Design Experimentu a Statistika - AGA46E
|
|
- Kamila Beranová
- před 7 lety
- Počet zobrazení:
Transkript
1 Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: M 14:00 15:30 W 15:30 17:00 (or by appointment) 1 / 16
2 Strucny prehled Klasicky vs. geometricky koncept Klasicky pravdepodobnostny koncept Diskretne nahodne veliciny Geometricky pravdepodobnostny koncept Spojite nahodne veliciny N 2 / 16
3 Strucny prehled Diskretne nahodne veliciny Pravdepodobnostni funkce : P[X = x] nezaporna funkce se sloupcami v jednotlivych udalostech; velikost kazdeho slopce zodpovida pravdepodobnosti vyskytu; soucet velikosti vsech sloupci je porad rovny jedne; Kumulativni distribucni funkce: F (x) = P[X x] nezaporna, neklesajici a po castech konstantni funkce; velikost kazdeho skoku zodpovida pravdepodobnosti vyskytu; hodnota funkce je nula v a rovna jedne v + ; Probability Cumulative Probability Random Variable Values Random Variable Values 3 / 16
4 Strucny prehled Diskretne nahodne veliciny Pravdepodobnostni funkce : P[X = x] nezaporna funkce se sloupcami v jednotlivych udalostech; velikost kazdeho slopce zodpovida pravdepodobnosti vyskytu; soucet velikosti vsech sloupci je porad rovny jedne; Kumulativni distribucni funkce: F (x) = P[X x] nezaporna, neklesajici a po castech konstantni funkce; velikost kazdeho skoku zodpovida pravdepodobnosti vyskytu; hodnota funkce je nula v a rovna jedne v + ; Probability Cumulative Probability Random Variable Values Random Variable Values Vzajemny formalny vztah mezi obema funkcemi: F (x) = P[X x] = P[X = x i] i; x i x 3 / 16
5 Od diskretnych ke spojitym... Frequency 4 Bars 4 / 16
6 Od diskretnych ke spojitym... Frequency 40 Bars 4 / 16
7 Od diskretnych ke spojitym... Frequency 80 Bars 4 / 16
8 Od diskretnych ke spojitym... Frequency 200 Bars 4 / 16
9 Od diskretnych ke spojitym... Frequency 500 Bars 4 / 16
10 Od diskretnych ke spojitym... Frequency 800 Bars 4 / 16
11 Od diskretnych ke spojitym... Frequency 2000 Bars 4 / 16
12 Od diskretnych ke spojitym... Density 4 / 16
13 Od diskretnych ke spojitym... Fn(x) 4 Jumps 5 / 16
14 Od diskretnych ke spojitym... Fn(x) 40 Jumps 5 / 16
15 Od diskretnych ke spojitym... Fn(x) 80 Jumps 5 / 16
16 Od diskretnych ke spojitym... Fn(x) 200 Jumps 5 / 16
17 Od diskretnych ke spojitym... Fn(x) 500 Jumps 5 / 16
18 Od diskretnych ke spojitym... Fn(x) 800 Jumps 5 / 16
19 Od diskretnych ke spojitym... Fn(x) 2000 Jumps 5 / 16
20 Od diskretnych ke spojitym... Fn(x) 5 / 16
21 Diskretne a spojite n. veliciny Nahodna velicina X s nejakym diskretnym rozdelenim... 6 / 16
22 Diskretne a spojite n. veliciny Nahodna velicina X s nejakym diskretnym rozdelenim... Jak spravne interpretovat funkci F (x) = P[X x]? 6 / 16
23 Diskretne a spojite n. veliciny Nahodna velicina X s nejakym diskretnym rozdelenim... Jak spravne interpretovat funkci F (x) = P[X x]? Nahodna velicina X s nejakym spojitym rozdelenim... 6 / 16
24 Diskretne a spojite n. veliciny Nahodna velicina X s nejakym diskretnym rozdelenim... Jak spravne interpretovat funkci F (x) = P[X x]? Nahodna velicina X s nejakym spojitym rozdelenim... Jak spravne interpretovat funkci F (x) = P[X x]? 6 / 16
25 Spojite nahodne veliciny nahodna velicina, ktora muze nabyvat nekonecne mnoho ruznych hodnot, nejcasteji v nejakem intervalu, nebo mnozine; 7 / 16
26 Spojite nahodne veliciny nahodna velicina, ktora muze nabyvat nekonecne mnoho ruznych hodnot, nejcasteji v nejakem intervalu, nebo mnozine; je charakterizovana pomoci nezaporne funkce zvane hustota, takova, ze f (x) 0, a f (x)dx = 1; 7 / 16
27 Spojite nahodne veliciny nahodna velicina, ktora muze nabyvat nekonecne mnoho ruznych hodnot, nejcasteji v nejakem intervalu, nebo mnozine; je charakterizovana pomoci nezaporne funkce zvane hustota, takova, ze f (x) 0, a f (x)dx = 1; prislusna kumulativni distribucni funkce je opet definovana jako F (x) = P[X x]; Navyse plati, ze F = f a F (x) = x f (u)du; 7 / 16
28 Spojite nahodne veliciny nahodna velicina, ktora muze nabyvat nekonecne mnoho ruznych hodnot, nejcasteji v nejakem intervalu, nebo mnozine; je charakterizovana pomoci nezaporne funkce zvane hustota, takova, ze f (x) 0, a f (x)dx = 1; prislusna kumulativni distribucni funkce je opet definovana jako F (x) = P[X x]; Navyse plati, ze F = f a F (x) = x f (u)du; dodatocne charakteristiky muzu byt pouzite k dodatecne specifikaci (napr. stredna hodnota, rozptyl, a pod.); 7 / 16
29 Spojite nahodne veliciny nahodna velicina, ktora muze nabyvat nekonecne mnoho ruznych hodnot, nejcasteji v nejakem intervalu, nebo mnozine; je charakterizovana pomoci nezaporne funkce zvane hustota, takova, ze f (x) 0, a f (x)dx = 1; prislusna kumulativni distribucni funkce je opet definovana jako F (x) = P[X x]; Navyse plati, ze F = f a F (x) = x f (u)du; dodatocne charakteristiky muzu byt pouzite k dodatecne specifikaci (napr. stredna hodnota, rozptyl, a pod.); diskretne a spojite veliciny su si v mnohem podobne; stejne tak existuje mnoho dulezitych (zasadnych) rozdilu; 7 / 16
30 Nektere charakteristiky Statistika Pravdepodobnost data generovane neznamym nahodnym mechanismem; nejaky neznamy nahodny mechanismus o kterem se chceme neco duleziteho dozvedet; Vyuzivame k tomu tymto mechanismem nagenerovane data; Diskretne Vyber X 1,..., X n; Vyberovy prumer: n X n = 1 X i n i=1 Vyberovy rozptyl: n sn 2 = 1 (X i X n) 2 n 1 i=1 S = {x 1, x 2,...} Stredna hodnota: N E(X) = x i P[X = x i ] i=1 Rozptyl: N Var(X) = P[X = x i ] (x i E(X)) 2 i=1 8 / 16
31 Nektere charakteristiky Statistika Pravdepodobnost data generovane neznamym nahodnym mechanismem; nejaky neznamy nahodny mechanismus o kterem se chceme neco duleziteho dozvedet; Vyuzivame k tomu tymto mechanismem nagenerovane data; Diskretne Spojite Vyber X 1,..., X n; Vyberovy prumer: n X n = 1 X i n i=1 Vyberovy rozptyl: n sn 2 = 1 (X i X n) 2 n 1 i=1 S = {x 1, x 2,...} Stredna hodnota: N E(X) = x i P[X = x i ] i=1 Rozptyl: N Var(X) = P[X = x i ] (x i E(X)) 2 i=1 8 / 16
32 Nektere charakteristiky Statistika Pravdepodobnost data generovane neznamym nahodnym mechanismem; nejaky neznamy nahodny mechanismus o kterem se chceme neco duleziteho dozvedet; Vyuzivame k tomu tymto mechanismem nagenerovane data; Diskretne Spojite Vyber X 1,..., X n; Vyberovy prumer: n X n = 1 X i n i=1 S = {x 1, x 2,...} Stredna hodnota: N E(X) = x i P[X = x i ] i=1 Populace S; Vyberovy rozptyl: n sn 2 = 1 (X i X n) 2 n 1 i=1 Rozptyl: N Var(X) = P[X = x i ] (x i E(X)) 2 i=1 8 / 16
33 Nektere charakteristiky Statistika Pravdepodobnost data generovane neznamym nahodnym mechanismem; nejaky neznamy nahodny mechanismus o kterem se chceme neco duleziteho dozvedet; Vyuzivame k tomu tymto mechanismem nagenerovane data; Diskretne Spojite Vyber X 1,..., X n; Vyberovy prumer: n X n = 1 X i n i=1 S = {x 1, x 2,...} Stredna hodnota: N E(X) = x i P[X = x i ] i=1 Populace S; Stredna hodnota: E(X) = xf (x)dx Vyberovy rozptyl: n sn 2 = 1 (X i X n) 2 n 1 i=1 Rozptyl: N Var(X) = P[X = x i ] (x i E(X)) 2 i=1 8 / 16
34 Nektere charakteristiky Statistika Pravdepodobnost data generovane neznamym nahodnym mechanismem; nejaky neznamy nahodny mechanismus o kterem se chceme neco duleziteho dozvedet; Vyuzivame k tomu tymto mechanismem nagenerovane data; Diskretne Spojite Vyber X 1,..., X n; Vyberovy prumer: n X n = 1 X i n i=1 Vyberovy rozptyl: n sn 2 = 1 (X i X n) 2 n 1 i=1 S = {x 1, x 2,...} Stredna hodnota: N E(X) = x i P[X = x i ] i=1 Rozptyl: Populace S; Stredna hodnota: E(X) = xf (x)dx Rozptyl: Var(X) = f (x)(x E(X)) 2 dx 8 / 16
35 Nektere spojite rozdeleni v statisticd Spojite rozdelenia vpodstate kazda nezaporna funkce takova, ze f (x) 0 a f (x)dx = 1, definuje nejake spojite rozdelenie; vacsina z nich je nedulezita, nepodstatna, par je ale vynimocnych; 9 / 16
36 Nektere spojite rozdeleni v statisticd Spojite rozdelenia vpodstate kazda nezaporna funkce takova, ze f (x) 0 a f (x)dx = 1, definuje nejake spojite rozdelenie; vacsina z nich je nedulezita, nepodstatna, par je ale vynimocnych; 9 / 16
37 Nektere spojite rozdeleni v statisticd Spojite rozdelenia vpodstate kazda nezaporna funkce takova, ze f (x) 0 a f (x)dx = 1, definuje nejake spojite rozdelenie; vacsina z nich je nedulezita, nepodstatna, par je ale vynimocnych; 9 / 16
38 Nektere spojite rozdeleni v statisticd Caste spojite rozdeleni Nektere nejcastejsi jsou... Uniform distribution; Laplace distribution; Gamma distribution; Weibull distribution; Exponential distribution; Beta distribution; χ 2 distribution; Student t distribution; Fisher distribution; Cauhy distribution; Gaussian (Normal) distribution; 10 / 16
39 Nektere spojite rozdeleni v statisticd Caste spojite rozdeleni Nektere nejcastejsi jsou... Uniform distribution; Laplace distribution; Gamma distribution; Weibull distribution; Exponential distribution; Beta distribution; χ 2 distribution; Student t distribution; Fisher distribution; Cauhy distribution; Gaussian (Normal) distribution; 10 / 16
40 Nektere spojite rozdeleni v statisticd Caste spojite rozdeleni Nektere nejcastejsi jsou... Uniform distribution; Laplace distribution; Gamma distribution; Weibull distribution; Exponential distribution; Beta distribution; χ 2 distribution; Student t distribution; Fisher distribution; Cauhy distribution; Gaussian (Normal) distribution; 10 / 16
41 Nektere spojite rozdeleni v statisticd Caste spojite rozdeleni Nektere nejcastejsi jsou... Uniform distribution; Laplace distribution; Gamma distribution; Weibull distribution; Exponential distribution; Beta distribution; χ 2 distribution; Student t distribution; Fisher distribution; Cauhy distribution; Gaussian (Normal) distribution; 10 / 16
42 Nektere spojite rozdeleni v statisticd Caste spojite rozdeleni Nektere nejcastejsi jsou... Uniform distribution; Laplace distribution; Gamma distribution; Weibull distribution; Exponential distribution; Beta distribution; χ 2 distribution; Student t distribution; Fisher distribution; Cauhy distribution; Gaussian (Normal) distribution; and many others / 16
43 Nektere spojite rozdeleni v statisticd Rovnomerne spojite rozdeleni 11 / 16
44 Nektere spojite rozdeleni v statisticd Rovnomerne spojite rozdeleni nejjednoduchsi spojite rozdeleni: X Unif (a, b); definovane na nejakem intervalu (a, b) R; zaroven plati, ze f (x) = 1 a+b, E(X) = a Var(X) = (b a)2 ; b a / 16
45 Nektere spojite rozdeleni v statisticd Exponencialne rozdeleni 12 / 16
46 Nektere spojite rozdeleni v statisticd Exponencialne rozdeleni pouziva sa pro modelovani casu mezi udalostmi: X Exp(λ); je definovano pro hodnoty [0, ) R, pro λ > 0; zaroven plati, ze, f (x) = λe λx, E(X) = 1 λ and Var(X) = 1 λ 2 ; 12 / 16
47 Poissonove cestnosti a exponencialni casy Exponencialni vs. Poissonovo Kolik udalosti v casovem horizontu sledujeme? Jake je rozdeleni? 13 / 16
48 Poissonove cestnosti a exponencialni casy Exponencialni vs. Poissonovo Kolik udalosti v casovem horizontu sledujeme? Jake je rozdeleni? Jaky je cas mezi jednotlivymi udalostmi? Jake je rozdeleni? 13 / 16
49 Poissonove cestnosti a exponencialni casy Exponencialni vs. Poissonovo Kolik udalosti v casovem horizontu sledujeme? Jake je rozdeleni? Jaky je cas mezi jednotlivymi udalostmi? Jake je rozdeleni? 13 / 16
50 Gaussian Distribution The Bell Curve (Gaussuv klobouk) 14 / 16
51 Gaussian Distribution Normalne Gaussovo rozdelenie 15 / 16
52 Gaussian Distribution Normalne Gaussovo rozdelenie pouziva sa na modelovani / 16
53 Gaussian Distribution Normalne Gaussovo rozdelenie pouziva sa na modelovani... anything & everything X N(µ, σ 2 ); 15 / 16
54 Gaussian Distribution Normalne Gaussovo rozdelenie pouziva sa na modelovani... anything & everything X N(µ, σ 2 ); je definovano pro vsechny realne cisla x R; 15 / 16
55 Gaussian Distribution Nabuduce.. zaklady statisticke inference; jednovyberovy prumer; dvouvyberovy prumer; / 16
Design Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: M 14:00 15:30 W 15:30 17:00
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
VíceDefinice 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
VíceTéma 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
VícePoznámky 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
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
VíceTéma 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
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
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
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
VíceDesign Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
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
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
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
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:,
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
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Základy zpracování dat chemometrie, statistika Doporučenáliteratura
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,
VíceKGG/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
VíceStřední 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
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
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
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
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
VíceVYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová
VYBRANÁ ROZDĚLENÍ SPOJITÉ NÁH. VELIČINY Martina Litschmannová Opakování hustota pravděpodobnosti f(x) Funkce f(x) je hustotou pravděpodobností (na intervalu a x b), jestliže splňuje následující podmínky:
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
VícePravdepodobnosť. Rozdelenia pravdepodobnosti
Pravdepodobnosť Rozdelenia pravdepodobnosti Pravdepodobnosť Teória pravdepodobnosti je matematickým základom pre odvodenie štatistických metód. Základné pojmy náhoda náhodný jav náhodná premenná pravdepodobnosť
Vícey = 0, ,19716x.
Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceSPOJITÉ 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
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
VíceNÁHODNÉ 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
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePřednáška IV. Náhodná veličina, rozdělení pravděpodobnosti a reálná data
Přednáška IV. Náhodná veličina, rozdělení pravděpodobnosti a reálná data Náhodná veličina Rozdělení pravděpodobnosti náhodných veličin Normální rozdělení a rozdělení příbuzná Transformace náhodných veličin
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
VícePřednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP
IV Přednáška Diskrétní náhodná proměnná Charakteristiky DNP Základní rozdělení DNP Diskrétní náhodná veličina Funkce definovaná na Ω, přiřazující každému elementárnímu jevu E prvky X(E) D R kde D je posloupnost
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
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
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
VíceNáhodná veličina, rozdělení pravděpodobnosti a reálná data
Náhodná veličina, rozdělení pravděpodobnosti a reálná data V této kapitole definujeme náhodnou veličinu, jako základní myšlenku matematické statistiky, která nám umožňuje pracovat pomocí statistické metodiky
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
VíceFyzikální korespondenční seminář MFF UK
Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná
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
VíceROZDĚLENÍ 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
Více6.1 Normální (Gaussovo) rozdělení
6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů
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
VíceE(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
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
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
VícePočet pravděpodobnosti
PSY117/454 Statistická analýza dat v psychologii Přednáška 4 Počet pravděpodobnosti Je známo, že když muž použije jeden z okrajových pisoárů, sníží se pravděpodobnost, že bude pomočen o 50%. anonym Pravděpodobnost
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
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
Vícepravděpodobnosti, popisné statistiky
8. Modelová rozdělení pravděpodobnosti, popisné statistiky Rozdělení pravděpodobnosti Normální rozdělení jako statistický model Přehled a aplikace modelových rozdělení Popisné statistiky Anotace Klasickým
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
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
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
VíceLIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení
LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení Způsoby statistického šetření Vyčerpávající šetření prošetření všech jednotek statistického souboru (populace) Výběrové šetření ze základního souboru
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
VíceCvičení 5. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.
5 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
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
VícePravděpodobnost 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
VíceUniverzita Palackého v Olomouci
Univerzita Palackého v Olomouci Modifikace profilu absolventa biologických studijních oborů na PřF UP: rozšíření praktické výuky a molekulárních, evolučních a cytogenetických oborů CZ.1.07/2.2.00/28.0158
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
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
VíceVybraná 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.
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:
VícePravděpodobnost 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
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VíceMe neˇ nezˇ minimum ze statistiky Michaela S ˇ edova KPMS MFF UK Principy medicı ny zalozˇene na du kazech a za klady veˇdecke prˇı pravy 1 / 33
1 / 33 Méně než minimum ze statistiky Michaela Šedová KPMS MFF UK Principy medicíny založené na důkazech a základy vědecké přípravy Příklad Studie syndromu náhodného úmrtí dětí. Dvě skupiny: Děti, které
VíceNÁHODNÁ VELIČINA. Podle typu výběrového prostoru rozlišujeme dva základní druhy NV Diskrétní (nespojitou) náhodnou veličinu Spojitou náhodnou veličinu
NÁHODNÁ VELIČINA NÁHODNÁ VELIČINA Provedeme náhodný pokus (vybereme nějaké lidi, výrobky) A jejich výsledkem je nějaké reálné číslo (počet VŠ, počet vadných výrobků) Kdyţ je moţné přiřadit číslo můţeme
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceZákladní statistické modely Statistické vyhodnocování exp. dat M. Čada ~ cada
Základní statistické modely 1 Statistika Matematická statistika se zabývá interpretací získaných náhodných dat. Snažíme se přiřadit statistickému souboru vhodnou distribuční funkci a najít základní číselné
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).
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
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 1: Opakování ze statistiky LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Z čeho studovat 1) Z KNIHY Krkošková,
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceRovnoměrné rozdělení
Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot
VíceNeživotní pojištění. Brno 2012
Neživotní pojištění Brno 2012 Osnova 1 Kalkulace pojistného 2 Tarifní skupiny Tarifní skupiny jsou homogenní skupiny pojistných smluv, pro něž je pojistné riziko přibližně stejné. V rámci každé tarifní
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
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.
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) 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
VíceZákladní typy pravděpodobnostních rozdělení
Základní typy pravděpodobnostních rozdělení Petra Schreiberová, Jiří Krček Katedra matematiky a deskriptivní geometrie Vysoká škola báňská Technická Univerzita Ostrava Ostrava 208 OBSAH Diskrétní rozdělení
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
VícePracovní adresář. Nápověda. Instalování a načtení nového balíčku. Importování datového souboru. Práce s datovým souborem
Pracovní adresář getwd() # výpis pracovního adresáře setwd("c:/moje/pracovni") # nastavení pracovního adresáře setwd("c:\\moje\\pracovni") # nastavení pracovního adresáře Nápověda?funkce # nápověda pro
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.
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
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 Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka
VíceModifikace profilu absolventa biologických studijních oborů na PřF UP: rozšíření praktické výuky a molekulárních, evolučních a cytogenetických oborů
Modifikace profilu absolventa biologických studijních oborů na PřF UP: rozšíření praktické výuky a molekulárních, evolučních a cytogenetických oborů CZ.1.07/2.2.00/28.0158 Biostatistika II. Pravděpodobnost
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 )
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
VíceÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.
ROZDĚLENÍ NV ÚVOD Velké skupiny náhodných pokusů vykazují stejné pravděpodobnostní chování Mince panna/orel Výška mužů/žen NV mohou být spojeny s určitým pravděpodobnostním rozdělení (již známe jeho hustotu
Více