|
|
- Daniel Štěpánek
- před 8 lety
- Počet zobrazení:
Transkript
1 POZN AMKA K V YPO CTU BAYESOVSKEHO RIZIKA Ales LINKA TU Liberec, KPDM Abstrakt. V teto praci porovame dva bayesovske odhady fukce spolehlivosti v expoecialm rozdele z pohledu bayesovskeho rizika vypo- cteeho vzhledem k apriormu gamma rozdele ;(a p) v situaci, kdy jsme vprpade jedoho z odhadu eprese urcili hodoty parametru apriorho rozdele. Jako astroj pro porova odhadu pouzijeme asymptotickou de- ciecy staoveou a zaklade asymptotickych rozvoju probayesovske riziko uvazovaych odhadu. Abstract: I this paper we are iterested i two Bayes estimators of reliability fuctio i expoetial distributio which have dieret a priori parameters. The asymptotic expasios of Bayes risk, computed with respect to the a priori distributio of gamma-type, are derived. For detailed compariso we use limit risk deciecy accordig to Lehma (193). Rezme: V to stat~e my zaimaems sraveiem dvuh baesovskih oceok fukcii adosti v kspoecial~om raspredeleii po vidu baesovskogo riska isqisleogo vzgldom k aprioromu gamma-raspredelei. Baesovskovie oceki otliqats vyborom aprioryh parametrov. Dl sravei my ispol~zuem asimptotiqesku deficieci po Lemau (193). 1. Uvod Uvazujme klasickou situaci, kdy vysledkem experimetu je uply ahody vyber X = (X 1 ::: X ) z expoecialho rozdele shustotou f(x ) = < : 1 ; exp x x>, jiak, kde 2 ( 1) je ezamy parametr. Necht' c je klade cslo. Jestlize X je ahoda velicia s hustotou (1), pak odpovdajc fukce spolehlivosti ma tvar R(c) =R(c ) =P (X >c) = exp f;c=g : (2) (1)
2 Dale predpokladejme, ze ztratova fukce ma tvar L(R(c) b R)=[R(c) ; b R]2, kde R(c) ozacuje ezamou spolehlivost a b R jej odhad. Riziko prsluse odhadu b R, je-li skuteca hodota spolehlivosti R(c), deujeme vztahem r R(c) b R = E L R(c) b R : (3) V tomto claku budeme uvazovat bayesovsky odhad spolehlivosti a studovat jeho vlastosti. Predpokladejme proto, ze parametr = ;1 je ahoda velicia s aprior hustotou q( p a) = < : a p ;(p) p;1 e ;a > a> p> jiak. (4) Bayesovsky odhad R(c) dostaeme jako stred hodotu e ;c aposteriormurozdele, coz vede a odhad vzhledem k br 3 b R3 (c) = T + a T + a + c +p : (5) Pozameejme, ze ozace prvho idexu bylo zvoleo v souladu s ozacem bayesovskeho odhadu v praci Hurt (197) a v praci Atoch, Brzezia a Lika (199), druhym idexem budeme rozlisovat ruze bayesovske odhady. Bayesovske riziko odhadu R b je deovao jako stred hodota rizika r vzhledem k apriormu rozdele q, vasem prpade deovaem hustotou (4), tj. q b R Z = E q r R(c) R b ZIR = R(c) b L R f(x ) dx q( p a) d () kde f(x ) je sdruzea hustota ahodeho vektoru (X 1 ::: X ). 2. Asymptoticky rozvoj bayesovskeho rizika Vtomto odstavci budeme studovat chova bayesovskeho odhadu vzhledem k bayesovskemu riziku. Pro dva ruze bayesovske odhady urcme asymptoticke rozvoje pro jejich bayesovska rizika vzhledem ke kvadraticke ztratove fukci L a aprior hustote (4). Oba odhady potom porovame pomoc asymptoticke deciece. Uvazujme ejprve situaci, kdy hledame asymptoticky rozvoj pro bayesovske rizikobayesovskeho odhadu R3 b,pricemz toto bayesovske rizikopoctame
3 vzhledem k apriormu rozdele deovaemu hustotou (4). Je-li X 1 ::: X ahody vyber z expoecialho rozdele shustotou (1) a = ;1, potom ahoda velicia T = 1 X i=1 X i ma hustotu h(t ) = < : ;() t;1 e ;t t> > jiak. (7) Ze zamych vlastost gamma rozdeleazrejmych upravach pro bayesovske riziko odhadu b R3 dostavame (q b R3 )= = = Z 1 Z 1 t+ a a a +2c t+ a + c p ; ap ;( + p) p ;();(p) +p 2 ; expf;cg h(t )q( p a) d dt = Z 1 p;1; x 1+ ax 1+ (a+c) x +p 2(+p) dx: () Kostrukce asymptotickeho rozvoje pro bayesovske riziko odhadu R3 b fukce spolehlivosti vyuzva Taylorovu a Lebesquovu vetu. Protoze itegrady vystupujc v itegralch vyjadrech pro bayesovska rizika, jako fukce v 1=, ejsou deovay vule, tz. v bode, ve kterem provadme kostrukci odhadu, je ute odvodit modikaci Taylorovy vety profukce spojite dodeovatelevtomto bode. Po alezerozvojeitegradu aplikujeme Lebesquovu vetu. Jeda seopostuptechicky arocy a je ezbyte dokazat radu dlcch tvrze. Vysledek je uvede v asledujc vete. Veta 1: Necht' aprior hustota q je deovaa vztahem (4), echt' 2 IN a p a c 2 ( 1). Polozme 1 (q R3 b )= ap c 2 (p +1)p (9) (a +2c) p+2 2 (q b R3 )= ap c 2 p (1 + p) ; ;2a 2 +2c 2 ; 2a 2 p ; 5c 2 p ; 4acp ; c 2 p 2 2(a +2c) p+4 : (1)
4 Potom pro asymptoticky rozvoj bayesovskeho rizika odhadu b R3 plat (q b R3 ) = 1(q b R3 ) + 2(q b R3 ) 2 + O p a c ( ;3 ) pro!1: (11) Dukaz. Podroby dukaz viz Atoch, Brzezia a Lika (199). 2 Predpokladejme y, ze parametr je ahoda velicia s aprior hustotou (4) s parametry p 1 a a 1. Potom prslusy bayesovsky odhad fukce spolehlivosti R(c) ma tvar br 31 b R31 (c) = T + a 1 T + a 1 + c +p 1 : (12) To odpovda situaci, kdy jsme eprese urcili aprior parametry. Jako aprior parametry parametry jsme zvolili p 1 a 1, ale sprave jsme meli pouzt p a. Ny vypocteme asymptoticky rozvoj bayesovskeho rizika odhadu b R31 vzhledem ke kvadraticke ztratove fukci L a aprior hustote (4). Po kratkem vypoctu pro riziko odhadu b R31 dostavame (q b R31 )= = = Z 1 Z 1 t+ a1 a a +2c 2 4 t+ a 1 + c p + ap ;( + p) p ;();(p) ; 1+ a1 x +p 1 (+p) ; 2 1+ (ax +p 1 Z 1 ; expf;cg 2 h(t )q( p a) d dt = 1+ (a1+c) x 1+ ((a+c) x p;1; x 1+ a1 x 1+ (a1+c) x +p (+p) +p 1 2(+p 1) 5 dx: (13) Pro odvoze asymptotickeho rozvoje pouzijeme podobeho postupu jako jsme pouzili pro odhad b R3. Dostaeme asledujc tvrze. Veta 2 Necht' aprior hustota q je deovaa vztahem (4), echt' 2 IN a p a c 2 ( 1). Polozme 1 (q b R31 )= ap c 2 (p +1)p (a +2c) p+2 2 (q b R31 )=
5 = ; 12a 2 +a 4 ; 12a 1 2 ; 12a 2 a 1 2 +a ac +4a 3 c ; 4a 1 c; ; 4a 2 a 1 c ; 4aa 1 2 c +4a 1 3 c +a 2 c 2 ; 192aa 1 c 2 +9a 1 2 c 2 + +c 4 +1a 2 p +5a 4 p ; 1a 1 2 p ; 1a 2 a 1 2 p +5a 1 4 p +4acp + +4a 3 cp ; 4a 1 cp ; 4a 3 cp ; 4a 1 cp ; 4a 2 a 1 cp ; 4aa 1 2 cp + +4a 1 3 cp +4a 2 c 2 p ; 12aa 1 c 2 p +a 1 2 c 2 p ; ac 3 p +4a 1 c 3 p ; ; 2c 4 p +2a 2 p 2 + a 4 p 2 ; 2a 1 2 p 2 ; 2a 2 a 1 2 p 2 + a 1 4 p 2 +acp 2 + +a 3 cp 2 ; a 1 cp 2 ; a 2 a 1 cp 2 ; aa 1 2 cp 2 +a 1 3 cp 2 +a 2 c 2 p 2 ; ; 1aa 1 c 2 p 2 +1a 1 2 c 2 p 2 +32a 1 c 3 p 2 +2c 4 p 2 +32a 2 c 2 p 1 ; ; 32aa 1 c 2 p 1 +4ac 3 p 1 ; 4a 1 c 3 p 1 ; 1aa 1 c 2 pp 1 ; 32ac 3 pp 1 ; ; 32a 1 c 3 pp 1 ; 4c 4 pp 1 +a 2 c 2 p 1 2 +a 2 c 2 p ac 3 p c 4 p 1 2 a p (a +2c) ;4;p p (1 + p) : (14) Potom asymptoticky rozvoj bayesovskeho rizika odhadu b R31 je da vztahem (q b R31 ) = 1(q b R31 ) + 2(q b R31 ) 2 + O p a c ( ;3 ) pro!1: (15) Dukaz. Detail odvoze viz Lika (199) Vypocet asymptoticke deficiece Vzhledem k tomu, ze odhady b R3 a b R31 jsou tzv. asymptoticky sile eciet vzhledem k stred kvadraticke odchylce, asymptoticke rozvoje bayesovskeho rizika pro odhady b R3 a b R31 maj tvar (q R3i b ) = a + b 3i + 2 o p a c( ;2 ) i = 1 tj. koeciet u1= je pro oba odhady stejy. Pro detail porova odhadu b R3 a b R31 muzeme uzt decieci, blze viz Lehma (193). Zhruba receo, deciece spoctea pro jistou pevou dvojici odhadu bude v asem prpade ukazovat o kolik vce (ebo mee) pozorova vyzaduje odhad B, ma-li mt steje bayesovske riziko jako odhad A zalozey a vyberu rozsahu. V praxi se obvykle uzva asymptoticka deciece pro! 1. Jestlize ozacme (q A) a (q B) bayesovska rizika odhadu A a B, aplat-li (q A) = a r + b r+1 + o ;(r+1) (1)
6 a (q B) = a + c + r r+1 o ;(r+1) (17) pak asymptoticka deciece odhadu B vzhledem k odhadu A je deovaa vztahem d BA = c ; b ar : (1) Veta 3 Necht' p a c 2 ( 1). Pro asymptotickou decieci odhadu R3 b br 31 vzhledem k bayesovskemu riziku plat a d br31 br3 (p a p 1 a 1 c) = = ; ;12a 2 ; a 4 +12a a 2 a 1 2 ; a 1 4 ; 4ac ; 4a 3 c +4a 2 a 1 c + +4a 1 c +4aa 1 2 c ; 4a 1 3 c ; 9a 2 c aa 1 c 2 ; 9a 1 2 c 2 ; 1a 2 p ; ; 5a 4 p +1a 1 2 p +1a 2 a 1 2 p ; 5a 1 4 p ; 4acp ; 4a 3 cp +4a 1 cp + +4a 2 a 1 cp +4aa 1 2 cp ; 4a 1 3 cp ; 4a 2 c 2 p +12aa 1 c 2 p ; ; a 1 2 c 2 p +4ac 3 p ; 4a 1 c 3 p ; 2a 2 p 2 ; a 4 p 2 +2a 1 2 p a 2 a 1 2 p 2 ; a 1 4 p 2 ; acp 2 ; a 3 cp 2 +a 1 cp 2 +a 2 a 1 cp 2 + +aa 1 2 cp 2 ; a 1 3 cp 2 ; a 2 c 2 p 2 +1aa 1 c 2 p 2 ; 1a 1 2 c 2 p 2 ; ; 32a 1 c 3 p 2 ; 32c 4 p 2 ; 32a 2 c 2 p 1 +32aa 1 c 2 p 1 ; 4ac 3 p a 1 c 3 p 1 +1aa 1 c 2 pp 1 +32ac 3 pp 1 +32a 1 c 3 pp 1 +4c 4 pp 1 ; a 2 c 2 p 1 2 ; 32ac 3 p 1 2 ; 32c 4 p 1 2 ;1 c ;2 (a +2c) ;2 (19) Dukaz. Vysledek dostaeme dosazem do vzorce (1) podle vet 1 a Prklad Prklad1. Bott a Hass (197) uvad doby do poruchyvstupchtescch zaklopych vetilu pro jadere reaktory. Kombiac techto historickych dat a rostouc urove zatze byly staovey pozadovae hodoty pro 5 a 95 kvatil apriorho rozdele pro itezitu poruch. Pro hodotu 5 kvatilu byla staovea hodota 1:4 1 ;5 (poruch zahodiu) a pro 95 kvatil hodota 4:9 1 ;5. V moograi Martz a Waller (19) v kapitole muzeme alezt metodu, kterou tito autori vypracovali, pro staove parametru apriorho gamma rozdele. Na zaklade tohoto postupu staovme aprior rozdele jako gamma rozdele shustotou (4) s parametry a = 25714ap = :5.
7 Vzhledem k vyse uvedeemu rozdele budeme uvazovat odhad b R3, ktery am predstavuje odhad se sprave zvoleymi apriormi parametry. Ny porovame odhad b R3 sodhadem b R31, kdy jsme se etreli prese do apriorch parametru. K porova pouzijeme asymptotickou decieci (19). Na obrazcch 1{5 jsou zazorey grafy deciece d br31 br3 (p a p 1 a 1 c) pro a = p =:5 a c = Pro tyto hodoty c jsou rovez uvedey hodoty deciece v krajch bodech itervalu (:7 p 1:3 p) (:7 a 1:3 a) a1 p Obr.1 d br31 br3 (: p 1 a 1 21 ) Tab.1 d br31 br3 (: p 1 a 1 21 ) pro vybrae hodoty p 1 a a 1. a1.7 a.7 a 1.3 a 1.3 a p1.7 p 1.3 p.7 p 1.3 p d br 31bR
8 a1 p Obr.2 d br31 br3 (: p 1 a 1 1 ) Tab.2 d br31 br3 (: p 1 a 1 1 ) pro vybrae hodoty p 1 a a 1 a1.7 a.7 a 1.3 a 1.3 a p1.7 p 1.3 p.7 p 1.3 p br 31bR d a1 p Obr.3 d br31 br3 (: p 1 a 1 11 ) Tab.3 d br31 br3 (: p 1 a 1 11 ) pro vybrae hodoty p 1 a a 1. a1.7 a.7 a 1.3 a 1.3 a p1.7 p 1.3 p.7 p 1.3 p d br 31bR
9 a1 p Obr.4 d br31 br3 (: p 1 a 1 ) Tab.4 d br31 br3 (: p 1 a 1 ) pro vybrae hodoty p 1 a a 1. a1.7 a.7 a 1.3 a 1.3 a p1.7 p 1.3 p.7 p 1.3 p d br 31bR a1 p Obr.5 d br31 br3 (: p 1 a 1 1 ) Tab.5 d br31 br3 (: p 1 a 1 1 ) pro vybrae hodoty p 1 a a 1 a1.7 a.7 a 1.3 a 1.3 a p1.7 p 1.3 p.7 p 1.3 p d br 31bR
10 5. Zaver Z uvedeych obrazku 1{5 vyplyva, ze hlediska asymptoticke deciece ma bayesovsky odhad b R31 fukce spolehlivosti R(c), tj. odhad, kdy jsme etre- li aprior parametry, mohem hors chova s klesajc hodotou doby do poruchy c. V prpade c = 1 a prehodotme-li parametry o 3 tato deciece c dokoce 575. Naopak pro velke hodoty c se rozdly odhadu br 3 a b R31 straj. Literatura [1] Atoch J., Brzezia M., Lika A., Asymptotic approximatio of Bayes risk of estimators of reliability for expoetially distributed data, Statistics & Decisio, (199), to appear. [2] Bott T. F., Haas P. M., Iitial Data Collectio Eorts of CREDO : Sodium Value Failers, NCSR R2, (197), Natioal Ceter of Systems Reliability. [3] Hurt J., O estimatio of reliability i expoetial case, Aplikace matematiky 21 (197), [4] Lika A. Notice o Bayes estimators, Techical Report N.7, Techical Uiversity of Liberec, (199). [5] Lehma E. L., Theory of Poit Estimatio, Joh Wiley & Sos (193), New York. [] Martz H. F., WallerR. A., Bayesia Reliability Aalysis, Joh Wiley & Sos (192), New York.
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
VíceOdhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení
Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
Více17. Statistické hypotézy parametrické testy
7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé
Vícez možností, jak tuto veličinu charakterizovat, je určit součet
6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr 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 realizací
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
Více1 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
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VíceMatematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice
Matematika I Název studijího programu RNDr. Jaroslav Krieg 2014 České Budějovice 1 Teto učebí materiál vzikl v rámci projektu "Itegrace a podpora studetů se specifickými vzdělávacími potřebami a Vysoké
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
Více10.3 GEOMERTICKÝ PRŮMĚR
Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceSeznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.
2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceInterakce světla s prostředím
Iterakce světla s prostředím světlo dopadající rozptyl absorpce světlo odražeé světlo prošlé prostředím ODRAZ A LOM The Light Fatastic, kap. 2 Light rays ad Huyges pricip, str. 31 Roviá vla E = E 0 cos
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodná proměnná vybraná rozdělení
S1P áhodá roměá vybraá rozděleí PRAVDĚPODOBOST A STATISTIKA áhodá roměá vybraá rozděleí S1P áhodá roměá vybraá rozděleí Vybraá rozděleí diskrétí P Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
Více22 M-odhady za predpokladu eregular hustoty (4) x (y x b)! =: Uvazujme mozu S = fs s 2 ::: s k g kde <s <s 2 <:::s k <, a k prslusou mozu ::: k, prcem
M-ODHADY ZAPREDPOKLADU NEREGUL ARNI HUSTOTY Ja SVATOS MFF UK, KPMS Abstract: Theory of M-estmators lear regresso model s well kow. Oe of the classcal regularty assumptos the lear model Y = + E s the exstece
Více1. K o m b i n a t o r i k a
. K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VíceUPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ
3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
Více0,063 0,937 0,063 0, P 0,048 0,078 0,95. = funkce CONFIDENCE.NORM(2α; p(1 p)
. Příklad Při průzkumu trhu projevilo 63 z dotázaých zákazíků zájem o iovovaý výrobek, který má být uvede a trh se zákazíky. Odvoďte a odhaděte proceto a počet zájemců v populaci s 95% spolehlivostí. Následě
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
VíceÚvod do zpracování měření
Laboratorí cvičeí ze Základů fyziky Fakulta techologická, UTB ve Zlíě Cvičeí č. Úvod do zpracováí měřeí Teorie chyb Opakujeme-li měřeí téže fyzikálí veličiy za stejých podmíek ěkolikrát za sebou, dostáváme
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
VíceZimní semestr akademického roku 2015/ listopadu 2015
Cvičeí k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikovaé matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Obsah Cvičeí Zimí semestr akademického roku 2015/2016 20. listopadu 2015 Předmluva
VícePŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR
PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceIV-1 Energie soustavy bodových nábojů... 2 IV-2 Energie elektrického pole pro náboj rozmístěný obecně na povrchu a uvnitř objemu tělesa...
IV- Eergie soustavy bodových ábojů... IV- Eergie elektrického pole pro áboj rozmístěý obecě a povrchu a uvitř objemu tělesa... 3 IV-3 Eergie elektrického pole v abitém kodezátoru... 3 IV-4 Eergie elektrostatického
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
Více5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC
5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
Vícen=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0
Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceSTUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6
Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
Více8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI
8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
VícePravděpodobnostní model doby setrvání ministra školství ve funkci
Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
Vícen-rozměrné normální rozdělení pravděpodobnosti
-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici
VíceDerivace součinu a podílu
5 Derivace součiu a podílu Předpoklad: Pedagogická pozámka: Následující odvozeí jsem převzal a amerického fzikálího kursu Mechaical Uiverse Možá eí dostatečě rigorózí, ale mě osobě se strašě líbí spojitost
Vícesin n sin n 1 n 2 Obr. 1: K zákonu lomu
MĚŘENÍ INDEXU LOMU REFRAKTOMETREM Jedou z charakteristických optických veliči daé látky je absolutím idexu lomu. Je to podíl rychlosti světla ve vakuu c a v daém prostředí v: c (1) v Průchod světla rozhraím
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
Víceij m, velikosti n je tvořen (n m) rozměr-ným polem dat x 11 ... x 12 ... x 22 x n1 ... x n2 7.1 Druhy korelačních koeficientů
1 7 KORELACE Pro vyádřeí itezity vztahů ezi složkai ξ ξ -rozěrého áhodého vektoru 1 ξ se používá korelačích koeficietů Data tvoří áhodý výběr z -rozěrého rozděleí áhodého vektoru ξ Neuvažue se obyčeě a
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
Více1.2. NORMA A SKALÁRNÍ SOUČIN
2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceKvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)
Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
VíceU. Jestliže lineární zobrazení Df x n n
MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o
VíceIAJCE Přednáška č. 12
Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VíceObsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...
Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VíceLaboratorní práce č. 10 Úloha č. 9. Polarizace světla a Brownův pohyb:
ruhlář Michal 8.. 5 Laboratorí práce č. Úloha č. 9 Polarizace světla a Browův pohyb: ϕ p, C 4% 97,kPa Úkol: - Staovte polarizačí schopost daého polaroidu - Určete polarimetrem úhel stočeí kmitavé roviy
Více( + ) ( ) ( ) ( ) ( ) Derivace elementárních funkcí II. Předpoklady: Př. 1: Urči derivaci funkce y = x ; n N.
.. Derivace elemetárích fukcí II Předpoklady: Př. : Urči derivaci fukce y ; N. Budeme postupovat stejě jako předtím dosazeím do vzorce: f ( + ) f ( ) f f ( + ) + + + +... + (biomická věta) + + +... + f
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VíceDefinice obecné mocniny
Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VícePosloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b
Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a
VíceMATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.
MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
Více20. Eukleidovský prostor
20 Eukleidovský prostor V této kapitole budeme pokračovat ve studiu dalších vlastostí afiích prostorů avšak s tím rozdílem že místo obecého vektorového prostoru budeme uvažovat prostor uitárí Proto bude
VícePetr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
VíceKomplexní čísla. Definice komplexních čísel
Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují
Více2 STEJNORODOST BETONU KONSTRUKCE
STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru
SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru
VíceDYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS
DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS Jiří Tůma & Jiří Kulháek Abstract: The paper deals with the dyamic properties of the electroic gyroscope as a sesor of agular
VícePopisná statistika. Zdeněk Janák 9. prosince 2007
Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46
VíceODHAD BODU VZNIKU KVADRATICKÉHO TRENDU. 1. Úvod
ROBUST 000, 10 108 c JČMF 001 ODHAD BODU VZNIKU KVADRATICKÉHO TRENDU DANIELA JARUŠKOVÁ Abstrakt The problem of least squares method estimatioof the parameter τ ithe regressiomodel Y i = β i/ ) + + γ i/
VíceIntegrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv
3. meziárodí koferece Řízeí a modelováí fiačích rizik Ostrava VŠB-U Ostrava, Ekoomická fakulta, katedra Fiací 6.-7. září 006 tegrace hodot Value-at-Risk lieárích subportfolií a bázi vícerozměrého ormálího
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
Více1. Základy počtu pravděpodobnosti:
www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
Více