PRAVDĚPODOBNOST A STATISTIKA
|
|
- Věra Hájková
- před 5 lety
- Počet zobrazení:
Transkript
1 PRAVDĚPODOBNOS A SAISIKA
2 Regulární systém hustot Vychází se z: -,, P - pravděpodobnostní prostor -, R neprázdná množna parametrů - X X 1,, náhodný vektor s sdruženou hustotou X n nebo s sdruženou pravděpodobnostní unkcí - X X,, X statstka odhad parametru E 1 n X B p,,
3 Regulární systém hustot Buď X X 1,, X n náhodný vektor, ehož rozdělení závsí na neznámém parametru Nechť estue eho sdružená hustota, která závsí na neznámém parametru Systém hustot F e regulární, platí-l následuící podmínky: 1 Parametrcký prostor R e neprázdná, otevřená množna n nožna R 0 nezávsí na parametru 3 Estue parcáí dervace pro skoro všechna 4 Platí: d 0 5 Integrál J d e konečný a kladný, t 0 J
4 Poznámky: Integrál uvedený v podmínce 5 se nazývá Fsherova míra normace Poznameneme, že platí: Náhodná proměnná se nazývá skóre Fsherova míra normace d J U,
5 Fsherova míra normace Poznámky: Podmínku 4 lze vyádřt ve tvaru: d d E 0 edy E U 0 Podmínka 4 odpovídá tomu, že lze zaměnt pořadí dervace a ntegrálu v rovnost d 1
6 Poznámky: Další vyádření Fsherovy míry normace : Nechť estue: a platí: pak nebol ~ 0 d d J J df J d J Fsherova míra normace D U U E E E J X X X E J
7 Poznámky: Pokud se edná o dskrétní náhodný vektor s sdruženou pravděpodobnostní unkcí, pak se ntegrály nahradí sčítací mírou: Další vyádření Fsherovy míry normace : J, p F p 0 R p n p p 0 p p p p J p p J Fsherova míra normace
8 Fsherova míra normace - příklady Příklady Rozhodněte, zda e odpovídaící systém hustot pravděpodobnostní unkce e regulární a stanovte skóre a Fsherovu míru normace a b c d X X ~ B n, n 01 0,1,,n J 1 X ~ Po 1 R 0 N0 0,1, J X ~ N, 1 R R J ~ E 1 R 0 R 0 J
9 Fsherova míra normace,, Platí: Buď dán náhodný vektor X X1,, X n, ehož rozdělení závsí na neznámém parametru, přčemž e eho sdružená hustota p e eho sdružená pravděpodobnostní unkce Nechť sou velčny nezávslé, přčemž g e hustota velčny X 1,, n Předpokládeme, že systémy hustot g, 1,, n sou regulární Buď J Fsherova míra normace vektoru X, e J Fsherova míra normace velčny X Pak platí: n J t Fsherova míra normace vektoru e součtem Fsherových měr normace ednotlvých složek 1 J
10 Fsherova míra normace Platí: Buď dán náhodný výběr X, 1, X n z rozdělení s Fsherovou mírou J Nechť e Fsherova míra normace vektoru Pak platí: J J n J Příklad: Vypočtěte Fsherovu míru normace pro výběru z X ~ A p X ~ B n, s pomocí náhodného
11 Rao-Cramérova věta Věta: Rao-Cramérova Buď dán náhodný vektor X X 1,, X n, ehož rozdělení závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán odhad parametru, nechť X Buď dále X E E X B Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, e Fsher míra estue dervace 3 platí: d d dervace podle parametru Pak pro každé platí : B E X 1 B J J
12 Rao-Cramérova věta Jná varanta Rao-Cramérovy věty: Buď dán náhodný výběr X, 1, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota X X 1,, X n p sdružená pravděpodobnostní unkce Buď dán odhad parametru, nechť X Buď dále X E E X B Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, J e Fsher míra estue dervace 3 platí: d d dervace podle parametru Pak pro každé platí : B E X 1 B nj X
13 Rao-Cramérova věta Jná varanta Rao-Cramérovy věty: Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán nestranný odhad parametru, nechť E X X Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, J e Fsher míra platí d d Pak pro každé platí : D X 1 J
14 Rao-Cramérova věta Jná varanta Rao-Cramérovy věty: Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán nestranný odhad parametrcká unkce, nechť E X X Nechť dále platí následuící podmínky: 1 systém hustot F e regulární, J e Fsher míra platí d d Pak pro každé platí : D X J
15 Regulární odhad Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na neznámém parametru, přčemž e eho sdružená hustota p sdružená pravděpodobnostní unkce Buď dán nestranný odhad parametrcká unkce, nechť E X X Pokud platí pak odhad X d d nazýváme regulární Pro regulární odhad platí: d
16 Regulární odhad - vydatnost 1 B Funkce C se nazývá doí Rao-Cramerová hrance pro J rozptyl regulárního odhadu X 1 Pro nestranný odhad má tvar: C J Pro nestranný regulární odhad se číslo nazývá vydatnost 1 Pokud n 1 tedy D X, pak se odhad nazývá vydatný J Pokud lm n n n n 1 J D X, pak se odhad nazývá asymptotcky vydatný
17 Regulární odhad - příklady Příklad: Nechť X,, X n e náhodný výběr z rozdělení: X ~ A p 1 n 1 Pak statstka X X X e nestranný, regulární a vydatný odhad p n 1 Příklad: Nechť X, 1, X n e náhodný výběr z rozdělení: X ~ N, n 1 Pak statstka X X X e nestranný, regulární a vydatný odhad n 1
18 Regulární systém hustot pro vektor parametrů Buď X X 1,, X n náhodný vektor, ehož rozdělení závsí na neznámých m parametrech Θ, Θ R,,, Nechť estue eho sdružená hustota parametrech,, Systém hustot 1 m F Θ,, která závsí na neznámých e regulární, platí-l následuící podmínky: 1 Parametrcký prostor Θ e neprázdná, otevřená množna n nožna R 0 nezávsí na parametrech Θ, Θ 3 Estue parcáí dervace pro skoro všechna 4 Platí: d 0 Θ, 5 Integrál J, d e konečný a kladný, t 0, a matce J 1 m e poztvně dentní 1 m J, J 1 m m R Θ,
19 Poznámky: atce uvedená v podmínce 5 se nazývá Fsherova normační matce Jné vyádření: Náhodný vektor, kde se nazývá skórový vektor Fsherova normační matce m m J 1 1, J d J, U X X X U,U m, 1 U E J, X X
20 Fsherova normační matce Poznámky: podmínku 4 lze psát ve tvaru: E U,, E U 0,,0 E U 1 m Fsherovu normační matce lze psát ve tvaru: J C U, U, J D U, tedy var J, U J
21 Platí: Nechť systém hustot e regulární, estuí dervace a platí Pak nebo Fsherova míra normace Θ F, d J, U E E J, X 0,,, Θ d df
22 Regulární odhad - příklady Příklad: Nechť X ~ N,,, Spočtěte skórový vektor a Fscherovu normační matc Příklad: Nechť X ~ N,,, Spočtěte skórový vektor a Fscherovu normační matc
23 Fsherova míra normace Platí: Buď dán náhodný výběr X, 1, X n z rozdělení s Fsherovou matcí J Nechť e Fsherova matce normace vektoru Pak platí: J J n J
24 Fsherova normační matce Buď X X 1,, X n náhodný vektor, ehož rozdělení závsí na neznámých m parametrech Θ, Θ R,,, Nechť 1,, Odhad platí: m 1,, m 1 m e statstka nestranný odhad Θ, Θ se nazývá regulární, pokud pro, =1,,m d d m R
25 Rao-Cramérova věta Rao-Cramérova věta: Buď dán náhodný vektor X X 1,, X n z rozdělení, enž závsí na m neznámé parametrcké unkc Θ,, Θ R, přčemž, e eho sdružená hustota p sdružená pravděpodobnostní unkce Nechť 1,, m estuí dervace Buď dán nestranný odhad Nechť dále platí následuící podmínky: parametrcké unkce 1 systém hustot F Θ e regulární, e Fsher matce platí d d Pak pro každé Θ platí : kde h 1,, m X J 1 X h J h D
26 Rao-Cramérova věta Rao-Cramérova věta: Buď dán náhodný vektor X, 1, X n náhodný výběr z rozdělení, enž závsí m na neznámé parametrcké unkc Θ,, Θ R, přčemž, e eho sdružená hustota p sdružená pravděpodobnostní unkce Nechť 1,, m estuí dervace Buď dán nestranný odhad Nechť dále platí následuící podmínky: parametrcké unkce 1 systém hustot F Θ e regulární, e Fsher míra platí d d Pak pro každé Θ platí : kde h 1,, m X 1 n J 1 X h J h D
27 Regulární odhad - vydatnost 1 1 Funkce C h J h se nazývá doí Rao-Cramerová hrance pro n rozptyl nestranného regulárního odhadu Pro nestranný regulární odhad X se číslo h J nazývá vydatnost 0 1 n n 1 n 1 h C X D X D n 1 1 h Pokud tedy D X h J, pak se odhad nazývá vydatný Pokud lm n n 1, pak se odhad nazývá asymptotcky vydatný
28 Regulární odhad - příklady Příklad: Nechť X, 1, X n e náhodný výběr z rozdělení: X ~ N,, Spočtěte doí Rao-Cramerová hranc pro rozptyl nestranného regulárního odhadu pro a, b, c, Příklad: Nechť X, 1, X n e náhodný výběr z rozdělení: X ~, Spočtěte vydatnost pro bodové odhady a X X b X S N,
PRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky
PRAVDĚPODOBNOS A SAISIKA Odhady parametrů SP3 Připomenutí pojmů Připomenutí pojmů z S1P a SP2 odhady Nechť X,, je náhodný výběr z rozdělení s distribuční funkcí. 1 X,, X ) ( 1 n Statistika se nazývá bodovým
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
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,
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
VícePRAVDĚPODOBNOST A STATISTIKA. Testování hypotéz o rozdělení
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz o rozdělení Testování hypotéz o rozdělení Nechť X e náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládeme, že neznáme tvar distribuční funkce
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceEKONOMICKO-MATEMATICKÉ METODY
. přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a
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
VíceSÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.
SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí
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
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
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
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
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
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
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
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
VícePodmíněná pravděpodobnost, spolehlivost soustav
S1 odmíněná pravděpodobnost, spolehlvost soustav odmíněná pravděpodobnost, spolehlvost soustav Lbor Žák odmíněná pravděpodobnost Nechť,, 0, podmíněná pravděpodobnost evu vzhledem k evu : S akou pravděpodobností
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
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
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
Více6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.
6. ZÁKLADY STATIST. ODHADOVÁNÍ X={X 1, X 2,..., X n } výběr z rozdělení s F (x, θ), θ={θ 1,..., θ r } - vektor reálných neznámých param. θ Θ R k. Θ parametrický prostor. Dva základní způsoby odhadu neznámého
VíceTeorie her a ekonomické rozhodování. 10. Rozhodování při jistotě, riziku a neurčitosti
Teore her a ekonomcké rozhodování 10. Rozhodování př stotě, rzku a neurčtost 10.1 Jednokrterální dskrétní model Jednokrterální model rozhodování: f a ) max a Aa, a,..., a ( 1 2 f krterální funkce (zsk,
VíceNáhodným vektorem rozumíme sloupcový vektor složený z náhodných veličin X = (X 1, X 2,
Statstka I cvčení - 54-5 NÁHODNÝ VEKTOR Náhodným vektorem rozumíme sloupcový vektor složený z náhodných velčn = n který je charakterzován sdruženou smultánní dstrbuční unkcí ; F náhodný vektor s dskrétním
VíceANALÝZA ROZPTYLU (Analysis of Variance ANOVA)
NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
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
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
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceMatematika I A ukázkový test 1 pro 2014/2015
Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)
Více, 4. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv
..06, 4. skupina (6: - 7:4) Jméno: Zápočtový test z PSI Nezapomeňte podepsat VŠECHNY papír, které odevzdáváte. Škrtejte zřetelně a stejně zřetelně pište i věci, které platí. Co je škrtnuto, nebude bráno
VíceMatematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a
Matematika I A ukázkový test 1 pro 2011/2012 1. Je dána soustava rovnic s parametrem a R x y + z = 1 a) Napište Frobeniovu větu. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a b) Vyšetřete počet řešení soustavy
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 24 Příklad (25 bodů) Spočtěte Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A M x 2 dxdy, kde M = {(x, y) R 2 ;
Vícevektor a vrátili jiný vektor. Měli-li jsme jistou pozorovatelnou A, dostali jsme jejím změřením
Operátor hustoty Popsueme-l vývo uzavřeného kvantového systému, vystačíme s většnou s pomem čstého stavu. Jedná se o vektor v Hlbertově prostoru H, který e danému kvantovému systému přdružen. Na daném
VíceSoustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.
[1] Terminologie [2] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová matice.
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
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceSoustavy 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
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
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
Více3 Lineární kombinace vektorů. Lineární závislost a nezávislost
3 Lineární kombinace vektorů. Lineární závislost a nezávislost vektorů. Obrázek 5: Vektor w je lineární kombinací vektorů u a v. Vektory u, v a w jsou lineárně závislé. Obrázek 6: Vektor q je lineární
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:,
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
VíceOct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.
Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Stejné jako pro jednorozměrný případ až na Θ R p. Influence Function IF (x; T, F) = lim h 0 T [(1 h)f +
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
VíceOdhady - 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
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
Vícejevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
Více1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem
Kvaternon 2/204, 79 98 79 MATICOVÉ HRY V INŽENÝRSTVÍ JAROSLAV HRDINA a PETR VAŠÍK Abstrakt. Následuící text pokrývá eden z cyklů přednášek předmětu Aplkovaná algebra pro nženýry (0AA) na FSI VUT. Text
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
VíceZáklady počtu pravděpodobnosti a metod matematické statistiky
Errata ke skriptu Základy počtu pravděpodobnosti a metod matematické statistiky K. Hron a P. Kunderová Autoři prosí čtenáře uvedeného studijního textu, aby případné další odhalené chyby nad rámec tohoto
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VícePodobnostní transformace
Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ
ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ Bc. Jtka Hanousková 1 Abstrakt: Příspěvek se zabývá postačujícím podmínkam pro konzstenc odhadů s mnmální Kolmogorovskou vzdáleností
VíceMatematické modelování ve stavební fyzice
P6 - Numercké řešení vedení tepla ve stěně Obsa: Stěna z omogennío materálu Stěna z různýc materálů Okraové podmínky Dvorozměrné vedení tepla Rovnce vedení tepla Rovnce kontnuty (v 1D) dq qcd, x qcd, x
VíceVĚTY Z LINEÁRNÍ ALGEBRY
VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Více{ } SYNTÉZA TABULEK PŘECHODŮ 1. NEALGEBRAICKÉ METODY
SNTÉZA TABULEK PŘECHODŮ. NEALGEBRAICKÉ METOD a) GINSBURGOVA METODA Využívá tzv. korespondencí mez vstupním a výstupním slovem př dané vstupní a výstupní abecedě. Jnak řečeno, vyhodnocuí se ednotlvé odezvy
VíceObsah. 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
VíceRegresní 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(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
Více1 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
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
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VíceModely pro přežití s možností vyléčení
Unverzta Karlova v Praze Matematcko-fyzkální fakulta DIPLOMOVÁ PRÁCE Adéla Drabnová Modely pro přežtí s možností vyléčení Katedra pravděpodobnost a matematcké statstky Vedoucí dplomové práce: Studjní program:
VíceNestranný odhad Statistické vyhodnocování exp. dat M. Čada
Nestranný odhad 1 Parametr θ Máme statistický (výběrový) soubor, který je realizací náhodného výběru 1, 2, 3,, n z pravděpodobnostní distribuce, která je kompletně stanovena jedním nebo více parametry
VíceCo 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
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
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.
Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.
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
Více2. Schurova věta. Petr Tichý. 3. října 2012
2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci
VíceDodatek 2: Funkce dvou proměnných 1/9
Dodatek 2: Funkce dvou proměnných 1/9 2/9 Funkce dvou proměnných Definice: Reálnou funkcí dvou reálných proměnných, definovanou na množině M R 2, rozumíme předpis f, který každé uspořádané dvojici reálných
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
VíceSoustavy linea rnı ch rovnic
[1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.
Více30. listopadu Derivace. VŠB-TU Ostrava. Dostupné: s1a64/cd/index.htm.
KMA/MAT1 Přednáška a cvičení č. 11 30. listopadu 2017 [KS] Jaromír Kuben Petra Šarmanová: Diferenciální počet funkcí jedné proměnné. VŠB-TU Ostrava. Dostupné: http://homel.vsb.cz/ s1a64/cd/inde.htm. 1
VíceUniverzita Karlova v Praze procesy II. Zuzana. funkce
Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 11.-12.3. 2010 1 Outline Lemma 1: 1. Nechť µ, ν jsou konečné míry na borelovských
VíceŘADY KOMPLEXNÍCH FUNKCÍ
ŘADY KOMPLEXNÍCH FUNKCÍ OBECNÉ VLASTNOSTI Řady komplexních čísel z n byly částečně probírány v kapitole o číselných řadách. Definice říká, že n=0 z n = z, jestliže z je limita částečných součtů řady z
Více1 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
VíceMetody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
VíceMatematika 2 (Fakulta ekonomická) Cvičení z lineární algebry. TU v Liberci
Matematika 2 (Fakulta ekonomická) Cvičení z lineární algebry TU v Liberci Jiří Hozman 1. dubna 2010 Cvičení 2 Příklad 1. Rozhodněte, zda lze vektor x vyjádřit jako lineární kombinaci vektorů u, v, w, v
VícePorovnání GUM a metody Monte Carlo
Porovnání GUM a metody Monte Carlo Ing. Tomáš Hajduk Nejstota měření Parametr přřazený k výsledku měření Vymezuje nterval, o němž se s určtou úrovní pravděpodobnost předpokládá, že v něm leží skutečná
VíceJedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n,
Soutavy lineárních algebraických rovnic Jedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n, X R n je sloupcový vektor n neznámých x 1,..., x n, B R m je daný sloupcový vektor pravých stran
VícePřipomenutí 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