12. N á h o d n ý v ý b ě r

Rozměr: px
Začít zobrazení ze stránky:

Download "12. N á h o d n ý v ý b ě r"

Transkript

1 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 realizací áhodé veličiy, která popisuje příslušý áhodý proces. Základím pojmem statistiky se tak stává pojem áhodého výběru, který je modelem popsaé situace Defiice: Náhodý výběr je uspořádaá -tice áhodý vektor) X 1, X 2,..., X ) áhodých veliči X i, 1 i, které jsou ezávislé a mají stejé rozděleí. Pozámka: Je-li F distribučí fukce popisující rozděleí áhodých veliči X i, pak sdružeá distribučí fukce áhodého výběru je rova F x 1 ).F x 2 )... F x ). Obdobě pro sdružeou hustotu či pravděpodobostí fukci dostaeme vyjádřeí ve tvaru fx 1 ).fx 2 )... fx ), resp. px 1 ).px 2 )... px ) je-li f hustota resp. p pravděpodobostí fukce áhodé veličiy X i. Studium vlastostí rozděleí obvykle provádíme pomocí vhodě zvoleé fukce áhodého výběru statistiky). Uvedeme ty, které ejčastěji používáme Defiice: Výběrový průměr, výběrový rozptyl. Je-li X 1, X 2,..., X ) áhodý výběr, pak ozačujeme a azýváme statistiku: X výběrovým úhrem; X 1 X i X i S výběrovým průměrem; X i X) 2 výběrovým rozptylem; s 2 1 X i X) 2. Je-li Y 1, Y 2,..., Y ) áhodý výběr, pak azýváme statistiku S XY X i X)Y i Y ) výběrovým koeficietem korelace. Dále azýváme statistiku rx, Y ) S XY S X S Y výběrovým koeficietem korelace. Pozámka: Pro vyčísleí výběrových charakteristik používáme ěkdy jiého vyjádřeí. Je totiž 1)S 2 Xi X ) [ 2 Xi 2 2X i X + X ) 2 ] Je tedy Je také X 2 i 2X X i + X ) 2 X 2 i 2 X ) 2 + X ) 2 S 2 1 [ Xi 2 X ) ] 2 1 Xi X 2 i X ) 2 ) 2 X i. 69

2 1)S XY X i X)Y i Y ) X i Y i XY X i Y + XY ) X i Y i ) XY. Pro uvedeé statistiky platí ěkolik tvrzeí, která si postupě uvedeme Věta: Vlastosti výběrového průměru. Nechť je X 1, X 2,..., X ) áhodý výběr s rozděleí, kde EX i ) µ a DX i ) 2, pak platí: EX) µ, E X) µ a DX) 2, D X) 2. Důkaz: Je totiž E X) E X i ) EX i ) µ µ. Odtud plye, že EX) E 1 X) 1 E X) µ. Jestliže využijeme ezávislosti áhodých veliči v áhodém výběru, pak dostaeme D X) D X i ) DX i ) 2. Odtud plye, že DX) D 1 X) 1 D X) Věta: Vlastosti výběrového rozptylu. Nechť je X 1, X 2,..., X ) áhodý výběr s rozděleí, kde EX i ) µ a DX i ) 2, pak platí: ES 2 ) 2, Es 2 ) 1 2 a DS 2 ) 1 EX4 i ) 3 1) 4, 3. Důkaz: Úpravou postupě dostaeme Xi X ) 2 [ Xi µ) X µ )] 2 [ X i µ) 2 2 X i µ) X µ ) + X µ ) 2 ] X i µ) 2 2 X µ ) X i µ) + X µ ) 2 X i µ) 2 2 X µ ) X µ ) + X µ ) 2 X i µ) 2 X µ ) 2 Odtud dostaeme, že E Xi X ) 2 ) E X i µ) 2) X ) ) 2 E µ 1) 2, když jsme použili postupě skutečosti EX i ) EX) µ, E X i µ) 2 ) DX i ) 2 a E X µ) 2) DX) 1 2. Je tedy ES 2 ) 2. Sado ahlédeme, že Es 2 ) E 1 S2) Pozámka: Další vlastosti základích statistik áhodého výběru vyplývají z cetrálí limití věty. Za uvedeých předpokladů vět 12.3 a 12.4 platí, že výběrový úhr X má v limitě ormálí rozděleí Nµ, 2 ) a výběrový průměr X má v limitě ormálí rozděleí Nµ, 2 ). Tyto skutečosti můžeme zapsat vztahy pro distribučí fukce. Je X lim P µ x 70 ) Φx), x R

3 a ) X µ lim P x Φx), x R, kde Φ je distribučí fukce ormovaého rozděleí N0, 1). Připomeňme, že v případě, že se jedá o áhodý výběr z ormálího rozděleí Nµ, 2 ), pak mají uvedeé statistiky ormálí rozděleí z uvedeými parametry Defiice: Uspořádaý áhodý výběr dostaeme jestliže seřadíme hodoty áhodého výběru X 1, X 2,..., X ) vzestupě podle velikosti. Dostaeme áhodý vektor X 1), X 2),..., X ) ), kde X i) X ki a {1, 2,..., } {k 1, k 1,..., k }. Je pak X 1) X 2)... X ). Speciálě je X 1) mi{x i ; 1 i } a X ) max{x i ; 1 i }. Náhodou veličiu ω X ) X 1) azývame variačí rozpětí áhodého výběru. Pro rozděleí jedotlivých souřadic uspořádaého áhodého výběru dostaeme ásledující vztahy Věta: Je-li F distribučí fukce rozděleí, ze kterého je provede áhodý výběr, pak má r tá souřadice X r) uspořádaého áhodého výběru X 1), X 2),..., X ) ) rozděleí s distribučí fukcí G r x) P X r) x) ir ) F i x) [1 F x)] i, x R. i Jestliže je X r) x, pak mezi hodotami X 1, X 2,..., X ) alezeme alespoň r meších ež je hodota x. Meších ež x jich bude právě i s pravděpodobostí ) F i x) [1 F x)] i. i Součet těchto pravděpodobostí pro r i určuje hodotu distribučí fukce áhodé veličiy X r). Speciálě pro prví a posledí souřadici dostaeme Věta: Náhodá veličia X 1) mi{x i ; 1 i } má rozděleí určeé distribučí fukcí G 1 x) 1 1 F x)), x R. Pro spojité rozděleí dostaeme její hustotu g 1 x) fx)1 F x)) 1, x R, kde f F je hustota původího rozděleí. Náhodá veličia X ) max{x i ; 1 i } má rozděleí určeé distribučí fukcí G x) F x), x R. V případě spojitého rozděleí je její hustota rova g x) fx)f 1 x), x R. 71

4 12.9. Příklad: Rovoměré rozděleí v itervalu µ h, µ + h). Pak je hustota f, resp. distribučí fukce F, v itervalu µ h, µ + h) dáa vzorci fx) 1 1, resp. F x) x µ + h). 2h 2h Dosazeím do uvedeých vzorců dostaeme: tedy g 1 x) 2h [ 1 1 2h x µ + h) ] 1 g 1 x) 2h) µ + h x) 1, µ h < x < µ + h; g x) 2h) x µ + h) 1, µ h < x < µ + h. Pro středí hodoty těchto áhodých veliči výpočtem dotaeme: EX 1) ) µ+h xµ + h x) 1 dx 2h) µ h x µ h t dx dt 0 2h) 1) 2h) 2h 1) 1 t + µ + h)t 1 dt 1) t + µ + h)t 1 ) dt 2h 2h) 0 [ ] 2h) +1 + µ + h) 2h) 2h µ + h µ h; EX ) ) µ+h xx µ + h) 1 x µ + h t dx 2h) µ h dx dt 2h 1) t + µ h)t 1 dt 2h t + µ h)t 1 ) dt 2h) 0 2h) 0 [ ] 2h) +1 + µ 2h) h)2h) 2h µ h µ h. Pro výpočet rozptylu těchto áhodých veliči musíme ejdříve vyčíslit druhé obecé momety. Je EX 1) ) 2 ) µ+h x 2 µ + h x) 1 dx 2h) µ h 0 µ + h t) 2 t 1 dt) 2h) 2h 2h) [ t +2 2h) + 2 2h 0 µ + h x t dx dt t +1 2µ + h)t + µ + h) 2 t 1 ) dt ] 2h t+1 2µ + h) µ + t h)2 4h2 2h 2µ + h) µ + h)

5 Rozptyl áhodé veličiy vypočteme pomocí vzorce DX 1) ) EX 1) ) 2 ) EX 1) ) 2 4h2 2h 2µ+h) µ+h)2 µ 1 )2 + 1 h µ 2 + 2µh + h 2 4µh + 1 4h h2 + 2 µ2 + 2muh µh ) + h ) 1) ) 2 h2 1)2 + 2) 2 4h 2 + 1) 2 + 2). Obdobě dostaeme EX ) ) 2 ) µ+h x 2 x µ + h) 1 dx 2h) µ h x µ + h t dx dt 0 t + µ h) 2 t 1 dt 2h 2h) 2h 2h) 0 [ t +2 t+1 + 2µ h) 2h) µ t h)2 t µ h)t + µ h) 2 t 1 ) dt ] 2h Rozptyl áhodé veličiy vypočteme pomocí vzorce 0 4h2 2h + 2µ h) µ h)2. DX ) ) EX ) ) 2 ) EX ) ) 2 4h2 2h +2µ h) µ h)2 µ + 1 )2 + 1 h µ 2 2µh + h 2 + 4µh + 1 4h h2 + 2 µ2 2muh 1 1)2 h ) 2 2µh ) + h ) 1) ) 2 4h 2 + 1) 2 + 2). Jak jsme mohli očekávat rozptyly obou áhodých veliči jsou stejé a středí hodoty jsou symetrické vzhledem ke středí hodotě µ původího rozděleí. S rostoucím počtem prvků výběru dostáváme a lim EX 1)) lim µ h µ h, lim EX )) lim µ + h µ + h, lim DX 1)) lim DX ) ) lim h )

6 Příklad: Expoeciálí rozděleí ExpA; ). Potom jsou hustota f, resp. distribučí fukce F, dáy vzorci fx) 1 Pro hustotu áhodé veličiy X 1) g 1 x) e x A, resp. F x) 1 e x A, x > A. x A e dostaeme Pro středí hodotu miima dostaeme EX 1) ) xe x A) dx [ A [ ] e x A 1 x A) e, x > A. x e x A) 2 2 e ] x A) K výpočtu rozptylu musíme ejdříve určit druhý obecý momet. Je [ x2 e x A) EX 1) ) 2 ) 2x2 2 A e x A) 23 3 e x 2 e x A) dx Rozptyl áhodé veličiy vypočteme pomocí vzorce DX 1) ) EX 1) ) 2 ) EX 1) ) 2 A 2 + 2A S rostoucím počtem prvků výběru dostáváme ] x A) A A A 2 + 2A A + A ) a lim EX 1)) lim A + A lim DX 2 1)) lim 0. 2 Některá další rozděleí fukcí áhodého výběru Normálí Gaussovo) rozděleí Nµ, 2 ) s parametry µ a > 0 je rozděleí určeé hustotou fx) 1 x µ) 2 2π e 2 2, x, ). Rozděleí je symetrické vzhledem k hodotě µ. Je dále EX) µ, DX) 2 a tedy směrodatá odchylka X). Rozděleí je kocetrováo ke středí hodotě. I když abývá áhodá veličia s tímto rozděleím teoreticky všech reálých hodot je P X µ < 3) 0, 999 a P X µ < 3, 5) 0,

7 Průběh hustoty ϕ ormovaého ormálího rozděleí je zázorě a obrázku Obr a průběh hustoty f obecého ormálího rozděleí Nµ; 2 ) je zázorě a obrázku Obr π ϕx) 1 2π fx) x µ 3 µ µ + 3 x Obr Obr Normálí rozděleí se zachovává při lieárí trasformaci. Jestliže má áhodá veličia X rozděleí Nµ, 2 ), má pak áhodá veličia αx + β ormálí rozděleí Nαµ + β, α 2 2 ). Speciálě platí, že áhodá veličia U X µ má rozděleí N0, 1), které se azývá ormovaé ormálí rozděleí. Náhodé veličiy, které mají ormovaé ormálí rozděleí budeme ozačovat písmeem U. Dále budeme ozačovat ϕ hustotu tohoto rozděleí a Φ distribučí fukci tohoto rozděleí. Je-li X áhodá veličia, která má rozděleí Nµ, 2 ) a je-li f její hustota a F je její distribučí fukce, pak Dále je ) x µ ϕx) f a ) x µ F x) Φ. ) ) b µ a µ P a < X < b) F b) F a) Φ Φ. Hodoty fukce Φ jsou tabelováy. Ze symetrie hustoty ϕ vzhledem k počátku plye, že Φx) + Φ x) 1, Φ0) 1 2. Pro kvatily u p ormovaého ormálího rozděleí platí, že u 0,5 0 a u 1 p u p. Tyto kvatily alezeme také v tabulkách a pro kvatily x p obecého ormálího rozděleí platí x p u p + µ a x x 0,5 µ ˆx EX). Důležitou vlastost má ormálí rozděleí při sčítaí áhodých veliči. Jsou-li X, resp. Y ezávislé áhodé veličiy s rozděleím Nµ 1, 2 1), resp. Nµ 2, 2 2), pak má áhodá veličia X + Y rozděleí ormálí Nµ 1 + µ 2, ). Speciálě platí: Jestliže mají ezávislé áhodé veličiy X i, 1 i ormálí rozděleí Nµ, 2 ) áhodý výběr z ormálího rozděleí), má pak 75

8 výběrový úhr X X i rozděleí Nµ, 2 ) a výběrový průměr X 1 X i rozděleí Nµ, 2 ) Expoeciálí rozděleí ExA, ) je rozděleí áhodé veličiy s hustotou f a distribučí fukcí F, kde 0, x < A, 0, x A, fx) x A 1 F x) e, x A; 1 e x A, x A, kde A R a > 0. Je pak EX) A + a DX) 2. Pro kvatily dostaeme vyjádřeí x p A l1 p). Je-li A 0, pak rozděleí ozačujeme symbolem Ex) a je to rozděleí, které se objevuje v úlohách kde sledujeme spolehlivost práce zařízeí v čase. Je to tzv. rozděleí bez paměti. Je totiž P X a + b X a) P X b), a, b > Rozděleí chí kvadrát χ 2 ) o stupích volosti je rozděleí, které má áhodá veličia X Ui 2, kde U i, 1 i jsou ezávislé áhodé veličiy s ormovaým ormálím rozděleím N0, 1). Pro toto rozděleí je EX) a DX) 2. Hustota f tohoto rozděleí je dáa předpisem 0, x 0, fx) 1 x 2 Γ 2 ) 2 1 e x 2, x > 0. Rozděleí je výrazě asymetrické, kvatily jsou kladé a jsou tabelováy. Až pro výrazě veliké hodoty parametru je možé toto rozděleí ahradit rozděleím ormálím N, 2). Pro velké hodoty má áhodá veličia U X 2 přibližě ormovaé ormálí rozděleí N0, 1). Pro kvatily pak platí přibližý vzorec x p. + up 2. Průběh hustoty rozděleí χ 2 ), pro dva stupě volosti je zázorě a obrázku Obr < 5 > 30 y x x 76

9 Obr Obr Studetovo rozděleí t- rozděleí) t) o stupích volosti má áhodá veličia T U Z, kde áhodá veličia U má ormovaé ormálí rozděleí N0, 1) a áhodá veličia Z má rozděleí χ 2 ). Rozděleí je symetrické vzhledem k počátku, je ET ) 0, DT ), > 2 a pro hodoty > 30 jej ahrazujeme ormovaý ormálím 2 rozděleím N0, 1). Pro kvatily platí t p t 1 p. Hustota f Studetova rozděleí je dáa vzorcem fx) Γ +1 ) Γ 2 ) π 1 + x2 ) +1 2, x R. Průběh hustoty t rozděleí pro dvě hodoty stupňů volosti je zázorě a obrázku Obr Fischerovo-Sedecorovo rozděleí F rozděleí) F m, o m a stupích volosti má áhodá veličia F X Y m, kde áhodá veličia X má rozděleí χ 2 m) a áhodá veličia y má rozděleí χ 2 ). Náhodá veličia F abývá pouze kladých hodot a je EF ), > 2 2 a DF ) 22 +m 2), > 4. Hustota f áhodé veličiy F je dáa vzorcem m 2) 2 4) fx) ) m 1 m 2 B m, ) 2 2 Pro kvatily F p m, ) rozděleí platí Je totiž kvatil F p Odtud plye, že F p m, ) x m ) m+ x 2, x > 0. 1 F 1 p, m), 0 < p < 1. áhodé veličiy F m, ) urče podmíkou P F m, ) F p ) p P ) X Y m F p p. 1 P Y m ) Y m 1 P F p X X 1 ) p F p Y m P X 1 ) ) P F, m) 1Fp 1 p, F p což je podmíka pro kvatil áhodé veličiy F, m). Je tedy F 1 p, m) 1 F pm,). 77

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

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 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

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. 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

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

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

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

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

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

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie

Více

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

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. 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

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

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

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

17. Statistické hypotézy parametrické testy

17. Statistické hypotézy parametrické testy 7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé

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

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

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

Téma 22. Ondřej Nývlt

Téma 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

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

Přednášky část 7 Statistické metody vyhodnocování dat

Přednášky část 7 Statistické metody vyhodnocování dat DŽ ředášky část 7 tatistické metody vyhodocováí dat Mila Růžička mechaika.fs.cvt.cz mila.rzicka@fs.cvt.cz DŽ tatistické metody vyhodocováí dat Jak velké rozptyly lze očekávat mezi dosažeými pevostmi ebo

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

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

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

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

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

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

8.2.1 Aritmetická posloupnost I

8.2.1 Aritmetická posloupnost I 8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu

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

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

Pravděpodobnostní model doby setrvání ministra školství ve funkci

Pravděpodobnostní model doby setrvání ministra školství ve funkci Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

Více

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

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

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

množina všech reálných čísel

množina všech reálných čísel /6 FUNKCE Základí pojmy: Fukce sudá a lichá, Iverzí fukce Nepřímá úměrost, Mociá fukce, Epoeciálí fukce a rovice Logaritmus, logaritmická fukce a rovice Opakováí: Defiice fukce, graf fukce Defiičí obor,

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

b c a P(A B) = c = 4% = 0,04 d

b c a P(A B) = c = 4% = 0,04 d Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá

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

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

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky

Více

vají statistické metody v biomedicíně

vají statistické metody v biomedicíně Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk

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

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

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1. 2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

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

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

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

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

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

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

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

Více

1. 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 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

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta troího ižeýrtví Matematika IV Semetrálí práce Zpracoval: Čílo zadáí: 7 Studií kupia: Datum: 8.4. 0 . Při kotrole akoti výrobků byla ledováa odchylka X [mm] eich rozměru

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

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

I. D i s k r é t n í r o z d ě l e n í

I. D i s k r é t n í r o z d ě l e n í 6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme

Více

8.2.7 Geometrická posloupnost

8.2.7 Geometrická posloupnost 87 Geometrická posloupost Předpokldy: 80, 80, 80, 807 Pedgogická pozámk: V hodiě rozdělím třídu dvě skupiy kždá z ich dělá jede z prvích dvou příkldů Větši studetů obou skupi potřebuje pomoc u tbule Ob

Více

p(x) = P (X = x), x R,

p(x) = P (X = x), x R, 6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme

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

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

Přednáška č. 2 náhodné veličiny

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

Více

2.4. INVERZNÍ MATICE

2.4. INVERZNÍ MATICE 24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:

Více

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí

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

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

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

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

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti 8 Aritmetická posloupost, posloupost rostoucí a klesající Poslouposti Posloupost je fukci s defiičím oborem celých kladých čísel - apř.,,,,,... 3 4 5 Jako fukci můžeme také posloupost zobrazit do grafu:

Více

Elementární zpracování statistického souboru

Elementární zpracování statistického souboru Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými

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

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

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V

1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být

Více

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti 1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto

Více

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT

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

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

Přednáška VIII. Testování hypotéz o kvantitativních proměnných

Přednáška VIII. Testování hypotéz o kvantitativních proměnných Předáška VIII. Testováí hypotéz o kvatitativích proměých Úvodí pozámky Testy o parametrech rozděleí Testy o parametrech rozděleí Permutačí testy Opakováí hypotézy Co jsou to hypotézy a jak je staovujeme?

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

Více

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se

Více

STATISTIKA. Základní pojmy

STATISTIKA. Základní pojmy Statistia /7 STATISTIKA Záladí pojmy Statisticý soubor oečá eprázdá možia M zoumaých objetů schromážděých a záladě toho, že mají jisté společé vlastosti záladí statisticý soubor soubor všech v daé situaci

Více

I. Exponenciální funkce Definice: Pro komplexní hodnoty z definujeme exponenciální funkci předpisem. z k k!. ( ) e z = k=0

I. Exponenciální funkce Definice: Pro komplexní hodnoty z definujeme exponenciální funkci předpisem. z k k!. ( ) e z = k=0 8. Elemetárí fukce I. Expoeciálí fukce Defiice: Pro komplexí hodoty z defiujeme expoeciálí fukci předpisem ) e z = z k k!. Vlastosti expoeciálí fukce: a) řada ) koverguje absolutě v C; b) pro z = x + jy

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

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

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

8.1. 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

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

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

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

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

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

} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy

} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy Měřeí statistické závislosti, korelace, regrese Prof. RNDr. Jaa Zvárov rová,, DrSc. MĚŘENÍZÁVISLOSTI Cílem statistické aalýzy vepidemiologii bývá eje staovit, zda oemocěí závisí a výskytu rizikového faktoru,

Více

Přijímací řízení akademický rok 2013/2014 Bc. studium Kompletní znění testových otázek matematika

Přijímací řízení akademický rok 2013/2014 Bc. studium Kompletní znění testových otázek matematika Přijímací řízeí akademický rok 0/0 c. studium Kompletí zěí testových otázek matematika Koš Zěí otázky Odpověď a) Odpověď b) Odpověď c) Odpověď d) Správá. Které číslo doplíte místo 8? 6 6 8 C. Které číslo

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

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

1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS.

1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS. Dopraví stroje a zařízeí odborý zálad AR 04/05 Idetifiačí číslo: Počet otáze: 6 Čas : 60 miut Počet bodů Hodoceí OTÁZKY: ) Vypočtěte eálí poměr rozděleí brzdých sil a ápravy dvouápravového vozla bez ABS.

Více