Vzorová písemka č. 1 (rok 2015/2016) - řešení
|
|
- Pavel Netrval
- před 4 lety
- Počet zobrazení:
Transkript
1 Vzorová písemka č. rok /6 - řešení Pavla Pecherková. května 6 VARIANTA A. Náhodná veličina X je určena hustotou pravděpodobností: máme hustotu { pravděpodobnosti C x pro x ; na intervalu f x jinde jedná se o spojitou náhodnou veličinu a vpočtěte konstantu C dále ted pracujeme s { f x x pro x ; jinde C x dx C C C [ x x dx C 6 ] C C integrál přes celou funkci musí být roven celé pravděpodobnosti, ted platí b a f xdx. Fx ˆx f tdt ˆx [ t dt t ] x x kontrola: F " ověřeno, že je spočtena distribuční funkce správně F 6 " c určete pravděpodobnost toho, že X je větší než., ale menší než.6, Tato úloha lze vřešit dvěma způsob: i přes hustotu pravděpodobnosti složitější varianta nebo ii přes distribuční funkci lehčí varianta P, < X <, 6 F,6 F, F,6 F F,6,6 6,6, 7 kontrola: doplněk musí být roven,6, protože F,6 F F F,6 celá pravděpodobnost P,6 < X < F F,6,6 6 6,6 6 6,6,6" b vpočtěte distribuční funkci náhodné veličin X, nahrazení t za x je pouze náhrada, ab výsledná distribuční funkce bla s proměnnou x. Integrál je od, tzn. od dolní meze, kde funkce nabývá hodnot Distrubuční funkce dává pravděpodobnost v bodě, ted P X x. Rozdíl dvou distribučních funkcí ted dá hledanou hodnotu pravděpodobnosti. F, jsme změnili za F, protože pravděpodobnost, že x < je rovna.
2 d určete střední hodnotu náhodné veličin X E[X] ˆb x f xdx x x dx x dx [ x a, 6 7 e určete rozptl náhodné veličin X ] Doporučuji použít následující vzorec D [X ] E [ X ] E [X ] výpočet je výrazně jednodušší a není potřeba velká znalost integrování vhneme se případně per partes apod. Na následujícím postupu si ukážeme jak na to: Kontrola na střední hodnotu není jednoduchá jako v předchozích případech. Ale je důležité, b střední hodnota ležela v zadaném intervalu, v tomto případě mezi a. Pokud neleží, je to špatně i. nejprve si spočítáme E [X ], protože E [X ] je střední hodnota a tu jsme spočítali v předchozím kroku Pozor! pokud máme špatně spočítanou střední hodnotu, bude i E [X ],6.7 špatně rozptl. ii. poté si spočítáme E [ X ], kde je výpočet podobný výpočtu střední hodnot s jedním rozdílem ve vzorci použijeme x místo x E [ X ] ˆb a x f xdx x x dx x dx [ x 6 ], iii. nakonec vpočteme rozptl jako rozdíl dvou výše vpočítaných hodnot D[X] E [ X ] E [X ],,7, 77 f nakreslete hustotu pravděpodobnosti a distribuční funkci včetně kompletního popisu os Ani zde není přímá kontrola. Ale pokud Vám vjde rozptl záporný, máte to špatně! Pozor: Tento popis není kompletní, chbí popis os. hustota pravděpodobnosti distribuční funkce
3 . Naměřili jste následující data Máme data s četností diskrétní 7 data není nutné nic integrovat Data si uspořádáme: Data je vhodné vžd uspořádat, protože se nestane, hodnota x i 7 že se poté spletu četnost n i 6 v počtu. Také se lépe hledá modus, Určete: medián atd. a střední hodnotu x n k i n i x i n znamená, počet všech hodnot, dále je zde k skupin tříd. Výpočet probíhá tak, že vnásobíme v každé skupině hodnotu s četností a vše sečteme. Na konci podělíme počtem hodnot nikoliv počtem skupin. b směrodatnou odchlku Nejdříve je vhodné si spočítat výběrový rozptl, až z toho se počítá směrodatná odchlka, protože platí že směrodatná odchlka je odmocninou rozptlu, ted s s. s k n i x i x k x i n i n i i [ 6 7 ] 6 6 protože se jedná o výpočet z výběru, jedná se ted o výběrový rozptl a rozptl se dělí n-. Dále nezapomeňte na to, že rozdíl se musí umocnit na druhou rozptl musí vjít kladný Směrodatná odchlka je ted s s, 7 c modus a medián medián je prostřední hodnota x, medián uspořádaného souboru, tzn. musíte mít hodnot ˆxmodus seřazené vzestupně od nejnižší do nejvší hodnot. Modus je nejčetnější hodnota. d nakreslete krabicový diagram Je potřeba si spočítat horní a dolní kvartil. V takovém případě není mo
4 Na tomto grafu chbí levý fous. Je to proto, že minimální hodnota je zároveň dolním kvartilem.. Mějme dvě náhodné veličin X a Y, kde X,Y {,,,}. Výsledk pokusu jsme zapsali do následující tabulk četností znaménko - znamená, že daná kombinace nenastala ani jednou Napište: X/Y a tabulkou sdruženou pravděpodobnostní funkci f x, kontrola: součet všech pravděpodobností musí být rovna. i j f x i, j 6 " V tuto chvíli máme dvě náhodné veličin definován pomocí četností jednotlivých kombinací. V tomto případě se ted bude jednat o diskrétní náhodné veličin není třeba integrovat. Sdruženou pravděpodobnost vtvoříme tak, že si nejdříve spočteme počet všech možných kombinací, v tomto případě. Poté podělíme jednotlivé četnosti tím celkovým počtem. Kontrolu je vhodné udělat. Pokud je špatně spočtena sdružená prp. fce, tak je celý zbtek příkladu špatně. b obě marginální pravděpodobností funkce Marginál je vhodné psát přímo f x, fx ke sdružené, ale - je nutné správně označit otočení - - f xza f není f považováno za chbu. f x je ted pravděpodobnost, že nastane stav, kd x zároveň pro všechna. kontrola: součet všech pravděpodobností u marginál f x resp. f musí být rovna. f x " f " ověřeno, že marginál mohou být správně Kontrolu je vhodné udělat. Pokud je špatně spočtena marginální prp. fce, bude špatně i podmíněná.
5 Mohou být správně znamená, že je součet pravděpodobností, ale že jsou t pravděpodobnosti správně spočten to neověří. c tabulkou obě podmíněné pravděpodobnostní funkce Podmíněné pravděpodobnosti jsou dvě: i f x a ii f x. Důležité je si vzpomenout na základní vzorce: VARIANTA B f x f x f x, f f x, f x f x f x použijeme vzorec použijeme vzorec Opravdu zde není nic složitého. Například víme, že, pak jediná možnost je, že x a to je ted jev jistý. x, pak může nastat, že nebo. Oba dva se stejnou pravděpodobností, bude ted prp. pro obě kombinace.. Náhodná veličina X je určena distribuční funkcí: Pokud se podíváme na F x tak je F x pro x < pro x < pro x < pro x zřejmé, že se jedná o skokové změn v bodech, neboli tzv. schod. V tomto případě se ted bude jednat o diskrétní náhodnou veličinu není třeba integrovat. a určete pravděpodobnostní funkci x i f x i kontrola: součet všech pravděpodobností se musí rovnat, tzn. n i f x i. " b určete střední hodnotu, E[X] n i x i f x i kontrola: střední hodnota musí ležet mezi min x i a max xi. Splnění této podmínk nezaručí, že je výsledek dobře, ale zjistíte, kd je určitě špatně. ; " Opět to není složité. Jen je třeba si uvědomit, že pravděpodobností funkce v bodě x se rovná velikosti skoku, který v tom bodě je u distribuční funkce. Jedná se o diskrétní náhodnou veličinu pracujeme pouze se sumou, kd f x i je pravděpodobnost právě v bodě x i. Špatný výpočet ovlivní výpočet rozptlu, proto kontroluji x.
6 c určete rozptl, Jako u střední hodnot, i zde se pracuje se sumou. D[X] n i x i E [X ] f x i, 69 kontrola: rozptl musí být kladný nebo. Splnění této podmínk nezaručí, že je výsledek dobře, ale zjistíte, kd je určitě špatně.,69 > " V každém bodě vpočteme hodnotu rozptlu od střední hodnot a funkci si lze představit jako váhu, čím větší je výskt, tím víc ovlivní výsledek. d určete pravděpodobnost toho, že X je větší než,, ale menší než,6, P, < x <.6 P x P x kontrola: pravděpodobnost musí být v rozmezí a a zároveň nesmí být rovna jiné hodnotě, než je možný součet pravděpodobností v jednotlivých bodech. Pokud mi ted vjde v tomto případě pravděpodobnost je zřejmé, že je to špatně, protože možné výsledk jsou: i. jev nemožný nebo jev jistý ii. pravděpodobnosti v bodech nebo nebo iii. iv. v.. Splnění této podmínk nezaručí, že je výsledek dobře, ale zjistíte, kd je určitě špatně. výsledek souhlasí s bodem iii" e nakreslete pravděpodobnostní a distribuční funkci včetně kompletního popisu os. Je třeba si uvědomit, že pokud se jedná o diskrétní veličinu nezajímají nás pravděpodobnosti mimo místa, kde je nenulová pravděpodobnost. V tuto chvíli se jedná o bod x {,,}. Ze zadání nás ted zajímá jen pravděpodobnost v bodě a.. Pro sdruženou hustotu pravděpodobnosti f x, C sin x pro x,, Určete: a konstantu C jako je u náhodné veličin plocha pod křivkou rovna, tak je u sdružené plocha pod plochou rovna. Protože se jedná o hustotu pravděpodobnosti a zároveň platí, že náhodné veličin x a jsou definován na intervalu jedná se o spojité náhodné veličin musíme integrovat 6
7 C C sin x dx d C C cos cos }{{ sin sin }}{{ cos }{{}} C ˆb ˆd a c f x, dx d C sin x dx d sinx cos cosx sin dx d [ cosx cos sinx sin ] d cos sin sin }{{} d sin cos d C [ cos sin ] C cos sin cos sin }{{ }}{{ }{{}}{{} } C C V tomto případě je k zjištění konstant C integrovat x a to přes funkci x a je jedno v jakém pořadí. Je důležité si uvědomit, že v případě, že integruji přes x, jsou všechn proměnné vlastně konstanta. Z toho důvodu není složité integrovat, jen si dávat pozor na postup. V tomto případě se nejdříve integrovalo přes x a až poté přes. b obě marginální pravděpodobností funkce f fx ˆb a ˆd c f x, dx sin x dx [ cosx cos sinx sin ] f x, d sin x d sinx cos cosx sin dx sin cos sinx cos cosx sin d je důležité si pamatovat vzoreček pro marginální pravděpodobnostní funkce. V tuto chvíli se integruje pouze podle jedné proměnné. Stále je použita varianta, kde není substituce. Pozor, nemusí platit, že f je to samé co f x jen s jinou proměnnou [ ] cosx cos sinx sin sinx cosx Lze použít i substituci kdo chce použít substituci pro výpočet, lze to t x jednoduše takto. dt dx resp. t x dt d 7
8 c obě podmíněné pravděpodobnostní funkce Podmíněná pravděpodobnost lze opět vpočítat pouze prostým f x f x, dosazením do základních vzorečků. f sin x sin x sinx cosx sinx cosx f x f x, x sin x f x sin cos sin cos Případné dotaz či připomínk zasílejte, prosím, na pecherkova@fd.cvut.cz.
NÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
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 Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
Více8 Střední hodnota a rozptyl
Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení
VíceZápočtová písemka z Matematiky III (BA04) skupina A
skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost
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
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
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
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
VíceIntegrální počet funkcí jedné proměnné
Integrální počet funkcí jedné proměnné Neurčité integrály Určité a nevlastní integrály Geometrické aplikace určitého integrálu. p.1/?? Neurčité integrály Příklad 7.1.1 Vhodnou metodou vypočítejte neurčitý
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
Více, 1. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv
42206, skupina (6:5-7:45) Jméno: Zápočtový test z PSI Nezapomeňte podepsat VŠECHNY papíry, které odevzdáváte Škrtejte zřetelně a stejně zřetelně pište i věci, které platí Co je škrtnuto, nebude bráno v
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:
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
VíceČíselné charakteristiky a jejich výpočet
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky
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
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
Vícesin(x) x lim. pomocí mocninné řady pro funkci sin(x) se středem x 0 = 0. Víme, že ( ) k=0 e x2 dx.
Použití mocniných řad Nejprve si ukážeme dvě jednoduchá použití Taylorových řad. Příklad Spočtěte následující limitu: ( ) sin(x) lim. x x ( ) Najdeme lim sin(x) x x pomocí mocninné řady pro funkci sin(x)
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceStatistika I (KMI/PSTAT)
Statistika I (KMI/PSTAT) Cvičení druhé aneb Kvantily, distribuční funkce Statistika I (KMI/PSTAT) 1 / 1 Co se dnes naučíme Po absolvování této hodiny byste měli být schopni: rozumět pojmu modus (modální
VíceSemestrální písemka BMA3 - termín varianta A13 vzorové řešení
Semestrální písemka BMA3 - termín 6.1.9 - varianta A13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceMATEMATIKA II V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA II V PŘÍKLADECH CVIČENÍ Č. Ing. Petra Schreiberová, Ph.D. Ostrava 0 Ing. Petra Schreiberová, Ph.D. Vysoká škola báňská Technická
VíceNMAF 051, ZS Zkoušková písemná práce 26. ledna x. x 1 + x dx. q 1. u = x = 1 u2. = 1 u. u 2 (1 + u 2 ) (1 u 2 du = 2.
Jednotlivé kroky při výpočtech stručně, ale co nejpřesněji odůvodněte Pokud používáte nějaké tvrzení, nezapomeňte ověřit splnění předpokladů Jméno a příjmení: Skupina: Příklad 4 Celkem bodů Bodů 5 6 8
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
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).
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
VíceDvojné a trojné integrály příklad 3. x 2 y dx dy,
Spočtěte = { x, y) ; 4x + y 4 }. Dvojné a trojné integrály příklad 3 x y dx dy, Řešení: Protože obor integrace je symetrický vzhledem k ose x, tj. vzhledem k substituci [x; y] [x; y], a funkce fx, y) je
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceVýrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy
Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream
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 charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
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
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VícePravděpodobnostní rozdělení
Náhodná proměnná Pravděpodobnostní rozdělení Základy logiky a matematiky, ISS FSV UK Martin Štrobl Tento pomocný materiál neobsahuje všechnu látku k danému tématu, pouze se zaměřuje na pochopení důležitých
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
Více4.1 Řešení základních typů diferenciálních rovnic 1.řádu
4. Řešení základních tpů diferenciálních rovnic.řádu 4..4 Určete řešení z() Cauchov úloh pro rovnici + = 0 vhovující počáteční podmínce z =. Po separaci proměnných v rovnici dostaneme rovnici = d a po
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceTeorie. Hinty. kunck6am
kytaristka@gmail.com www.natur.cuni.cz/ kunck6am 5. cvičení Teorie Definice. Necht funkce f je definována na neprázdném otevřeném intervalu I. Řekneme, že funkce F je primitivní funkce k f na I, jestliže
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
VíceDerivace a monotónnost funkce
Derivace a monotónnost funkce Věta : Uvažujme funkci f (x), která má na intervalu I derivaci f (x). Pak platí: je-li f (x) > 0 x I, funkce f je na intervalu I rostoucí. je-li f (x) < 0 x I, funkce f je
Více7.2.12 Vektorový součin I
7 Vektorový součin I Předpoklad: 708, 7 Při násobení dvou čísel získáváme opět číslo Skalární násobení vektorů je zcela odlišné, protože vnásobením dvou vektorů dostaneme číslo, ted něco jiného Je možné
VícePRIMITIVNÍ FUNKCE DEFINICE A MOTIVACE
PIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
VíceKapitola 7: Neurčitý integrál. 1/14
Kapitola 7: Neurčitý integrál. 1/14 Neurčitý integrál 2/14 Definice: Necht f je funkce definovaná na intervalu I. Funkci F definovanou na intervalu I, pro kterou platí F (x) = f (x) x I nazýváme primitivní
VíceÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík
Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
VícePRIMITIVNÍ FUNKCE. Primitivní funkce primitivní funkce. geometrický popis integrály 1 integrály 2 spojité funkce konstrukce prim.
PRIMITIVNÍ FUNKCE V předchozích částech byly zkoumány derivace funkcí a hlavním tématem byly funkce, které derivace mají. V této kapitole se budou zkoumat funkce, které naopak jsou derivacemi jiných funkcí
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
VíceZkouška ze Základů vyšší matematiky ZVMTA (LDF, ) 60 minut. Součet Koeficient Body
Zkouška ze Základů vyšší matematiky ZVTA (LDF, 8.2.202) 60 minut 2 3 4 5 6 7 Jméno:................................. Součet Koeficient Body. [6 bodů] a) Definujte pojem primitivní funkce. Co musí platit,
Vícemetodou Monte Carlo J. Matěna, Gymnázium Českolipská, Praha
Výpočet obsahu plošných obrazců metodou Monte Carlo J. Löwit, Gymnázium Českolipská, Praha jakub.lowit@gmail.com J. Matěna, Gymnázium Českolipská, Praha matenajakub@gmail.com J. Novotná, Gymnázium, Chomutov
VíceZáklady popisné statistiky
Základy popisné statistiky Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 8. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 26 Obsah 1 Základy statistického zpracování dat 2
Více16. Goniometrické rovnice
@198 16. Goniometrické rovnice Definice: Goniometrická rovnice je taková rovnice, ve které proměnná (neznámá) vystupuje pouze v goniometrických funkcích. Řešit goniometrické rovnice znamená nalézt všechny
VíceMATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze
Fakulta strojního inženýrství Univerzity J. E. Purkyně v Ústí nad Labem Pasteurova 7 Tel.: 475 285 511 400 96 Ústí nad Labem Fax: 475 285 566 Internet: www.ujep.cz E-mail: kontakt@ujep.cz MATEMATIKA III
VíceZpracování náhodného výběru. Ing. Michal Dorda, Ph.D.
Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní
VíceINTEGRÁLY S PARAMETREM
INTEGRÁLY S PARAMETREM b a V kapitole o integraci funkcí více proměnných byla potřeba funkce g(x) = f(x, y) dy proměnné x. Spojitost funkce g(x) = b a f(x, y) dy proměnné x znamená vlastně prohození limity
Více, = , = , = , = Pokud primitivní funkci pro proměnnou nevidíme, pomůžeme si v tuto chvíli jednoduchou substitucí = +2 +1, =2 1 = 1 2 1
ŘEŠENÉ PŘÍKLADY Z MB ČÁST 7 Příklad 1 a) Vypočtěte hmotnost oblasti ohraničené přímkami =1,=3,=1,= jestliže její hustota je dána funkcí 1,= ++1 b) Vypočtěte statický moment čtverce ohraničeného přímkami
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
VíceNejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. y + y = 4 sin t.
1 Variace konstanty Nejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. Příklad 1 Najděte obecné řešení rovnice: y + y = 4 sin t. Co
VíceANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,
VíceObsah Obyčejné diferenciální rovnice
Obsah 1 Obyčejné diferenciální rovnice 3 1.1 Základní pojmy............................................ 3 1.2 Obyčejné diferenciální rovnice 1. řádu................................ 5 1.3 Exaktní rovnice............................................
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
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
Více10. N á h o d n ý v e k t o r
10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět
VíceMatematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
VícePříklad 1. Řešení 1a Máme určit obsah rovinné plochy ohraničené křivkami: ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 14. a) =0, = 1, = b) =4, =0
Příklad Určete obsah rovinné plochy ohraničené křivkami: a) =0,=,= b) =4,=0 c) =,=,=3,=0 d) =+, =0 e) + )=,= f) = +4,+= g) =arcsin,=0,= h) =sin,=0, 0; i) =,=,=4,=0 j) =,= k) = 6,= +5 4 l) =4,+=5 m) = +
VícePřednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP
IV Přednáška Diskrétní náhodná proměnná Charakteristiky DNP Základní rozdělení DNP Diskrétní náhodná veličina Funkce definovaná na Ω, přiřazující každému elementárnímu jevu E prvky X(E) D R kde D je posloupnost
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
Více( ) ( ) Vzorce pro dvojnásobný úhel. π z hodnot goniometrických funkcí. Předpoklady: Začneme příkladem.
Vzorce pro dvojnásobný úhel Předpoklady: 0 Začneme příkladem Př : Pomocí součtových vzorců odvoď vzorec pro sin x sin x sin x + x sin x cos x + cos x sin x sin x cos x Př : Pomocí součtových vzorců odvoď
VíceObsah. Aplikovaná matematika I. Gottfried Wilhelm Leibniz. Základní vlastnosti a vzorce
Neurčitý integrál Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah Primitivní funkce, neurčitý integrál Základní vlastnosti a vzorce Základní integrační metody Úpravy integrandu Integrace racionálních
VíceMalé statistické repetitorium Verze s řešením
Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční
VícePísemná zkouška z Matematiky II pro FSV vzor
Písemná zkouška z Matematik II pro FSV vzor. (0 bodů) Určete a nakreslete definiční obor funkce sin x f(x, ) = (Kalenda 00/) spočtěte její parciální derivace podle všech proměnných všude, kde existují,
Více4 Numerické derivování a integrace
Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 7, strany 85-94. Jedná se o úlohu výpočtu (první či druhé) derivace či o výpočet určitého integrálu jinými metodami,
VíceStatistika pro geografy
Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceMatematická analýza III.
3. Implicitní funkce Miroslav Hušek, Lucie Loukotová UJEP 2010 V této kapitole se seznámíme s dalším možným zadáním funkce jejím implicitním vyjádřením. Doplní tak nám již známé explicitní a parametrické
VíceStochastické signály (opáčko)
Stochastické signály (opáčko) Stochastický signál nemůžeme popsat rovnicí, ale pomocí sady parametrů. Hodit se bude statistika a pravděpodobnost (umíte). Tohle je jen miniminiminiopáčko, později probereme
VíceTeorie. Hinty. kunck6am
kytaristka@gmail.com www.natur.cuni.cz/ kunck6am 5. cvičení Teorie Definice. Necht funkce f je definována na neprázdném otevřeném intervalu I. Řekneme, že funkce F je primitivní funkce k f na I, jestliže
Více. je zlomkem. Ten je smysluplný pro jakýkoli jmenovatel různý od nuly. Musí tedy platit = 0
Příklad 1 Určete definiční obor funkce: a) = b) = c) = d) = e) = 9 f) = Řešení 1a Máme určit definiční obor funkce =. Výraz je zlomkem. Ten je smysluplný pro jakýkoli jmenovatel různý od nuly. Musí tedy
VíceSPECIÁLNÍCH PRIMITIVNÍCH FUNKCÍ INTEGRACE RACIONÁLNÍCH FUNKCÍ
VÝPOČET PEIÁLNÍH PRIMITIVNÍH FUNKÍ Obecně nelze zadat algoritmus, který by vždy vedl k výpočtu primitivní funkce. Nicméně eistují jisté třídy funkcí, pro které eistuje algoritmus, který vždy vede k výpočtu
VíceNalezněte hladiny následujících funkcí. Pro které hodnoty C R jsou hladiny neprázdné
. Definiční obor a hladiny funkce více proměnných Nalezněte a graficky znázorněte definiční obor D funkce f = f(x, y), kde a) f(x, y) = x y, b) f(x, y) = log(xy + ), c) f(x, y) = xy, d) f(x, y) = log(x
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 12. přednáška Blanka Šedivá KMA zimní semestr 216/21 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 216/21 1 / 15 Integrování jako inverzní operace příklady inverzních
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VícePříklad 1. Řešení 1a. Řešení 1b ŘEŠENÉ PŘÍKLADY Z M1B ČÁST 5
Příklad 1 Najděte totální diferenciál d (h) pro h=(h,h ) v příslušných bodech pro následující funkce: a) (,)= cos, =1; b) (,)=ln( + ), =2; 0 c) (,)=arctg(), =1; 0 1 d) (,)= +, =1; 1 Řešení 1a Máme nalézt
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
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
Více1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost
1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
Více