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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

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 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA Oblasti využití generátorů náhodných čísel Statistika Loterie Kryptografie (kryptologie) Simulace Simulační modely DETERMINISTICKÉ STOCHASTICKÉ (činnost systému

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

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

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

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

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

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

PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA

PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ HELENA KOUTKOVÁ PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA MODUL GA03 M3 ZÁKLADY TEORIE ODHADU STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA

Více

ADZ základní statistické funkce

ADZ základní statistické funkce ADZ základní statistické funkce Základní statistické funkce a znaky v softwaru Excel Znak Stručný popis + Sčítání buněk - Odčítání buněk * Násobení buněk / Dělení buněk Ctrl+c Vyjmutí buňky Ctrl+v Vložení

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

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13 Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test

Více

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost

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

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

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

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

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

tazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve

tazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve Příklady k procvičení k průběžnému testu: 1) Při zpracování studie o průměrné výši měsíčních příjmů v České republice jsme získali data celkem od 8 tazatelů. Každý z těchto pěti souborů dat obsahoval odlišný

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

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests), : veličiny X, Y jsou nezávislé nij eij

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests),   : veličiny X, Y jsou nezávislé nij eij Testy dobré shody Máme dvě veličiny a předpokládáme, že jsou nezávislé (platí nulová hypotéza nezávislosti). Často chceme naopak prokázat jejich závislost. K tomu slouží: TESTY DOBRÉ SHODY (angl. goodness-of-fit

Více

MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT)

MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT) MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT) 1. Číselné obory 1.1 Přirozená čísla provádět aritmetické operace s přirozenými čísly rozlišit prvočíslo

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem

Více

Požadavky na konkrétní dovednosti a znalosti z jednotlivých tematických celků

Požadavky na konkrétní dovednosti a znalosti z jednotlivých tematických celků Maturitní zkouška z matematiky 2012 požadované znalosti Zkouška z matematiky ověřuje matematické základy formou didaktického testu. Test obsahuje uzavřené i otevřené úlohy. V uzavřených úlohách je vždy

Více

Statistika v příkladech

Statistika v příkladech Verlag Dashöfer Statistika v příkladech Praktické aplikace řešené v MS Ecel Ukázkové tety z připravované učebnice Doc. Ing. Jan Kožíšek, CSc. Ing. Barbora Stieberová, Ph.D. Praha 0 Obsah Obsah. Předmluva

Více

Testy pro porovnání vlastností dvou skupin

Testy pro porovnání vlastností dvou skupin Testy pro porovnání vlastností dvou skupin Petr Pošík Části dokumentu jsou převzaty (i doslovně) z Mirko Navara: Pravděpodobnost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_print.pdf

Více

Testování hypotéz Biolog Statistik: Matematik: Informatik:

Testování hypotéz Biolog Statistik: Matematik: Informatik: Testování hypotéz Biolog, Statistik, Matematik a Informatik na safari. Zastaví džíp a pozorují dalekohledem. Biolog "Podívejte se! Stádo zeber! A mezi nimi bílá zebra! To je fantastické! " "Existují bílé

Více

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky.

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky. Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky Biostatistika Cvičení - pracovní listy Martina Litschmannová, Kateřina Janurová 5.května

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

Více

2.6. Vlastní čísla a vlastní vektory matice

2.6. Vlastní čísla a vlastní vektory matice 26 Cíle V této části se budeme zabývat hledáním čísla λ které je řešením rovnice A x = λ x (1) kde A je matice řádu n Znalost řešení takové rovnice má řadu aplikací nejen v matematice Definice 261 Nechť

Více

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do

Více

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy: Opakování středoškolské matematiky Slovo úvodem: Tato pomůcka je určena zejména těm studentům presenčního i kombinovaného studia na VŠFS, kteří na středních školách neprošli dostatečnou průpravou z matematiky

Více

Spolehlivost soustav

Spolehlivost soustav 1 Spolehlivost soustav Spolehlivost soustav 1.1 Koherentní systémy a strukturní funkce Budeme se zabývat modelováním spolehlivosti zřízení s ohledem na spolehlivost jeho komponent. Jedním z hlavních cílů

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. Testování hypotéz na základě jednoho a dvou výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/004. Testování hypotéz Pokud nás zajímá zda platí, či neplatí tvrzení o určitém parametru,

Více

Kinetická teorie ideálního plynu

Kinetická teorie ideálního plynu Přednáška 10 Kinetická teorie ideálního plynu 10.1 Postuláty kinetické teorie Narozdíl od termodynamiky kinetická teorie odvozuje makroskopické vlastnosti látek (např. tlak, teplotu, vnitřní energii) na

Více

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 11 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

Statistika jako obor. Statistika. Popisná statistika. Matematická statistika TEORIE K MV2

Statistika jako obor. Statistika. Popisná statistika. Matematická statistika TEORIE K MV2 Statistika jako obor Statistika Statistika je vědní obor zabývající se zkoumáním jevů hromadného charakteru. Tím se myslí to, že zkoumaný jev musí příslušet určité části velkého množství objektů (lidí,

Více

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

Více

BAKALÁŘSKÁ PRÁCE. Lorenzova křivka

BAKALÁŘSKÁ PRÁCE. Lorenzova křivka UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Lorenzova křivka Vedoucí bakalářské práce: Mgr. Ondřej Vencálek Rok odevzdání:

Více

Modul Analýza síly testu Váš pomocník při analýze dat.

Modul Analýza síly testu Váš pomocník při analýze dat. 6..0 Modul Analýza síly testu Váš pomocník při analýze dat. Power Analysis and Interval Estimation Analýza síly testu Odhad velikosti vzorku Pokročilé techniky pro odhad intervalu spolehlivosti Rozdělení

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

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

Více

Statistika A. Obsah: (1) Popisná statistika, (2) Pravděpodobnost, (3) Základy odhadu

Statistika A. Obsah: (1) Popisná statistika, (2) Pravděpodobnost, (3) Základy odhadu Statistika A Obsah: (1) Popisná statistika, (2) Pravděpodobnost, (3) Základy odhadu parametrů a testování hypotéz Literatura: (H) Hindls & kol. Statistika pro ekonomy. Professional Publishing 2002 nebo

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),

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

Ústav teorie informace a automatizace RESEARCH REPORT. Nestandardní regulační diagramy pro SPC. No. 2311 December 2011

Ústav teorie informace a automatizace RESEARCH REPORT. Nestandardní regulační diagramy pro SPC. No. 2311 December 2011 kademie věd České republiky Ústav teorie informace a automatizace cademy of Sciences of the Czech Republic Institute of Information Theory and utomation RESERCH REPORT Josef Křepela, Jiří Michálek: Nestandardní

Více

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,

Více

Kapitola 1. Základy teorie pravděpodobnosti

Kapitola 1. Základy teorie pravděpodobnosti Kapitola 1 Základy teorie pravděpodobnosti 1 2 KAPITOLA 1. ZÁKLADY TEORIE PRAVDĚPODOBNOSTI 1.1 Náhodné jevy, pravděpodobnost 1.1.1 Náhoda, náhodný jev Život je jen náhoda, jak se zpívá v jedné oblíbené

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

Cvičení z matematiky jednoletý volitelný předmět

Cvičení z matematiky jednoletý volitelný předmět Název předmětu: Zařazení v učebním plánu: Cvičení z matematiky O8A, C4A, jednoletý volitelný předmět Cíle předmětu Obsah předmětu je zaměřen na přípravu studentů gymnázia na společnou část maturitní zkoušky

Více

Limita a spojitost funkce

Limita a spojitost funkce Limita a spojitost funkce Základ všší matematik Dana Říhová Mendelu Brno Průřezová inovace studijních programů Lesnické a dřevařské fakult MENDELU v Brně (LDF) s ohledem na disciplin společného základu

Více

Matematická vsuvka I. trojčlenka. http://www.matematika.cz/

Matematická vsuvka I. trojčlenka. http://www.matematika.cz/ Matematická vsuvka I. trojčlenka http://www.matematika.cz/ Trojčlenka přímá úměra Pokud platí, že čím více tím více, jedná se o přímou úměru. Čím více kopáčů bude kopat, tím více toho vykopají. Čím déle

Více

Učivo obsah. Druhá mocnina a odmocnina Druhá mocnina a odmocnina Třetí mocnina a odmocnina Kružnice a kruh

Učivo obsah. Druhá mocnina a odmocnina Druhá mocnina a odmocnina Třetí mocnina a odmocnina Kružnice a kruh Výstupy žáka ZŠ Chrudim, U Stadionu Je schopen vypočítat druhou mocninu a odmocninu nebo odhadnout přibližný výsledek Určí druhou mocninu a odmocninu pomocí tabulek a kalkulačky Umí řešit úlohy z praxe

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

Statistické metody uţívané při ověřování platnosti hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy

Více

1. cvičení 4ST201. Základní informace: Vyučující: Obsah: Informace o kurzu Popisná statistika Úvod do SASu

1. cvičení 4ST201. Základní informace: Vyučující: Obsah: Informace o kurzu Popisná statistika Úvod do SASu cvičící 1. cvičení 4ST201 Informace o kurzu Popisná statistika Úvod do SASu Obsah: Vysoká škola ekonomická 1 Vyučující: Základní informace:» Konzultační hodiny: pátek 9:00 11:00» Místnost: JM317» Email:

Více

MATEMATIKA Maturitní témata společná část MZ vyšší úroveň (vychází z Katalogu požadavků MŠMT)

MATEMATIKA Maturitní témata společná část MZ vyšší úroveň (vychází z Katalogu požadavků MŠMT) MATEMATIKA Maturitní témata společná část MZ vyšší úroveň (vychází z Katalogu požadavků MŠMT) 1. Číselné obory 1.1 Přirozená čísla provádět aritmetické operace s přirozenými čísly rozlišit prvočíslo a

Více

analytické geometrie v prostoru s počátkem 18. stol.

analytické geometrie v prostoru s počátkem 18. stol. 4.. Funkce více proměnných, definice, vlastnosti Funkce více proměnných Funkce více proměnných se v matematice začal používat v rámci rozvoje analtické geometrie v prostoru s počátkem 8. stol. I v sami

Více

Ω = 6 6 3 = 1 36 = 0.0277,

Ω = 6 6 3 = 1 36 = 0.0277, Příklad : Házíme třemi kostkami. Jaká je pravděpodobnost, že součet bude roven 5? Jev A značí příznivé možnosti: {,, 3}; {,, }; {, 3, }; {,, }; {,, }; {3,, }; P (A) = A Ω = 6 6 3 = 36 = 0.077, kde. značí

Více

Ekonomické modelování pro podnikatelskou praxi

Ekonomické modelování pro podnikatelskou praxi pro podnikatelskou praxi Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Vlachý, J. Řízení finančních rizik Scholleová, H. Hodnota flexibility: Reálné opce Sylabus

Více

Biostatistika a matematické metody epidemiologie - stručné studijní texty

Biostatistika a matematické metody epidemiologie - stručné studijní texty Biostatistika a matematické metody epidemiologie - stručné studijní texty Bohumír Procházka, SZÚ Praha 1 Co můžeme sledovat Pro charakteristiku nebo vlastnost, kterou chceme sledovat zvolíme termín jev.

Více

Statistika pro gymnázia

Statistika pro gymnázia Statistika pro gymnázia Pracovní verze učebního textu ZÁKLADNÍ POJMY Statistika zkoumá jevy (společenské, přírodní, technické) ve velkých statistických souborech. Prvky statistických souborů se nazývají

Více

Fakulta dopravní PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA. Doc. RNDr. Jana Novovičová, CSc. verze 12. dubna 2006. Vydavatelství ČVUT

Fakulta dopravní PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA. Doc. RNDr. Jana Novovičová, CSc. verze 12. dubna 2006. Vydavatelství ČVUT ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopravní PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA Doc. RNDr. Jana Novovičová, CSc. verze 12. dubna 2006 Vydavatelství ČVUT Lektor : Doc. Ing. Miloslav Vošvrda,

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

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

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

Požadavky k opravným zkouškám z matematiky školní rok 2014-2015

Požadavky k opravným zkouškám z matematiky školní rok 2014-2015 Požadavky k opravným zkouškám z matematiky školní rok 2014-2015 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,

Více

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové. Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný

Více

Vybrané kapitoly z pravděpodobnosti (interaktivní učební text) - Řešené příklady. Martina Litschmannová

Vybrané kapitoly z pravděpodobnosti (interaktivní učební text) - Řešené příklady. Martina Litschmannová Vysoká škola báňská Technická univerzita Ostrava Západočeská univerzita v Plzni Vybrané kapitoly z pravděpodobnosti (interaktivní učební text) - Řešené příklady Martina Litschmannová 1. strana ze 102 1

Více

6.2.8 Vlnová funkce. ψ nemá (zatím?) žádný fyzikální smysl, fyzikální smysl má funkce. Předpoklady: 060207

6.2.8 Vlnová funkce. ψ nemá (zatím?) žádný fyzikální smysl, fyzikální smysl má funkce. Předpoklady: 060207 6..8 Vlnová funkce ředpoklady: 06007 edagogická poznámka: Tato hodina není příliš středoškolská. Zařadil jsem ji kvůli tomu, aby žáci měli alespoň přibližnou představu o tom, jak se v kvantové fyzice pracuje.

Více

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Milan Holický Kloknerův ústav ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady -

Více

Modul Základní statistika

Modul Základní statistika Modul Základní statistika Menu: QCExpert Základní statistika Základní statistika slouží k předběžné analýze a diagnostice dat, testování předpokladů (vlastností dat), jejichž splnění je nutné pro použití

Více

Neparametrické testy. 1. Úvod. 2. Medián

Neparametrické testy. 1. Úvod. 2. Medián Neparametrické testy. Úvod Testy hypotéz o parametrech základních souborů, které jsme zatím poznali, jsou založeny na předpokladu, že tyto soubory mají normální rozdělení pravděpodobnosti, popřípadě i

Více

BAKALÁŘSKÁ PRÁCE. Statistická analýza dojivosti v programu SAS

BAKALÁŘSKÁ PRÁCE. Statistická analýza dojivosti v programu SAS UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Statistická analýza dojivosti v programu SAS Vedoucí diplomové práce: Mgr. Jaroslav

Více

05/29/08 cvic5.r. cv5.dat <- read.csv("cvic5.csv")

05/29/08 cvic5.r. cv5.dat <- read.csv(cvic5.csv) Zobecněné lineární modely Úloha 5: Vzdělání a zájem o politiku cv5.dat

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