Populace vs. data. popisná (deskriptivní) popis konkrétních dat. letní semestr

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Populace vs. data. popisná (deskriptivní) popis konkrétních dat. letní semestr 2012 1"

Transkript

1 ? Šárka Hudecová Katedra i a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr ? Statistika = věda o získávání, zpracování a interpretaci informace obsažené v empirických pozorováních skutečného světa (v naměřených datech, průzkumech apod.) Základní dělení popisná (deskriptivní) popis konkrétních dat několika čísly a obrázky stručně vystihnout důležité závěry pouze o daných datech, nelze zobecňovat induktivní (konfirmatorní) na základě dat umožňuje odpovídat na obecné otázky o populaci závěry lze zobecnit odhady populačních parametrů předpoklady, znalost statistických metod důležitá je interpretace 1 Založeno na materiálech doc. Michala Kulicha Populace vs. data Kde, kdy a proč se používá? Zkoumáme složitý systém?? nelze jednoduše pochopit nebo popsat pouze na základě teorie (tj. potřebujeme empirické zkušenosti) za stejných nebo podobných podmínek se může projevovat odlišným způsobem náhoda příklady: lidská společnost, ekonomika, lidské tělo, ekosystém, sport, vědecký experiment,... Druhy statistických úloh Konkrétní data Celá populace odhady parametrů výpočet číselných charakteristik testování hypotéz ověřování pravdivosti výroků predikce předpovědi optimalizace hledání optimálních parametrů

2 : data z přednášek z minulých let Statistický přístup k řešení problémů? Na základě údajů z let lze usuzovat že by tu dnes mělo být 60 % žen a 40% mužů přítomné studentky budou v průměru 168 cm vysoké, s hmotností 60 kg a velikostí bot asi 38,5 přítomní studenti budou v průměru 183 cm vysocí s hmotností 76 kg a velikostí bot asi 43 přes 30 % přítomných bude z Prahy, kolem 11 % ze středočeského kraje a jen velmi málo studentů bude ze Slovenska a Moravy? 1 reálný problém, domněnka apod. 2 plán experimentu 3 sběr dat 4 výběr vhodného ního modelu 5 formulace problému v řeči matematické statistiky 6 aplikace statistických metod 7 interpretace, závěry, publikace... nejvíce z přítomných má narozeniny v květnu, nejméně v únoru a březnu Oblasti aplikace statistiky Obsah přednášky? Přírodní vědy medicína, genetika, farmakologie, biologie, chemie, fyzika, meteorologie... Ekonomie makro & mikroekonomie, bankovnictví, pojišt ovnictví,... Technické vědy telekomunikace, doprava, počítače, strojírenství, kontrola jakosti, řízení a organizace výroby,... Společenské vědy sociologie, behaviorální vědy, archeologie, lingvistika, antropologie...? Cíl přednášky= porozumět základním principům statistických metod a pochopit řešení vybraných jednoduchých problémů. Dvě základní části Základy i nezbytný teoretický základ pro výklad statistických metod, náhodná veličina a její rozdělení, střední hodnota, nezávislost,... Statistika popisné statistiky jako odhady populačních parametrů odhady, intervaly spolehlivosti, testy statistických hypotéz základní metody (vybrané testy) A mnoho dalších (sport, marketing,...) Důležité je osvojení si hlavních principů, pojmů, základních metod. Nikoliv učení se vzorečků.

3 Teorie i : matematický model náhody Co to je náhoda? Kde se s ní setkáváme? zkoumá náhodné jevy, tj. jevy, které mohou, ale nemusí nastat. S jakou í daný jev nastane? Jsou dané jevy na sobě nezávislé? náhodný pokus výsledek předem neurčitý (náhoda) množina všech možných výsledků Ω náhodný jev je tvrzení o výsledku pokusu, tj. A Ω prvky Ω se nazývají elementární náhodné jevy jev nemožný nenastává nikdy jev jistý je celá množina Ω a nastává vždy (Hod kostkou) Ω = {1,2,3,4,5,6} A = [padne sudé číslo] = {2,4,6} (Pohlaví 2 sourozenců) Ω = {KK,DK,KD,DD} nebo Ω = {KK,DK,DD} A = [alespoň jeden kluk] = {KK,KD,DK} nebo à = [alespoň jeden kluk] = {KK,KD} Operace s náhodnými jevy Operace s náhodnými jevy - příklady Uvažujme náhodné jevy A,B Ω. podjev A B znamená A B jev opačný A c nastane A nenastane průnik jevů A B nastane nastanou zároveň A i B sjednocení jevů A B nastane nastane alespoň jeden z jevů A a B neslučitelné (disjunktní) jevy: A B = Podobně průnik a sjednocení více jevů A 1,...,A k : k A i = A 1 A 2 A k (všechny musí nastat); i=1 k A i = A 1 A 2 A k (alespoň jeden musí nastat). i=1 (Hod kostkou) Množina všech výsledků: Ω = {1,2,3,4,5,6} A = [padne sudé číslo] = {2,4,6}, B = [padne číslo větší než 3] = {4,5,6} jev opačný A c = [padne liché číslo] = {1,3,5}, B c = [padne číslo menší rovno třem] = {1,2,3} průnik A B = [padne sudé číslo větší než 3] = {4,6} sjednocení A B = [padne číslo sudé nebo větší než 3] = {2,3,4,6}

4 i objektivní číselné vyjádření naděje, že nastane jev A přiřazuje náhodnému jevu A reálné číslo z intervalu [0, 1] (zkráceně pst, značeno P) musí mít následující vlastnosti: 1 0 P(A) 1 2 P(Ω) = 1, P( ) = 0, 3 je-li A B =, pak P(A B) = P(A)+P(B) Z těchto vlastností pak dále vyplývá 4 P(A c ) = 1 P(A), 5 pro B A je P(B) P(A) a P(A B) = P(A) P(B) 6 P(A B) = P(A)+P(B) P(A B) Předpoklady: Ω je konečná, tj. Ω = {ω 1,...,ω N } všechny elementární jevy ω i Ω jsou stejně pravděpodobné jevu A Ω je definována jako P(A) = A Ω = A N, kde A značí počet prvků množiny A. má zjevně všechny požadované vlastnosti. i příklad 1 i příklad 2 (Hod kostkou) (Hod dvěma kostkami) Ω = {1,2,3,4,5,6}, uvažujeme náhodné jevy A = [padne sudé číslo] = {2,4,6}, B = [padne číslo větší než 3] = {4,5,6} Pak P(A) = 3 6 = 1 2, P(B) = 3 6 = 1 2, P(A B) = 2 6 = 1 3, Házímeme dvěma kostkami (modrá a zelená). Zajímá nás jevu A = [součet je alespoň 10]. Ω je množina všech uspořádaných dvojic z čísel 1,2,3,4,5,6. Všech možností je: Ω = 6 6 = 36. Příznivé možnosti: (4,6), (5,5), (5,6), (6,4), (6,5), (6,6). Proto B = 6 a tedy P(B) = 6 36 = 1 6. P(A B) = 4 6 = P(A)+P(B) P(A B) = Poznámka: Kombinatorické pojmy (permutace, kombinační čísla apod.)

5 Nevýhody klasické i i má dva velmi omezující předpoklady: 1 konečný počet elementárních jevů 2 elementární jevy ω musí být stejně pravděpodobné Kdy nám klasická nestačí? nestejně pravděpodobné elem. jevy ω (nesymetrická mince) Ω není konečná (házíme na koš, dokud se netrefíme) Ω je abstraktní, nelze jednoduše popsat ω (chceme mluvit o i bankrotu banky apod.) Necht Ω je libovolná množina. í nazveme libovolnou funkci P definovanou na podmnožinách Ω, která má následující vlastnosti: 1 0 P(A) 1 pro libovolné A Ω, 2 P(Ω) = 1, 3 pro všechny A 1,A 2,... Ω takové, že A i A j = i j, platí ( ) P A i = P(A i ). i=1 i=1 Obou předpokladů se potřebujeme zbavit obecnější a abstraktnější axiomatická i. Poznámky Poznámky i: připouští konečné, spočetné i nespočetné množiny Ω elementární jevy nemusí být stejně pravděpodobné pro danou Ω lze zavést mnoho různých í mezi nimi si musíme sami zvolit (většinou to přirozeně vyplyne) Dále budeme (teoreticky) pracovat s obecnou axiomatickou definicí i. V příkladech ale budeme většinou používat klasickou. Poznámka pro náročné: Ve skutečnosti se zavádí jen pro tzv. měřitelné množiny, ne nutně pro všechny podmnožiny Ω (neměřitelnou množinu nepovažujeme za náhodný jev). Při nespočetné Ω (třeba Ω = R) nelze totiž rozumně zavést, která funguje pro všechny podmnožiny Ω.

6 poznámky Definice Necht jev B Ω má kladnou, P(B) > 0. Podmíněnou jevu A za podmínky, že nastal jev B, definujeme vztahem P(A B) = P(A B). P(B) Nepodmíněná P(A) vypovídá o i výskytu jevu A v situaci, kdy nemáme žádné dodatečné informace o průběhu nebo výsledku experimentu. P(A B) vypovídá o i výskytu jevu A v situaci, kdy víme, že nějaký jiný jev B určitě nastal (tj. máme dodatečnou informaci) Poznámka Pozor, jevy A a B nelze prohazovat, protože obecně P(A B) P(B A). dostihy Favority dostihu jsou koně Lívanec a Škobrt ák. Kursy bookmakerů naznačují, že vítězství Lívance je 0.2 a Škobrt áka Škobrt ák však před startem spolkl hřebík a nepoběží. Jaká je, že vyhraje Lívanec? Řešení: Jevy: L = [vyhraje Lívanec], Š = [vyhraje Škobrt ák]. Máme P(L) = 0.2, P(Š) = 0.25, L Š =. Odtud P(L Š c ) = P(L Šc ) P(Šc ) = P(L) P(Šc ) = 1/5 3/4 = 4 15., že vyhraje Lívanec, je 4/15 = V šupĺıku jsou tři páry ponožek ze stejného materiálu: zelené, modré a bílé. Po tmě náhodně vyberete dvě ponožky a aniž byste ověřili jejich barvu, vyrazíte v nich do školy. Zjistěte, s jakou í máte obě ponožky stejné barvy, alespoň jedna obutá ponožka je zelená, na pravé noze je zelená ponožka máte obě ponožky stejné, jestliže v šupĺıku určitě zbyl pár zelených ponožek, máte obě ponožky stejné, jestliže na pravé noze máte zelenou.

7 Nezávislost dvou jevů Nezávislost příklady Máme prostor elementárních jevů Ω a P. Definice A, B Ω nazýváme nezávislé, jestliže platí P(A B) = P(A)P(B). V opačném případě je nazýváme závislé. Necht jsou jevy A, B nezávislé a P(A) > 0, P(B) > 0. Pak Házíme dvěma kostkami (zelenou a modrou). Označme jevy A = [na modré kostce padlo sudé číslo], B = [součet čísel na obou kostkách je lichý]. Jsou jevy A a B nezávislé? Máme Ω = {(SS),(LL),(SL),(LS)}, kde S značí sudé číslo a L liché. Pak P(A B) = P(A B) P(B) = P(A)P(B) P(B) = P(A) a podobně P(B A) = P(B). Jevy jsou tedy nezávislé, pokud jednoho jevu není nijak ovlivněna tím, zda druhý jev nastal nebo ne. P(A) = 1 2, P(B) = 1 2, P(A B) = 1 4. Tj. platí podmínka P(A B) = P(A) P(B) a jevy jsou nezávislé. Nezávislost příklady Nezávislost příklady Házíme dvěma kostkami (zelenou a modrou). Označme jevy A = [na modré kostce padlo sudé číslo], B = [součet čísel je větší než 10]. Jsou jevy A a B nezávislé? Ω je množina všech uspořádaných dvojic z čísel 1,2,3,4,5,6, Ω = 36 P(A) = = 1 2, P(B) = 3 36 = 1 12, P(A B) = 2 36 = (Vtip o statistikovi v letadle) Statistik procházel bezpečnostní kontrolou na letišti, když byla v jeho kufru nalezena bomba. Vysvětloval: Podle statistik je přítomnosti bomby v letadle 0, 001. Takže šance, že na palubě budou dvě bomby, je 0, Když si vezmu svoji bombu, cítím se pak mnohem bezpečněji. Bez své osobní bomby proto nikdy necestuji. Označme A = [já mám v letadle bombu], B = [někdo jiný má v letadle bombu]. Jevy A a B jsou zjevně nezávislé (já nejsem člen žádné teroristické skupiny). Proto Tj. neplatí podmínka P(A B) = P(A) P(B) a jevy jsou závislé. P(B A) = P(B) = , a proto si bombu do letadla brát nemusíte.

8 Nezávislost poznámky Poznámka Jsou-li A,B nezávislé, pak (A,B c ), (A c,b), (A c,b c ) jsou též dvojice nezávislých jevů. Definice A 1,A 2,...,A n Ω nazýváme nezávislé právě když platí P(A 1 A 2 A n ) = P(A 1 )P(A 2 ) P(A n ).

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika?

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika? Organizační pokyny k přednášce Matematická statistika 2012 2013 Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hudecova@karlin.mff.cuni.cz http://www.karlin.mff.cuni.cz/

Více

PRAVDĚPODOBNOST Náhodné pokusy. Náhodný jev

PRAVDĚPODOBNOST Náhodné pokusy. Náhodný jev RAVDĚODOBNOST Náhodné pokusy okusy ve fyzice, chemii při splnění stanov. podmínek vždy stejný výsledek ř. Změna skupenství vody při 00 C a tlaku 00 ka okusy v praxi, vědě, výzkumu při dodržení stejných

Více

Náhodný jev a definice pravděpodobnosti

Náhodný jev a definice pravděpodobnosti Náhodný jev a definice pravděpodobnosti Obsah kapitoly Náhodný jev. Vztahy mezi náhodnými jevy. Pravidla pro počítání s pravděpodobnostmi. Formule úplné pravděpodobnosti a Bayesův vzorec. Studijní cíle

Více

Organizační pokyny k přednášce. Matematická statistika. Co je statistika? Přehled témat

Organizační pokyny k přednášce. Matematická statistika. Co je statistika? Přehled témat Organizační pokyny k přednášce Matematická statistika MS710P05 Zdeněk Hlávka (Šárka Hudecová, Michal Kulich) Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hlavka@karlin.mff.cuni.cz

Více

Jevy A a B jsou nezávislé, jestliže uskutečnění jednoho jevu nemá vliv na uskutečnění nebo neuskutečnění jevu druhého

Jevy A a B jsou nezávislé, jestliže uskutečnění jednoho jevu nemá vliv na uskutečnění nebo neuskutečnění jevu druhého 8. Základy teorie pravděpodobnosti 8. ročník 8. Základy teorie pravděpodobnosti Pravděpodobnost se zabývá matematickými zákonitostmi, které se projevují v náhodných pokusech. Tyto zákonitosti mají opodstatnění

Více

Drsná matematika IV 7. přednáška Jak na statistiku?

Drsná matematika IV 7. přednáška Jak na statistiku? Drsná matematika IV 7. přednáška Jak na statistiku? Jan Slovák Masarykova univerzita Fakulta informatiky 2. 4. 2012 Obsah přednášky 1 Literatura 2 Co je statistika? 3 Popisná statistika Míry polohy statistických

Více

( ) ( ) 9.2.7 Nezávislé jevy I. Předpoklady: 9204

( ) ( ) 9.2.7 Nezávislé jevy I. Předpoklady: 9204 9.2.7 Nezávislé jevy I Předpoklady: 9204 Př. : Předpokládej, že pravděpodobnost narození chlapce je stejná jako pravděpodobnost narození dívky (a tedy v obou případech rovna 0,5) a není ovlivněna genetickými

Více

STATISTIKA jako vědní obor

STATISTIKA jako vědní obor STATISTIKA jako vědní obor Cílem statistického zpracování dat je podání informace o vlastnostech a zákonitostech hromadných jevů. Statistika se zabývá popisem hromadných jevů - deskriptivní, popisná statistika

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Teoretická rozdělení

Teoretická rozdělení Teoretická rozdělení Diskrétní rozdělení Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Některá teoretická rozdělení diskrétních veličin: Alternativní rozdělení Binomické

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název školy Gymnázium, Šternberk, Horní nám. 5 Číslo projektu CZ.1.07/1.5.00/34.0218 Šablona III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Označení materiálu VY_32_INOVACE_Hor012 Vypracoval(a),

Více

Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti

Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti PRAVDĚPODOBNOST anotace Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti VM vytvořil: Mgr. Marie Zapadlová Období vytvoření VM: září 2013 Klíčová

Více

Jaroslav Michálek A STATISTIKA

Jaroslav Michálek A STATISTIKA VUT BRNO FAKULTA STROJNÍHO INŽENÝRSTVÍ Jaroslav Michálek PRAVDĚPODOBNOST A STATISTIKA BRNO 2006 preprint Kapitola 1 Úvod Prudký rozvoj výpočetní techniky, jehož jsme v posledních desetiletích svědky, podstatně

Více

Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/34.0948

Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/34.0948 Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/34.0948 IV-2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol PRAVDĚPODOBNOST

Více

PRAVDĚPODOBNOST A JEJÍ UŽITÍ

PRAVDĚPODOBNOST A JEJÍ UŽITÍ PRAVDĚPODOBNOST A JEJÍ UŽITÍ Základním pojmem teorie pravděpodobnosti je náhodný jev. náhodný jev : výsledek nějaké činnosti nebo pokusu, o němž má smysl prohlásit že nastal nebo ne. Náhodné jevy se označují

Více

Diskrétní pravděpodobnost

Diskrétní pravděpodobnost Diskrétní pravděpodobnost Jiří Koula Definice. Konečným pravděpodobnostním prostorem nazveme dvojici(ω, P), kde Ω jekonečnámnožina {ω 1,..., ω n}apfunkcepřiřazujícíkaždépodmnožiněωčíslo zintervalu 0,1,splňujícíP(

Více

Náhodný pokus každá opakovatelná činnost, prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě.

Náhodný pokus každá opakovatelná činnost, prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě. Základy teorie pravděpodobnosti Náhodný pokus každá opakovatelná činnost, prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě. Náhodný jev jakékoli tvrzení

Více

Cvičení ze statistiky - 4. Filip Děchtěrenko

Cvičení ze statistiky - 4. Filip Děchtěrenko Cvičení ze statistiky - 4 Filip Děchtěrenko Minule bylo.. Dokončili jsme deskriptivní statistiku Tyhle termíny by měly být známé: Korelace Regrese Garbage in, Garbage out Vícenásobná regrese Pravděpodobnost

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY 4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být

Více

1. Házíme hrací kostkou. Určete pravděpodobností těchto jevů: a) A při jednom hodu padne šestka;

1. Házíme hrací kostkou. Určete pravděpodobností těchto jevů: a) A při jednom hodu padne šestka; I Elementární pravděpodonost 1 Házíme hrací kostkou Určete pravděpodoností těchto jevů: a) A při jednom hodu padne šestka; Řešení: P A) = 1 = 01; Je celkem šest možností {1,,, 4,, } a jedna {} je příznivá

Více

ALGEBRA. Téma 4: Grupy, okruhy a pole

ALGEBRA. Téma 4: Grupy, okruhy a pole SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 4: Grupy, okruhy a pole Základní pojmy unární operace, binární operace, asociativita,

Více

Motivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND.

Motivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND. Pravděpodobnostn podobnostní charateristiy diagnosticých testů, Bayesův vzorec Prof.RND RND.Jana Zvárov rová,, DrSc. Náhodný pous, náhodný n jev Náhodný pous: výslede není jednoznačně určen podmínami,

Více

Matematika. Kamila Hasilová. Matematika 1/34

Matematika. Kamila Hasilová. Matematika 1/34 Matematika Kamila Hasilová Matematika 1/34 Obsah 1 Úvod 2 GEM 3 Lineární algebra 4 Vektory Matematika 2/34 Úvod Zkouška písemná, termíny budou včas vypsány na Intranetu UO obsah: teoretická a praktická

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Mirko Navara Centrum strojového vnímání katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://cmp.felk.cvut.cz/ navara/mvt http://cmp.felk.cvut.cz/

Více

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace RELACE Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace slouží k vyjádření vztahů mezi prvky nějakých množin. Vztahy mohou být různé povahy. Patří sem vztah býti potomkem,

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

6. Pravděpodobnost a statistika. 6.1. Pravděpodobnost

6. Pravděpodobnost a statistika. 6.1. Pravděpodobnost 6. Pravděpodobnost a statistika 6.1. Pravděpodobnost Pravděpodobnost (hovorově šance; značka je P z anglického probability) je hodnota vyčíslující jistotu resp. nejistotu výskytu určité události. K pojmu

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

CZ.1.07/1.5.00/34.0619 CZ.1.07/1.5.00/34.0619 Zvyšování vzdělanosti pomocí e-prostoru OP Vzdělávání pro konkurenceschopnost

CZ.1.07/1.5.00/34.0619 CZ.1.07/1.5.00/34.0619 Zvyšování vzdělanosti pomocí e-prostoru OP Vzdělávání pro konkurenceschopnost CZ.1.07/1.5.00/34.0619 CZ.1.07/1.5.00/34.0619 Zvyšování vzdělanosti pomocí e-prostoru OP Vzdělávání pro konkurenceschopnost Soukromá střední škola a jazyková škola s právem státní jazykové zkoušky Č. Budějovice,

Více

Sázíte-li v loterii, je to hazard. Hrajete-li poker, je to zábava. Obchodujete-li na burze, je to ekonomie. Vidíte ten rozdíl?

Sázíte-li v loterii, je to hazard. Hrajete-li poker, je to zábava. Obchodujete-li na burze, je to ekonomie. Vidíte ten rozdíl? 1.1 Základní statistické pojmy a metody Sázíte-li v loterii, je to hazard. Hrajete-li poker, je to zábava. Obchodujete-li na burze, je to ekonomie. Vidíte ten rozdíl? 1 Co se dozvíte Co je to statistika

Více

1. Pravděpodobnost a statistika (MP leden 2010)

1. Pravděpodobnost a statistika (MP leden 2010) 1. Pravděpodobnost a statistika (MP leden 2010) Pravděpodobnost pojmy 1. Diskrétní pravděpodobnostní prostor(definice, vlastnosti, příklad). Diskrétní pravděpodobnostní prostor je trojice(ω, A, P), kde

Více

náhodný jev je podmnožinou

náhodný jev je podmnožinou Pravděpodobnost Dovednosti a cíle - Chápat jev A jako podmnožinu množiny, která značí množinu všech výsledků náhodného děje. - Umět zapsat jevy pomocí množinových operací a obráceně umět z množinového

Více

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy

Více

Podmíněná pravděpodobnost

Podmíněná pravděpodobnost odmíněná pravděpodobnost 5. odmíněná pravděpodobnost 5.. Motivace: Opakovaně nezávisle provádíme týž náhodný pokus a sledujeme nastoupení jevu A v těch pokusech, v nichž nastoupil jev H. odmíněnou relativní

Více

Základy pravděpodobnosti poznámky. Jana Klicnarová

Základy pravděpodobnosti poznámky. Jana Klicnarová Základy pravděpodobnosti poznámky Jana Klicnarová 1 V této části připomeneme základní pojmy a vztahy pro práci s náhodou. 0.1 Náhodné jevy Uvažujme situace, které mohou a nemusí nastat a o kterých v nějakém

Více

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS

Více

Projekt výzkumu v graduační práci

Projekt výzkumu v graduační práci Projekt výzkumu v graduační práci Základní manuál Prof. PhDr. Beáta Krahulcová, CSc. Fáze výzkumu Přípravná, teoretická fáze (výsledek kumulovaného poznání,precizace výzkumného úkolu, formulace vědecké

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

Učitelství 2. stupně ZŠ tématické plány předmětů matematika

Učitelství 2. stupně ZŠ tématické plány předmětů matematika Učitelství 2. stupně ZŠ tématické plány předmětů matematika Povinné předměty: Matematická analýza I (KMD/MANA1)...2 Úvod do teorie množin (KMD/TMNZI)...4 Algebra 2 (KMD/ALGE2)...6 Konstruktivní geometrie

Více

Teorie. Kombinatorika

Teorie. Kombinatorika Teorie Kombinatorika Kombinatorika Jak obecně vybrat k prvkové množiny z n prvkové množiny? Dvě možnosti: prvky se v množině neopakují bez opakování. prvky se v množině opakují s opakováním. prvky jsou

Více

MATEMATIKA A 3 Metodický list č. 1

MATEMATIKA A 3 Metodický list č. 1 Metodický list č. 1 Název tématického celku: Úvod do problematiky diskrétní matematiky Cíl: Cílem tohoto tématického celku je vymezení oblasti diskrétní matematiky a příprava na další výklad kurzu. Jedná

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ 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

Více

Základní pojmy a úvod do teorie pravděpodobnosti. Ing. Michael Rost, Ph.D.

Základní pojmy a úvod do teorie pravděpodobnosti. Ing. Michael Rost, Ph.D. Základní pojmy a úvod do teorie pravděpodobnosti Ing. Michael Rost, Ph.D. Co je to Statistika? Statistiku lze definovat jako vědní obor, zabývající se hromadnými jevy a procesy. Statistika zahrnuje jak

Více

METRICKÉ A NORMOVANÉ PROSTORY

METRICKÉ A NORMOVANÉ PROSTORY PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme

Více

Statistika. Program R. popisná (deskriptivní) statistika popis konkrétních dat. induktivní (konfirmatorní) statistika. popisná statistika

Statistika. Program R. popisná (deskriptivní) statistika popis konkrétních dat. induktivní (konfirmatorní) statistika. popisná statistika Statistika Cvičení z matematické statistiky na PřF Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy léto 2012 Základní dělení popisná (deskriptivní)

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

Algebraické struktury s jednou binární operací

Algebraické struktury s jednou binární operací 16 Kapitola 1 Algebraické struktury s jednou binární operací 1.1 1. Grupoid, pologrupa, monoid a grupa Chtěli by jste vědět, co jsou to algebraické struktury s jednou binární operací? No tak to si musíte

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

Více

Induktivní statistika. z-skóry pravděpodobnost

Induktivní statistika. z-skóry pravděpodobnost Induktivní statistika z-skóry pravděpodobnost normální rozdělení Z-skóry umožňují najít a popsat pozici každé hodnoty v rámci rozdělení hodnot a také srovnávání hodnot pocházejících z měření na rozdílných

Více

Cvičení ze statistiky - 9. Filip Děchtěrenko

Cvičení ze statistiky - 9. Filip Děchtěrenko Cvičení ze statistiky - 9 Filip Děchtěrenko Minule bylo.. Dobrali jsme normální rozdělení Tyhle termíny by měly být známé: Inferenční statistika Konfidenční intervaly Z-test Postup při testování hypotéz

Více

4. cvičení 4ST201. Pravděpodobnost. Obsah: Pravděpodobnost Náhodná veličina. Co je třeba znát z přednášek

4. cvičení 4ST201. Pravděpodobnost. Obsah: Pravděpodobnost Náhodná veličina. Co je třeba znát z přednášek cvičící 4. cvičení 4ST201 Obsah: Pravděpodobnost Náhodná veličina Vysoká škola ekonomická 1 Pravděpodobnost Co je třeba znát z přednášek 1. Náhodný jev, náhodný pokus 2. Jev nemožný, jev jistý 3. Klasická

Více

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 STATISTIKA CVIČENÍ Č. 7 4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické

Více

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

Reálná čísla. Sjednocením množiny racionálních a iracionálních čísel vzniká množina

Reálná čísla. Sjednocením množiny racionálních a iracionálních čísel vzniká množina Reálná čísla Iracionální číslo je číslo vyjádřené ve tvaru nekonečného desetinného rozvoje, ve kterém se nevyskytuje žádná perioda. Při počítání je potřeba iracionální číslo vyjádřit zaokrouhlené na určitý

Více

MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO

MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO MOŽNOSTI A LIMITY VYUŽITÍ MODERNÍCH TECHNOLOGIÍ PŘI VÝUCE MATEMATIKY NA EKF VŠB-TUO RNDr. Jana Hrubá Katedra matematických metod v ekonomice (K151) Institut inovace vzdělávání (K167) Ekonomická fakulta

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

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

diskriminaci žen letní semestr 2012 1 = výrok, o jehož pravdivosti chceme rozhodnout tvrzení o populaci, o jehož platnosti rozhodujeme

diskriminaci žen letní semestr 2012 1 = výrok, o jehož pravdivosti chceme rozhodnout tvrzení o populaci, o jehož platnosti rozhodujeme motivační příklad Párový Párový Příklad (Platová diskriminace) firma provedla šetření s cílem zjistit, zda dochází k platové diskriminaci žen Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky

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

Historie matematiky a informatiky Cvičení 2

Historie matematiky a informatiky Cvičení 2 Historie matematiky a informatiky Cvičení 2 Doc. RNDr. Alena Šolcová, Ph. D., KAM, FIT ČVUT v Praze 2014 Evropský sociální fond Investujeme do vaší budoucnosti Alena Šolcová Číselně teoretické funkce (Number-Theoretic

Více

Gymnázium, Český Krumlov

Gymnázium, Český Krumlov Gymnázium, Český Krumlov Vyučovací předmět Fyzika Třída: 6.A - Prima (ročník 1.O) Úvod do předmětu FYZIKA Jan Kučera, 2011 1 Organizační záležitosti výuky Pomůcky související s výukou: Pracovní sešit (formát

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

Pravděpodobnost, náhoda, kostky

Pravděpodobnost, náhoda, kostky Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké

Více

Metody přírodních věd aplikované na vědy sociální: předpoklad, že lidské chování můžeme do jisté míry měřit a předpovídat.

Metody přírodních věd aplikované na vědy sociální: předpoklad, že lidské chování můžeme do jisté míry měřit a předpovídat. 3. Kvalitativní vs kvantitativní výzkum Kvantitativní výzkum Metody přírodních věd aplikované na vědy sociální: předpoklad, že lidské chování můžeme do jisté míry měřit a předpovídat. Kvantitativní výzkum

Více

Tento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla

Tento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla Ramseyovy věty Martin Mareš Tento text je stručným shrnutím těch tvrzení Ramseyovy teorie, která zazněla na mé letošní přednášce z Kombinatoriky a grafů I Předpokládá, že čtenář se již seznámil se základní

Více

Posloupnosti a jejich konvergence POSLOUPNOSTI

Posloupnosti a jejich konvergence POSLOUPNOSTI Posloupnosti a jejich konvergence Pojem konvergence je velmi důležitý pro nediskrétní matematiku. Je nezbytný všude, kde je potřeba aproximovat nějaké hodnoty, řešit rovnice přibližně, používat derivace,

Více

Maturitní otázky z předmětu MATEMATIKA

Maturitní otázky z předmětu MATEMATIKA Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu MATEMATIKA 1. Výrazy a jejich úpravy vzorce (a+b)2,(a+b)3,a2-b2,a3+b3, dělení mnohočlenů, mocniny, odmocniny, vlastnosti

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení ze 4ST201. Na případné faktické chyby v této prezentaci mě prosím upozorněte. Děkuji Tyto slidy berte pouze jako doplňkový materiál není v nich obsaženo

Více

Tvar dat a nástroj přeskupování

Tvar dat a nástroj přeskupování StatSoft Tvar dat a nástroj přeskupování Chtěli jste někdy použít data v jistém tvaru a STATISTICA Vám to nedovolila? Jistě se najde někdo, kdo se v této situaci již ocitl. Není ale potřeba propadat panice,

Více

Kontingenční tabulky, korelační koeficienty

Kontingenční tabulky, korelační koeficienty Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu

Více

Funkce. Definiční obor a obor hodnot

Funkce. Definiční obor a obor hodnot Funkce Definiční obor a obor hodnot Opakování definice funkce Funkce je předpis, který každému číslu z definičního oboru, který je podmnožinou množiny všech reálných čísel R, přiřazuje právě jedno reálné

Více

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi Geografický seminář 30. března 2011 Pavel Bednář Výchozí stav Sebehodnocení práce s MS Excel studujícími oboru

Více

Pravděpodobnost a statistika pro SŠ

Pravděpodobnost a statistika pro SŠ Pravděpodobnost a statistika pro SŠ RNDr. Blanka Šedivá, Ph.D., katedra matematiky, Fakulta aplikovaných věd Západočeské univerzity v Plzni sediva@kma.zcu.cz 28. března 2012 Počátky teorie pravděpodobnosti

Více

19 Hilbertovy prostory

19 Hilbertovy prostory M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem

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

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

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

Více

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209 9..1 Binomické rozdělení Předpoklady: 99 Př. 1: Basketbalista hází trestný hod (šestku) s pravděpodobností úspěchu,9. Urči pravděpodobnosti, že z pěti hodů: a) dá košů; b) dá alespoň jeden koš; c) dá nejdříve

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA

STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA Poslední aktualizace: 29. května 200 STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA PŘÍKLADY Pro zdárné absolvování předmětu doporučuji věnovat pozornost zejména příkladům označenými hvězdičkou. Příklady

Více

Testování hypotéz a měření asociace mezi proměnnými

Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz a měření asociace mezi proměnnými Testování hypotéz Nulová a alternativní hypotéza většina statistických analýz zahrnuje různá porovnání, hledání vztahů, efektů Tvrzení, že efekt je nulový,

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

Více

Maturitní témata profilová část

Maturitní témata profilová část Seznam témat Výroková logika, úsudky a operace s množinami Základní pojmy výrokové logiky, logické spojky a kvantifikátory, složené výroky (konjunkce, disjunkce, implikace, ekvivalence), pravdivostní tabulky,

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

1. Matice a maticové operace. 1. Matice a maticové operace p. 1/35

1. Matice a maticové operace. 1. Matice a maticové operace p. 1/35 1. Matice a maticové operace 1. Matice a maticové operace p. 1/35 1. Matice a maticové operace p. 2/35 Matice a maticové operace 1. Aritmetické vektory 2. Operace s aritmetickými vektory 3. Nulový a opačný

Více

označme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy,

označme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy, Komplexní čísla Množinu všech uspořádaných dvojic (x, y) reálných čísel x, y nazýváme množinou komplexních čísel C, jestliže pro každé dvě takové dvojice (x, y ), (x 2, y 2 ) je definována rovnost, sčítání

Více

Název: Konstrukce vektoru rychlosti

Název: Konstrukce vektoru rychlosti Název: Konstrukce vektoru rychlosti Autor: Mgr. Petr Majer Název školy: Gymnázium Jana Nerudy, škola hl. města Prahy Předmět (mezipředmětové vztahy) : Fyzika (Matematika) Tematický celek: Mechanika kinematika

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chb v této presentaci mě prosím upozorněte. Děkuji. Tto slid berte pouze jako doplňkový materiál není v nich

Více

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Cvičení 3 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

Více