Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
|
|
- Lenka Matoušková
- před 4 lety
- Počet zobrazení:
Transkript
1 3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací áhodé veličiy, která popisuje příslušý áhodý proces. Základím pojmem statistiky se tak stává pojem áhodého výběru, který je modelem popsaé situace. Náhodý výběr je uspořádaá -tice áhodý vektor) radom sample) X 1, X 2,..., X ) áhodých veliči X i, 1 i, které jsou ezávislé a mají stejé rozděleí. Je-li F distribučí fukce popisující rozděleí áhodých veliči X i, pak sdružeá distribučí fukce áhodého výběru je rova F x 1, x 2,..., x ) F x 1 ).F x 2 )... F x ). Obdobě pro sdružeou hustotu, resp. pravděpodobostí fukci dostaeme vyjádřeí fx 1 ).fx 2 )... fx ), resp. px 1 ).px 2 )... px ) kde f je hustota resp. p je pravděpodobostí fukce áhodé veličiy X i. Studium vlastostí rozděleí obvykle provádíme pomocí vhodě zvoleé fukce áhodého výběru statistiky statistics). Uvedeme ty, které ejčastěji používáme. Je-li X 1, X 2,..., X ) áhodý výběr, pak ozačujeme a azýváme statistiku: X výběrovým úhrem; X i X i X 1 S výběrovým průměrem mea); X i X) 2 výběrovým rozptylem variace); s 2 1 X i X) 2 středí kvadratickou odchylkou stadarddeviatio). Pro vyčísleí výběrového rozptylu používáme ěkdy jiého vyjádřeí. Je totiž 1)S 2 Xi X ) 2 [ X 2 i 2X i X + X ) 2 ] X2 i 2X X i + X ) 2 X2 i 2 X ) 2 ) 2 + X X2 i X ) 2 24
2 Je tedy S Xi 2 X ) X 2 i 1 2 X i. Obdobě pro středí kvadratickou odchylku dostaeme s 2 1 Xi 2 X ) 2 1 X 2 i 1 2 X i. Pro uvedeé statistiky platí ěkolik tvrzeí, která si postupě uvedeme. Nejjedodušší z ich se týkají středích hodot a rozptylů, které jsou vyjádřey pomocí obdobých charakteristik původího rozděleí. Nechť je X 1, X 2,..., X ) áhodý výběr z rozděleí, kde EX i ) µ a DX i ) σ 2, pak platí: V1. EX) µ, E X) µ a DX) σ2, D X) σ 2. Je totiž Odtud plye, že E X) E X i ) EX i ) EX) E 1 X) 1 E X) µ. µ µ. Jestliže využijeme ezávislosti áhodých veliči v áhodém výběru, pak dostaeme D X) D X i ) DX i ) σ 2 σ. Odtud plye, že DX) D 1 X) 1 2D X) σ2. V2. ES 2 ) σ 2, Es 2 ) 1 σ2 a DS 2 ) 1 µ 4 3 1) σ4, 3. Úpravou postupě dostaeme Xi X ) 2 [ Xi µ) X µ )] 2 25
3 E Odtud dostaeme, že [ X i µ) 2 2 X i µ) X µ ) + X µ ) 2 ] X i µ) 2 2 X µ ) X i µ) + X µ ) 2 X i µ) 2 2 X µ ) X µ ) + X µ ) 2 Xi X ) 2 X i µ) 2 X µ ) 2. E X i µ) 2) X ) ) 2 E µ 1)σ 2, když jsme použili postupě skutečostí EX i ) EX) µ, E X i µ) 2) DX i ) σ 2 a E X µ) 2) DX) 1 σ2. Je tedy ES 2 ) σ 2. Sado ahlédeme, že Es 2 ) E 1 S2) 1 σ2. Pozámka. Protože je statistika S 2 odhadem parametru σ 2, je statistika S odhadem směrodaté odchylky σ. Z rovosti DS) ES 2 ) ES)) 2 σ 2 ES)) 2 plye vztah σ 2 ES)) 2 a z ěj dostaeme odhad pro středí hodotu směrodaté odchylky ES) σ. Cetrálí limití věta. Další vlastosti základích statistik áhodého výběru vyplývají z cetrálí limití věty. Pokud áhodý výběr pochází z rozděleí s koečou středí hodotou µ a koečým rozptylem σ 2, má výběrový úhr X v limitě ormálí rozděleí Nµ, σ 2 ) a výběrový průměr X má v limitě ormálí rozděleí Nµ, σ2 ). Tyto skutečosti můžeme zapsat vztahy pro distribučí fukce. Je a X lim P µ σ x Φx), x R lim P X µ x Φx), x R, σ kde Φ je distribučí fukce ormovaého rozděleí N, 1). 26
4 a Jedoduchým přepisem dostaeme vztahy pro y R lim lim P X y) lim P P X y) lim P X µ σ X µ σ y µ σ Φ y µ Φ σ y µ σ y µ σ, ). Připomeňme, že v případě, že se jedá o áhodý výběr z ormálího rozděleí Nµ, σ 2 ), pak mají uvedeé statistiky ormálí rozděleí z uvedeými parametry. Některé další statistiky. Pro popis vlastostí áhodého výběru můžeme použít statistik, které jsou obdobou obecých či cetrálích mometů pro áhodé veličiy. Zavádíme: A 3 M 3 výběrový koeficiet šikmosti A M 3 3. test symetrie); 2 2 A 4 M 4 3 výběrový koeficiet špičatosti A. 4 test ormality). M k 1 X k i, k 1 k-tý výběrový obecý momet; M k 1 X i X) k, k 1 k-tý výběrový cetrálí momet. Je pak M 1 X a M 2 s 2 1 S2. Obdobě zavádíme statistiky: M 2 2 Uspořádaý áhodý výběr vector of order statistics) dostaeme jestliže seřadíme hodoty áhodého výběru X 1, X 2,..., X ) vzestupě podle velikosti. Dostaeme áhodý vektor X 1), X 2),..., X ) ), kde X i) X ki a {1, 2,..., } {k 1, k 2,..., k }. Je pak X 1) X 2)... X ). Speciálě je X 1) mi{x i ; 1 i } a X ) max{x i ; 1 i }. Náhodou veličiu ω R X ) X 1) azývame variačí rozpětí rage) áhodého výběru. Pro rozděleí jedotlivých souřadic uspořádaého áhodého výběru dostaeme ásledující vztahy. V3. Je-li F distribučí fukce rozděleí, ze kterého je provede áhodý výběr, pak má r tá souřadice X r) uspořádaého áhodého vý- 27
5 běru X 1), X 2),..., X ) ) rozděleí s distribučí fukcí G r x) P X r) x) ir F i x) [1 F x)] i, x R. i Odvodíme ejprve rozděleí krajích áhodých veliči. Distribučí fukce G áhodé veličiy X ) je dáa vzorcem G x) P X ) x) P X 1 x X 2 x... X x). vzhledem k ezávislosti áhodých veliči X i a shodému rozděleí je G x) F x). Distribučí fukci G 1 áhodé veličiy X 1) dostaeme obdobě ze vztahu G 1 x) P X 1) x) 1 P X 1) x) 1 P X 1 x X 2 x... X x) 1 1 F x)). Jestliže je X r) x, pak mezi hodotami X 1, X 2,..., X ) alezeme alespoň r meších ež je hodota x. Meších ež x jich bude právě i s pravděpodobostí F i x) [1 F x)] i. i Součet těchto pravděpodobostí pro r i určuje hodotu distribučí fukce áhodé veličiy X r). Speciálě pro prví a posledí souřadici dostaeme. V4. Náhodá veličia X 1) mi{x i ; 1 i } má rozděleí určeé distribučí fukcí G 1 x) 1 1 F x)), x R. Pro spojité rozděleí dostaeme její hustotu g 1 x) fx)1 F x)) 1, x R, kde f F je hustota původího rozděleí. Náhodá veličia X ) max{x i ; 1 i } má rozděleí určeé distribučí fukcí G x) F x), x R. 28
6 V případě spojitého rozděleí je její hustota rova g x) fx)f 1 x), x R. Příklad 1.: Rovoměré rozděleí v itervalu µ h, µ + h). Pak je hustota f, resp. distribučí fukce F, v itervalu µ h, µ + h) dáa vzorci fx) 1 1, resp. F x) x µ + h). 2h 2h Dosazeím do uvedeých vzorců dostaeme: tedy g 1 x) 2h [ 1 1 2h x µ + h) ] 1 g 1 x) 2h) µ + h x) 1, µ h < x < µ + h; g x) 2h) x µ + h) 1, µ h < x < µ + h. Pro středí hodoty těchto áhodých veliči výpočtem dotaeme: EX 1) ) EX ) ) µ+h 2h) xµ + h µ h x) 1 dx 2h) 2h 1) 1 t + µ + h)t 1 dt 1) 2h) 1) 2h) 2h 2h) t + µ + h)t 1 ) dt x µ h t dx dt + µ + h) 2h) 2h µ + h µ h; µ+h 2h) xx µ + µ h h) 1 dx 2h 1) t + µ h)t 1 dt 2h) 2h t + µ h)t 1 ) dt 2h) 29 x µ + h t dx dt
7 2h) 2h) µ h)2h) 2h µ h µ h. Pro výpočet rozptylu těchto áhodých veliči musíme ejdříve vyčíslit druhé obecé momety. Je EX 1) ) 2 ) µ+h 2h) µ h x2 µ + h x) 1 dx µ + h x t dx dt 2h) µ + h 2h t)2 t 1 dt) 2h t +1 2µ + h)t + µ + h) 2 t 1 ) dt 2h) 2h) t+2 t+1 2µ + h) µ + h)2t 4h2 2h 2µ + h) µ + h)2. Rozptyl áhodé veličiy vypočteme pomocí vzorce DX 1) ) EX 1) ) 2 ) EX 1) ) 2 2h 4h2 2h 2µ + h) µ + h)2 µ 1 )2 + 1 h µ 2 + 2µh + h 2 4µh + 1 4h h2 + 2 µ2 + 2µh µh ) + h h 2 + 1) 2 + 2) h2 1)2 + 2) 2 1)2 + 1) 2 Obdobě dostaeme EX ) ) 2 ) µ+h 2h) µ h x2 x µ + h) 1 dx x µ + h t dx dt 3
8 2h) 2h) 2h) 2h 2h t + µ h)2 t 1 dt t µ h)t + µ h) 2 t 1 ) dt t+2 t+1 + 2µ h) µ h)2t 4h2 2h + 2µ h) µ h)2. Rozptyl áhodé veličiy vypočteme pomocí vzorce DX ) ) EX ) ) 2 ) EX ) ) 2 2h 4h2 2h + 2µ h) µ h)2 µ + 1 )2 + 1 h µ 2 2µh + h 2 + 4µh + 1 4h h2 + 2 µ2 2µh µh ) + h h2 1)2 + 2) 2 1)2 + 1) 2 4h 2 + 1) 2 + 2). Jak jsme mohli očekávat rozptyly obou áhodých veliči jsou stejé a středí hodoty jsou symetrické vzhledem ke středí hodotě µ původího rozděleí. S rostoucím počtem prvků výběru dostáváme a lim EX 1)) lim µ h µ h, lim EX )) lim µ + h µ + h, lim DX 4h 2 1)) lim DX ) ) lim + 1) 2 + 2). Lze tedy parametry µ a h odhadout pomocí statistik ˆµ 1 2 X ) + X 1) ), ĥ 1 2 X ) X 1) ). Tyto odhady dostaeme později pomocí metody maximálí věrohodosti. 31
9 Příklad 2.: Expoeciálí rozděleí ExpA; δ). Potom jsou hustota f, resp. distribučí fukce F, dáy vzorci fx) 1 δ e x A δ, resp. F x) 1 e x A δ, x > A. Pro hustotu áhodé veličiy X 1) dostaeme [e x A δ g 1 x) δ x A e δ Pro středí hodotu miima dostaeme EX 1) ) δ A x A) xe δ dx δ ] 1 x A) δ e δ, x > A. xδ x A) e δ δ2 2 e x A) δ A A + δ. K výpočtu rozptylu musíme ejdříve určit druhý obecý momet. Je δ x2 δ x A) e δ EX 1) ) 2 ) δ 2xδ2 2 e x A) δ A x2 e x A) δ dx 2δ3 3 e x A) δ Rozptyl áhodé veličiy vypočteme pomocí vzorce A A 2 + 2Aδ + 2δ2 2. DX 1) ) EX 1) ) 2 ) EX 1) ) 2 A 2 + 2Aδ S rostoucím počtem prvků výběru dostáváme A + 2δ2 + δ )2 δ lim EX 1)) lim A + δ A, lim DX δ 2 1)) lim. 2 Je tedy statistika X 1) mi{x 1, X 2,..., X } odhadem parametru A rozděleí. Je to odhad, který získáme metodou maximálí věrohodosti. Pro statistiku X ) max{x 1, X 2,..., X } dostaeme hustotu g tvaru ve g x) fx)f x) 1 δ x A e δ 1 e ) x A 1 δ, x > A. Středí hodotu vypočteme ze vzorce EX ) ) δ A x A x e δ 1 e ) x A 1 δ dx. 32
10 Výpočet zjedodušíme pomocí substituce, kterou převedeme vyjádřeí a tvar, který dostaeme pro ormovaé rozděleí Exp; 1) : EX ) ) x A δ t, x A t dx dt, x t A + δt) e t 1 e t ) 1 dt A + δe, jestliže itegrál rozdělíme a dva sčítace a využijeme skutečosti, že fukce g t) e t 1 e t ) 1 je hustotou maximálí souřadice X ) pro ormovaé rozděleí a tedy je její itegrál rove jedé. Zbývá vypočítat výraz E 1) 1 t g t) dt 1) 1 1 k 1 t t e 1 k k t e t e t 1) 1 dt 1 e kt 1) 1 k dt k 1) k te k+1)t dt. Itegrály v součtu vypočteme metodou per partes a dostaeme t e mt dt t e mt m + e mt m dt 1 m 2. Po dosazeí do předchozího vztahu dostaeme pro hodotu E vyjádřeí E 1 k 1 k kde Ψx) d lγx)) dx a γ je Eulerova kostata γ C lim 1)k Ψ + 1) γ, k + 1) 2 Γ x) Γx) l) )., Pro Eulerovu fukce Γ platí, že Γx + 1) xγx). Logaritmováím a posléze derivováím dostaeme rovice lγx + 1)) lγx)) + 1 x Γ x + 1) Γx + 1) Γ x) Γx) + 1 x. 33
11 Postupým použitím rekuretího vztahu dostaeme, že Γ + 1) Γ + 1) Γ 1) Γ1) + Protože řada ve vyjádřeí diverguje je k1 1 k. lim EX )) A + δ lim E, což odpovídá skutečosti, že expoeciálí rozděleí eí shora omezeé. Variačí rozpětí R je ukazatelem, jak jsou pravděpodobé extrémí hodoty v áhodém výběru. K popisu rozděleí áhodé veličiy R musíme použít margiálí hustotu f 1,) dvojice X 1), X ) ), kterou dostaeme obdobě jako při staoveí hustot jedotlivých souřadic. Ozačme si dvojici X 1), X ) ) X, Y ). Pak pro její margiálí distribučí fukce dostaeme vztah F 1,) x, y) P X1) X x X ) Y y). Je-li < x < y <, pak bude podmíka splěa, pokud alezeme alespoň jedu áhodou veličiu X i x a pro všechy je X j y, 1 j. Alespoň jeda, zameá, že jich alezeme 1 až. Jedotlivé možosti se avzájem vylučují a pro právě k, 1 k dostaeme, že k souřadic splí podmíku X i x a k podmíku x < X j y. Pravděpodobost této možosti je rova [F x)] k [F y) F x)] k. Uvážíme-li počet možostí, tak dostaeme její pravděpodobost P k [F x)] k [F y) F x)] k. k Sečteím všech pravděpodobostí dostaeme vzorec pro distribučí fukci F 1,) x, y) k1 P k k1 [F x)] k [F y) F x)] k, x < y. k Přidáme-li do součtu čle pro k dostaeme pomocí biomické věty vyjádřeí F 1,) x, y) [F y)] [F y) F x)], x < y. 34
12 Pro < y x < Budou všechy souřadice splňovat podmíku X i y x a pro pravděpodobost této možosti dostaeme F 1,) x, y) [F y)], y x. Derivováím dostaeme v příadě spojitého rozděleí vzorec pro margiálí hustotu dvojice X 1), X ) ve tvaru a f 1,) x, y) 2 F 1,) x, y) x y 1)fx)fy)[F y) F x)] 2, x < y f 1,) x, y), x > y. kde f, resp. F jsou hustota, resp. distribučí fukce původího rozděleí. Distribučí fukci G variačího rozpětí vypočteme podle defiice z : Gz) P R z) P X ) X 1) z) P X ) X 1) + z) x+z f 1,)x, y) dy)dx. Použijeme vztah pro derivaci itegrálu jako fukce horí meze a dostaeme, že hustota g variačího rozpětí je dáa vzorcem gz) G z) f 1,)x, x + z) dx 1) fx)fx + z)[f x + z) F x)] 2 dx, z, 2. Příklad 1: Rovoměré rozděleí. Středí hodotu rozpětí vypočteme z dříve uvedeých středích hodot. Je 1)h ER) EX ) ) EX 1) ) µ )h 2h 1) µ V limitě je v souladu s představou lim ER) 2h. Pro staoveí rozptylu je třeba spočítat hustotu a ebo kovariaci z margiálí hustoty f 1,), eboť jsou áhodé veličiy X 1) a X ) závislé. Určeme hodoty pro rovoměré rozděleí v itervalu, 1). Pro hustotu rozpětí R dostaeme: X, 1); fx) 1, F x) x pro x, 1) z >, < x < 1 < x + z < 1 < x < 1 z, < z < 1 : gz) 1) 1 z z 2 dx 1)z 2 1 z), < z < 1. 35
13 Variačí rozpětí R má rozděleí beta B 1, 2). Pro jeho středí hodotu dostaeme výpočtem z hustoty ER) 1 1) 1)z 1 1 z) dz 1) z z Pro rozptyl postupě vypočteme ER) 1) 1) 1 z z Odtud dostaeme rozptyl 1 z 1 z ) dz 1 1) 1 ) z 1 z) dz 1) 1 DR) ER 2 ) ER)) ) ) + 2 z z +1 ) dz 1) 1)2 + 1) + 2) + 1) 2 1) + 1) + 2) 2 1) + 1) 2 + 2), 3. Pro středí hodotu a rozptyl rozděleí Bp, q) je EX) p p + q a DX) p + q. Po dosazeí hodot p 1 a q 2 dostaeme p + q + 1 shodá vyjádřeí. Pro rovoměré rozděleí v itervalu µ h, µ + h), dostaeme po dosazeí za: fx) 1 2h, F x) 1 2h x µ + h) pro x µ h, µ + h) vzorec pro hustotu ve tvaru 1 µ+h z gz) 1) x + z µ + h x + µ h) 2 dx 2h) µ h 1) 2h) z 2 2h z), < z < 2h. Odtud můžeme vypočítat středí hodotu a rozptyl. Lze ovšem využít vztahů pro středí hodotu a rozptyl při lieárí trasformaci, 1) µ h, µ + h) Y µ h + 2hX a dostaeme: ER ) µ h + 2hEX ) ) µ + h + 2hEX 1) 2h
14 a DR ) 4h 2 DR) 8h2 1) + 1) + 2). Podle očekáváí je lim ER) 2h. Pro popis závislosti áhodých veliči X 1) a X ) využijeme koeficiet kovariace. Výpočet provedeme pro rozděleí v itervalu, 1) a pak využijeme vztahů pro lieárí trasformaci. Margiálí hustotu dvojice X 1), X ) ) dostaeme po dosazeí za fx) 1, F x) x pro x, 1) : Odtud dostaeme f 1,) x, y) 1)y x) 2, < x < y < 1 1 y EX 1) X ) ) 1) když postupě použijeme kroky y xy x) 2 dx a 1 Odtud je y x t, y dx dt, y xyy x) 2 ) dx y y+1 dy dy yt 2 t 1 ) dt covx 1), X ) ) EX 1) X ) ) EX 1) )EX ) ) ) ) 2 + 2) y 1) Ze vzorce covαx + β, αy + β) α 2 covx, Y ) dostaeme pro kovariaci v případě obecého rozděleí vztah covx 1), X ) ) 4h 2 + 1) 2 + 2), ze kterého vyplývá, že jsou áhodé veličiy X 1) a X ) závislé. Z rostoucím rozsahem výběru klesá míra lieárí závislosti mezi ejmeší a ejvětší hodotou áhodého výběru. 37
15 Příklad 2: Expoeciálí rozděleí. Středí hodotu rozpětí vypočteme z dříve uvedeých středích hodot. Je ER) EX ) ) EX 1) ) A + δe A + δ ) δ E 1 ). Odtud dostaeme, že lim ER). Pro výpočet dalších charakteristik musíme vyjádřit hustotu rozpětí. Pro jedoduchost volíme A a δ 1. Pro jié hodoty parametrů provedeme příslušou lieárí trasformaci Y A + δ X. Pro zvoleé hodoty parametrů je fx) e x a F x) 1 e x, x >. Pro hustotu rozpětí R dostaeme vzorec gz) 1) e x e x z e x e x z) 2 dx 1)e z 1 e z) 2 e x dx 1) e z 1 e z) 2, z >. Porováím s hustotou maximálí souřadice zjistíme, že se jedá o totéž rozděleí, ale s parametrem 2 místo 1. Pro středí hodotu tak můžeme použít i získaý vzorec ER) Ψ) γ, ER ) δer). Příklad 3: Normovaé ormálí rozděleí. Pro hustotu g rozpětí dostaeme vzorec 1) gz) x 2 +x+z) 2 2π e 2 Φx + z) Φx)) 2 dx, z >, kde Φ je distribučí fukce ormovaého ormálího rozděleí. Expoet si můžeme vyjádřit ve tvaru a po substituci x + z 2 x 2 + xz + x z2 2 + z ) 2 + z2 2 4 w dostaeme vzorec ve tvaru 1) gz) e z2 /4 Φw + z/2) Φw z/2)) 2 dw, z >. 2π e w2 Výpočet středích hodot a rozptylů je uté provést umericky a úloha vyřaduje podrobější aalýzu průběhu itegradu. Pro praktické potřeby je vhodější alézt příslušé hodoty ve statistických tabulkách. 38
12. 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
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
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:
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
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,
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
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
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:
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
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
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceSTATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson
STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
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
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
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
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
VíceObsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...
Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
Vícen-rozměrné normální rozdělení pravděpodobnosti
-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
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
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VícePopisná statistika. Zdeněk Janák 9. prosince 2007
Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46
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
Vícez možností, jak tuto veličinu charakterizovat, je určit součet
6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
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
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
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
Více1 Základní pojmy a vlastnosti
Základí pojmy a vlastosti DEFINICE (Trigoometrický polyom a řada). Fukce k = (a cos(x) + b si(x)) se azývá trigoometrický polyom. Řada = (a cos(x) + b si(x)) se azývá trigoometrická řada. TVRZENÍ (Ortogoalita).
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VícePravděpodobnost a statistika Výpisky z cvičení Ondřeje Chocholy
Pravděpodobost a statistika Výpisky z cvičeí Odřeje Chocholy Ja Štětia 9. listopadu 9 Cviˇceí 3.9.9 Úloha: Máme 4 kostky. Ω = {a, b, c, d}, Ω = 6 4 A = 6 5 4 3 P(A) = 6 5 4 3 6 4 Naejvýš l kostek: m...
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru
SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru
Vícek(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln
Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =
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
Více6. P o p i s n á s t a t i s t i k a
6. P o p i s á s t a t i s t i k a 6.. Pozámka: Při statistickém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákoitosti, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme
VíceMatematika I, část II
1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího
VíceKomplexní čísla. Definice komplexních čísel
Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceDERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM
Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která
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
VíceČíselné charakteristiky náhodných veličin
Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
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
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VíceNMAF061, ZS Zápočtová písemná práce VZOR 5. ledna e bx2 x 2 e x2. F (b) =
NAF61, ZS 17 18 Zápočtová písemá práce VZOR 5. leda 18 Jedotlivé kroky při výpočtech stručě, ale co ejpřesěji odůvoděte. Pokud používáte ějaké tvrzeí, ezapomeňte ověřit splěí předpokladů. Jméo a příjmeí:
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
VícePřijímací řízení akademický rok 2013/2014 NavMg. studium Kompletní znění testových otázek matematika a statistika
Přijímcí řízeí kdemický rok /4 NvMg studium Kompletí zěí testových otázek mtemtik sttistik Koš Zěí otázky Odpověď ) Odpověď b) Odpověď c) Odpověď d) Správá odpověď efiičí obor fukce defiové předpisem f
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
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceNMAF063 Matematika pro fyziky III Zkoušková písemná práce 25. ledna x 1 n
Jméo: Příklad 3 Celkem bodů Bodů 8 0 30 Získáo [8 Uvažujte posloupost distribucí f } D R defiovaou jako f [δ kde δ a začí Diracovu distribuci v bodě a Najděte itu δ 0 + δ + této poslouposti aeb spočtěte
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:
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru
SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru
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
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
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
Více6. FUNKCE A POSLOUPNOSTI
6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat
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
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
VíceSeznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.
2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se
Více11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel
KAPITOLA : Číselé řdy MA-8:P.] Ozčeí: R {, +} R R C {} C rozšířeá komplexí rovi evlstí hodot, číslo, bod U ε {x C x < ε } pro C, ε > 0 U K {x C x > K } pro K 0 defiujeme pro C: ±, je pro 0, edefiujeme:
Víceje číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost
Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet
Vícen=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1
[M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti
VícePŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR
PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
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
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
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,
Vícen=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0
Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada
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
VícePravděpodobnostní model doby setrvání ministra školství ve funkci
Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí
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
VíceUžitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové:
Užitečé zdroje příkladů jsou: Materiály ke cvičeím z Kalkulu 3 od Kristýy Kucové: http://www.karli.mff.cui.cz/~kucova/historie8. php K posloupostem řad a fukcí Ilja Čerý: Iteligetí kalkulus. Olie zde:
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodná proměnná vybraná rozdělení
S1P áhodá roměá vybraá rozděleí PRAVDĚPODOBOST A STATISTIKA áhodá roměá vybraá rozděleí S1P áhodá roměá vybraá rozděleí Vybraá rozděleí diskrétí P Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým
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
VícePopisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem
Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme
Více17. Statistické hypotézy parametrické testy
7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé
VíceM - Posloupnosti VARIACE
M - Poslouposti Autor: Mgr Jromír Juřek - http://wwwjrjurekcz Kopírováí jkékoliv dlší využití výukového mteriálu je povoleo pouze s uvedeím odkzu wwwjrjurekcz VARIACE Teto dokumet byl kompletě vytvoře,
VíceZnegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace:
. cvičeí Příklady a matematickou idukci Dokažte:.! . Návody:. + +. + i i i i + + 4. + + + + + + + + Operace s možiami.
VíceMatematika přehled vzorců pro maturanty (zpracoval T. Jánský) Úpravy výrazů. Binomická věta
Matematika přehled vzorců pro maturaty (zpracoval T. Jáský) Úpravy výrazů a r. a s = a r+s a r = ar s as a r s = a r.s a. b r = a r b r a b r = ar b r a. b a b = a b = a. b ( a) m = a m m a m. = a a k.
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
Více13 Popisná statistika
13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický
VíceDefinice obecné mocniny
Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
VíceSTUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6
Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II
Více1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE
1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;
Více10.3 GEOMERTICKÝ PRŮMĚR
Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo
Více