ZÁKLADY TEORIE PRAVDĚPODOBNOTI

Rozměr: px
Začít zobrazení ze stránky:

Download "ZÁKLADY TEORIE PRAVDĚPODOBNOTI"

Transkript

1 Přírodovědecká fakulta ZÁKLADY TEORIE PRAVDĚPODOBNOTI Iva Křvý OSTRAVSKÁ UNIVERZITA 004

2

3 OSTRAVSKÁ UNIVERZITA ZÁKLADY TEORIE PRAVDĚPODOBNOSTI Iva Křvý

4

5 ÚVOD. PROSTOR ELEMENTÁRNÍCH JEVŮ 3.. Náhodé pokusy a áhodé jevy Vztahy mez jevy a operace s jevy Prostor elemetárích jevů PRAVDĚPODOBNOST.. Úloha teore pravděpodobost..... Kolmogorovova axomatcká soustava. Pravděpodobostí prostor Klasfkace pravděpodobostích prostorů Klascká defce pravděpodobost Kombatorcký výpočet pravděpodobostí Geometrcká pravděpodobost Pravděpodobost a četost. Statstcká defce pravděpodobost PODMÍNĚNÁ PRAVDĚPODOBNOST Podmíěá pravděpodobost Nezávslost jevů Vzorec pro úplou pravděpodobost Bayesův vzorec Korespodečí úkol NÁHODNÉ VELIČINY A JEJICH ROZDĚLENÍ Základí pojmy Dstrbučí fukce Rozděleí dskrétí áhodé velčy Rozděleí absolutě spojté áhodé velčy Náhodé vektory a jejch dstrbučí fukce Rozděleí áhodých vektorů A. Sdružeé rozděleí dvou dskrétích áhodých velč B. Sdružeé rozděleí dvou absolutě spojtých áhodých velč Nezávslost áhodých velč Fukce áhodých velč A. Fukce jedé absolutě spojté áhodé velčy B. Fukce ěkolka absolutě spojtých áhodých velč ČÍSELNÉ CHARAKTERISTIKY NÁHODNÝCH VELIČIN Klasfkace charakterstk Středí hodota Rozptyl a směrodatá odchylka Mometové charakterstky Kvatlové a jé charakterstky Charakterstky áhodých vektorů... 8 A. Margálí charakterstky... 8 B. Podmíěé charakterstky... 8 C. Charakterstky vztahu mez áhodým velčam ROZDĚLENÍ DISKRÉTNÍHO TYPU Beroullovy pokusy Bomcké rozděleí Possoovo rozděleí Já rozděleí A. Alteratví rozděleí B. Negatvě bomcké rozděleí... 94

6 C. Geometrcké rozděleí D. Hypergeometrcké rozděleí E. Rovoměré dskrétí rozděleí ROZDĚLENÍ ABSOLUTNĚ SPOJITÉHO TYPU Normálí rozděleí Expoecálí rozděleí Rovoměré spojté rozděleí Specálí rozděleí A. χ rozděleí B. t rozděleí C. F rozděleí Korespodečí úkol ZÁKON VELKÝCH ČÍSEL Čebyševovy erovost Kovergece podle pravděpodobost Záko velkých čísel v Čebyševově tvaru Záko velkých čísel v Beroullově tvaru CENTRÁLNÍ LIMITNÍ VĚTA 9.. Laplaceův dv Movreova - Laplaceova formulace cetrálí lmtí věty Ljapuovova formulace cetrálí lmtí věty Užtí cetrálí lmtí věty... 7 A. Pravdlo 3σ... 8 B. Pravděpodobost a relatví četost... 8 C. Aplkace a artmetcký průměr... 9 LITERATURA 3 Příloha I. 33

7 ANOTACE Předkládaá dstačí opora představuje úvod do moderí teore pravděpodobost. Je určea posluchačům dstačího studa studjího oboru Aplkovaá matematka. Zahruje ásledující témata: Prostor elemetárích jevů, áhodý jev, algebra jevů. Kolmogorovova axomatcká soustava. Pravděpodobostí prostory. Podmíěá pravděpodobost, ezávslost jevů, věta o úplé pravděpodobost, Bayesova věta. Náhodé velčy, jejch rozděleí a číselé charakterstky. Náhodé vektory. Fukce áhodých velč. Zákoy velkých čísel. Cetrálí lmtí věta a její aplkace. V příloze I je avíc uvedea tabulka hodot Laplaceovy fukce, určeá k výpočtu pravděpodobostí pro áhodé velčy s ormálím rozděleím.

8

9 ÚVOD Předkládaá dstačí opora (modul), která se Vám dostává do ruky, je určea pro jedosemestrálí studum základů teore pravděpodobost. Plě pokrývá požadavky učebích osov kurzu PAST (Pravděpodobost a statstka ), zařazeého do 3. semestru prezečího studa aplkovaé matematky a Přírodovědecké fakultě Ostravské uverzty. Navíc obsahuje základí formace o áhodých vektorech, jejch rozděleí a specálích rozděleích používaých v matematcké statstce. Posláí modulu Cíle modulu: Po prostudováí tohoto modulu pochopíte základí pojmy teore pravděpodobost (áhodý pokus, áhodý jev, pravděpodobost jevu, atd.), sezámíte se s axomatckým přístupem k teor pravděpodobost (Kolmogorovova axomatcká soustava), aučíte se počítat pravděpodobost áhodých jevů s využtím kombatorckých prcpů, vzorce pro úplou pravděpodobost a Bayesova vzorce, pochopíte výzam áhodých velč a áhodých vektorů v prax, aučíte se počítat číselé charakterstky áhodých velč s rozděleím dskrétího spojtého typu, pochopíte výzam růzých formulací zákoa velkých čísel cetrálí lmtí věty a aučíte se je aplkovat v prax. Celý modul je rozčleě do ásledujících devít lekcí : prostor elemetárích jevů, pravděpodobost, podmíěá pravděpodobost a ezávslost jevů, áhodé velčy a jejch rozděleí, číselé charakterstky áhodých velč, rozděleí dskrétího typu, rozděleí absolutě spojtého typu, záko velkých čísel, cetrálí lmtí věta. Nedílou součástí skrpta jsou tabulky hodot Laplaceovy fukce (vz příloha I), užtečé k výpočtu pravděpodobostí pro áhodé velčy s ormálím rozděleím. U jedotlvých lekcí jsou dodržea ásledující pravdla: je specfková cíl lekce (tedy to, co by měl studet po jejím prostudováí umět, zát, pochopt), Obsah modulu Struktura modulu

10 vlastí výklad učva, popř. otázky k textu, řešeé příklady, kotrolí úkoly (příklady) k procvčeí učva, korespodečí úkoly. Oba zařazeé korespodečí úkoly mají charakter testů, které jsou určey k ověřeí Vašch zalostí po prostudováí příslušých témat. Součástí Vašch studjích povostí je splěí obou korespodečích úkolů; jejch hodoceí bude započteo do celkového hodoceí kurzu. V každé kaptole je uvedeo vše potřebé pro samostaté studum, počíaje defcem základích pojmů a koče využtím teoretckých pozatků v prax. Všechy uvedeé matematcké věty s výjmkou formulací cetrálí lmtí věty jsou podrobě dokazováy. V zájmu správého pochopeí probíraé látky jsou jedotlvá témata doplěa řešeím typových příkladů. Doporučujeme čteář, aby se ad každým příkladem důkladě zamyslel. Pochopeí prcpů řešeí je totž ezbytým předpokladem pro porozuměí dalšímu výkladu. Chtěl bychom také upozort a to, že obrázky, které užíváme k lustrac probíraých témat, jsou schématcké. Čas potřebý k prostudováí jedotlvých lekcí explctě euvádíme, eboť z ašch zkušeostí vyplývá, že rychlost studa začě záleží a Vašch schopostech a studjích ávycích. Předpokládáme, že s mozí z Vás budou chtít doplt a rozšířt pozatky studem dalších učebc a skrpt z teore pravděpodobost. Můžeme Vám proto doporučt učebí texty jak v čeště [,,5,8,9,,,3,6,8,9,0], tak ve sloveště [7], polště [7], aglčtě [3] a ruště [4]. K procvčeí praktckých dovedostí př řešeí příkladů Vám poslouží sbírky úloh [6,4,7]. Věříme, že Vám předkládaý studjí materál pomůže pochopt základí prcpy teore pravděpodobost, a přejeme Vám hodě úspěchů ve studu. Autor Autor děkuje touto cestou oběma recezetům (PaedDr. Hashmu Habballov, Ph.D., a RNDr. Aě Madryové, Ph.D.) za pečlvé pročteí rukopsu a řadu ceých přpomíek směřujících ke zkvaltěí předkládaého učebího textu.

11 . PROSTOR ELEMENTÁRNÍCH JEVŮ Tato kaptola je kocpováa tak, abyste po jejím prostudováí: pochopl ěkteré základí pojmy z teore pravděpodobost (áhodý pokus, áhodý jev, prostor elemetárích jevů), pozal základí vztahy mez jevy a operace s jevy a uvědoml s, že jde vlastě o vztahy mez možam a operace s možam, aučl se zázorňovat vztahy mez jevy a operace s jevy pomocí Veových dagramů, aučl se pracovat s výrazy, které obsahují jevy. V této kaptole se sezámíte s ěkterým základím pojmy teore pravděpodobost (áhodý pokus, áhodý jev, prostor elemetárích jevů), př výkladu vycházíme z učebce Tutubala [0]. Je důležté, abyste pochopl, že vztahy mez jevy a operace s jevy jsou vlastě vztahy mez možam a operace s možam, a proto je můžete zázorňovat pomocí Veových dagramů... Náhodé pokusy a áhodé jevy Teore pravděpodobost studuje matematcké modely áhodých pokusů, tj. takových pokusů, jejchž výsledek eí zcela jedozačě urče podmíkam pokusu. Pokusem se přtom obecě rozumí každá realzace určtého komplexu podmíek. Oblíbeým příkladem áhodého pokusu je hod mcí. Hodíme-l totž mcí, může padout buď líc ebo rub mce. Teore pravděpodobost se ezabývá lbovolým áhodým pokusy, ale pouze těm, které mají vlastost: a) hromadost, b) statstcké stablty ebol stablty četostí. Určtý pokus má vlastost hromadost, když se může lbovolěkrát opakovat, ebo když se může realzovat a hromadě se vyskytujících rovoceých objektech. Vlastost statstcké stablty lze popsat takto: Ozačme písmeem A jede z možých výsledků áhodého pokusu a opakujme teto pokus -krát. Předpokládejme, že se v těchto pokusech vyskytl výsledek A právě A krát. Poměr A / se azývá relatví četostí výsledku A. Vlastost statstcké stablty spočívá v tom, že v opakovaých sérích pokusů př dostatečě velkém, pevě zvoleém kolísá tato relatví četost epatrě kolem jstého reálého čísla, které tutvě považujeme za pravděpodobost dosažeí výsledku A v daém pokusu. Základím pojmem teore pravděpodobost je áhodý jev. Náhodým jevem (stručě jevem) rozumíme jakýkolv možý výsledek provedeého áhodého pokusu. Každému pokusu přísluší určtá moža jevů (možých výsledků) a o každém jevu z možy, jež odpovídá tomuto pokusu, lze př každém výsledku pokusu rozhodout, zda astal č eastal. Vytvořeí abstraktího modelu ějakého áhodého pokusu Náhodý pokus Náhodý jev 3

12 Jev jstý Jev emožý Ekvvalece jevů Z jevu A plye jev B Průk (souč) jevů Sjedoceí (součet) jevů předpokládá, že se ejprve vymezí moža všech možých výsledků tohoto pokusu. Př vymezeí této možy jevů spjatých s daým pokusem se vychází z představy zdealzovaého (zjedodušeého) pokusu. V případě hodu mcí se uvažují pouze dva možé jevy: padutí líce a padutí rubu mce, když je možé, že se mce ztratí ze zorého pole ebo postaví a "hrau". Jev, který zákotě astae př každé realzac určtého pokusu (komplexu podmíek), se azývá jevem jstým. Jestlže je zámo, že ějaký jev emůže prcpálě v daém pokusu astat, pak se teto jev azývá jevem emožým. Jev, jež př realzac určtého pokusu astat může, ale emusí, se azývá jevem možým. Z uvedeého je zřejmé, že má smysl mluvt o utost, emožost ebo áhodost ějakého jevu je ve vztahu k určtému pokusu... Vztahy mez jevy a operace s jevy Předpokládejme, že je dá určtý komplex podmíek (pokus). Uvažme možu jevů A, B, C,..., z chž každý může př realzac zmíěého pokusu astat č eastat, a sledujme vztahy mez m. K ozačováí jevů budeme v těchto skrptech zpravdla používat velkých písme latské abecedy. Jev jstý budeme ozačovat písmeem Ω, jev emožý písmeem «.. Dva jevy, které př každé realzac pokusu buď oba astaou, ebo oba eastaou, považujeme za ekvvaletí (sobě rovy). Skutečost, že jevy A a B jsou ekvvaletí, začíme symbolem =, tz. píšeme A= B.. Jestlže výskyt (astoupeí) jevu A má vždy za ásledek výskyt jevu B, potom říkáme, že z jevu A plye jev B, a tuto okolost zapsujeme A B. 3. Jev, který astae právě tehdy, astae-l současě jev A jev B, azýváme průkem (součem) jevů A a B a začíme A B(ebo AB). Tím je defováa bárí operace průku (ásobeí) jevů. Výsledek této operace zřejmě ezávsí a pořadí jevů A a B, takže platí komutatví záko A B = B A. Dále je zřejmé, že každý jev je dempotetí vzhledem k operac průku, což lze zapsat ve tvaru A A= A. Defc průku jevů je možo zobect a lbovolý počet jevů, přčemž lze sado ukázat, že pro operac průku jevů platí asocatví záko A ( B C) = ( A B) C. 4. Jev, jež astae právě tehdy, astae-l aspoň jede z jevů A a B, azýváme sjedoceím (součtem) jevů A a B a začíme A B (ebo A+ B). Je bezprostředě vdět, že pro takto defovaou operac sjedoceí platí záko komutatví 4

13 a rověž záko asocatví A B= B A A ( B C) = ( A B) C. Defc sjedoceí jevů lze tedy zřejmým způsobem rozšířt a větší počet jevů. Každý jev je také dempotetí vzhledem k operac sjedoceí, tj, platí A A= A. 5. Okolost, že jev A eastal, představuje rověž určtý jev. Začíme jej A a azýváme jevem opačým (komplemetárím) k jevu A. Jevy A a A jsou avzájem opačé, jestlže současě splňují tyto vztahy Přímo z defce opačého jevu plye A A=Ω, A A=. A= A. 6. Jev, který astae právě tehdy, když astae jev A a současě eastae jev B, se azývá rozdílem jevů A a B v tomto pořadí a ozačuje A B. Bárí operace odčítáí se a možě všech možých jevů defuje vzorcem A B= A B. S pomocí operace odčítáí lze zapsat opačý jev v této formě A=Ω A. Odčítáí jevů evyhovuje všem pravdlům zámým z algebry. 7. Jevy A a B se azývají eslučtelým, jestlže jejch současý výskyt je jevem emožým, tj, jestlže platí A B =. Uvedeou defc lze zobect a lbovolý počet jevů takto: Jevy A, A,..., A jsou eslučtelé, jestlže jsou po dvou eslučtelé, tj. jestlže platí A A = pro každé j;, j =,,...,. j Jev opačý (komplemetárí) Rozdíl jevů Neslučtelost jevů 8. Jestlže platí B = A, = A A = pro každé j (, j =,,..., ), j A, ( =,,..., ), pak říkáme, že jevy A, A,..., A tvoří rozklad jevu B ebo že se jev B skládá z dílčích jevů A, A,..., A. Rozklad jevu 5

14 Úplý systém eslučtelých jevů 9. Soustava jevů A, A,..., A se azývá úplým systémem eslučtelých jevů, platí-l vztahy A =Ω, A Aj = pro každé j (, j =,,..., ), = A, ( =,,..., ), Úplou soustavou eslučtelých jevů je ve smyslu této defce apř. soustava (A, A ), ovšem za předpokladu, že A, A Ω. Příklady.. Průmyslově vyráběý fltr je podrobe třem růzým zkouškám. Jev A spočívá v tom, že áhodě vybraý fltr obstojí př prví zkoušce, jev B v tom, že obstojí ve druhé, a jev C v tom, že obstojí ve třetí zkoušce. Vyjádřete symbolcky, že fltr obstojí: a) je v prví zkoušce; b) ve všech třech zkouškách; c) alespoň v jedé zkoušce? Řešeí a) Současé astoupeí jevů AB, a Cse symbolcky vyjádří jako průk A B C. b) Současé astoupeí jevů A, B a C se symbolcky vyjádří jako průk A B C. c) Jev "obstát alespoň jedou" je opačým jevem k jevu "eobstát a jedou", takže celou stuac lze symbolcky popsat jako.. Zjedodušte ásledující výraz Řešeí. Ω A B C = A B C. ( A B) ( A B) ( A B) ( A B) = A ( B B) = A = A. Kotrolí úkoly.. Zjedodušte ásledující výrazy: a) ( A B) ( B C), b) A B A B A B, c) A B A B,.. Dokažte: a) A B = A B, b) A B = A B, c) A B C D = ( A B) ( C D). 6

15 .3. Do terče se vystřelí tř ráy. Nechť jev A k ozačuje zásah př k- tém výstřelu ( k = ) s jevy A k a,, 3. Vyjádřete pomocí operací A k ásledující jevy: a) všechy tř zásahy, d) zásah pouze třetím výstřelem, b) alespoň jede zásah, e) ejvýše jeda chybá ráa, c) ejméě dva zásahy, f) všechy tř ráy chybé..3. Prostor elemetárích jevů Jev A se azývá složeým jevem, jestlže jej lze vyjádřt jako sjedoceí (součet) dvou jevů, z chž žádý eí ekvvaletí jevu A: A= B C, kde B A, C A. Předpoklady B A, C A jsou uté k tomu, abychom vyloučl trválí vyjádřeí A= A, A= A A, která jsou možá pro každý jev A. Jevy, jež elze takto vyjádřt, se azývají elemetárím jevy. Složeé jevy mohou astat ěkolka růzým způsoby, kdežto elemetárí jevy pouze jedím. Nemožý jev «se epočítá mez elemetárí jevy. Vysvětleme s rozdíl mez složeým a elemetárím jevy a kokrétím příkladě. Uvažme áhodý pokus, který spočívá v hodu dvěma hracím kostkam. Nechť A začí jev, že pade součet 0, a B jev, že pade součet. Jev A je zřejmě složeý jev, eboť součtu 0 může být dosažeo jedou tak, že a obou kostkách pade číslo 5, podruhé tak, že padou čísla 4 a 6. Přtom posledě uvedeý jev je zase složeý, protože může padout buď číslo 4 a prví a číslo 6 a druhé kostce, ebo obráceě. Naprot tomu jev B je jevem elemetárím, eboť může astat jedě tak, že a obou kostkách pade číslo 6. V moderí teor pravděpodobost se uvažují matematcké modely, v chž jsou zachycey všechy možé elemetárí (dále erozložtelé) výsledky pokusu. Každému takovému výsledku pokusu odpovídá právě jede elemetárí jev. Moža všech elemetárích jevů spjatých s uvažovaým pokusem se azývá prostorem elemetárích jevů a začí se zpravdla písmeem Ω. Povaha prvků prostoru elemetárích jevů je epodstatá; mohou to být body eukledovského prostoru, fukce jedé ebo více proměých apod. Prostor elemetárích jevů, který obsahuje koečý ebo spočetý počet elemetárích jevů, azýváme dskrétím prostorem elemetárích jevů. Jedoduchým příkladem dskrétího prostoru elemetárích jevů jsou možy všech možých elemetárích jevů př hodu mcem ebo hracím kostkam. Poěkud složtější je stuace v případě pokusu, který spočívá v tom, že se hází mcí do té doby, ež pade poprvé apř. líc mce. Prostor elemetárích jevů tvoří zakové posloupost E = L, E = RL, E 3 = RRL,..., v chž symbol R ozačuje padutí rubu a symbol L padutí líce mce. Také v tomto případě jde o dskrétí prostor elemetárích jevů, protože moža možých elemetárích jevů je sce ekoečá, ale spočetá. Ne všechy prostory elemetárích jevů jsou ovšem dskrétí. Lze dokázat, že prostor elemetárích jevů sestávající ze všech kladých čísel eí dskrétí. Složeý jev Elemetárí jev Prostor elemetárích jevů 7

16 Náhodý jev Defce operací s jevy pomocí elemetárích jevů Lbovolou podmožu dskrétího prostoru elemetárích jevů Ω azveme áhodým jevem ebo stručě jevem. Jev je tedy je jé ozačeí pro podmožu prostoru Ω, proto lze očekávat, že pro jevy budou platt všecha tvrzeí, která platí pro možy. Operace s jevy se redukují a operace s možam a řídí se týmž pravdly. V dalším uvedeme defce základích jevových relací v ové termolog, založeé a pojmu prostoru elemetárích jevů. Jde v podstatě o "překlad" defc uvedeých v předcházejících odstavcích do možového jazyka.. Jev jstý je ekvvaletí možě všech elemetárích jevů. Jev emožý je ekvvaletí prázdé možě.. Průkem (součem) jevů A a B azýváme jejch možový průk, tj. jev, který se skládá právě z těch elemetárích jevů, jež patří současě k oběma jevům A B. 3. Sjedoceím (součtem) jevů A a B azýváme jejch možové sjedoceí, tj. jev, který se skládá právě z těch elemetárích jevů, jež patří k jevu A ebo k jevu B ebo k oběma současě. 4. Rozdílem jevů A a B azýváme jejch možový rozdíl v uvedeém pořadí, tj. jev, který se skládá právě z těch elemetárích jevů, jež patří k jevu A a epatří k jevu B. 5. Opačým (komplemetárím) jevem k jevu A azýváme možový doplěk možy A vzhledem k možě Ω, tj. jev, který se skládá právě z těch elemetárích jevů, jež epatří k jevu A. Aalogckým způsobem lze defovat pomocí ové termologe všechy další jevové relace. Ke grafckému zázorěí jevových relací se běžě využívá Veových dagramů (vz obr..). Ω Ω A B A B A B A B a) průk jevů A a B b) sjedoceí jevů A a B Ω Ω A B A A B A c) rozdíl jevů A a B d) jev opačý k jevu A Obr... Veovy dagramy pro zázorěí základích operací s jevy. 8

17 Pojmy k zapamatováí: áhodý pokus áhodý jev jev jstý a jev emožý jev opačý (komplemetárí) ekvvalece jevů průk (souč) jevů sjedoceí (součet) jevů rozdíl jevů rozklad jevu eslučtelost jevů úplý systém eslučtelých jevů jev složeý a jev elemetárí prostor elemetárích jevů Shrutí V této úvodí kaptole jste pozal ěkteré základí pojmy teore pravděpodobost (áhodý pokus, áhodý jev, prostor elemetárích jevů atd.) a aučl jste se pracovat s algebrackým výrazy, které obsahují jevy. Je velm důležté, abyste zavedeé pojmy správě pochopl. Věujte této část mmořádou pozorost a teprve, až se ujstíte, že jste všemu porozuměl, přstupte ke studu dalších kaptol. 9

18 0

19 . PRAVDĚPODOBNOST Obsah této kaptoly je kocpová tak, abyste po jejím prostudováí: pozal základy moderí teore pravděpodobost založeé a Kolmogorovově axomatcké soustavě, pochopl základí pojmy této axomatcké soustavy (σ-algebra jevů, pravděpodobostí prostor, pravděpodobostí míra), pozal základí vlastost pravděpodobostí míry (pravděpodobost), aučl se (s využtím těchto základích vlastostí) počítat pravděpodobost složtějších jevů, zopakoval s středoškolské pozatky z teore pravděpodobost (klascká pravděpodobost, geometrcká pravděpodobost), pochopl statstcký přístup k zavedeí pravděpodobost jevu. V této kaptole jsme zvoll etradčí přístup k výkladu základů teore pravděpodobost. Nejprve se budeme zabývat Kolmogorovovou axomatckou soustavou a provedeme klasfkac pravděpodobostích prostorů. Ukážeme, že defce klascké geometrcké pravděpodobost vycházejí ze specálích typů pravděpodobostího prostoru. Základí vlastost pravděpodobost budou strktě dokázáy. Důkazů se obávat emusíte. Sam pozáte, že jsou vesměs velm jedoduché... Úloha teore pravděpodobost Věda a základě pokusů a pozorováí formuluje zákoy, kterým se řídí průběh sledovaých dějů. V přírodě se vyskytují zákoy dvojího typu: a) determstcké, b) pravděpodobostí ebol stochastcké. Schéma determstckého zákoa je jedodušší. Lze jej formulovat takto: Př každé realzac pokusu (komplexu podmíek) K utě astae určtý jev A. Uveďme jedoduchý příklad. Př lbovolé chemcké reakc probíhající v ějakém zolovaém systému (komplex podmíek K) zůstává celkové možství látky kostatí (jev A). Uvedeé tvrzeí je formulací zákoa o zachováí hmoty. Čteář jstě sám aleze celou řadu příkladů podobých zákoů ve fyzce, chem, bolog a jých vědách. V přírodě v běžém žvotě se však vyskytují četé děje, které elze popsat determstckým schématem a které lze charakterzovat takto: V důsledku realzace pokusu (komplexu podmíek) K může jev A astat, ale může také eastat. Zákoy tohoto typu se azývají pravděpodobostím ebol stochastckým zákoy. Sledujeme-l apř. určtý atom radoaktvího prvku po určtou dobu, pak je možé, že se teto atom během sledováí rozpade, avšak je také možé, že se Determstcký záko Stochastcký záko

20 erozpade. Okamžk, kdy k rozpadu dojde, závsí a dějích, které se odehrávají v atomovém jádru a které většou ezáme a emůžeme pozorovat. O výskytu áhodých jevů, jež astávají ve velkém počtu, lze získat určtou formac avzdory jejch áhodé povaze. Uvažujeme-l apř. radoaktví rozpad určté látky, můžeme předpovědět, jaká část této látky se během daé doby rozpade. Radoaktví rozpad se řídí expoecálím zákoem, který je charakterzová poločasem rozpadu, tj. dobou, během íž se rozpade polova atomů radoaktví látky. Expoecálí záko rozpadu je typckým pravděpodobostím zákoem; přtom je expermetálě potvrze s emeší přesostí ež větša tzv. determstckých zákoů přírodích věd. V případě pravděpodobostích zákoů eí ovšem komplexem uvažovaých podmíek urče přesý průběh dějů. Základí úlohou teore pravděpodobost je studum pravděpodobostích zákoů a zákotostí, jmž se řídí hromadé jevy. Odtud také vyplývá velký praktcký výzam teore pravděpodobost, vždyť s hromadým áhodým jevy se setkáváme téměř ve všech oblastech vědy, techky každodeího žvota. Skoro každé determstcké schéma přírodích věd se př podrobějším zkoumáí ukáže pravděpodobostím. Uvažme apř. chemckou reakc dvou látek X a Y ve vodém roztoku. Rychlost této reakce je v každém časovém okamžku úměrá souču okamžtých kocetrací látek X a Y. Teto záko se obvykle považuje za determstcký. Přtom se ovšem atomy, resp. oty, obou látek volě pohybují v roztoku, takže pouze průměrý počet "srážek" částc látky X s částcem látky Y je úměrý souču kocetrací obou látek. Jde tedy v podstatě o záko pravděpodobostí povahy. σ-algebra.. Kolmogorovova axomatcká soustava. Pravděpodobostí prostor Matematcké vlastost pravděpodobost se vymezují prostředctvím tzv. axomatcké soustavy vlastostí. Tato soustava postuluje mmálí možý počet vlastostí pravděpodobost, z chž lze všechy další vlastost vyvodt deduktvím postupem. Tvrzeí axomatcké soustavy se považují za pravdvá a v rámc daé soustavy se edokazují. Exstuje více přístupů k axomatcké výstavbě teore pravděpodobost, prví z ch pochází jž z roku 97 od Berstea. V těchto skrptech se však omezíme pouze a vysvětleí podstaty Kolmogorovovy axomatcké výstavby teore pravděpodobost. Kolmogorov vychází z pojmu prostor elemetárích jevů (vz odstavec.3). Nechť je dáa lbovolá eprázdá moža Ω. Neprázdý systém À podmož možy Ω azýváme σ-algebrou, jestlže a) Ω À, b) A À Ω A À, c) A À, =,,... A À. =

21 Uvedeou defcí se a prostoru elemetárích jevů Ω zavádí σ-algebra áhodých jevů. Dvojce {Ω, À}se azývá jevové pole. Nyí uvedeme bez důkazu základí vlastost σ-algebry áhodých jevů (σ-algebry jevů). ) «œ À, ) A œ À, =,,..., A À, = 3) A œ À, =,,... A À, = 4) A œ À, =,,..., A À. = Základí axomy Kolmogorovovy soustavy lze formulovat takto: Axom (axom ezáporost). Každému jevu A À lze přřadt ezáporé číslo P(A), které se azývá pravděpodobost jevu A. Axom (axom ormováí). jedotková, tj. P( Ω ) =. Pravděpodobost jevu jstého je Axom 3 (axom o σ-adtvtě pravděpodobostí). Pro lbovolou posloupost eslučtelých jevů A, A,... ( A À, =,,...) platí P( A) = P( A). = Z uvedeých tří axomů lze sado odvodt ěkolk dalších výzamých vlastostí pravděpodobost.. Pravděpodobost jevu emožého je rova ule, tj. P( ) = 0. Důkaz. Položíme A =Ω, A = A3 =... = a použjeme axomu 3. = Protože jevy A, A,... jsou eslučtelé a platí = = A P( Ω ) = P( Ω ) + P( ), z čehož bezprostředě plye dokazovaé tvrzeí.. Jsou-l jevy A, A,..., A À eslučtelé, pak platí = Ω, dostaeme Ñ σ-algebra jevů Jevové pole Kolmogorovovy axomy Základí vlastost pravděpodobost P( A) = P( A). = = Důkaz se provádí aalogcky jako u vlastost. 3. Jestlže pro jevy AB, À platí A B, pak PA ( ) PB ( ). Ñ Důkaz. Platí B = A ( A B), přčemž jevy A a A Bjsou eslučtelé. Z vlastost vyplývá PB ( ) = PA ( ) + PA ( B) a odtud s použtím axomu plye uvedeá erovost. Ñ 3

22 4. Pro lbovolý jev A À platí soustava erovostí 0 PA ( ). Důkaz. Vlastost plye z axomů, a z vlastost Jestlže pro jevy AB, À platí A B, pak PB ( A) = PB ( ) PA ( ). Důkaz vyplývá z důkazu vlastost 3, eboť platí B A= B A. Ñ 6. Pro lbovolý jev A À platí PA ( ) = PA ( ). Důkaz. Platí A= Ω A a zároveň A Ω. Vztah pro pravděpodobost jevu opačého pak vyplývá z axomu a vlastost 5. Ñ 7. Pro lbovolé dva jevy AB, À platí PA ( B) = PA ( ) + PB ( ) PA ( B). Důkaz. Vyjděme ze zřejmých vztahů: A B = A ( B ( A B)), B=(A B) (B-(A B)). Jevy A, B ( A B) jsou eslučtelé a totéž platí o jevech A B, B ( A B). Z vlastost vyplývá PA ( B) = PA ( ) + PB ( ( A B)), PB ( ) = PA ( B) + PB ( ( A B)). Odtud ovšem přímo plye dokazovaý vzorec pro pravděpodobost sjedoceí lbovolých jevů AB, À. 8. Pro lbovolé jevy A, A,..., A À platí P( A) = PA ( ) PA ( A) + j = = = j= + PA ( Aj Ak)... + ( ) P( A). = j= + k= j+ = + Důkaz se provede matematckou dukcí. Ñ (.) 9. Nechť jevy A, A,..., A,... tvoří posloupost takovou, že A A + pro =,,..., a echť PA ( ) = lm PA ( ). Důkaz. Uvažujme posloupost jevů defovaých vztahem B = A, B = A A,..., B = A A,.... Zřejmě platí A= B a A = B, přčemž jevy B B = = axomu 3 máme,,... = PA ( ) = PB ( ) = lm PB ( ) = lm PA ( ). = = A= A. Potom platí jsou eslučtelé. Podle Podobě jako vlastost 9 lze dokázat ásledující dvě vlastost pravděpodobost (vz apř. [9]). 4

23 0. Nechť jevy A, A,..., A,... tvoří posloupost takovou, že A A + pro =,,..., a echť PA ( ) = lm PA ( ). A= A. Potom platí =. Pro lbovolou posloupost jevů A, A,... platí P( A) P( A). = Kolmogorovova axomatcká soustava je bezrozporá, protože exstují takové reálé objekty, které vyhovují všem třem axomům. Uvažme apř. lbovolou možu W sestávající z koečého počtu prvků, tj. Ω= { E, E,..., E }. Nechť À je systém všech podmož možy W. Položíme = PE ( ) = p, PE ( ) = p,..., PE ( ) = p, kde p, p,..., p jsou lbovolá ezáporá reálá čísla, pro ěž platí p =. Dále pro lb. eprázdou podmožu { E, E,..., } E s možy = W s ( < <... < ; s ) položíme P ({ E, E,..., E }) = p + p p. s Pak jsou zřejmě splěy všechy axomy Kolmogorovovy soustavy. Kolmogorovova soustava axomů je evdetě eúplá. Pro daý prostor elemetárích jevů W lze pravděpodobost jevů ze σ-algebry À zvolt růzým způsoby. Ukážeme to a jedoduchém příkladě hodu hrací kostkou, přčemž jedotlvé elemetárí jevy ozačíme symboly E, E, E3, E4, E5, E 6. Pravděpodobost jevů v příslušém jevovém pol lze zadat buď soustavou PE ( ) = PE ( ) = PE ( 3) = PE ( 4) = PE ( 5) = PE ( 6) = 6 ebo soustavou PE ( ) = PE ( ) = PE ( 3) =, PE ( 4) = PE ( 5) = PE ( 6) = 4 ebo ějakou jou soustavou, ale takovou, že platí s 6 = PE ( ) =. Neúplost Kolmogorovovy axomatcké soustavy elze v žádém případě považovat za její edostatek. V prax je třeba často řešt takové úlohy, v chž se uvažují detcké možy áhodých jevů, ale s růzým hodotam příslušých pravděpodobostí. Axomatcká defce pravděpodobost představuje zavedeí v prostoru elemetárích jevů jsté ormovaé (axom ), ezáporé (axom ) a σ-adtví (axom 3) míry P, defovaé pro všechy jevy 5

24 Pravděpodobostí míra Pravděpodobostí prostor Koečý pravděpodobostí prostor Klascký pravděpodobostí prostor Spočetý pravděpodobostí prostor Spojtý pravděpodobostí prostor příslušé σ-algebry À. Míru P s uvedeým vlastostm azýváme pravděpodobostí mírou a trojc { Ω, À, P} pravděpodobostím prostorem..3. Klasfkace pravděpodobostích prostorů Rozlšíme tř základí typy pravděpodobostího prostoru:. koečý pravděpodobostí prostor,. spočetý pravděpodobostí prostor, 3. spojtý pravděpodobostí prostor. Jedotlvé složky koečého pravděpodobostího prostoru jsou defováy ásledujícím způsobem. a) Prostor elemetárích jevů Ω je eprázdá moža obsahující koečý počet prvků N. b) σ-algebra jevů À je moža všech podmož Ω (včetě trválích podmož); obsahuje tedy právě N podmož (áhodých jevů). c) Pro pravděpodobost elemetárích jevů ω, ω,..., ω N platí ω Ω: P( ω) 0; P( ω ) =. = Odtud pro pravděpodobost lbovolého jevu A À vyplývá PA ( ) = P( ω ). : ω A Specálím případem koečého pravděpodobostího prostoru je klascký pravděpodobostí prostor. Te se odlšuje pouze tím, že pravděpodobost všech elemetárích jevů jsou s rovy, tj. ω Ω : P( ω ) =, N takže pro pravděpodobost lbovolého jevu A À vyplývá k PA ( ) =, kde k začí počet elemetárích jevů obsažeých v jevu A. N Složky spočetého pravděpodobostího prostoru jsou defováy aalogcky. a) Prostor elemetárích jevů Ω je spočetá moža, má právě tolk prvků jako moža přrozeých čísel. b) σ-algebra jevů À je moža všech podmož Ω. c) Pro pravděpodobost elemetárích jevů ω, ω,..., ω N, platí N ω Ω: P( ω) 0; P( ω ) = = a pravděpodobost lbovolého jevu A À je dáa stejým vztahem jako v případě koečého pravděpodobostího prostoru. Spojtý pravděpodobostí prostor je defová odlšě. Na tomto místě uvedeme pouze jeho zjedodušeou defc. a) Prostor elemetárích jevů Ω je ějaká tegrovatelá podmoža - rozměrého eukldovského prostoru. b) σ-algebra jevů À je systém všech tegrovatelých podmož Ω. 6

25 c) Na prostoru elemetárích jevů je defováa ezáporá tegrovatelá fukce π( x, x,..., x ) taková, že splňuje podmíku ormováí ( )... π x, x,..., x dxdx... dx =. Ω Pak pro pravděpodobost lbovolého jevu A À platí. A PA ( ) =... π x, x,..., x dxdx... dx ( ).4. Klascká defce pravděpodobost V předcházejícím odstavc jsme ukázal souvslost klascké pravděpodobost s klasckým pravděpodobostím prostorem. Z hledska hstorckého však klascká defce pravděpodobost vychází z pojmu stejé možost" astoupeí jevů. Uvedeý pojem se považuje za fudametálí a edefuje se. V případě hodu hraí kostkou, která je zhotovea z homogeího materálu a má přesě symetrcký tvar, lze za stejě možé považovat padutí kteréhokol z čísel,, 3, 4, 5, 6, protože eí důvodu preferovat ěkterou ze stě před ostatím. V obecém případě se uvažuje koečá moža stejě možých elemetárích jevů ω, ω,..., ω takových, že tvoří úplou soustavu eslučtelých jevů (rozklad možy Ω). Laplaceova defce pravděpodobost: Nechť určtý pokus může vykázat celkem růzých, vzájemě se vylučujících výsledků, které jsou a podkladě symetre a homogety stejě možé. Jestlže m z těchto výsledků má evyhutelě za ásledek realzac určtého jevu A, kdežto zbývajících - m výsledků j vylučuje, pak pravděpodobost jevu A je rova m PA ( ) =. V aplkacích teore pravděpodobost se užívá poěkud odlšé termologe. Moža všech eslučtelých a stejě možých jevů ω ( =,,..., ), které jsou spjaty s ějakým pokusem, se azývá možou možých výsledků tohoto pokusu. Ty z možých výsledků, jež vedou k astoupeí jevu A, tvoří možu výsledků přízvých jevu A. S použtím právě zavedeé termologe lze klasckou defc pravděpodobost vyslovt takto: Pravděpodobostí jevu A rozumíme poměr počtu výsledků přízvých jevu A k počtu výsledků možých. Tato defce je přrozeě jedodušší, ovšem epřesá, protože ezahruje předpoklad o stejé možost jedotlvých výsledků pokusu. V souladu s Laplaceovou defcí je každému jevu A, tj. každé m podmožě A Ω, přřazea určtá pravděpodobost PA ( ) =, kde m začí počet těch elemetárích jevů ω ( =,,..., ), z chž se skládá 7

26 jev A. Pravděpodobost P(A) lze tedy považovat za fukc jevu A. Tato fukce má ásledující vlastost: Uvědomte s, že klascký přístup k zavedeí pravděpodobost evychází z žádých axomů, proto je uto dokázat ta tvrzeí, která se v Kolmogorovově přístupu považují za axomy.. Pro každý jev A platí PA ( ) 0. Důkaz. Uvedeá vlastost je zřejmá, eboť poměr m defce abývat záporých hodot. emůže podle. Pravděpodobost jstého jevu je jedotková, tj. platí P( Ω ) =. Důkaz. Jstému jevu jsou přízvé všechy možé výsledky pokusu, takže P( Ω ) = =. 3. Jestlže se jev A skládá z dílčích jevů B a C, pak P(A) = P(B C) = P(B) + P(C). Důkaz. Nechť se jev B skládá z m a jev C z m elemetárích jevů E, =,,...,. Jevy B a C jsou podle předpokladu eslučtelé, a proto ty elemetárí jevy E, z chž se skládá jede z jevů, jsou vesměs růzé od elemetárích jevů E, z chž sestává druhý. Exstuje tedy celkem m+ m elemetárích jevů E, ze kterých se skládá jev B C (které jsou přízvé astoupeí jevu B C ). m+ m m m Zřejmě platí PA ( ) = = + = PB ( ) + PC ( ). 4. Pravděpodobost jevu A (jevu opačého k A) je rova PA ( ) = PA ( ). Důkaz. Jevy A a A jsou eslučtelé, takže v souladu s vlastostí 3 platí PA ( A) = PA ( ) + PA ( ). Navíc je zřejmé, že A A=Ω, a proto vzhledem k vlastost musí být PA ( A) = P( Ω ) =. Dokazovaé tvrzeí vyplývá bezprostředě ze srováí dvou posledích rovostí. 5. Pravděpodobost jevu emožého je rova ule, tj. platí P( ) = 0. 8

27 Důkaz. Jevy Ω a jsou eslučtelé, proto P( Ω ) = P( Ω ) = P( Ω ) + P( ). Odtud však okamžtě plye, že P( ) = Jestlže z jevu A plye jev B, pak platí PA ( ) PB ( ). Důkaz. Jev B může být vyjádře jako sjedoceí dvou eslučtelých jevů A a A B. S použtím vlastostí 3 a sado dostaeme PB ( ) = PA ( ( A B)) = PA ( ) + PA ( B) PA ( ). 7. Pro pravděpodobost lbovolého jevu A z příslušého jevového pole platí 0 PA ( ). Důkaz. Lbovolý jev A jevového pole splňuje zřejmě vztahy A = A= A Ω Ω. Odtud ovšem a použtím vlastost 6 odvodíme erovost 0 = P( ) P( A) P( Ω ) =. Klascká defce pravděpodobost jevu zavádí pojem aprorí pravděpodobost. Vychází sce z objektvích vlastostí jevu samého, ale je zcela ezávslá a výsledcích expermetu. K vážým edostatkům klascké defce patří její omezeost a koečě moho elemetárích jevů, eurčtost a dokoce bludý kruh, spočívající v tom, že vychází z pojmu "stejá možost" ve smyslu "stejé pravděpodobost". Přestože se moderí teore pravděpodobost emůže spokojt s klasckou defcí pravděpodobost, využívá se v prax této defce k řešeí celé řady problémů (vz odstavec.5), zejméa těch, které se dají převést a tzv. urová schémata..5. Kombatorcký výpočet pravděpodobostí Výpočet pravděpodobostí podle klascké defce se zakládá a kombatorckých úvahách. Zopakujte s základí kombatorcké prcpy a vztahy pro určeí počtu kombací, varací a permutací, ať už s opakováím ebo bez opakováí. Doporučujeme Vám kížku Vleka [], v íž alezete řešeí celé řady zajímavých ( velm obtížých) kombatorckých úloh. Uvedeme ěkolk typových příkladů. Příklady.. Kdos má v kapse N klíčů a chce potmě otevřít dveře svého bytu. Vyjímá aslepo z kapsy jede po druhém a zkouší jm otevřít dveře. Jaká je pravděpodobost toho, že př k-tém pokusu zvolí správý klíč? 9

28 Řešeí. Počet všech možých pořadí, jak vyjímat klíče, je zřejmě rove počtu permutací možy N prvků, tj. N!. Předpokládejme, že všechy permutace jsou stejě možé. Musíme tedy určt, kolk je takových permutací, př chž stojí daý prvek (klíč) a k-tém místě. Odpověď je jedoduchá. Exstuje právě ( N )! permutací, které jsou přízvé uvažovaému jevu, takže hledaá pravděpodobost je rova výrazu ( N )! =. N! N Pravděpodobost toho, že správý klíč pade do ruky př prvém, př druhém,, resp. př posledím N-tém pokusu, jsou stejé a rovají se /N... Výtah s r pasažéry zastavuje postupě v patrech. Určete pravděpodobost jevu A, který spočívá v tom, že žádí dva pasažéř evystoupí v jedom a tomtéž patře. Řešeí. Předpokládejme, že všechy způsoby rozmístěí pasažérů do jedotlvých pater jsou stejě možé. Celkový počet způsobů rozmístěí je zřejmě rove počtu varací r-té třídy z prvků s opakováím, tj. výrazu r. Kolk je však způsobů rozmístěí přízvých jevu A? Hledaý počet je dá opět počtem varací r-té třídy z prvků, ale tetokrát bez opakováí, tj. výrazem ( )( )... ( r+ ). Pro pravděpodobost jevu A tedy platí ( )( )... ( r+ )! PA ( ) = =. r r ( r)!.3. Z hromádky 3 karet (4 barvy po 8 kartách) se áhodě vybere k karet (k > ). Určete pravděpodobost toho, že mez těmto kartam je a) právě jedo eso; b) alespoň jedo eso. Řešeí. Ozačme symbolem A jev, který spočívá v alezeí právě es mez k vybraým kartam ( m( k,4) ) a symbolem A jev, který spočívá v tom, že mez k kartam bude alezeo alespoň jedo eso. a) Moža všech možých výsledků pokusu je tvořea všem kombacem k-té třídy z 3 prvků; počet těchto kombací je rove 3 kombačímu číslu. Počet výsledků přízvých jevu A určíme k 4 ásledujícím postupem. Jedo eso lze vybrat růzým způsoby a zbývající karty v počtu k - celkem 8 způsoby, takže počet k přízvých případů je rove souču obou uvedeých kombačích čísel. Pro hledaou pravděpodobost tedy platí 0

29 4 8 k PA ( ) =. 3 k b) Podobou úvahou jako v předcházející úloze staovíme pravděpodobost všech jevů A pro =,,..., m, kde m začí meší z čísel k a 4, tj. m = m(k,4). Zřejmě platí k m k m PA ( ) =,..., PA ( m) =. 3 3 k k Jev A lze vyjádřt jako sjedoceí eslučtelých jevů A, A,..., A, proto PA= PA + PA + PA m ( ) ( ) ( )... + ( )..4. Dítě s hraje s písmey M, M, A, A, A, T, T, E, I, K. Jaká je pravděpodobost toho, že se mu podaří př áhodém řazeí písme za sebou vytvořt slovo MATEMATIKA? Řešeí. Ozačme uvažovaý jev symbolem A. Kdyby byla písmea vesměs růzá, byl by počet všech možých výsledků pokusu rove počtu permutací možy těchto písme, tj. 0!. Mez uvažovaým deset písmey jsou však dvě avzájem erozlštelá písmea M, tř erozlštelá písmea A a dvě erozlštelá písmea T. Proto permutace, které se lší traspozcí (záměou) písme M (takových permutací je celkem!) a/ebo traspozcí písme A (celkem 3!) a/ebo traspozcí písme T celkem!) představují jede a tetýž výsledek pokusu. Z uvedeého je zřejmé, že počet všech vzájemě růzých výsledků pokusu 0! je. Pouze jeda z těchto permutací je přízvá jevu A, takže pro!3!! hledaou pravděpodobost platí!3!! PA= ( ) 0, !.5. Mějme částc, z chž každá má stejou možost acházet se v kterémkolv z N možých stavů ( N ). Předpokládejme, že všecha možá rozděleí částc do stavů jsou stejě pravděpodobá (Maxwellova- Boltzmaova statstka). Jaká je pravděpodobost toho, že a) v určtých stavech bude po jedé částc (jev A); b) v lbovolých stavech bude po jedé částc (jev B)? m

30 Řešeí. a) Každá částce se může objevt v lbovolém z N stavů; to zameá, že exstuje N možostí pro jedu částc. Celkový počet možých způsobů rozmístěí částc je zřejmě rove N. K výpočtu hledaé pravděpodobost zbývá ještě určt, kolka způsoby mohou být částce rozmístěy po jedé do určtých stavů. Pro prvou částc máme zřejmě možostí, pro druhou, pro třetí, atd., až pro posledí zbude pouze jedá možost. Z uvedeé úvahy vyplývá, že exstuje celkem ( )( ).... =! způsobů rozmístěí, které jsou přízvé jevu A. Proto lze psát! PA ( ) =. N b) Počet možých způsobů rozmístěí částc v N stavech je dá, stejě jako v případě předcházejícím, výrazem N. Př určováí toho, kolka způsoby lze částce rozmístt po jedé do lbovolých stavů, využjeme rověž dílčího výsledku předchozího příkladu. Počet způsobů rozmístěí přízvých jevu B je tolkrát větší ež počet způsobů přízvých jevu A, kolkrát je možo vybrat stavů z jejch celkového počtu N. Odtud plye, že exstuje! N způsobů rozmístěí částc po jedé do lbovolých stavů. Hledaá pravděpodobost jevu B je tedy N! N! PB ( ) = =. N ( N )! N.6. Řešte příklad.5 za předpokladu, že všechy částce jsou vzájemě erozlštelé a přtom v každém z N stavů se může acházet ejvýše jedá částce (Fermho-Dracova statstka). Řešeí. V tomto případě můžeme považovat za růzá je taková rozmístěí částc, která se lší kvaltou obsazeých stavů. Počet všech růzých rozmístěí se zřejmě rová počtu možostí, jak vybrat stavů N z jejch celkového počtu N, tedy kombačímu číslu. a) Je evdetí, že v případě Fermho-Dracovy statstky lze částce rozmístt v určtých stavech pouze jedým způsobem, a proto ( N )!! PA ( ) = =. N N! b) Jev B, jež spočívá v rozmístěí částc do lbovolých stavů, je v případě Fermho-Dracovy statstky jevem jstým, takže P(B) =.

31 Podobé podstatě obtížější úlohy a kombatorcký výpočet pravděpodobostí aleze čteář v učebc Fellerově [3]. Metodám řešeí kombatorckých úloh jsou věováy specálí moografe, apř. []..7 (úloha o shodách). Je dáa moža N růzých dopsů a moža N obálek s růzým adresam. Předpokládejme, že roztržtý úředík přřadl dopsy zcela áhodě k jedotlvým obálkám. Jaká je pravděpodobost toho, že alespoň jede z dopsů dojde a správou adresu? Řešeí. Obálky lbovolým způsobem uspořádáme a ozačíme je v souladu se zvoleým uspořádáím čísly,,..., N. Dále postupujeme tak, že lbovolě uspořádáme dopsy a dops, který je a -tém místě, přřadíme obálce s ozačeím ( =,,..., N). Předpokládáme, že pravděpodobost každého možého uspořádáí (permutace) dopsů je stejá a rova /N!. Nechť A začí jev, jež spočívá v tom, že dops odpovídající obálce s ozačeím bude právě a -tém místě, tj. bude přřaze ke správé obálce. Protože ostatí dopsy mohou být uspořádáy lbovolě, platí ( N )! PA ( ) = ( =,,..., N); N! ( N )! PA ( Aj) = ( j; j, =,,..., N). N! Úlohu řešíme pomocí vzorce (.), a jehož pravé straě bude celkem N sčítaců. Sčítaec s pořadovým číslem k, k N, obsahuje N N! = příspěvků, z chž každý je rove ( N k )!, takže má k ( N k)! k! N! hodotu k!. Pro hledaou pravděpodobost lze psát N N P( A ) = ( ). =! 3! N! V případě dostatečě velkého N tedy platí P N ( A ) e 0,63, = což zameá, že hledaá pravděpodobost praktcky ezávsí a N a je blízká /3. Kotrolí úkoly.. Z hromádky 3 karet obsahující 4 esa jsou áhodě vybráy 3 karty. Určete pravděpodobost toho, že mez m budou ejméě esa... V sér výrobků je právě k zmetků (k ). Určete pravděpodobost toho, že mez m áhodě vybraým výrobky bude právě r zmetků ( r k). 3

32 .3. Ve studjí skupě je celkem 30 studetů. Jaká je pravděpodobost toho, že žádí dva studet eslaví arozey téhož de? Předpokládejme, že rok má 365 dů..4. Mez 5 zkušebím lístky je 5 šťastých a 0 ešťastých. Studet s vybírají lístky postupě jede za druhým. U kterého je větší pravděpodobost, že s vytáhe šťastý lístek: u toho, který táhe prví, ebo u toho, který táhe druhý?.5. Číslce,,..., ( 9) jsou áhodě uspořádáy do posloupost. Jaká je pravděpodobost toho, že číslce a stojí vedle sebe právě v tomto pořadí?.6. Určete pravděpodobost toho, že posledí dvě číslce třetí mocy áhodě vybraého celého čísla jsou rovy jedotce..7. Krychle, jejíž všechy stěy jsou abarvey, se rozřeže a 000 krychlček stejého rozměru. Jaká je pravděpodobost toho, že áhodě vybraá krychlčka bude mít dvě abarveé stěy?.8. Určete pravděpodobost výhry prví, druhé, třetí a čtvrté cey a) v Sazce, b) ve Sportce..6 Geometrcká pravděpodobost Jedím z edostatků klascké defce pravděpodobost je skutečost, že tato defce uvažuje pouze koečé základí možy elemetárích (stejě možých) jevů. Pokusy o rozšířeí klascké teore pravděpodobost a případ ekoečé základí možy elemetárích jevů vedly jž kocem 8. století k zavedeí pojmu geometrcké pravděpodobost. V podstatě šlo je o modfkac klascké defce pravděpodobost, protože se vycházelo opět z pojmu stejé možost astoupeí určtých jevů. Úloha a geometrckou pravděpodobost může být formulováa takto: Nechť je v eukldovském prostoru dáa ějaká oblast Ω, která má koečý objem (obsah) V( Ω ) a v í (uvtř) já oblast A s tegrovatelou hrací. Vybíráme áhodě bod z oblast Ω a ptáme se, s jakou pravděpodobostí patří teto bod také do oblast A. Předpokládáme, že pravděpodobost "padutí" áhodě vybraého bodu oblast Ω do oblast A je úměrá objemu (obsahu) této oblast a ezávsí a jejím umístěí a tvaru. Hledaou pravděpodobost klademe v geometrckém pojetí rovu hodotě výrazu V( A) V( Ω ), kde V(A) je objem (obsah) oblast A. Takto zavedeá geometrcká pravděpodobost se stala vhodým ástrojem a řešeí řady úloh, a ěž estačlo klascké pojetí pravděpodobost. Adekvátí defce geometrcké pravděpodobost je založea a pojmu Lebesgueovy míry. Podrobé poučeí o Lebesgueově míře aleze čteář apř. v moograf [0]. Defce geometrcké pravděpodobost. Nechť Ω je měřtelá podmoža -rozměrého eukldovského prostoru, která má kladou 4

33 a koečou Lebesgueovu míru µ ( Ω ). Dále echť À je systém všech měřtelých podmož možy Ω a µ ( A) je -rozměrá Lebesgueova míra měřtelé možy A À. Položme µ ( A) PA ( ) =. (.) µ ( Ω) Takto uvedeá trojce { Ω, À, P} je Kolmogorovův pravděpodobostí prostor. Pravděpodobostí míra defovaá vztahem (.) je geometrckou pravděpodobostí jevu A À. Pozámka. Přpomíáme, že Lebesgueova míra v eukldovském prostoru je varatí vzhledem k trasformac kartézské soustavy souřadc a rověž je varatí vzhledem ke shodým zobrazeím prostoru. Výpočet geometrcké pravděpodobost pomocí vztahu (.) se v prax převádí a výpočet délky, obsahu ebo objemu určtých geometrckých útvarů. Uvedeme dva jedoduché příklady a výpočet geometrcké pravděpodobost. Příklady.8. Hody, které ebyly včas atažey, se po určté době zastaví. Jaká je pravděpodobost toho, že se velká ruččka zastaví mez trojkou a šestkou? Řešeí. Ozačme uvažovaý jev písmeem A. Pravděpodobost, že se velká ruččka zastaví uvtř defovaého oblouku číselíku je úměrá délce tohoto oblouku. Proto je hledaá pravděpodobost rova poměru délky oblouku mez číslcem tř a šest ( π r ) a délky obvodu celého číselíku ( π r ), tj. π r PA ( ) =. π r = 4.9 (úloha o setkáí). Dva studet X a Y se dohodl, že se setkají a určtém místě v době od do 3 hod. Te, kdo přjde prví, počká a druhého 0 mut, a edočká-l se, odejde. Jaká je pravděpodobost, že se oba studet za těchto podmíek setkají, jestlže předpokládáme stejou možost příchodu každého z ch v kterémkolv okamžku staoveého časového tervalu a okamžky příchodu jsou ezávslé? Řešeí. Ozačme okamžk příchodu (v mutách po.00 hod.) studeta X písmeem x a okamžk příchodu studeta Y písmeem y. Nutou a postačující podmíkou pro uskutečěí setkáí obou studetů je platost vztahu x y 0. Geometrcká pravděpodobost Velčy x a y budeme terpretovat jako kartézské souřadce v eukldovské rově (vz obr..). Všechy možé výsledky pokusu lze pak zázort body čtverce o straě dlouhé 60 jedotek. 5

34 Ty možost, které jsou přízvé setkáí obou studetů, leží zřejmě uvtř vyšrafovaé oblast. Pravděpodobost setkáí je tedy rova podílu obsahu vyšrafovaé oblast a obsahu celého čtverce, tj. y P = = x Obr... Schematcké zázorěí k úloze o setkáí Úlohy o setkáí lze prcpálě využít k řešeí ásledujícího problému z oblast hromadé obsluhy. Dělík obsluhuje ěkolk strojů téhož typu, z chž každý vyžaduje v áhodých časových okamžcích dělíkovu přítomost (pozorost). Může se stát, že v době, kdy je dělík u jedoho stroje, vyžaduje jeho přítomost ěkterý jý, resp. jé stroje. Úkolem je staovt pravděpodobost takového jevu. Kotrolí úkoly.9. Vepšme do koule krychl. Jaká je pravděpodobost toho, že áhodě vybraý bod koule je také bodem vepsaé krychle?.0. Koefcety p a q kvadratckého trojčleu x + px + q jsou vybráy áhodě z tervalu,. Jaká je pravděpodobost toho, že uvedeý trojčle má reálé ulové body?.. Na rovoběžé přímky (v rově) ležící ve stejých vzdáleostech d od sebe házíme jehlu délky h ( h< d). Jaká je pravděpodobost toho, že jehla prote jedu z rovoběžek (Buffoova úloha)? Relatví četost jevu.5. Pravděpodobost a četost. Statstcká defce pravděpodobost Statstcké pojetí pravděpodobost vychází z pojmu relatví četost jevu. Uvažme ějaký pokus, jehož výsledkem může být astoupeí ebo eastoupeí určtého jevu A. Ozačme symbolem A počet astoupeí uvažovaého jevu v ezávslých pokusech. Relatví četostí jevu A pak rozumíme podíl počtu pokusů, které vedly k astoupeí jevu A, 6

35 k celkovému počtu skutečě provedeých pokusů, tj. poměr A. Číslo A se azývá absolutí četostí jevu A. Dlouhodobá pozorováí ukazují, že relatví četost celé řady jevů př dostatečě velkém zůstávají př přechodu od jedé sére pokusů k druhé praktcky kostatí. Větší odchylky od této "kostaty" se přtom pozorují tím vzácěj, čím početější jsou provedeé sére expermetů. Tato stablta relatvích četostí byla poprvé zjštěa u jevů demografckého charakteru. Už od ejstarších dob je zámo, že poměr počtu arozeých chlapců k celkovému počtu arozeých dětí pro velká města celé státy zůstává v průběhu let téměř kostatí a blízký hodotě /. Pozděj, zejméa během 7. a 8. století, byla pozorováa stablta jých charakterstk a zákotostí demografcké povahy: proceta úmrtost v daém věku pro daé socálí skupy obyvatelstva, rozděleí obyvatelstva daého pohlaví podle vzrůstu, šířky hrudíku apod. Výzamé je zjštěí, že v těch případech, kdy je použtelá klascká defce pravděpodobost, kolísají relatví četost jevů kolem hodot jejch klasckých pravděpodobostí. V současé době máme k dspozc rozsáhlý expermetálí materál, který esporě potvrzuje tuto skutečost. V tabulce. jsou uvedey ěkteré výsledky expermetů s hodem mcí. Absolutí četost jevu Tab...Výsledky pokusů s hodem mcí Expermetátor Počet Abs. četost padutí Rel. četost padutí hodů rubu rubu Buffo ,5080 Pearso ,506 Pearso ,5005 Z údajů v tabulce je zřejmé, že relatví četost padutí rubu mce kolísá kolem hodoty /, tj. kolem klascké pravděpodobost uvažovaého jevu pro případ homogeí a přesě symetrcké mce. K podobému závěru vedly jé pokusy, apř. hody hrací kostkou, určováí relatví četost výskytu určté číslce v tabulce áhodých čísel apod. Uvedeé skutečost ás přvádějí k předpokladu objektví exstece ějaké číselé charakterstky jevu (pravděpodobost jevu), kolem íž kolísají expermetálě určovaé relatví četost. Statstcké zavedeí pravděpodobost. Říkáme, že určtý jev A má pravděpodobost, jestlže teto jev splňuje ásledující podmíky: a) je možo (alespoň prcpálě) provést eomezeý počet vzájemě ezávslých a přesě stejých pokusů, z chž každý může vést k astoupeí ebo eastoupeí jevu A; b) relatví četost jevu A se praktcky pro každou velkou sér pokusů lší je epatrě od ějaké, v obecém případě ezámé, kostaty. 7

36 Statstcká pravděpodobost Tato číselá charakterstka áhodého jevu A se azývá statstckou pravděpodobostí. Za její přblžou hodotu lze př dostatečě velkém počtu pokusů vzít buď přímo relatví četost jevu A ebo ějaké číslo blízké této četost. Toto statstcké zavedeí pravděpodobost má převážě popsý charakter. Nejde o formálí matematckou defc pravděpodobost, ale pouze o vymezeí podmíek utých pro exstec pravděpodobost a staoveí metody pro odhad hodoty této pravděpodobost. Msesova defce pravděpodobost. Statstckou pravděpodobostí jevu A se azývá lmta relatvích četostí jevu A, roste-l počet pokusů, z chž relatví četost určujeme, ade všechy meze, tz. A PA ( ) = lm. Pozámka. Uvedeou defc je možo zpřest takto: Pro lbovolé ε > 0 platí A lm P( p < ε) =, p= P( A). Msesova defce je velm rozšířea zejméa v oblast přírodích věd. Mses odmítá klasckou defc pravděpodobost a epovažuje za uté zát vtří strukturu jevů. Podle ěj je uvedeá emprcká defce schopa v plé míře zabezpečt veškeré požadavky přírodích věd flozofe. Statstcký způsob vymezeí pravděpodobost má ovšem vážý edostatek. Pravděpodobost jevů jsou v tomto případě vázáy a výsledky pokusů, takže jde o tzv. aposterorí pravděpodobost. Pojem statstcké pravděpodobost vychází pouze z výsledků pokusů a epřhlíží k vtřím zákotostem a vlastostem sledovaých jevů. Bez realzace kokrétích pokusů elze o pravděpodobost jevů v rámc statstcké defce vůbec mluvt. Třebaže jsou prot statstckému vymezeí pravděpodobost vážé výhrady, používá se jej dodes tam, kde jde o sledováí velkých souborů, apř. v demografckém výzkumu. Přtom se předpokládá, že pravděpodobost studovaých jevů jsou přblžě rovy expermetálě určeým relatvím četostem. Příklad.9. Na základě statstckých údajů uvedeých v prvích třech sloupcích tabulky. odhaděte pravděpodobost arozeí dvojčat mužského pohlaví. Řešeí. Údaje v tabulce. doplíme o relatví četost. Z uvedeých údajů je možo odhadout pravděpodobost arozeí dvojčat mužského pohlaví číslem 0,35. 8

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. 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

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady 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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje

Více

Testování statistických hypotéz

Testování statistických hypotéz Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

1. Úvod do základních pojmů teorie pravděpodobnosti

1. Úvod do základních pojmů teorie pravděpodobnosti . Úvod do základích pojmů teore pravděpodobost. Úvodí pojmy Větša exaktích věd zobrazuje své výsledky rgorózě tj. výsledky jsou získáváy a základě přesých formulí a jsou jejch terpretací. Příkladem je

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady 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

Více

8. Zákony velkých čísel

8. Zákony velkých čísel 8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy

Více

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

jako 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

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty 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

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

3. Lineární diferenciální rovnice úvod do teorie

3. 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

Více

Generování dvojrozměrných rozdělení pomocí copulí

Generování 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

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

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

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů SP4 Přpomeutí pojmů Pravděpodobost Náhodý jev: - základí prostor - elemetárí áhodý jev A - áhodý jev, - emožý jev, jstý jev podjev opačý

Více

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

Více

a další charakteristikou je četnost výběrového souboru n.

a další charakteristikou je četnost výběrového souboru n. Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu

Více

1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A );

1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A ); 1 PSE 1 Náhodý pokus, áhodý jev. Operace s jevy. Defiice pravděpodobosti jevu, vlastosti ppsti. Klasická defiice pravděpodobosti a její použití, základí kombiatorické vzorce. 1.1 Teoretická část 1.1.1

Více

7 LIMITNÍ VĚTY. Čas ke studiu kapitoly: 70 minut. Cíl:

7 LIMITNÍ VĚTY. Čas ke studiu kapitoly: 70 minut. Cíl: 7 LIMITNÍ VĚTY Čas ke studu kaptoly: 70 mut Cíl: o prostudováí tohoto odstavce budete umět formulovat a používat lmtí věty aproxmovat já rozděleí rozděleím ormálím - 96 - Výklad: V této kaptole adefujeme

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

Metody zkoumání závislosti numerických proměnných

Metody 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

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 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

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST 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

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové 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:

Více

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST 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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST 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,

Více

2. TEORIE PRAVDĚPODOBNOSTI

2. TEORIE PRAVDĚPODOBNOSTI . TEORIE PRAVDĚPODOBNOSTI V prax se můžeme setat s dvojím typem procesů. Jeda jsou to procesy determstcé, u terých platí, že př dodržeí orétích vstupích podmíe obdržíme přesý, předem zámý výslede (te můžeme

Více

Spojitost a limita funkcí jedné reálné proměnné

Spojitost a limita funkcí jedné reálné proměnné Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

U. Jestliže lineární zobrazení Df x n n

U. 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

Více

Digitální učební materiál

Digitální učební materiál Dgtálí učebí materál Číslo projetu CZ..07/.5.00/34.080 Název projetu Zvaltěí výuy prostředctvím ICT Číslo a ázev šabloy líčové atvty III/ Iovace a zvaltěí výuy prostředctvím ICT Příjemce podpory Gymázum,

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

Více

Úvod do korelační a regresní analýzy

Úvod do korelační a regresní analýzy Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou

Více

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs. Předáška V. Úvod do teore odhadu Pojmy a prcpy teore odhadu Nestraé odhady Metoda mamálí věrohodost Průměr vs. medá Opakováí výběrová dstrbučí fukce Sestrojíme výběrovou dstrbučí fukc pro výšku a váhu

Více

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Náhodu 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

Více

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky). Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady 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

Více

Odhady parametrů 1. Odhady parametrů

Odhady 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:

Více

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

12. Neparametrické hypotézy

12. Neparametrické hypotézy . Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,

Více

2. Náhodná veličina. je konečná nebo spočetná množina;

2. 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

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

APLIKOVANÁ STATISTIKA

APLIKOVANÁ STATISTIKA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4

Více

Výstup a n. Vstup. obrázek 1: Blokové schéma a graf paralelní soustavy

Výstup a n. Vstup. obrázek 1: Blokové schéma a graf paralelní soustavy Paralelí soustava Vstup a a Výstup a Vstup a Výstup a a obrázek : Blokové schéma a graf paralelí soustavy paralelí soustava je v bezporuchovém stavu je-l v bezporuchovém stavu prvek (tzv. adbytečé spojeí

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ 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

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

Deskriptivní statistika 1

Deskriptivní 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

Více

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).

Správnost 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

Více

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

14. 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

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

Více

11. Popisná statistika

11. Popisná statistika . Popsá statstka.. Pozámka: Př statstckém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákotost, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme statstcké jedotky. Př

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

VY_52_INOVACE_J 05 01

VY_52_INOVACE_J 05 01 Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí

Více

ZÁKLADY STAVEBNÍ MECHANIKY

ZÁKLADY STAVEBNÍ MECHANIKY VYSOKÉ UČENÍ TECHNICKÉ V BNĚ AKULTA STAVEBNÍ ING. JIŘÍ KYTÝ, CSc. ING. ZBYNĚK KEŠNE, CSc. ING. OSTISLAV ZÍDEK ING. ZBYNĚK VLK ZÁKLADY STAVEBNÍ ECHANIKY ODUL BD0-O SILOVÉ SOUSTAVY STUDIJNÍ OPOY PO STUDIJNÍ

Více

3. Charakteristiky a parametry náhodných veličin

3. 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

Více

DISKRÉTNÍ MATEMATIKA PRO INFORMATIKY

DISKRÉTNÍ MATEMATIKA PRO INFORMATIKY DISKRÉTNÍ MATEMATIKA PRO INFORMATIKY URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH IVAN KŘIVÝ ČÍSLO OPERAČNÍHO PROGRAMU: CZ..07 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST

Více

S1P Popisná statistika. Popisná statistika. Libor Žák

S1P Popisná statistika. Popisná statistika. Libor Žák SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk

Více

Náhodný výběr 1. Náhodný výběr

Náhodný 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

Více

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2 SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých

Více

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

jsou varianty znaku) b) při intervalovém třídění (hodnoty x Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém

Více

2. Vícekriteriální a cílové programování

2. Vícekriteriální a cílové programování 2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě

Více

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat 4. Korelace 4. Teoretcké základy korelace 4. Způsoby měřeí závslostí pro růzé typy dat Př prác se statstckým údaj se velm často setkáváme s daty, která jsou tvořea dvojcem, trojcem hodot. Složky takovýchto

Více

4. 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 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

Více

SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek

SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO Statstka I dstačí studjí opora Mla Křápek Soukromá vysoká škola ekoomcká Zojmo Dube 3 Statstka I Vydala Soukromá vysoká škola ekoomcká Zojmo. vydáí Zojmo, 3 ISBN

Více

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ

Více

Statistika pro metrologii

Statistika pro metrologii Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých

Více

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly. 0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace

Více

Úvod do teorie měření

Úvod do teorie měření Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých

Více

Komplexní čísla. Definice komplexních čísel

Komplexní 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

Více

8. Odhady parametrů rozdělení pravděpodobnosti

8. 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

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí

Více

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY Josef Tvrdík OSTRAVSKÁ UNIVERZITA 00 OBSAH: ÚVOD... 4. CO JE STATISTIKA?... 4. STATISTICKÁ DATA... 5.3 MĚŘENÍ

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

n=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

n=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

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE 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,

Více

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře

Více

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení. MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je

Více

STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK

STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK 04 prof. Ig. Bohuml Mařík, CSc. STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH.

Více

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

Při 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

Více

Téma 11 Prostorová soustava sil

Téma 11 Prostorová soustava sil Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze

procesy 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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST 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

Více

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter. Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový

Více