Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
|
|
- Kateřina Pospíšilová
- před 5 lety
- Počet zobrazení:
Transkript
1 Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz
2
3 náhodná veličina rozdělení pravděpodobnosti náhodné veličiny číselné charakteristiky náhodné veličiny
4 - číselné vyjádření výsledku náhodného pokusu. je reálná funkce X : Ω R taková, že pro každé reálné číslo x je množina {ω Ω X(ω) < x} náhodný jev. Poznámky: Ω značí prostor elementárních jevů.
5 - číselné vyjádření výsledku náhodného pokusu. je reálná funkce X : Ω R taková, že pro každé reálné číslo x je množina {ω Ω X(ω) < x} náhodný jev. Poznámky: Ω značí prostor elementárních jevů. pro každý náhodný jev A umíme určit jeho pravděpodobnost P(A) umíme tedy určit i pravděpodobnosti jevů {ω Ω X(ω) < x} zjednodušené značení: P(X < x) P({ω Ω X(ω) < x})
6 Příklad: Hod dvěma kostkami Náhodný pokus: hod dvěma kostkami Prostor elementárních jevů: Ω = {(1, 1), (1, 2),..., (6, 6)} : součet čísel na obou kostkách X(ω) = ω 1 + ω 2, kde ω = (ω 1, ω 2 )
7 Příklad: Hod dvěma kostkami Náhodný pokus: hod dvěma kostkami Prostor elementárních jevů: Ω = {(1, 1), (1, 2),..., (6, 6)} : součet čísel na obou kostkách X(ω) = ω 1 + ω 2, kde ω = (ω 1, ω 2 ) {ω Ω X(ω) < 4} = {(1, 1), (1, 2), (2, 1)} je náhodný jev můžeme proto určit P(X < 4) jako P(X < 4) = P({(1, 1), (1, 2), (2, 1)})
8 Další příklady: doba do poruchy přístroje zítřejší celkový úhrn srážek...
9 Rozdělení pravděpodobnosti náhodné veličiny X - předpis, který každému náhodnému jevu spojenému s veličinou X přiřazuje jeho pravděpodobnost: kde M R P(X M) P({ω Ω X(ω) M}),
10 Rozdělení pravděpodobnosti náhodné veličiny X - předpis, který každému náhodnému jevu spojenému s veličinou X přiřazuje jeho pravděpodobnost: kde M R P(X M) P({ω Ω X(ω) M}), Rozdělení pravděpodobnosti lze zadat: určením P(X M) pro každou množinu M - nepraktické distribuční funkcí pravděpodobnostní funkcí nebo hustotou pravděpodobnosti
11 Distribuční funkce F X (x) Distribuční funkce F X (x) vyjadřuje pravděpodobnost, že veličina X bude mít hodnotu menší než x. F X (x) = P(X < x)
12 Distribuční funkce F X (x) Distribuční funkce F X (x) vyjadřuje pravděpodobnost, že veličina X bude mít hodnotu menší než x. Vlastnosti distribuční funkce: 0 F X (x) 1 je neklesající je zleva spojitá F X (x) 0 pro x F X (x) 1 pro x + F X (x) = P(X < x)
13 Diskrétní a spojité náhodné veličiny diskrétní - mohou nabývat nejvýše spočetně mnoha hodnot spojité (se spojitou distribuční funkcí) - mohou nabývat hodnoty z nějakého intervalu (nebo jejich sjednocení), P(X = x) = 0 pro každou hodnotu x Poznámka: Existují i spojité veličiny s nespojitou distr. funkcí. Těmi se nebudeme zabývat.
14 Rozdělení diskrétní náhodné veličiny s oborem hodnot {1, 2,...} lze charakterizovat pravděpodobnostní funkcí p X (x) = P(X = x) pro x {1, 2,...}.
15 Rozdělení diskrétní náhodné veličiny s oborem hodnot {1, 2,...} lze charakterizovat pravděpodobnostní funkcí p X (x) = P(X = x) pro x {1, 2,...}. Platí x 1 x 1 F X (x) = P(X < x) = P(X = t) = p X (t). t=1 t=1
16 Rozdělení diskrétní náhodné veličiny s oborem hodnot {1, 2,...} lze charakterizovat pravděpodobnostní funkcí p X (x) = P(X = x) pro x {1, 2,...}. Platí x 1 x 1 F X (x) = P(X < x) = P(X = t) = p X (t). t=1 t=1 p X (x) 0 x p X (x) = 1 P(X x) = 1 P(X < x) = 1 F X (x) P(a X < b) = P(X < b) P(X < a) = F X (b) F X (a) p X (x) = lim t x+ F X (t) F X (x)
17 Rozdělení spojité náhodné veličiny lze charakterizovat hustotou pravděpodobnosti f X (x), pro kterou platí F X (x) = x f X ( x)d x
18 Rozdělení spojité náhodné veličiny lze charakterizovat hustotou pravděpodobnosti f X (x), pro kterou platí Vlastnosti: F X (x) = x f X ( x)d x f X (x) 0 lim x f X (x) = lim x + f X (x) = 0 P(a X < b) = F X (b) F X (a) = b a f X (x)dx P(X = x) = lim t x+ F X (t) F X (x) = 0, protože F X (x) je spojitá
19 Číselné charakteristiky náhodných veličin Střední hodnota (značíme E(X), µ) pro diskrétní NV: E(X) = i x i p X (x i )
20 Číselné charakteristiky náhodných veličin Střední hodnota (značíme E(X), µ) pro diskrétní NV: E(X) = i x i p X (x i ) pro spojitou NV: E(X) = + x f X (x)dx
21 Střední hodnota funkce g(x) náhodné veličiny pro diskrétní NV: E(g(X)) = i g(x i ) p X (x i )
22 Střední hodnota funkce g(x) náhodné veličiny pro diskrétní NV: E(g(X)) = i g(x i ) p X (x i ) pro spojitou NV: E(g(X)) = + g(x) f X (x)dx
23 Vlastnosti střední hodnoty: a, b R : E(aX + b) = ae(x) + b E(X 1 + X X n ) = E(X 1 ) + E(X 2 ) E(X n ) Význam střední hodnoty: vážený průměr hodnot s váhami odpovídajícími pravděpodobnostem, těžiště
24 Obecný moment r-tého řádu (µ r, r = 1, 2,...) µ r = E(X r ) = + x r f X (x) dx Centrální moment r-tého řádu (µ r, r = 1, 2,...) µ r = E((X EX) r ) = + (x EX) r f X (x) dx
25 Rozptyl náhodně veličiny (druhý centrální moment, DX, σ 2 ) DX = E((X EX) 2 ) = E(X 2 ) (EX) 2
26 Rozptyl náhodně veličiny (druhý centrální moment, DX, σ 2 ) DX = E((X EX) 2 ) = E(X 2 ) (EX) 2 Vlastnosti rozptylu: a, b R : D(aX + b) = a 2 D(X) X 1, X 2,..., X n nezávislé (viz později), pak D( n i=1 X i) = n i=1 D(X i)
27 Rozptyl náhodně veličiny (druhý centrální moment, DX, σ 2 ) DX = E((X EX) 2 ) = E(X 2 ) (EX) 2 Vlastnosti rozptylu: a, b R : D(aX + b) = a 2 D(X) X 1, X 2,..., X n nezávislé (viz později), pak D( n i=1 X i) = n i=1 D(X i) Význam rozptylu: Variabilita náhodné veličiny kolem její střední hodnoty (vyjádřeno kvadrátem X).
28 Rozptyl náhodně veličiny (druhý centrální moment, DX, σ 2 ) DX = E((X EX) 2 ) = E(X 2 ) (EX) 2 Vlastnosti rozptylu: a, b R : D(aX + b) = a 2 D(X) X 1, X 2,..., X n nezávislé (viz později), pak D( n i=1 X i) = n i=1 D(X i) Význam rozptylu: Variabilita náhodné veličiny kolem její střední hodnoty (vyjádřeno kvadrátem X). Příklad: Náhodné veličiny X 1, X 2. X 2 = X 1. DX 1 = σ 2. Pak DX 2 = ( 1) 2 DX 1 = σ 2, ale D(X 1 + X 2 ) = 0 DX 1 + DX 2. X 1, X 2 nejsou nezávislé!
29 Směrodatná odchylka (σ) σ = DX Význam: Variabilita náhodné veličiny kolem střední hodnoty (vyjádřeno ve stejných jednotkách jako X).
30 Směrodatná odchylka (σ) σ = DX Význam: Variabilita náhodné veličiny kolem střední hodnoty (vyjádřeno ve stejných jednotkách jako X). Využití: např. Čebyševova nerovnost k > 0 : P( X µ > kσ) 1 k 2
31 Další charakteristiky: Variační koeficient: γ = σ µ p-kvantil x p : P(X < x p ) = p Dolní kvartil x 0.25 Horní kvartil x 0.75 Medián x 0.5 Modus ˆx: argument maxima pravděpodobnostní funkce (nebo hustoty pravděpodobnosti) Šikmost: α 3 = µ 3 σ 3 (míra symetrie rozdělení) Špičatost: α 4 = µ 4 σ 4 3 (míra koncentrace kolem průměru)
32
33 náhodný vektor sdružené rozdělení marginální rozdělení podmíněné rozdělení číselné charakteristiky náhodného vektoru
34 Náhodným vektorem rozumíme vektor X = (X 1, X 2,..., X n ), jehož složky X 1, X 2,..., X n jsou náhodné veličiny na stejném základním prostoru Ω.
35 Náhodným vektorem rozumíme vektor X = (X 1, X 2,..., X n ), jehož složky X 1, X 2,..., X n jsou náhodné veličiny na stejném základním prostoru Ω. Příklady: maximální a minimální teplota, množství srážek a průměrná rychlost větru během dne výška a váha náhodně vybrané osoby digitální obraz Dále se omezíme na dvourozměrné vektory (X, Y ), jejich složky jsou bud diskrétní, nebo spojité náhodné veličiny.
36 Sdružená distribuční funkce náhodného vektoru F X,Y (x, y) = P(X < x Y < y)
37 Sdružená distribuční funkce náhodného vektoru F X,Y (x, y) = P(X < x Y < y) Vlastnosti: 0 F X,Y (x, y) 1 lim x F X,Y (x, y) = lim y F X,Y (x, y) = 0 lim (x,y) (+,+ ) F X,Y (x, y) = 1 F X,Y (x, y) je neklesající v každé proměnné F X,Y (x, y) je zleva spojitá v každé proměnné
38 Sdružená pravděpodobnostní funkce diskrétního náhodného vektoru p(x i, y j ) = P(X = X i Y = y j ) 0 p X,Y (x i, y j ) 1 n1 i=1 n2 j=1 p X,Y (x i, y j ) = 1 F X,Y (x, y) = x i <x y j <y p X,Y (x i, y j )
39 Sdružená hustota pravděpodobnosti spojitého náhodného vektoru je funkce f X,Y (x, y) splňující Vlastnosti: f (x, y) F X,Y (x, y) = y x f X,Y (x, y) dx dy = 1 P(a x < b, c y < d) = b a f X,Y ( x, ỹ) d x dỹ d c f X,Y (x, y) dy dx.
40 Je-li (X, Y ) náhodný vektor, pak rozdělení náhodných veličin X a Y se nazývají marginální.
41 Je-li (X, Y ) náhodný vektor, pak rozdělení náhodných veličin X a Y se nazývají marginální. Marginální distribuční funkce veličiny X: F X (x) = P(X < x) = lim F X,Y (x, y) y + Marginální pravděpodobnostní funkce veličiny X: p X (x i ) = P(X = x i ) = y j p X,Y (x i, y j ) Marginální hustota pravděpodobnosti veličiny X: f X (x) = Obdobně pro Y. + f X,Y (x, y)dy
42 Řekneme, že náhodné veličiny X a Y jsou nezávislé, právě když pro každé x, y F X,Y (x, y) = F X (x) F Y (y).
43 Řekneme, že náhodné veličiny X a Y jsou nezávislé, právě když pro každé x, y F X,Y (x, y) = F X (x) F Y (y). Pro diskrétní náhodný vektor: X, Y jsou nezávislé, právě když p X,Y (x i, y j ) = P X (x i ) P Y (y j ). Pro spojitý náhodný vektor: X, Y jsou nezávislé, právě když f X,Y (x, y) = f X (x) f Y (y).
44 Podmíněné rozdělení náhodného vektoru
45 Podmíněné rozdělení X za podmínky Y = y udává rozdělení veličiny X za předpokladu, že veličina Y nabyla hodnoty y. obdobně pro podmíněné rozdělení Y za podmínky X = x...
46 Diskrétní náhodný vektor (X, Y ) Podmíněná pravděpodobnostní funkce: p X Y (x y) = p X,Y (x, y), pro p Y (y) 0 p Y (y)
47 Spojitý náhodný vektor (X, Y ) Podmíněná hustota: f X Y (x y) = f X,Y (x, y), pro f Y (y) 0 f Y (y)
48 Číselné charakteristiky náhodného vektoru
49 Marginální číselné charakteristiky náhodného vektoru shrnují informace o jednotlivých složkách náhodného vektoru střední hodnoty EX, EY, rozptyly DX, DY, šikmosti, špičatosti,... lze zapsat vektorově: EX = (EX, EY ), DX = (DX, DY ) vypovídají o všech složkách, ale ne o závislostech
50 Smíšené charakteristiky vypovídají o závislostech jednotlivých složek Kovariance cov(x, Y ) cov(x, Y ) = E((X EX) (Y EY )) Vlastnosti kovariance: cov(x, Y ) = E(X Y ) EX EY cov(x, X) = DX cov(a 1 X + b 1, a 2 Y + b 2 ) = a 1 a 2 cov(x, Y ) jsou-li X, Y nezávislé, pak cov(x, Y ) = 0 D(X + Y ) = D(X) + D(Y ) + 2 cov(x, Y )
51 Kovarianční matice var(x) var(x) = = ( cov(x, X) cov(x, Y ) cov(y, X) cov(y, Y ) ( D(X) cov(x, Y ) cov(x, Y ) D(Y ) ) ) Kovarianční matice je symetrická a pozitivně semidefinitní.
52 Korelační koeficient ρ(x, Y ) je mírou lineární závislosti veličin X a Y. cov(x,y ) pro DX, DY 0 DX DY ρ(x, Y ) = 0 jinak
53 Korelační koeficient ρ(x, Y ) je mírou lineární závislosti veličin X a Y. cov(x,y ) pro DX, DY 0 DX DY ρ(x, Y ) = 0 jinak Vlastnosti korelačního koeficientu 1 ρ(x, Y ) 1 ρ(x, Y ) = ρ(y, X) ρ(x, X) = 1 pro X, Y nezávislé je ρ(x, Y ) = 0
54 Vlastnosti korelačního koeficientu je-li ρ(x, Y ) = 0, říkáme, že X, Y jsou nekorelované je-li ρ(x, Y ) = 1, pak existují a, b R, a > 0 takové, že Y = ax + b s pravděpodobností 1 je-li ρ(x, Y ) = 1, pak existují a, b R, a < 0 takové, že Y = ax + b s pravděpodobností 1 je-li ρ(x, Y ) > 0, říkáme, že X, Y jsou pozitivně korelované je-li ρ(x, Y ) < 0, říkáme, že X, Y jsou negativně korelované
55 Podmíněné číselné charakteristiky - charakterizují rozdělení veličiny X za podmínky, že veličina Y nabyla určité hodnoty (nebo naopak...) Podmíněná střední hodnota E(X y) = x i x i p X Y (x i y) Podmíněný rozptyl E(X y) = + x f X Y (x y)dx D(X y) = x i (x i E(X y)) 2 p X Y (x i y) D(X y) = + (x E(X y)) 2 f X Y (x y)dx
56 A to je konec...
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
VíceJAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová
JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za nichž
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
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
VíceJAK MODELOVAT VÝSLEDKY
JAK MODELOVAT VÝSLEDKY NÁHODNÝCH POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za
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
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
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
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
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
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
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
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
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
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
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
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
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
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
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
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
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
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.
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
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 )
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
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
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
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
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
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
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
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
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
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
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
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceMatematika pro chemické inženýry
Matematika pro chemické inženýry Drahoslava Janovská Lineární a nelineární regrese Přednášky ZS 2016-2017 Sponzorováno grantem VŠCHT Praha, PIGA 413-17-6642, 2016 Povinná látka. Bude v písemkách a bude
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Číselné charateristiy náhodných proměnných Charateristiy náhodných proměnných dělíme nejčastěji na charateristiy polohy a variability. Mezi charateristiy polohy se nejčastěji
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
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
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.
Víceletní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 202 Založeno na materiálech doc. Michala Kulicha Náhodný vektor často potřebujeme
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:,
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
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
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
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
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
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
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
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
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)
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
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
VíceJevy a náhodná veličina
Jevy a náhodná veličina Výsledky některých jevů jsou vyjádřeny číselně -na hrací kostce padne číslo 1, 4, 6.., jiným jevům můžeme čísla přiřadit (stupeň školního vzdělání: ZŠ, SŠ, VŠ) Data jsme rozdělili
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VíceAKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
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
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
VíceZÁklady teorie pravděpodobnosti
ZÁklady teorie pravděpodobnosti Pro předmět MatematickÁ statistika 1 Michal Kulich Katedra pravděpodobnosti a matematické statistiky Matematicko-fysikální fakulta University Karlovy Tyto poznámky poskytují
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VíceMnohorozměrná statistická data
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém
VíceSTATISTICKÁ VAZBA. 1.1 Statistická vazba Charakteristiky statistické vazby dvou náhodných veličin Literatura 9
STATISTICKÁ VAZBA Obsah 1 Korelační analýza 1 1.1 Statistická vazba.................................... 1 1.2 Motivační příklady................................... 1 1.3 Sdružená distribuční funkce a nezávislost
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VíceČíselné charakteristiky
. Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch
VíceMnohorozměrná statistická data
Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná
VíceZápočtová písemka z Matematiky III (BA04) skupina A
skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost
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
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:
Více2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz).
1 Cvičení z předmětu KMA/PST1 Pro získání zápočtu je nutno mimo docházky (max. 3 absence) uspět minimálně ve dvou ze tří písemek, které budou v průběhu semestru napsány. Součástí třetí písemky bude též
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
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
Víceveličin, deskriptivní statistika Ing. Michael Rost, Ph.D.
Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího
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
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
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Náhodné vektory Vilém Vychodil KMI/PRAS, Přednáška 8 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 8) Náhodné vektory Pravděpodobnost a statistika
VíceStatistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability
I Přednáška Statistika Diskrétní data Spojitá data Charakteristiky polohy Charakteristiky variability Statistika deskriptivní statistika ˆ induktivní statistika populace (základní soubor) ˆ výběr parametry
Více1 Pravděpodobnostní prostor
PaS 1.-10. přednáška 1 Pravděpodobnostní prostor Náhodný pokus je takový pokus, jehož výsledek nelze s jistotou předpovědět. Pokud jsme schopni pokus za stále stejných podmínek opakovat (například házíme
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
VícePRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]
PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické
VícePravděpodobnost a matematická statistika
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopravní Pravděpodobnost a matematická statistika RNDr. Jana Novovičová, CSc. 1999 Vydavatelství ČVUT Lektor : Doc. Ing. Miloslav Vošvrda, CSc. (c) RNDr. Jana
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
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
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáša 02 Přírodovědecá faulta Katedra matematiy KMA/P506 Pravděpodobnost a statistia KMA/P507 Statistia na PC jiri.cihlar@ujep.cz Náhodné veličiny Záladní definice Nechť je dán pravděpodobnostní prostor
VíceMatematika III: Pracovní listy
Matematika III: Pracovní listy Viktor Dubovský, Marcela Jarošová, Jiří Krček, Jitka Krčková, Petra Schreiberová, Petr Volný Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava
Více15. 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:
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
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
VíceMetodologie pro ISK II
Metodologie pro ISK II Všechny hodnoty z daného intervalu Zjišťujeme: Centrální míry Variabilitu Šikmost, špičatost Percentily (decily, kvantily ) Zobrazení: histogram MODUS je hodnota, která se v datech
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
VíceBakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika. 1 Úvodní poznámky. Verze: 13. června 2013
Bakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika Podrobnější rozpis okruhů otázek pro třetí část SZZ Verze: 13. června 2013 1 Úvodní poznámky 6 Smyslem SZZ by nemělo být toliko
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
VíceDiskrétní náhodná veličina
Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné
Více