, 1. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv

Podobné dokumenty
10. 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.

, 4. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

10. cvičení - LS 2017

4. Určete definiční obor elementární funkce g, jestliže g je definována předpisem

Příklad 1. Řešení 1a Máme vyšetřit lichost či sudost funkce ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 3

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

Příklad 1 ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 6

Mocninná funkce: Příklad 1

Zápočtová písemka z Matematiky III (BA04) skupina A

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

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

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

. je zlomkem. Ten je smysluplný pro jakýkoli jmenovatel různý od nuly. Musí tedy platit = 0

Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

prosince oboustranný symetrický 95% interval spolehlivosti pro střední hodnotu životnosti τ. X i. X = 1 n.. Podle CLV má veličina

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Definice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně

Základy teorie pravděpodobnosti

{ } Ox ( 0) 4.2. Konvexnost, konkávnost, inflexe. Definice Obr. 52. Poznámka. nad tečnou

Statistika II. Jiří Neubauer

Pravděpodobnost a aplikovaná statistika

AVDAT Náhodný vektor, mnohorozměrné rozdělení

Definice spojité náhodné veličiny zjednodušená verze

NMAF 051, ZS Zkoušková písemná práce 26. ledna x. x 1 + x dx. q 1. u = x = 1 u2. = 1 u. u 2 (1 + u 2 ) (1 u 2 du = 2.

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení

Přijímací zkouška na navazující magisterské studium 2014

Vzorová písemka č. 1 (rok 2015/2016) - řešení

Inovace bakalářského studijního oboru Aplikovaná chemie

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.

Algebraické rovnice. Obsah. Aplikovaná matematika I. Ohraničenost kořenů a jejich. Aproximace kořenů metodou půlení intervalu.

1. Funkce dvou a více proměnných. Úvod, limita a spojitost. Definiční obor, obor hodnot a vrstevnice grafu

Výběrové charakteristiky a jejich rozdělení

Diferenciální počet funkcí jedné proměnné

Náhodná veličina a rozdělení pravděpodobnosti

Řešení. Označme po řadě F (z) Odtud plyne, že

Aplikace derivace a průběh funkce

8 Střední hodnota a rozptyl

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

Funkce a lineární funkce pro studijní obory

NÁHODNÁ VELIČINA. 3. cvičení

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad.

Algebraické výrazy-ii

Matematika I (KX001) Užití derivace v geometrii, ve fyzice 3. října f (x 0 ) (x x 0) Je-li f (x 0 ) = 0, tečna: x = 3, normála: y = 0

Pravděpodobnost a statistika I KMA/K413

Monotonie a lokální extrémy. Konvexnost, konkávnost a inflexní body. 266 I. Diferenciální počet funkcí jedné proměnné

Řešení 1a Budeme provádět úpravu rozšířením směřující k odstranění odmocniny v čitateli. =lim = 0

NÁHODNÁ VELIČINA. Podle typu výběrového prostoru rozlišujeme dva základní druhy NV Diskrétní (nespojitou) náhodnou veličinu Spojitou náhodnou veličinu

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

2. spojitost (7. cvičení) 3. sudost/lichost, periodicita (3. cvičení) 4. první derivace, stacionární body, intervaly monotonie (10.

I. D i s k r é t n í r o z d ě l e n í

NMAF 051, ZS Zkoušková písemná práce 16. ledna 2009

NMAF 051, ZS Zkoušková písemná práce 17. února ( sin (π 2 arctann) lim + 3. n 2. π 2arctan n. = lim + 3.

Derivace a monotónnost funkce

p(x) = P (X = x), x R,

Minikurz aplikované statistiky. Minikurz aplikované statistiky p.1

Matematika II, úroveň A ukázkový test č. 1 (2016) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené

Cvičení ze statistiky - 5. Filip Děchtěrenko

2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz).

Úvodní informace. 17. února 2018

2 Fyzikální aplikace. Předpokládejme, že f (x 0 ) existuje. Je-li f (x 0 ) vlastní, pak rovnice tečny ke grafu funkce f v bodě [x 0, f(x 0 )] je

f konverguje a g je omezená v (a, b), pak také konverguje integrál b a fg. Dirichletovo kritérium. Necht < a < b +, necht f : [a, b) R je funkce

Odhady - Sdružené rozdělení pravděpodobnosti

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce

oddělení Inteligentní Datové Analýzy (IDA)

NMAF 051, ZS Zkoušková písemná práce 4. února 2009

Náhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek

Náhodné (statistické) chyby přímých měření

Funkce - pro třídu 1EB

Diferenciální počet - II. část (Taylorův polynom, L Hospitalovo pravidlo, extrémy

Příklad 1. Řešení 1a. Řešení 1b ŘEŠENÉ PŘÍKLADY Z M1B ČÁST 5

Poznámky k předmětu Aplikovaná statistika, 4. téma

Určete (v závislosti na parametru), zda daný integrál konverguje, respektive zda konverguje. dx = t 1/α 1 dt. sin x α dx =

Matematika II, úroveň A ukázkový test č. 1 (2017) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené

rovnic), Definice y + p(x)y = q(x), Je-li q(x) = 0 na M, nazývá se y + p(x)y =

LIMITA FUNKCE, SPOJITOST FUNKCE

10. N á h o d n ý v e k t o r

( + ) ( ) f x x f x. x bude zmenšovat nekonečně přesný. = derivace funkce f v bodě x. nazýváme ji derivací funkce f v bodě x. - náš základní zápis

Náhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost

1.1 Existence a jednoznačnost řešení. Příklad 1.1: [M2-P1] diferenciální rovnice (DR) řádu n: speciálně nás budou zajímat rovnice typu

13. cvičení z PSI ledna 2017

verze 1.4 Ekvivalentní podmínkou pro stacionární bod je, že totální diferenciál je nulový

Matematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a

Vypracoval: Mgr. Lukáš Bičík TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY

Náhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která

Funkce dvou a více proměnných

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!

sin(x) x lim. pomocí mocninné řady pro funkci sin(x) se středem x 0 = 0. Víme, že ( ) k=0 e x2 dx.

Pavlína Matysová. 5. listopadu 2018

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

MATEMATIKA III V PŘÍKLADECH

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

Téma 22. Ondřej Nývlt

Funkce pro studijní obory

Univerzita Karlova v Praze Pedagogická fakulta

Poznámky k předmětu Aplikovaná statistika, 4. téma

Nejčastějšími funkcemi, s kterými se setkáváme v matematice i v jejích aplikacích, jsou

Příklad 1 ŘEŠENÉ PŘÍKLADY Z M1B ČÁST 2. Určete a načrtněte definiční obory funkcí více proměnných: a) (, ) = b) (, ) = 3. c) (, ) = d) (, ) =

Konvexnost, konkávnost

Diskrétní matematika. DiM /01, zimní semestr 2016/2017

Transkript:

42206, skupina (6:5-7:45) Jméno: Zápočtový test z PSI Nezapomeňte podepsat VŠECHNY papíry, které odevzdáváte Škrtejte zřetelně a stejně zřetelně pište i věci, které platí Co je škrtnuto, nebude bráno v úvahu a naopak Jestliže něčemu nerozumíte, zeptejte se Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet Výsledek bez uvedení jakéhokoliv postup či výpočtu není akceptován Abyste uspěli v testu, potřebujete získat alespoň 5 bodů () (0 bodů) V krabicije 9 novýcha6použitýchtenisových míčkůproprvní hru se náhodněvyberou míčky, které se po skončení hry zase vrátí do krabice Pro druhou hru se znovu náhodně vyberou opět míčky Určete pravděpodobnost toho, že všechny tři míčky, použité při druhé hře, jsou nové Pro i = 0,,2, si označme jevy: A i = pro první hru bylo vybráno i nových a i použitých míčku, B = pro druhou hru byly vybrány nové míčky Víme, že A 0, A, A 2 a A je úplný disjunktní systém jevů Z věty o úplné pravděpodobnosti máme P(B) = P(B A i ) P(A i ) Zbývá určit potřebné pravděpodobnosti: ) 6 ) P(B A i ) = ) a P(A i ) = i) ( i ( 5 Takže P(B A 0 ) P(A 0 ) = 0) ( 8 P(B A ) P(A ) = ) 2) ( 7 P(B A 2 ) P(A 2 ) = 2) ) P(B A ) P(A ) = 0) Nebo také lze postupovat takto: i ( 5 i= ( 5 ) 2 = 9! ( )! 6! 6!!!! 2 = 9! 5 4! ( 5 ) 2 = 8! ( )! 5! 9 6! 2! 4!! 2 = 9! 5 4 4 ( 5 ) 2 = 7! ( )! 4! 9! 2! 7! 6! 2 = 9! 5 4 4 ( 5 ) 2 = 6! ( )!! 9!! 6!! 2 = 9! 5 4! i = 0: Z 5 míčků (9 nových, 6 starých) vybíráme postupně staré, tedy P(A 0 ) = 6 9+6 5 9+5 4 9+4 = 6 5 4 5 4 = 00496 (5 4 2 (5 4 2 (5 4 2 (5 4 2 a podobně pravděpodobnost P(B A 0 ) určíme tak, že následně z 5 míčků (stále 9 nových, 6 starých) vybíráme P(B A 0 ) = 9 9+6 8 8+6 7 7+6 = 9 8 7 = 08462 5 4 i = : Podobně z 5 míčků (9 nových, 6 starých) vybíráme postupně nový a 2 staré Tedy možnosti jsou (starý, nový, nový) nebo (nový, starý, nový) nebo (nový, nový, starý) Všechny tyto možnosti mají stejnou pravděpodobnost, takže P(A ) = 9 6 5 5 4 = 02967

a podobně pravděpodobnost P(B A ) určíme tak, že následně z 5 míčků (nyní 8 nových, 7 starých) vybíráme P(B A ) = 8 7 6 = 0208 5 4 i = 2: Z 5 míčků (9 nových, 6 starých) vybíráme postupně 2 nové a starý Tedy možnosti jsou (nový, starý, starý) nebo (starý, nový, starý) nebo (starý, starý, nový) Všechny tyto možnosti mají stejnou pravděpodobnost, takže 9 8 6 P(A 2 ) = = 04747 5 4 a podobně pravděpodobnost P(B A ) určíme tak, že následně z 5 míčků (nyní 7 nových, 8 starých) vybíráme P(B A ) = 7 6 5 = 007692 5 4 i = : Z 5 míčků (9 nových, 6 starých) vybíráme postupně nové Takže P(A ) = 9 8 7 = 08462 5 4 a podobně pravděpodobnost P(B A ) určíme tak, že následně z 5 míčků (nyní 6 nových, 9 starých) vybíráme P(B A ) = 6 5 4 = 00496 5 4 a Speciálně vidíme, že Takže po dosazení: P(B A 0 ) P(A 0 ) = P(B A ) P(A ) P(B A ) P(A ) = P(B A 2 ) P(A 2 ) P(B) = 9! ( P(B A i ) P(A i ) = 2 (5 4 2 6 + ) = 4 i= = 8 2 5 7 2 = 528 = 008926 595 Pravděpodobnost je tak asi 8926% (2) (0 bodů) Distribuční funkce spojite náhodné veličiny X má tvar: 0, t < F X (t) = a+b arcsin(t), t,, t > (i) Určete konstanty a, b tak, aby F X byla skutečně distribuční funkcí a načrtněte její graf Dále určete E(X) a P ( 2 X < (ii) Určete distribuční funkci F Y veličiny Y = X 2 (i) Ze spojitosti F X musí být 0 = a+b arcsin( ) = a π 2 b

= a+b arcsin() = a+ π 2 b takže a = 2 a b = π Distibuční funkce pak má tvar 0, t < F X (t) = 2 + π arcsin(t), t,, t > s grafem F X (t) + t Protože hustota veličiny, tj derivace { f X (t) = F X (t) = π t, t (,) 2 0, jinak je sudá funkce (nebo také proto, že F X je středově souměrná podle středu ( 0, 2) ), je střední hodnota (pokud existuje) nutně nulová Existence je ovšem vidět ihned z předpisů distribuční funkce - X je omezená (přesněji, hodnoty X, co padnou mimo interval, nejsou podstatné) Tedy skutečně je E(X) = 0 Názornější zdůvodnění je i to, že střední hodnota představuje příslušné (žluté) plochy, které jsou vymezené grafem funkce F X Tyto plochy jsou jsou shodné (omezené) a při výpočtu se berou s opačnými znaménky Střední hodnotu lze ovšem snadno spočítat i přímo pomocí hustoty pravděpodobnosti E(X) = t f X (t) dt = t π dt = [ ] t= t 2 t 2 π = 0 t= A konečně, díky sudosti hustoty (případně díky zmíněné středové symetričnosti F X ) je ( ) ( ) ( P 2 X < = 2 P 2 X < ( ) ) = 2 F X ( F X /2 = ( = 2 2 π arcsin( /2 )) ( = 2 2 π π ) 6 (ii) Pro distribuční funkci F Y máme F Y (s) = P(Y s) = P(X 2 s) = P(X 2 s+) = 2 Pro s+ < 0 je tedy zřejmě F Y (s) = 0 Pro s+ 0 pak můžeme dále pokračovat ( ) ( F Y (s) = = P X 2 s+ = P X ) ( s+ = P s+ X ) s+ = ( s+ ) = F X F X ( ) ( s+ ) s+ = 2 F X

Poslednírovnostplyne z toho, žepokud je F X středověsymetrickápodle (0,/2)(neboli funkce F X 2 je lichá), pak pro všechna t R platí F X( t) + F X (t) = (stejná vlastnost se používá často u normovaného normálního rozdělení) Ted už stačí jen dosadit do předpisu F X, čímž dostaneme 0, s < 2 F Y (s) = π arcsin( s+), s,0, s > 0 ( (0 bodů) Dvě diskrétní náhodné veličiny X, Y mají pravděpodobnostní funkce dané tabulkou Odhadněte koeficient c směsi Z = Mix c (X,Y) z četností jejích realizací uvedených v tabulce hodnota 2 4 p X 0 02 02 05 p Y 05 02 02 0 četnost 0 20 5 5 Z definice směsi máme pro parametr c nutnou podmínku 0 c Metoda momentů: Z definice směsi Z = Mix c (X,Y) dostaneme Pro střední hodnoty X a Y máme Takže dostaneme Hodnota realizace výběrového průměru je Jejich srovnáním dostáváme takže výsledek je E(Z) = c E(X)+( c) E(Y) E(X) = 0+2 02+ 02+4 05 = E(Y) = 05+2 02+ 02+4 0 = 9 E(Z) = c E(X)+( c) E(Y) = 9+2 c z = 0+2 20+ 5+4 5 00 9+2 c = E(Z) = z = 255 c = = 0547 24 = 5 20 = 255 Metoda maximální věrohodnosti: Z definice Z = Mix c (X,Y) pro pravděpodobnostní funkci dostaneme p Z = c p X +( c) p Y hodnota 2 4 p Z 05 04c 02 02 0+04c

Pro funkci věrohodnosti pak máme L(c) = (05 04 c) 0 02 20+5 (0+04 c) 5 Funkce L je nezáporná a spojitá na uzavřené množině 0,, takže zde nabývá maxima To odpovídá hledání maxima funkce Derivace je nulová ve stacionárním bodě l(c) = lnl(c) = 0 ln ( 05 04c ) +5 ln02+5 ln ( 0+04c ) 0 = l (c) = 0 04 05 04c + 5 04 0+04c = 58 04c (05 04c)(0+04c) c = 29 = 05577 52 V intervalu ( 0, 52) 29 je l evidentně kladná (o znaménku rozhoduje jen výraz v čitateli, výraz ve jmenovateli je kladný) a v intervalu ( 29 52,) je l zase záporná Takže v bodě c = 29 52 = 05577 je skutečně věrohodnost maximální