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

Rozměr: px
Začít zobrazení ze stránky:

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

Transkript

1 Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D.

2 Príklad Předpokládejme že máme náhodnou veličinu X která má hustotu pravděpodobnosti definovanou takto: f(x) = 1 x (a, b) b a 0 x jinak Distribuční funkci získáme snadno jako F(x) = x f(t)dt = x 1 b a dt = 0 x a x a a x < b b a 1 x b Necht pro naší X platí a = 0 b = 2. Pak tedy:

3 Príklad a F(x) = x f(x) = f(t)dt = x 1 x (0, 2) 2 0 x jinak 1 2 dt = 0 x 0 x 2 0 x < 2 1 x 2

4 Střední hodnota náhodné veličiny Nejčastěji používanou číselnou charakteristikou polohy je první obecný moment, který se nazývá střední hodnota náhodné veličiny X. Budeme jej označovat symbolem E(X). Pro diskrétní náhodnou veličinu X, x [a; b] s pravděpodobnostní funkcí P(X = x) je E(X) definována jako: E(X) = n i=1 x i P(X = x i ) = n i=1 x i p i. Pro spojitou náhodnou veličinu X s hustotou pravděpodobnosti f(x) je E(X) definována jako: E(X) = b a xf(x)dx.

5 Rozptyl náhodné veličiny Popis polohy je třeba často doplnit o informaci, jak se rozptylují jednotlivé hodnoty náhodné veličiny kolem nějaké charakteristiky polohy (nejčastěji kolem střední hodnoty). Tuto informaci podávají charakteristiky variability. Mezi ně patří rozptyl D(X). Ten je stanoven jako druhý centrální moment: D(X) = E{[X E(X)] 2 } V případě diskrétní náhodné veličiny X je definován jako: D(X) = n i=1 [x i E(X)] 2 p i. V případě spojité náhodné veličiny X je definován jako: D(X) = b [x i E(X)] 2 f(x)dx. a

6 Příklad Předpokládejme, že náhodná veličina X popisující podíl jisté reklamní společnosti na tuzemském trhu, během jistého týdne, může být popsána následující hustotou pravděpodobnosti: f(x) = 3 2 (1 x2 ) 0 x 1 0 jinak Určeme: Distribuční funkci, střední hodnotu, medián, a rozptyl. Distribuční funkce F(x) = x (1 y2 )dy = 3 [ [y] x y ]x 0 = 3 2 [ x x3 3 ].

7 Příklad Střední hodnota: E(X) = 1 0 x 3 2 (1 x2 )dx = 3 2 [ x 2 2 ]1 0 [ x 4 4 ]1 0 = 3 8. Rozptyl: K výpočtu rozptylu naší náhodné veličiny X využijeme známého vzorce D(X) = E(X 2 ) [E(X)] 2. E(X 2 ) = 1 0 x 23 2 (1 x2 )dx = 3 2 [ x 3 3 ]1 0 [ x 5 5 ]1 0 = 1 5.

8 Příklad Pak již jednoduše: D(X) = 1 [ ] = = = 0,

9 Bernoulliho rozdělení Bern(π) Někdy také Alternativní rozdělení. Pomocí tohoto rozdělení lze popsat ty situace, ve kterých může náhodná proměnná nabývat pouze dvou možných hodnot. Příkladem může být hod ideální mincí. Bernoulliho rozdělení je definováno pomocí parametru π. Tento parametr lze interpretovat jako pravděpodobnost zdaru. Pravděpodobnostní funkce Bernoulliho rozdělení je definována takto f(x; π) = (1 π) pokud x = 0 π pokud x = 1.

10 Bernoulliho rozdělení Bern(π) Pravděpodobnostní funkci pro Bernoulliho rozdělení lze zapsat ekvivalentně jako: P(X = x) = π x (1 π) (1 x). Distribuční funkci tohoto rozdělení pak zapíšeme jako F(x; π) = (1 π) pokud x = 0 1 pokud x = 1. Střední hodnota náhodné veličiny sledující Bernoulliho rozdělení je dána hodnotou π, rozptyl takové veličiny pak hodnotou π(1 π). Symbolickým zápisem X Bern(π), říkáme, že náhodná veličina X sleduje Bernoulliho rozdělení s parametrem π.

11 Binomické rozdělení Bi(n; π) Pokud budeme opakovat n-krát určitý pokus při dodržení stejných podmínek, přičemž v každém pokusu bude moci nastat náhodný jev A, se stejnou pravděpodobností π a naopak nenastat s pravděpodobností 1 π, pak takové schéma pokusů nazýváme Bernoulliho schéma pokusů. Počet realizací jevu A v n nezávislých pokusech Bernoulliho schematu je zřejmě diskrétní náhodnou veličinou s definičním oborem {0, 1,..., n}. Vzhledem k tomu, že jsou tyto pokusy navzájem nezávislé lze psát: P(X = x) = ( n x ) π x (1 π) n x.

12 Binomické rozdělení Bi(n; π) Střední hodnotu lze pak určit jako: E(X) = E(X 1 ) + E(X 2 ) E(X n ) = nπ. Pro rozptyl pak D(X) = D(X 1 ) + D(X 2 ) D(X n ) = nπ(1 π).

13 Bi(n, p) P(x) x

14 Multinomické rozdělení - mimo soutěž Multinomické rozdělení je zobecněním binomického rozdělení pro p-rozměrnou náhodnou veličinu X = (X 1, X 2,..., X p ) se sdruženou pravděpodobnostní funkcí P(X 1 = x 1 ; X 2 = x 2,..., X p = x p ) = n! x 1!x 2!, x p! πx 1π x 2 π x p a kde x i = 0, 1, 2,..., n. Zároveň platí p i=1 x i = n a p i=1 π i = 1.

15 Poissonovo rozdělení P o(λ) V některých případech není počet událostí výsledkem předem stanoveného počtu zkoušek. Vhodný pravděpodobnostní model pak představuje Poissonovo rozdělení. Poissonovo rozdělení má pouze jeden jediný parametr a tím je λ, který udává jak střední hodnotu tak rozptyl. Maximálně věrohodným odhadem parametru λ je prostý aritmetický průměr. Pokud náhodná veličina X sleduje Poissonovo rozdělení s parametrem λ, pak píšeme X P o(λ).

16 Poissonovo rozdělení P o(λ) Poissonova pravděpodobnostní funkce je definována takto f(x; λ) = P(X = x; λ) = e λ λ x x! Distribuční funkce pak jako x e λ λ z F(x; λ) = z! z=0

17 Po(2) P(x) x

18 Hypergeometrické rozdělení H(M; N; n) Náhodná veličina X má hypergeometrické rozdělení s parametry N, M, n, jestliže má definovanou pravděpodobnostní funkci následujícím způsobem: P(X = x) = ( M x )(N M n x ) ( N n ) pokud x max(0, M N + n); min(m, n) 0 jinak. Přičemž N, M, n a x jsou přirozená čísla, pro která platí n M N a 1 n N. Uvědomte si, že faktoriály jsou definovány pouze pro nulu a přirozená čísla: n! = n (n 1) (n 2) 2 1 0! = 1

19 Hypergeometrické rozdělení H(M; N; n) Pro malá n/n přibližně pro n/n 0, 1 lze hypergeometrické rozdělení aproximovat binomickým rozdělením s parametrem π = M/N. V případě, že je n/n a M/N malé a n velké, řekněme n/n 0, 1, M/N 0, 1 a n > 30, lze hypergeometrické rozdělení aproximovat tzv. Poissonovým rozdělením s parametrem λ = nm/n.

20 Vícerozměrné hypergeometrické rozdělení - mimo hru Vícerozměrné hypergeometrické rozdělení je rozdělení náhodného vektoru X = (X 1, X 2,..., X p ) se sdruženou pravděpodobnostní funkcí kde P(X 1 = x 1 ; X 2 = x 2,..., X p = x p ) = ( M1 )( ) ( ) M2 x 1 x Mp 2 x ( ) p N, n x i = max[0; M i N + n],..., min[m i ; n] a dále p i=1 x i = n a π i=1 M i = N.

21 Co Vám to připomíná?

22 Normální rozdělení N(µ; σ 2 ) Patří mezi nejdůležitější spojitá rozdělení náhodných veličin. Má zásadní význam jak v statistické teorii, tak i v aplikacích. Lze říci, že tímto rozdělením lze popsat jevy, na jejichž koĺısání má vliv velký počet nepatrných a vzájemně nezávislých vlivů. Hustota pravděpodobnosti tohoto rozdělení je dána funkcí: f(x µ; σ 2 ) = 1 (x i µ) 2 σ 2π e 2σ 2 pro x i (, ) Normální rozdělení je symetrické kolem své střední hodnoty, která je současně mediánem i modem.

23

24 Normalni rozdeleni dnorm (x) x

25 Standardizace Pokud bychom hodnoty náhodné veličiny X s normálním rozdělením vhodně transformovali resp. normovali, pak bychom získali náhodnou veličinu U jejíž rozdělení bylo opět normální, resp. normální normované rozdělení, s jednotkovým rozptylem a nulovou střední hodnotu. Náhodnou veličinu U získáme transformací náhodné veličiny X N(µ; σ 2 ) takto: U = X E(X) D(X) = X µ σ Rozdělení N(0; 1) se nazývá normálním normovaným rozdělením.

26 Každé normální rozdělení, lze transformovat, na normální normované rozdělení. Hustotu normovaného normálního rozdělení důsledně označujeme symbolem ϕ(x). Distribuční funkci rozdělení N(0, 1) důsledně označujeme prostřednictvím symbolu φ(x). Tabulky hustoty pravděpodobnosti spolu s distribuční funkcí jsou sestaveny většinou pro nezáporné hodnoty normované veličiny U. Hodnoty pro x < 0 plynou ze vztahů ϕ( x) = ϕ(x) φ( x) = 1 φ(x)

27 Pojem: α100%ní kvantil Ve statistice je velmi důležitý pojem kvantilu. Kvantilem, resp. α100%-ním kvantilem náhodné veličiny X, která má jisté spojité rozdělení náhodné veličiny s distribuční funkcí F(x) a hustotu pravděpodobnosti f(x), je číslo x α pro které platí F(x α ) = P(X x α ) = x α f(x)dx = α. Alfa procentní kvantil normálního normovaného rozdělení N(0; 1) označujeme prostřednictvím symbolu u α. Pro normální normované rozdělení platí u α = u 1 α.

28 5% kvantil normálního normovaného rozdělení - u 0,05 Normal Distribution mu = 0, sigma = 1 Probability Density P( X < ) = 0.05 P( X > ) =

29 50% kvantil normálního normovaného rozdělení - u 0,50 Normal Distribution mu = 0, sigma = 1 Probability Density P( X < 0 ) = 0.5 P( X > 0 ) =

30 95% kvantil normálního normovaného rozdělení - u 0,95 Normal Distribution mu = 0, sigma = 1 Probability Density P( X < ) = 0.95 P( X > ) =

31 Tabulky rozdělení N(0; 1) Tabelované Hodnoty pro N(0; 1) vyjadřující P (X x) 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0 0,500 0,504 0,508 0,512 0,516 0,520 0,524 0,528 0,532 0,536 0,1 0,540 0,544 0,548 0,552 0,556 0,560 0,564 0,568 0,571 0,575 0,2 0,579 0,583 0,587 0,591 0,595 0,599 0,603 0,606 0,610 0,614 0,3 0,618 0,622 0,626 0,629 0,633 0,637 0,641 0,644 0,648 0,651 0,4 0,655 0,659 0,663 0,666 0,670 0,674 0,677 0,681 0,684 0,687 0,5 0,696 0,695 0,699 0,702 0,705 0,709 0,712 0,716 0,719 0,722 0,6 0,725 0,729 0,732 0,736 0,739 0,742 0,745 0,749 0,752 0,754 0,7 0,758 0,761 0,764 0,767 0,770 0,773 0,776 0,779 0,782 0,785 0,8 0,788 0,791 0,794 0,797 0,800 0,802 0,805 0,808 0,811 0,813 0,9 0,816 0,817 0,821 0,824 0,826 0,829 0,832 0,834 0,837 0, ,841 0,844 0,846 0,849 0,851 0,853 0,855 0,858 0,860 0,862 1,1 0,864 0,867 0,869 0,871 0,873 0,875 0,877 0,879 0,881 0,88 1,2 0,885 0,887 0,889 0,891 0,893 0,894 0,896 0,898 0,900 0,901 1,3 0,903 0,905 0,907 0,908 0,910 0,912 0,913 0,915 0,916 0,917 1,4 0,919 0,921 0,922 0,924 0,925 0,927 0,928 0,929 0,931 0,931 1,5 0,933 0,935 0,936 0,937 0,938 0,939 0,941 0,942 0,943 0,944 1,6 0,945 0,946 0,947 0,948 0,9495 0,9505 0,952 0,953 0,954 0,954 1,7 0,955 0,956 0,957 0,958 0,959 0,960 0,961 0,962 0,963 0,963 1,8 0,964 0,965 0,966 0,966 0,967 0,968 0,969 0,969 0,970 0,970 1,9 0,971 0,972 0,973 0,973 0,974 0,974 0,975 0,976 0,976 0,976

32 Chi kvadrát rozdělení χ 2 (v) Uvažujme navzájem v nezávislých náhodných veličin U 1, U 2,, U v, z nichž každá má normované normální rozdělení. Potom rozdělení součtu čtverců těchto náhodných veličin má χ 2 rozdělení. Tedy χ 2 = v Ui 2 i=1 Součet čtverců v vzájemně nezávislých normovaných normálních náhodných veličin má hustotu pravděpodobnosti danou předpisem f(x) = 1 )e χ2 22Γ( v 2 v 2 (χ2 ) 2 v 1, χ 2 > 0 0, χ 2 0 Parametr v se nazýváme počtem stupňů volnosti. V našem případě mluvíme o χ 2 rozdělení o v stupních volnosti, které značíme χ 2 (v). Distribuční funkce tohoto rozdělení je definována

33 Chi kvadrát rozdělení χ 2 (v) rovnicí F (x) = 1 χ 2 22Γ( v 2 v ) 0 e 2t t v 2 1 dt, χ 2 > 0 0, χ 2 0 Charakteristiky tohoto rozdělení jsou E(χ 2 ) = v D(χ 2 ) = 2v. Frekvenční funkce χ 2 rozdělení je asymetrická. Její průběh závisí na počtu stupňů volnosti. S rostoucím v se χ 2 rozdělení bĺıží normálnímu rozdělení N(v, 2v). Pokud v > 30 lze toto rozdělení aproximovat normovaným normálním rozdělením.

34 Studentovo nebo také t-rozdělení t(n) Jedním z nejčastěji využívaným rozdělením je tzv. Studentovo rozdělení. Lze jej definovat pomocí dvou nezávislých náhodných veličin U a χ 2, které mají po řadě N(0, 1) a χ 2 (v) rozdělení. Náhodná veličina t kde ta je definována jako t = má hustotu pravděpodobnosti f(u; χ 2 ) = 1 2π e u2 2 U χ 2 v 1, (1) 2 v 2Γ( v 2 )e χ 2 2 (χ 2 ) v 2 1 (2) kde < u < a χ 2 > 0. Počet stupňů volnosti veličiny χ 2 ve jmenovateli veličiny t určuje počet stupňů volnosti Studentova rozdělení.

35 Studentovo nebo také t-rozdělení t(n) Rozdělení t při rostoucím počtu stupňů volnosti rychle konverguje k normálnímu rozdělení. Pro v > 30 lze nahradit Studentovo rozdělení normálním normovaným rozdělením. Studentovo rozdělení je symetrické jednovrcholové. Vzhledem k symetrii platí: t α (v) = t 1 α (v)

36 Fisherovo-Snedecorovo rozdělení F (v 1 ; v 2 ) Dalším hojně využívaným rozdělením je Fisherovo-Snedecorovo rozdělení. Lze jej definovat prostřednictvím dvou nezávislých náhodných veličin které pocházejí z Chi-kvadrát rozdělení s v 1 resp. v 2 stupni volnosti. Náhodná veličina F je definována takto: F = χ 2 1 v 1 χ 2. 2 v 2 Rozdělení s touto hustotou pravděpodobnosti se nazývá Fisherovo- Snedecorovo rozdělení či F rozdělení o v 1 a v 2 stupních volnosti.

37 Fisherovo-Snedecorovo rozdělení F (v 1 ; v 2 ) Symbolicky se zapisuje jako F (v 1, v 2 ). Uvědomte si, že zde záleží na pořadí stupňů volnosti v 1, v 2. Nicméně platí vztah F α (v 1, v 2 ) = 1 F 1 α (v 2, v 1 ) Rozdělení F se při velkých počtech stupňů volnosti bĺıží k rozdělení normálnímu, ale dosti pomalu. Toto rozdělení je asymetrické.

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

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

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

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

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

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

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

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

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

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

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

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

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně 7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností

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. Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která

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

Diskrétní náhodná veličina. November 12, 2008

Diskrétní náhodná veličina. November 12, 2008 Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.

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

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 2: Pravděpodobnostní vyjádření náhodných veličin 0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování

Více

Rozdělení náhodné veličiny

Rozdělení náhodné veličiny Rozdělení náhodné veličiny Náhodná proměnná může mít - diskrétní rozdělení (nabývá jen určitých číselných hodnot) - spojité rozdělení (nabývá libovolných hodnot z určitého intervalu) Fyzikální veličiny

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

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

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y) 5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =

Více

10. N á h o d n ý v e k t o r

10. N á h o d n ý v e k t o r 10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět

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

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

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

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

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

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

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

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz. Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení

Více

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor Management jakosti Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.

Více

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. 1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopravní Pravděpodobnost a matematická statistika RNDr. Jana Novovičová, CSc. 1999 Vydavatelství ČVUT Lektor : Doc. Ing. Miloslav Vošvrda, CSc. (c) RNDr. Jana

Více

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

Více

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor Management jakosti Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2009/2010 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.

Více

Diskrétní náhodná veličina

Diskrétní náhodná veličina Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné

Více

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života

Více

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.) Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik

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

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

Aplikovaná numerická matematika

Aplikovaná numerická matematika Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních

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

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

5. B o d o v é o d h a d y p a r a m e t r ů

5. B o d o v é o d h a d y p a r a m e t r ů 5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme

Více

AVDAT Náhodný vektor, mnohorozměrné rozdělení

AVDAT Náhodný vektor, mnohorozměrné rozdělení AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární

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

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet? Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.

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

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina. Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment

Více

Pojistná matematika 2 KMA/POM2E

Pojistná matematika 2 KMA/POM2E Pojistná matematika 2 KMA/POM2E RNDr. Ondřej Pavlačka, Ph.D. pracovna 5.052 tel. 585 63 4027 e-mail: ondrej.pavlacka@upol.cz web: http://aix-slx.upol.cz/~pavlacka (informace + podkladové materiály) Konzultační

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

Deskriptivní statistické metody II. Míry polohy Míry variability

Deskriptivní statistické metody II. Míry polohy Míry variability Deskriptivní statistické metody II. Míry polohy Míry variability Jana Vránová, 3.lékařská fakulta UK, Praha Náhodný výběr všechny prvky výběru {x i }, i = 1, 2,, n, se chápou jako náhodné veličiny, které

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

11 Rovnoměrné a normální rozdělení psti

11 Rovnoměrné a normální rozdělení psti 11 Rovnoměrné a normální rozdělení psti 11 Rovnoměrné a normální rozdělení psti Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá část kapitoly 13 ze skript [1] a vše, co se nachází v kapitole

Více

Malé statistické repetitorium Verze s řešením

Malé statistické repetitorium Verze s řešením Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční

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

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní

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

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

Statistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .

Statistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) . Statistika Teorie odhadu statistická indukce Intervalový odhad µ, σ 2 a π Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika

Více

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů,

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, Rekurentní jevy Značení. (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, kde každý má tutéž konečnou nebo spočetnou množinu výsledků E, E,...}. Pak E j,..., E jn } značí

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

Charakterizují kvantitativně vlastnosti předmětů a jevů.

Charakterizují kvantitativně vlastnosti předmětů a jevů. Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Náhodné vektory a matice

Náhodné vektory a matice Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane

Více

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího

Více

letní semestr 2012 Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika

letní semestr 2012 Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 Opakování t- vs. neparametrické Wilcoxonův jednovýběrový test Opakování

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

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

Testování hypotéz testy o tvaru rozdělení. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Testování hypotéz testy o tvaru rozdělení. 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 Statistickou hypotézou se rozumí určité tvrzení o parametrech rozdělení zkoumané náhodné veličiny (µ, σ 2, π,

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

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

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B. Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná

Více

1 Vektorové prostory.

1 Vektorové prostory. 1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které

Více

Pravděpodobnost a statistika

Pravděpodobnost a statistika Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly

Více

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.

Více

Testování statistických hypotéz

Testování statistických hypotéz Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE

UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE Testy dobré shody Vedoucí diplomové práce: RNDr. PhDr. Ivo

Více

Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, UP v Olomouci

Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, UP v Olomouci Zpracování dat v edukačních vědách - Testování hypotéz Kamila Fačevicová Katedra matematické analýzy a aplikací matematiky, Přírodovědecká fakulta, UP v Olomouci Obsah seminářů 5.11. Úvod do matematické

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

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat

Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Stručný úvod do vybraných zredukovaných základů statistické analýzy dat Statistika nuda je, má však cenné údaje. Neklesejme na mysli, ona nám to vyčíslí. Z pohádky Princové jsou na draka Populace (základní

Více

STATISTICKÉ ZJIŠŤOVÁNÍ

STATISTICKÉ ZJIŠŤOVÁNÍ STATISTICKÉ ZJIŠŤOVÁNÍ ÚVOD Základní soubor Všechny ryby v rybníce, všechny holky/kluci na škole Cílem určit charakteristiky, pravděpodobnosti Průměr, rozptyl, pravděpodobnost, že Maruška kápne na toho

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

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko pro podporu jakosti Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov

Více

2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz).

2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz). 1 Cvičení z předmětu KMA/PST1 Pro získání zápočtu je nutno mimo docházky (max. 3 absence) uspět minimálně ve dvou ze tří písemek, které budou v průběhu semestru napsány. Součástí třetí písemky bude též

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

Statistické metody v marketingu. Ing. Michael Rost, Ph.D.

Statistické metody v marketingu. Ing. Michael Rost, Ph.D. Statistické metody v marketingu Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích K pojmu distiribuční funkce Distribuční funkce je definována vztahem: F (x) = P (X x i ) Distribuční

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 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

Statistické metody v ekonomii. Ing. Michael Rost, Ph.D.

Statistické metody v ekonomii. Ing. Michael Rost, Ph.D. Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Test χ 2 v kontingenční tabulce typu 2 2 Jde vlastně o speciální případ χ 2 testu pro čtyřpolní tabulku.

Více

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru

Více

Tomáš Karel LS 2013/2014

Tomáš Karel LS 2013/2014 Tomáš Karel LS 2013/2014 Vypočítejte: 8 3 10 9?? 1.12.2014 Tomáš Karel - 4ST201 2 n n! 8! 87654321 40320 k (n k)! k! (8 3)! 3! (5 4321) 321 1206 56 n n! 10! 109 8 7 6 5 4 3 2 1 10 k (n k)! k! (10 9)! 9!

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

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená. Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají

Více

Markovské metody pro modelování pravděpodobnosti

Markovské metody pro modelování pravděpodobnosti Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou

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

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

Průzkumová analýza dat

Průzkumová analýza dat Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se

Více