je hustota pravdpodobnosti nebo pravdpodobnostní funkce náhodného výbru X (X 1, X 2,, X n ). , jako odhad. Nech f ( x;θ)
|
|
- Bohumila Dvořáková
- před 5 lety
- Počet zobrazení:
Transkript
1 7. as ke studu: 90 mut Cíl: Na úvod této kaptoly se sezámíte s odlšým pohledem a metodu mamálí vrohodost a dále se pak udete vovat základm Bayesovy dukce. Sezámíte se s pojmy aprorí a aposterorí rozdleí, auíte se alézt Bayesv odový a tervalový odhad. VÝKLAD 7.. Metoda mamálí vrohodost V této kaptole se sezámíme s mír odlšým pohledem a metodu mamálí vrohodost, ež jsme uvedl ve skrptech Statstka I. pro komovaé studum. Nech X, X,, X je áhodý výr z rozdleí s dstruí fukc F ( ;Θ), kde tvar dstruí fukce je zám a Θ je ezámý parametr. Oec mže dstruí fukce osahovat více ezámých parametr, které mžeme ozat vektorov jako. Prolém Θˆ X, jakožto fukce X, X,, X, která odového odhadu yí spoívá v alezeí statstky y mohla ýt použta jako odhad. Tato statstka ývá asto ozaováa jako estmátor a její realzace, ekme Θˆ ( ), jako odhad. Nech f ( ;Θ) je hustota pravdpodoost eo pravdpodoostí fukce áhodého výru X (X, X,, X ). Defce: Pokud je hustota pravdpodoost eo pravdpodoostí fukce f ( ;Θ) vyšetovaá jako fukce, azveme j vrohodostí fukcí založeou a (,, ) a ozaíme j jako L Θ;. Jestlže X, X,, X je moža ezávslých áhodých pozorováí z rozdleí s hustotam f ;Θ,,,, pak vrohodostí fukce mže ýt získáa jako: L ( Θ,, ) f ( ; Θ) f ( ; Θ) ; Defce: Nech L ( Θ;X) je vrohodostí fukce založea a áhodém výru X (X, X,, X ) z rozdleí F ( ;Θ), kde je vektor ezámých parametr, který aývá hodot z jakého Θ Θ ˆ X L Θ;X parametrckého prostoru. Pokud ˆ je áhodý vektor, který mamalzuje vzhledem k Θˆ Θ, potom Θˆ ( X ) udeme azývat mamál vrohodý estmátor. 88
2 Pro kokrétí realzac áhodého výru (,, ) udeme ( X ) Θˆ azývat jako mamál vrohodý odhad. Pro teto odhad udeme používat zkratku MVO. Tato tzv. metoda mamálí vrohodost má hlaví výhodu ve své jedoduchost a v tom, že dává odhady s velm dorým statstckým vlastostm. ešeý píklad MVO pro parametr epoecálího rozdleí Nech X (X, X,, X ) je áhodý výr z epoecálího rozdleí pravdpodoost. Víme, že hustota pravdpodoost epoecálí áhodé vely má tvar: f kde >0 je ezámý parametr. ( ) e, > 0, Chceme-l získat MVO pro parametr, zkostruujeme ejdíve vrohodostí fukc: L e ( ;) f V tomto pípad je výhodé využít toho, že mamum kladé fukce se shoduje s mamem jejího logartmu. Zaveme s tedy fukc L * ( ; ), která ude logartmem vrohodostí fukce: L * ( ; ) l e l( ) + l e l Zývá alézt mamum L * ( ; ). Bod podezelý z etrému uríme tak, že prví dervac fukce položíme rovu 0. ( ; ) * dl d 0 ˆ Pomocí druhé dervace zjstíme, zda se skute jedá o mamum fukce (druhá dervace v tomto od musí ýt záporá. d ( ; ) * L d 89
3 d ( ; ) ( ˆ ) < 0 * L d Tímto jsme ukázal, že ˆ mamalzuje L *( ; ) a tím také vrohodostí fukc. Tedy, kde je výrový prmr z výru pocházejícího z epoecálího rozdleí, je MVO parametru. MVO oekávaé hodoty epoecálího rozdleí, ozaeý jako, mže ýt odvoze podoým zpsoem z mulého výsledku pomocí vlastost varace mamál vrohodých odhad. Tato vlastost íká [Nguye H. T., Rogers G. S., 989], že: Pokud Θˆ je MVO parametru, pak ( Θˆ ) pedpokladu, že g (.) je prostá fukce. g je MVO fukce parametru ( Θ) g za Nyí je jasé, že MVO oekávaé hodoty epoecálího rozdleí je ˆ. 7.. Úvod do Bayesovy dukce Parametr Θ, který je pedmtem ašeho zájmu, je v Bayesov pístupu vyšetová jako áhodá vela. Jde-l o parametr áhodé vely X s dstruí fukc F(; Θ ), pak vždy, když pracujeme s touto fukcí, musíme mít a mysl podmíou dstruí fukc F Θ Aprorí rozdleí Uvažujme parametr áhodé vely X s dstruí fukc F ( Θ). Nech doposud eí k dspozc žádé pozorováí této áhodé vely. Nech je k dspozc jakás pedžá zkušeost, aprorí zalost o této populac eo já formace, která umoží zkostruovat sujektví pravdpodoostí rozdleí pro parametr. Takové rozdleí, které reflektuje ejstotu o hodot parametru z hledska epermetátora ješt ped pozorováím aktuálího Θ. výru, se azývá aprorí rozdleí parametru. Dále jej udeme ozaovat V moha stuacích lze vyjádt relatví pravdpodoost toho, že parametr aývá hodot a jaké mož, pomocí vhodého rozdleí pravdpodoost. Úloha ajít aprorí rozdleí pro zkoumaý parametr je všeoec velm otížá. V kterých pípadech ývá dokoce velm výhodé zvolt jako aprorí hustotu takovou fukc, která emusí ýt a tegrovatelá, a pesto po mplemetac Bayesových metod dává rozumé výsledky (kdy však také vede k esmyslým výsledkm). Taková hustota ývá ozaováa jako tzv. evlastí aprorí hustota. Bayesovy metody lze použít v pípad, že eí dostupá žádá formace o vyšetovaém parametru. Taková aprorí rozdleí, ozaováa jako eurtá, 90
4 yla velm tezv studováa [Jeffreys, 96] a jsou základem Bayesových metod vyvutých autory [Bo ad Tao, 973]. Neestuje žádý oecý ávod, jak y mla ýt specfkováa eurtá aprorí hustota. Jelkož jsou pod tíhou rzých argumet použty rzé defce eurtých aprorích rozdleí, setkáme se asto s rzým evlastím aprorím rozdleím [Zeller, 977]. Pro úely alezeí eurtého aprorího rozdleí použjeme jedu z ejpopulárjších metod, avržeou v [Jeffreys, 96]. Nech f ( Θ) je hustota pravdpodoost eo pravdpodoostí fukce pozorovaé áhodé vely X, kde vektor je vektor ezámých parametr. Za eurté aprorí rozdleí lze vzít: kde ( Θ) [ ] ( Θ) I( Θ), I je Fsherova formaí matce (defováa pomocí druhé dervace logartmcké vrohodostí fukce). I ΘΘ ( Θ) E l ( f ( X Θ ) ešeý píklad Uvažujme epoecálí rozdleí s hustotou f ( ) e, > 0, kde > 0 je parametr, pro který je uto zkostruovat aprorí hustotu. Úkolem je alézt eurtou aprorí hustotu pro parametr a pro jeho pevráceou hodotu. I ( ) E l ( e ) E l ( ) [ ] E Odtud vyplývá, že eurtá (Jeffreysova) aprorí hustota pravdpodoost pro je evlastí aprorí hustota, úmrá : ( Θ ) Pokud ás ude zajímat aprorí rozdleí pro pevráceou hodotu, tj., pak Fscherova matce ude: I X l ( ) E e E l X 9
5 E + X E + X E 3 X + EX Tedy eurtá aprorí hustota pro oekávaou hodotu epoecálího rozdleí je: ( ) 7.4. Aposterorí rozdleí Nech X je áhodý vektor se sdružeou hustotou pravdpodoost eo pravdpodoostí Θ Θ je aprorí rozdleí áhodého vektoru. Potom sdružeé fukcí f. Nech rozdleí X a mže ýt alezeo jako: ( Θ) f ( Θ) ( Θ) h, Za pedpokladu, že je asolut spojtý áhodý vektor, margálí rozdleí X mže ýt alezeo jako: Θ ( ) h( Θ) dθ g ; A koe podmíé rozdleí p realzac X je: ( Θ ) h ( ; Θ) g( ) pro Θ Ω Toto pravdpodoostí rozdleí se azývá aposterorí rozdleí. Toto podmíé rozdleí parametru p daých datech je takto azváo zejméa proto, že odráží pedstavu epermetátora o zkoumaém parametru poté, co yl pozorová áhodý výr z píslušé populace. Tedy aposterorí rozdleí komuje pedžou formac osažeou v aprorím rozdleí s formací o (osažeou v datech vrohodostí fukce). Pokud udeme gorovat kostatu úmrost, pak aposterorí rozdleí mže ýt zapsáo ásledov: ( Θ ) f ( Θ) ( Θ) pro Θ Ω, kde kostata úmrost k mže ýt alezea tak, ay yla spla ormovací podmíka aposterorí hustoty. 9
6 Poz.: ozauje pímou úmrost, tz. ( Θ ) f ( Θ) ( Θ) rovce: ( Θ ) k f ( Θ) ( Θ), k R je zkráceým zápsem Tedy: aposterorí rozdleí (aprorí rozdleí. vrohodostí fukce) Pokud aposterorí rozdleí pravdpodoost patí do téže tídy rozdleí jako aprorí rozdleí, potom tuto tídu rozdleí azýváme prozeý kojugovaý systém rozdleí pro rozdleí X. To zameá, že pokud aprorí rozdleí je kojugovaé vzhledem k výrovému rozdleí, pak pro alezeí aposterorího rozdleí poteujeme aktualzovat pouze parametry aprorího rozdleí. ešeý píklad Nech X,, X je áhodý výr z epoecálího rozdleí s parametrem. Úkolem je alézt aposterorí rozdleí pro za pedpokladu, že aprorí rozdleí je: Gamma a;, tj. a) ( ) ) ( ) a a e, kde Γ Γ ( a) a ( a) e d, E a Víme, že hustota pravdpodoost epoecálí áhodé vely má tvar: f kde >0 je ezámý parametr. ( ) e, > 0 Zkostruujeme ejdíve vrohodostí fukc: L kde je výrový prmr. 0, ( ) f ( ) e e ;, ada) Pokud gorujeme kostatu úmrost, aprorí rozdleí a e aposterorí rozdleí (aprorí rozdleí. vrohodostí fukce) a aposterorí rozdleí e e ( ) Lze sado rozezat, že se jedá o Gamma rozdleí: + a e + ( ) Gamma + a; + Protože aprorí aposterorí rozdleí patí do téže tídy rozdleí, je 93
7 evdetí, že tato tída (Gamma rozdleí) slouží jako prozeý kojugovaý systém pro výrová epoecálí rozdleí. ad) evlastí aprorí rozdleí: ( ) aposterorí rozdleí e e, Gamma; takže: a skuteost, že aprorí rozdleí je evlastí, zde ehraje výzamou rol Bayesovy estmátory Nech ( Θ ) je aposterorí rozdleí pro parametr, založeo a pozorováích áhodého vektoru X, který má dstruí fukc F ( Θ). Cílem ude získat odové a tervalové odhady pro. Nejdíve uvažujme prolém odového odhadu. Bayesv odový odhad Aposterorí rozdleí v Bayesov pístupu hraje podoou rol jako vrohodostí fukce v kaptole 5 výraz eho, s ím pchází veškerá formace o parametru. Na rozdíl od vrohodostí fukce však aposterorí rozdleí osahuje formac jak v podo aprorího rozdleí, tak ve výru samotém. Bodový odhad parametru mže ýt získá odo jako v defc mamál vrohodého estmátoru. Jestlže MVO pro parametr yl dá alezeím modu vrohodostí fukce, pak odo mžeme defovat zoecý Θ. mamál vrohodý estmátor jako modus aposterorího rozdleí Odhad získaý touto metodou ude posuzová jako odhad aposterorím modem. Pozameejme, že aposterorí rozdleí je pravdpodoostím rozdleím, zatímco vrohodostí fukce, jako fukce, emusí ut ýt pravdpodoostím rozdleím. Modus aposterorího rozdleí je specálí mírou polohy tohoto rozdleí. Lze tedy zavést další míry polohy aposterorího rozdleí, které mohou odhadout stej doe. Tyto odhady udou posuzováy jako: odhad aposterorí oekávaou hodotou, resp. odhad aposterorím medáem. Z teoretckého hledska mohou ýt tyto alteratví odhady v jstém smyslu optmálí, pokud je zadáa jstá ztrátová fukce odhadu. Napíklad aposterorí oekávaá hodota, resp. aposterorí medá jsou Bayesovy odhady parametru za pedpokladu kvadratcké ztrátové fukce ( Θ; Θˆ ) ( Θ Θ ˆ ) L, resp. ztrátové fukce ve tvaru: ( Θ; Θ) Θ Θ L ˆ ˆ, kde Θˆ je odhad parametru. 94
8 Aychom krátce popsal myšleku Bayesových estmátor, uvažujme oecou ztrátovou L Θ; Θ ˆ, pro íž estuje oekávaá hodota vzhledem k aposterorímu rozdleí fukc ( Θ ). Potom estmátor Θˆ azveme Bayesovým estmátorem p uvažovaé ztrátové fukc L Θ; Θ ˆ, pokud Θˆ mmalzuje aposterorí oekávaou ztrátu E [ L( Θ; Θˆ ) ] L( Θ; Θˆ ) ( Θ ) Θ Napíklad pro kvadratckou ztrátovou fukc mže ýt aposterorí oekávaá ztráta vyjádea jako E ( Θ Θˆ ) E( Θ E( Θ ) ) + ( E( Θ ) - Θˆ ) D( Θ ) + [ E( Θ ) Θˆ ] D( Θ ) Z posledí erovost dále plye, že pokud Θˆ E( Θ ), což je aposterorí oekávaá hodota, pak aposterorí oekávaá ztráta je rova D( Θ ). Nyí je jasé, že aposterorí oekávaá hodota, jakožto odhad, mmalzuje aposterorí oekávaou ztrátu. Jým slovy aposterorí oekávaá hodota je Bayesv estmátor p uvažovaé kvadratcké ztrátové fukc. dθ ešeý píklad Uvažujme aposterorí rozdleí daé ( ) Gamma + a; pro + parametr epoecálího rozdleí. Z vlastost Gamma rozdleí ezprosted plye, že ˆ ( + a) + je odhadem pomocí aposterorí oekávaé hodoty. Všmme s ozvlášt, že pokud a 0 a, tedy p evlastím aprorím rozdleí, Bayesv esmátor (p uvažovaé kvadratcké ztrátové fukc) se redukuje a, což je totéž jako MVO pro. Pokusme se yí alézt zoecý mamál vrohodý odhad (zoecý MVO), založeý a výru X,, X a p pedpokladu aprorího rozdleí Gamma G(a;). Je samozejmé, že modus aposterorího rozdleí ude ve stejém od jako mamum fukce 95
9 ( + ) + a - l g, Protože až a kostatu ezávslou a je g() totéž jako logartmus aposterorího rozdleí. Dervováím dostaeme: dg + a - + d d g + a - d a Jelkož druhá dervace je záporá pro všecha +a >, mamum g() mže ýt alezeo z. rovce, kterou položíme rovu 0. Odtud zoecý MVO parametru je 7.6. Bayesv tervalový odhad ( + a -) ˆ + Pedpokládejme, že pro je yí požadováa kofdeí moža. Ppome me, že a rozdíl od klasckého pístupu, je yí áhodý vektor. Proto, a rozdíl od klasckého pístupu, který vydává pravdpodoostí výpov o podmož základího prostoru s cílem alezeí kofdeí olast, zde provedeme pravdpodoostí výpovd týkající se pímo podmož parametrckého prostoru. Kofdeí možy, které získáme pomocí Bayesova pístupu, mají pímou pravdpodoostí terpretac. Bayesv aalog v kofdeímu tervalu je psuzová Bayesov kofdeím tervalu eo také pravdpodoostímu tervalu. Defce: Nech C() je podmoža parametrckého prostoru taková,že P ( Θ C( ) ) ( Θ ) C dθ γ Potom C() se azývá 00 % í pravdvostí moža pro, kde ( Θ ) je aposterorí rozdleí pro. Shrutí kaptoly 7. ( ) Parametr Θ, který je pedmtem ašeho zájmu, je v Bayesov pístupu vyšetová jako áhodá vela. Jde-l o parametr áhodé vely X s dstruí fukc F(; Θ ), pak vždy, když pracujeme s touto fukcí, musíme mít a mysl podmíou dstruí fukc F Θ. Rozdleí, které reflektuje ejstotu o hodot parametru z hledska epermetátora ješt ped pozorováím aktuálího výru, se azývá aprorí rozdleí parametru. Θ. Ozaujeme jej 96
10 Nech f ( Θ) je hustota pravdpodoost eo pravdpodoostí fukce pozorovaé áhodé vely X, kde vektor je vektor ezámých parametr. Za eurté aprorí rozdleí lze vzít: kde ( Θ) [ ] ( Θ) I( Θ), I je Fscherova formaí matce (defováa pomocí druhé dervace logartmcké vrohodostí fukce). I ΘΘ ( Θ) E l ( f ( X Θ ) Sdružeé rozdleí X a mže ýt alezeo jako: ( Θ) f ( Θ) ( Θ) h, Za pedpokladu, že je asolut spojtý áhodý vektor, margálí rozdleí X mže ýt alezeo jako: ( ) h( Θ) dθ Θ g ; A koe podmíé rozdleí p realzac X je: ( Θ ) h ( ; Θ) g( ) pro Θ Ω Toto pravdpodoostí rozdleí se azývá aposterorí rozdleí. Toto podmíé rozdleí parametru p daých datech je takto azváo zejméa proto, že odráží pedstavu epermetátora o zkoumaém parametru poté, co yl pozorová áhodý výr z píslušé populace. aposterorí rozdleí (aprorí rozdleí. vrohodostí fukce) Pokud aposterorí rozdleí pravdpodoost patí do téže tídy rozdleí jako aprorí rozdleí, potom tuto tídu rozdleí azýváme prozeý kojugovaý systém rozdleí pro rozdleí X. Aychom krátce popsal myšleku Bayesových estmátor, uvažujme oecou ztrátovou L Θ; Θ ˆ, pro íž estuje oekávaá hodota vzhledem k aposterorímu rozdleí fukc ( Θ ). Potom estmátor Θˆ azveme Bayesovým estmátorem p uvažovaé ztrátové fukc L Θ; Θ ˆ, pokud Θˆ mmalzuje aposterorí oekávaou ztrátu 97
11 E [ L( Θ; Θˆ ) ] L( Θ; Θˆ ) ( Θ ) Θ Kofdeí možy, které získáme pomocí Bayesova pístupu, mají pímou pravdpodoostí terpretac. Bayesv aalog v kofdeímu tervalu je psuzová Bayesov kofdeím tervalu eo také pravdpodoostímu tervalu. dθ Defce: Nech C() je podmoža parametrckého prostoru taková,že P ( Θ C( ) ) ( Θ ) C dθ γ Potom C() se azývá 00 % í pravdvostí moža pro, kde ( Θ ) je aposterorí rozdleí pro. Otázky 7. ( ). Co je to aprorí rozdleí?. Defujte Fsherovu formaí matc. 3. Co je to aposterorí rozdleí? 4. Jaký je vztah mez aposterorím a aprorím rozdleím? 5. Co je to prozeý kojugovaý systém rozdleí? 6. Co je to ztrátová fukce? 7. Kdy mluvíme o Bayesov odovém odhadu? 98
Odhady 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
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
VícePřednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.
Předáška V. Úvod do teore odhadu Pojmy a prcpy teore odhadu Nestraé odhady Metoda mamálí věrohodost Průměr vs. medá Opakováí výběrová dstrbučí fukce Sestrojíme výběrovou dstrbučí fukc pro výšku a váhu
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
Více5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC
5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém
VíceTento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i
: ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru
VíceU. Jestliže lineární zobrazení Df x n n
MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o
Více8. Zákony velkých čísel
8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
Více1. Základy měření neelektrických veličin
. Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost
VíceÚvod do korelační a regresní analýzy
Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VícePRAVDĚPODOBNOST A STATISTIKA
SP4 Přpomeutí pojmů PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů SP4 Přpomeutí pojmů Pravděpodobost Náhodý jev: - základí prostor - elemetárí áhodý jev A - áhodý jev, - emožý jev, jstý jev podjev opačý
VícePRAVDĚPODOBNOST A STATISTIKA
SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
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
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
VíceNáhodné jevy, jevové pole, pravděpodobnost
S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem
Více1.2. NORMA A SKALÁRNÍ SOUČIN
2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
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
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
Vícea další charakteristikou je četnost výběrového souboru n.
Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu
Více1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru
Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v
VíceP1: Úvod do experimentálních metod
P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu
VíceSpojitost a limita funkcí jedné reálné proměnné
Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v
VíceMendelova univerzita v Brně Statistika projekt
Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2013.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceS1P Popisná statistika. Popisná statistika. Libor Žák
SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk
VíceInterpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2
Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z
VícePetr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VícePro orientaci v této problematice jsme se seznámili s nkolika novými pojmy:
Ig. Marta Ltschmaová Statsta I., cveí 8 LIMITNÍ VTY Lmtí vty jsou tvrzeí, terá jsou dležtá pro pops pravdpodobostích model v pípad rostoucího potu áhodých pous.. ro oretac v této problematce jsme se sezáml
Více12. Neparametrické hypotézy
. Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
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:
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
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:
Více1. Úvod do základních pojmů teorie pravděpodobnosti
. Úvod do základích pojmů teore pravděpodobost. Úvodí pojmy Větša exaktích věd zobrazuje své výsledky rgorózě tj. výsledky jsou získáváy a základě přesých formulí a jsou jejch terpretací. Příkladem je
VíceTestování statistických hypotéz
Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím
VíceSTATISTICKÁ ANALÝZA. Doc. RNDr. Zden k Karpíšek, CSc. P ehledový u ební text pro doktorské studium. Vysoké u ení technické v Brn
Vysoké ueí techcké v Br Fakulta strojího žeýrství STATISTICKÁ ANALÝZA Doc. RNDr. Zdek Karpíšek, CSc. Pehledový uebí tet pro doktorské studum BRNO 008 Pedášející: Doc. RNDr. Zdek Karpíšek, CSc. Cetrum pro
VíceMěření závislostí. Statistická závislost číselných znaků
Měřeí závslostí Statstcká závslost číselých zaků - závslost dvou velč lze vádřt ako ech fukčí vztah vzorcem, taulkou hodot příslušé fukce eo grafck; - mez zak zkoumaých evů zšťueme estec příčé (kauzálí
Více7 LIMITNÍ VĚTY. Čas ke studiu kapitoly: 70 minut. Cíl:
7 LIMITNÍ VĚTY Čas ke studu kaptoly: 70 mut Cíl: o prostudováí tohoto odstavce budete umět formulovat a používat lmtí věty aproxmovat já rozděleí rozděleím ormálím - 96 - Výklad: V této kaptole adefujeme
VíceRegrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n
Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r 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
VícePo prostudování tohoto odstavce budete umt porozumt konstrukci F-pomru rozhodovat se pomocí testu zvaného analýza rozptylu
0. AOVA Aalýza rozptylu as e studu aptoly: 60 mut Cíl Po prostudováí tohoto odstavce budete umt porozumt ostruc F-pomru rozhodovat se pomocí testu zvaého aalýza rozptylu zostruovat tabulu AOVA provést
Více1.1 Definice a základní pojmy
Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých
Více2. Vícekriteriální a cílové programování
2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě
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
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
Více[ jednotky ] Chyby měření
Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá
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
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
Více4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností
4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.
VíceVýsledky této ásti regresní analýzy jsou asto na výstupu z poítae prezentovány ve form tabulky analýzy rozptylu.
Ig. Marta Ltschmaová Statstka I., cveí 4 JEDNODUCHÁ LINEÁRNÍ REGRESE asto chceme prozkoumat vztah mez dvma velam, kde jeda z ch, tzv. ezávsle promá x, má ovlvovat druhou, tzv. závsle promou Y. edpokládá
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
Více9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost
Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
Více1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE
ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;
VíceSOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek
SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO Statstka I dstačí studjí opora Mla Křápek Soukromá vysoká škola ekoomcká Zojmo Dube 3 Statstka I Vydala Soukromá vysoká škola ekoomcká Zojmo. vydáí Zojmo, 3 ISBN
VíceSTATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK
STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK 04 prof. Ig. Bohuml Mařík, CSc. STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH.
Více11. Časové řady. 11.1. Pojem a klasifikace časových řad
. Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé
Více11. Regresní analýza. Čas ke studiu kapitoly: 60 minut. Cíl VÝKLAD Úvod
. egresí aalýza Čas ke studu kaptoly: 6 mut Cíl Po prostudováí tohoto odstavce udete umět vysvětlt pojem oecý leárí model prcp leárího regresího modelu používat výsledky regresí aalýzy verfkovat regresí
VíceHYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem.
HYPTEČNÍ ÚVĚR Spláceí úvěru stejým splátkam - kostatí auta ÚLHA 1: Mladý maželský pár s dostačujícím příjmy (tz. a získáí hypotéčího úvěru) se rozhodl postavt s meší rodý domek. Podle předběžé kalkulace
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
VíceTest dobré shody se používá nejčastěji pro ověřování těchto hypotéz:
Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám
VíceAPLIKOVANÁ STATISTIKA
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4
Více8.1.3 Rekurentní zadání posloupnosti I
8.. Rekuretí zadáí poslouposti I Předpoklady: 80, 80 Pedagogická pozámka: Podle mých zkušeostí je pro studety pochopitelější zavádět rekuretí posloupost takto (sado kotrolovatelou ukázkou), ež dosazováím
Více3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.
3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet
VíceS polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické
5 Itegrace racioálích fukcí 5 Itegrace racioálích fukcí Průvodce studiem V předcházejících kapitolách jsme se aučili počítat eurčité itegrály úpravou a základí itegrály, metodou per partes a substitučí
Více7 LIMITNÍ VTY. as ke studiu kapitoly: 70 minut. Cíl:
7 LIMITNÍ VTY as e studu aptoly: 70 mut Cíl: o prostudováí tohoto odstavce budete umt formulovat a používat lmtí vty aproxmovat já rozdleí rozdleím ormálím - 90 - Výlad: V této aptole adefujeme tvrzeí
VíceUČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY. Přírodovědecká fakulta ANALÝZA DAT. 2. upravené vydání. Josef Tvrdík
UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. upraveé vydáí Josef Tvrdík OSTRAVSKÁ UNIVERZITA 008 OBSAH: Úvod... 3 Parametrcké testy o shodě středích hodot... 4. Jedovýběrový t-test...
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
VícePřednáška 7, 14. listopadu 2014
Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
VíceKapitola 5 - Matice (nad tělesem)
Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic
Více1 EXPLORATORNÍ ANALÝZA PROMNNÝCH. as ke studiu kapitoly: 120 minut. Cíl: Po prostudování této kapitoly budete umt použít
EXPLORATORNÍ ANALÝZA PROMNNÝCH as ke studu kaptoly: mut Cíl: Po prostudováí této kaptoly budete umt použít základí pojmy eploratorí (popsé) statstky typy datových promých statstcké charakterstky a grafckou
VíceUžití binomické věty
9..9 Užití biomické věty Předpoklady: 98 Často ám z biomického rozvoje stačí pouze jede kokrétí čle. Př. : x Urči šestý čle biomického rozvoje xy + 4y. Získaý výraz uprav. Biomický rozvoj začíá: ( a +
VícePRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady
SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
VíceLABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:
VíceVY_52_INOVACE_J 05 01
Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí
Více, jsou naměřené a vypočtené hodnoty závisle
Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,
VíceChyby přímých měření. Úvod
Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,
VíceNMAF063 Matematika pro fyziky III Zkoušková písemná práce 17. ledna 2019
Jméo: Příklad 2 3 Celkem bodů Bodů 0 8 2 30 Získáo 0 Uvažujte posloupost distribucí {f } + = D (R defiovaou jako f (x = ( δ x m, kde δ ( x m začí Diracovu distribuci v bodě m Najděte limitu f = lim + f
VíceSpolehlivost a diagnostika
Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore
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
Více- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.
MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je
VíceÚvod do teorie měření
Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých
VícePosloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b
Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a
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,
Více3. DIFERENCIÁLNÍ ROVNICE
3 DIFERENCIÁLNÍ ROVNICE Difereciálí rovice (dále je DR) jsou veli důležitou částí ateatické aalýz, protože uožňují řešit celou řadu úloh z fzik a techické prae Občejé difereciálí rovice: rovice, v íž se
VíceFakulta elektrotechniky a informatiky Statistika STATISTIKA
Fakulta elektrotechky a formatky TATITIKA. ZÁKLADNÍ OJMY. Náhodý pokus a áhodý jev NÁHODNÝ OKU proces realzace souboru podmíek kde výsledek emůžeme předem ovlvt. - výsledek áhodého pokusu. - jev, který
Více11. Popisná statistika
. Popsá statstka.. Pozámka: Př statstckém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákotost, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme statstcké jedotky. Př
Vícea) Hypotézy o parametru jedné populace (o stední hodnot, mediánu, rozptylu, relativní
TESTOVÁNÍ HYPOTÉZ a ke tudu kaptoly: 8 mut Cíl Po protudováí tohoto odtavce budete: zát základí pojmy a prcpy tetováí hypotéz zát kocepc klackého tetu umt rozhodovat pomocí tého tetu výzamot umt pooudt
VíceDomácí práce z p edm tu D01M6F Statistika
eské vysoké u eí techcké Fakulta Elektrotechcká Domácí práce z p edm tu D0M6F Statstka Test dobré shody Bradá Marek 4.ro ík Ak. rok 004/00, LS M6F Test dobré shody Obsah Zadáí...3 Hypotéza...3 3 Zj t é
Více