VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE. k bakalářské zkoušce
|
|
- Alexandra Bednářová
- před 5 lety
- Počet zobrazení:
Transkript
1 VYOKÁ ŠKOLA EKONOMCKÁ V RAZE FAKULTA NFORMATKY A TATTKY Kaeda a a avděodobo TATTKA VZORCE baalářé zošce veze 3. oledí aalzace: KT 7
2 oá aa Rozděleí čeoí,,..., Kval % z ůmě H H H G... Rozěí R ma - m R % 75 % 5 Rozl G... ( ( ( ( ( ( měodaá odchla vaačí oefce v
3 avděodobo oče avděodobo A ( m ( ( A B A B B ( (A B (A (B, (A B (A (B - (A B (A B (A (B, (A B (A (BA (B (AB (A ( A B B ( ( AB ( B A A ( Náhodé velč ( (X ( A B ( ( AB F( (X ( ( X ( F( - F( F( (X f ( d f ( F ( f ( d ( X f ( d F( - F( F( EX ( ( EX ( f( d DX ( ( ( ( X D( X D ( X f ( d f ( d avděodoboí ozděleí Aleaví ozděleí A(π ( π ( - π -,, π E(X π D(X π( - π Bomcé ozděleí B(,π ( ( π π,,,...,, >, π E(X π D(X π( - π
4 avděodobo ooovo ozděleí o(λ λ ( e!,,..., λ > E(X λ D(X λ Hegeomecé ozděleí H(N,M, M N M (, ma(, M-N,..., m(m,, >, N, M N N M M M N E ( X DX ( N N N N Rovoměé ozděleí R(a,b a b f( b a ja EX ( a b ( DX ( b a a F ( b a a a b b Eoecálí ozděleí E(A,δ A, δ > ( A δ e > A A f( δ F ( ( A δ ja e > A A δ l( E(X A δ D(X δ Nomálí ozděleí N(µ, ( µ f( e -, - µ, > π E(X µ D(X µ µ F( Φ( Φ( µ µ X µ µ ( X ( U Φ( Φ ( Nomovaé omálí ozděleí N(, U X µ E(U D(U Φ( Φ (- 3 KT 7
5 avděodobo Logamco-omálí ozděleí LN(µ, U lx µ ~ N(, >, - µ, > l µ F ( Φ ( e( µ E(X e µ µ D(X e [ e ] µ E(lX l(e(x- D( X D(lX l( ( EX ( Chí-vadá ozděleí χ (ν >, E(χ ν D(χ ν Rozděleí (deovo -, E( (ν - - (ν (ν F - ozděleí (Fheovo edecoovo F(ν,ν >, F ( ν, ν F ( ν, ν Ceálí lmí vě Move - Lalaceova věa a X ~ B(,π N(π, π( - π, π( - π > 9 U X π π ( π N(, X π ( π π b N ( π, U N (, π( π Ldebegova - Lévho věa a E(X µ, D(X b X N(µ, X N( µ, X µ U N(, U X µ N(, 4 KT 7
6 5 Maemacá aa ( - ' Odhad aameů ředí hodoa ˆ ˆ N N µ µ omálí ozděleí a zámé µ µ µ b ezámé µ ~ ( - µ µ obecé ozděleí, ezámé, velý výbě ( > 3 µ µ µ ozl (omálí ozděleí ˆ χ χ ( ( χ ( ( χ aame π aleavího ozděleí (odhad elaví čeo záladího obo ˆ ˆ N N π π π ( ( π ( π (,5, ( π π
7 Teováí hoéz ředí hodoa omálího ozděleí maemacá aa H H Teové ém Kcý obo µ µ µ > µ zámé W {U - } µ µ µ W {U - - } µ µ U U ~ N(, W { U - } ezámé µ ředí hodoa, obecé ozděleí, velý výbě ~ ( W { - } W { - - } W { - } H H Teové ém Kcý obo µ µ µ > µ ezámé ( > 3 W {U - } µ µ µ W {U - - } µ µ U U N(, W { U - } Rozl v omálím ozděleí H H Teové ém Kcý obo > ( χ χ ~ χ (- aame π aleavho ozděleí (velé výbě > 9π(π W {χ χ } - W {χ χ } W {χ χ χ χ } - H H Teové ém Kcý obo π π π > π π W {U - } U U ~ N(, π π π ( π W {U - - } π π W { U - } Rovo ředích hodo dvo ozděleí omálí ozděleí (ezávlé áhodé výbě z omálího ozděleí H H Teové ém Kcý obo µ µ µ - µ µ > µ µ µ µ µ a, zámé U U ~ N(,, ezámé, ale ředoládáme, že ( ( ~ ( - W {U - } W {U - - } W { U - } W { - } W { - - } W { - } 6 KT 7
8 maemacá aa, ezámé, ale ředoládáme, že ~ (ν W { - } W { - - } W { - } ν velé ezávlé výbě H H Teové ém Kcý obo µ µ µ - µ µ > µ µ µ µ µ, ezámé U U N(, W {U - } W {U - - } W { U - } závlé výbě z omálího ozděleí (áový -e H H Teové ém Kcý obo µ µ µ - µ µ > µ µ µ µ µ d ~ ( d d,,,.., W { - } W { - - } W { - } Rovo ozlů dvo omálích ozděleí H H Teové ém Kcý obo > W {F F - } F F ~ F(, W {F F } W {F F F F - } Rovo aameů dvo aleavích ozděleí (velé výbě H H Teové ém Kcý obo π π π > π U U N(, W {U - } π π W {U - - } π π ( W { U - } Chí-vadá e dobé hod H a H Teové ém Kcý obo H : π π,,.., ( π, H : o H χ χ χ (- π, 5 W {χ χ -} π, odhadých aameů χ χ ( - 7 KT 7
9 Aalýza závloí χ e ezávlo v ogečí ablce ( '.. j ' j j 5. j. j j j H H Teové ém Kcý obo π j π. π.j o H ( j W {G χ -} j G G χ (( - ( - j j j G C G Tabla G V, m m (, ( m ( G.... Aalýza ozl ( j.m.ν j,m H H Teové ém Kcý obo µ µ..µ o H W {F F - } ( F j ( j 8,m,v F ~ F(, Regee a oelace η(, β, β,..., β - ε Y η(, b, b,..., b - egeí říma β β ε mmm b, b ( b b ( (. b b b ( ( b
10 aalýza závloí ( b ( β b b b b b b b b ( β b ~ ( Jé egeí fce Y b b b Y b b Y b b l( ( ( R ( Y e Y bb b Y b Y b b b.. b Y ( ( Y T R Y Y ( T Y R R R T Y Y R R T R Te hoéz o egeích aameech ADJ R ADJ ( H H Teové ém Kcý obo β β b W { - } ~ ( Te o model b H H Teové ém Kcý obo β c o H W {F F - } T β... F F ~ F(, R β oelačí oefce ( ( ( ( 9 KT 7
11 aalýza závloí b b b b H H Teové ém Kcý obo ρ ρ W { - } ~ ( eamaův oelačí oefce 6 ( ( H H Teové ém Kcý obo ρ ρ ~ ( W { - } dílčí oelačí oefce. ( ( H H Teové ém Kcý obo ρ. ρ. víceáobý oelačí oefce 3. ~ ( 3. W { - }. KT 7
12 Čaové řad d d d d d d - - δ Deomozce čaové řad T C ε T C ε T β β Tˆ b b T β T β β β T β β lt lβ β l T β β lt lβ lβ T γ β β T β γ ME T ˆ ( ME T ˆ ( MAE T ˆ Eoecálí vováváí (jedodché Y ( - Y -
13 čaové řad Klozavé ůmě m m... m... m ( m Aalýza ezóí lož (ezóo dél. model oocoálí ezóo lozavé ůmě j z jé ezó cj oče hodo. Regeí meoda mělým oměým (leáí ed T ε β β , ε a a... a j j ˆ ( b a b T a a j,,..,- a ˆ j j Dbův Waoův e H H Teové ém ρ ρ DW ( e e e ( ( ( KT 7
14 3 deí aalýza L L F. L L F. L L..
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201
VYOKÁ ŠKOLA EKONOMICKÁ V RAZE FAKULTA INFORMATIKY A TATITIKY Kaedra a a ravděodobo TATITIKA VZORCE RO 4T verze. oledí aalzace:.9.8 KT 8 oá aa,,..., % z z,5 z, 5 z H H H G... G... R ma - m ( ( ( ( ( ( V
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201
VYOKÁ ŠKOLA EKONOMICKÁ V RAZE FAKULTA INFORMATIKY A TATITIKY Kaedra a a ravděodobo TATITIKA VZORCE RO 4T verze.3 oledí aualzace: 4.9.9 KT 9 oá aa,,..., ɶ < z < + < z < + +,5 z +, 5 z H H H G... G... R
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201
VYOKÁ ŠKOLA EKONOMICKÁ V RAZE FAKULTA INFORMATIKY A TATITIKY Kaedra a a ravděodobo TATITIKA VZORCE RO 4T verze 4. oledí aualzace: 6.8.6 KT 6 oá aa oá aa =,,..., () ()...,,,, z z z z z H H H G... R = ma
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA. VZORCE PRO 4ST201 a 4ST210
VYOKÁ ŠKOLA EKONOMICKÁ V RAZE FAKULA INFORMAIKY A AIIKY Kaedra sas a ravděodobos AIIKA VZORCE RO 4 a 4 verze 8 osledí aualzace:. 9. 8 K 8 osá sasa,,...,... ( ( (,, z +, ( z ( z + ( z+, z H H H G... R ma
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA. VZORCE PRO 4ST201 a 4ST210
VYOKÁ ŠKOLA EKONOMICKÁ V RAZE FAKULA INFORMAIKY A AIIKY Kaedra sas a pravděpodobos AIIKA VZORCE RO 4 a 4 verze 8 posledí aualzace:. 9. 8 K 8 opsá sasa p p =,,...,... () () ( ),, z, ( z ) ( z ) ( z), z
Více1 3VYSOK 0 9 0 7KOLA EKONOMICK 0 9 V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravd їpodobnosti STATISTIKA VZORCE PRO 4ST201
3VYOK 9 7KOLA EKONOMICK 9 V PRAZE FAKULTA INFORMATIKY A TATITIKY Kaedra a a ravd їodobo TATITIKA VZORCE PRO 4T verze 3. oled aualzace: 6..5 KTP 5 3Po aa =,,..., P P zp z P,5 z, 5 z H H H G G...... R =
VíceSTATISTICKÝ ODHAD A TESTOVÁNÍ PRŮKAZNOSTI EKONOMETRICKÉHO MODELU Výběrové metody Výhody a nevýhody Využití při statistické indukci Rozsah výběru
TATITICÝ ODHAD A TETOVÁNÍ RŮAZNOTI EONOMETRICÉHO MODELU Výěové meod Výhod a evýhod Vuží př acé duc Rozah výěu Výpočeí poup Gafcý poup Bodový odhad Ievalový odhad Oouaý a edoaý eval polehlvo Ieval polehlvo
VícePRAVDĚPODOBNOST A STATISTIKA. Testy hypotéz
SP3 Tey hypoéz PRAVDĚPODOBNOST A STATISTIKA Tey hypoéz Lbor Žá SP3 Tey hypoéz Lbor Žá Tey hypoéz- úvod Nechť X X e áhodý výběr T X X X áhodý veor ezávlé ložy erý má rozděleí závlé a parameru θ Θ Θ R Ozačme:
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Víceů é Č ů Ú Řď ů ů ý ý ý ů ů ý ň ď Ť Ť Ť é é ý ů ý É ň é ů ý é ý ů ů ý ý ů ů é ů ý ý ý é é Ť ý é ý ď ý é ý Ó Ů ý Ů Ů Ů ú ů ďů é ý ý é ď ý ý ý ů ů é ů ů é ů é ý é Ů é é é ý Ť ů Ť é é é é ů é ý ý é Ť é é Ú
VíceIntervalové 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:
VíceTestujeme hypotézu: proti alternativě. Jednoduché třídění:
Y,, Y je áhodý výběr z N(μ, σ ) Y,, Y je áhodý výběr z N(μ, σ ) Y,, Y je áhodý výběr z N(μ, σ ) Testujeme hypotézu: proti alterativě H : μ = μ = = μ H : e všechy středí hodoty μ,, μ jsou si rovy Jedoduché
VíceSP2 Korelační analýza. Korelační analýza. Libor Žák
Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet
VíceSP NV Normalita-vlastnosti
SP - - NV Normala-vlasos Přpomeuí vlasosí Normálího rozděleí Charakerscká fukce Lévyho-Ldebergova věa - cerálí lmí věa -rozměré ormálí rozděleí -rozměré ormálí rozděleí Přpomeuí vlasosí Normálího rozděleí
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
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
VíceMatematická rozcvička pro KMA/MAT1 a KMA/MT1
Matematická rozcvička pro KMA/MAT a KMA/MT Pro rozhýbání použijeme část z podařených podpůrných materiálů ke knize Sally Jordan, Shelagh Ross, and Pat Murphy: Maths for Science. Oxford University Press,
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
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
Více!!! #!! # % & ()!+ %& #( ) +,,!,!!./0./01 2 34 % 00 (1!#! #! #23 + )!!,,5,!+ 4)!005!! 6 )! %,76!,8, )! 44 %!! #! #236!!1 1 5 6 5+!!1 ( 9 9!5 6 + /+ # % 7 8 % : 4; 2,/! = %
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceStatistická rozdělení
Úvod Statstcá rozděleí Václav Adamec vadamec@medelu.cz Náhodá proměá: matematcá velča, jejíž hodot osclují. Produt áhodého procesu lze charaterzovat fucí Hodot proměé v oboru přípustých hodot Rozděleí
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
VíceMatematická rozcvička pro KMA/MAT1 a KMA/MT1
Matematická rozcvička pro KMA/MAT a KMA/MT Pro rozhýbání použijeme část podpůrných materiálů ke knize Sally Jordan, Shelagh Ross, and Pat Murphy: Maths for Science. Oxford University Press, 0. Začneme
VíceTermomechanika 8. přednáška Doc. Dr. RNDr. Miroslav Holeček
Termomechanika 8. přednáška Doc. Dr. RNDr. Miroslav Holeček Upozornění: Tato prezentace slouží výhradně pro výukové účely Fakulty strojní Západočeské univerzity v Plzni. Byla sestavena autorem s využitím
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
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
Více5. 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
Více8.1. 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
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceHartreeho-Fockova metoda (HF)
Staonární Shrödngerova rovne H Ψ = EΨ Metoda konfgurační nterake Metoda vázanýh klastrů Poruhová teore Zahrnutí el. korelae Bornova-Oppenhemerova aproxmae Model nezávslýh elektronů Vlnová funke ve tvaru
Víceterminologie předchozí kapitoly: (ϕ, Ω) - plocha, S - geometrický obraz plochy
2. Plošný integrál. Poznámka. Obecně: integrování přes k-rozměrné útvary (k-plochy) v R n. Omezíme se na případ k = 2, n = 3. Definice. Množina S R 3 se nazve plocha, pokud S = ϕ(), kde R 2 je otevřená
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
VíceSIC1602A20. Komunikační protokol
SIC1602A20 Komunikační protokol SIC1602A20 Mechanické parametry Rozměr displeje 80 x 36 mm Montážní otvory 75 x 31 mm, průměr 2.5mm Distanční sloupky s vnitřním závitem M2.5, možno využít 4mm hloubky Konektor
VíceĚ ÁÁ Ú é é ý ů ý ů é ý ů é é ú Ž ý ů é ů é é Ě ÁÁ Ú é Ý ž ý ž ý ý ů ž ů ň é Ž ý Ž ů ý é é é é ý ž Í Ě ÁÁ Ú é é ň é Ž ý ž Ž Í ý é ý Í ů ý ý ý é ý é ý é ň Ž Ž Ě ÁÁ Ú é é ý Ý é é ý Ž Í Í é ž Í Ž Ě ÁÁ Ú é
VíceTeorie her pro FJFI ČVUT řešené úlohy
Tyto úlohy volně doplňují přednášky z kursu teorie her. Rozsah látky a použité značení odpovídá slajdům dostupným na stránce věnované výuce. Γ S S Γ 3 o = o = o 3 = vítězná o o Γ u u(o ) = u(o ) = u(o
VíceVariační počet 2. Prof. RNDr. Olga Krupková, DrSc. Autorizovaný zápis přednášek (letní semestr 2004/2005) Zapsal Jan Šustek
Prof. RNDr. Olga Krupková, DrSc. Autorizovaný zápis přednášek (letní semestr 2004/2005) Zapsal Jan Šustek Obsah Seznam použitých symbolů a konvencí.............................................. 2 0. Opakování.........................................................................
VíceKřivočarý pohyb bodu.
Křočý pohb bodu. Obsh předášk : křočý pohb bodu, smě kemckých elč - chlos chleí, přoeý, késký, cldcký sfécký souřdý ssém, pohb bodu po kužc Dob sud : s 1,5 hod Cíl předášk : seám sude se ákldím ákoosm
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceVariační počet 2. Prof. RNDr. Olga Krupková, DrSc. Obsahuje 1413 hypertextových odkazů. Autorizovaný zápis přednášek (letní semestr 2004/2005)
Prof. RNDr. Olga Krupková, DrSc. Autorizovaný zápis přednášek (letní semestr 2004/2005) Obsahuje 1413 hypertextových odkazů Zapsal Jan Šustek Aktualizováno 29. května 2005 Obsah Seznam použitých symbolů
VícePRAVDĚPODOBNOST A STATISTIKA
SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty
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
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceTENKOSTĚNNÉ A SPŘAŽENÉ KONSTRUKCE
1 TENKOSTĚNNÉ A SPŘAŽENÉ KONSTRUKCE Michal Jandera Obsah přednášek 1. Stabilita stěn, nosníky třídy 4.. Tenkostěnné za studena tvarované profily: Výroba, chování průřezů, chování prutů. 3. Tenkostěnné
Více8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI
8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -
Víceasi 1,5 hodiny seznámit studenty se základními zákonitostmi křivočarého pohybu bodu Dynamika I, 3. přednáška Obsah přednášky : Doba studia :
Dmk I, 3. předášk Obsh předášk : křočý pohb bodu, smě kemckých elč - chlos chleí, přoeý, késký, cldcký sfécký souřdý ssém, pohb bodu po kužc Dob sud : s 1,5 hod Cíl předášk : seám sude se ákldím ákoosm
VíceLimitní věty teorie pravděpodobnosti. 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 Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceVŠB-TU OSTRAVA, FAKULTA ELEKTROTECHNIKY A INFORMATIKY, KATEDRA APLIKOVANÉ MATEMATIKY. Statistika. Vzorce a tabulky
VŠB-TU OSTRAVA, FAKULTA ELEKTROTECHNIKY A INFORMATIKY, KATEDRA APLIKOVANÉ MATEMATIKY Statistia Vzorce a tabuly Martina Litschmannová 3. března 05 Oficiální vzorce a tabuly KOMBINATORIKA Bez opaování Uspořádané
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
Vícek n ( k) n k F n N n C F n F n C F F q n N C F n k 0 C [n, k] [n, k] q C [n, k] k n C C (n k) n C u C u T = T. [n, k] C (n k) n T = k (n k). F n N u = (u 1,..., u n ) v = (v 1,..., v n ) F n d(u, v) u
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceB A B A B A B A A B A B B
AB ABA BA BABA B AB A B B A A B A B AB A A B B B B ABA B A B A A A A A B A A B A A B A A B A BA B A BA B D A BC A B C A B A B C C ABA B D D ABC D A A B A B C D C B B A A B A B A B A A AB B A AB A B A A
Více= = ε =. = ( + ) =. = = ε =. = ( + ) =. = =, = = =, = ( ) = + ϱ = + = = (ϱ ϱ ) = = = ϱ = ϱ = ϱ = ϱ = ϱ = + +, + +, + + +, + + =, +, + + = = =, = (ϱ ϱ ) = (,,,,,, (,, ) = ) = =. ( =.) ( =.) ( = ) ΔU ΔQ
VíceVlastnosti odhadů ukazatelů způsobilosti
Vlastnosti odhadů ukazatelů způsobilosti Jiří Michálek CQR při Ústavu teorie informace a automatizace AV ČR v Praze Úvod Ve výzkumné zprávě č 06 Odhady koeficientů způsobilosti a jejich vlastnosti viz
VíceZáklady stavby výrobních strojů Tvářecí stroje I KLIKOVÉ MECHANISMY MECHANICKÝCH LISŮ
KLIKOVÉ MECHANISMY MECHANICKÝCH LISŮ URČEN ENÍ PRÁCE KLIKOVÉHO LISU URČEN ENÍ SETRVAČNÍKU KLIKOVÉHO LISU KLIKOVÉ MECHANISMY MECHANICKÝCH LISŮ KLIKOVÁ HŘÍDEL OJNICE KLIKOVÁ HŘÍDEL BERAN LOŽISKOVÁ TĚLESA
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceJiří Cajthaml. ČVUT v Praze, katedra geomatiky. zimní semestr 2014/2015
Kartografie 1 - přednáška 2 Jiří Cajthaml ČVUT v Praze, katedra geomatiky zimní semestr 2014/2015 Kartografické zobrazení kartografické zobrazení vzájemné přiřazení polohy bodů na dvou různých referenčních
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
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
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VíceFrikce pracovního trhu
12. listopadu 2010 Literatura Mandelman, F. S. - Zanetti F.: Technical Handbook - No. 1.: Estimating general equilibrium models: an application with labour market frictions Centre for Central Banking Studies,
Víceé č í é ě í ž ý í Ú á í ž ý í ý Á í ÁŘ É Á ý á ář é í á í ž ý í Ř ú á á č ý š á í š í řá ě č á í í é ář é á é é č á ú í ář é á á ů ě ž é é č é é ě ý ží á ý ý í ář é á ě ž é ří é ď ý é ě í í č í č íčá é
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
VícePříloha-výpočet motoru
Příloha-výpočet motoru 1.Zadané parametry motoru: vrtání d : 77mm zdvih z: 87mm kompresní poměr ε : 10.6 atmosférický tlak p 1 : 98000Pa teplota nasávaného vzduchu T 1 : 353.15K adiabatický exponent κ
VícePRAVDĚPODOBNOST A STATISTIKA. Metoda momentů Metoda maximální věrohodnosti
SP3 Odhady arametrů PRAVDĚPODOBNOST A STATISTIKA Metoda momentů Metoda maimální věrohodnosti SP3 Odhady arametrů Metoda momentů Vychází se z: - P - ravděodobnostní rostor - X je náhodná roměnná s hustotou
VíceMatematika vzorce. Ing. Petr Šídlo. verze
Matematika vzorce Ing. Petr Šídlo verze 0050409 Obsah Jazyk matematiky 3. Výrokový počet.......................... 3.. Logické spojky...................... 3.. Tautologie výrokového počtu...............
VícePříručka k ovládání aplikace OpenOffice.org Math
Příručka k ovládání aplikace OpenOffice.org Math Tato kapitola je pouze stručným průvodcem založená na mých zkušenostech, více informací viz http://www.openoffice.org/issues/show_bug.cgi?id=15403. OpenOffice.math
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
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
Více1. (18 bod ) Náhodná veli ina X je po et rub p i 400 nezávislých hodech mincí. a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost
(8 bod ) Náhodná veli ina X je po et rub p i nezávislých hodech mincí a) Pomocí ƒeby²evovy nerovnosti odhadn te pravd podobnost P ( X EX < ) (9 bod ) b) Formulujte centrální limitní v tu a pomocí ní vypo
VícePříklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka
Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní
VíceNelineární fotonické nanostruktury II. Podporováno projektem MŠMT CZ.1.07/2.2.00/ Moderní technologie ve studiu aplikované fyziky.
Podporováno projektem MŠMT CZ.1.07/2.2.00/07.0018 Moderní technologie ve studiu aplikované fyziky. Obsah: 1 Optická bistabilita Disperzní bistabilita Absorpční bistabilita 2 Ikedova nestabilita 3 Nelineární
VíceĚ ť ž Š ú ť Š ť ú ž ž ú ž Ý ž ž ž ú ť Č ň Ú ň ť ť ť ú ť ž ž ť ú ú ť ú ž ž ť ť ť ú ž ž ť ť ž ž ť ž ž ž ú ž Ý ú ú ť ú ú ž ť ž ž ž ž ž ž ú Č ž ú ň ú ú ť ú ú Ý ú ť ú ž Ř ť ú ú ť Š Č Č ň Ú Č Š ú ť Č ť ď ž ň
Více5. Aplikace výsledků pro průřezy 4. třídy.
5. plikace výsledků pro průřez 4. tříd. eff / eff / Výsledk únosnosti se používají ve tvaru součinitele oulení ρ : ρ f eff kde d 0 Stěn namáhané tlakem a momentem: Základní případ: stlačovaná stěna: výsledk
VíceSP2 Korelační analýza. Korelační analýza. Libor Žák
Koelčí lýz Přpomeutí pojmů áhodá poměá áhodý vekto áhodý vekto m Náhodý výbě: po áhodou poměou : po áhodý vekto : po áhodý vekto : m m Přpomeutí pojmů - kovce Kovce áhodých poměých kovčí koefcet popsuje
VíceLineární a adaptivní zpracování dat. 8. Modely časových řad I.
Lieárí a adaptiví zpracováí dat 8. Modely časových řad I. Daiel Schwarz Ivestice do rozvoje vzděláváí Cíl, motivace Popis a idetifikace systémů BLACK BOX Cíl, motivace Popis a idetifikace systémů BLACK
VícePSY117/454 Statistická analýza dat v psychologii seminář 9. Statistické testování hypotéz
PSY117/454 Statistická analýza dat v psychologii seminář 9 Statistické testování hypotéz Základní výzkumné otázky/hypotézy 1. Stanovení hodnoty parametru =stanovení intervalu spolehlivosti na μ, σ, ρ,
Víceγ α β E k r r ρ ρ 0 θ θ G Θ G U( r, t) w(z) w 0 ω z R z U( r, t) 1 c 2 2 U( r, t) t 2 = 0, U( r, t) U( r, t) = E( r, t) U( r, t) = u( r)e iωt. u( r) + k 2 u( r) = 0, k = ω/c u( r) = A exp( i k r), k
VíceOct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.
Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Stejné jako pro jednorozměrný případ až na Θ R p. Influence Function IF (x; T, F) = lim h 0 T [(1 h)f +
VíceSyntetická geometrie I
Shodnost Pedagogická fakulta 2016 www.karlin.mff.cuni.cz/~zamboj/ Vzdálenost dvou bodů Necht A, B, C ρ. Vzdálenost dvou bodů A, B v rovině je číslo AB a platí AB 0 AB = 0 A = B AB = BA pozitivně definitní
Více1. Řešená konstrukce Statické řešení Výpočet průhybové čáry Dynamika Vlastní netlumené kmitání...
. Řešená konstrukce.... Statické řešení.... Výpočet průhybové čáry... 5. Dynamika.... Vlastní netlumené kmitání..... Jacobiho metoda rovinné rotace... 4.. Popis algoritmu... 4. Vynucené kmitání... 5 4.
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
VíceRegularita PDR zápisky z přednášky doc. J. Staré, ZS 2003/2004
egularita PD zápisky z přednášky doc. J. Staré, ZS 23/24 Obsah. Prostory funkcí a rovnice............................................. 4 Technika diferencí....................................................
VíceSyntetická geometrie I
Shodnost Pedagogická fakulta 2018 www.karlin.mff.cuni.cz/~zamboj/ Vzdálenost dvou bodů Definice (Vzdálenost) Necht A, B, C ρ. Vzdálenost dvou bodů A, B v rovině je číslo AB a platí AB 0 AB = 0 A = B AB
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
VíceDetekce nabitých částic Jak se ztrácí energie průchodem částice hmotou?
Detekce nabitých částic Jak se ztrácí energie průchodem částice hmotou? 10/20/2004 1 Bethe Blochova formule (1) je maximální možná předaná energie elektronu N r e - vogadrovo čislo - klasický poloměr elektronu
Více12. Regrese Teoretické základy
Regese Jedím z hlavích úolů matematicé statistiy je hledáí a studium závislostí mezi dvěma či více oměými Závisle oměá se zavidla ozačuje Y a ezávisle oměé X,, X i,i Závislosti mezi Y a suiou oměých X
VícePřijímací zkouška na navazující magisterské studium 2016
Přijímací zkouška a avazující magiserské sudium 2016 Sudijí program: Sudijí obor: Maemaika Fiačí a pojisá maemaika Variaa A Řešeí příkladů pečlivě odůvoděe. Věuje pozoros ověřeí předpokladů použiých maemaických
Více1. Parametrické vyjádření přímky Přímku v prostoru můžeme vyjádřit jen parametricky, protože obecná rovnice přímky v prostoru neexistuje.
1/7 ANALYTICKÁ GEOMETRIE V PROSTORU Základní pojmy: Parametrické vyjádření přímky, roviny Obecná rovnice roviny Vzájemná poloha přímek a rovin Odchylka přímek a rovin Vzdálenosti www.karlin.mff.cuni.cz/katedry/kdm/diplomky/jan_koncel/
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2
SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých
VíceVysokofrekvenční a mikrovlnná technika návody pro mikrovlnné laboratorní experimenty MĚŘENÍ MIKROVLNNÉHO VÝKONU
rotokol č. 1 MĚŘENÍ MIKROVLNNÉHO VÝKONU Jméno studenta (-ů):........... Datum měření:.................. 1. Měřič výkonu TESLA QXC 9 automatický bolometrický můstek se samočinným vyvažováním a přímým čtením
VícePlazma. magnetosféra komety. zbytky po výbuchu supernovy. formování hvězdy. slunce
magnetosféra komety zbytky po výbuchu supernovy formování hvězdy slunce blesk polární záře sluneční vítr - plazma je označována jako čtvrté skupenství hmoty - plazma je plyn s významným množstvím iontů
VíceTENKOSTĚNNÉ A SPŘAŽENÉ KONSTRUKCE
1 TENKOSTĚNNÉ A SPŘAŽENÉ KONSTRUKCE Michal Jandera, K134 Obsah přednášek 2 1. Stabilita stěn, nosníky třídy 4. 2. Tenkostěnné za studena tvarované profily: Výroba, chování průřezů, chování prutů. 3. Tenkostěnné
Více