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

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

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

Transkript

1 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 pravděpodobosti rozdělují a dva typy: zákoy velkých čísel a tzv. klasické (cetrálí limití věty. Obsah zákoa velkých čísel lze zhruba popsat takto: Nechť jsou áhodé veličiy X,..., X,... defiovaé a stejém pravděpodobostím prostoru (Ω, A, P. Utvoříme-li posloupost aritmetických průměrů {Y = i= [X i E(X i ]}, ztrácí prvky této poslouposti s rostoucím svůj áhodý charakter a blíží se ule v ásledujícím smyslu: lim P( Y ε = 0, ε > 0. Aritmetické průměry Y = i= [X i E(X i ] se pro velká chovají jako kostata ula. Obsahem cetrálích limitích vět je tvrzeí, že distribučí fukce F Y součtů áhodých veliči Y = i= X i kovergují za určitých předpokladů pro k distribučí fukci ormálího ebo Poissoova rozděleí. Vzhledem k rozsahu tohoto učebího textu se omezíme a jedodušší případy a ěkteré věty uvedeme bez důkazů. 9.. Slabý záko velkých čísel V dalším textu budeme předpokládat, že všechy uvažovaé áhodé veličiy jsou defiováy a stejém pravděpodobostím prostoru (Ω, A, P. Defiice 9. [kovergece podle pravděpodobosti] Říkáme, že posloupost áhodých veliči X, X 2,... koverguje podle pravděpodobosti k áhodé veličiě X, platí-li pro každé ε > 0 ebo ekvivaletě lim P( X X ε = 0, lim P( X X < ε =. Ozačujeme: X P X pro. 83

2 Defiice 9.2 Řekeme, že se posloupost áhodých veliči {X } řídí slabým zákoem velkých čísel, jestliže posloupost {Y = [X j E(X j ]} koverguje podle pravděpodobosti k ule, tj. jestliže ( lim P [X j E(X j ] ε = 0, ε > 0. ( V dalších větách jsou uvedey ěkteré postačující podmíky pro to, aby se posloupost {X } řídila slabým zákoem velkých čísel. IX.3 Věta. [Čebyševova] Nechť {X } je posloupost po dvou ezávislých áhodých veliči, které mají stejoměrě omezeé rozptyly, tj. existuje číslo c 0 ezávislé a takové, že var(x c, N. Potom se posloupost {X } řídí slabým zákoem velkých čísel, tj. [X i E(X i ] P 0 pro. i= Důkaz. Ozačme Y = X j, N. Potom E(Y = E(X j a podle Čebyševovy erovosti ( 0 P( Y E(Y ε = P X j E(X j ε var(y = var( X j = var(x j c ε 2 ε 2 2 ε 2 2 ε = c 2 ε 0 pro. 2 V praxi se užívají ásledující dva důsledky Čebyševovy věty. IX.4 Věta. [Beroulliho] Nechť je áhodá veličia Y rova počtu úspěchů v poslouposti ezávislých alterativích áhodých pokusů takových, že v každém pokuse astae úspěch s pravděpodobostí p (0,. Pak pro posloupost { Y } relativích četostí úspěchů v pokusech platí Y P p pro. IX.5 Věta. [o aritmetickém průměru] Nechť {X } je posloupost po dvou ezávislých áhodých veliči, které mají stejé středí hodoty a stejoměrě omezeé rozptyly, tj. Potom E(X = a, var(x b, N, a R, 0 b <. X P j a pro. Marek, J.: Pravděpodobost a matematická statistika 84

3 IX.6 Věta. [Markovova] Nechť posloupost áhodých veliči {X } splňuje podmíku [ ( ] lim var X 2 j = 0. Pak pro libovolé ε > 0 platí ( lim P [X j E(X j ] ε = 0, tj. posloupost se řídí slabým zákoem velkých čísel. Důkaz. Užitím Čebyševovy erovosti obdobě jako v důkaze Čebyševovy věty ( ( 0 P [X j E(X j ] ε = P X j E(X j ε var( X [ j = ( ] ε 2 ε 2 var X 2 j 0 pro. IX.7 Věta. [Chičiova] Nechť {X } je posloupost ezávislých áhodých veliči, které mají stejé rozděleí pravděpodobostí s koečou středí hodotou E(X = µ, N. Potom pro libovolé ε > 0 platí ( lim P X j µ ε = 0, tj. X j P µ pro Klasické (cetrálí limití věty V úvodu kapitoly jsme popsali obsah cetrálích limitích vět teorie pravděpodobosti. Jsou to věty, které formulují předpoklady uté k tomu, aby distribučí fukce součtů X j áhodých veliči kovergovaly pro k distribučí fukci ormálího ebo Poissoova rozděleí. Tyto věty se často užívají v matematické statistice a v růzých aplikacích počtu pravděpodobosti (apř. ve stochastických metodách. IX.8 Věta. [cetrálí limití] Nechť {X } je posloupost ezávislých, stejě rozděleých áhodých veliči s koečou středí hodotou µ a s koečým eulovým rozptylem σ 2. Potom posloupost distribučích fukcí ormovaých součtů Z = X k E( k X k var( X = (X k µ k σ, IX Limití věty. 85

4 koverguje a R k distribučí fukci ormovaého ormálího rozděleí N(0,, tj. ( lim P (X k µ σ x = x e t2 2 dt = Φ(x, x R. 2π (2 Pozámka. Tvrzeí věty formulujeme stručě takto: Náhodá veličia Z koverguje pro k áhodé veličiě X N(0, v distribuci. Zapisujeme L (Z L (X. Rychlost kovergece ve vztahu (?? určuje tzv. Berry-Esséova erovost ozačíme-li symbolem F (x distribučí fukci áhodé veličiy Z z věty??, platí F (x Φ(x E X i µ 3 σ 3, x R. Řád přiblížeí k distribučí fukci Φ(x ormovaého ormálího rozděleí je O( 2. Při pevém je aproximace tím lepší, čím meší je charakteristika σ 3 E X i µ 3 společého rozděleí áhodých veliči X, X 2,.... IX.9 Věta. [itegrálí věta Moivreova Laplaceova] Nechť áhodá veličia Y má N biomické rozděleí Bi(, p. Ozačme F (x distribučí fukci áhodé veličiy Potom platí Z = Y p p( p. lim F (x = x e t2 2 dt = Φ(x, x R. 2π Důkaz. Tvrzeí plye ihed z věty??. Y = k= X k, kde X,..., X jsou ezávislé áhodé veličiy se stejým alterativím rozděleím. µ = E(X k = p, σ 2 = var(x k = p( p (0,. Normovaé součty 4 Z odpovídají ormovaým součtům v citovaé větě. Pozámka. Je-li Y Bi(, p, lze v praxi často užít toho, že pro dostatečě velká má áhodá veličia Z = Y p, p( p přibližě ormálí rozděleí N(0,, ebo jiak formulováo, že pro velká má biomická áhodá veličia Y přibližě ormálí rozděleí N(p, p( p. Marek, J.: Pravděpodobost a matematická statistika 86

5 Tato tvrzeí o asymptotické ormalitě biomického rozděleí se často užívají v aplikacích, apř. pro výpočet pravděpodobostí ( p k ( p k k = P ( P(Y y = k y Y p p( p y p p( p (. = Φ y p, p( p je-li velké. Aproximace se považuje za vyhovující, je-li p( p > 9, < p <, viz [?, str. 36]. + + Příklad 9.0 (viz [?, str. 90] Mějme geerátor, který vytváří áhodě a ezávisle číslice a 0 se stejou pravděpodobostí. Vytvořme posloupost 0 4 těchto cifer. Jaká je pravděpodobost (při- 2 bližě, že četost jediček bude v mezích 4900 až 500? Ozačme Y četost jediček v uvedeé poslouposti, Y Bi( = 0 4, p =. Tedy E(Y = p = 5000, var(y = p( p = 2500, 2 var(y = 50. Nerovost, která ás zajímá, 4900 Y 500, je rovoceá erovosti Y Ozačme Z = Y ormovaou áhodou veličiu. Podle předchozí pozámky dostaeme výsledek P(4900 Y 500 = P( Z 2. = 2Φ(2 = Numerickou hodotu posledího výrazu ajdeme pomocí tabulek hodot distribučí fukce Φ(x rozděleí N(0,. Příklad 9. (viz [?, str. 90] Bylo sečteo 300 čísel zaokrouhleých a jedo desetié místo. Vyšetřujme chybu tohoto součtu, která vzikla zaokrouhleím sčítaců. Zaokrouhlovací chyba jedoho sčítace epřesáhe 0.05 v absolutí hodotě. Výpočetí zkušeost však ukazuje, že chyba součtu bude zpravidla mohem meší, eboť chyby ze zaokrouhleí se mohou vzájemě kompezovat. Předpokládejme, že zaokrouhlovací chyby X k, k =,..., 300, jedotlivých sčítaců jsou ezávislé áhodé veličiy, které mají rovoměré rozděleí a itervalu ( 0.05; Tedy µ = E(X k = 0, σ 2 = var(x k = 200. Chyba součtu je pak Y 300 = 300 X k, ormovaá chyba Z 300 = Y = 2Y 300 IX Limití věty. 87

6 a tato veličia má (přibližě ormovaé ormálí rozděleí. Pravděpodobost, že chyba součtu epřekročí v absolutí hodotě daé číslo ε > 0 je tedy P( Y 300 ε = P( Z 300 2ε. = 2Φ(2ε. Aproximace biomického rozděleí rozděleím ormálím je ejlepší pro p blízká. Při malých hodotách p ebo při hodotách p 2 blízkých tato aproximace eí dobrá (její zlepšeí dosáheme pouze zvyšováím a je třeba užít aproximace biomického rozděleí rozděleím Poissoovým. IX.2 Věta. [Poissoova] Uvažujme ásledující posloupost ezávislých sérií pokusů: V -té sérii je ezávislých alterativích pokusů takových, že v každém pokuse astae jev A (úspěch s pravděpodobostí p (0,. Nechť áhodá veličia X je rova počtu úspěchů, které astaly v -té sérii. Jestliže lim p = 0, pak [ ] lim P (X = k e λ λk pro k = 0,,..., kde λ = p. Důkaz. P(X = k = = 0, ( p k k ( p k, k = 0,,...,, N. Uvažujme pevé k a pevé ε > 0. Protože platí existuje A > 0 takové, že x k x e x k lim x x e 2 = 0, ε 2, pro x A. (3 2 Ozačme B = { : 2k, p A}. Protože x < e x pro 0 x, platí pro B ( ( k + P(X = k = p k ( p k = ( = ( 2 ( k (p k e p ( k (p k (p k ( p k e p 2 ε 2, (4 Marek, J.: Pravděpodobost a matematická statistika 88

7 kde jsme použili vztah (?? a defiici možiy B (odkud vyplývá implikace k 2 k 2. Na druhé straě pro B platí vzhledem k (?? (p k e p < (p k e p 2 ε 2. (5 Ze vztahů (??, (?? vyplývá, že pro B je P(X = k (p k e p ε 2 + ε 2 = ε. Nechť B 2 = { : p < A}. Platí P(X = k = (p k ( p ( ( 2 k (. ( p k Protože pro B 2 posledí zlomek v tomto výrazu koverguje k pro a protože pro tato platí [( p ] e p = 0, lim B 2 je tím dokázáo tvrzeí věty. Na základě tvrzeí Poissoovy věty se ahrazuje pravděpodobostí fukce biomického rozděleí takto ( Y Bi(, p P(Y = k = p k ( p k. (p k = e p, k = 0,,...,. k Aproximace se považuje za vyhovující, je-li > 30, p 0. (viz [?, str. 69]. Příklad 9.3 (viz [?, str. 45] Dělice v přádelě obsluhuje 800 vřete. Pravděpodobost toho, že se příze přetrhe během časového itervalu délky t, je pro každé vřeteo stejá a rova Určete ejpravděpodobější počet přetržeí příze během itervalu délky t. Je tedy = 800, p = 0.005, λ = 4. Podle Poissoovy aproximace (p malé, velké jsou dva ejpravděpodobější počty přetržeí, a to 3 a 4 (víte proč?. P(X 800 = 3 =. 43 3! e 4 = = 44. 4! e 4 = P(X800 = 4. Pravděpodobost, že počet přetržeí během itervalu délky t je ejvýše 0, je rova P(X =. 4 k e 4. k= P(X IX Limití věty. 89

8 Příklad 9.4 Do opevěé oblasti protivíka se shodí 00 sérií bomb. Nechť je při jedé sérii středí hodota zásahu rova 2 a středí kvadratická odchylka je,5. Je třeba určit přibližě pravděpodobost toho, že při shozeí 00 sérií do oblasti spade 80 až 220 bomb. Celkový počet zásahů je 00 X = X + X X 00 = X i, kde X i je počet zásahů v i-té sérii. Podmíky cetrálí limití věty jsou splěé, protože veličiy X ; X 2 ;... X 00 mají stejé rozděleí. Počet = 00 budeme považovat za dostatečý pro použití cetrálí limití věty. Pak 00 mx = X i = 200, 00 i= P (80 < X < 220 = Φ i= 00 D i =,5 2 = 225, i= i= ( ( = Φ 0, Marek, J.: Pravděpodobost a matematická statistika 90

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 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

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 aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,

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

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

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

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

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

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která

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

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

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

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

5. Posloupnosti a řady

5. Posloupnosti a řady Matematická aalýza I předášky M. Málka cvičeí A. Hakové a R. Otáhalové Zimí semestr 2004/05 5. Poslouposti a řady 5.1 Limita a hromadé hodoty. Mějme posloupost x ) prvků Hausdorffova topologického prostoru

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

UNIVERZITA PALACKÉHO V OLOMOUCI

UNIVERZITA PALACKÉHO V OLOMOUCI UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Zákoy velkých čísel Vedoucí diplomové práce: prof. RNDr. Ig. Lubomír Kubáček, DrSc.,

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

Přednáška 7, 14. listopadu 2014

Přednáška 7, 14. listopadu 2014 Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.

Více

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1 [M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti

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

Přednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti

Přednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou

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

1 Uzavřená Gaussova rovina a její topologie

1 Uzavřená Gaussova rovina a její topologie 1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho

Více

NEPARAMETRICKÉ METODY

NEPARAMETRICKÉ METODY NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost

Více

Petr Šedivý Šedivá matematika

Petr Šedivý  Šedivá matematika LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími

Více

Cvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.

Cvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů. Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu

Více

8. Analýza rozptylu.

8. Analýza rozptylu. 8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,

Více

Mocninné řady - sbírka příkladů

Mocninné řady - sbírka příkladů UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Mocié řady - sbírka příkladů Vedoucí bakalářské práce: Mgr. Iveta Bebčáková, Ph.D.

Více

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...

Obsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad... Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1

Více

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází

Více

Seznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.

Seznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu. 2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se

Více

ŘADY Jiří Bouchala a Petr Vodstrčil

ŘADY Jiří Bouchala a Petr Vodstrčil ŘADY Jiří Bouchala a Petr Vodstrčil Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 2. století (reg. č. CZ..07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská Techická

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBOST A STATISTIKA Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým rozděleím X ~D(), R má základí rostor Z = { } a ravděodobostí fukci: ( ) 1 0 Charakteristiky: středí hodota: E(X ) roztyl:

Více

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n.

a logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n. Matematická aalýza II předášky M. Málka cvičeí A. Hakové a R. Otáhalové Semestr letí 2005 6. Nekoečé řady fukcí V šesté kapitole pokračujeme ve studiu ekoečých řad. Nejprve odvozujeme základí tvrzeí o

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

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N?

Cvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N? 1 Prví prosemiář Cvičeí 1.1. Dokažte Beroulliovu erovost (1 + x) 1 + x, N, x. Platí tato erovost obecě pro všecha x R a N? Řešeí: (a) Pokud předpokládáme x 1, pak lze řešit klasickou idukcí. Pro = 1 tvrzeí

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 Trochu o kritériích dělitelnosti

1 Trochu o kritériích dělitelnosti Meu: Úloha č.1 Dělitelost a prvočísla Mirko Rokyta, KMA MFF UK Praha Jaov, 12.10.2013 Růzé dělitelosti, třeba 11 a 7 (aeb Jak zfalšovat rodé číslo). Prvočísla: které je ejlepší, které je ejvětší a jak

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

Přijímací řízení akademický rok 2013/2014 NavMg. studium Kompletní znění testových otázek matematika a statistika

Přijímací řízení akademický rok 2013/2014 NavMg. studium Kompletní znění testových otázek matematika a statistika Přijímcí řízeí kdemický rok /4 NvMg studium Kompletí zěí testových otázek mtemtik sttistik Koš Zěí otázky Odpověď ) Odpověď b) Odpověď c) Odpověď d) Správá odpověď efiičí obor fukce defiové předpisem f

Více

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí

Více

Diskrétní matematika

Diskrétní matematika Diskrétí matematika Biárí relace, zobrazeí, Teorie grafů, Teorie pravděpodobosti Diskrétí matematika látka z I semestru iformatiky MFF UK Zpracovali: Odřej Keddie Profat, Ja Zaatar Štětia Obsah Biárí relace2

Více

Náhodný výběr, statistiky a bodový odhad

Náhodný výběr, statistiky a bodový odhad Lekce Náhodý výběr, statistiky a bodový odhad Parametr rozděleí pravděpodobosti je ezámá kostata, jejíž přímé určeí eí možé. Nástrojem pro odhad ezámých parametrů je áhodý výběr a jeho charakteristiky

Více

Matematika přehled vzorců pro maturanty (zpracoval T. Jánský) Úpravy výrazů. Binomická věta

Matematika přehled vzorců pro maturanty (zpracoval T. Jánský) Úpravy výrazů. Binomická věta Matematika přehled vzorců pro maturaty (zpracoval T. Jáský) Úpravy výrazů a r. a s = a r+s a r = ar s as a r s = a r.s a. b r = a r b r a b r = ar b r a. b a b = a b = a. b ( a) m = a m m a m. = a a k.

Více

6.2. ČÍSELNÉ ŘADY. V této kapitole se dozvíte:

6.2. ČÍSELNÉ ŘADY. V této kapitole se dozvíte: 6.2. ČÍSELNÉ ŘADY V této kpitole se dozvíte: jk defiujeme číselou řdu; defiici kovergece řdy jejího součtu; jk vypdá ritmetická, geometrická hrmoická řd jk je to s jejich kovergecí; jk zí utá podmík kovergece

Více

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou 4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,

Více

DVOUVÝBĚROVÉ PODMÍNĚNÉ POŘADOVÉ TESTY VANALÝZEPŘEŽITÍ

DVOUVÝBĚROVÉ PODMÍNĚNÉ POŘADOVÉ TESTY VANALÝZEPŘEŽITÍ ROBUST 2000, 3 8 c JČMF 200 DVOUVÝBĚROVÉ ODMÍNĚNÉ OŘADOVÉ TESTY VANALÝZEŘEŽITÍ LENKA KOBLÍŽKOVÁ Abstrakt The preset paper deals with coditioal rak tests i survival aalysis for two sample problem with radomly

Více

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý

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

Kapitola 1. Nekonečné číselné řady. Definice 1.1 Nechť {a n } n=1 je posloupnost reálných čísel. Symbol. a n nebo a 1 + a 2 + a

Kapitola 1. Nekonečné číselné řady. Definice 1.1 Nechť {a n } n=1 je posloupnost reálných čísel. Symbol. a n nebo a 1 + a 2 + a Kpitol Nekoečé číselé řdy Defiice. Nechť { } je posloupost reálých čísel. Symbol ebo + 2 + 3 +... zýváme ekoečou číselou řdou. s = i= i = + 2 +... + zveme -tý částečý součet řdy {s } posloupost částečých

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

Pravděpodobnost a statistika - absolutní minumum

Pravděpodobnost a statistika - absolutní minumum Pravděpodobost a statistika - absolutí miumum Jaromír Šrámek 4108, 1.LF, UK Obsah 1. Základy počtu pravděpodobosti 1.1 Defiice pravděpodobosti 1.2 Náhodé veličiy a jejich popis 1.3 Číselé charakteristiky

Více

1. K o m b i n a t o r i k a

1. K o m b i n a t o r i k a . K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobost a matematická statistika Mirko Navara Cetrum strojového vímáí katedra kyberetiky FEL ČVUT Karlovo áměstí, budova G, místost 104a http://cmpfelkcvutcz/ avara/psi 13 1 016 Obsah 1 O čem to

Více

Úloha II.S... odhadnutelná

Úloha II.S... odhadnutelná Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí

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

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobost a matematická statistika Mirko Navara Cetrum strojového vímáí katedra kyberetiky FEL ČVUT Karlovo áměstí, budova G, místost 104a http://cmpfelkcvutcz/ avara/mvt http://cmpfelkcvutcz/ avara/psi

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

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =

Více

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ

TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ TESTOVÁNÍ STATISTICKÝC YPOTÉZ je postup, pomocí ěhož a základě áhodého výběru ověřujeme určité předpoklady (hypotézy) o základím souboru STATISTICKÁ YPOTÉZA předpoklad (tvrzeí) o parametru G základího

Více

Zkoušková písemná práce č. 1 z předmětu 01MAB3

Zkoušková písemná práce č. 1 z předmětu 01MAB3 Katedra matematiky Fakulty jaderé a fyzikálě ižeýrské ČVUT v Praze Příjmeí a jméo 1 2 3 4 5 BONUS CELKEM (13 bodů) Zkoušková písemá práce č. 1 z předmětu 01MAB3 14. leda 2016, 9:00 11:00 Pro kvadratickou

Více

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika) Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.

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

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

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

Číselné řady. 1 m 1. 1 n a. m=2. n=1

Číselné řady. 1 m 1. 1 n a. m=2. n=1 Číselé řady Úvod U řad budeme řešit dva typy úloh: alezeí součtu a kovergeci. Nalezeí součtu (v případě, že řada koverguje) je obecě mohem těžší, elemetárě lze sečíst pouze ěkolik málo typů řad. Součet

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

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.

správně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B. Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná

Více

Bc. Barbora Šimková. Odhady parametrů rozdělení náhodných veličin

Bc. Barbora Šimková. Odhady parametrů rozdělení náhodných veličin Uiverzita Karlova v Praze Pedagogická fakulta BAKALÁŘSKÁ PRÁCE Bc. Barbora Šimková Odhady parametrů rozděleí áhodých veliči Katedra matematiky a didaktiky matematiky Vedoucí bakalářské práce: Studijí program:

Více

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D. MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...

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

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

Více

7. P o p i s n á s t a t i s t i k a

7. P o p i s n á s t a t i s t i k a 7. P o p i s á s t a t i s t i k a 7.. Pozámka: Při statistickém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákoitosti, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme

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

Interval spolehlivosti pro podíl

Interval spolehlivosti pro podíl Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této

Více

1. JEV JISTÝ a. je jev, který nikdy nenastane b. je jev, jehož pravděpodobnost = ½ c. je jev, jehož pravděpodobnost = 0 d.

1. JEV JISTÝ a. je jev, který nikdy nenastane b. je jev, jehož pravděpodobnost = ½ c. je jev, jehož pravděpodobnost = 0 d. ZÁPOČTOVÝ TEST. JEV JISTÝ a. je jev, který ikdy eastae b. je jev, jehož pravděpodobost ½ c. je jev, jehož pravděpodobost 0 d. je jev, jehož pravděpodobost e. je jev, který astae za jistých okolostí f.

Více

13 Popisná statistika

13 Popisná statistika 13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický

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

Pravděpodobnost a statistika II

Pravděpodobnost a statistika II Pravděpodobost a statistika II RNDr. Marie Forbelská, Ph.D. Mgr. Ja Koláček, Ph.D. Přírodovědecká fakulta Masarykovy uiverzity p 0 (x p (x β α µ 0 µ W 0 Vytvořeo ve spolupráci se Servisím střediskem pro

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n,

1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n, DSM2 Cv 7 Kostry grafů Defiice kostry grafu: Nechť G = V, E je souvislý graf. Kostrou grafu G azýváme každý jeho podgraf, který má stejou možiu vrcholů a je zároveň stromem. 1. Nakreslete všechy kostry

Více

Nekonečné řady. 1. Nekonečné číselné řady 1.1. Definice. = L L nekonečnou posloupnost reálných čísel. a) Označme { a }

Nekonečné řady. 1. Nekonečné číselné řady 1.1. Definice. = L L nekonečnou posloupnost reálných čísel. a) Označme { a } Nekoečé řdy. Nekoečé číselé řdy.. Defiice ) Ozčme { } { } = L L ekoečou posloupost reálých čísel.,,,,, Nekoečá číselá řd je součet tvru = + + + L+ + L. Jedotlivá čísl,,, L,, L se zývjí čley řdy, čle obvykle

Více

Zformulujme PMI nyní přesně (v duchu výrokové logiky jiný kurz tohoto webu):

Zformulujme PMI nyní přesně (v duchu výrokové logiky jiný kurz tohoto webu): Pricip matematické idukce PMI) se systematicky probírá v jié části středoškolské matematiky. a tomto místě je zařaze z důvodu opakováí matka moudrosti) a proto, abychom ji mohli bez uzarděí použít při

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha

Více

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia

Více

Pevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.

Pevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý. evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické

Více

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

Více

Seriál XXX.II Zpracování dat fyzikálních měření

Seriál XXX.II Zpracování dat fyzikálních měření Seriál: Zpracováí dat fyzikálích měřeí V miulém díle seriálu jsme se sezámili s tím, co je to áhodá veličia, hustota pravděpodobosti a jak se dá v ěkterých případech odhadout typ rozděleí áhodé veličiy

Více

Iterační metody řešení soustav lineárních rovnic

Iterační metody řešení soustav lineárních rovnic Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro

Více

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme

Více

M - Posloupnosti VARIACE

M - Posloupnosti VARIACE M - Poslouposti Autor: Mgr Jromír Juřek - http://wwwjrjurekcz Kopírováí jkékoliv dlší využití výukového mteriálu je povoleo pouze s uvedeím odkzu wwwjrjurekcz VARIACE Teto dokumet byl kompletě vytvoře,

Více

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ Vlastosti úloh celočíselého programováí VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ PRINCIP ZESILOVÁNÍ NEROVNOSTÍ A ZÁKLADNÍ METODY. METODA VĚTVENÍ A HRANIC. TYPY ÚLOH 1. Úloha lieárího programováí: max{c

Více

Geometrická optika. Zákon odrazu a lomu světla

Geometrická optika. Zákon odrazu a lomu světla Geometrická optika Je auka o optickém zobrazováí. Je vybudováa a 4 zákoech, které vyplyuly z pozorováí a ke kterým epotřebujeme zalosti o podstatě světla: ) přímočaré šířeí světla (paprsky) ) ezávislost

Více

Zimní semestr akademického roku 2015/ listopadu 2015

Zimní semestr akademického roku 2015/ listopadu 2015 Cvičeí k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikovaé matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Obsah Cvičeí Zimí semestr akademického roku 2015/2016 20. listopadu 2015 Předmluva

Více

1.2. NORMA A SKALÁRNÍ SOUČIN

1.2. NORMA A SKALÁRNÍ SOUČIN 2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;

Více