2. Náhodná veličina. je konečná nebo spočetná množina;
|
|
- Rostislav Němec
- před 7 lety
- Počet zobrazení:
Transkript
1 . 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 takovýto proces stadardizovat a uvést a pravou míru. V dalším se tedy budeme zabývat ovým pojmem, pojmem áhodé veličiy. Defiice.. Nechť dále X : Ω Ø R je reálé zobrazeí, pro které platí { ω Ω; X ( ω) < c} œ A, potom toto zobrazeí azveme áhodou veličiou. Defiice vypadá velmi abstraktě, ale jak uvidíme je sestavea takto proto, abychom mohli velmi jedoduše používat k popisu áhodých veliči jedodušší prostředky apř. distribučí fukce. Náhodé veličiy budeme většiou ozačovat velkými písmey a a rozdíl od áhodých jevů, velkými písmey z koce abecedy. Při řešeí kokrétích úloh se setkáváme především s dvěma typy áhodých veliči s diskrétí a se spojitou áhodou veličiou. Diskrétí áhodá veličia X může abývat je koečého ebo spočetého počtu hodot; spojitá áhodá veličia abývá hodoty z ěkterého itervalu ( a,b). Defiice.. Nechť dále je X áhodé veličia. Potom ji azýváme : def a) Diskrétí áhodou veličiou X (Ω) je koečá ebo spočetá možia; def b) Spojitou áhodou veličiou X (Ω) = I, kde I je reálý iterval. Jako dobrého kadidáta a áhodou veličiu diskrétího typu si můžeme představit áhodou veličiu, která bude popisovat arozeí chlapce v případě dvojčat. Dalším podobým příkladem je áhodá veličia, která popisuje hodotu odpovědí a otázku v testu. Myslím, že každý teto typ áhodé veličiy může vytvořit a umí ho iterpretovat. Druhým případem jsou áhodé veličiy spojitého typu, jde o případy, kdy možých výsledků je velmi moho. Při měřeí se apříklad vyskytují chyby daé přístrojem ( systematické chyby ) a chyby áhodé. Ve většiě případů jsou áhodé chyby spojitého charakteru. Pro popis áhodých veliči se hodí aparát tzv. distribučí fukce. Defiice..3. Nechť dále je X áhodé veličia. Distribučí fukcí áhodé veličiy F azveme reálou fukci defiovaou předpisem F (x) = P( X < x) (.) Výhoda využití této fukce spočívá v tom, že většiu abstraktích úvah můžeme provádět v prostředí možiy reálých čísel tedy a reálé ose. Při popisu jakékoli áhodé veličiy si právě distribučí fukci sažíme určit pokud možo jedozačě, abychom pomocí í mohli zjistit ěkteré výzamé vlastosti áhodé veličiy ( kvatily, středí hodotu, modus atd. ). Pro jedotlivé typy áhodých veliči se ještě dále zavádí pojmy hustoty áhodé veličiy a pojem pravděpodobostí fukce. Defiice..4. Nechť dále je X diskrétí áhodá veličia. Potom fukci P : x # P(X = x ) (.) azveme pravděpodobostí fukcí áhodé veličiy X. c R
2 platí Defiice..5 Nechť dále je X spojitá áhodé veličia. Potom reálou fukci f defiovaou tak, že x F ( x) = f ( u) du (.3) azveme hustotou áhodé veličiy X. Příklady jedotlivých typů áhodých veliči a jejich popisů uvedeme v dalších částech této kapitoly. Nejdříve ale uvedeme tvrzeí o vlastostech distribučí fukce áhodé veličiy. Tvrzeí.. Nechť dále je X áhodé veličia a F je její distribučí fukce. Potom má fukce F ásledující vlastosti: a) Fukce F je eklesající; b) Fukce F je zleva spojitá v každém bodě svého defiičího oboru; c) P(a X < b) = F(b) F(a), pro všecha a b; d) F( x) ; lim = x lim F( x) = e). x Toto tvrzeí je jedím ze základích tvrzeí o distribučí fukci. Stručě můžeme pomocí ěho apříklad vyloučit, že ějaké fukce je distribučí fukcí, můžeme pomocí ěho počítat pravděpodobost, že áhodá veličia je prvkem ějakého itervalu.. Náhodé veličiy diskrétího typu.. Degeerovaé rozděleí, x = x Nejjedodušší typ áhodé veličiy. Zvolme x œ R. Nechť P. x., x x Pravděpodobostí fukce tedy abývá je hodoty a Pravděpodobostí fukce Distribučí fukce Pravděpodobostí fukce degeerovaého rozděleí F(x),9,8,7,6,5,4,3, P(x),9,8,7,6,5,4,3,,, V praxi teto typ áhodé veličiy ehraje žádou roli. Někdy se také ozačuje jako degeerovaé ormálí rozděleí... Alterativí rozděleí Teto typ áhodé veličiy hraje již výzamější roli jak v praktickém uplatěí áhodých veliči. Pomocí í můžeme sado modelovat situace, které mají dvě alterativí
3 odpovědi apř. pokus se podařil, pokus edopadl dobře; odpověď a otázku je pozitiví, odpověď je egativí. Toto rozděleí je i základím rozděleím pro biomické rozděleí. Budeme ho defiovat podobě jako v předchozím případě pomocí pravděpodobostí fukce ( všiměme si, že hodota závisí a parametru p): P : x p, x = p, x =, jiak Pravděpodobostí fukce p =,3 p =,8 (.4),8,7,6,5,4,3,, - -,5,5,5,9,8,7,6,5,4,3,, - -,5,5,5 Distribučí fukce,,9,8,7,6,5,4,3,, - -,5,5,5,,8,6,4, - -,5,5,5...3 Biomické rozděleí Jde o případ jedé z ejdůležitějších diskrétích áhodých veliči. Toto rozděleí odpovídá případu, kdy zjišťujeme při provedeí ezávislých pokusů počet úspěšých provedeí pokusu, přičemž pravděpodobost úspěšého provedeí pokusu je rovo hodotě p ( jde o číslo z itervalu (, ) a pravděpodobost eúspěšého provedeí pokusu je rovo p. Je zřejmé, že toto rozděleí může abývat hodot od do. Pokud porováme toto rozděleí s předchozím alterativím rozděleím vidíme, že biomické rozděleí vziká jako součet alterativích rozděleí se stejým parametrem p. Je li v každém pokusu pravděpodobost úspěšého provedeí pokusu rova p, potom pravděpodobost, že v ezávislých pokusech astae přesě k úspěšých provedeí pokusu je rova k k P(X = k ) =. p.( p), pro k =,,, (.5) k Připomíáme, že symbol je kombiačí číslo udávající počet k čleých k kombiací z prvků bez opakováí, vypočte se ásledujícím způsobem:
4 ! = (.6) k k!.( k)! Pozameejme, že hodota! se azývá faktoriál a určuje se je pro ezáporá celá čísla jako souči přirozeých čísel meších ebo rových s hodotou ;! =. Pro vlastí práci se biomické rozděleí ozačuje symbolicky jako Bi(,p). Vidíme tedy, že toto rozděleí má dva parametry Většiou toto rozděleí určujeme tabulkou. Uveďme si dále pravděpodobostí fukce ěkolika biomických rozděleí. = ; p =,3 = ; p =,8,3,5,,5,, ,35,3,5,,5,, = 3; p =, = 3 ; p =,8,,5,,5,,5,, = ; p =,5 =; p=,,,8,6,4, 4 6 8,4,,,8,6,4, Uvedeme ěkolik příkladů vedoucích a biomické rozděleí. Příklad..3. Předpokládejme, že arozeí chlapce je,5. Zjistěte jaká je pravděpodobost, že v rodiě s 5 dětmi jsou právě dva chlapci! Řešeí: Uvedeme tabulku biomického rozděleí Bi(5;,5): k(počet chlapců) P(X=k) /3 5/3 /3 /3 5/3 /3 Z tabulky je zřejmé, že tato hodota je rova 5/3 =,565. Příklad..3. Zjistěte jaká je pravděpodobost, že v rodiě s 5 dětmi je více ež chlapci? Řešeí: Využijeme předchozí tabulku a daá pravděpodobost je tedy rova součtu : /3 + 5/3 + /3 = 6/3 = ½ =,5. Daá pravděpodobost je rova,5. Při kokrétím způsobu vyčíslováí hodot (.) velmi často arážíme a problém vyčísleí faktoriálů pro velké hodoty ebo k. Protože platí tzv. záko velkých čísel, je
5 možo aproximovat biomické rozděleí ormálím rozděleím. Kokrétí způsob si ukážeme v části. Platí pravidlo : Biomické rozděleí můžeme aproximovat s postačující přesostí pomocí ormálího rozděleí jestliže 9 > p( p) (.7)..4 Poissoovo rozděleí Náhodá veličia tohoto druhu vziká buď tehdy, kdy události určitého druhu astávají áhodě v prostoru ebo v čase ( poruchy, oemocěí atd. ) ebo jako limití případ biomického rozděleí. Je li pravděpodobost p oé áhodé události relativě malá a rozsah opakováí velký potom Poissoovo rozděleí podstatě splývá s biomickým rozděleím ( viz Poissoova věta ). Jak uvidíme Poissoovo rozděleí je pro vlastí výpočet mohem jedodušší, ež výpočet biomických koeficietů. Nechť X je áhodá veličia, která odpovídá počtu výskytů výjimečé události apř. poruše v daém časovém itervalu. Veličia X může abývat celočíselých hodot od do. Nechť l je kostata, která odpovídá průměrému počtu událostí v itervalu. Potom λ x e. λ P( X = x) = (.8) x! Náhodou veličiu X azveme Poissoovým rozděleím s parametrem l ( číslo e je základ přirozeých logaritmů e U,788.Symbolicky začíme Poissoovo rozděleí Po(l), parametr l >. Pokud chceme použít Poissoovo rozděleí je uto split ásledující pravidla: a) Pravděpodobost výskytu jedé události v daém itervalu je úměré délce tohoto itervalu b) Události se vyskytují ezávisle jak ve stejém itervalu, tak v po sobě jdoucích itervalech Příklad..4. Předpokládejme, že v lidské populaci se vyskyte vzácá choroba s pravděpodobostí,. Ve vzorku lidí máme určit pravděpodobost, že vzorek eobsahuje žádého emocého, jedoho emocého! Řešeí: Pravděpodobost výskytu choroby je,, předpokládaý počet emocých je tedy l =,. =. K výpočtu použijeme vzorec (.4) e. x = ï,367879! = e. x = ï,367879! =. Na závěr si uvedeme pravděpodobostí fukce dvou Poissoových rozděleí. l = 5 l = 34,,,8,6,4, ,8,7,6,5,4,3,,
6 . Spojité áhodé veličiy Podle defiice je spojitá áhodá veličia charakterizováa tím, že její obor hodot je celý reálý iterval I. Jak již víme můžeme ji popsat pomocí distribučí fukce ebo častěji pomocí fukce hustoty. Distribučí fukce přiřazuje každému reálému číslu x pravděpodobost toho, že áhodá veličia X bude mít hodotu meší ež x. Jestliže vycházíme z grafického zázorěí fukce hustoty, potom pravděpodobost, že áhodá veličia X leží v itervalu (a,b) je rova ploše vymezeé grafem fukce hustoty a osou x v itervalu (a,b)... Rovoměré rozděleí Toto rozděleí je charakteristické jedoduchou fukcí hustoty, která abývá je dvou hodot. Nechť a, b œ R ; a < b. Defiujme hustotu f takto :, x R \ (a,b) f : x (.9), x (a,b) b - a Hodota distribučí fukce je potom dáa ásledujícím předpisem:, x a x a F : x, x ( a, b > (.) b a, x > b Toto rozděleí má především teoretický charakter, ejužívaější je případ volby parametrů a = a b =. Pro teto případ zobrazíme hodotu hustoty a distribučí fukce: Slouží apříklad k tvorbě geerátorů áhodých čísel, které hrají důležitou roli v teorii výběru dat. Hustota f(x) Distribučí fukce F(x),,8,6,4, - -,,8,6,4, Cauchyho rozděleí Jde opět o případ rozděleí, které je důležité především z teoretických důvodů. Nechť a>, potom je hustota rozděleí defiováa takto:
7 a f : x., (.) π a + x Podle vztahu (.3) je distribučí fukce rova : x π F : x. arctg +, (.). π a V dalším uvedeme ukázku hustoty a distribučí fukce pro případ a=: hustota pro hodotu a= Distribučí fukce pro hodotu a=,35,3,5,,5,, ,,8,6,4, Normálí rozděleí Jestliže budeme provádět ějaký pokus ( e utě áhodý ) zjistíme, že výsledek je ovlivě částmi eáhodého charakteru ( apř. přírodí zákoy ) a částí áhodou ( měřící přístroje atd.). Proto může být výsledek za stejých podmíek růzý. Pokud ale opakujeme takovéto pokusy mohokrát zjistíme, že průměré hodoty výsledků se budou postupě velmi málo od sebe lišit, áhodá část výsledků se potom realizuje v poloze výsledku vůči průměré hodotě. V praxi jsou velmi často splěy předpoklady ( formulovaé již Gaussem při staoveí zákoa rozděleí chyb ): a) Působí velmi moho áhodých avzájem ezávislých a aditivích veliči ( áhodé vlivy se sčítají ) b) Vliv každého každé áhodé veličiy a skutečou měřeou hodotu je zaedbatelě malý c) Kladé vlivy jsou stejě pravděpodobé jako záporé. Za těchto předpokladů získáme rozděleí zákou chyb, které se azývá ormálí rozděleí. Slovo ormálí je zde použito ve výzamu řídící se zákoem či modelem. Normálí rozděleí se ěkdy také azývá Gaussovo...3. Obecé ormálí rozděleí Hustota ormálího rozděleí má ásledující tvar ( x µ ). σ f ( x) =. e (.). σ.. π V tomto vyjádřeí jsou e U,78 ( Eulerova kostata ); p U 3,4; kostata m je středí hodota rozděleí ; kostata s je směrodatá odchylka rozděleí. Protože je hustota určea přesě při zalosti dvou parametrů m a s, ozačujeme toto rozděleí jako N(m, s ). Na obrázku íže uvedeme tři růzé hustoty ormálích rozděleí.
8 ,8,7,6,5,4,3,, N(-,4) N(,) N(4;,5) Z předchozích grafů můžeme usoudit a ěkteré vlastosti grafu hustoty ormálího rozděleí: a) Fukce hustoty abývá svého maxima v bodě x = m. b) Hustota je tím meší, čím je bod x dále od hodoty m c) Graf hustoty je symetrický podle přímky x = m. d) Všechy grafy mají zvoovitý tvar e) Žádý graf eprotíá osu x, leží stále ad í f) Plocha pod každým grafem je rova jedé Jak je již zámo z tvrzeí.. je pravděpodobost, že áhodá veličia typu N(m, s ), abude hodot z určitého itervalu, je rova ploše pod hustotou ad tímto itervalem. Tedy platí ásledující údaje: ) 68,7% hodot leží v itervalu (m - s,m,+s) ) 95% hodot leží v itervalu (m -. s,m,+. s) 3) 99% hodot leží v itervalu (m - 3. s,m,+3. s) Důležitou součástí práce s ormálím rozděleím je zalost distribučí fukce. Dříve bylo uto pracovat s tabulkami, které měli hodoty distribučí fukce tabelováy. To je des samozřejmě ahrazeo prací s počítačem. Je proto možo alézt prakticky libovolé hodoty distribučí fukce. Z historických, ale i teoretických důvodů je ejdůležitější rozděleí tohoto typu áhodá veličia N(, ). V další části se proto budeme specielě věovat této áhodé veličiě.
9 ..3. Normovaé ormálí rozděleí Toto rozděleí získáme volbou m = a s = v předchozí části.,8,6 Distribučí fukce F(x),4 hustota f(x), Jde o jedo z ejdůležitějších rozděleí, jeho distribučí fukce má specielí ozačeí F(x) a samo rozděleí se ěkdy ozačuje jako rozděleí Z ~ N(, ). Pomocí lieárí trasformace lze alézt hodoty áhodé veličiy N(m, s ) pomocí hodot rozděleí N(, ). Proto byly hodoty tohoto rozděleí tabelováy. Tato trasformace je rova u = x µ (.3). σ Jestliže je X~ N(m,s ) bude áhodá veličia µ U = X ~ N(,) (.4) σ Hodota f(x) hustoty ormovaého ormálího rozděleí je rova x f ( x) =. e (.5).. π Protože toto rozděleí hraje velmi důležitou roli v kokrétích případech statistických šetřeí, má jako jedié specielě ozačeou distribučí fukci F(x). V moha reálých situacích je toto rozděleí limitím případem a lze ho tedy používat apř. při práci s biomickým, Poissoovým rozděleím. Protože fukce hustoty f(x) rozděleí N(,) je symetrická podle počátku viz (.5). Musí platit pro distribučí fukci F(x) ásledující rovost : F(-x) = - F(x) (.6) Hodoty distribučí fukce N(,) jsou uvedey v tabulce 3. Příklad..3.. Jaká je pravděpodobost, že hodota proměé typu N(,) leží v itervalu <-,>? Řešeí: V tabulce jsou tabelováy je kladé hodoty. Pro záporé hodoty se vychází ze vztahu (.6). Protože F() =,9775, musí být tedy F(-) = -,9775 =,75. Podle vlastost c) v tvrzeí.. je hledaá pravděpodobost rova rozdílu mezi hodotami F() a F(-). Tedy P = F() - F(-) =,9775,75 =,9545.
10 Příklad..3.. Řešme stejý příklad pro případ N(,4) ; N(-,) a N(,4)! Řešeí: µ Podle vztahu (.4) U = X je N(,) σ.je li X ~ N(,4), je U = (X-)/ ~ N(,). Přepočteme ejprve meze itervalu <-,>; u = (--)/ = -,5 a u = (-)/ =,5. Hledaá pravděpodobost je potom P = F(,5) - F(-,5) =,6946,6687 =, Je li X ~ N(-,), je U = (X+)/ ~ N(,). Přepočteme opět meze itervalu <-,>; u = (- + )/ = ; u = ( + )/ U,649. Hledaá pravděpodobost P = F(,649) - F() =,9775,5 =, Je li X ~ N(,4), je U = (X)/ 4 ~ N(,). Přepočteme opět meze itervalu <-,>; u = (- - )/ 4 = -,363 ; u = ( )/ 4 U,363. Hledaá pravděpodobost P = F(,363)- F(-,363 ) =,6485 -,37595 =.,487. Příklad Nechť X~N(,). Nalezěte hodoty itervalů <-a,a>, pro které P(Xœ<-a,a>)= p. Proveďte pro hodoty p=,9;,95;,975;,99;,995! Řešeí: Vzhledem k vlastostem distribučí fukce F(x) budeme hledat hodoty x p takové, že F(x p ) = (+p)/. Tyto hodoty x p budou potom rovy hodotě a. Řešeí uvedeme v tabulce: p,9,95,975,99,995 x p = a,644853,959963,44,57583,874 Následující áhodé veličiy hrají velmi výzamou roli v prostředí statistiky, mají cetrálí roly v moha případech itervalových odhadů, statistických hypotéz, v statistické regresy a korelaci. V íže uvedeých výrazech se vyskytuje tzv. gamma fukce ozačovaá symbolem G. Tato fukce je popisováa v základích matematických příručkách či příručkách statistických apř. v předášce...4 c rozděleí o stupích volosti Toto rozděleí hraje velkou roli jak v teorii odhadu, tak i ve výzamých typech eparametrických statistických hypotéz. Jde o jedo parametrické rozděleí. Parametrem je přirozeé číslo, azývaé stupěm volosti. Jak uvidíme v dalších kapitolách toto rozděleí je rovo součtu ezávislých áhodých veliči, které jsou rovy druhé mociě rozděleí N(, ). Hustota tohoto rozděleí je staovea takto: x - f ( ). x.e, x > x = (.7). Γ Toto rozděleí se vyskytuje apř. v testech dobré shody v ichž je základím aparátem. Velmi důležitým je také při práci tzv. t testu. Dále jsou uvedey vybraé grafy hustot a distribučích fukcí pro čtyři růzé případy počtu stupňů volosti.
11 ,9,8,7,6,5,4,3,, =5 5 5 F(x) f(x),45,4,35,3,5,,5,,5,9,8,7,6,5,4,3,, = 5 5 F(x) f(x),,9,8,7,6,5,4,3,,,9,8,7,6,5,4,3,, = 5 5 F(x) f(x),3,5,,5,,5,8,6,4, =35,3,5,,5,,5 5 5 F(x) f(x)..5 Studetovo rozděleí ( t rozděleí ) Jde o jedo ze základích rozděleí. Využívá se především v teorii odhadu. Je jedo parametrické, parametr azýváme opět stupěm volosti( může abývat hodot přirozeých čísel ). Rozděleí je symetrické a pro hodoty velkých ( >) je dobře aproximováo rozděleím N(, ). Podobě jako u rozděleí c ho lze určit také ásledujícím vztahem: U X =, U ~ N(,), C - χ rozděleí (.8) C Hustota tohoto rozděleí je rova: + Γ f ( ) x = Γ. π. stupeň: x. + + (.9) stupeň:,45,9,4,8,35,7,3,6,5,5,4,,3,5,,,, ,4,9,35,8,7,3,6,5,5,,4,5,3,,,, F(x) f(x) F(x) f(x) Asymptotickým rozděleím k tomuto rozděleí je N(,). Proto pro velké hodoty stupě volosti volíme áhradu za ormovaé ormálí rozděleí.
12 ..6 Fischer Sedecorovo rozděleí ( F rozděleí ) Toto rozděleí se využívá především při porováí rozptylů dvou výběrů. Ovšem stále častěji je také využíváo v F testu apříklad v regresy a korelaci ebo v aalýze rozptylu. Jde o dvou parametrické rozděleí. Parametry se azývají stupě volosti. Podobě jako u předchozích rozděleí je možo získat F - rozděleí jako fukci jiých rozděleí. Kokrétě : Nechť X je rozděleí c o stupích volosti a X je rozděleí c o m stupích volosti, echť dále jsou obě rozděleí ezávislá. Potom áhodá veličia F defiovaá X F = (.) X m je F rozděleí s, m stupi volosti. Vlastí hodota hustoty tohoto rozděleí je uvedea dále + m Γ + m f, m ( x) =.. x. +. x (.) m m m Γ. Γ =, m= =, m=,9,8,7,6,5,4,9,8,7,6,5,4,3,3,,,,,5,5,5 3 3,5 4 4,5,5,5,5 3 3,5 4 4,5 Distribučí fukce hustota Distribučí fukce hustota =, m=6 =5, m=5,9,4,8,,7,6,5,8,4,6,3,,4,,,5,5,5 3 3,5 4 4,5,5,5,5 3 3,5 4 4,5 Distribučí fukce hustota Distribučí fukce hustota
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
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
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
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
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
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
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:
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 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:
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
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
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
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
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
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,
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
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
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
VíceStatistika pro metrologii
Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých
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
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
Více1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V
Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
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. 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;
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
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
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
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
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
Více8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI
8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -
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
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
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
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
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
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
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,
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,
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
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
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
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
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
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
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
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
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
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
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
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
VíceNáhodný výběr, statistiky a bodový odhad
Lekce Náhodý výběr, statistiky a bodový odhad Parametr rozděleí pravděpodobosti je ezámá kostata, jejíž přímé určeí eí možé. Nástrojem pro odhad ezámých parametrů je áhodý výběr a jeho charakteristiky
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
VíceMatematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
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
Více1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A );
1 PSE 1 Náhodý pokus, áhodý jev. Operace s jevy. Defiice pravděpodobosti jevu, vlastosti ppsti. Klasická defiice pravděpodobosti a její použití, základí kombiatorické vzorce. 1.1 Teoretická část 1.1.1
Vícea logaritmickou funkci a goniometrické funkce. 6.1 Násobení řad. Podívejme se neprve na násobení mnohočlenů x = x x n a y = y y n.
Matematická aalýza II předášky M. Málka cvičeí A. Hakové a R. Otáhalové Semestr letí 2005 6. Nekoečé řady fukcí V šesté kapitole pokračujeme ve studiu ekoečých řad. Nejprve odvozujeme základí tvrzeí o
VíceOdhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení
Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází
Více2.4. INVERZNÍ MATICE
24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:
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
Vícemnožina všech reálných čísel
/6 FUNKCE Základí pojmy: Fukce sudá a lichá, Iverzí fukce Nepřímá úměrost, Mociá fukce, Epoeciálí fukce a rovice Logaritmus, logaritmická fukce a rovice Opakováí: Defiice fukce, graf fukce Defiičí obor,
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
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
VíceStatistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.
Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový
Vícevají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví
Statistika v biomedicísk ském výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Literatura Edice Biomedicísk ská statistika vydáva vaá a Uiverzitě
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
VícePetr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
VíceMatematická analýza I
1 Matematická aalýza ity posloupostí, součty ekoečých řad, ity fukce, derivace Matematická aalýza I látka z I. semestru iformatiky MFF UK Zpracovali: Odřej Keddie Profat, Ja Zaatar Štětia a další 2 Matematická
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
Více7. Odhady populačních průměrů a ostatních parametrů populace
7. Odhady populačích průměrů a ostatích parametrů populace Jak sme zišťovali v kapitole. e možé pro každou populaci sestroit možství parametrů, které i charakterizue. Pro účely základího pozáí e evýzaměší
Vícevají statistické metody v biomedicíně
Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk
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
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
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBOST A STATISTIKA Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým rozděleím X ~D(), R má základí rostor Z = { } a ravděodobostí fukci: ( ) 1 0 Charakteristiky: středí hodota: E(X ) roztyl:
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,
Více1.2. NORMA A SKALÁRNÍ SOUČIN
2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;
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
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
VíceIAJCE Přednáška č. 12
Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích
VícePevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.
evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické
VíceSpojitost a limita funkcí jedné reálné proměnné
Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v
Více2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.
0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace
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
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
Více5. Posloupnosti a řady
Matematická aalýza I předášky M. Málka cvičeí A. Hakové a R. Otáhalové Zimí semestr 2004/05 5. Poslouposti a řady 5.1 Limita a hromadé hodoty. Mějme posloupost x ) prvků Hausdorffova topologického prostoru
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
VíceDIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ. 1) Pojem funkce, graf funkce
DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ ) Pojem ukce, gra ukce De: Fukcí reálé proměé azýváme pravidlo, které každému reálému číslu D přiřazuje právě jedo reálé číslo y H Toto pravidlo začíme ejčastěji
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
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
Více1 Úvod { }.[ ] A= A A, (1.1)
Obsah Obsah... Úvod... 3 Základí pojmy počtu pravděpodobosti... 7. Základí statistické pojmy... 7. Fukce áhodých veliči... 8.3 Charakteristiky áhodých veliči... 0.4 Některá rozděleí pravděpodobosti....5
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,
VíceKapitola 5 - Matice (nad tělesem)
Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic
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
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
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
VíceFunkce. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou
Fukce RNDr. Yvetta Bartáková Gymázium, SOŠ a VOŠ Ledeč ad Sázavou Limita poslouposti a fukce VY INOVACE_0 9_M Gymázium, SOŠ a VOŠ Ledeč ad Sázavou A) Limita poslouposti Říkáme, že posloupost a je kovergetí,
VíceČeské vysoké učení technické v Praze. Fakulta dopravní. Semestrální práce. Statistika
České vysoké učeí techické v Praze Fakulta dopraví Semestrálí práce Statistika Čekáí vlaku ve staicích a trase Klado Ostrovec Praha Masarykovo ádraží Zouzalová Barbora 2 35 Michálek Tomáš 2 35 sk. 2 35
VíceSeriál XXX.II Zpracování dat fyzikálních měření
Seriál: Zpracováí dat fyzikálích měřeí V miulém díle seriálu jsme se sezámili s tím, co je to áhodá veličia, hustota pravděpodobosti a jak se dá v ěkterých případech odhadout typ rozděleí áhodé veličiy
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
Více