Spojitá náhodná veličina

Slides:



Advertisements
Podobné prezentace
Základní typy rozdělení pravděpodobnosti diskrétní náhodné veličiny
Advertisements

VÝPOČET OC.
Statistická indukce Teorie odhadu.
Limitní věty.
NORMOVANÉ NORMÁLNÍ ROZDĚLENÍ
Odhady parametrů základního souboru
Získávání informací Získání informací o reálném systému
1 Hodnocení geologických dat pomocí matematické statistiky Petr Čoupek 740/742/ IT spec.
Pravděpodobnost a statistika opakování základních pojmů
Obsah prezentace Náhodná proměnná Rozdělení náhodné proměnné.
Náhodná veličina.
25. října 2004Statistika (D360P03Z) 4. předn.1 Statistika (D360P03Z) akademický rok 2004/2005 doc. RNDr. Karel Zvára, CSc. KPMS MFF UK
také Gaussovo rozdělení (normal or Gaussian distribution)
Matematický aparát v teorii informace Základy teorie pravděpodobnosti
Vybraná rozdělení spojité náhodné veličiny
Generování náhodných veličin (2) Spojitá rozdělení
Nechť (, , P) je pravděpodobnostní prostor:
Aplikovaná statistika
Některá diskrétní a spojitá rozdělení náhodné veličiny.
Diskrétní rozdělení Karel Zvára 1.
Náhodný jev A E na statistickém experimentu E - je určen vybranou množinou výsledků experimentu: výsledku experimentu lze přiřadit číslo, náhodnou proměnnou.
Data s diskrétním rozdělením
Statistická analýza únavových zkoušek
Generování náhodných veličin Diskrétní a spojitá rozdělení Simulační modely ek.procesů 4.přednáška.
Definice stochastického procesu jako funkce 2 proměnných
Matematické metody v ekonomice a řízení II 4. Metoda PERT
Vybraná rozdělení spojité náhodné veličiny
Průměry aritmetický průměr: geometrický průměr: harmonický průměr:
Ekonomické modelování Analýza podnikových procesů Statistická simulace je vhodný nástroj pro analýzu stochastických podnikových procesů (výrobní, obchodní,
Odhad metodou maximální věrohodnost
Experimentální fyzika I. 2
Rozdělení diskrétních veličin. Příklady diskrétních náhodných veličin Pokus jev nastaljev nenastal pnS hod mincírublíc1/2počet hodůpočet rubů celkem narození.
Náhodné výběry a jejich zpracování Motto: Chceme-li vědět, jak chutná víno v sudu, nemusíme vypít celý sud. Stačí jenom malý doušek a víme na čem jsme.
MATEMATICKÁ STATISTIKA
2. Vybrané základní pojmy matematické statistiky
Základy matematické statistiky. Nechť je dána náhodná veličina X (“věk žadatele o hypotéku“) X je definována rozdělením pravděpodobností, s nimiž nastanou.
Distribuční funkce diskrétní náhodná proměnná spojitá náhodná proměnná
(Popis náhodné veličiny)
Molekulová fyzika 3. přednáška „Statistický přístup jako jediná funkční strategie kinetické teorie“
Poissonovo rozdělení diskrétní náhodné veličiny
Úvod do praktické fyziky Seminář pro I.ročník F J. Englich, ZS 2003/04.
Podmíněná pravděpodobnost: Bayesův teorém
Aritmetický průměr - střední hodnota
Inferenční statistika - úvod
Náhodná veličina. Nechť (, , P) je pravděpodobnostní prostor:
1 Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Mgr. Vladimír Mikulík. Slezské gymnázium, Opava, příspěvková organizace. Vzdělávací materiál.
Popisné charakteristiky statistických souborů. ZS - přesné parametry (nelze je měřením zjistit) VS - výběrové charakteristiky (slouží jako odhad skutečných.
POZNÁMKA: Pokud chcete změnit obrázek na tomto snímku, vyberte obrázek a odstraňte ho. Potom klikněte na ikonu Obrázek v zástupném textu a vložte vlastní.
Pravděpodobnost Přednáška č.2. Deterministický a náhodný děj Každý děj probíhá za uskutečnění jistého souboru podmínek Deterministický děj-děj, ve kterém.
STATISTIKA I.. náhodný pokus –neznáme předem výsledek –můžeme libovolněkrát opakovat –př. hod kostkou, vybrání náhodné osoby, … náhodný jev –výsledek.
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) a  x  b distribuční.
Molekulová fyzika 2. Sada pomocných snímků „Teplota“
Simulace podnikových procesů
Některá rozdělení náhodných veličin
Náhodná veličina.
Základy statistické indukce
Induktivní statistika
TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ
Induktivní statistika
Základy zpracování geologických dat Rozdělení pravděpodobnosti
Spojitá a kategoriální data Základní popisné statistiky
Normální (Gaussovo) rozdělení
Statistika a výpočetní technika
Rozdělení pravděpodobnosti
Medián, modus Medián Pro medián náhodné veličiny x platí: Modus
Poissonovo rozdělení diskrétní náhodné veličiny
2. Vybrané základní pojmy matematické statistiky
Induktivní statistika
Základy statistiky.
Distribuční funkce diskrétní náhodná proměnná spojitá náhodná proměnná
Transkript prezentace:

Spojitá náhodná veličina Přednáška 3

Distribuční funkce(opakování) Vlastnosti 1) 2) 3) Pro diskrétní NV

Distribuční funkce spojité NV Distribuční fce spojité NV kde f(x) je nezáporná reálná funkce, pro kterou platí (zákon rozdělení spojité NV) Funkce f(x) se nazývá hustota pravděpodobnosti náhodné veličiny X

představa Zákon rozdělení : Plocha pod funkcí f musí být rovna 1 Distribuční fce: Plocha pod fcí f od mínus nekonečna až do x

Vlastnosti Jak spočítat pravděpodobnost, že NV nabude hodnoty z nějakého intervalu pomocí hustoty? Jaká je pravděpodobnost, že spojitá NV nabude jedné konkrétní hodnoty? Dá se hustota určit z distribuční funkce?

Příklad Fce f je definovaná f(x)=ax, pro 0<x<1 a f(x)=0 pro ostatní x z R. A) určete konstantu a,aby se jednalo o hustotu pravděpodobnosti NV B) určete distribuční funkce této NV C) vypočtěte pravděpodobnost, že NV nabude hodnoty z intervalu (1/3,2/3)

Řešení Ad A) zákon rozdělení spojité NV Ad B)

Řešení Ad C) nebo

Modus a kvantily Modus (nejpravděpodobnější hodnota) Takové x, pro které f(x) nabývá svého maxima nebo kde F(x) má nejstrmější růst p% kvantil

příklad Spojitá NV má hustotu pravděpodobnosti Určete p% kvantil. distribuční funkce

Charakteristiky spojitých NV Obecné momenty- k-tý obecný moment Střední hodnota-první obecný moment Druhý obecný moment

Vlastnosti střední hodnoty 1) E(c)=c…….c..konstanta 2) E(cX)=cEX 3) E(X+c)=E(X)+c 4) E(y(x))

Centrované momenty k-tý centrovaný moment První centrovaný moment Druhý centrovaný moment Směrodatná odchylka

Vlastnosti druhého centrovaného momentu 1) 2) 3) 4)

Příklad Fce f je definovaná f(x)=2x, pro 0<x<1 a f(x)=0 pro ostatní x z R. Spočtěte E(X), E(X2) a D(X).

Rovnoměrné rozdělení R(α, β) Řídí se jím chyba při zaokrouhlování, doba čekání na uskutečnění jevu, který se opakuje v pravidelných intervalech(délka intervalu β– α) Hustota pravděpodobnosti Distribuční funkce

Vlastnosti rovnoměrného rozdělení Graf hustoty Graf distribuční funkce

Příklad 1 Autobusy přijíždějí v pětiminutových intervalech. Cestující může přijít v kterémkoli okamžiku. Jaká je očekávaná doba čekání a jaká je směrodatná odchylka doby čekání na odjezd ze stanice?

Příklad 2 Prodejna očekává dodávku nového zboží určitý den od 8 do 10 hodin. Uskutečnění je stejně možné kdykoli v tomto intervalu. Jaká je pravděpodobnost, že zboží bude dodáno v době od půl desáté do 8:45? Dvě hodiny čekání

Normální (Gaussovo) rozdělení Zákon chyb Hustota-Gaussova křivka Pro určení hodnot distribuční funkce užíváme tabulky pro normované proměnné

Normovaná proměnná Značení U Normovaná proměnná U má nulovou střední hodnotu a jednotkový rozptyl X……N(μ,σ2), pak U=(X- μ)/ σ…..N(0,1)

Normované normální rozdělení N(0,1) Distribuční funkce normovaného normálního rozdělení

Tabulky N(0,1) http://fse.ujep.cz/~simsova/statII_ink.php Hodnoty distribuční funkce normovaného normálního rozdělení, Φ(u)=P(U<u)   u Φ (u) 0,00 0,50000 0,40 0,65542 0,80 0,78814 1,20 0,88493 1,60 0,94520 2,00 0,97725 0,01 0,50399 0,41 0,65910 0,81 0,79103 1,21 0,88686 1,61 0,94630 2,01 0,97778 0,02 0,50798 0,42 0,66276 0,82 0,79389 1,22 0,88877 1,62 0,94738 2,02 0,97831 0,03 0,51197 0,43 0,66640 0,83 0,79673 1,23 0,89065 1,63 0,94845 2,03 0,97882 0,04 0,51595 0,44 0,67003 0,84 0,79955 1,24 0,89251 1,64 0,94950 2,04 0,97932 0,05 0,51994 0,45 0,67364 0,85 0,80234 1,25 0,89435 1,65 0,95053 2,05 0,97982 0,06 0,52392 0,46 0,67724 0,86 0,80511 1,26 0,89617 1,66 0,95154 2,06 0,98030 0,07 0,52790 0,47 0,68082 0,87 0,80785 1,27 0,89796 1,67 0,95254 2,07 0,98077 0,08 0,53188 0,48 0,68439 0,88 0,81057 1,28 0,89973 1,68 0,95352 2,08 0,98124 0,09 0,53586 0,49 0,68793 0,89 0,81327 1,29 0,90147 1,69 0,95449 2,09 0,98169 0,10 0,53983 0,50 0,69146 0,90 0,81594 1,30 0,90320 1,70 0,95543 2,10 0,98214 0,11 0,54380 0,51 0,69497 0,91 0,81859 1,31 0,90490 1,71 0,95637 2,11 0,98257 0,12 0,54776 0,52 0,69847 0,92 0,82121 1,32 0,90658 1,72 0,95728 2,12 0,98300 0,13 0,55172 0,53 0,70194 0,93 0,82381 1,33 0,90824 1,73 0,95818 2,13 0,98341 0,14 0,55567 0,54 0,70540 0,94 0,82639 1,34 0,90988 1,74 0,95907 2,14 0,98382

Příklady Jaká je pravděpodobnost, že náhodná veličina X, která má rozdělení N(20,16) nabude hodnoty: A) nejvýše 16 B) více než 20 C) více než 12 a méně než 28

Příklady Náhodná veličina X, představující chybu měření, má rozdělení N(0,2;0,64)Vypočtěte A) pravděpodobnost, že |X|<1

Příklady B) horní hranici chyby měření, které se můžeme dopustit s pravděpodobností 95%

Exponenciální rozdělení E(α,δ) Teorie spolehlivosti a životnosti, teorie hromadné obsluhy NV X……čas, během níž nastane sledovaný jev α >=0……počáteční doba, během níž jev nemůže nastat

Exponenciální rozdělení E(α,δ) Hustota Distribuční funkce

Příklady Časový interval mezi jednotlivými pracovními úrazy v určitém závodě má exponenciální rozdělení. Bylo zjištěno, že střední délka uvažovaného intervalu je 8 pracovních dní a úrazy mohou nastat kdykoli. Jaká je pravděpodobnost, že časový interval mezi příštími dvěma pracovními úrazy bude: A) kratší než 8 dní B) delší než 8 pracovních dní C) v mezích od 6 do 10 pracovních dní

řešení Parametry , Ad A) Ad B) Ad C)

Zákon velkých čísel NV……..teoretické rozdělení+ teoretické charakteristiky Nezávislé opakování pokusu…..rozdělení relativních četností+ jejich charakteristiky(empirické rozdělení) ZVČ- při dodržení jistých podmínek se blíží empirické rozdělení k teoretickému rozdělení(teoretickým charakteristikám) tím více, čím více je pokusů Ale přibližování empirických a teoretických hodnot nemá charakter matematické konvergence, ale pravděpodobnostní konvergence

Pravděpodobnostní konvergence Při vzrůstajícím počtu pokusů se pravděpodobnost větších odchylek empirických a teoretických hodnot stále zmenšuje Posloupnost náhodných veličin X1, X2,…. Xn, značení

Bernoulliho věta Posloupnost vzájemně nezávislých náhodných veličin X1, X2,…. Xn, Každá má počet nastoupení určitého jevu A v n nezávislých opakováních pokusu pravděpodobnost, že tento jev v jednom pokusu nastane. Pak Roste-li počet opakování pokusu, pak relativní četnost v posloupnosti nezávislých pokusů pravděpodobnostně konverguje k

Relativní četnost počtu padlých šestek na kostce

Čebyševova věta Posloupnost vzájemně nezávislých náhodných veličin X1, X2,…. Xn, s konečnými středními hodnotami E(X1),E( X2),….E( Xn,) a shora omezenými rozptyly D(X1)<c ,D( X2)<c,….D( Xn,)<c, c>0 Aritmetický průměr NV pravděpodobnostně konverguje k průměru středních hodnot Pokud pak Střední hodnotu můžeme odhadovat průměrem pro velká n

Průměry počtu padlých bodů na kostce

Centrální limitní věta Posloupnost vzájemně nezávislých náhodných veličin X1, X2,…. Xn, nebo má přibližně normální rozdělení

Moivreova-Laplaceova věta Posloupnost vzájemně nezávislých náhodných veličin X1, X2,…. Xn, Každá má má Pak pro normovanou veličinu Platí Při dostatečně velkém počtu nezávislých pokusů konverguje binomické rozdělení k normálnímu rozdělení

Příklad Pravděpodobnost, že výrobek jistého typu zakoupený v určité prodejně bude reklamován je 0,05. Jaká je pravděpodobnost, že ze 300 prodaných výrobků jich bude reklamováno nejvýše 20?

řešení předpoklad

Zápočtový test 4 příklady každý za 5 bodů Test splněn, když více než 10 bodů První příklad: popisná statistika Druhý příklad: pravděpodobnost (podmíněná pravděpodobnost, prav.sjednocení, průniku, nezávislé jevy, neslučitelné jevy, úplná pravděpodobnost, Bayesova věta) Třetí příklad: diskrétní veličina (binomické, Poissonovo, hypergeometrické rozdělení) Čtvrtý příklad: spojitá veličina (rovnoměrné, normální, exponenciální rozdělení)