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

Rozměr: px
Začít zobrazení ze stránky:

Download "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"

Transkript

1 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 Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud má vstupní hodnota náhodný charakter, je náhodnou veličinou, bude mít i výstupní hodnota náhodný charakter. Základní úlohou je ted určit ze známého rozdělení vstupní veličin rozdělení veličin výstupní. Definujme nejprve co je transformovaná náhodná veličina Definice: Transformovaná náhodná veličina. Je-li X náhodná veličina a h je reálná funkce taková, že její definiční obor obsahuje obor hodnot náhodné veličin X, pak náhodnou veličinu Y, která je definována vztahem ( ) X = x Y = h(x) nazýváme transformovanou náhodnou veličinou a označujeme ji smbolem ( ) Y = h(x). Poznámka: Při definici obecných a centrálních momentů jsme vlastně použili trasformovanou náhodnou veličinu např. X 2, X k, (X E(X)) 2, a pod. Obdobně jsme při odvozování vlastností normálního rozdělení všetřovali lineární závislost Y = X + β, ted trasformovanou náhodnou veličinu. Ukázali jsme si také vlastnost střední hodnot při lineární trasformaci, totiž vzorec E(X + β) = E(X) + β. Budeme nní hledat vztah mezi rozděleními při transformaci. Budeme uvažovat nejprve diskrétní rozdělení jako zvláštní případ Věta: Transformace diskrétního rozdělení. Nechť má náhodná veličina X diskrétní rozdělení s pravděpodobnostní funkcí p, p(x) = P (X = x), potom má transformovaná náhodná veličina Y = h(x) také diskrétní rozdělení a pro její distribuční funkci p platí: p () = x h 1 () p(x), R. Důkaz: První část tvrzení je zřejmá. Jestliže náhodná veličina X nabývá diskrétních hodnot z množin {x i }, pak hodnot náhodné veličin Y jsou z množin {h(x i )}. Pro pravděpodobnostní funkci p náhodné veličin Y pak platí: p () = P (Y = ) = P (h(x) = ) = P (X h 1 ()) = x h 1 () p(x), R. Vzor hodnot, ted množina h 1 () je ovšem množina všech hodnot x, pro které je = h(x), ted hodnot náhodné veličin X, které se při trasformaci pomocí funkce h trasformují do hodnot Y = h(x). T tvoří množinu diskrétních hodnot, které se navzájem vlučují a ted pravděpodobnost P (Y = ) dostaneme jako součet pravděpodobností z uvedeného vzorce. Poznámka: Výpočet pravděpodobnostní funkce provedeme ted tak, že k tabulce pravděpodobnostní funkce přidáme řádek hodnot = h(x), zjistíme, které hodnot proměnné x přejdou při trasformaci do stejné hodnot a odpovídající pravděpodobnosti p(x) sečteme. Tabulku pak přerovnáme podle velikostí proměnné. Postup si ukážeme na jednoduchém příkladě. 48

2 Příklad: Nechť je rozdělení náhodné veličin X dáno tabulkou Tab Utvořme tabulku pro rozdělení náhodné veličin Y = X 2 1. x p(x),1,25,15,3, x p(x),1,25,15,3,2 Tab Tab Přidáme k tabulce řádek funkčních hodnot proměnné x po transformaci = x 2 1. Dostaneme rozšířenou tabulku Tab Z tabulk vidíme, že náhodná veličina Y nabývá hodnot -1, a 3. Je pak: p ( 1) = P (Y = 1) = P (X 2 1 = 1) = P (X = ) = p() =, 15; p () = P (Y = ) = P (X 2 = 1) = P (X = 1 X = 1) = p( 1) + p(1) =, 55; p (3) = P (Y = 3) = P (X 2 = 4) = P (X = 2 X = 2) = p( 2) + p(2) =, 3. Pravděpodobnostní funkce p náhodné veličin Y je uvedena v tabulce Tab p (),15,55,3 Tab Poznámka: V případě spojitého či smíšeného rozdělení provedeme výpočet distribuční funkce podle uvedeného algoritmu. Pokud je trasformovaná náhodná veličina spojitá, nalezneme z ní snadno hustotu derivováním Algoritmus pro transformovanou distribuční funkci. Nechť má náhodná veličina X distribuční funkci F, případně hustotu f, f(x) = F (x). Označme si G distribuční funkci, případně g, g() = G () hustotu transformované náhodnou veličin Y = h(x). Potom podle definice distribuční funkce je: G() = P (Y ) = P (h(x) ) = P (X h 1 (, ), R, kde smbolem h 1 (, ) označujeme vzor množin (,, ted množinu všech x, pro které je h(x). Tato množina je intervalem, nebo sjednocením intervalů a odpovídající pravděpodobnost zjistíme pomocí původní distribuční funkce či hustot. Budeme uvedený algoritmus ilustrovat na několika příkladech Příklad: Lineární transformaci Y = X +β jsme uvedli v kapitole 8 pro normální rozdělení. Zopakujme si uvedený výpočet. V souladu s uvedeným označením je G() = P (Y ) = P (X + β ) = P (X β) = P (X β ) = F ( β ) > = P (X β ) = 1 F ( β ), <. Potom pro hustotu g rozdělení náhodné veličin Y dostaneme: ( ) d g() = G d F ( β () = ) = 1 f( β ) ( ) d d 1 F ( β ) = 1 f( β ) = 1 ( ) β f. 49

3 9.5. Příklad: Nechť má náhodná veličina X exponenciální rozdělení Exp(; 1) s hustotou, která je určena vztah:, x <, f(x) = e x, x. Určete hustotu rozdělení pravděpodobnosti náhodné veličin Y = X. Řešení: Znázorníme si na obrázku Obr průběh hustot f a na obrázku Obr vznačíme průběh trasformující funkce = x, x, ). 1 f(x), Y Y = X = Y x X = 2 x, X Obr Obr 9.2. Z obrázku 9.1 vplývá, že náhodná veličina X nabývá hodnot z intervalu, ), neboť zde je hustota f kladná. Z obrázku 9.2 vplývá, že funkce = x zobrazuje tento interval na interval, ). To znamená, že náhodná veličina nabývá pouze hodnot z tohoto intervalu a tudíž jsou její distribuční funkce G a hustota g rovn nule pro <. Pro hodnot vpočteme hodnotu distribuční funkce G výše popsaným algoritmem. Je G() = P (Y ) = P ( X ) = P ( X 2 ) = F ( 2 ) F () = F ( 2 ),, ). Odtud dostaneme, že pro hustotu g platí vjádření: g() = G () = d d ( ) F ( 2 ) = 2f( 2 ) = 2e 2, (, ). Snadno vpočteme i hodnotu distribuční funkce F náhodné veličin X. Je, x, F (x) = 1 e x, x. Odtud plne, že G() =,, 1 e 2,. Všimneme si, že k určení hustot g nám postačilo znát hustotu f. Výpočet distribuční funkce G pomocí distribuční funkce F je prováděn pouze v smbolech a po provedení derivace vstačíme k vjádření hustot g pouze s hustotou f Příklad: Jestliže má náhodná veličina X normální rozdělení N(; 1), určete hustotu a distribuční funkci transformované náhodné veličin Y = X 2. Řešení: V souladu se značením v kapitole 8 označíme Φ distribuční funkci a ϕ hustou náhodné veličin X. Z průběhu funkce ϕ na obrázku Obr. 8.1 vplývá, že náhodná veličina X nabývá všech reálných hodnot. Znázorníme si na obrázku 9.3 průběh trasformující funkce Y = X 2. 5

4 , Y Y = X 2 g() Y = X = X = x, X Obr Obr 9.4. Protože funkce = x 2 nabývá všech nezáporných hodnot, bude náhodná veličina Y nabývat také nezáporných hodnot. Jsou ted její distribuční funkce G a hustota g rovn nule pro zápornou hodnotu argumentu. Pro pak dostaneme: G() = P (Y ) = P (X 2 ) = P ( X ) = Φ( ) Φ( ) = 2Φ( ) 1, kdž použijeme vztahu Φ( x) = 1 Φ(x) z kapitol 8. Potom pro hustotu g náhodné veličin Y odtud dostaneme: g() = G () = d d (2Φ( ) 1) = 1 ϕ( ) = 1 2π e 2, (, ), jestliže použijeme skutečnosti z kapitol 8, ϕ(x) = 1 2π e x2 2, x R. Toto rozdělení nazýváme rozdělení χ 2 (1) o jednom stupni volnosti. Čteme chí-kvadrát a rozdělení tohoto tpu patří k nejpoužívanějším v matematické statistice. Průběh hustot je znázorněn na obrázku Příklad: Nechť má náhodná veličina X rovnoměrné rozdělení v intervalu (, 1). Určete rozdělení náhodné veličin Y = lnx. Řešení: Náhodná veličina X nabývá hodnot z intervalu (, 1) a transformující funkce = lnx nabývá v tomto intervalu všech kladných hodnot. Náhodná veličina Y nabývá tudíž kladných hodnot a jsou ted její distribuční funkce G a hustota g rovn nule pro záporné hodnot argumentu. Situaci si znázorníme na obrázku Obr Hodnot distribuční funkce pro kladný argument vpočteme popsaným způsobem. Je pak G() = P (Y ) = P ( lnx ) = P (lnx ) = P (X e ) = 1 F (e ) = 1 e, kdž použijeme výsledků o rovnoměrném rozdělení z odstavce 5.9. Hustotu g získáme přímo derivováním nebo ze vztahu g() = G () = d d ( 1 F (e ) ) = f(e ) = e, >. Opět použijeme vjádření pro hustotu rovnoměrného rozdělení z odstavce 5.9. Průběh hustot g je znázorněn na obrázku Obr. 9.6., Y Y = Y = lnx 1 g() X = e 1 x, X Obr Obr

5 9.8. Příklad: Náhodná veličina X má exponenciální rozdělení Exp(; 1) a náhodná veličina Y = min{x, 2}. a) Určete rozdělení náhodné veličin Y (její distribuční funkci). b) Vpočtěte střední hodnotu E(Y ), rozptl D(Y ) a směrodatnou odchlku σ(y ). Řešení: Náhodná veličina nabývá kladných hodnot. Její hustota rozdělení pravděpodobnosti f je rovna, x (, ), f(x) = e x, x, ). Distribuční funkci F určíme ze vzorce F (x) = pro x : F (x) = ; pro x > : F (x) = F () + x F (x) = x f(t) dt, x R. Je pak e t dt = + [ e t] x = 1 e x. Ted, x (, ), 1 e x, x, ). Náhodná veličina Y nabývá hodnot z intervalu (, 2. Pro její distribuční funkci G platí: (, : G() = P (Y ) = P (min{x; 2} ) = P (X ) = ; (, 2) : G() = P (Y ) = P (min{x; 2} ) = P (X ) = F () = 1 e ; 2, ) : P (Y ) = P (min{x; 2} ) = 1. Náhodná veličina Y má smíšené rozdělení a P (Y = 2) = P (X 2) = 1 F (2) = = 1 (1 e 2 ) = e 2 =, Střední hodnotu Y vpočteme takto: E(Y ) = min{x; 2}f(x) dx = 2 xe x dx e x dx = [ e x ( x 1) ] (1 F (2)) = 3e e 2 = 1 e 2 =, K výpočtu rozptlu použijeme vzorce D(X) = E(X 2 ) (E(X)) 2. Je E(Y 2 ) = 2 (min{x; 2}) 2 f(x)dx = [ ] 2 x 2 e x dx + 4.P (X 2) = e x ( x 2 2x 2) + 4.(1 F (2)) = 1e e 2 = 2 6e 2 = 1, Potom je D(Y ) = E(Y 2 ) E(Y ) 2 = 2 6e 2 (1 e 2 ) 2 = 2 6e 2 1+2e 2 +e 4 = 1 4e 2 +e 4 =, Pro směrodatnou odchlku dostaneme σ(y ) = D(Y ) =, Definice: Charakteristická funkce Je-li X náhodná veličina, pak funkci ψ X reálné proměnné t, která je definována vztahem ψ X (t) = E(e jtx ), t R, nazýváme charakteristickou funkcí náhodné veličin X Věta: Výpočet charakteristické funkce. Charakteristickou funkci náhodné veličin vpočteme pomocí vzorce, který závisí na tpu rozdělení. 52

6 1. Náhodná veličina X má diskrétní rozdělení s pravděpodobnostní funkcí p(x), pak je její charakteristická funkce rovna ψ X (t) = x R e jtx p(x), t R. 2. Náhodná veličina X má spojité rozdělení s hustotu f(x), pak je její charakteristická funkce rovna ψ X (t) = f(x)e jtx dx, t R. 3. Náhodná veličina X má smíšené rozdělení s distribuční funkcí F (x), pak je její charakteristická funkce rovna ψ X (t) = x R[F (x) F (x )]e jtx + F (x)e jtx dx, t R Příklad: Náhodná veličina X má diskrétní rozdělení (alternativní), kd p() = P (X = ) = 1 p, p(1) = P (X = 1) = p, < p < 1. Řešení: Podle vzorce v 1 z odstavce 9.1. je ψ X (t) = p()e jt. + p(1)e jt.1 = 1 p + pe jt, t R Příklad: Náhodná veličina X má spojité rovnoměrné rozdělení v intervalu (, 1). Řešení: Hustota f náhodné veličin X je rovna jedné v intervalu (, 1) a jinde je nulová. Potom podle vzorce v 2 z odstavce 9.1 je ψ X (t) = 1 e jtx dx = [ ] e jtx 1 jt = j(1 ejt ), t R, t. t Příklad: Náhodná veličina X má exponenciální rozdělení Exp(; δ). Řešení: Náhodná veličina má kladnou hustotu f(x) = 1 δ e x δ pro x >. Podle vzorce 2 z vět 9.1 je charakteristická funkce rovna ψ X (t) = 1 e jtx e x 1 δ dx = e x(jt 1 δ ) dx = δ δ = 1 [ δ(jt 1 δ ) e x(jt 1 )] δ = 1 1 jδt Věta: Vlastnosti charakteristické funkce. Pro charakteristickou funkci náhodné veličin X platí: 1. Je ψ X () = 1, ψ X (t) 1, t R. 2. Funkce ψ X je spojitá v R. 3. Funkce ψ X má tolik derivací v nule, kolik má náhodná veličina momentů a je ψ (k) X () = jk E(X k ), k =, 1, 2,

7 4. Pro čísla, β je ψ X+β (t) = e jtβ ψ X (t), t R. 5. Jsou-li náhodné veličin X a Y nezávislé, pak je ψ X+Y (t) = ψ X (t).ψ Y (t), t R. Důkaz: Tvrzení 1 snadno vplývá ze vzorců 1-3 z odstavce 9.1. Tvrzení 2 nebudeme odvozovat, jeho důkaz není obtížný, je pouze pracný. Ke tvrzení 3 uvedeme jako příklad formální odvození vztahu pro spojité rozdělení. Je ψ X(t) = d dt a odtud po dosazení dostaneme f(x)e jtx dx = f(x)jxe jtx dx ψ X() = j xf(x) dx = je(x). Vzorec pro další moment dostaneme opětovným derivováním. Poměrně snadno ověříme možnost záměn derivování a integrace. Tvrzení 4 snadno odvodíme z vlastností střední hodnot. Je totiž ψ X+β (t) = E(e jt(x+β) ) = E(e jtβ e j(t)x ) = e jtβ ψ X (t). Tvrzení 5 vplývá z vlastnosti pro střední hodnotu součinu nezávislých veličin. Je ψ X+Y (t) = E(e jt(x+y ) ) = E(e jtx e jty ) = E(e jtx )E(e jty ) = ψ X (t)ψ Y (t) Příklad: Náhodné veličin X i, 1 i n, jsou nezávislé a mají exponenciální rozdělení Exp(; δ). Určete charakteristickou funkci náhodné veličin T = 2nX δ. Řešení: Podle příkladu má každá z náhodných veličin X i charakteristickou funkci ψ(t) = 1 1 jδt. Potom podle tvrzení 5 z vět 9.14 má jejich součet X = n X i charakteristickou i=1 funkci 1 ψ X = (1 jδt) n. Potom podle tvrzení 4 z vět 9.14, kde volíme = 2 δ, β = je ψ T (t) = ψ X( 2 δ t) = 1 (1 2jt) n. Poznámka: Charakteristická funkce ψ T je charakteristickou funkcí náhodné veličin, která má rozdělení χ 2 (2n). Této skutečnosti se vužívá při odhadech parametrů exponenciálního rozdělení. 54

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

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

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

10. 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. 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

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

VI. Derivace složené funkce.

VI. Derivace složené funkce. VI. Derivace složené funkce. 17. Parciální derivace složené funkce Budeme uvažovat složenou funkci F = f(g, kde některá z jejich součástí může být funkcí více proměnných. Předpokládáme, že uvažujeme funkce,

Více

15. T e s t o v á n í h y p o t é z

15. T e s t o v á n í h y p o t é z 15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:

Více

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Definice 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

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

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 2: Pravděpodobnostní vyjádření náhodných veličin 0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování

Více

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou

Více

Náhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která

Náhodná 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

Více

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad.

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad. 8. Taylorova řada. V urzu matematiy jsme uázali, že je možné funci f, terá má v oolí bodu x derivace aproximovat polynomem, jehož derivace se shodují s derivacemi aproximované funce v bodě x. Poud má funce

Více

Diferenciální rovnice

Diferenciální rovnice Obyčejné diferenciální rovnice - studijní text pro cvičení v předmětu Matematika - 2. Studijní materiál byl připraven pracovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za podpory grantu IG ČVUT

Více

7. Rozdělení pravděpodobnosti ve statistice

7. 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,

Více

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 2: Pravděpodobnostní vyjádření náhodných veličin 0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník

Více

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

Pojmy 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

Více

PRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.

PRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim. PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí

Více

5. T e s t o v á n í h y p o t é z

5. T e s t o v á n í h y p o t é z 5. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:

Více

Otázku, kterými body prochází větev implicitní funkce řeší následující věta.

Otázku, kterými body prochází větev implicitní funkce řeší následující věta. 1 Implicitní funkce Implicitní funkce nejsou funkce ve smyslu definice, že funkce bodu z definičního oboru D přiřadí právě jednu hodnotu z oboru hodnot H. Přesnější termín je funkce zadaná implicitně.

Více

PRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE

PRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE PIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí

Více

AVDAT Náhodný vektor, mnohorozměrné rozdělení

AVDAT 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

Více

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b

Více

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)

n = 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 =

Více

Derivace funkce. Přednáška MATEMATIKA č Jiří Neubauer

Derivace funkce. Přednáška MATEMATIKA č Jiří Neubauer Přednáška MATEMATIKA č. 9-11 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Šotová, J., Doudová, L. Diferenciální počet funkcí jedné proměnné Motivační příklady

Více

8 Střední hodnota a rozptyl

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

Více

1. Funkce dvou a více proměnných. Úvod, limita a spojitost. Definiční obor, obor hodnot a vrstevnice grafu

1. Funkce dvou a více proměnných. Úvod, limita a spojitost. Definiční obor, obor hodnot a vrstevnice grafu 22- a3b2/df.te. Funkce dvou a více proměnných. Úvod, ita a spojitost. Definiční obor, obor hodnot a vrstevnice grafu. Určete definiční obor funkce a proveďte klasifikaci bodů z R 2 vzhledem k a rozhodněte

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

NÁHODNÝ VEKTOR. 4. cvičení

NÁHODNÝ 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.

Více

Parciální derivace a diferenciál

Parciální derivace a diferenciál Parciální derivace a diferenciál Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?

Někdy 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.

Více

8.2. Exaktní rovnice. F(x, y) x. dy. df = dx + y. Nyní budeme hledat odpověd na otázku, zda a jak lze od této diferenciální formule

8.2. Exaktní rovnice. F(x, y) x. dy. df = dx + y. Nyní budeme hledat odpověd na otázku, zda a jak lze od této diferenciální formule Cíle Ve výkladu o funkcích dvou proměnných jsme se seznámili také s jejich diferenciálem prvního řádu, který je pro funkci F(x, y) vyjádřen výrazem df dx + dy. Nyní budeme hledat odpověd na otázku, zda

Více

Analytická geometrie lineárních útvarů

Analytická geometrie lineárních útvarů ) Na přímce: a) Souřadnice bodu na přímce: Analtická geometrie lineárních útvarů Bod P nazýváme počátek - jeho souřadnice je P [0] Nalevo od počátku leží čísla záporná, napravo čísla kladná. Každý bod

Více

5. B o d o v é o d h a d y p a r a m e t r ů

5. B o d o v é o d h a d y p a r a m e t r ů 5. B o d o v é o d h a d y p a r a m e t r ů Na základě hodnot náhodného výběru z rozdělení určitého typu odhadujeme parametry tohoto rozdělení, tak aby co nejlépe odpovídaly hodnotám výběru. Formulujme

Více

Diferenciál funkce. L Hospitalovo pravidlo. 22. a 23. března 2011

Diferenciál funkce. L Hospitalovo pravidlo. 22. a 23. března 2011 Diferenciál funkce Derivace vyšších řádů L Hospitalovo pravidlo Jiří Fišer 22. a 23. března 2011 Jiří Fišer (KMA, PřF UP Olomouc) KMA MAT2 Přednáška č. 6 22. a 23. března 2011 1 / 18 y ω(h) dy O x Obrázek:

Více

6. DIFERENCIÁLNÍ POČET FUNKCE VÍCE PROMĚNNÝCH

6. DIFERENCIÁLNÍ POČET FUNKCE VÍCE PROMĚNNÝCH Funkce více proměnných 6 DIFERENCIÁLNÍ POČET FUNKCE VÍCE PROMĚNNÝCH Ve čtvrté kapitole jsme studovali vlastnosti funkcí jedné nezávisle proměnné K popisu mnoha reálných situací však s jednou nezávisle

Více

Petr Hasil. Prvákoviny c Petr Hasil (MUNI) Úvod do infinitezimálního počtu Prvákoviny / 57

Petr Hasil. Prvákoviny c Petr Hasil (MUNI) Úvod do infinitezimálního počtu Prvákoviny / 57 Úvod do infinitezimálního počtu Petr Hasil Prvákoviny 2015 c Petr Hasil (MUNI) Úvod do infinitezimálního počtu Prvákoviny 2015 1 / 57 Obsah 1 Úvod Funkce Reálná čísla a posloupnosti Limita a spojitost

Více

Aplikovaná numerická matematika

Aplikovaná 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

Více

Křivkové integrály prvního druhu Vypočítejte dané křivkové integrály prvního druhu v R 2.

Křivkové integrály prvního druhu Vypočítejte dané křivkové integrály prvního druhu v R 2. Křivové integrál prvního druhu Vpočítejte dané řivové integrál prvního druhu v R. Přílad. ds x, de je úseča AB, A[, ], B[4, ]. Řešení: Pro řivový integrál prvního druhu platí: fx, ) ds β α fϕt), ψt)) ϕ

Více

Definice spojité náhodné veličiny zjednodušená verze

Definice spojité náhodné veličiny zjednodušená verze Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f

Více

11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah

11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah 11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné

Více

Příklad 1. Řešení 1a. Řešení 1b ŘEŠENÉ PŘÍKLADY Z M1B ČÁST 5

Příklad 1. Řešení 1a. Řešení 1b ŘEŠENÉ PŘÍKLADY Z M1B ČÁST 5 Příklad 1 Najděte totální diferenciál d (h) pro h=(h,h ) v příslušných bodech pro následující funkce: a) (,)= cos, =1; b) (,)=ln( + ), =2; 0 c) (,)=arctg(), =1; 0 1 d) (,)= +, =1; 1 Řešení 1a Máme nalézt

Více

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Matematika 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

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení

Více

Diskrétní náhodná veličina. November 12, 2008

Diskrétní 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.

Více

Kapitola 7: Integrál. 1/17

Kapitola 7: Integrál. 1/17 Kapitola 7: Integrál. 1/17 Neurčitý integrál - Motivační příklad 2/17 Příklad: Necht se bod pohybuje po přímce rychlostí a) v(t) = 3 [m/s] (rovnoměrný přímočarý pohyb), b) v(t) = 2t [m/s] (rovnoměrně zrychlený

Více

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

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

Více

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

Normální rozložení a odvozená rozložení

Normální rozložení a odvozená rozložení I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět

Více

x + F F x F (x, f(x)).

x + F F x F (x, f(x)). I. Funkce dvou více reálných proměnných 8. Implicitně dné funkce. Budeme se zbývt úlohou, kdy funkce není zdná přímo předpisem, který vyjdřuje závislost její hodnoty n hodnotách proměnných. Jeden z možných

Více

9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1

9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1 9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom

Více

INTEGRÁLY S PARAMETREM

INTEGRÁLY S PARAMETREM INTEGRÁLY S PARAMETREM b a V kapitole o integraci funkcí více proměnných byla potřeba funkce g(x) = f(x, y) dy proměnné x. Spojitost funkce g(x) = b a f(x, y) dy proměnné x znamená vlastně prohození limity

Více

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

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

Více

2 Reálné funkce jedné reálné proměnné

2 Reálné funkce jedné reálné proměnné 2 Reálné funkce jedné reálné proměnné S funkcemi se setkáváme na každém kroku, ve všech přírodních vědách, ale i v každodenním životě. Každá situace, kd jsou nějaký jev nebo veličina jednoznačně určen

Více

Diskrétní náhodná veličina

Diskrétní náhodná veličina Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné

Více

3 Bodové odhady a jejich vlastnosti

3 Bodové odhady a jejich vlastnosti 3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe

Více

má spojité parciální derivace druhého řádu ve všech bodech této množiny. Výpočtem postupně dostaneme: y = 9xy2 + 2,

má spojité parciální derivace druhého řádu ve všech bodech této množiny. Výpočtem postupně dostaneme: y = 9xy2 + 2, 4. Parciální derivace a diferenciál. řádu 0-a3b/4dvr.tex Příklad. Určete parciální derivace druhého řádu funkce f v obecném bodě a v daných bodech. Napište obecný tvar. diferenciálu, jeho hodnotu v daných

Více

Pravděpodobnost a statistika

Pravděpodobnost a statistika Pravděpodobnost a statistika Normální rozdělení a centrální limitní věta Vilém Vychodil KMI/PRAS, Přednáška 9 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 9) Normální rozdělení

Více

Metody výpočtu limit funkcí a posloupností

Metody výpočtu limit funkcí a posloupností Metody výpočtu limit funkcí a posloupností Martina Šimůnková, 6. listopadu 205 Učební tet k předmětu Matematická analýza pro studenty FP TUL Značení a terminologie R značí množinu reálných čísel, rozšířenou

Více

Regresní analýza 1. Regresní analýza

Regresní 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

Více

Matematická analýza ve Vesmíru. Jiří Bouchala

Matematická analýza ve Vesmíru. Jiří Bouchala Matematická analýza ve Vesmíru Jiří Bouchala Katedra aplikované matematiky jiri.bouchala@vsb.cz www.am.vsb.cz/bouchala - p. 1/19 typu: m x (sin x, cos x) R(x, ax +...)dx. Matematická analýza ve Vesmíru.

Více

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

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

Více

Náhodný vektor a jeho charakteristiky

Náhodný 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

Více

Pravdpodobnost výskytu náhodné veliiny na njakém intervalu urujeme na základ tchto vztah: f(x)

Pravdpodobnost výskytu náhodné veliiny na njakém intervalu urujeme na základ tchto vztah: f(x) NÁHODNÁ VELIINA Náhodná veliina je veliina, jejíž hodnota je jednoznan urena výsledkem náhodného pokusu (je-li tento výsledek dán reálným íslem). Jde o reálnou funkci definovanou na základním prostoru

Více

Funkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015

Funkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015 Funkce jedné reálné proměnné Derivace Přednáška 2 15. října 2015 Obsah 1 Funkce 2 Limita a spojitost funkce 3 Derivace 4 Průběh funkce Informace Literatura v elektronické verzi (odkazy ze STAGu): 1 Lineární

Více

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz. Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení

Více

1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH

1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH 1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH V minulém semestru jsme studovali vlastnosti unkcí jedné nezávislé proměnné. K popisu mnoha reálných situací obvkle s jednou proměnnou nevstačíme. FUNKCE DVOU

Více

Poznámky k předmětu Aplikovaná statistika, 5.téma

Poznámky k předmětu Aplikovaná statistika, 5.téma Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné

Více

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na Matematika II 7.1. Zavedení diferenciálních rovnic Definice 7.1.1. Rovnice tvaru F(y (n), y (n 1),, y, y, x) = 0 se nazývá diferenciální rovnice n-tého řádu pro funkci y = y(x). Speciálně je F(y, y, x)

Více

1. Přednáška. Ing. Miroslav Šulai, MBA

1. Přednáška. Ing. Miroslav Šulai, MBA N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy

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

7. Analýza rozptylu.

7. 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

Více

Rozhodnutí / Skutečnost platí neplatí Nezamítáme správně chyba 2. druhu Zamítáme chyba 1. druhu správně

Rozhodnutí / Skutečnost platí neplatí Nezamítáme správně chyba 2. druhu Zamítáme chyba 1. druhu správně Testování hypotéz Nechť,, je náhodný výběr z nějakého rozdělení s neznámými parametry. Máme dvě navzájem si odporující hypotézy o parametrech daného rozdělení: Nulová hypotéza parametry (případně jediný

Více

Nestranný odhad Statistické vyhodnocování exp. dat M. Čada

Nestranný odhad Statistické vyhodnocování exp. dat M. Čada Nestranný odhad 1 Parametr θ Máme statistický (výběrový) soubor, který je realizací náhodného výběru 1, 2, 3,, n z pravděpodobnostní distribuce, která je kompletně stanovena jedním nebo více parametry

Více

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční

Více

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina. Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment

Více

1 Rozptyl a kovariance

1 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

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel: NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného

Více

Řešení: a) Označme f hustotu a F distribuční funkci náhodné veličiny X. Obdobně označme g hustotu a G distribuční funkci náhodné veličiny Y.

Řešení: a) Označme f hustotu a F distribuční funkci náhodné veličiny X. Obdobně označme g hustotu a G distribuční funkci náhodné veličiny Y. VII. Transformace náhodné veličiny. Náhodná veličina X má exponenciální rozdělení Ex(; ) a náhodná veličina Y = X. a) Určete hustotu a distribuční funkci náhodné veličiny Y. b) Vypočtěte E(Y ) a D(Y ).

Více

Kapitola 10: Diferenciální rovnice 1/14

Kapitola 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

Více

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami. 3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její

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

F n = F 1 n 1 + F 2 n 2 + F 3 n 3.

F n = F 1 n 1 + F 2 n 2 + F 3 n 3. Plošný integrál Několik pojmů Při našich úvahách budeme často vužívat skalární součin dvou vektorů. Platí F n F n cos α, kde α je úhel, který svírají vektor F a n. Vidíme, že pokud je tento úhel ostrý,

Více

Vybraná rozdělení náhodné veličiny

Vybraná rozdělení náhodné veličiny 3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.

Více

Monotonie a lokální extrémy. Konvexnost, konkávnost a inflexní body. 266 I. Diferenciální počet funkcí jedné proměnné

Monotonie a lokální extrémy. Konvexnost, konkávnost a inflexní body. 266 I. Diferenciální počet funkcí jedné proměnné 66 I. Diferenciální počet funkcí jedné proměnné I. 5. Vyšetřování průběhu funkce Monotonie a lokální etrémy Důsledek. Nechť má funkce f) konečnou derivaci na intervalu I. Je-li f ) > 0 pro každé I, pak

Více

5. Lokální, vázané a globální extrémy

5. Lokální, vázané a globální extrémy 5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,

Více

Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.

Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. 4 Afinita Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. Poznámka. Vzájemně jednoznačným zobrazením rozumíme zobrazení,

Více

Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech

Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení

Více

TECHNICKÁ UNIVERZITA V LIBERCI

TECHNICKÁ UNIVERZITA V LIBERCI TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl

Více

Matematika I A ukázkový test 1 pro 2014/2015

Matematika I A ukázkový test 1 pro 2014/2015 Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)

Více

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

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

Více

Průvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat

Průvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat 6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat

Více

Základy matematiky pro FEK

Základy matematiky pro FEK Základy matematiky pro FEK 12. přednáška Blanka Šedivá KMA zimní semestr 216/21 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 216/21 1 / 15 Integrování jako inverzní operace příklady inverzních

Více

+ 2y. a y = 1 x 2. du x = nxn 1 f(u) 2x n 3 yf (u)

+ 2y. a y = 1 x 2. du x = nxn 1 f(u) 2x n 3 yf (u) Diferenciální počet příklad 1 Dokažte, že funkce F, = n f 2, kde f je spojitě diferencovatelná funkce, vhovuje vztahu + 2 = nf ; 0 Řešení: Označme u = 2. Pak je F, = n fu a platí Podle vět o derivaci složené

Více

Funkce zadané implicitně

Funkce zadané implicitně Kapitola 8 Funkce zadané implicitně Začneme několika příklady. Prvním je známá rovnice pro jednotkovou kružnici x 2 + y 2 1 = 0. Tato rovnice popisuje křivku, kterou si však nelze představit jako graf

Více

Náhodné vektory a matice

Náhodné 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

Více