Matematika pro chemické inženýry
|
|
- Pavel Kovář
- před 7 lety
- Počet zobrazení:
Transkript
1 Matematika pro chemické inženýry Drahoslava Janovská Lineární a nelineární regrese Přednášky ZS Sponzorováno grantem VŠCHT Praha, PIGA , 2016
2 Povinná látka. Bude v písemkách a bude se zkoušet při ústní zkoušce (žádné označení) Řešené příklady k procvičení - dobrovolné Pro studenty, kteří chtějí vědět víc. Tato látka se nebude přednášet, nebude v písemkách, nebude se zkoušet.
3 Obsah 1 Vyhodnocování experimentálních dat Náhodná veličina, distribuční funkce Střední hodnota a rozptyl náhodné veličiny Kovariance náhodných veličin 2 Základy regresní analýzy Základní model lineární regrese Ekvivalentní model Metoda nejmenších čtverců 3 Nelineární regrese 4 Literatura k dalšímu studiu
4 Vyhodnocování experimentálních dat - Při řešení chemicko-inženýrských problémů jsme obvykle schopni odvodit model procesu nebo děje probíhajícího v zařízení, ale... - Často nejsme schopni určit numerické hodnoty parametrů, které v modelu vystupují Z matematického hlediska mohou být modely různé povahy: lineární nebo nelineární algebraické rovnice, obyčejné diferenciální rovnice nebo parciální diferenciální rovnice. Zajímá nás závislost modelu na množině bezrozměrných parametrů. Předpokládáme závislost ve tvaru y = f (x, a), (1) kde x = (x 1, x 2,..., x n) je vektor nezávisle proměnných, a = (a 1,..., a P ) je vektor parametrů, jejichž hodnoty je třeba určit, a y je závisle proměnná (odezva). Předpokládáme, že nezávisle proměnné x i se měří s prakticky zanedbatelnou chybou ve srovnání s chybou měření závisle proměnné y.
5 Náhodná veličina, distribuční funkce Náhodná veličina Náhodná veličina X je reálná funkce, definovaná na množině všech elementárních jevů Ω s hodnotami v R. Je to tedy funkce, která přiřazuje každému náhodnému pokusu ω Ω reálné číslo X(ω). Náhodné veličiny dělíme na diskrétní jejich obor hodnot je konečná nebo spočetná množina, a na spojité jejich obor hodnot je nespočetná množina. Pravděpodobnost, se kterou náhodná proměnná nabývá určité hodnoty nebo je obsažena v určitém intervalu hodnot, se nazývá rozdělení pravděpodobnosti. Základní možnost, jak popsat pravděpodobnostní rozdělení náhodné veličiny X, je určit její distribuční funkci. Distribuční funkcí náhodné veličiny X nazveme reálnou funkci F(x), x R, definovanou vztahem F(x) = P(X x). Tedy hodnota distribuční funkce v bodě x je pravděpodobnost toho, že náhodná veličina X bude mít hodnotu menší nebo rovnou tomuto x.
6 Náhodná veličina, distribuční funkce Příklad Příklad: Hraní rulety Sledujme dva hody kuličkou a pozorujme, kolikrát přitom padne lichá. Diskrétní náhodná veličina X má za hodnoty počet kol, v nichž padlo liché číslo. Prostor elementárních jevů tohoto náhodného pokusu (označíme S sudou a L lichou) má čtyři prvky: ω 1 = SS, ω 2 = SL, ω 3 = LS, ω 4 = LL a náhodná veličina má tyto hodnoty: X(ω 1 ) = 0, X(ω 2 ) = X(ω 3 ) = 1, X(ω 4 ) = 2.
7 Náhodná veličina, distribuční funkce Vlastnosti distribuční funkce Vlastnosti distribuční funkce: 0 F(x) 1, je neklesající, je zprava spojitá, ma konečně nebo nejvýše spočetně mnoho bodů nespojitosti lim x F(x) = 0, lim x F(x) = 1.
8 Náhodná veličina, distribuční funkce Pravděpodobnostní funkce Diskrétní náhodná veličina X má konečně nebo nejvýše spočetně mnoho hodnot {x 1, x 2,..., x n,... }. Pravděpodobnosti, že tyto hodnoty náhodná veličina nabude, jsou kladné, tj. P(X = x i ) > 0 a platí pro ně x i P(X = x i ) = 1. Říkáme také, že náhodná veličina X ma rozdělení diskrétniho typu. Funkce p(x) = P(X = x) se nazývá pravděpodobnostní funkce diskrétní náhodné veličiny X. Je definovaná pouze na oboru hodnot {x 1, x 2,..., x n,... } náhodné veličiny X a platí p(x i ) > 0, p(x i ) = 1. x i Pravděpodobnostní funkce umožňuje určit distribuční funkci F náhodné veličiny X: F(x) = xi x P(X = x i ) = xi x p(x i ), < x <.
9 Náhodná veličina, distribuční funkce Tedy distribuční funkce diskrétní náhodné veličiny je nespojitá v bodech x 1, x 2,... v každém x i má skok velikosti P(X = x i ), v intervalech x i ; x i+1 ) je vždy konstantní. Spojitá náhodná veličina X má rozdělení pravděpodobnosti spojitého typu, existuje-li nezáporná reálná funkce f (x) taková, že distribuční funkci F(x) lze vyjádřit ve tvaru F(x) = f (t)dt, < x <. Funkce f (x) je definovaná pro všechna reálná x a nazývá se hustota pravděpodobnosti náhodné veličiny X. Lze ukázat, že takto definovaná distribuční funkce F spojité náhodné veličiny je spojitá pro všechna x a ve všech bodech, v nichž má derivaci, je f (x) = F (x).
10 Střední hodnota a rozptyl náhodné veličiny Číselné charakteristiky náhodných veličin Střední hodnota náhodné veličiny X je charakteristikou její polohy (myšleno ve smyslu polohy hodnot veličiny X na číselné ose), je to jistá průměrná hodnota, kolem níž náhodná veličina náhodně kolísá. Je-li X náhodná veličina s diskrétním rozdělením pravděpodobnosti, která nabývá hodnoty x 1, x 2,... a má pravděpodobnostní funkci p(x), pak její střední hodnota je číslo E(X) = x i x i p(x i ). Je-li X náhodná veličina se spojitým rozdělením pravděpodobnosti a s hustotu f (x), je její střední hodnota číslo E(X) = xf (x)dx.
11 Střední hodnota a rozptyl náhodné veličiny Rozptyl charakterizuje kolísání náhodné veličiny kolem její střední hodnoty. Rozptylem náhodné veličiny X nazveme číslo: D(X) = E(X E(X)) 2. Dosadíme-li do tohoto vztahu vzorec pro střední hodnotu pro veličinu s diskrétním a potom se spojitým rozdělením, dostaneme pro rozptyl: Je-li X diskrétní náhodná veličina, je D(X) = x i (x i E(X)) 2 p(x i ). Je-li X spojitá náhodná veličina, je D(X) = Vždy platí D(X) 0. (x E(X)) 2 f (x)dx.
12 Střední hodnota a rozptyl náhodné veličiny Rozptyl se také značí σ 2. Odmocnině z rozptylu se říká směrodatná odchylka. Tedy σ = D(X). Je-li σ malé, nabývá náhodná veličina s velkou pravděpodobností hodnot, velmi blízkých své střední hodnotě E(X). Rozptyl se často počítá podle vzorce D(X) = E(X 2 ) (E(X)) 2, tedy pro veličinu s diskrétním rozdělením D(X) = xi 2 p(x i ) (E(X)) 2, x i pro veličinu se spojitým rozdělením D(X) = x 2 f (x)dx (E(X)) 2.
13 Dvojice náhodných veličin Uvažujme dvojici náhodných veličin, někdy říkáme, že tvoří náhodný vektor (X, Y ) nebo také dvourozměrnou náhodnou veličinu. Distribuční funkcí náhodné veličiny (X, Y ) nazveme reálnou funkci F(x.y) definovanou v R 2 vztahem F(x, y) = P(X x, Y y). Střední hodnotou dvourozměrné náhodné veličiny (X, Y ) budeme nazývat dvojici (E(X), E(Y )).
14 Kovariance náhodných veličin Kovariance náhodných veličin Kromě číselných charakteristik jednotlivých náhodných veličin X a Y jsou důležité číselné charakteristiky, které vyjadřují jejich vzájemnou souvislost: Kovariance náhodných veličin X a Y je číslo cov(x, Y ) = E([X E(X)] [Y E(Y )]) cov(x, X) = E([X E(X)] 2 ) = D(X). K výpočtu kovariance slouží nejčastěji vzorec cov(x, Y ) = E(X Y ) E(X) E(Y ), kde E(X Y ) = x i y j x i y j p(x i, y j ). Kovariance je mírou lineární závislosti veličin X a Y. Pro zhodnocení takové závislosti je ale většinou vhodnější tzv. korelační koeficient ϱ(x, Y ), ϱ(x, Y ) = cov(x, Y ) D(X) D(Y ).
15 Kovariance náhodných veličin Kovarianční matice Pro korelační koeficient vždy platí 1 ϱ 1. Například závisí-li Y na X lineárně, tj. Y = ax + b, platí: 1 je-li grafem této závislosti rostoucí přímka, čili a > 0, je ϱ = 1, 2 je-li grafem této závislosti klesající přímka, čili a < 0, je ϱ = 1 Je-li kovariance X a Y rovna nule, je také jejich korelační koeficient roven nule a takové veličiny nazýváme nekorelované. Pro takové veličiny pak platí E(X Y ) = E(X) E(Y ). Matice [ cov(x, X) cov(x, Y ) cov(y, X) cov(y, Y ) ] [ = D(X) cov(x, Y ) cov(y, X) D(Y ) ] se nazývá kovarianční matice dvojice náhodných veličin X a Y. Kovarianční matice je analogie k jednorozměrnému rozptylu náhodné veličiny X.
16 Regresní funkce Funkci η(x) = E(Y (x)) definovanou na definičním oboru A R proměnné x nazveme regresní funkcí. Regresí rozumíme závislost střední hodnoty náhodné veličiny Y (x) na veličině x. Předpokládáme, že známe tvar regresní funkce, a na základě náhodného výběru odhadujeme její neznámé parametry: Vybereme n hodnot x j, j = 1,..., n, x j A, nezávisle proměnné. Pro každé x j napozorujeme (naměříme) realizaci (hodnotu) y j náhodné veličiny Y j : x j, j = 1,..., n, A y j = Y (x j ). Získané dvojice hodnot (x 1, y 1 ),..., (x n, y n) nám poslouží k odhadu neznámých parametrů regresní funkce. Speciální případ: Jednoduchá lineární regresní funkce má tvar η(x) = β 1 + β 2 x, kde β 1, β 2 jsou parametry této funkce, jejichž hodnoty hledáme. Grafem jednoduché lineární regresní funkce je přímka se směrnicí β 2, říkáme, že jde o přímkovou regresi.
17 Základní model lineární regrese Základní model lineární regrese Model lineární regrese by měl splňovat: 1. Regresní funkce η(x) je lineární funkcí tvaru η(x) = p β k f k (x), k=1 kde f k (x) jsou známé funkce a β k, k = 1,..., p, neznámé parametry. Funkce η je lineární vzhledem k parametrům. 2. Hodnotě x j je přiřazena náhodná veličina Y j, pro kterou platí E(Y j ) = η(x j ), D(Y j ) = σ 2, j = 1,..., n, Druhá rovnice znamená, že rozptyl náhodné veličiny Y nezávisí na x j a je tedy konstantní, což může např. znamenat, že všechny realizace y 1,..., y n náhodných veličin Y 1,..., Y n jsou naměřeny se stejnou přesností. 3. Hodnoty nezávisle proměnné x j, j = 1,..., n, nejsou všechny stejné.
18 Základní model lineární regrese 4. Matice F = (f ij ), kde f ij = f i (x j ), i = 1,..., p, j = 1,..., n. má hodnost p. Poznamenejme, že počet n dvojic (x j, y j ) musí být větší než počet neznámých parametrů p, přesněji, mělo by platit n p > Náhodné veličiny Y 1,..., Y n jsou nekorelované, t.j. Maticově zapsáno cov(y i, Y j ) = 0, i, j = 1,..., n, i j. C y = σ 2 E n, kde E n je jednotková matice řádu n, C y je matice kovariance veličin Y 1,..., Y n. Příklad Pro regresní přímku, tj. regresní funkci tvaru η(x) = α + βx je počet neznámých parametrů p = 2 a β 1 = α, f 1 = 1, β 2 = β, f 2 = x.
19 Ekvivalentní model Ekvivalentní model Popsaný model v ekvivalentním tvaru Y j = η(x j ) + ε j = p β k f kj + ε j, j = 1,..., n, (2) k=1 kde hodnoty x 1,..., x n jsou hodnotami nenáhodné proměnné, hodnoty f kj = f k (x j ) splňují podmínku 3. modelu. Pro náhodné chyby ε j, j = 1,..., n, a pro kovarianční matici C ε náhodného vektoru ε = (ε 1,..., ε n) platí E(ε j ) = 0, j = 1,..., n, C ε = σ 2 E n = C y. Rovnici (2) lze zapsat maticově Y = F T β + ε.
20 Metoda nejmenších čtverců Metoda nejmenších čtverců Odhady neznámých parametrů β 1,..., β p v popsaném modelu lineární regrese budeme hledat metodou nejmenších čtverců. Označme tyto odhady b 1,..., b p, což jsou výběrové funkce náhodného výběru Y 1,..., Y n. Minimalizujeme součet čtverců odchylek napozorovaných hodnot y j od středních hodnot η j = η(x j ), tedy součet čtverců Q(β 1,..., β p) = n (y j η j ) 2 = j=1 ( n y j Odhady b 1,..., b p tedy najdeme jako řešení soustavy rovnic j=1 Q β k = 0, k = 1,..., p. Tato soustava se nazývá soustavou normálních rovnic. ) 2 p β k f kj. k=1
21 Metoda nejmenších čtverců Soustavu pro hledané odhady b 1,..., b p zapíšeme v přehledném tvaru kde b 1 S 11 + b 2 S b ps 1p = S 1y b 1 S 21 + b 2 S b ps 2p = S 2y. b 1 S p1 + b 2 S p2 + + b ps pp = S py, S ki = S ky = n f kj f ij, i, k = 1,..., p, j=1 n f kj y j, k = 1,..., p. j=1 Zřejmě S ik = S ki pro i, k = 1,..., p.
22 Metoda nejmenších čtverců Maticově: Je-li y = (y 1,..., y n) T, b = (b 1,..., b p) T, pak normální rovnice lze zapsat ve tvaru F F T b = F y. (3) Podle předpokladu je h(f ) = p, pak také h(f F T ) = p a F F T je typu p p, regulární = existuje (F F T ) 1, a tedy z rovnice (3) lze vyjádřit vektor b : b = (F F T ) 1 F y, vektor b je jednoznačně určen a jeho jednotlivé složky jsou lineárními kombinacemi hodnot y 1,..., y n. Pozor! Výpočet je extrémně numericky nestabilní, viz přednáška Lineární algebra.
23 Metoda nejmenších čtverců Příklad Necht regresní přímka prochází počátkem, η(x) = a x, pak f ij = x a β 1 = a. Označme x = (x 1,..., x n) T, F = (x 1,..., x n). Pak F F T = (x 1,..., x n) (x 1,..., x n) T = n j=1 xj 2 = (FF T ) 1 1 = n j=1 x. j 2 Odhad parametru a je a = (F F T ) 1 F y = ( ) n 1 n x T j=1 x jy j y = j=1 x j 2 n j=1 x. j 2
24 Metoda nejmenších čtverců Příklad Růst ledových krystalů Ledové krystaly byly uloženy do boxu s konstantní teplotou -5 C. Cílem bylo analyzovat růst krystalů jako funkci času. V následující tabulce jsou uvedena naměřená data, y je délka krystalů v mikronech, x je čas v sekundách. Uvedena jsou i opakovaná měření. S využitím přímkové regrese y = β 0 + β 1 x určete parametry β 0 a β 1. x[s] y[mm] x[s] y[mm] , , , , , , , 25, , , 29, , , , 30, , 28, , 36, , 25,
25 Metoda nejmenších čtverců Řešení Experimentální data zapíšeme maticově y = X = , kde y R n je vektor a X R n p matice. Celkový počet měřicích bodů je n = 43 a p reprezentuje počet parametrů, v tomto případě dva: β 0, β 1. První sloupec matice X má v každém řádku jen 1. Počet navzájem různých měřicích bodů je m = 22. Protože se mnoho experimentů opakuje, je m podstatně menší, než celkový počet měřicích bodů n. Označme n i počet měření pro každé x i, i = 1,..., m, přičemž n = m i=1 n i. Parametry modelu můžeme spočítat následovně: b = [ β 0, β 1 ] = (X T X) 1 X T y = Získali jsme model y = x. [ ].
26 Metoda nejmenších čtverců Nejlepší nestranný odhad lineární parametrické funkce Úloha Hledáme nejlepší nestranný odhad lineární funkce parametrů β = (β1,..., β p) T. Uvažujme parametrickou funkci γ = p c k β k = c T β, k=1 kde c = (c 1,..., c p) T je známý nenulový vektor ( c 0). Tvrzení Nejlepším nestranným lineárním odhadem parametrické funkce c T β je výběrová funkce (statistika) g = c T b, kde b je řešením normálních rovnic. E(g) = γ a nejlepší znamená, že rozptyl D(g) je minimální ve třídě nestranných odhadů.
27 Nelineární regrese Cíl: odhad parametrů a 1,..., a n v nelineární empirické formuli y = f (x, a). Budeme minimalizovat součet čtverců odchylek S(a) = m (f (x j, a) y j) 2 m = qj 2 (a), j=1 j=1 kde q j je residuum j tého měřeného bodu. Označme a + bod, v němž součet čtverců S(a) nabývá svého minima. Hodnotu a + hledáme jako limitu tzv. minimizující posloupnosti a k tak, aby platilo S(a k+1 ) < S(a k ).
28 Taylorův rozvoj funkce f (zanedbáme členy vyššího řádu než 1): f (x, a) f (x, a k ) + grad T a f (x, ak ) (a a k ) f (x, a) f (x, a k ) + Vyhodnot me aproximativní formuli n j=1 f (x, a k ) a j (a j a k j ). y f (x, a k ) = n j=1 f (x, a k ) a j a k j. Označme Γ(a) Jacobiovu matici, f (x 1, a) f (x 1, a)... a 1 a 2 Γ(a) =. f (x m, a) f (x 1, a)... a 1 a 2 f (x 1, a) a n. f (x m, a) a n.
29 Hledané řešení: ( 1 + a k = Γ T (a k ) Γ(a )) k Γ T (a k )q(a k ), kde q = (q 1,..., q m). Pomocí + a k vypočteme další iteraci a k+1 = a k + λ + a k, λ (0, 1. První hodnota: λ = 1. Je-li S(a k+1 ) S(a k ), zmenšíme λ. Výpočet provádíme pro Γ T (a k ) Γ(a k ) }{{} + a k = Γ T (a k ) q(a k ). matice n n Proces ukončíme, je-li + a k menší, než zadaná přesnost.
30 Literatura k dalšímu studiu D. R. Cox, Christl A. Donnelly: Principles of Applied Statistics. Cambridge University Press, Kubíček M., Dubcová M., Janovská D.: Numerické metody a algoritmy, VŠCHT Praha, 2005 (second edition). Harvey Motulsky, Arthur Christopoulos: Fitting Models to Biological Data using Linear and Nonlinear Regression. A practical guide to curve fitting. 2003, GraohPad Software Inc. San Diego CA, J. Pavlík a kol.: Aplikovaná statistika. Vysoká škola chemicko-technologická v Praze, Praha Anders Rasmuson, Bengt Andersson, Louise Olsson, Ronnie Andersson: Mathematical Modeling in Chemical Engineering. Cambridge University Press, 2014.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceMatematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
Vícef(x) = arccotg x 2 x lim f(x). Určete všechny asymptoty grafu x 2 2 =
Řešení vzorové písemky z předmětu MAR Poznámky: Řešení úloh ze vzorové písemky jsou formulována dosti podrobně podobným způsobem jako u řešených příkladů ve skriptech U zkoušky lze jednotlivé kroky postupu
VíceI. 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
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
Vícep(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
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
Více8 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
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceNMAI059 Pravděpodobnost a statistika
NMAI059 Pravděpodobnost a statistika podle přednášky Daniela Hlubinky (hlubinka@karlin.mff.cuni.cz) zapsal Pavel Obdržálek (pobdr@matfyz.cz) 205/20 poslední změna: 4. prosince 205 . přednáška. 0. 205 )
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceMATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT
8. licenční studium Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie MATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT Příklady: ) Najděte vlastní (charakteristická) čísla a vlastní
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
Víceletní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 202 Založeno na materiálech doc. Michala Kulicha Náhodný vektor často potřebujeme
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VícePRAVDĚPODOBNOST 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
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
Vícesprávně - 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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
VíceUčební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice študenti MFF 15. augusta 2008 1 7 Diferenciální rovnice Požadavky Soustavy lineárních diferenciálních rovnic prvního řádu lineární
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceREÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ
REÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ 5 přednáška S funkcemi se setkáváme na každém kroku ve všech přírodních vědách ale i v každodenním životě Každá situace kdy jsou nějaký jev nebo veličina jednoznačně určeny
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceKapitola 10: Diferenciální rovnice 1/14
Kapitola 10: Diferenciální rovnice 1/14 Co je to diferenciální rovnice? Definice: Diferenciální rovnice je vztah mezi hledanou funkcí y(x), jejími derivacemi y (x), y (x), y (x),... a nezávisle proměnnou
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceJevy a náhodná veličina
Jevy a náhodná veličina Výsledky některých jevů jsou vyjádřeny číselně -na hrací kostce padne číslo 1, 4, 6.., jiným jevům můžeme čísla přiřadit (stupeň školního vzdělání: ZŠ, SŠ, VŠ) Data jsme rozdělili
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VíceFunkce - pro třídu 1EB
Variace 1 Funkce - pro třídu 1EB Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv využití výukového materiálu je povoleno pouze s odkazem na www.jarjurek.cz. 1. Funkce Funkce je přiřazení, které každému
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
Více1. 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:
VíceStatistika. 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
VíceOrganizace. Zápočet: test týden semestru (pátek) bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část
Matematika I 1/15 2/15 Organizace Zápočet: test 6. + 11. týden semestru (pátek) 80 bodů 50 79 bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část www.vscht.cz/mat Výuka www.vscht.cz/mat/jana.nemcova
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vlastní čísla a vektory Google Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceAKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
VíceSTATISTICKÁ VAZBA. 1.1 Statistická vazba Charakteristiky statistické vazby dvou náhodných veličin Literatura 9
STATISTICKÁ VAZBA Obsah 1 Korelační analýza 1 1.1 Statistická vazba.................................... 1 1.2 Motivační příklady................................... 1 1.3 Sdružená distribuční funkce a nezávislost
VíceMatematika III. Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská. Ústav matematiky
Matematika III Řady Miroslava Dubcová, Daniel Turzík, Drahoslava Janovská Ústav matematiky Přednášky ZS 202-203 Obsah Číselné řady. Součet nekonečné řady. Kritéria konvergence 2 Funkční řady. Bodová konvergence.
VíceJAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová
JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za nichž
VíceFunkce a lineární funkce pro studijní obory
Variace 1 Funkce a lineární funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce
VíceÚvodní informace. 17. února 2018
Úvodní informace Funkce více proměnných Přednáška první 17. února 2018 Obsah 1 Úvodní informace. 2 Funkce více proměnných Definiční obor Limita a spojitost Derivace, diferencovatelnost, diferenciál Úvodní
VícePožadavky ke zkoušce. Ukázková písemka
Požadavky ke zkoušce Zkouška z předmětu MATEMATIKA 1 má dvě části Písemná část: Písemná část se ještě dále rozděluje na praktickou část písemku a teoretickou část test. Písemka trvá 90 minut a je v ní
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 207 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 204 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
Více