jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
|
|
- Ján Vopička
- před 7 lety
- Počet zobrazení:
Transkript
1 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 pravděpodobosti rozdělují a dva typy: zákoy velkých čísel a tzv. klasické (cetrálí limití věty. Obsah zákoa velkých čísel lze zhruba popsat takto: Nechť jsou áhodé veličiy X,..., X,... defiovaé a stejém pravděpodobostím prostoru (Ω, A, P. Utvoříme-li posloupost aritmetických průměrů {Y = i= [X i E(X i ]}, ztrácí prvky této poslouposti s rostoucím svůj áhodý charakter a blíží se ule v ásledujícím smyslu: lim P( Y ε = 0, ε > 0. Aritmetické průměry Y = i= [X i E(X i ] se pro velká chovají jako kostata ula. Obsahem cetrálích limitích vět je tvrzeí, že distribučí fukce F Y součtů áhodých veliči Y = i= X i kovergují za určitých předpokladů pro k distribučí fukci ormálího ebo Poissoova rozděleí. Vzhledem k rozsahu tohoto učebího textu se omezíme a jedodušší případy a ěkteré věty uvedeme bez důkazů. 9.. Slabý záko velkých čísel V dalším textu budeme předpokládat, že všechy uvažovaé áhodé veličiy jsou defiováy a stejém pravděpodobostím prostoru (Ω, A, P. Defiice 9. [kovergece podle pravděpodobosti] Říkáme, že posloupost áhodých veliči X, X 2,... koverguje podle pravděpodobosti k áhodé veličiě X, platí-li pro každé ε > 0 ebo ekvivaletě lim P( X X ε = 0, lim P( X X < ε =. Ozačujeme: X P X pro. 83
2 Defiice 9.2 Řekeme, že se posloupost áhodých veliči {X } řídí slabým zákoem velkých čísel, jestliže posloupost {Y = [X j E(X j ]} koverguje podle pravděpodobosti k ule, tj. jestliže ( lim P [X j E(X j ] ε = 0, ε > 0. ( V dalších větách jsou uvedey ěkteré postačující podmíky pro to, aby se posloupost {X } řídila slabým zákoem velkých čísel. IX.3 Věta. [Čebyševova] Nechť {X } je posloupost po dvou ezávislých áhodých veliči, které mají stejoměrě omezeé rozptyly, tj. existuje číslo c 0 ezávislé a takové, že var(x c, N. Potom se posloupost {X } řídí slabým zákoem velkých čísel, tj. [X i E(X i ] P 0 pro. i= Důkaz. Ozačme Y = X j, N. Potom E(Y = E(X j a podle Čebyševovy erovosti ( 0 P( Y E(Y ε = P X j E(X j ε var(y = var( X j = var(x j c ε 2 ε 2 2 ε 2 2 ε = c 2 ε 0 pro. 2 V praxi se užívají ásledující dva důsledky Čebyševovy věty. IX.4 Věta. [Beroulliho] Nechť je áhodá veličia Y rova počtu úspěchů v poslouposti ezávislých alterativích áhodých pokusů takových, že v každém pokuse astae úspěch s pravděpodobostí p (0,. Pak pro posloupost { Y } relativích četostí úspěchů v pokusech platí Y P p pro. IX.5 Věta. [o aritmetickém průměru] Nechť {X } je posloupost po dvou ezávislých áhodých veliči, které mají stejé středí hodoty a stejoměrě omezeé rozptyly, tj. Potom E(X = a, var(x b, N, a R, 0 b <. X P j a pro. Marek, J.: Pravděpodobost a matematická statistika 84
3 IX.6 Věta. [Markovova] Nechť posloupost áhodých veliči {X } splňuje podmíku [ ( ] lim var X 2 j = 0. Pak pro libovolé ε > 0 platí ( lim P [X j E(X j ] ε = 0, tj. posloupost se řídí slabým zákoem velkých čísel. Důkaz. Užitím Čebyševovy erovosti obdobě jako v důkaze Čebyševovy věty ( ( 0 P [X j E(X j ] ε = P X j E(X j ε var( X [ j = ( ] ε 2 ε 2 var X 2 j 0 pro. IX.7 Věta. [Chičiova] Nechť {X } je posloupost ezávislých áhodých veliči, které mají stejé rozděleí pravděpodobostí s koečou středí hodotou E(X = µ, N. Potom pro libovolé ε > 0 platí ( lim P X j µ ε = 0, tj. X j P µ pro Klasické (cetrálí limití věty V úvodu kapitoly jsme popsali obsah cetrálích limitích vět teorie pravděpodobosti. Jsou to věty, které formulují předpoklady uté k tomu, aby distribučí fukce součtů X j áhodých veliči kovergovaly pro k distribučí fukci ormálího ebo Poissoova rozděleí. Tyto věty se často užívají v matematické statistice a v růzých aplikacích počtu pravděpodobosti (apř. ve stochastických metodách. IX.8 Věta. [cetrálí limití] Nechť {X } je posloupost ezávislých, stejě rozděleých áhodých veliči s koečou středí hodotou µ a s koečým eulovým rozptylem σ 2. Potom posloupost distribučích fukcí ormovaých součtů Z = X k E( k X k var( X = (X k µ k σ, IX Limití věty. 85
4 koverguje a R k distribučí fukci ormovaého ormálího rozděleí N(0,, tj. ( lim P (X k µ σ x = x e t2 2 dt = Φ(x, x R. 2π (2 Pozámka. Tvrzeí věty formulujeme stručě takto: Náhodá veličia Z koverguje pro k áhodé veličiě X N(0, v distribuci. Zapisujeme L (Z L (X. Rychlost kovergece ve vztahu (?? určuje tzv. Berry-Esséova erovost ozačíme-li symbolem F (x distribučí fukci áhodé veličiy Z z věty??, platí F (x Φ(x E X i µ 3 σ 3, x R. Řád přiblížeí k distribučí fukci Φ(x ormovaého ormálího rozděleí je O( 2. Při pevém je aproximace tím lepší, čím meší je charakteristika σ 3 E X i µ 3 společého rozděleí áhodých veliči X, X 2,.... IX.9 Věta. [itegrálí věta Moivreova Laplaceova] Nechť áhodá veličia Y má N biomické rozděleí Bi(, p. Ozačme F (x distribučí fukci áhodé veličiy Potom platí Z = Y p p( p. lim F (x = x e t2 2 dt = Φ(x, x R. 2π Důkaz. Tvrzeí plye ihed z věty??. Y = k= X k, kde X,..., X jsou ezávislé áhodé veličiy se stejým alterativím rozděleím. µ = E(X k = p, σ 2 = var(x k = p( p (0,. Normovaé součty 4 Z odpovídají ormovaým součtům v citovaé větě. Pozámka. Je-li Y Bi(, p, lze v praxi často užít toho, že pro dostatečě velká má áhodá veličia Z = Y p, p( p přibližě ormálí rozděleí N(0,, ebo jiak formulováo, že pro velká má biomická áhodá veličia Y přibližě ormálí rozděleí N(p, p( p. Marek, J.: Pravděpodobost a matematická statistika 86
5 Tato tvrzeí o asymptotické ormalitě biomického rozděleí se často užívají v aplikacích, apř. pro výpočet pravděpodobostí ( p k ( p k k = P ( P(Y y = k y Y p p( p y p p( p (. = Φ y p, p( p je-li velké. Aproximace se považuje za vyhovující, je-li p( p > 9, < p <, viz [?, str. 36]. + + Příklad 9.0 (viz [?, str. 90] Mějme geerátor, který vytváří áhodě a ezávisle číslice a 0 se stejou pravděpodobostí. Vytvořme posloupost 0 4 těchto cifer. Jaká je pravděpodobost (při- 2 bližě, že četost jediček bude v mezích 4900 až 500? Ozačme Y četost jediček v uvedeé poslouposti, Y Bi( = 0 4, p =. Tedy E(Y = p = 5000, var(y = p( p = 2500, 2 var(y = 50. Nerovost, která ás zajímá, 4900 Y 500, je rovoceá erovosti Y Ozačme Z = Y ormovaou áhodou veličiu. Podle předchozí pozámky dostaeme výsledek P(4900 Y 500 = P( Z 2. = 2Φ(2 = Numerickou hodotu posledího výrazu ajdeme pomocí tabulek hodot distribučí fukce Φ(x rozděleí N(0,. Příklad 9. (viz [?, str. 90] Bylo sečteo 300 čísel zaokrouhleých a jedo desetié místo. Vyšetřujme chybu tohoto součtu, která vzikla zaokrouhleím sčítaců. Zaokrouhlovací chyba jedoho sčítace epřesáhe 0.05 v absolutí hodotě. Výpočetí zkušeost však ukazuje, že chyba součtu bude zpravidla mohem meší, eboť chyby ze zaokrouhleí se mohou vzájemě kompezovat. Předpokládejme, že zaokrouhlovací chyby X k, k =,..., 300, jedotlivých sčítaců jsou ezávislé áhodé veličiy, které mají rovoměré rozděleí a itervalu ( 0.05; Tedy µ = E(X k = 0, σ 2 = var(x k = 200. Chyba součtu je pak Y 300 = 300 X k, ormovaá chyba Z 300 = Y = 2Y 300 IX Limití věty. 87
6 a tato veličia má (přibližě ormovaé ormálí rozděleí. Pravděpodobost, že chyba součtu epřekročí v absolutí hodotě daé číslo ε > 0 je tedy P( Y 300 ε = P( Z 300 2ε. = 2Φ(2ε. Aproximace biomického rozděleí rozděleím ormálím je ejlepší pro p blízká. Při malých hodotách p ebo při hodotách p 2 blízkých tato aproximace eí dobrá (její zlepšeí dosáheme pouze zvyšováím a je třeba užít aproximace biomického rozděleí rozděleím Poissoovým. IX.2 Věta. [Poissoova] Uvažujme ásledující posloupost ezávislých sérií pokusů: V -té sérii je ezávislých alterativích pokusů takových, že v každém pokuse astae jev A (úspěch s pravděpodobostí p (0,. Nechť áhodá veličia X je rova počtu úspěchů, které astaly v -té sérii. Jestliže lim p = 0, pak [ ] lim P (X = k e λ λk pro k = 0,,..., kde λ = p. Důkaz. P(X = k = = 0, ( p k k ( p k, k = 0,,...,, N. Uvažujme pevé k a pevé ε > 0. Protože platí existuje A > 0 takové, že x k x e x k lim x x e 2 = 0, ε 2, pro x A. (3 2 Ozačme B = { : 2k, p A}. Protože x < e x pro 0 x, platí pro B ( ( k + P(X = k = p k ( p k = ( = ( 2 ( k (p k e p ( k (p k (p k ( p k e p 2 ε 2, (4 Marek, J.: Pravděpodobost a matematická statistika 88
7 kde jsme použili vztah (?? a defiici možiy B (odkud vyplývá implikace k 2 k 2. Na druhé straě pro B platí vzhledem k (?? (p k e p < (p k e p 2 ε 2. (5 Ze vztahů (??, (?? vyplývá, že pro B je P(X = k (p k e p ε 2 + ε 2 = ε. Nechť B 2 = { : p < A}. Platí P(X = k = (p k ( p ( ( 2 k (. ( p k Protože pro B 2 posledí zlomek v tomto výrazu koverguje k pro a protože pro tato platí [( p ] e p = 0, lim B 2 je tím dokázáo tvrzeí věty. Na základě tvrzeí Poissoovy věty se ahrazuje pravděpodobostí fukce biomického rozděleí takto ( Y Bi(, p P(Y = k = p k ( p k. (p k = e p, k = 0,,...,. k Aproximace se považuje za vyhovující, je-li > 30, p 0. (viz [?, str. 69]. Příklad 9.3 (viz [?, str. 45] Dělice v přádelě obsluhuje 800 vřete. Pravděpodobost toho, že se příze přetrhe během časového itervalu délky t, je pro každé vřeteo stejá a rova Určete ejpravděpodobější počet přetržeí příze během itervalu délky t. Je tedy = 800, p = 0.005, λ = 4. Podle Poissoovy aproximace (p malé, velké jsou dva ejpravděpodobější počty přetržeí, a to 3 a 4 (víte proč?. P(X 800 = 3 =. 43 3! e 4 = = 44. 4! e 4 = P(X800 = 4. Pravděpodobost, že počet přetržeí během itervalu délky t je ejvýše 0, je rova P(X =. 4 k e 4. k= P(X IX Limití věty. 89
8 Příklad 9.4 Do opevěé oblasti protivíka se shodí 00 sérií bomb. Nechť je při jedé sérii středí hodota zásahu rova 2 a středí kvadratická odchylka je,5. Je třeba určit přibližě pravděpodobost toho, že při shozeí 00 sérií do oblasti spade 80 až 220 bomb. Celkový počet zásahů je 00 X = X + X X 00 = X i, kde X i je počet zásahů v i-té sérii. Podmíky cetrálí limití věty jsou splěé, protože veličiy X ; X 2 ;... X 00 mají stejé rozděleí. Počet = 00 budeme považovat za dostatečý pro použití cetrálí limití věty. Pak 00 mx = X i = 200, 00 i= P (80 < X < 220 = Φ i= 00 D i =,5 2 = 225, i= i= ( ( = Φ 0, Marek, J.: Pravděpodobost a matematická statistika 90
procesy 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
Více12. 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
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,
VícePRAVDĚPODOBNOST A STATISTIKA
SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje
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
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
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
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
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,
Víceje číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost
Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet
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
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
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:
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
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
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
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
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
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:
VíceZnegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace:
. cvičeí Příklady a matematickou idukci Dokažte:.! . Návody:. + +. + i i i i + + 4. + + + + + + + + Operace s možiami.
VíceMasarykova univerzita Přírodovědecká fakulta
Masarykova uiverzita Přírodovědecká fakulta Zuzaa Došlá, Vítězslav Novák NEKONEČNÉ ŘADY Bro 00 c Zuzaa Došlá, Vítězslav Novák, Masarykova uiverzita, Bro, 998, 00 ISBN 80-0-949- 3 Kapitola 3 Řady absolutě
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
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
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
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. 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
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
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
VíceUNIVERZITA PALACKÉHO V OLOMOUCI
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Zákoy velkých čísel Vedoucí diplomové práce: prof. RNDr. Ig. Lubomír Kubáček, DrSc.,
VícePřednáška 7, 14. listopadu 2014
Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.
VícePosloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b
Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a
Více(3n + 1) 3n Příklady pro samostatnou práci
... 4. 5. 6. 0 0 0 a q koverguje pro q < geometrická řada diverguje harmoická řada koverguje srovejte s teleskopickou řadou + + utá podmíka kovergece + 4 + + 7 ití srovávací kritérium, srováí s ití podílové
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
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
Vícen-rozměrné normální rozdělení pravděpodobnosti
-rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici
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
VícePravděpodobnost a statistika Výpisky z cvičení Ondřeje Chocholy
Pravděpodobost a statistika Výpisky z cvičeí Odřeje Chocholy Ja Štětia 9. listopadu 9 Cviˇceí 3.9.9 Úloha: Máme 4 kostky. Ω = {a, b, c, d}, Ω = 6 4 A = 6 5 4 3 P(A) = 6 5 4 3 6 4 Naejvýš l kostek: m...
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
Více1 Uzavřená Gaussova rovina a její topologie
1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho
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
Více8. Zákony velkých čísel
8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy
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
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
Více1 Nekonečné řady s nezápornými členy
Nekoečé řady s ezáporými čley Příklad.. Rozhoděte o kovergeci ásledující řady Řešeí. Pro každé N platí Řada tg. tg. diverguje, a proto podle srovávacího kritéria diverguje také řada tg. Příklad.. Určete
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
VíceCvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.
Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu
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
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
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,
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
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
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
VíceMocninné řady - sbírka příkladů
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Mocié řady - sbírka příkladů Vedoucí bakalářské práce: Mgr. Iveta Bebčáková, Ph.D.
VíceDefinice obecné mocniny
Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma
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
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
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
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:
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
VíceŘADY Jiří Bouchala a Petr Vodstrčil
ŘADY Jiří Bouchala a Petr Vodstrčil Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 2. století (reg. č. CZ..07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská Techická
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
VíceNMSA331 Matematická statistika 1
NMSA331 Matematická statistika 1 POZNÁMKY K PŘEDNÁŠCE Naposledy upraveo de 29. prosice 2018. Katedra pravd podobosti a matematické statistiky Matematicko-fysikálí fakulta Uiversity Karlovy Teto učebí text
VíceCvičení 1.1. Dokažte Bernoulliovu nerovnost (1 + x) n 1 + nx, n N, x 2. Platí tato nerovnost obecně pro všechna x R a n N?
1 Prví prosemiář Cvičeí 1.1. Dokažte Beroulliovu erovost (1 + x) 1 + x, N, x. Platí tato erovost obecě pro všecha x R a N? Řešeí: (a) Pokud předpokládáme x 1, pak lze řešit klasickou idukcí. Pro = 1 tvrzeí
VíceNMAF061, ZS Zápočtová písemná práce skupina A 16. listopad dx
NMAF06, ZS 07 08 Zápočtová písemá práce skupia A 6. listopad 07 Jedotlivé kroky při výpočtech stručě, ale co ejpřesěji odůvoděte. Pokud používáte ějaké tvrzeí, ezapomeňte ověřit splěí předpokladů. Jméo
VícePoznÁmky k přednášce
NMSA331 Matematická statistika 1 PozÁmky k předášce Naposledy upraveo de 15. úora 2019. Katedra pravd podobosti a matematické statistiky Matematicko-fysikálí fakulta Uiversity Karlovy Teto učebí text představuje
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
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
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
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
Více1 Trochu o kritériích dělitelnosti
Meu: Úloha č.1 Dělitelost a prvočísla Mirko Rokyta, KMA MFF UK Praha Jaov, 12.10.2013 Růzé dělitelosti, třeba 11 a 7 (aeb Jak zfalšovat rodé číslo). Prvočísla: které je ejlepší, které je ejvětší a jak
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
VíceZS 2018/19 Po 10:40 T5
Cvičeí - Matematická aalýza ZS 08/9 Po 0:40 T5 Cvičeí 008 Řešte erovice v R: 8, log 3 ( 3+3 0 Částečý součet geometrické řady: pro každé q C, q, a N platí 3 Důsledek: +q +q + +q = q+ q si+si+ +si = si
VíceO Jensenově nerovnosti
O Jeseově erovosti Petr Vodstrčil petr.vodstrcil@vsb.cz Katedra aplikovaé matematiky, Fakulta elektrotechiky a iformatiky, Vysoká škola báňská Techická uiverzita Ostrava Ostrava, 28.1. 2019 (ŠKOMAM 2019)
VícePřijímací řízení akademický rok 2013/2014 NavMg. studium Kompletní znění testových otázek matematika a statistika
Přijímcí řízeí kdemický rok /4 NvMg studium Kompletí zěí testových otázek mtemtik sttistik Koš Zěí otázky Odpověď ) Odpověď b) Odpověď c) Odpověď d) Správá odpověď efiičí obor fukce defiové předpisem f
VíceNMAF063 Matematika pro fyziky III Zkoušková písemná práce 17. ledna 2019
Jméo: Příklad 2 3 Celkem bodů Bodů 0 8 2 30 Získáo 0 Uvažujte posloupost distribucí {f } + = D (R defiovaou jako f (x = ( δ x m, kde δ ( x m začí Diracovu distribuci v bodě m Najděte limitu f = lim + f
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
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
Více6. ČÍSELNÉ POSLOUPNOSTI A ŘADY 6.1. ČÍSELNÉ POSLOUPNOSTI
6. ČÍSELNÉ POSLOUPNOSTI A ŘADY 6.. ČÍSELNÉ POSLOUPNOSTI V této kpitole se dozvíte: jk defiujeme posloupost reálých ebo komplexích čísel; defiici vlstí evlstí limity poslouposti; defiici pojmů souvisejících
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
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
VíceSTEJNOMĚRNÁ KONVERGENCE POSLOUPNOSTI A ŘADY FUNKCÍ
STEJNOMĚRNÁ KONVERGENCE Ztím ebylo v těchto textech věováo příliš pozorosti kovergeci fukcí, t jko limit poslouposti ebo součet řdy. Jik byl kovergece poslouposti fukcí ebo řdy brá jko bodová kovergece.
VíceMatematika přehled vzorců pro maturanty (zpracoval T. Jánský) Úpravy výrazů. Binomická věta
Matematika přehled vzorců pro maturaty (zpracoval T. Jáský) Úpravy výrazů a r. a s = a r+s a r = ar s as a r s = a r.s a. b r = a r b r a b r = ar b r a. b a b = a b = a. b ( a) m = a m m a m. = a a k.
Více6.2. ČÍSELNÉ ŘADY. V této kapitole se dozvíte:
6.2. ČÍSELNÉ ŘADY V této kpitole se dozvíte: jk defiujeme číselou řdu; defiici kovergece řdy jejího součtu; jk vypdá ritmetická, geometrická hrmoická řd jk je to s jejich kovergecí; jk zí utá podmík kovergece
VíceDiskrétní matematika
Diskrétí matematika Biárí relace, zobrazeí, Teorie grafů, Teorie pravděpodobosti Diskrétí matematika látka z I semestru iformatiky MFF UK Zpracovali: Odřej Keddie Profat, Ja Zaatar Štětia Obsah Biárí relace2
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
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,
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
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
VíceUžitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové:
Užitečé zdroje příkladů jsou: Materiály ke cvičeím z Kalkulu 3 od Kristýy Kucové: http://www.karli.mff.cui.cz/~kucova/historie8. php K posloupostem řad a fukcí Ilja Čerý: Iteligetí kalkulus. Olie zde:
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
VíceI. TAYLORŮV POLYNOM ( 1
I. TAYLORŮV POLYNOM Připomeňme si defiice elemetárích fukcí: a si( = 2+ = ( (2+! b cos( = 2 = ( (2! c e = =!. Dokažte, že Taylorův polyom k-tého řádu v bodě pro fukce f je rove polyomu P : (tyto výsledky
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
VíceP. Girg. 23. listopadu 2012
Řešeé úlohy z MS - díl prví P. Girg 2. listopadu 202 Výpočet ity poslouposti reálých čísel Věta. O algebře it kovergetích posloupostí.) Necht {a } a {b } jsou kovergetí poslouposti reálých čísel a echt
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
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
VíceKapitola 1. Nekonečné číselné řady. Definice 1.1 Nechť {a n } n=1 je posloupnost reálných čísel. Symbol. a n nebo a 1 + a 2 + a
Kpitol Nekoečé číselé řdy Defiice. Nechť { } je posloupost reálých čísel. Symbol ebo + 2 + 3 +... zýváme ekoečou číselou řdou. s = i= i = + 2 +... + zveme -tý částečý součet řdy {s } posloupost částečých
Více1 Základní pojmy a vlastnosti
Základí pojmy a vlastosti DEFINICE (Trigoometrický polyom a řada). Fukce k = (a cos(x) + b si(x)) se azývá trigoometrický polyom. Řada = (a cos(x) + b si(x)) se azývá trigoometrická řada. TVRZENÍ (Ortogoalita).
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
Více