prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií"

Transkript

1 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 a statistika BI-PST, LS 2010/11, Přednáška 8 Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 1 / 19

2 Rekapitulace Podmíněná hustota pravděpodobnosti f X A náhodné veličiny X podmíněná jevem A: hustota f X A pro kterou P(X B A) = B f X A(x)dx. f X X D (x) = { fx (x) D fx (t)dt pro x D, 0 jindy. Úplný rozklad pro hustoty : f X (x) = n i=1 f X A i (x)p(a i ). Podmínění náhodné veličiny X náhodnou veličinou Y : f X Y (x y) = f X,Y (x, y), P(X A Y = y) = f Y (y) f X Y (x y)dx. A Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 2 / 19

3 Rekapitulace Podmíněné střední hodnoty : E(X A) = x f X A (x)dx a E(X Y = y) = x f X Y (x y)dx. n E(X) = P(A i )E(X A i ) a E(X) = E(X Y = y)f Y (y)dy. i=1 Poslední rovnost můžeme interpretovat jako tvrzení o střední hodnotě náhodné veličiny E(X Y) která nabývá hodnoty E(X Y = y) kdykoliv Y = y. A sice, E(E(X Y)) = E(X). Bayesova formule : f X Y (x y) = f X (x)f Y X (y x) f X(t)f Y X (y t)dt a P(N = n Y = y) = p N(n)f Y N (y n) k p N(k)f Y N (y, k). Kovariance náhodných veličin X a Y : Cov(X, Y) = E(XY) E(X)E(Y). Korelační coeficient náhodných veličin X a Y : ρ(x, Y) = Cov(X,Y). var(x)var(y) Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 3 / 19

4 Generující funkce Definice Definice Generující funkce (či přesněji, moment generující funkce) náhodné veličiny X je funkce M(s) = M X (s) definovaná vztahem M(s) = E(e sx ). Tj. pro diskrétní či spojitou veličinu, M(s) = k e sk p X (k), M(s) = e sx f X (x)dx. Generující funkce jednoznačně určuje hustotu f X (resp. funkci p X ) pro veličinu X. Speciálně, umožňuje vypočítat momenty veličiny X: Věta Pro náhodnou veličinu X s generující funkcí M(s) platí: E(X n ) = d n ds n M(s) s=0. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 4 / 19

5 Generující funkce Příklady generujících funkcí Příklady Poissonova náhodná veličina : p X (k) = λk e λ k!, k = 0, 1,... Dostáváme: d 2 ds 2 eλ(e M(s) = k=0 e sk λk e λ k! d s ds eλ(e 1) = λe s e λ(es 1) s 1) = ( (λe s ) 2 + λe s) e λ(es 1) = e λ(es 1). = E(X) = λ, = E(X 2 ) = λ + λ 2 a var(x) = λ. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 5 / 19

6 Generující funkce Příklady generujících funkcí Příklady (pokračování) Exponenciální náhodná veličina : f X (x) = λe λx, x 0. Pak M(s) = λ 0 e sx e λx = λ e(s λ)x s λ 0 = λ λ s. Všimněte si, že M(s) je definována jen pro s [0, λ). Pro s λ integrál diverguje. Odsud d 2 ds 2 d ds λ λ s = λ λ s = λ (λ s) 2 = E(X) = 1 λ, 2λ (λ s) 3 = E(X 2 ) = 2 λ 2 a var(x) = 1 λ 2. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 6 / 19

7 Generující funkce Sumy nezávislých náhodných veličin Sčítání náhodných veličin odpovídá násobení jejich generujících funkcí Pro Z = X + Y máme M Z (s) = E(e sz ) = E(e s(x+y) ) = E(e sx e sy ) = = E(e sx )E(e sy ) = M X (s)m Y (s). Platí obecně: pro nezávislý soubor náhodných veličin X 1,..., X n, Z = X X n = M Z (s) = M X1 (s) M Xn (s). Příklad Nechť X 1,..., X n jsou nezávislě Bernoulliovy náhodné veličiny s parametrem p. Pak M Xi (s) = (1 p)e 0s + pe 1s = 1 p + pe s, i = 1,..., n. Náhodná veličina Z = X X n (n hodů falešnou mincí) je binomiální s parametry n a p. Její generující funkce je M Z (s) = ( 1 p + pe s)n. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 7 / 19

8 Generující funkce Sumy nezávislých náhodných veličin Příklad (pokračování) Nechť X a Y jsou nezávislě Poissonovy náhodné veličiny s parametry λ a µ a nechť Z = X + Y. Pak M Z (s) = M X (s)m Y (s) = e λ(es 1) e µ(e s 1) = e (λ+µ)(es 1). Z je opět Poissonova náhodná veličiny s parametrem λ + µ : λ µ (λ + µ)k P(Z = k) = e. k! Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 8 / 19

9 Oč jde? V limitních teorémech jde o chování velkých datových souborů. Mějme posloupnost X 1, X 2,... nezávislých náhodných veličin, každou z nich s identickým pravděpodobnostním rozložením ( i.i.d. ) se střední hodnotou µ a variancí σ 2. Nechť S n = X X n je suma prvních n z nich. Jde nám o chování veličiny S n (a veličin s ní příbuzných) pro velká n. Díky nezávislosti máme var(s n ) = var(x 1 ) + + var(x n ) = nσ 2. Rozptyl veličiny S n roste a nemůže tedy mít smysluplnou limitu. Jinak je to se střední hodnotou vzorku : Máme M n = X X n n = S n n. E(M n ) = µ, a var(m n ) = σ2 n Variance M n se zmenšuje s n, a veličina M n by měla být rozložena blízko okolo µ. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 9 / 19

10 Oč jde? Veličina mezi S n a M n : od S n odečteme nµ aby střední hodnota byla 0 a pak dělíme σ n aby rozptyl byl 1: Z n = S n nµ σ n. Pro tuto veličinu máme E(Z n ) = 0 a var(z n ) = 1: její rozložení zůstává kostantní s n. Pravděpodobnostní rozložení Z n se ani nerozplývá ani nekolabuje s n: asymptotické rozložení Z n je pro velké n blízko k standardnímu normálnímu rozložení: to je centrální limitní věta. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 10 / 19

11 Markovova nerovnost Věta (Markovova nerovnost) Je-li X nezáporná náhodná veličina, pak P(X a) E(X) a pro každé a > 0. Důkaz. Nechť A = {X a}. Pak X ai A. Vezměme střední hodnotu z této nerovnosti. Příklad Nechť X je stejnoměrně rozložené na intervalu [0, 4]. Pak P(X 2) 2 2 = 1, P(X 3) 2 3 = 0.67, P(X 4) 2 4 = 0.5. Srovnejme s přesnými hodnotami P(X 2) = 0.5, P(X 3) = 0.25, P(X 4) = 0. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 11 / 19

12 Čebyševova nerovnost Věta (Čebyševova nerovnost) Pokud X je náhodná veličina se střední hodnotou µ a variancí σ 2, platí P( X µ c) σ2 pro každé c > 0. c 2 Důkaz. Použijeme Markovovu nerovnost pro veličinu (X µ) 2 s a = c 2, P( X µ c) = P( X µ 2 c 2 ). Pro c = kσ dostáváme P( X µ kσ) σ2 k 2 σ 2 = 1 k 2. Příklad Pro uvažovaný příklad se stejnoměrným rozložením dostáváme P( X 2 1) 4, což je prázdné tvrzení vzhledem k tomu, že každá 3 pravděpodobnost je nejvýše 1. Skutečná hodnota této pravděpodobnosti je 1/2. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 12 / 19

13 Čebyševova nerovnost Poznámka Čebyševova nerovnost je v obecném případě nejlepší možná. Pro každé c existuje X pro které je to rovnost: Stačí vzít X s rozložením P(X = +c) = P(X = c) = 1. Pak E(X) = 0, 2 var(x) = c 2 a tedy P( X µ c) = var(x) = 1. c 2 Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 13 / 19

14 Slabý zákon velkých čísel Uvažujme, M n = X1+ +Xn, E(M n n ) = µ, a var(m n ) = σ2. n Podle Čebyševovy nerovnosti, P( M n µ c) σ2 pro každé c > 0. Tedy, nc 2 Věta (Slabý zákon velkých čísel) Nechť X 1, X 2,... jsou nezávislé identicky rozdělené náhodné veličiny se střední hodnotou µ. Pro každé ɛ > 0 platí P( M n µ ɛ) = P ( X X n n µ ɛ ) 0 při n. Ve speciálním případě kdy X i = I A s P(A) = p pro nějaký náhodný jev A, je M n empirická četnost jevu A. Zákon velkých čísel pak říká, že emirická četnost se blíží střední hodnotě E(I A ) = P(A) = p: empirická četnost je dobrým odhadem pravděpodobnosti p, nebo naopak, pravděpodobnost p je četnost výskytu události A. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 14 / 19

15 Konvergence v pravděpodobnosti Máme lim n a n = a: ɛ > 0 n 0 such that a n a ɛ for all n n 0. Podobně: Definice Nechť X 1, X 2,... je posloupnost náhodných (ne nutně nezávislých) veličin a nechť a je reálné číslo. Řekneme, že posloupnost X n konverguje k a v pravděpodobnosti, jestliže pro každé ɛ > 0. lim n P( X n a ɛ) = 0 Slabý zákon velkých čísel: střední hodnota M n konverguje v pravděpodobnosti k a. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 15 / 19

16 Centrální limitní věta Empirická střední hodnota M n je koncentrovaná těsně okolo µ, prostý součet S n = nm n roste k nekonečnu s rostoucí variancí. Veličina mezi S n and M n je Z n = Sn nµ σ s E(Z n n ) = 0 a var(z n ) = 1. Věta (Centrální limitní věta) Nechť X 1, X 2,... je posloupnost nezávislých identicky rozložených náhodných veličin se společnou střední hodnotou µ a variancí σ 2 a nechť Z n = X X n nµ σ. n Pak distribuční funkce veličiny Z n konverguje k distribuční funkci standardního normálního rozložení Φ(z) = 1 z 2π e x 2 /2 dx, v tom smyslu, že lim n P(Z n z) = Φ(z), pro každé z. Idea důkazu: M Zn (s) = (M X ( s σ n ))n, M X (s) σ2 s 2 + o(s 2 ) a (1 + s2 2n )n e s2 /2. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 16 / 19

17 Centrální limitní věta Význam centrální limitní věty je v možnosti aproximovat sumu náhodných veličin: Algoritmus Nechť S n = X X n kde X k jsou nezávislé identicky rozložené náhodné veličiny se společnou střední hodnotou µ a variancí σ 2. Je-li n velké, můžeme pravděpodobnost P(S n c) aproximovat pomocí následujících kroků: 1. Vypočtěte střední hodnotu nµ a varianci nσ 2 náhodné veličiny S n. 2. Vypočtěte normalizovanou hodnotu z = (c nµ)/σ n. 3. Použijte aproximaci P(S n c) Φ(z), kde Φ(z) se získá z tabulek standardního normálního rozložení. Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 17 / 19

18 Silný zákon velkých čísel Intuice: hodíme si mincí 100 krát. Střední hodnota se s malou pravděpodobností může podstatně lišit od 1/2, ale tato deviace by měla postupně zmizet jestliže v házení mincí budeme pokračovat. Definice (Konvergence P-skoro jistě) Nechť Y, Y 1, Y 2,... je posloupnost náhodných veličin na (Ω, F, P). Posloupnost (Y i ) i 1 konverguje skoro jistě k Y, pokud P ( ω Ω : Y n (ω) Y(ω) ) = 1. Lemma skoro jistě = v pravděpodobnosti. Důkaz. P( Y n Y ɛ) P(sup Y k Y ɛ) k n n P( Y k Y ɛ pro mnoho k) P(Y k Y) Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 18 / 19

19 Silný zákon velkých čísel Příklad Opačná implikace neplatí: Uvažujme posloupnost Y k na intervalul [0, 1] se stejnoměrným pravděpodobnostním rozdělením P, definovanou vztahem Y k = I m2 n,(m+1)2 n pro každé k = 2 n + m s 0 m < 2 n. Pak Y P k 0, ale nekonverguje k 0 skoro jistě. Věta (Silný zákon velkých čísel) Nechť (X i ) i 1 je posloupnost po dvou nekorelovaných náhodných veličin s konečným druhým momentem a omezenou variancí, v := sup i var(x i ) <. Pak 1 n n (X i E(X i )) 0 skoro jistě. i=1 Roman Kotecký, Rudolf Blažek (FIT ČVUT) Limitní věty BI-PST, LS 2010/11, Přednáška 8 19 / 19

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

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 11 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Cvičení 3 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

Rovnoměrné rozdělení

Rovnoměrné rozdělení Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot

Více

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

Střední 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

Více

6.1 Normální (Gaussovo) rozdělení

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

Více

Malé statistické repetitorium Verze s řešením

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

Více

8 Střední hodnota a rozptyl

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

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou) Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

Více

Posloupnosti a jejich konvergence POSLOUPNOSTI

Posloupnosti a jejich konvergence POSLOUPNOSTI Posloupnosti a jejich konvergence Pojem konvergence je velmi důležitý pro nediskrétní matematiku. Je nezbytný všude, kde je potřeba aproximovat nějaké hodnoty, řešit rovnice přibližně, používat derivace,

Více

Deset přednášek z teorie statistického a strukturního rozpoznávání

Deset přednášek z teorie statistického a strukturního rozpoznávání Monografie Deset přednášek teorie statistického a strukturního roponávání Michail I. Schlesinger, Václav Hlaváč Praha 1999 Vydavatelství ČVUT 1. přednáška Bayesovská úloha statistického rohodování 1.1

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

METRICKÉ A NORMOVANÉ PROSTORY

METRICKÉ A NORMOVANÉ PROSTORY PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme

Více

19 Hilbertovy prostory

19 Hilbertovy prostory M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY 4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být

Více

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

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

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

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

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

Více

Ω = 6 6 3 = 1 36 = 0.0277,

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

Více

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

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

Více

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Mirko Navara Centrum strojového vnímání katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://cmp.felk.cvut.cz/ navara/mvt http://cmp.felk.cvut.cz/

Více

BAKALÁŘSKÁ PRÁCE. Lorenzova křivka

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

Více

Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.

Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2. Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace

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

opravdu považovat za lepší aproximaci. Snížení odchylky o necelá dvě procenta

opravdu považovat za lepší aproximaci. Snížení odchylky o necelá dvě procenta Řetězové zlomky a dobré aproximace Motivace Chceme-li znát přibližnou hodnotu nějakého iracionálního čísla, obvykle používáme jeho (nekonečný) desetinný rozvoj Z takového rozvoje, řekněme z rozvoje 345926535897932384626433832795028849769399375

Více

Základy pravděpodobnosti poznámky. Jana Klicnarová

Základy pravděpodobnosti poznámky. Jana Klicnarová Základy pravděpodobnosti poznámky Jana Klicnarová 1 V této části připomeneme základní pojmy a vztahy pro práci s náhodou. 0.1 Náhodné jevy Uvažujme situace, které mohou a nemusí nastat a o kterých v nějakém

Více

Národní informační středisko pro podporu kvality

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

Více

Cíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí

Cíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí Cíle lokalizace Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí 2 Jiný pohled Je to problém transformace souřadnic Mapa je globální souřadnicový systém nezávislý

Více

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

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

Více

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

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

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Historie matematiky a informatiky Cvičení 2

Historie matematiky a informatiky Cvičení 2 Historie matematiky a informatiky Cvičení 2 Doc. RNDr. Alena Šolcová, Ph. D., KAM, FIT ČVUT v Praze 2014 Evropský sociální fond Investujeme do vaší budoucnosti Alena Šolcová Číselně teoretické funkce (Number-Theoretic

Více

24.11.2009 Václav Jirchář, ZTGB

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

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12

Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12 Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı České vysoké učení technické v Praze c Kateřina Trlifajová, 2010 BI-MLO, ZS 2011/12 Evropský sociální

Více

Matematická analýza 1b. 9. Primitivní funkce

Matematická analýza 1b. 9. Primitivní funkce Matematická analýza 1b 9. Primitivní funkce 9.1 Základní vlastnosti Definice Necht funkce f je definována na neprázdném otevřeném intervalu I. Řekneme, že funkce F je primitivní funkce k f na I, jestliže

Více

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA

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

Více

Vlastní číslo, vektor

Vlastní číslo, vektor [1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost

Více

Základní pojmy o signálech

Základní pojmy o signálech Základní pojmy o signálech klasifikace signálů transformace časové osy energie a výkon periodické signály harmonický signál jednotkový skok a impuls Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz

Více

Simulace. Simulace dat. Parametry

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

Více

Opora k předmětu. Základy statistiky. Autor: Tomáš Kopf. Datum: 3. ledna 2014

Opora k předmětu. Základy statistiky. Autor: Tomáš Kopf. Datum: 3. ledna 2014 Opora k předmětu Základy statistiky Autor: Tomáš Kopf Datum: 3. ledna 2014 Fakulta veřejných politik v Opavě Slezská univerzita v Opavě Opava 2013 Raději statistiku, než tlachy, raději přímá měření, než

Více

Statistika v příkladech

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

Více

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

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

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY učební text Jan Famfulík Jana Míková Radek Krzyžanek Ostrava 2007 Recenze: Prof. Ing. Milan Lánský, DrSc. Název: Teorie údržby Autor: Ing.

Více

Obsah. I. Objektivní pravděpodobnosti. 1. Pravděpodobnost a relativní četnosti... 23

Obsah. I. Objektivní pravděpodobnosti. 1. Pravděpodobnost a relativní četnosti... 23 Obsah Předmluva... 15 I. Objektivní pravděpodobnosti 1. Pravděpodobnost a relativní četnosti... 23 1.1 Úvod... 23 1.2 Základy frekvenční interpretace... 24 1.2.1 Pravděpodobnost a hromadné jevy... 24 1.2.2

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

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

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

Více

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

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

Více

Zákony hromadění chyb.

Zákony hromadění chyb. Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky

Více

Kapitola 1. Základy teorie pravděpodobnosti

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

Více

Výroková logika dokazatelnost

Výroková logika dokazatelnost Výroková logika dokazatelnost Ke zjištění, zda formule sémanticky plyne z dané teorie (množiny formulí), máme k dispozici tabulkovou metodu. Velikost tabulky však roste exponenciálně vzhledem k počtu výrokových

Více

Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost

Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen společnost) stanoví k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen osvědčení) následující

Více

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

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

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Mirko Navara Centrum strojového vnímání katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://cmp.felk.cvut.cz/ navara/mvt http://cmp.felk.cvut.cz/

Více

ADZ základní statistické funkce

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

Více

množinu definujeme axiomaticky: nesnažíme se ji zkonstruovat (dokonce se ani nezabýváme otázkou,

množinu definujeme axiomaticky: nesnažíme se ji zkonstruovat (dokonce se ani nezabýváme otázkou, Matematická analýza I přednášky M. Málka cvičení A. Hakové a R. Otáhalové Zimní semestr 2004/05 2. Reálná čísla, funkce reálné proměnné V této kapitole zavádíme množinu, na níž stojí celá matematická analýza:

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V.

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V. Učební texty k přednášce ALGEBRAICKÉ STRUKTURY Michal Marvan, Matematický ústav Slezská univerzita v Opavě 15. Moduly Definice. Bud R okruh, bud M množina na níž jsou zadány binární operace + : M M M,

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

MATURITNÍ TÉMATA Z MATEMATIKY

MATURITNÍ TÉMATA Z MATEMATIKY MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické

Více

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A středa 19. listopadu 2014, 11:20 13:20 ➊ (8 bodů) Rozhodněte o stejnoměrné konvergenci řady n 3 n ( ) 1 e xn2 x 2 +n 2 na množině A = 0, + ). ➋

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

Obsah. 3 Testy 31 3.1 z test... 32 3.2 z test 2... 33 3.3 t test... 34 3.4 t test 2s... 35

Obsah. 3 Testy 31 3.1 z test... 32 3.2 z test 2... 33 3.3 t test... 34 3.4 t test 2s... 35 Obsah 1 Popisná statistika 4 1.1 bas stat........................................ 5 1.2 mean.......................................... 6 1.3 meansq........................................ 7 1.4 sumsq.........................................

Více

(ne)závislost. α 1 x 1 + α 2 x 2 + + α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0.

(ne)závislost. α 1 x 1 + α 2 x 2 + + α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0. Lineární (ne)závislost [1] Odečítání vektorů, asociativita BI-LIN, zavislost, 3, P. Olšák [2] Místo, abychom psali zdlouhavě: x + ( 1) y, píšeme stručněji x y. Vektoru y = ( 1) y říkáme opačný vektor k

Více

STATISTICKÉ TESTY VÝZNAMNOSTI

STATISTICKÉ TESTY VÝZNAMNOSTI STATISTICKÉ TESTY VÝZNAMNOSTI jsou statistické postupy, pomocí nichž ověřujeme, zda mezi proměnnými existuje vztah (závislost, rozdíl). Pokud je výsledek šetření statisticky významný (signifikantní), znamená

Více

Vlastnosti regulárních jazyků

Vlastnosti regulárních jazyků Vlastnosti regulárních jazyků Podobně jako u dalších tříd jazyků budeme nyní zkoumat následující vlastnosti regulárních jazyků: vlastnosti strukturální, vlastnosti uzávěrové a rozhodnutelné problémy pro

Více

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 STATISTIKA CVIČENÍ Č. 7 4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické

Více

Me neˇ nezˇ minimum ze statistiky Michaela S ˇ edova KPMS MFF UK Principy medicı ny zalozˇene na du kazech a za klady veˇdecke prˇı pravy 1 / 76

Me neˇ nezˇ minimum ze statistiky Michaela S ˇ edova KPMS MFF UK Principy medicı ny zalozˇene na du kazech a za klady veˇdecke prˇı pravy 1 / 76 1 / 76 Méně než minimum ze statistiky Michaela Šedová KPMS MFF UK Principy medicíny založené na důkazech a základy vědecké přípravy Příklad Studie syndromu náhodného úmrtí dětí. Dvě skupiny: Děti, které

Více

Základní pojmy a úvod do teorie pravděpodobnosti. Ing. Michael Rost, Ph.D.

Základní pojmy a úvod do teorie pravděpodobnosti. Ing. Michael Rost, Ph.D. Základní pojmy a úvod do teorie pravděpodobnosti Ing. Michael Rost, Ph.D. Co je to Statistika? Statistiku lze definovat jako vědní obor, zabývající se hromadnými jevy a procesy. Statistika zahrnuje jak

Více

Definiční obor funkce více proměnných, vrstevnice apod.

Definiční obor funkce více proměnných, vrstevnice apod. vičení 1 Definiční obor funkce více proměnných, vrstevnice apod. 1. Najděte definiční obor funkce fx, y = x y + y x. Řešení: D f = { x y a y x }, což je konvexní množina omezená křivkami x = y a y = x.

Více

Zdroje chyb. Absolutní a relativní chyba. Absolutní chyba. Absolutní chyba přibližného čísla a se nazývá absolutní hodnota rozdílu přesného

Zdroje chyb. Absolutní a relativní chyba. Absolutní chyba. Absolutní chyba přibližného čísla a se nazývá absolutní hodnota rozdílu přesného Zdroje chyb. Absolutní a relativní chyba. Absolutní chyba Absolutní chyba přibližného čísla a se nazývá absolutní hodnota rozdílu přesného čísla A a přibližného čísla a = A a. Je třeba rozlišovat dva případy:

Více

Národníinformačnístředisko pro podporu jakosti

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

Více

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

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

Více

1. Základy teorie přenosu informací

1. Základy teorie přenosu informací 1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.

Více

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Rainer Scharf, Félix M. Izrailev, 1990 rešerše: Pavla Cimrová, 28. 2. 2012 1 Náhodné matice Náhodné matice v současnosti nacházejí

Více

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D.

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. STATISTIKA LS 2013 Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. Cvičící: Ing. Ondřej Grunt RNDr. Pavel Jahoda, Ph.D. Ing. Kateřina Janurová Mgr. Tereza

Více

Týden 11. Přednáška. Teoretická informatika průběh výuky v semestru 1. Nejprve jsme dokončili témata zapsaná u minulé přednášky.

Týden 11. Přednáška. Teoretická informatika průběh výuky v semestru 1. Nejprve jsme dokončili témata zapsaná u minulé přednášky. Teoretická informatika průběh výuky v semestru 1 Týden 11 Přednáška Nejprve jsme dokončili témata zapsaná u minulé přednášky. PSPACE, NPSPACE, PSPACE-úplnost Uvědomilijsmesi,ženapř.prozjištěnítoho,zdaBílýmánějakoustrategiivehřeŠACHY,

Více

Matematika pro informatiku 4

Matematika pro informatiku 4 Matematika pro informatiku 4 Doc. RNDr. Alena Šolcová, Ph. D., KTI FIT ČVUT v Praze 7.března 2011 Evropský sociální fond Investujeme do vaší budoucnosti Alena Šolcová Lámejte si hlavu - L1 Určete všechny

Více

1 Mnohočleny a algebraické rovnice

1 Mnohočleny a algebraické rovnice 1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem

Více

5. Interpolace a aproximace funkcí

5. Interpolace a aproximace funkcí 5. Interpolace a aproximace funkcí Průvodce studiem Často je potřeba složitou funkci f nahradit funkcí jednodušší. V této kapitole budeme předpokládat, že u funkce f známe její funkční hodnoty f i = f(x

Více

4. Topologické vlastnosti množiny reálných

4. Topologické vlastnosti množiny reálných Matematická analýza I přednášky M. Málka cvičení A. Hakové a R. Otáhalové Zimní semestr 2004/05 4. Topologické vlastnosti množiny reálných čísel V této kapitole definujeme přirozenou topologii na množině

Více

Optimalizace portfolia a míry rizika. Pavel Sůva

Optimalizace portfolia a míry rizika. Pavel Sůva Základní seminář 6. října 2009 Obsah Úloha optimalizace portfolia Markowitzův model Míry rizika Value-at-Risk Conditional Value-at-Risk Drawdown míry rizika Minimalizační formule Optimalizační modely Empirická

Více

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0. Nalezněte definiční obor funkce Diferenciální počet f = ln arcsin + Definiční obor funkce f je určen vztahy Z těchto nerovností plyne < + ln arcsin + je tedy D f =, Určete definiční obor funkce arcsin

Více

Průzkumová analýza dat

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

Více