P (X (µ 3σ; µ + 3σ)) 2 13

14 Řešení ( ) ( ) µ + σ µ µ σ µ (a) P (µ σ < X < µ + σ) = F (µ + σ) F (µ σ) = φ φ σ σ φ (1) φ ( 1) = φ (1) 1 + φ (1) = (b) P (µ 2σ < X < µ + 2σ) = φ (2) φ ( 2) = (c) P (µ 3σ < X < µ + 3σ) = φ (3) φ ( 3) = = 8. Pro náhodnou proměnnou s normálním rozdělením platí, že Zjistěte hodnoty parametrů µ, σ 2 0. Řešení: u 0.6 = = 4 µ σ P (X 4) = 0.6, P (X 0) = 0.8 neznámých získáme řešení µ = 3.08, σ 2 0 = a současně u 0.8 = = µ. Řešením soustavy dvou rovnic o dvou σ 9. Telefonní ústředna spojí průměrně 76 hovorů za minutu a jejich počet se řídí Poissonovým rozdělením. Spočtěte pravděpodobnost, že ústředna za minutu spojí více než 80 hovorů. 14

15 Řešení: X P o(76) X {0, 1,...} P (X > 80) = 1 P (X 80) = 1 P (0) P (1)... P (80). Výpočet standardním způsobem je velice náročný. Prověříme předpoklady možných aproximací. Rozptyl náhodné veličiny má hodnotu 76, tzn. podmínka aproximace Poissonova rozdělení rozdělením normálním je splněna (σ 2 9). Platí tedy X N(76; 76) ( ) P (X > 80) = 1 P (X 80) = 1 F P oisson (80) = 1 F Norm. (80.5) = 1 φ = = 10. Zaokrouhlovací chyba na celé jednotky má rovnoměrné rozložení na intervalu (-0.5; 0.5). Spočtěte pravděpodobnost, že součet 100 zaokrouhlovacích chyb (nezávislých) bude v absolutní hodnotě menší než 5. Řešení: 100 Označme S = X i N(100 0; ) i=1 Zaokrouhlovací chyba X i R( 0.5; 0.5) Máme zjistit P ( 5 < S < 5) = F (5) F ( 5) = φ φ =

Charakterizace rozdělení

Charakterizace 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

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(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

Více

KGG/STG Statistika pro geografy

KGG/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

Více

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

P13: 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

Více

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

ROZDĚLENÍ 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

Více

Normální rozložení a odvozená rozložení

Normální 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

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ 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)

Více

VYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová

VYBRANÁ 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:

Více

Výběrové charakteristiky a jejich rozdělení

Výběrové 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

Více

MATEMATIKA III V PŘÍKLADECH

MATEMATIKA 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

Více

Vybraná rozdělení náhodné veličiny

Vybraná 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.

Více

Téma 22. Ondřej Nývlt

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

Více

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

SPOJITÉ 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

Více

Inovace bakalářského studijního oboru Aplikovaná chemie

Inovace 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

Více

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

8.1. 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

Více

Pravděpodobnostní rozdělení v MS Excel

Pravděpodobnostní rozdělení v MS Excel Pravděpodobnostní rozdělení v MS Excel Luboš Marek Vysoká škola ekonomická v Praze, Praha Konzultace 1 Úvod Mezi statistickou obcí se často diskutuje, který statistický program je nejlepší, přičemž se

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 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

Více

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

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 Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou

Více

Definice spojité náhodné veličiny zjednodušená verze

Definice 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

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ 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

Více

8. Normální rozdělení

8. Normální rozdělení 8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

Určete 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

Více

Náhodná veličina a rozdělení pravděpodobnosti

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

Více

Náhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek

Náhodná 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

Více

Normální (Gaussovo) rozdělení

Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký

Více

pravděpodobnosti, popisné statistiky

pravděpodobnosti, popisné statistiky 8. Modelová rozdělení pravděpodobnosti, popisné statistiky Rozdělení pravděpodobnosti Normální rozdělení jako statistický model Přehled a aplikace modelových rozdělení Popisné statistiky Anotace Klasickým

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. 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:

Více

LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení

LIMITNÍ 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

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední 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

Více

Praktická statistika. Petr Ponížil Eva Kutálková

Praktická 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

Více

1 Rozptyl a kovariance

1 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

Více

5 ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI SPOJITÉ NÁHODNÉ VELIČINY

5 ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI SPOJITÉ NÁHODNÉ VELIČINY 5 ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI SPOJITÉ NÁHODNÉ VELIČINY 5. Rovnoměrné rozdělení R(a,) - má náhodná veličina X, která má stejnou možnost naýt kterékoliv hodnoty z intervalu < a, >; a, R Definice

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost 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

Více

NÁHODNÝ VEKTOR. 4. cvičení

NÁHODNÝ 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.

Více

10. 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.

10. 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

Více

Náhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost

Náhodná 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

Více

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

X = 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

Více

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).

Více

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Matematika 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

Více

y = 0, ,19716x.

y = 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

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost 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

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost 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

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

Více

I. D i s k r é t n í r o z d ě l e n í

I. 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

Více

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.

Náhodné 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,

Více

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

Pojmy 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

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

p(x) = P (X = x), x R,

p(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

Více

MATEMATICKÁ STATISTIKA

MATEMATICKÁ 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

Více

Přednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení

Přednáška. 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

Více

ÚVOD DO TEORIE ODHADU. Martina Litschmannová

ÚVOD DO TEORIE ODHADU. Martina Litschmannová ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),

Více

Normální (Gaussovo) rozdělení

Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními

Více

Náhodný vektor a jeho charakteristiky

Náhodný 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

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu)

Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu) Jednovýběrový Wilcoxonův test a jeho asymptotická varianta (neparametrická obdoba jednovýběrového t-testu) Frank Wilcoxon (1892 1965): Americký statistik a chemik Nechť X 1,..., X n je náhodný výběr ze

Více

1. Přednáška. Ing. Miroslav Šulai, MBA

1. 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

Více

Analýza dat na PC I.

Analýza 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

Více

Základy teorie pravděpodobnosti

Základy 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

Více

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud

Více

4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?

4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k? A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

1. 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.

1. 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:

Více

Řešení. Označme po řadě F (z) Odtud plyne, že

Řešení. Označme po řadě F (z) Odtud plyne, že Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme

Více

Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení

Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení Přednáška 5/1 Některé zákony rozdělení pravděpodobnosti 1. Binomické rozdělení Předpoklady: (a) pst výskytu jevu A v jediném pokuse P (A) = π, (b) je uskutečněno n pokusů, (c) pokusy jsou nezávislé, tj.

Více

Jana Vránová, 3. lékařská fakulta UK

Jana Vránová, 3. lékařská fakulta UK Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace

Více

JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová

JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za nichž

Více

15. T e s t o v á n í h y p o t é z

15. T e s t o v á n í h y p o t é z 15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Poznámky k předmětu Aplikovaná statistika, 5.téma

Poznámky 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

Více

Odhad parametrů N(µ, σ 2 )

Odhad parametrů N(µ, σ 2 ) Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný

Více

Poznámky k předmětu Aplikovaná statistika, 4. téma

Poznámky 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

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

ÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.

ÚVOD. 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

Více

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68

marek.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

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

Mgr. 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

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Limitní 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

Více

Pravděpodobnost a statistika I KMA/K413

Pravděpodobnost 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:,

Více

Poznámky k předmětu Aplikovaná statistika, 4. téma

Poznámky 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

Více

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Inferenční 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

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

Regresní a korelační analýza

Regresní a korelační analýza Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)

Více

Základní typy pravděpodobnostních rozdělení

Základní typy pravděpodobnostních rozdělení Základní typy pravděpodobnostních rozdělení Petra Schreiberová, Jiří Krček Katedra matematiky a deskriptivní geometrie Vysoká škola báňská Technická Univerzita Ostrava Ostrava 208 OBSAH Diskrétní rozdělení

Více

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036

Náhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036 Příklad : Statistika A, doc. Kropáč, str. 6, příklad 2 K benzínovému čerpadlu přijíždí průměrně 4 aut za hodinu. Určete pravděpodobnost, že během pěti minut přijede nejvýše jedno auto. Pokus: Zjištění,

Více

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou) Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.

Více

JAK MODELOVAT VÝSLEDKY

JAK MODELOVAT VÝSLEDKY JAK MODELOVAT VÝSLEDKY NÁHODNÝCH POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za

Více

Rovnoměrné rozdělení

Rovnoměrné 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

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost 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

Více

Chyby měření 210DPSM

Chyby měření 210DPSM Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů

Více

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017 Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 207 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

Více