VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ. N(0, 1) má tzv. standardizované normální rozdělení.
|
|
- Zbyněk Arnošt Kolář
- před 7 lety
- Počet zobrazení:
Transkript
1 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ RNDR. MARIE FORBELSKÁ, PHD. Věta.Mějmenáhodnouveličinusnormálnímrozdělením X N(µ, σ.dálenechť a, b R,b jsoureálnékonstanty.potomnáhodnáveličina,kterájelineárnítransformacípůvodní,máopětnormálnírozdělení,ato Y a+bx N(a+bµ, b σ.speciálně náhodnáveličina U X µ σ N(, má tzv. standardizované normální rozdělení. Důkaz.Hustotanáhodnéveličiny X f X (x πσ e ( x µ σ.inverznítransformaceje tvaru h(y y a aabsolutníhodnotajejíderivacejerovna h (y.pakhustota b b transformované náhodné veličiny Y a+bx f Y (y f ( y a } b X b π b σ exp [y (a+bµ] b σ a odtud plyne tvrzení věty. Věta.Nechťnáhodnývektor X(X, X N (µ,σ mádvourozměrnénormální ( ( µ σ rozdělení s parametry µ aσ ρσ σ µ ρσ σ σ, tj. má hustotu tvaru [ ( ( ]} f (X,X (x, x πσ σ ρ exp x µ ( ρ σ ρ x µ x µ x σ σ + µ σ. Pak náhodná veličina Y X + X má také normální rozdělení a platí Y X + X N(µ + µ, σ+ρσ σ + σ. Důkaz.MějmenáhodnývektorY(Y, Y,kterýjedefinovántakto Vypočtěme inverzní zobrazení Y X + X g (X, X Y X g (X, X. x y y h (y, y x y h (y, y ajakobián J.SdruženáhustotanáhodnéhovektoruY(Y, Y je pak tvaru f (Y,Y (y, y f (X,X (y y, y a odtud pak marginální hustota f Y (y f (X,X (y y, y dy πσ σ ρ [ ( ( exp y y µ ( ρ σ ρ y y µ y µ y σ σ + µ σ ]}dy
2 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ a Mějme substituce f Y (y πσ σ ρ v y µ u y µ µ.pak u v y µ µ y +µ y y µ [ exp σ σ ( ρ σ (u v ρσ σ (u vv+ σ v]} dv. Položme σ σ ρ a.pak f Y (y πa πa exp a (σ σ uv+ σ v ρσ σ uv+ρσ σ v + σ v } dv exp a [(σ +ρσ σ + σ v +σ (σ + ρσ uv+ σ v ] } dv Dálepoložme σ +ρσ σ + σ b a σ (σ + ρσ uc.potom f Y (y πa [ (bv exp a c ( b c ]} + b σ u dv ( } exp σ πa a u c b exp ( } bv c/b dv. a Uvažujmesubstituci w bv c/b a,pak dv a b dwa f Y (y a b ( } πa exp σ a u c b ( } πb exp σ a u c. b π exp w} dw } } Protože σ u c b σ u [σ (σ + ρσ u] σ +ρσ σ + σ σ u (σ +ρσ σ + σ ρσ σ ρ σ σ +ρσ σ + σ a b u, paknáhodnáveličina Y Y máhustotu t.j. ( } f Y (y πb exp u b Tím je věta dokázána. σ u σ u (σ +ρσ σ + ρ σ σ +ρσ σ + σ exp π σ +ρσ σ +σ Y N ( µ + µ, σ +ρσ σ + σ σ σ ( ρ u σ +ρσ σ + σ } (y µ µ σ+ρσ σ + σ
3 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 3 Věta3.Nechť X,..., X n jsounezávislénáhodnéveličinytakové,že X i N(µ i, σi, n i,...,n. Nechť a, a,..., a n R, a i >. Potom náhodná veličina i ( Y a + n a i X i N a + n a i µ i, n a iσi. i Důkaz. Provedeme matematickou indukcí. (Nechť n.pakzpředpokladůvětyje a azvětyplyne,že i i Y a + a X N(a + a µ, a σ. (Nechťtvrzenívětyplatíprolibovolnépřirozené n ax,...,x n+ jsounezávislé náhodné veličiny takové, že Je-li a n+,pakzřejmě Je-li a n+,pak X i N(µ i, σ i, i,..., n+. n+ n+ n+ Y a + a i X i N(a + a i µ i, a i σ i. i Y a + n a i X i i } } Y i i + a n+ X n+ }} Y Y + Y je součtem dvou nezávislých náhodných veličin. Prvnínáhodnáveličina Y mápodleindukčníhopředpokladunormálnírozdělení n n Y N(a + a i µ i, a i σ i i je-lialespoňjednozčísel a,..., a n různéodnuly,vopačnémpřípadějetvrzení zřejmé. Druhánáhodnáveličina Y mápodlevětynormálnírozdělení i Y N(a n+ µ n+, a n+ σ n+. Náhodnývektor(Y, Y vytvořenýzedvounezávislýchnormálníchnáhodnýchveličin má normální rozdělení (Y, Y N (µ,σ, kde tedy µ ( a + n a i µ i, a n+ µ n+ a Σ i ρ. n a iσi i a n+σ n+ Podle věty dostaneme ( n+ n+ Y Y + Y N a + a i µ i, a iσi. i i,
4 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 4 Věta 4.Nechť náhodná veličina U N(,. Potom náhodná veličina K U χ ( má χ rozděleníostupnivolnosti. Důkaz. Označme distribuční funkci náhodné veličiny U jako a hustotu pravděpodobnosti F U (up(u u f U (u π exp u}. Vypočtěme nejprve distribuční funkci náhodné veličiny K y < F K (yp(k yp(u y P( U yf U ( y F U ( y y aodtudpakhustotupravděpodobnosti f K (yf K (y y < f K (y [ fu ( y+f y U ( y ] π y e y Γ( y e y y χ ( Věta5.Nechť K a K jsounezávislénáhodnéveličinya K i χ ( i, i,.pak náhodnáveličina K K + K χ ( + má χ rozdělenío + stupníchvolnosti. Důkaz.Hustotapravděpodobnostináhodnéveličiny K i jerovna x i < f Ki (x i Γ( i i x i i e x i x i MějmenáhodnývektorY(Y, Y,kterýjedefinovántakto Vypočtěme inverzní zobrazení x y y h (y, y x y h (y, y Y K + K g (K, K Y K g (K, K. a jakobián J. SdruženáhustotanáhodnéhovektoruY(Y, Y jepaktvaru f (Y,Y (y, y f (K,K (y y, y f K (y y f K (y aodtudpakmarginálníhustota f Y (y pro y <apro y jerovna f Y (y y f K (y y }} f K ( y }} Γ ( (y y dy + Γ ( ( Γ exp y exp (y y } Γ ( } y (y y y dy y exp y } dy
5 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 5 Zaveďmesubstituci t y y,pak dy y dta f Y (y + Γ ( ( Γ exp y } + y Γ ( exp y } + + y + Položíme-li K Y,pak ( t t dt }} β(, Γ ( Γ( Γ( + f K (y y < + Γ( + e y y + y χ ( +. Věta 6.Nechť U,...,U n jsou nezávislé náhodné veličiny se standardizovaných normálním rozdělením, t.j. U i N(, pro i,...,n. Pak náhodná veličina K n Ui χ (n má χ rozděleníonstupníchvolnosti. i Důkaz.Náhodné veličiny U,...,U n jsou nezávislé a z věty 4 plyne, že U i χ ( pro i,...,n.odtudindukcípomocívěty5ihneddostávámetvrzenívěty. Věta7.Nechťnáhodnéveličiny U N(, a K χ ( jsounezávislé.paknáhodnáveličina T U t( mástudentovorozděleníostupníchvolnosti. K/ Důkaz.Hustotapravděpodobnostináhodnéveličiny Ujerovna f U (u π e u pro u R y < anáhodnéveličiny Kjetvaru f K (x Γ( x e x y. MějmenáhodnývektorY(K, K,kterýjedefinovántakto Y U g (U, K K/ Y K g (U, K. Vypočtěme inverzní zobrazení u y y / h (y, y x y h (y, y, u R x. Jakobián tohoto inverzního zobrazení je roven J y / y y y /. SdruženáhustotanáhodnéhovektoruY(Y, Y jepaktvaru f (Y,Y (y, y f (U,K (y y /, y y / f U (y y /f K (y y /
6 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 6 a odtud dostaneme marginální hustotu f Y (y f Y (y y /f Y (y y /dy π exp } y y + Γ ( ( Γ Γ ( y exp y } y / dy ( } exp y + y y dy ( ( Zaveďmesubstituci t y y + y,pak dy + dta f Y (y + Γ( Γ( + Položíme-li T Y,pak f T (t Γ ( + Γ ( ( Γ ( y + + e t t + dt } } Γ( + (t Γ( ( y + Γ( Γ( + Věta8.Nechť K a K jsounezávislénáhodnéveličinya K i χ ( i, i,.pak náhodnáveličina F K/ K/ F(, máfisher-snedecorovo F rozdělenío a stupních volnosti. Důkaz.Hustotapravděpodobnostináhodnéveličiny K i jerovna x i < f Ki (x i Γ( i i x i i e x i x i MějmenáhodnývektorY(Y, Y,kterýjedefinovántakto Vypočtěme inverzní zobrazení x y y h (y, y x y h (y, y Y K/ K/ g (K, K Y K g (K, K. t(. a jakobián J y SdruženáhustotanáhodnéhovektoruY(Y, Y jepaktvaru y y f (Y,Y (y, y f (K,K (y y, y y y f K (y y f K (y aodtudpakmarginálníhustota f Y (y pro y <apro y jerovna f Y (y Γ( + Γ( Γ( ( ( } y y exp y y ( y exp Γ( y ( } y + y exp y + dy y. } y dy.
7 Zaveďmesubstituci t f Y (y VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ 7 + Γ( Γ( Γ( + Γ( Γ( Položíme-li F Y,pak f F (y ( y + y,pak dy ( y + ( y ( + y +. ( y + dta ( + y + y < ( Γ( + ( Γ( Γ( y + y+ y e t t + dt } } Γ( + F(,. Věta9.Nechťnáhodnývektor X(X,...,X n N n (µ,σ má n rozměrnénormální rozděleníabjeregulárnímaticereálnýchčíseltypu n naa R n.potomnáhodnývektor Ya+BX N n (a+bµ,b ΣB. Důkaz. Hustota pravděpodobnosti náhodného vektoru X je tvaru f X (x(π n Σ exp (X µ Σ (X µ }. InverznítransformacektransformaciYa+BXjerovnaXB (Y a,přičemžjakobiántétoinverznítransformacejeroven J B B.Pakhustotutransformované náhodnéhovektoruya+bxlzevyjádřittakto f Y (yf X (B (Y a B (π n Σ B exp [B (y a µ] Σ [B (y a µ] } (π n B ΣB exp (y a Bµ B ΣB (y a Bµ }. Věta.Nechť X,...,X n jsounezávislénáhodnéveličinytakové,že X i N(µ i, σ, i,...,n.abjeortonormálnímaticetypu n n.položmex(x,...,x n a Y(Y,...,Y n B (X µ,kde µ(µ,...,µ n.potom Y j jsounezávislénáhodné veličinya Y j N(, σ. Důkaz.Protože X,...,X n jsounezávislénáhodnéveličinysrozdělením X i N(µ i, σ,má náhodný vektor X hustotu n [ ( f X (x exp xi µ i } ] } n (π ( n πσ σ exp xi µ i N σ n (µ,σ, i kdeσσ I n.je-libortonormálnímatice(tj.b B,pakzvěty9plyne,ženáhodný vektor i YB (X µ N n (O,B ΣB, přičemž B ΣBσ B Bσ I n s hustotou tvaru n [ ( f Y (Y exp yj } ] n f πσ σ Yj (y j. Odtud plyne tvrzení věty. j j
8 VLASTNOSTI NORMÁLNÍHO ROZDĚLENÍ A ODVOZENÁ ROZDĚLENÍ Hustoty N(µ,σ µ; σ.5 Distribucni funkce N(µ,σ µ; σ µ; σ µ; σ µ3; σ.5 µ5; σ.6.4. µ; σ µ3; σ.5 µ; σ µ5; σ Hustoty χ ( Distribucni funkce χ ( Hustoty 4 t( Distribucni funkce t( Hustoty F(, Distribucni funkce F(,.5 4; 5 4; 5 5;.8.5 5; 3; ; 3 5; 3. 3; Obrázek. Ukázky normálních a odvozených rozdělení.
Výběrové 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
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
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
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
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
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Normální rozdělení a centrální limitní věta Vilém Vychodil KMI/PRAS, Přednáška 9 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 9) Normální rozdělení
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
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
VíceRadka Picková Transformace náhodných veličin
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Radka Picková Transformace náhodných veličin Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: Mgr Zdeněk
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceLIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení
LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení Způsoby statistického šetření Vyčerpávající šetření prošetření všech jednotek statistického souboru (populace) Výběrové šetření ze základního souboru
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VíceIntervalové Odhady Parametrů
Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Více8. Normální rozdělení
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá
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
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
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
Vícepopulace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.
Populace a Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 populace soubor jednotek, o jejichž vlastnostech bychom
VíceZápočtová písemka z Matematiky III (BA04) skupina A
skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Náhodné vektory Vilém Vychodil KMI/PRAS, Přednáška 8 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 8) Náhodné vektory Pravděpodobnost a statistika
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
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Bodové odhady a intervaly spolehlivosti Vilém Vychodil KMI/PRAS, Přednáška 10 Vytvořeno v rámci projektu 963/011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 10) Bodové odhady a intervaly
VíceZÁklady teorie pravděpodobnosti
ZÁklady teorie pravděpodobnosti Pro předmět MatematickÁ statistika 1 Michal Kulich Katedra pravděpodobnosti a matematické statistiky Matematicko-fysikální fakulta University Karlovy Tyto poznámky poskytují
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
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
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
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
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
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
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
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
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
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
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
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.
Více5. T e s t o v á n í h y p o t é z
5. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceTOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 3. PREDNÁŠKA - KOMPAKTNÍ PROSTORY.
TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 3. PREDNÁŠKA - KOMPAKTNÍ PROSTORY. PAVEL RŮŽIČKA 3.1. Kompaktní prostory. Buď (X, τ) topologický prostor a Y X. Řekneme, že A τ je otevřené pokrytí množiny Y, je-li
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
VíceStatistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Teorie odhadu statistická indukce Intervalový odhad µ, σ 2 a π Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika
Více2. LIMITA A SPOJITOST FUNKCE
. LIMITA A SPOJITOST FUNKCE Průvodce studiem Funkce y = je definována pro ( ) (>. Z grafu funkce (obr. 3) a z tabulky (a) je vidět že čím více se hodnoty blíží k -3 tím více se funkční hodnoty blíží ke
VíceMatematicko-fyzikální fakulta Univerzity Karlovy
Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna
VíceZáklady počtu pravděpodobnosti a metod matematické statistiky
Errata ke skriptu Základy počtu pravděpodobnosti a metod matematické statistiky K. Hron a P. Kunderová Autoři prosí čtenáře uvedeného studijního textu, aby případné další odhalené chyby nad rámec tohoto
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceVlastnosti odhadů ukazatelů způsobilosti
Vlastnosti odhadů ukazatelů způsobilosti Jiří Michálek CQR při Ústavu teorie informace a automatizace AV ČR v Praze Úvod Ve výzkumné zprávě č 06 Odhady koeficientů způsobilosti a jejich vlastnosti viz
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 24 Příklad (25 bodů) Spočtěte Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A M x 2 dxdy, kde M = {(x, y) R 2 ;
VíceStochastické diferenciální rovnice
KDM MFF UK, Praha Aplikace matematiky pro učitele 15.11.2011 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto
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
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
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
Více12. prosince n pro n = n = 30 = S X
11 cvičení z PSI 1 prosince 018 111 test střední hodnoty normálního rozdělení při známém rozptylu Teploměrem o jehož chybě předpokládáme že má normální rozdělení se směrodatnou odchylkou σ = 3 jsme provedli
Vícey = 0, ,19716x.
Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceKapitola 8: Dvojný integrál 1/26
Kapitola 8: vojný integrál 1/26 vojný integrál - osnova kapitoly 2/26 dvojný integrál přes obdélník definice výpočet (Fubiniova věta pro obdélník) dvojný integrál přes standardní množinu definice výpočet
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
VíceSyntetická geometrie I
Shodnost Pedagogická fakulta 2018 www.karlin.mff.cuni.cz/~zamboj/ Vzdálenost dvou bodů Definice (Vzdálenost) Necht A, B, C ρ. Vzdálenost dvou bodů A, B v rovině je číslo AB a platí AB 0 AB = 0 A = B AB
VíceÚVOD DO TEORIE ODHADU. Martina Litschmannová
ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePříklady na testy hypotéz o parametrech normálního rozdělení
Příklady na testy hypotéz o parametrech normálního rozdělení. O životnosti 75W žárovky (v hodinách) je známo, že má normální rozdělení s = 5h. Pro náhodný výběr 0 žárovek byla stanovena průměrná životnost
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
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 )
VíceDeskriptivní statistické metody II. Míry polohy Míry variability
Deskriptivní statistické metody II. Míry polohy Míry variability Jana Vránová, 3.lékařská fakulta UK, Praha Náhodný výběr všechny prvky výběru {x i }, i = 1, 2,, n, se chápou jako náhodné veličiny, které
VíceBAKALÁŘSKÁ PRÁCE. Podmíněné hustoty
Univerzita Karlova v Praze Matematicko-fyzikální fakulta BAKALÁŘSKÁ PRÁCE Vladimír Krásný Podmíněné hustoty Katedra pravděpodobnosti a matematické statistiky Vedoucí bakalářské práce: RNDr. Jan Seidler,
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ FACULTY OF MECHANICAL ENGINEERING ÚSTAV MATEMATIKY INSTITUTE OF MATHEMATICS POROVNÁNÍ TESTŮ NULOVOSTI KORELAČNÍHO
VíceSyntetická geometrie I
Shodnost Pedagogická fakulta 2016 www.karlin.mff.cuni.cz/~zamboj/ Vzdálenost dvou bodů Necht A, B, C ρ. Vzdálenost dvou bodů A, B v rovině je číslo AB a platí AB 0 AB = 0 A = B AB = BA pozitivně definitní
Více20. Eukleidovský prostor
20 Eukleidovský prostor V této kapitole budeme pokračovat ve studiu dalších vlastostí afiích prostorů avšak s tím rozdílem že místo obecého vektorového prostoru budeme uvažovat prostor uitárí Proto bude
Vícetatistické rozdelenia
FYZ-230/00 Algoritmy vedeckotechnických výpo tov tatistické rozdelenia 1 Obsah Úvod, vlastnosti rozdelení pravdepodobnosti Rovnomerné rozdelenie Trojuholníkové rozdelenie Binomické rozdelenie Poissonovo
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
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
VícePravdepodobnosť. Rozdelenia pravdepodobnosti
Pravdepodobnosť Rozdelenia pravdepodobnosti Pravdepodobnosť Teória pravdepodobnosti je matematickým základom pre odvodenie štatistických metód. Základné pojmy náhoda náhodný jav náhodná premenná pravdepodobnosť
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
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
Vícepravděpodobnosti, popisné statistiky
8. Modelová rozdělení pravděpodobnosti, popisné statistiky Rozdělení pravděpodobnosti Normální rozdělení jako statistický model Přehled a aplikace modelových rozdělení Popisné statistiky Anotace Klasickým
VícePoznámky k předmětu Aplikovaná statistika, 5.téma
Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceStatistika, Biostatistika pro kombinované studium. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2014/2015 Tutoriál č. 6: ANOVA Jan Kracík jan.kracik@vsb.cz Obsah: Testování hypotéz opakování ANOVA Testování hypotéz (opakování) Testování
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
Více(2) [B] Nechť G je konečná grupa tvořena celočíselnými maticemi roměru 2 2 s operací násobení. Nalezněte všechny takové grupy až na izomorfizmus.
(1 [B] Nechť A : R 6 R 6 je lineární zobrazební takové, že A 26 = I. Najděte lineární prostory V 1, V 2 a V 3 takové, že R 6 = V 1 V 2 V 3 dim V 1 = dim V 2 = dim V 3 AV 1 V 1, AV 2 V 2 a AV 3 V 3 (2 [B]
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
Více1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
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
Více