cv3.tex. Vzorec pro úplnou pravděpodobnost

Rozměr: px
Začít zobrazení ze stránky:

Download "cv3.tex. Vzorec pro úplnou pravděpodobnost"

Transkript

1 3 cvičení - pravděpodobnost cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P ) pravděpodobnostní prostor, a {B i, 1 i n} je úplný systém jevů, pak pro A A je P (A) = n i=1 P (B i ) P (A B i ) n i=1 B i = 1, i k B i B k = 0 B 1 B 2 A B 1 A B 2 A Schema výpočtu A B 1 B 1 A A B 1 A A B 2 B 2 A B 1 Bayesův vzorec Jestliže je (Ω, A, P ) pravděpodobnostní prostor, a {B i, 1 i n} je 1

2 úplný systém jevů, pak pro A A, P (A) > 0 je P (B k A) = P (A B k) P (B k ) P (A) = P (A B k) P (B k ) n P (A B i) P (B i ) i=1 31 Příklad Při výrobě pamětí nedosahují všechny deklarované kapacity U prvního výrobce dosahuje předepsané kapacity 95% výrobků a u druhého 90% V obchodě je na skladě 70% pamětí od prvního výrobce a 30% od druhého Vypočtěte pravděpodobnost jevu A, že náhodně vybraná pamět má deklarovanou kapacitu Potom vypočtěte pravděpodobnosti s jakou je tato dobrá pamět od prvního či od druhého výrobce Řešení: Koupě dobré paměti se může realizovat ve dvou možnostech (hypotézách): B 1 - pamět je od 1 výrobce, resp B 2 - pamět je od 2 výrobce Podle vzorce pro úplnou pravděpodobnost je P (A) = P (B 1 ) P (A B 1 ) + P (B 2 ) P (A B 2 ) = = = = 0935 Podle Bayesova vzorce vypočteme další pravděpodobnosti: P (B 1 A) = P (A B 1) P (B 1 ) P (A) P (B 2 A) = P (A B 2) P (B 2 ) P (A) = = 07112, = = Příklad U 10% řidičů, kteří způsobili dopravní nehodu, bylo prokázáno požití alkoholu Průzkum ukázal, že riziko nehody se požitím alkoholu zvyšuje 7 krát Odhadněte kolik procent řidičů požilo před jízdou alkohol Řešení: Označíme si náhodné jevy: A řidič požil alkohol; H řidič způsobil dopravní nehodu Je dáno P (A H) = 01, P (H A) = 7 P (H A) Počítáme P (A) =? K výpočtu použijeme vzorec pro úplnou pravděpodobnost a Bayesův vzorec Ze vzorce pro úplnou pravděpodobnost dostaneme, že P (H) = P (H A) P (A) + P (H A) P (A) a podle Bayesova vzorce je 01 = P (A H) = P (H A) P (A) P (H) = P (H A) P (A) P (H A) P (A) + P (H A) P (A) 2

3 01 = 7P (H A) P (A) 7P (H A) P (A) + P (H A) (1 P (A)) = 7P (A) 7P (A) + (1 P (A)), jestliže zlomek zkrátíme činitelem P (H/A) a zároveň použijeme vztahu P (A) = 1 P (A) Z rovnice pro hledanou pravděpodobnost dostaneme 01 = 7 P (A) 6 P (A) P (A) + 1 = 70 P (A) 64 P (A) = 1 P (A) = 1 = Před jízdou požilo alkohol přibližně 16% řidičů 33 Příklad Bloky zařízení mají poruchy nezávisle na sobě po řadě s pravděpodobnostmi p 1 a p 2 Určete pravděpodobnost bezporuchového chodu pro (I)) seriové zapojení a (II)) paralelní zapojení bloků z obrázku Vyčíslete pravděpodobnosti pro hodnoty: a) p 1 = 01, p 2 = 02; b) p 1 = 01, p 2 = 03 p 1 p 1 p 2 p 2 Obr 1a Obr 1b Řešení: Jestliže si označíme A i, i = 1, 2 náhodný jev, že je příslušný blok zařízení v provozu, pak P (A i ) = 1 p i, i = 1, 2 a P (A i ) = p i, i = 1, 2 je pravděpodobnost výskytu poruchy Označme A náhodný jev, že je seriové zapojení (I) bloků v provozu a B náhodný jev, že je paralelní zapojení (II) bloků v provozu Potom je A = A 1 A 2, a B = A 1 A 2 Protože jsou náhodné jevy A 1 a A 2 nezávislé, tedy jsou nezávislé i náhodné jevy A 1 a A 2, pak pro příslušné pravděpodobnosti dostaneme P (A) = P (A 1 )P (A 2 ) = (1 p 1 )(1 p 2 ), P (B) = 1 P (B) = 1 P (A 1 )P (A 2 ) = 1 p 1 p 2 Pro zadané číselné hodnoty pravděpodobností poruch dostaneme po dosazení do vzorců: 3

4 a) P (A) = (1 01)(1 02) = = 072 a P (A) = = 028; P (B) = = = 098 a P (B) = = 002 b) P (A) = (1 01)(1 03) = = 063 a P (A) = = 037; P (B) = = = 097 a P (B) = = 003 Poznamenejme: Pro seriové a paralelní zapojení n bloků, ve kterých se vyskytují nezávislé poruchy s pravděpodobnostmi p i, 1 i n, pak pravděpodobnosti bezporuchového provozu jsou pro seriové zapojení P (A) = (1 p 1 )(1 p 2 ) (1 p n ) pro paralelní zapojení P (B) = 1 p 1 p 2 p n Jsou-li bloky identické, tedy p 1 = p 2 = = p n = p, pak P (A) = (1 p) n a P (B) = 1 p n 33 b Příklad Zařízení na obrázku se tvořeno zapojením bloků, které pracují nezávisle na sobě a pravděpodobnosti výskytu poruch jsou zadány Vypočtěte pravděpodobnost P (A) funkčnosti systému a pravděpodobnost P (A) poruchy funkce zařízení Pravděpodobnosti vyčíslete pro: I: p 1 = 02, p 2 = p 3 = 04, p 4 = 03 a p 5 = 01; II: p 1 = 01, p 2 = 02, p 3 = 03, p 4 = 015 a p 5 = 02; p 1 p 5 p 2 p 3 p 4 Řešení: Zapojení postupně zjednodušíme Nejprve nahradíme seriové zapojení 2 a 3 bloku V dalším kroku nahradíme paralení zapojení bloků jedním a dostaneme seriové zapojení dvou bloků Na obrázcích si jednotlivé kroky znázorníme a do rámečků uvedeme příslušné pravděpodobnosti výskytu poruchy 1 krok - nahradíme seriové spojení 2 a 3 bloku jedním blokem p 1 q 2 p 5 p 4 Podle předchozího příkladu je pravděpodobnost poruchy q 2 = 1 (1 p 2 )(1 p 3 ) = = p 2 + p 3 p 2 p 3 2 krok - nahradíme paralelní zapojení tří bloků jedním 4

5 q 1 p 5 Podle poznámky za příkladem 2 je pravděpodobnost výskytu poruchy v paralelním zapojení rovna q 1 = p 1 q 2 p 4 = p 1 (p 2 + p 3 p 2 p 3 )p 4 Pro seriové zapojení dvou bloků dostaneme podle předchozího příkladu pravděpodobnost bezporuchového provozu P (A) = (1 q 1 )(1 p 5 ) a pravděpodobnost výskytu poruchy P (A) = 1 (1 q 1 )(1 p 5 ) = q 1 + p 5 q 1 p 5 Pro zadané číselné hodnoty pravděpodobností dostaneme dosazením do vzorců: I: q 2 = 1 (1 04)(1 04) = = = 064; q 1 = = Tedy P (A) = ( )(1 01) = = a P (A) = = II: q 2 = 1 (1 02)(1 03) = = = 044; q 1 = = Tedy P (A) = ( )(1 02) = = a P (A) = = Stochastická matice a informační kanál Jestliže je (Ω, A, P ) pravděpodobnostní prostor a {A i, 1 i n}, {B j, 1 j m} jsou úplné systémy jevů, pak pro pravděpodobnosti P (B j ), 1 j m dostaneme ze vzorce pro úplnou pravděpodobnost vztahy P (B j ) = n i=1 můžeme zapsat v maticovém tvaru [P (B 1 ), P (B 2 ),, P (B m )] = [P (A 1 ), P (A 2 ),, P (A n )] P (A i )P (B j A i ), 1 j m Tyto lineární vztahy P (B 1 A 1 ), P (B 2 A 1 ), P (B m A 1 ) P (B 1 A 2 ), P (B 2 A 2 ), P (B m A 2 ) P (B 1 A n ), P (B 2 An), P (B m A n ) 5

6 Součet prvků v řádku matice je roven jedné Taková matice se nazývá stochastická Sdělovací (informační) kanál Na výstupu kanálu jsou detekovány symboly symboly B i, 1 i m a na vstupu kanálu jsou vyslány symboly A k, 1 k n, potom pravděpodobnosti P (B i A k ) detekování symbolu B i, který je vyslán jako symbol A k určují chování kanálu Pravděpodobnosti P (A k B i ) vyslání symbolu A k za podmínky, že byl detekován symbol B i vypočteme ze vzorce P (A k B i ) = P (B i A k ) P (A k ), 1 i m, 1 k m P (B i ) Binární informační kanál přenáší ze vstupu X = {0, 1} symboly na výstup Y Budou nás také zajímat pravděpodobnosti správného přenosu z hlediska vstupu P X (s), kde počítáme pravděpodobnost toho, že vyslaná 0, resp 1 je také jako 0, resp 1 detekována Pro ni dostaneme vzorec P X (s) = P (A 0 )P (B 0 A 0 ) + P (A 1 )P (B 1 A 1 ) Pro pravděpodobnost správné detekce z pohledu výstupu, kdy počítame pravděpodobnost P Y (s) toho, že detekovaná 0,resp 1 byla jako 0, resp 1 vyslána Pro ni dostaneme vzorec P Y (s) = P (B 0 )P (A 0 B 0 ) + P (B 1 )P (A 1 B 1 ) Pro informačn kanál budeme rozlišovat tři případy a) Informační kanál bez šumu přenáší vstupní symboly X = {A 0 0, A 1 1} na výstupní symboly Y = {B 0 0, B 1 1}, přičemž se přenos realizuje podle schematu na obrázku Obr a A 0 = 0 0 B 0 = 0 Vstup X Výstup Y A 1 = 1 1 B 1 = 1 Obr a Pro pravděpodobnosti p X = (P (A 0 ), P (A 1 )) na vstupu a p Y = (P (B 0 ), P (B 1 )) na výstupu dostanemem vztahy p X = (P (A 0 ), P (A 1 )) = p Y = (P (B 0 ), P (B 1 )) 6

7 Pro pravděpodobnosti správného přenosu a správné detekce dostaneme ze skutečností že P (B 0 A 0 ) = P (B 1 A 1 ) = P (A 0 B 0 ) = P (A 1 B 1 ) = 1, P X (s) = P Y (s) = 1 b) Informační kanál se šumem přenáší vstupní symboly X = {A 0 0, A 1 1} na výstupní symboly Y = {B 0 0, B 1 1}, přičemž se přenos realizuje podle schematu na obrázku Obr b Je-li p = q, pak je kanál symetrický 1 p A 0 = 0 B 0 = 0 p Vstup X Výstup Y q A 1 = 1 1 q B 1 = 1 Obr b Vztahy mezi pravděpodobnostmi p X = (P (A 0 ), P (A 1 )) na vstupu a p Y = (P (B 0 ), P (B 1 )) na výstupu určíme pomocí vzorce pro úplnou pravděpodobnost Je tedy P (B 0 ) = P (A 0 ) P (B 0 A 0 ) + P (A 1 ) P (B 0 A 1 ) = P (A 0 ) (1 p) + P (A 1 ) q, P (B 1 ) = P (A 0 ) P (B 1 A 0 ) + P (A 1 ) P (B 1 A 1 ) = P (A 0 ) p + P (B 1 ) (1 q) Uvedené rovnice můžeme zapsat pomocí matic ve tvaru (P (B 0 ), P (B 1 )) = (P (A 0 ), P (A 1 )) P (B 0 A 0 ) P (B 1 A 0 ) P (B 0 A 1 ) P (B 1 A 1 ) (P (B 0 ), P (B 1 )) = (P (A 0 ), P (A 1 )) 1 p q p 1 q Pro pravděpodobnosti správného přenosu a správné detekce dostaneme ze skutečností P (B 0 A 0 ) = 1 p, P (B 1 A 1 ) = 1 q, že P X (s) = P (A 0 )P (B 0 A 0 ) + P (A 1 )P (B 1 A 1 ) = P (A 0 )(1 p) + P (A 1 )(1 q) a P Y (s) = P (B 0 )P (A 0 B 0 ) + P (B 1 )P (A 1 B 1 ) 7

8 c) Informační kanál se šumem a zámlkou přenáší vstupní symboly X = {A 0 0, A 1 1} na výstupní symboly Y = {B 0 0, Z, B 1 1}, přičemž se přenos realizuje podle schematu na obrázku Obr c 1 p r 0 A 0 = 0 B 0 = 0 p r 0 Vstup X Z Výstup Y q r 1 A 1 = 1 1 q r B 1 = 1 1 Obr c Vztahy mezi pravděpodobnostmi p X = (P (A 0 ), P (A 1 )) na vstupu a p Y = (P (B 0 ), P (Z), P (B 1 )) na výstupu určíme pomocí vzorce pro úplnou pravděpodobnost Je tedy P (B 0 ) = P (A 0 ) P (B 0 A 0 )+P (A 1 ) P (B 0 A 1 ) = P (A 0 ) (1 p r 0 )+P (A 1 ) q, P (Z) = P (A 0 ) P (Z A 0 ) + P (A 1 ) P (Z A 1 ) = P (A 0 ) r 0 + P (A 1 ) r 1, P (B 1 ) = P (A 0 ) P (B 1 A 0 )+P (A 1 ) P (B 1 A 1 ) = P (A 0 ) p+p (A 1 ) (1 q r 1 ) Uvedené rovnice můžeme zapsat pomocí matic ve tvaru (P (B 0 ), P (Z), P (B 1 )) = (P (A 0 ), P (A 1 )) P (B 0 A 0 ) P (Z A 0 ) P (B 1 A 0 ) P (B 0 A 1 ) P (Z A 1 ) P (B 1 A 1 ) (P (B 0 ), P (Z), P (B 1 )) = (P (A 0 ), P (A 1 )) 1 p r 0 r 0 p q r 1 1 q r 1 Pro pravděpodobnosti správného přenosu a správné detekce dostaneme ze skutečností P (B 0 A 0 ) = 1 p, P (B 1 A 1 ) = 1 q, že a P X (s) = P (A 0 )P (B 0 A 0 ) + P (A 1 )P (B 1 A 1 ) = = P (A 0 )(1 p r 0 ) + P (A 1 )(1 q r 1 ) P Y (s) = P (B 0 )P (A 0 B 0 ) + P (B 1 )P (A 1 B 1 ) 8

9 34 Příklad Na vstupu informačního kanálu, který je znázorněn na obrázku, jsou vyslány symboly A 0 0 a A 1 1 s pravděpodobnostmi [P (A 0 ), P (A 1 )] = [07, 03] Při přenosu je symbol 0 přečten s chybou 02 a symbol 1 s chybou 01 Určete pravděpodobnosti [P (B 0 ), P (B 1 )] na výstupu 1 p A 0 = 0 B 0 = 0 p Vstup q Výstup A 1 = 1 1 q B 1 = 1 Řešení: Jedná se o binární informační kanál se šumem Pro parametry kanálu dostaneme: 1 p = P (B 0 A 0 ) = 08 : přijetí 0 za podmínky, že byla vyslaná 0; q = P (B 0 A 1 ) = 01 : přijetí 0 za podmínky, že byla vyslaná 1; p = P (B 1 A 0 ) = 02 : přijetí 1 za podmínky, že byla vyslaná 0; 1 q = P (B 1 A 1 ) = 09 : přijetí 1 za podmínky, že byla vyslaná 1 Vztah mezi vstupem a výstupem je ze vzorce pro úplnou pravděpodobnost soustavou lineárních rovnic [P (B 0 ), P (B 1 )] = [P (A 0 ), P (A 1 )] P (B 0 A 0 ), P (B 1 A 0 ) P (B 0 A 1 ), P (B 1 A 1 ), tedy [P (A 0 ), P (A 1 )] = [07, 03] 08, 02 01, 09 = [059, 041] 35 Příklad Na výstupu informačního kanálu, který je znázorněn na obrázku, jsou detekovány symboly B 0 0 a B 1 1 s pravděpodobnostmi [P (B 0 ), P (B 1 )] = [08, 02] Při přenosu je symbol 0 přečten s chybou 5% a symbol 1 s chybou 15% Určete pravděpodobnosti [P (A 0 ), P (A 1 )] na vstupu 1 p A 0 = 0 B 0 = 0 p Vstup q Výstup A 1 = 1 1 q B 1 = 1 Řešení: Pro parametry kanálu dostaneme: 1 p = P (B A 0 ) = 095 : přijetí 0 za podmínky, že byla vyslaná 0; q = P (B 0 /A 1 ) = 015 : přijetí 0 za podmínky, že byla vyslaná 1; 9

10 p = P (B 1 A 0 ) = 005 : přijetí 1 za podmínky, že byla vyslaná 0; 1 q = P (B 1 /A 1 ) = 085 : přijetí 1 za podmínky, že byla vyslaná 1 Vztah mezi vstupem a výstupem je ze vzorce pro úplnou pravděpodobnost soustavou lineárních rovnic tedy [P (B 0 ), P (B 1 )] = [P (A 0 ), P (A 1 )] [08, 02] = [P (A 0 ), P (A 1 )] [P (A 0 ), P (A 1 )] = [08, 02] [P (A 0 ), P (A 1 )] = 125 [08, 02] P (B 0 A 0 ), P (B 1 A 0 ) P (B 0 A 1 ), P (B 1 A 1 ) 095, , 085 [08125, 01875] 095, , , , Příklad (Odhad parametrů informačního kanálu) Na vstupu informačního kanálu mohou být znaky 0 a 1, na výstupu jsou přečteny nezávisle s pravděpodobností 01 chybně Určete podmíněné pravděpodobnosti vstupu při známém výstupu, je-li apriorní pravděpodobnost vyslání jedničky a) p 0 = 04; b) p 0 = 01; c) p 0 = 005 Řešení: Informační kanál pracuje podle schématu na obrázku Vztahy mezi pravděpodobnostmi [P (A 0 ), P (A 1 )] na vstupu a pravděpodobnostmi [P (B 0 ), P (B 1 )] na výstupu získáme ze vzorce pro úplnou pravděpodobnost Tyto vztahy jsou lineární a je tedy informační kanál popsán soustavou dvou lineárních rovnic K odvození označme B 0 přijetí symbolu 0, P (B 0 ) =?; B 1 přijetí symbolu 1, P (B 1 ) =?; A 0 vyslání symbolu 0, P (A 0 ) = 1 p 0 ; A 1 vyslání symbolu 1, P (A 1 ) = p 0 ; 1 p = P (B 0 A 0 ) = 09 : přijetí 0 za podmínky, že byla vyslaná 0; q = P (B 0 A 1 ) = 01 : přijetí 0 za podmínky, že byla vyslaná 1; p = P (B 1 A 0 ) = 01 : přijetí 1 za podmínky, že byla vyslaná 0; 1 q = P (B 1 A 1 ) = 09 : přijetí 1 za podmínky, že byla vyslaná 1; 1 p A 0 = 0 B 0 = 0 p Vstup q Výstup A 1 = 1 1 q B 1 = 1 =, 10

11 Podle vzorce pro úplnou pravděpodobnost je P (B 0 ) = P (A 0 ) P (B 0 A 0 ) + P (A 1 ) P (B 0 A 1 ) P (B 1 ) = P (A 0 ) P (B 1 A 0 ) + P (A 1 ) P (B 1 A 1 ) a vztahy můžeme přepsat jako soustavu lineárních rovnic [P (B 0 ), P (B 1 )] = [P (A 0 ), P (A 1 )] Po dosazení zadaných hodnot dostaneme, že [P (B 0 ), P (B 1 )] = [1 p 0, p 0 ] 09, 01 01, 09 P (B 0 A 0 ), P (B 1 A 0 ) P (B 0 A 1 ), P (B 1 A 1 ) = [09 08 p 0, p 0 ] Pravděpodobnosti z matice, které určují parametry kanálu vypočteme z Bayesova vzorce Je tedy P (A 0 B 0 ) = P (A 0) P (B 0 A 0 ) P (B 0 ) P (A 1 B 0 ) = P (A 1) P (B 0 A 1 ) P (B 0 ) P (A 0 B 1 ) = P (A 0) P (B 1 A 0 ) P (B 1 ) P (A 1 B 1 ) = P (A 1) P (B 1 A 1 ) P (B 1 ) = 09 (1 p 0) p 0 ; = 01 p p 0 ; = 01 (1 p 0) p 0 ; = 09 p p 0 Pro zadané pravděpodobností na vstupu dostaneme pro pravděpodobnosti na výstupu a podmíněné pravděpodobnosti přenosu: a) p 0 = 04; [P (B 0 ), P (B 1 )] = [ , ] = [058, 042]; P (A 0 B 0 ) = P (A 0 B 1 ) = b) p 0 = 01; = ; P (A 1 B 0 ) = = 01429; P (A 1 B 1 ) = = ; = [P (B 0 ), P (B 1 )] = [ , ] = [082, 018]; P (A 0 B 0 ) = = 09878; P (A 1 B 0 ) = = 00122;

12 P (A 0 B 1 ) = c) p 0 = 005; = 05; P (A 1 B 1 ) = = 005 [P (B 0 ), P (B 1 )] = [ , ] = [086, 014]; P (A 0 B 0 ) = P (A 0 B 1 ) = 014 = 09942; P (A 1 B 0 ) = = 06786; P (A 1 B 1 ) = = 00058; = Příklad Pro binární přenosový kanál se šumem a zámlkou, který je znázorněn na obrázku Obrc, kde Z je zámlka, s parametry 1 p = 096, 1 q = 097, r 0 = r 1 = 001 a pravděpodobnostmi na vstupu p X = (p(a 0 ), p(a 1 )) = (06, 04) určete pravděpodobnosti P (B 0, P (Z), P (B 1 ) na výstupu 1 p r 0 A 0 = 0 B 0 = 0 p r 0 Vstup X Z Výstup Y q r 1 A 1 = 1 1 q r B 1 = 1 1 Obr c Řešení: Ze zadaných parametrů informačního kanálu dostaneme: P (B 0 A 0 ) = 1 p r 0 = = 095, P (Z A 0 ) = r 0 = 001, P (B 1 A 0 ) = p = 004; P (B 0 A 1 ) = q = 003, P (Z A 1 ) = r 1 = 001, P (B 1 A 1 ) = 1 q r 1 = = 096 Pro pravděpodobnostmi na vstupu a výstupu platí vztah (P (B 0 ), P (Z), P (B 1 )) = = (P (A 0 ), P (A 1 )) P (B 0 A 0 ) P (Z A 0 ) P (B 1 A 0 ) P (B 0 A 1 ) P (Z A 1 ) P (B 1 A 1 ) = (P (A 0 ), P (A 1 )) 1 p r 0 r 0 p q r 1 1 q r 1, = 12

13 tedy (P (B 0 ), P (Z), P (B 1 )) = (07, 03) (P (B 0 ), P (Z), P (B 1 )) = = ( , , ) = = ( , 001, ) = (0582, 001, 0408) 38 Příklad Informačního kanál je složen ze dvou seriově zapojených bloků Blok je znázorněn na obrázku Na vstup jsou vyslány symboly 0 a 1 s pravděpodobnostmi [P (A 0 ), P (A 1 )] = [065, 035] Při přenosu je v každém z bloků symbol 0 přečten s chybou 8% a symbol 1 s chybou 14% Určete pravděpodobnosti [P (B 0 ), P (B 1 )] na výstupu 1 p A 0 = 0 B 0 = 0 p Vstup q Výstup A 1 = 1 1 q B 1 = 1 Řešení: Pro parametry bloku dostaneme: 1 p = P (B 0 A 0 ) = 092 : přijetí 0 za podmínky, že byla vyslaná 0; q = P (B 0 A 1 ) = 014 : přijetí 0 za podmínky, že byla vyslaná 1; p = P (B 1 A 0 ) = 008 : přijetí 1 za podmínky, že byla vyslaná 0; 1 q = P (B 1 /A 1 ) = 086 : přijetí 1 za podmínky, že byla vyslaná 1 Vztah mezi vstupem a výstupem je ze vzorce pro úplnou pravděpodobnost soustavou lineárních rovnic [P (B 0 ), P (B 1 )] = [P (A 0 ), P (A 1 )] P (B 0 A 0 ), P (B 1 A 0 ) P (B 0 A 1 ), P A 1 /B 1 ) 2, tedy [P (B 0 ), P (B 1 )] = [065, 035] [065, 035] 08576, , , , = = [0645, 0355] 39 Příklad Informačním kanálem, který je znázorněn na obrázku, jsou zasílány symboly 0 A 0 a 1 A 1 Pravděpodobnost správné detekce symbolu 1 je 1 q = 08 a symbolu 0 je 1 p = 09 13

14 a) Jaké budou pravděpodobnosti (P (A 0 ), P (A 1 )) dvojice (0, 1) na vstupu, jsou-li pravděpodobnosti na výstupu (P (B 0 ), P (B 1 )) = (07, 03) b) Jaká je pravděpodobnost toho, že detekovaná 0 na výstupu byla odeslána jako 0 ze vstupu c) Jaká je pravděpodobnost správné detekce, tedy situace, že detekovaný symbol na výstupu byl jako takový odeslán ze vstupu d) Jaká je pravděpodobnost chybné detekce, tedy situace, že detekovaný symbol na výstupu byl jako opačný odeslán ze vstupu 1 p A 0 = 0 B 0 = 0 p Vstup X q Výstup Y A 1 = 1 1 q B 1 = 1 Řešení: Máme zadány uvedené podmíněné pravděpodobnosti P (B 0 A 0 ) = 09, P (B 1 A 0 ) = 01, P (B 0 A 1 ) = 02, P (B 1 A 1 ) = 08 a) Ze vzorce pro úplnou pravděpodobnost dostaneme pro hledané pravděpodobnosti na vstupu soustavu rovnic P (B 0 ) = P (A 0 ) P (B 0 A 0 ) + P (A 1 ) P (B 0 A 1 ) P (B 1 ) = P (A 0 ) P (B 1 A 0 ) + P (A 1 ) P (B 1 A 1 ) 07 = 09 P (A 0 ) + 02 P (A 1 ) 03 = 01 P (A 0 ) + 08 P (A 1 ) Pomocí Cramerova pravidla dostaneme řešení soustavy P (A 0 ) = = P (A 1 ) = = Pravděpodobnosti symbolů na vstupu jsou = 07143, = (P (A 0 ), P (A 1 )) = (07143, 02857) b) Hledáme pravděpodobnost jevu, kdy detekovaná 0 na výstupu byla jako 0 vyslána ze vstupu, tedy podmíněnou pravděpodobnost P (A 0 B 0 ) K výpočtu použijeme Bayesův vzorec P (A 0 B 0 ) = P (A 0) P (B 0 A 0 ) P (B 0 ) 14

15 Je tedy P (A 0 B 0 ) = 07 c) K výpočtu použijeme Bayesův vzorec Je tedy P (A 0 B 0 ) = P (A B) = = P (A) P (B A) P (B) = 09184, P (A 1 B 1 ) = = Pravděpodobnost P Y (s) správné detekce z pohledu výstupu dostaneme pomocí vzorce pro úplnou pravděpodobnost P Y (s) = P (B 0 ) P (A 0 B 0 ) + P (B 1 ) P (A 1 B 1 ) = = = d) K výpočtu použijeme Bayesův vzorec Je tedy P (A 1 B 0 ) = P (A B) = P (A) P (B A) P (B) = 00816, P (A 0 B 1 ) = = Pravděpodobnost P Y (n) nesprávné detekce z pohledu výstupu dostaneme pomocí vzorce pro úplnou pravděpodobnost P Y (n) = P (B 0 ) P (A 1 B 0 ) + P (B 1 ) P (A 0 B 1 ) = = =

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

X = 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

Více

3. Podmíněná pravděpodobnost a Bayesův vzorec

3. Podmíněná pravděpodobnost a Bayesův vzorec 3. Podmíněná pravděpodobnost a Bayesův vzorec Poznámka: V některých úlohách řešíme situaci, kdy zkoumáme pravděpodobnost náhodného jevu za dalších omezujících podmínek. Nejčastěji má omezující podmínka

Více

5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.

5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}. 5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.

Více

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

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 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).

Více

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s. 3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě

Více

Obr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.

Obr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu. Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.

Více

CVIČENÍ 4 Doc.Ing.Kateřina Hyniová, CSc. Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze 4.

CVIČENÍ 4 Doc.Ing.Kateřina Hyniová, CSc. Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze 4. CVIČENÍ POZNÁMKY. CVIČENÍ. Vazby mezi systémy. Bloková schémata.vazby mezi systémy a) paralelní vazba b) sériová vazba c) zpětná (antiparalelní) vazba. Vnější popis složitých systémů a) metoda postupného

Více

Teorie informace: řešené příklady 2014 Tomáš Kroupa

Teorie informace: řešené příklady 2014 Tomáš Kroupa Teorie informace: řešené příklady 04 Tomáš Kroupa Kolik otázek je třeba v průměru položit, abychom se dozvěděli datum narození člověka (den v roce), pokud odpovědi jsou pouze ano/ne a tázaný odpovídá pravdivě?

Více

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

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 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

Více

6 Algebra blokových schémat

6 Algebra blokových schémat 6 Algebra blokových schémat Operátorovým přenosem jsme doposud popisovali chování jednotlivých dynamických členů. Nic nám však nebrání, abychom přenosem popsali dynamické vlastnosti složitějších obvodů,

Více

(Cramerovo pravidlo, determinanty, inverzní matice)

(Cramerovo pravidlo, determinanty, inverzní matice) KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce

Více

(iv) D - vybíráme 2 koule a ty mají různou barvu.

(iv) D - vybíráme 2 koule a ty mají různou barvu. 2 cvičení - pravděpodobnost 2102018 18cv2tex Definice pojmů a záladní vzorce Vlastnosti pravděpodobnosti Pravděpodobnost P splňuje pro libovolné jevy A a B následující vlastnosti: 1 0, 1 2 P (0) = 0, P

Více

Pravděpodobnost a její vlastnosti

Pravděpodobnost a její vlastnosti Pravděpodobnost a její vlastnosti 1 Pravděpodobnost a její vlastnosti Náhodné jevy Náhodný jev je výsledek pokusu (tj. realizace určitého systému podmínek) a jeho charakteristickým rysem je, že může, ale

Více

1 Řešení soustav lineárních rovnic

1 Řešení soustav lineárních rovnic 1 Řešení soustav lineárních rovnic 1.1 Lineární rovnice Lineární rovnicí o n neznámých x 1,x 2,..., x n s reálnými koeficienty rozumíme rovnici ve tvaru a 1 x 1 + a 2 x 2 +... + a n x n = b, (1) kde koeficienty

Více

10. 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.

10. 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

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

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

Intuitivní pojem pravděpodobnosti

Intuitivní pojem pravděpodobnosti Pravděpodobnost Intuitivní pojem pravděpodobnosti Intuitivní pojem pravděpodobnosti Pravděpodobnost zkoumaného jevu vyjadřuje míru naděje, že tento jev nastane. Řekneme-li, že má nějaký jev pravděpodobnost

Více

Teorie pravěpodobnosti 1

Teorie pravěpodobnosti 1 Teorie pravěpodobnosti 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Náhodný jev a pravděpodobnost Každou zákonitost sledovanou v přírodě lze zjednodušeně charakterizovat jako

Více

Zpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného vektoru. Ing. Michal Dorda, Ph.D. Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen

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

Připomenutí co je to soustava lineárních rovnic

Připomenutí co je to soustava lineárních rovnic Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a

Více

Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Matematika 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

Více

Informační a znalostní systémy

Informační a znalostní systémy Informační a znalostní systémy Teorie pravděpodobnosti není v podstatě nic jiného než vyjádření obecného povědomí počítáním. P. S. de Laplace Pravděpodobnost a relativní četnost Pokusy, výsledky nejsou

Více

AVDAT Mnohorozměrné metody, metody klasifikace

AVDAT Mnohorozměrné metody, metody klasifikace AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných

Více

1 Soustavy lineárních rovnic

1 Soustavy lineárních rovnic 1 Soustavy lineárních rovnic 1.1 Základní pojmy Budeme uvažovat soustavu m lineárních rovnic o n neznámých s koeficienty z tělesa T (potom hovoříme o soustavě m lineárních rovnic o n neznámých nad tělesem

Více

Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.

Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti. Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je

Více

VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY

VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................

Více

0.1 Úvod do lineární algebry

0.1 Úvod do lineární algebry Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde

Více

Testování a spolehlivost. 4. Laboratoř Spolehlivostní modely 1

Testování a spolehlivost. 4. Laboratoř Spolehlivostní modely 1 Testování a spolehlivost ZS 2011/2012 4. Laboratoř Spolehlivostní modely 1 Martin Daňhel Katedra číslicového návrhu Fakulta informačních technologí ČVUT v Praze Příprava studijního programu Informatika

Více

Markovské metody pro modelování pravděpodobnosti

Markovské metody pro modelování pravděpodobnosti Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou

Více

KOMBINAČNÍ LOGICKÉ OBVODY

KOMBINAČNÍ LOGICKÉ OBVODY Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 KOMBINAČNÍ LOGICKÉ OBVODY U těchto obvodů je vstup určen jen výhradně kombinací vstupních veličin. Hodnoty

Více

PRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady

PRAVDĚPODOBNOST 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

Více

9 Kolmost vektorových podprostorů

9 Kolmost vektorových podprostorů 9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.

Více

Soustavy lineárních rovnic

Soustavy lineárních rovnic Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a

Více

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Základy teorie pravděpodobnosti Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Poznámka: Výsledek pokusu není předem znám (výsledek

Více

Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace

Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi

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

Řešené příklady z pravděpodobnosti:

Řešené příklady z pravděpodobnosti: Řešené příklady z pravděpodobnosti: 1. Honza se ze šedesáti maturitních otázek 10 nenaučil. Při zkoušce si losuje dvě otázky. a. Určete pravděpodobnost jevu A, že si vylosuje pouze otázky, které se naučil.

Více

2.6. Vlastní čísla a vlastní vektory matice

2.6. Vlastní čísla a vlastní vektory matice 26 Cíle V této části se budeme zabývat hledáním čísla λ které je řešením rovnice A x = λ x (1) kde A je matice řádu n Znalost řešení takové rovnice má řadu aplikací nejen v matematice Definice 261 Nechť

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

Více

6 5 = 0, = 0, = 0, = 0, 0032

6 5 = 0, = 0, = 0, = 0, 0032 III. Opaované pousy, Bernoulliho nerovnost. Házíme pětrát hrací ostou a sledujeme výsyt šesty. Spočtěte pravděpodobnosti možných výsledů a určete, terý má největší pravděpodobnost. Řešení: Jedná se o serii

Více

Matematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29

Matematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29 Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010

Více

Spolehlivost soustav

Spolehlivost soustav 1 Spolehlivost soustav Spolehlivost soustav 1.1 Koherentní systémy a strukturní funkce Budeme se zabývat modelováním spolehlivosti zřízení s ohledem na spolehlivost jeho komponent. Jedním z hlavních cílů

Více

U1, U2 vnější napětí dvojbranu I1, I2 vnější proudy dvojbranu

U1, U2 vnější napětí dvojbranu I1, I2 vnější proudy dvojbranu DVOJBRANY Definice a rozdělení dvojbranů Dvojbran libovolný obvod, který je s jinými částmi obvodu spojen dvěma páry svorek (vstupní a výstupní svorky). K analýze chování obvodu postačí popsat daný dvojbran

Více

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy: Opakování středoškolské matematiky Slovo úvodem: Tato pomůcka je určena zejména těm studentům presenčního i kombinovaného studia na VŠFS, kteří na středních školách neprošli dostatečnou průpravou z matematiky

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

8. Normální rozdělení

8. Normální rozdělení 8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá

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

Co je obsahem numerických metod?

Co je obsahem numerických metod? Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

z = a bi. z + v = (a + bi) + (c + di) = (a + c) + (b + d)i. z v = (a + bi) (c + di) = (a c) + (b d)i. z v = (a + bi) (c + di) = (ac bd) + (bc + ad)i.

z = a bi. z + v = (a + bi) + (c + di) = (a + c) + (b + d)i. z v = (a + bi) (c + di) = (a c) + (b d)i. z v = (a + bi) (c + di) = (ac bd) + (bc + ad)i. KOMLEXNÍ ČÍSLA C = {a + bi; a, b R}, kde i 2 = 1 Číslo komplexně sdružené k z = a + bi je číslo z = a bi. Operace s komplexními čísly: z = a + bi, kde a, b R v = c + di, kde c, d R Sčítání Odčítání Násobení

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

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

a způsoby jejího popisu Ing. Michael Rost, Ph.D.

a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným

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

Odhady - Sdružené rozdělení pravděpodobnosti

Odhady - Sdružené rozdělení pravděpodobnosti Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy

Více

1 Vektorové prostory.

1 Vektorové prostory. 1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které

Více

Obsah. Lineární rovnice. Definice 7.9. a i x i = a 1 x a n x n = b,

Obsah. Lineární rovnice. Definice 7.9. a i x i = a 1 x a n x n = b, Obsah Lineární rovnice Definice 77 Uvažujme číselné těleso T a prvky a 1,, a n, b T Úloha určit všechny n-tice (x 1,, x n ) T n, pro něž platí n a i x i = a 1 x 1 + + a n x n = b, i=1 se nazývá lineární

Více

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: geometrická posloupnost, geometrická

Více

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u. Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl

Více

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

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23

Více

a a

a a 1.. Cíle V této kapitole se naučíme určovat zejména celočíselné kořeny některých polynomů. Výklad Při výpočtu hodnoty polynomu n k p( x) = ak x n-tého stupně n 1 v bodě x 0 C k = 0 musíme provést ( n 1)

Více

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí: Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se

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

f(x) = arccotg x 2 x lim f(x). Určete všechny asymptoty grafu x 2 2 =

f(x) = arccotg x 2 x lim f(x). Určete všechny asymptoty grafu x 2 2 = Řešení vzorové písemky z předmětu MAR Poznámky: Řešení úloh ze vzorové písemky jsou formulována dosti podrobně podobným způsobem jako u řešených příkladů ve skriptech U zkoušky lze jednotlivé kroky postupu

Více

Základy teorie pravděpodobnosti

Základy teorie pravděpodobnosti Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika

Více

Matice přechodu. Pozorování 2. Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např.

Matice přechodu. Pozorování 2. Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např. Matice přechodu Základní úkol: Určete matici přechodu od báze M k bázi N. Každou bázi napíšeme do sloupců matice, např. u příkladu 7 (v ) dostaneme: Nyní bychom mohli postupovat jako u matice homomorfismu

Více

CVIČNÝ TEST 37. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 5 III. Klíč 13 IV. Záznamový list 15

CVIČNÝ TEST 37. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 5 III. Klíč 13 IV. Záznamový list 15 CVIČNÝ TEST 37 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 5 III. Klíč 13 IV. Záznamový list 15 I. CVIČNÝ TEST VÝCHOZÍ TEXT A OBRÁZEK K ÚLOZE 1 Na staré hliněné desce je namalován čtverec

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

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných

Více

BCH kódy. Alena Gollová, TIK BCH kódy 1/27

BCH kódy. Alena Gollová, TIK BCH kódy 1/27 7. přednáška z algebraického kódování Alena Gollová, TIK 1/27 Obsah 1 Binární Alena Gollová, TIK 2/27 Binární jsou cyklické kódy zadané svými generujícími kořeny. Díky šikovné volbě kořenů opravuje kód

Více

10. DETERMINANTY " # $!

10. DETERMINANTY  # $! 10. DETERMINANTY $ V této kapitole zavedeme determinanty čtvercových matic libovolného rozměru nad pevným tělesem, řekneme si jejich základní vlastnosti a naučíme se je vypočítat včetně příkladů jejich

Více

Pravděpodobnost, náhoda, kostky

Pravděpodobnost, náhoda, kostky Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti

Více

Matematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic

Matematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je

Více

4.3.4 Základní goniometrické vzorce I

4.3.4 Základní goniometrické vzorce I .. Základní goniometrické vzorce I Předpoklady: 0 Dva vzorce, oba známe už z prváku. Pro každé R platí: + =. Důkaz: Použijeme definici obou funkcí v jednotkové kružnici: T sin() T 0 - cos() S 0 R - Obě

Více

ANALYTICKÁ GEOMETRIE V ROVINĚ

ANALYTICKÁ GEOMETRIE V ROVINĚ ANALYTICKÁ GEOMETRIE V ROVINĚ Analytická geometrie vyšetřuje geometrické objekty (body, přímky, kuželosečky apod.) analytickými metodami. Podle prostoru, ve kterém pracujeme, můžeme analytickou geometrii

Více

12. cvičení z PST. 20. prosince 2017

12. cvičení z PST. 20. prosince 2017 1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace

Více

Vysoké učení technické v Brně Fakulta elektrotechniky a komunikačních technologií

Vysoké učení technické v Brně Fakulta elektrotechniky a komunikačních technologií Vysoké učení technické v rně Fakulta elektrotechniky a komunikačních technologií Kolejní 906/4 6 00 rno http://www.utee.feec.vutbr.cz ELEKTOTECHNK (EL) lok nalýza obvodů - speciální metody doc. ng. Jiří

Více

5.1. Klasická pravděpodobnst

5.1. Klasická pravděpodobnst 5. Pravděpodobnost Uvažujme množinu Ω všech možných výsledků náhodného pokusu, například hodu mincí, hodu kostkou, výběru karty z balíčku a podobně. Tato množina se nazývá základní prostor a její prvky

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

5 Parametrické testy hypotéz

5 Parametrické testy hypotéz 5 Parametrické testy hypotéz 5.1 Pojem parametrického testu (Skripta str. 95-96) Na základě výběru srovnáváme dvě tvrzení o hodnotě určitého parametru θ rozdělení f(x, θ). První tvrzení (které většinou

Více

7. Derivace složené funkce. Budeme uvažovat složenou funkci F = f(g), kde některá z jejich součástí

7. Derivace složené funkce. Budeme uvažovat složenou funkci F = f(g), kde některá z jejich součástí 202-m3b2/cvic/7slf.tex 7. Derivace složené funkce. Budeme uvažovat složenou funkci F = fg, kde některá z jejich součástí může být funkcí více proměnných. Předpokládáme, že uvažujeme funkce, které mají

Více

13. cvičení z PSI ledna 2017

13. cvičení z PSI ledna 2017 cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost 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

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

A B = A A B P A B C = P A P B P C = =

A B = A A B P A B C = P A P B P C = = 9..8 Nezávislé jevy II Předpoklady: 907 Jsou-li nezávislé jevy a. Jsou nezávislé i jevy a? Z obrázku je vidět, že platí: ( ) ( ) = ( ( ) ) ( ( ) ) = ( ) ( ) P P P P P = použijeme nezávislost jevů, : P

Více

Čebyševovy aproximace

Čebyševovy aproximace Čebyševovy aproximace Čebyševova aproximace je tzv hledání nejlepší stejnoměrné aproximace funkce v daném intervalu Hledáme funkci h x, která v intervalu a,b minimalizuje maximální absolutní hodnotu rozdílu

Více

VEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A

VEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.

Více

Kódování signálu. Problémy při návrhu linkové úrovně. Úvod do počítačových sítí. Linková úroveň

Kódování signálu. Problémy při návrhu linkové úrovně. Úvod do počítačových sítí. Linková úroveň Kódování signálu Obecné schema Kódování NRZ (bez návratu k nule) NRZ L NRZ S, NRZ - M Kódování RZ (s návratem k nule) Kódování dvojí fází Manchester (přímý, nepřímý) Diferenciální Manchester 25.10.2006

Více

Věta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)

Věta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6) 1. Lineární diferenciální rovnice řádu n [MA1-18:P1.7] rovnice typu y n) + p n 1 )y n 1) +... + p 1 )y + p 0 )y = q) 6) počáteční podmínky: y 0 ) = y 0 y 0 ) = y 1 y n 1) 0 ) = y n 1. 7) Věta 1.3 : Necht

Více

11. cvičení z PSI prosince hodnota pozorovaná četnost n i p X (i) = q i (1 q), i N 0.

11. cvičení z PSI prosince hodnota pozorovaná četnost n i p X (i) = q i (1 q), i N 0. 11 cvičení z PSI 12-16 prosince 2016 111 (Test dobré shody - geometrické rozdělení Realizací náhodné veličiny X jsme dostali následující četnosti výsledků: hodnota 0 1 2 3 4 5 6 pozorovaná četnost 29 15

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

Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s

Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných

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

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

Kódováni dat. Kódy používané pro strojové operace

Kódováni dat. Kódy používané pro strojové operace Kódováni dat Před zpracováním dat například v počítači je třeba znaky převést do tvaru, kterému počítač rozumí, tj. přiřadit jim určité kombinace bitů. Tomuto převodu se říká kódování. Kód je předpis pro

Více

Diferenciální rovnice 3

Diferenciální rovnice 3 Diferenciální rovnice 3 Lineární diferenciální rovnice n-tého řádu Lineární diferenciální rovnice (dále jen LDR) n-tého řádu je rovnice tvaru + + + + = kde = je hledaná funkce, pravá strana a koeficienty

Více