Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů,
|
|
- Antonín Tobiška
- před 7 lety
- Počet zobrazení:
Transkript
1 Rekurentní jevy Značení. (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, kde každý má tutéž konečnou nebo spočetnou množinu výsledků E, E,...}. Pak E j,..., E jn } značí jev, že i-tý pokus skončil E ji pro i, n}. Definice. (jev v posloupnosti pokusů). Necht pro všechny konečné posloupnosti výsledků platí (a) P (E j,..., E jn ) = j n= P (E j,..., E jn, E jn ) pro < n < (b) O každé posloupnosti lze rozhodnout, zda má či nemá vlastnost ξ. Pak řekneme, že ξ nastává na n-tém místě posloupnosti E j, E j,..., pokud posloupnost E j,..., E jn } má vlastnost ξ. Definice.3 (rekurentní jev). Vlastnost ξ je rekurentní jev, pokud ξ nastal na n-tém a (n + m)- tém místě E j,..., E jn+m }. Pak platí P (E j,..., E jn+m ) = P (E j,..., E jn ) P (E jn+,..., E jn+m ) Definice.4 (výskyt v n-tém pokusu). Pro rekurentní jev ξ definujeme pro n < posloupnosti. u n }, kde u n = P (ξnastane v n-tém pokusu). f n }, kde f n = P (ξnastane v n-tém pokusu poprvé) Speciálně definujeme u 0 :=, f 0 := 0. Pak f n tvoří rozdělení pravděpodobnosti, u n ale ne. Poznámka.5 (vztah f n a u n ). Pokud ξ nastal v kroku n, musel někdy nastat poprvé. Pokud to bylo v k-tém kroku, lze uvažovat, že ξ nastal na konci posloupnosti délky n k. Pak platí (dle věty o úplné pravděpodobnosti) pro n : u n = f u n + f u n f n u 0 Což je konvoluce bez prvního členu (proto jsme dodefinovali u 0 a f 0 ). Poznámka.6 (vytvořující funkce rekurzivních jevů). Vytvořující funce u n } je U(x) = n=0 u n x n, vytvořující funkce f n } je F (x) = n=0 f n x n. Pro n > 0 můžeme zapsat rovnice tvaru u n = f 0 u n + f u n + f u n f n u 0. Ty vynásobíme x n, sečteme je po sloupcích a dostaneme U(x) = u 0 x 0 + U(x) F (x). Platí tedy následující věta: Věta.7. U(x) = F (x) U(x) resp. F (x) = U(x) U(x) resp. U(x) = F (x). Poznámka.8. f n } udává rozdělení náhodné veličiny T, která popisuje čekání na první výskyt ξ. Pokud f = n= f n <, potom T je nevlastní náhodná veličina (T = ) a pravděpodobnost, že jev nenastal, je f. Definice.9 (doba návratu). Mějme nezávislé náhodné veličiny T i, i r se stejným rozdělením f n }. T i interpretujeme jako dobu návratu, tedy počet pokusů mezi (i )-ním a i-tým výskytem. Pak T (r) = r i= T i je doba čekání na r-tý výskyt. Značení.0 (pravděpodobnost r-tého návratu). Značíme f n (r) Speciálně f (r) 0 := 0. = P (ξnastane po r-té v n-tém pokusu). Věta. (vytvořující funkce pro r-tý návrat). Pro rekurentní jevy lze vytvořující funkci r-tých návratů spočítat jako r-tou mocninu vytvořující funkce prvních návratů, tedy f (r) n } = f n } r.
2 Důkaz. Pro r = podobně jako v předchozí větě. Uvažujeme, že f n = f 0 f n + f f n f n f 0 (pokud jev poprvé nastal v kroku k, lze uvažovat, že nastal poprvé také na konci posloupnosti délky n k). Což je úplná konvoluce pro n 0. Vzniklé rovnice vynásobíme x n a sečteme po sloupcích, což dá požadovaný výsledek. Pro r > plyne indukcí. Věta.. Pravděpodobnost, že rekurzivní jev nastane v nekonečné posloupnosti alespoň r-krát, je f r, kde f = n=0 f n. Poznámka.3 (chování f n (r) ). Funkce r-tých návratů se chová podobně jako součet nezávislých náhodných veličin - jde vlastně o nezávislé náhodné veličiny T, T,..., které představují doby mezi návraty jevu. Po nastání jevu zapomínám předchozí pokusy. Proto se doba čekání na r-tý výskyt ξ dá popsat náhodnou veličinou T (r) = r i= T i, viz..9.. Klasifikace rekurentních jevů Definice.4 (trvalý a přechodný rekurentní jev). Rekurentní jev ξ je (a) trvalý, pokud f = n=0 f n =, (b) přechodný, pokud f <. Poznámka.5. ˆ ξ je trvalý, pak P (ξ nastane v nekonečné posloupnosti pokusů ) =. ˆ ξ je přechodný, pak P ( ) = 0. u = u n=0 < + a také f = u (viz vytvořující funkce F, U). Definice.6 (Střední doba návratu). Pro trvalý jev ξ označíme µ = ET = n= n f n za střední dobu návratu ξ. Definice.7. Pokud µ < +, jev ξ označujeme za nenulový, pokud µ = +, za nulový. Definice.8. Rekurentní jev ξ je periodický, právě když λ > n, λ n : u n = 0. Největší takové λ se nazývá perioda jevu ξ.. Příklady Definice.9 (Náhodná procházka po přímce). Mějme posloupnost nezávislých náhodných veličin X, X,... Alt(p). Jednoduchá náhodná procházka s pravděpodobností zdaru p je potom posloupnost S n } n=0, kde S n = n i= X i. Příklad.0 (Náhodná procházka po přímce). Mějme jednoduchou náhodnou procházku po přímce s p =. V čase n nastává ξ návrat do počátku, jestliže S n = 0 (tedy počet zdarů a nezdarů je v n-tém kroku stejný). Ukážeme, že ξ je periodický jev trvalý pro p = a přechodný jinak. Řešení. Zřejmě u n+ = 0 (v lichém kroku se nelze vrátit) a u n = ( ) n n p n ( p) n Bi(n, p) (n tam, n zpět). ξ je tedy periodický jev. Poznámka.. Využíváme Stirlingovu formuli: n! n n e n πn. ) = (n)! Pak ( n n!n! TO BE DONE = (n)n n!n! = (n) n e 4n 4πn n nn e n πn nn e n πn = πn n πn.
3 Příklad. (Náhodná symetrická procházka po čtvercové síti). p = 4. Chceme opět znát u n. Zafixujeme si počet kroků v jednom směru jako i, ostatní z něj plynou (pro u n to činí i kroků v opačném směru a n i v obou zbývajících). Potom u n = n n! i!i!(n i)!(n i)! 4 n πn u n = i=0 Jde tedy o periodický trvalý rekurentní jev. Příklad.3 (Náhodná symetrická procházka ve třech rozměrech). Musíme zafixovat dva směry, stále multinomické rozdělení, již přechodný jev. TODO příklad s hodem mincí a výpočtem u n, f n.3 Limitní věta Věta.4. Necht ξ je rekurentní neperiodický jev. Potom lim u µ µ < n = n 0 µ = Poznámka.5. µ značí střední dobu návratu ξ, viz.6. Pro nulový rekurentní jev je ET =. Věta.6. Necht ξ je rekurentní trvalý periodický jev s periodou λ. Potom λ lim u µ µ < λn = n 0 µ =.4 Asymptotické rozdělení četnosti rekurentních jevů Věta.7. Necht rekurentní jev ξ je trvalý. Označíme N n počet výskytů do času n a T (r) dobu čekání na r-tý výskyt ξ. Potom jevy [N n r] a [T (r) n], r n < jsou ekvivalentní. Předpokládejme dále, že rozdělení dob prvních návratů má konečnou střední hodnotu ET = µ a konečný rozptyl vart = σ. Potom N n N ( n µ, nσ µ ) a platí 3 ( T (r) ) lim P rµ r σ r = Φ(y), y R r. T (r) = r i= T i. ET (r) = E( r i= T i) = r ET = rµ var(t (r) ) = var( ) = r vart = rσ 3. [N n r] = [T (r) n], r n < 4. Připomenutí - centrální limitní věta: Mějme X, X,... nezávislé náhodné proměnné s rozdělením EX = µ a rozptylem varx = σ <. ) Pak lim n P < x x Φ(x). ( n i= Xi nµ nσ 5. N n N ( n µ, nσ µ 3 ) - prý kouknu a vidím. EN n n µ (viz další věta) Rozptyl není jasný, musí se uhodnout. A ) 6. P (N n r) r Φ ( n rµ rσ n= 3
4 7. P (T (r) x) = P ( r i= T i rµ rσ x rµ ) ( ) x rµ xto Φ rσ rσ Věta.8. Necht rekurentní jev ξ je trvalý a nenulový. Potom pro n platí EN n n µ, kde µ je střední doba návratu..5 Rovnice obnovy Poznámka.9. Limitní věty předchozích odstavců lze považovat za speciální případy určité obecné věty, kterou lze formulovat analyticky bez použití pravděpodobnostních pojmů. Jak uvidíme, i tato obecná věta má pravděpodobnostní význam. Definice.30 (rovnice obnovy). Necht a 0, a,... a b 0, b,... jsou dvě posloupnosti takové, že a 0 = 0, a n [0, ], b n 0, n=0 b n <. Položme u n = b n + a 0 u n + a u n a n u 0, tj. Tento vztah se nazývá rovnicí obnovy. u n } = b n } + a n } u n } Poznámka.3. Platí U(x) = B(x) + A(x)U(x) U(x) = B(x) A(x). Definice.3. Posloupnost a n } nazveme periodickou, pokud existuje λ > tak, že n, λ n : a n = 0. Největší takové λ nazveme periodou. Věta.33. Necht posloupnost a n } je neperiodická. Potom platí:. Je-li n= a n <, potom n= u n <.. Je-li n= a n =, tzn. a n } lze považovat za rozdělení doby návratu nějakého trvalého neperiodického rekurentního jevu ξ, potom lim u n = n n=0 bn n= nan 0 n= na n < n= na n = 3. Je-li n= a n >, potom pro n je u n B(x) x n+ A (x), kde x < je jediný kořen rovnice A(x) =. Věta.34. Necht posloupnost a n } je periodická s periodou λ. Potom platí:. Je-li n= a n <, potom n= u n <.. Je-li µ =, potom lim n u n = Je-li µ <, pak n= a n =, tj. a n } lze považovat za rozdělení doby návratu nějakého trvalého periodického rekurentního jevu ξ. Potom pro 0 j < λ platí a lim u nλ+j = λ k=0 b kλ+j n µ lim n n n k=0 u ν = b k µ ν= TODO výklad, poznámky k celé sekci 4
5 Markovovy řetězce Příklad. (Motivace). Máme rubikovu kostku, náhodně s ní otáčíme. Jak dlouho bude trvat, než se vrátíme do sestaveného stavu? Mohu náhodné otáčení stěnami rubikovy kostky popsat jako náhodnou procházku? Pokud ano, po jaké struktuře? 6 stěn, lze točit tam a zpět možností. Celkem konečně mnoho stavů, každý má sousedů. P E... E n E E n 0 p i,j = P (přechod E i E j ) na každém řádku bude /. E i jsou všechny stavy RK. Jsou průchody stavem E rekurentním jevem? ano. Zajímá nás E(E i E ). Definice. (Markovův řetězec). Posloupnost pokusů, z nichž každý má tu samou konečnou nebo spočetnou množinu možných výsledků E, E,..., nazveme Markovovým řetězcem (MŘ), jestliže pravděpodobnost každé konečné posloupnosti výsledků (pokusů nultého až n-tého) je dána vztahem P (E j0,..., E jn ) = a j0 p j0,j p j,j... p jn,j n kde a k (k N) jsou pravděpodobnosti výsledků nultého pokusu a p j,k (j, k N) je pro všechny pokusy stejná podmíněná pravděpodobnost výsledku E k za podmínky výsledku E j v pokuse předchozím (P (E j E k ) = P (E k E j )). Značení.3. MŘ budeme popisovat (P, a), kde P = (p i,j) je čtvercová matice s (podmíněnými) pravděpodobnostmi přechodu (prvního řádu) p i,j = P (E i E j ) a a = (a i ) je počáteční rozdělení pravděpodobností. Poznámka.4. Všimněte si, že P je stochastická matice, tedy platí i : j p i,j =. Je dobré si vždy namalovat graf MŘ... Příklad.5 (malá/velká). E i bude značit stav mojí kapsy. X i = +...p...q, E E i+...p i = E i...q. P bude nekonečná matice: P = q 0 p q 0 p Začínáme vždy ve stavu E 0, takže a = (..., 0,..., 0, }} =a 0, 0,..., 0,...) Příklad.6 (náhodná procházka s pohlcující bariérou). Podobně jako v předchozím případě, s tím rozdílem, že při dosažení krajního stavu v něm zůstanu. 5
6 Příklad.7 (náhodná procházka s odrážející bariérou). Podobně jako v předchozím případě, s tím rozdílem, že namísto přechodu do krajního stavu zůstávám na místě. Příklad.8 (sběratel kupónů). Příklad.9 (Ehrenfestův myšlený pokus). Příklad.0 (volby). Příklad. (ALOHA protokol). 6
Výběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceIntuitivní pojem pravděpodobnosti
Pravděpodobnost Intuitivní pojem pravděpodobnosti Intuitivní pojem pravděpodobnosti Pravděpodobnost zkoumaného jevu vyjadřuje míru naděje, že tento jev nastane. Řekneme-li, že má nějaký jev pravděpodobnost
VícePravděpodobnost a statistika
Pravděpodobnost a statistika 1 Náhodné pokusy a náhodné jevy Činnostem, jejichž výsledek není jednoznačně určen podmínkami, za kterých probíhají, a které jsou (alespoň teoreticky) neomezeně opakovatelné,
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceNMAI059 Pravděpodobnost a statistika
NMAI059 Pravděpodobnost a statistika podle přednášky Daniela Hlubinky (hlubinka@karlin.mff.cuni.cz) zapsal Pavel Obdržálek (pobdr@matfyz.cz) 205/20 poslední změna: 4. prosince 205 . přednáška. 0. 205 )
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
Více10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo
0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
Více5.1. Klasická pravděpodobnst
5. Pravděpodobnost Uvažujme množinu Ω všech možných výsledků náhodného pokusu, například hodu mincí, hodu kostkou, výběru karty z balíčku a podobně. Tato množina se nazývá základní prostor a její prvky
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
Více1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
Více1 Vektorové prostory.
1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
VíceUčební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty študenti MFF 15. augusta 2008 1 14 Vlastní čísla a vlastní hodnoty Požadavky Vlastní čísla a vlastní hodnoty lineárního
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceMatematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
VíceDiskrétní matematika. DiM /01, zimní semestr 2018/2019
Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2018/2019 O tomto souboru Tento soubor je zamýšlen především jako pomůcka
Vícepopulace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.
Populace a Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 populace soubor jednotek, o jejichž vlastnostech bychom
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
Více14. cvičení z PSI. 9. ledna Pro každý stav platí, že všechny hrany z něj vycházející mají stejnou pravděpodobnost.
4. cvičení z PSI 9. ledna 09 4. rozdělení po mnoha krocích) Markovův řetězec je dán obrázkem: 8 9 4 7 6 Pro každý stav platí, že všechny hrany z něj vycházející mají stejnou pravděpodobnost. a) Klasifikujte
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceDiskrétní matematika. DiM /01, zimní semestr 2016/2017
Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2016/2017 O tomto souboru Tento soubor je zamýšlen především jako pomůcka
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
Více1 Řešení soustav lineárních rovnic
1 Řešení soustav lineárních rovnic 1.1 Lineární rovnice Lineární rovnicí o n neznámých x 1,x 2,..., x n s reálnými koeficienty rozumíme rovnici ve tvaru a 1 x 1 + a 2 x 2 +... + a n x n = b, (1) kde koeficienty
VíceStochastické modely Informace k závěrečné zkoušce
Stochastické modely Informace k závěrečné zkoušce Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 10. února 2015 Průběh zkoušky. Zkouška je ústní s přípravou na potítku. Každý si vylosuje
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VícePoznámky k předmětu Aplikovaná statistika, 5.téma
Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné
VíceSoustavy lineárních rovnic a determinanty
Soustavy lineárních rovnic a determinanty Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny
Více12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)
cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi
Více5 Časové řady. Definice 16 Posloupnost náhodných veličin {X t, t T } nazveme slabě stacionární, pokud
5 Časové řady Časovou řadou rozumíme posloupnost reálných náhodných veličin X 1,..., X n, přičemž indexy t = 1,..., n interpretujeme jako časové okamžiky. Někdy však uvažujeme i nekonečné posloupnosti
VíceNáhodné jevy. Teorie pravděpodobnosti. Náhodné jevy. Operace s náhodnými jevy
Teorie pravděpodobnosti Náhodný pokus skončí jedním z řady možných výsledků předem nevíme, jak skončí (náhoda) příklad: hod kostkou, zítřejší počasí,... Pravděpodobnost zkoumá náhodné jevy (mohou, ale
VíceIB112 Základy matematiky
IB112 Základy matematiky Základy kombinatoriky a kombinatorická pravděpodobnost Jan Strejček Obsah IB112 Základy matematiky: Základy kombinatoriky a kombinatorická pravděpodobnost 2/57 Výběry prvků bez
VíceRiemannův určitý integrál
Riemannův určitý integrál 1. Motivační příklad Příklad (Motivační příklad pro zavedení Riemannova integrálu). Nechť,. Vypočtěme obsah vybarvené oblasti ohraničené grafem funkce, osou a svislými přímkami
VíceSoustavy lineárních rovnic
Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
VíceUčební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice študenti MFF 15. augusta 2008 1 7 Diferenciální rovnice Požadavky Soustavy lineárních diferenciálních rovnic prvního řádu lineární
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VíceMatematika. Kamila Hasilová. Matematika 1/34
Matematika Kamila Hasilová Matematika 1/34 Obsah 1 Úvod 2 GEM 3 Lineární algebra 4 Vektory Matematika 2/34 Úvod Zkouška písemná, termíny budou včas vypsány na Intranetu UO obsah: teoretická a praktická
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
Více1. Pravděpodobnost a statistika (MP leden 2010)
1. Pravděpodobnost a statistika (MP leden 2010) Pravděpodobnost pojmy 1. Diskrétní pravděpodobnostní prostor(definice, vlastnosti, příklad). Diskrétní pravděpodobnostní prostor je trojice(ω, A, P), kde
VícePravděpodobnostní metody
Pravděpodobnostní metody Úvod. Zákl. definice Definice (Jevy) Pro diskrétní pozorování: Ω lib. konečná nebo spočetná množ. pravděpodobnostní prostor, ω i Ω elementární jevy A, B, Ω jevy, odp. nějakým reálným
VícePříklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka
Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní
Více2. Definice pravděpodobnosti
2. Definice pravděpodobnosti 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematických struktur a algoritmů procesy dvojího druhu. Jednodušší jsou deterministické procesy,
VíceNáhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.
Základy teorie pravděpodobnosti Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Poznámka: Výsledek pokusu není předem znám (výsledek
VíceObsah. Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Pravděpodobnost. Pravděpodobnost. Děj pokus jev
Obsah Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Definice pojmů Náhodný jev Pravděpodobnost Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi;-) roman.biskup(at)email.cz
VíceÚvod do teorie pravděpodobnosti
Úvod do teorie pravděpodobnosti Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 9. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 33 Obsah 1 Náhodné jevy 2 Pravděpodobnost 3 Podmíněná
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
Více)(x 2 + 3x + 4),
3 IREDUCIBILNÍ ROZKLADY POLYNOMŮ V T [X] 3 Ireducibilní rozklady polynomů v T [x] - rozklady polynomů na ireducibilní (dále nerozložitelné) prvky v oboru integrity polynomů jedné neurčité x nad tělesem
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceP 1 = P 1 1 = P 1, P 1 2 =
1 Výpočet inverzní matice Věta 1 Necht P U elementární matice vzniklá el úpravou U Pak je P U regulární Důkaz: Protože elementární úprava U je invertovatelná, existuje el úprava U, která vrací změny U
Více8 Matice a determinanty
M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceSymetrické a kvadratické formy
Symetrické a kvadratické formy Aplikace: klasifikace kvadrik(r 2 ) a kvadratických ploch(r 3 ), optimalizace(mpi) BI-LIN (Symetrické a kvadratické formy) 1 / 20 V celé přednášce uvažujeme číselné těleso
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VícePravděpodobnost a její vlastnosti
Pravděpodobnost a její vlastnosti 1 Pravděpodobnost a její vlastnosti Náhodné jevy Náhodný jev je výsledek pokusu (tj. realizace určitého systému podmínek) a jeho charakteristickým rysem je, že může, ale
VíceMKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. března 2014, 12:42 1 2 0.1 Násobení matic Definice 1. Buďte m, n, p N, A
VíceUspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ). Čísla a 1, a 2,..., a n se nazývají složky vektoru
1 1. Lineární algebra 1.1. Lineární závislost a nezávislost vektorů. Hodnost matice Aritmetické vektory Uspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ).
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
Více6. Vektorový počet Studijní text. 6. Vektorový počet
6. Vektorový počet Budeme se pohybovat v prostoru R n, což je kartézská mocnina množiny reálných čísel R; R n = R R. Obvykle nám bude stačit omezení na případy n = 1, 2, 3; nicméně teorie je platná obecně.
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
Více14. cvičení z PSI. 9. ledna 2018
cvičení z PSI 9 ledna 08 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Příslušný
VíceDistribuční funkce je funkcí neklesající, tj. pro všechna
Téma: Náhodná veličina, distribuční funkce a její graf, pravděpodobnostní funkce a její graf, funkce hustoty pravděpodobnosti a její graf, výpočet střední hodnoty a rozptylu náhodné veličiny 1 Náhodná
Více