1 Pravděpodobnostní prostor
|
|
- Jan Pokorný
- před 7 lety
- Počet zobrazení:
Transkript
1 PaS přednáška 1 Pravděpodobnostní prostor Náhodný pokus je takový pokus, jehož výsledek nelze s jistotou předpovědět. Pokud jsme schopni pokus za stále stejných podmínek opakovat (například házíme stále stejnou kostkou ze stejné výšky na stejný stůl) a výsledky si zaznamenáváme, zkušenost říká, že relativní četnost jednot- livých výsledků pokusu se bude pohybovat blízko nějaké hodnoty. Teorie pravděpodobnosti se snaží tuto zkušenost matematizovat. První krok tímto směrem je uvážit vůbec všechny možné dále nedělitelné výsledky náhodného pokusu. To nás vede k následující definici. Definice 1.1. Prostorem elementárních jevů nazýváme libovolnou neprázdnou množinu Ω. Prvky množiny Ω (elementární jevy) reprezentují všechny myslitelné výsledky náhodného po- kusu. Příklad 1.2. Všechny možné výsledky hodu šestistěnnou kostkou můžeme reprezentovat pomocí množiny Ω = {1, 2, 3, 4, 5, 6}. Pokud náhodný pokus spočívá v tom, že náhodně přijdeme na zastávku autobusu, který jezdí v pětiminutových intervalech a výsledek pokusu je doba čekání na autobus, můžeme všechny možné výsledky pokusu reprezentovat intervalem Ω = 0, 5. Pokud nám v předchozím pokusu chybí na hodinkách vteřinová ručička (jsme schopni měřit čas jen s přesností na minuty), byl by vhodný prostor elementárních jevů Ω = {1, 2, 3, 4, 5}. Výsledky dvou hodů mincí (zajímá nás, zda padla pana či orel) bude vhodně reprezentovat tato množina uspořádaných dvojic prvků R a L: Ω = {[L, L], [L, R], [R, L], [R, R]}. Budeme chtít zkoumat i komplikovanější jevy než jen elementární. Při již popisovaném hodu kostkou nás může zajímat, zda padne liché číslo případně zda nastane jev opačný t.j. padne sudé číslo. To nás vede k následující definici. Definice 1.3. Mějme prostor elementárních jevů Ω. Množinu β naýváme prostorem jevů na Ω, pokud její prvky (jevy) jsou podmnožiny množiny Ω (jevy se skládají z elementárních jevů podobně, jako molekuly z atomů) a splňují následující podmínky: 1. Ω β (celá Ω je jev, kterému říkáme jev jistý); 2. Pokud A je jev (t.j. A β), pak i jeho doplněk (komplement) A C je jev (t.j. A C β), který nazýváme jev opačný k jevu A. 3. Pokud A i je jev z β pro všechna i N, pak i sjednocení i N A i je jev z β (sjednocení spočetně mnoha jevů je jev). Poznámka 1.4. Ač definice prostoru jevů dovoluje i extrémní případ, kdy jevy jsou jen Ω a, v praxi se setkáme jen s prostory jevů, které obsahují mimo jiné i každý elementární jev (tedy Ω β). Pomocí de Morganových zákonů lze snadno dokázat následující: Tvrzení 1.5. Nechť β je prostorem jevů na Ω. Potom platí:
2 1. β (prázdná množin je jev, kterému říkáme jev nemožný) 2. Pokud A i je jev z β pro všechna i N, pak i průnik in A i je jev z β (průnik spočetně mnoha jevů je jev). Konečně, máme-li prostor elementárních jevů i prostor jevů na něm, které reprezentují výsledky náhodného pokusu, budeme u každého jevu chtít vyjádřit šanci, že nastane - pravděpodobnost jevu. Bude to číslo mezi nulou a jednou. Čím blíže je pravděpodobnost jevu jedničce, tím by měl jev při opakování náhodného pokusu nastávat častěji (pokud je naše matematizace náhodného pokusu povedená). Definice 1.6. Mějme množinu elementárních jevů Ω a prostor jevů β na Ω. Nechť P : β [0, 1] je zobrazení, které splňuje následující podmínky: (P1) P (Ω) = 1 (pravděpodobnost jevu jistého je 1). (P2) Pokud A 1, A 2,..., A i,... jsou po dvou disjunktní jevy (prvky z β), pak platí ( ) P A i = P (A i ). i N i N (pravděpodobnost sjednocení spočetně mnoha jevů, kde každé dva mají prázdný průnik, je rovna součtu pravděpodobností jednotlivých jevů). Trojici [Ω; β; P ] nazýváme pravděpodobnostní prostor. Máme-li jev A β, pak číslo P (A) nazýváme pravděpodobností jevu A. Tvrzení 1.7. V pravděpodobnostním prosotru [Ω; β; P ] platí: 1. P ( ) = 0 (pravděpodobnost nemožného jevu je 0); 2. Jsou-li A a B jevy, které mají prázdný průnik, pak P (A B) = P (A) + P (B); 3. Obecněji, pro každé dva jevy A, B platí P (A B) = P (A) + P (B) P (A B); 4. P (A C ) = 1 P (A). Příklad 1.8. Tento příklad dobře modeluje hod šestistěnnou kostkou. Ω = {1, 2, 3, 4, 5, 6}. Elementární jevy jsou tedy jednotlivá čísla, která mohou padnout; β je tvořena všemi podmnožinami množiny Ω. Jev {1, 3, 5} reprezentuje případ, kdy padne liché číslo, jev padlo číslo větší než 4 je pak množina {5, 6}; P přiřazuje jevu počet jeho prvků dělený šesti. Pravděpodobnost, že padne liché číslo je tedy 3/6 = 0, 5. Pravděpodobnost jevu Ω (to jest, pravděpodobnost, že padne nějaké číslo) je 6/6 = 1, pravděpodobnost, že padne jednička je 1/6. Příklad 1.9. Tento příklad může modelovat dobu čekání na trolejbus, který jezdí každých 10 minut, v případě, že na zastávku přicházíme náhodně. Ω je interval [0, 10]. β je tvořena mimo jiné podintervaly intevalu [0, 10]. P přiřadí intervalu jeho délku dělenou deseti. Například P ([2, 4]) = 2/10 = 0, 2, tedy pravděpodobnost, že budeme čekat od dvou do čtyř minut je 0, 2. Definice Tojice [Ω, β, P ] se nazývá klasický pravděpodobnostní prostor pokud Ω je ko- nečná, β je množina všech podmnožin Ω a pro A β máme P (A) = A / Ω. Pravděpodobnostní prostor z Příkladu 1.8 je klasický pravděpodobnostní prostor.
3 2 Náhodná veličina Definice 2.1. Uvažujme pravděpodobnostní prostor [Ω; β; P ]. Pak náhodná veličina je každé zobrazení X : Ω R, které splňuje formální podmínku 1 {ω Ω : X(w) < r} β pro každé reálné číslo r R. Neformálně řečeno je náhodná veličina očíslování elementárních jevů. Toto očíslování děláme tak, aby náhodná veličina vystihovala zkoumaný jev. Množina Ω může například odpovídat množině studentů UJEP. Ten který elementární jev pak odpovídá náhodnému zvolení konkrétního studenta. Pokud nás zajímá výška studentů, bude náhodná veličina každému elementárnímu jevu přiřazovat číslo, které odpovídá jeho výšce. Toto zobrazení bude jiné, než kdyby nás zajímala studentova hmotnost či jeho IQ. Příklad 2.2. Uvažme klasický pravděpodobnostní prostor Ω = {,,,,, } a definujme náhodnou veličinu X : Ω R jako: X( ) = 1 a X(ω) = 0 pro ω Ω \ { }. Očíslování je pěkná věc, ale je třeba též nějak přenést informaci o pravděpodobnosti do světa čísel. To nás vede k následující definici. Definice 2.3. Distribuční funkce F X náhodné veličiny X je definována vztahem F X (x) = P (X < x), kde X < x je zkrácený zápis pro jev {ω Ω : X(ω) < x}. Příklad 2.4. V případě náhodné veličiny z Příkladu 2.2 vypadá její distribuční funkce takto: 0 pro x 0 F X (x) = 5 6 pro x (0, 1] 1 pro x > 1 Věta 2.5. Distribuční funkce je neklesající a může nabývat pouze hodnot z intervalu [0, 1]. Věta lim F X(x) = 0 a x lim F X(x) = 1 x Věta 2.7. Distribuční funkce je zleva spojitá v každém bodě. Věta 2.8. Pro každé x 0 R platí lim F X (x) = F X (x 0 ) + P (X = x 0 ). x x + 0 Definice 2.9. Náhodná veličina X definivaná na pravděpodobnostním prostoru [Ω, β, P ] se nazývá diskrétní náhodná veličina, pokud nabývá pouze konečně případně spočetně mnoha hodnot x 1,..., x n,.... Poznámka Náhodná veličina definovaná na konečném či spočetně nekonečném pravděpodobnostním prostoru je nutně diskrétní. Příklad Uvažme pravděpodobnostní prostor z Příkladu??, který modeluje čekání na trolejbus. Dejme tomu, že pokud trolejbus přijede do tří minut, stihneme přípojný rychlík, pokud přijede do sedmi minut, stihneme alespoň přípojný osobní vlak, a pokud přijede později zmeškáme veškeré přípoje. Tuto situaci dobře popíšeme následující náhodnou veličinou: 1 Tuto podmínku nebudeme dále používat.
4 0 pro ω [0; 3] X(ω) = 1 pro ω (3, 7] 2 pro ω (7, 10]. Protože nabývá pouze tří (tedy konečně mnoha) hodnot, jedná se o diskrétní náhodnou veličinu. Definice Pro diskrétní náhodnou veličinu X nabývající hodnot x 1,..., x n,... definujeme její pravděpodobnostní funkci P X vztahem Příklad P X (x i ) = P (X = x i ). Věta Pro diskrétní náhodnou veličinu X nabývající hodnot x 1,..., x n,... platí (i) n P X(x n ) = 1; (ii) F X (x) = x n<x P X(x n ). Věta Lze-li hodnoty x 1,..., x n,... náhodné veličiny X uspořádat tak, že x 1 < x 2 < x 3 <... < x n <..., je distribuční funkce F X konstantní v každém intervalu (x n, x n+1 ]. Definice Náhodná veličina X definivaná na pravděpodobnostním prostoru [Ω, β, P ] se nazývá spojitá náhodná veličina, pokud existuje nezáproná funkce f X taková, že platí F X (x) = Funkci f X nazýváme hustota náhodné veličiny X. Příklad Trolejbus a identita x f X (t)dt. Věta Pro spojitou náhodnou veličinu X s hustotou f X platí (i) f X(t)dt = 1; (ii) V bodech, kde existuje derivace distribuční funkce platí F X (x) = f X(x); (iii) Pro každé x R platí P (X = x) = 0; (iv) Distribuční funkce F X (x) je spojitá v každém bodě; (v) Platí P (x 1 < X < x 2 ) = P (x 1 X x 2 ) = F X (x 2 ) F X (x 1 ) = x 2 x 1 Příklad Příklad f X (t)dt. 3 Charakteristiky náhodných veličin V této kapitole se naučíme přiřazovat náhodným veličinám čísla, která dávají jakousi základní představu o jejich chování. Definice 3.1. Střední hodnotou diskrétní náhodné veličiny X nabývající hodnot x 1,..., x n,... nazýváme číslo EX = x n P X (x n ). n Poznámka 3.2. Dobře význam pojmu střední hodnota vysvětlují její dva anglické názvy: expected value tedy očekávaná hodnota a mean value tedy průměrná hodnota.
5 Příklad 3.3. Uvažme klasický pravděpodobnostní prostor (Ω, β, P ), kde Ω = {1, 2, 3, 4, 5, 6}, který dobře modeluje hod pravidelnou šestistněnnou kostkou. Definujme na něm náhodnou veličinu X : Ω R vztahem X(ω) = ω pro ω Ω. Protože všechna čísla mohou padnout se stejnou pravděpodobností, očekávaná průměrná hodnota by měla být 3,5. To potvrzuje výpočet střední hodnoty: EX = 6 ωp X (ω) = ω=1 6 ω 1 = 3, 5. 6 Příklad 3.4. Uvažme konečný pravděpodobnostní prostor (Ω, β, P ), kde Ω = {1, 2, 3, 4, 5, 6}, β = 2 Ω a { 0, 02 pro ω Ω \ {6} P (ω) = 0, 9 pro ω = 6, který modeluje hod nepravidelnou šestistněnnou kostkou. Definujme na něm náhodnou veličinu X : Ω R vztahem X(ω) = ω pro ω Ω. Zřejmě bude na kostce padat šestka s daleko větší frekvencí než ostatní čísla. Očekávaná průměrná hodnota tak oproti Příkladu 3.3 bude blíže číslu 6. To potvrzuje výpočet střední hodnoty: EX = ω=1 ( 6 5 ) ωp X (ω) = ω 0, , 9 = 5, 7. ω=1 ω=1 Střední hodnotu spojité náhodné veličiny definujeme podobně, akorát pravděpodobnostní funkci nahradí hustota a sumu integrál: Definice 3.5. Střední hodnotou spojité náhodné veličiny X s hustotou f X nazýváme číslo EX = tf X (t)dt. Příklad 3.6. Uvažme spojitou náhodnou veličinu z Příkladu Vypočtěme její střední hodnotu: EX = Příklad 3.7. střelba na terč xf X (x)dx = 0 0dx + 10 Věta 3.8. Pro náhodné veličiny X a Y a reálné číslo k platí 1. Ek = k 2. EkX = kex 3. E(X + Y) = EX + EY Obecněji: 0 x 1 10 xdx + Věta 3.9. Pro náhodné veličiny X 1,..., X n a reálné čísla k 1,..., k n platí ( n ) n E k i X i = k i EX i. Věta Pro nezávislé náhodné veličiny X a Y platí E(XY) = EXEY. Definice Rozptylem náhodné veličiny X nazýváme číslo i=1 i=1 D(X) = E(X EX) 2. Definice Směrodatnou odchylkou náhodné veličiny X nazýváme číslo σ(x) = D(X). Věta Pro náhodnou veličinu X a konstantu k R platí 10 0dx = 5.
6 1. D(k) = 0 2. D(kX) = k 2 D(X). Definice Kovariancí náhodných veličin X, Y nazýváme číslo cov(x, Y) = E((X EX)(Y EY)). Věta Jsou-li X, Y nezávislé náhodné veličiny, pak cov(x, Y) = 0. Věta Pro náhodné veličiny X a Y platí D(X ± Y) = D(X) + D(Y) ± 2cov(X, Y). Důsledek Pro nezávislé náhodné veličiny X a Y platí D(X + Y) = D(X) + D(Y). Uveďme si vzoreček vhodný pro výpočet rozptylu: Věta D(X) = E(X 2 ) (EX) 2. Příklad Definice Pro n N nazýváme číslo M n (X) = E(X n ) n-tým momentem náhodné veličiny X; CM n (X) = E(X EX) n n-tým centrálním momentem náhodné veličiny X; ( ) n NM n (X) = E n-tým normovaným momentem náhodné veličiny X. X EX σ(x) Definice Pro 0 < p < 1 nazveme p-kvantilem náhodné veličiny X číslo x p = inf{r R : F X (r) p}. Tvrzení Nechť distribuční funkce F X je ostře rostoucí na intervalu (a, b) a F ((a, b)) = (0, 1). Pak pro každé p (0, 1) platí F (x p ) = p. Jinak řečeno, funkce, která každému p (0, 1) přiřadí x p, je inverzní k distribuční funkci F X na intervalu (a, b). Příklad Příklad Příklad Některá rozdělení pravděpodobnosti diskrétního typu Definice 4.1. Náhodná veličina X má alternativní rozdělení pokud nabývá pouze hodnot 0 a 1 a existuje reálné čislo p (0, 1) takové, že pro její pravděpodobnostní funkci platí P X (x) = p x (1 p) 1 x, pro x {0, 1}. Tento fakt zapisujeme symbolicky jako X A(p). Příklad 4.2. Náhodná veličina z Příkladu 2.2 má alternativní rozdělení A( 1 6 ). Věta 4.3. Pro náhodnou veličinu X A(p) platí EX = p, D(X) = p(1 p).
7 Definice 4.4. Náhodná veličina X má binomické rozdělení s parametry n, p, kde n N a p (0, 1), pokud nabývá jen hodnot x = 0, 1,..., n a pro její pravděpodobnostní funkci platí ( ) n P X (x) = p x (1 p) n x pro x {0, 1,..., n}. x Tento fakt značíme X Bi(n, p). Věta 4.5. Pro X Bi(n, p) platí: EX = n p a D(X) = n p (1 p). Příklad 4.6 (Těsto s rozinkami). Do 100 kg těsta na vánočku bylo přimýcháno rozinek. Jaká je pravděpodobnost, že v kilogramové vánočce z těsta vyrobené bude právě n rozinek? Definice 4.7. Diskrétní náhodná veličina X má Poissonovo rozdělení P o(λ) pro λ > 0 (značíme X P o(λ)), pokud její pravděpodobnostní funkce má tvar P X (n) = e λ λn, pro n N. n! Poissonovo rozdělení dobře modeluje výskyt událostí (například počet rozpadů dané částice v čase, počet hovorů spojených danou telefonní ústřednou v daném čase) během procesů, které splňují následující podmínky Počet jevů závisí jen na délce časového intervalu, nikoli na konkrétním čase pozorování a průběh procesu v minulosti neovlivňuje průběh v budoucnosti. Sledované jevy se vyskytují v čase izolovaně. To jest, pravděpodobnost že v krátkém čase nastane více než jeden sledovaný jev je zanedbatelně malá vůči pravděpodobnosti, že nastane právě jeden jev. Příklad 4.8. Při provozu telefonní ústředny dochází v průměru k pěti spojením za minutu. Jaká je pravděpodobnost, že během 3 minut nedojde k žádnému spojení? Věta 4.9. Pro X P o(λ) platí EX = D(X) = λ. Věta Pro nezávislé náhodné veličiny X 1,..., X n takové, že X i P o(λ i ), platí n n X i P o(λ), kde λ = λ i. i=1 i=1 Příklad 4.11 (Těsto s rozinkami II). Mějme nekonečný přísun těsta na vánočku, v němž je průměrně 100 hrozinek na 1 kg. Jaká je pravděpodobnost, že v kilogramové vánočce z těsta vyrobené bude právě n rozinek? 5 Některá rozdělení pravděpodobnosti spojitého typu Definice 5.1. Náhodná veličina X má Rovnoměrné rozdělení Ro(a, b),kde a < b jsou reálná čísla, pokud má hustotu Příklad 5.2 (Pravítko). f X (x) = { 0 pro x (a, b) 1 b a pro x (a, b)
8 Věta 5.3. Pro náhodnou veličinu X Ro(a, b) platí: EX = a + b 2, D(X) = (b a)2. 12
Pravděpodobnost 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:,
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
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
VíceNMAI059 Pravděpodobnost a statistika
NMAI059 Pravděpodobnost a statistika podle přednášky Daniela Hlubinky (hlubinka@karlin.mff.cuni.cz) zapsal Pavel Obdržálek (pobdr@matfyz.cz) 205/20 poslední změna: 4. prosince 205 . přednáška. 0. 205 )
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
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
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
Vícepravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.
3.1 Základy teorie pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti. Co se dozvíte Náhodný pokus a náhodný jev. Pravděpodobnost, počítání s pravděpodobnostmi.
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
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
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.
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
VícePravděpodobnost a její vlastnosti
Pravděpodobnost a její vlastnosti 1 Pravděpodobnost a její vlastnosti Náhodné jevy Náhodný jev je výsledek pokusu (tj. realizace určitého systému podmínek) a jeho charakteristickým rysem je, že může, ale
VíceNáhodné jevy. Teorie pravděpodobnosti. Náhodné jevy. Operace s náhodnými jevy
Teorie pravděpodobnosti Náhodný pokus skončí jedním z řady možných výsledků předem nevíme, jak skončí (náhoda) příklad: hod kostkou, zítřejší počasí,... Pravděpodobnost zkoumá náhodné jevy (mohou, ale
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
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
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
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Základy zpracování dat chemometrie, statistika Doporučenáliteratura
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
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
VíceIntuitivní pojem pravděpodobnosti
Pravděpodobnost Intuitivní pojem pravděpodobnosti Intuitivní pojem pravděpodobnosti Pravděpodobnost zkoumaného jevu vyjadřuje míru naděje, že tento jev nastane. Řekneme-li, že má nějaký jev pravděpodobnost
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Teorie pravděpodobnosti popisuje vznik náhodných dat, zatímco matematická statistika usuzuje z dat na charakter procesů, jimiž data vznikla. NÁHODNOST - forma existence látky,
VíceMatematika III. 27. září Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 27. září 2018 Teorie pravděpodobnosti Teorie pravděpodobnosti je odvětvím matematiky, které studuje matematické modely náhodných pokusu, tedy zabývá se
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
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
Více2. přednáška - PRAVDĚPODOBNOST
2. přednáška - PRAVDĚPODOBNOST NÁHODNÝ POKUS A JEV Každá opakovatelná činnost prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě, se nazývá náhodný pokus.
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.
Více5.1. Klasická pravděpodobnst
5. Pravděpodobnost Uvažujme množinu Ω všech možných výsledků náhodného pokusu, například hodu mincí, hodu kostkou, výběru karty z balíčku a podobně. Tato množina se nazývá základní prostor a její prvky
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
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
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 1 Náhodné pokusy a náhodné jevy Činnostem, jejichž výsledek není jednoznačně určen podmínkami, za kterých probíhají, a které jsou (alespoň teoreticky) neomezeně opakovatelné,
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
VíceJAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová
JAK MODELOVAT VÝSLEDKY NÁH. POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za nichž
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
Více2. Definice pravděpodobnosti
2. Definice pravděpodobnosti 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematických struktur a algoritmů procesy dvojího druhu. Jednodušší jsou deterministické procesy,
VíceTeorie pravěpodobnosti 1
Teorie pravěpodobnosti 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Náhodný jev a pravděpodobnost Každou zákonitost sledovanou v přírodě lze zjednodušeně charakterizovat jako
VíceDiskrétní náhodná veličina
Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné
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
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceMnožiny, relace, zobrazení
Množiny, relace, zobrazení Množiny Množinou rozumíme každý soubor určitých objektů shrnutých v jeden celek. Zmíněné objekty pak nazýváme prvky dané množiny. Pojem množina je tedy synonymem pojmů typu soubor,
VíceDiskrétní matematika. DiM /01, zimní semestr 2016/2017
Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2016/2017 O tomto souboru Tento soubor je zamýšlen především jako pomůcka
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
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
VícePRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]
PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické
VíceIB112 Základy matematiky
IB112 Základy matematiky Základy kombinatoriky a kombinatorická pravděpodobnost Jan Strejček Obsah IB112 Základy matematiky: Základy kombinatoriky a kombinatorická pravděpodobnost 2/57 Výběry prvků bez
VíceDiskrétní matematika. DiM /01, zimní semestr 2018/2019
Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2018/2019 O tomto souboru Tento soubor je zamýšlen především jako pomůcka
VíceMatematika I 2a Konečná pravděpodobnost
Matematika I 2a Konečná pravděpodobnost Jan Slovák Masarykova univerzita Fakulta informatiky 24. 9. 2012 Obsah přednášky 1 Pravděpodobnost 2 Nezávislé jevy 3 Geometrická pravděpodobnost Viděli jsme už
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
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceTEORIE PRAVDĚPODOBNOSTI. 2. cvičení
TEORIE RAVDĚODONOSTI 2. cvičení Základní pojmy Klasická def. Statistická def. Geometrická def. odmíněná prav. ayesův teorém Test Základní pojmy Náhodný pokus - je každý konečný děj, jehož výsledek není
Víceletní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 1 Založeno na materiálech doc. Michala Kulicha veličina Definice Funkci
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
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
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
VíceRovnoměrné rozdělení
Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot
VíceKapitola Základní množinové pojmy Princip rovnosti. Dvě množiny S a T jsou si rovny (píšeme S = T ) prvek T je také prvkem S.
1 Kapitola 1 Množiny 11 Základní množinové pojmy Pojem množiny nedefinujeme, pouze připomínáme, že množina je souhrn, nebo soubor navzájem rozlišitelných objektů, kterým říkáme prvky 111 Princip rovnosti
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
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,
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
VíceJevy, které za daných podmínek mohou, ale nemusí nastat, nazýváme náhodnými jevy. Příklad: při hodu hrací kostkou padne trojka
Náhodný jev Mějme určitý soubor podmínek. Provedeme pokus, který budeme chtít zopakovat. Pokud opakování pokusu při zachování nám známých podmínek nevede k jednoznačnému výsledku, můžeme se domnívat, že
VíceNÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáša 02 Přírodovědecá faulta Katedra matematiy KMA/P506 Pravděpodobnost a statistia KMA/P507 Statistia na PC jiri.cihlar@ujep.cz Náhodné veličiny Záladní definice Nechť je dán pravděpodobnostní prostor
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
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
VíceJAK MODELOVAT VÝSLEDKY
JAK MODELOVAT VÝSLEDKY NÁHODNÝCH POKUSŮ? Martina Litschmannová Opakování Základní pojmy z teorie pravděpodobnosti Co je to náhodný pokus? Děj, jehož výsledek není předem jednoznačně určen podmínkami, za
VícePříklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka
Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
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
VíceNáhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.
Základy teorie pravděpodobnosti Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Poznámka: Výsledek pokusu není předem znám (výsledek
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
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
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
VíceÚvod do teorie pravděpodobnosti
Úvod do teorie pravděpodobnosti Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 9. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 33 Obsah 1 Náhodné jevy 2 Pravděpodobnost 3 Podmíněná
Víceletní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 202 Založeno na materiálech doc. Michala Kulicha Náhodný vektor často potřebujeme
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
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
VícePravděpodobnost je. Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava
Pravděpodobnost je Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava ŠKOMAM, 24. 1. 2017 Čím se zabývá teorie pravděpodobnosti? Pokus děj, který probíhá, resp. nastává opakovaně
VíceMatematická analýza 1
Matematická analýza 1 ZS 2019-20 Miroslav Zelený 1. Logika, množiny a základní číselné obory 2. Limita posloupnosti 3. Limita a spojitost funkce 4. Elementární funkce 5. Derivace 6. Taylorův polynom Návod
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
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
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
Více4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY
4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být
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
Více1. Statistická analýza dat Jak vznikají informace Rozložení dat
1. Statistická analýza dat Jak vznikají informace Rozložení dat J. Jarkovský, L. Dušek, S. Littnerová, J. Kalina Význam statistické analýzy dat Sběr a vyhodnocování dat je způsobem k uchopení a pochopení
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
Víceprof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
Více5 Pravděpodobnost. Sestavíme pravděpodobnostní prostor, který modeluje vytažení dvou ponožek ze šuplíku. Elementární jevy
Typické příklady pro zápočtové písemky DiM 70-30 (Kovář, Kovářová, Kubesa) (verze: November 5, 08) 5 Pravděpodobnost 5.. Jiří má v šuplíku rozházených osm párů ponožek, dva páry jsou černé, dva páry modré,
Více