Náhodný jev, náhodná proměnná

Slides:



Advertisements
Podobné prezentace
Náhodný jev A E na statistickém experimentu E - je určen vybranou množinou výsledků experimentu: výsledku experimentu lze přiřadit číslo, náhodnou proměnnou.
Advertisements

Poissonovo rozdělení diskrétní náhodné veličiny
Strategické otázky výzkumníka 1.Jaký typ výzkumu zvolit? 2.Na jakém vzorku bude výzkum probíhat? 3.Jaké výzkumné metody a techniky uplatnit?
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ.
© Institut biostatistiky a analýz SPEKTRÁLNÍ ANALÝZA Č ASOVÝCH Ř AD prof. Ing. Jiří Holčík, CSc.
Základy zpracování geologických dat Rozdělení pravděpodobnosti R. Čopjaková.
Náhodné signály Honza Černocký, ÚPGM. Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu 2 } Můžeme vypočítat Málo.
Funkce Lineární funkce a její vlastnosti 2. Funkce − definice Funkce je předpis, který každému číslu z definičního oboru, který je podmnožinou množiny.
Úvod do práce v laboratoři Zdeněk Bochníček. Literatura: PÁNEK, Petr. Úvod do fyzikálních měření. Brno: skripta PřF MU, 2001 HORÁK, Zdeněk. Praktická.
ČÍSLO PROJEKTUCZ.1.07/1.5.00/ ČÍSLO MATERIÁLUDUM 7 – Lineární rovnice – teorie NÁZEV ŠKOLY Střední škola a Vyšší odborná škola cestovního ruchu,
9. SEMINÁŘ INDUKTIVNÍ STATISTIKA 2. TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ.
Induktivní statistika
POČET PRAVDĚPODOBNOSTI
Testování hypotéz Testování hypotéz o rozdílu průměrů
Náhodná veličina je veličina, která při opakování náhodného pokusu mění své hodnoty v závislosti na náhodě Náhodné veličiny označujeme X, Y, Z, ... hodnoty.
Jak modelovat výsledky náh. pokusů?
Interpolace funkčních závislostí
„VĚDA JE, DÁVÁ SPRÁVNÉ ÚDAJE, NEKLESEJTE NA MYSLI, ONA VÁM TO VYČÍSLÍ“
Dobývání znalostí z databází základy statistiky
Matematika 3 – Statistika Kapitola 4: Diskrétní náhodná veličina
Řešení nerovnic Lineární nerovnice
MATEMATIKA Obsah přednášky. Opakování, motivační příklady Funkce.
ČÍSLO PROJEKTU CZ.1.07/1.5.00/ ČÍSLO MATERIÁLU 1 – Množiny – teorie
„Svět se skládá z atomů“
Charakteristiky variability
Výběrové metody (Výběrová šetření)
Operační výzkum Lineární programování – cvičení
Vybraná rozdělení pravděpodobnosti
SIMULAČNÍ MODELY.
Základy statistické indukce
Molekulová fyzika 3. prezentace.
Rovnice a nerovnice Lineární nerovnice Mgr. Jakub Němec
Parametry polohy Modus Medián
GENEROVÁNÍ HODNOT NÁHODNÝCH VELICIN PSEUDONÁHODNÁ ČÍSLA
Číslo projektu CZ.1.07/1.5.00/ Číslo materiálu
APLIKACE MATEMATIKY A FYZIKY A Matematická část 2
Kvadratické nerovnice
NOMINÁLNÍ VELIČINY Odhad hodnoty pravděpodobnosti určitého jevu v základním souboru Test hodnoty pravděpodobnosti určitého jevu v základním souboru Srovnání.
Lineární funkce.
V.a1 Teoretické pozadí statistické analýzy
Řešení nerovnic Lineární nerovnice
BIBS Informatika pro ekonomy přednáška 2
8.1.3 Lineární obal konečné množiny vektorů
Spojité VELIČINY Vyšetřování normality dat
Rovnice základní pojmy.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Pravděpodobnost a statistika
Rovnice s absolutními hodnotami
MATEMATIKA Obsah přednášky. Opakování, motivační příklady Funkce.
Jevy a náhodná veličina
STATISTIKA Exaktní věda Úkoly statistiky zjišťovat data
XII. Binomické rozložení
Metody sociálního výzkumu 6. blok
Základní statistické pojmy
Úvod do praktické fyziky
Teorie chyb a vyrovnávací počet 1
Fitování Konstrukce křivky (funkce), která co nejlépe odpovídá naměřeným hodnotám. - může podléhat dodatečným podmínkám Lineární vs. nelineární regrese.
TŘÍDĚNÍ DAT je základní způsob zpracování dat.
Kvantová fyzika: Vlny a částice Atomy Pevné látky Jaderná fyzika.
Cauchyho rozdělení spojité náhodné veličiny
Náhodný proces Funkce f(t), kde f(t) je náhodná veličina.
Příklad 4.1 M\DG ∑
Běžná pravděpodobnostní rozdělení
Fitování Konstrukce křivky (funkce), která co nejlépe odpovídá naměřeným hodnotám. - může podléhat dodatečným podmínkám Lineární vs. nelineární regrese.
Poissonovo rozdělení diskrétní náhodné veličiny
Centrální limitní věta
Více náhodných veličin
Funkce Pojem funkce Dostupné z Metodického portálu ISSN: , financovaného z ESF a státního rozpočtu ČR. Provozováno Výzkumným ústavem.
V praxi je výhodné znát základní typy rozdělení náhodných veličin.
Pravděpodobnost a matematická statistika I.
Transkript prezentace:

Náhodný jev, náhodná proměnná náhodný jev AE na statistickém experimentu E - je určen vybranou množinou výsledků experimentu: výsledku experimentu lze přiřadit číslo, náhodnou proměnnou xE - př. hrací kostka: experiment typu náhodný výběr, N je konečná - každý z výsledků experimentu je stejně pravděpodobný pravděpodobnost jevu AE na experimentu N:

Nezávislé experimenty, pravděpodobnost experiment E jako spojení experimentů Ei, pro nezávislé Ei jsou nezávislé i pravděpodobnosti jevů na nich nezávislé opakování experimentu: relativní četnost jevu A: Klasická definice pravděpodobnosti:

Rozdělení pravděpodobnosti diskrétní náhodná proměnná Rozdělení pravděpodobnosti udává pravděpodobnost pi, že nastane výsledek xi Normalizační podmínka: Pravděpodobnost, že náhodná proměnná X bude nalezena v intervalu (0, x) konečná nekonečná konečná nekonečná F ... distribuční funkce

Rovnoměrné rozdělení diskrétní náhodné veličiny experiment typu náhodný výběr (každý jednotlivý výsledek je stejně pravděpodobný) s množinou výsledků: Rovnoměrné rozdělení pravděpodobnosti je dáno podmínkou: normovací podmínka: obecně pro interval : distribuční funkce:

Momenty operátor střední (očekávané) hodnoty n-tý moment: n-tý centrální moment: 1. centrální moment 2. centrální moment - disperze, rozptyl, variance standardní odchylka:

Binomické rozdělení diskrétní náhodné veličiny Pravděpodobnost jevu A na experimentu E je p. S jakou pravděpodobností se při n-násobném opakování experimentu jev A realizuje k-krát? normovací podmínka: střední hodnota: disperze:

Binomické rozdělení diskrétní náhodné veličiny příklad: p = 0,5 (např. házení mincí) n = 10: - stř. hodnota: E = 5 - disperze: V = 2,5 n = 20: - stř. hodnota: E = 10 - disperze: V = 5 n = 30: - stř. hodnota: E = 15 - disperze: V = 7,5

Poissonovo rozdělení diskrétní náhodné veličiny Studujeme jev A s pravděpodobností p a rozdělením B(n, p). Co se stane, když: Potom pravděpodobnost, že se A realizuje k-krát, lze vyjádřit: normovací podmínka: střední hodnota: disperze:

Poissonovo rozdělení diskrétní náhodné veličiny příklad: m = 5: - stř. hodnota: E = 5 - disperze: V = 5 m = 10: - stř. hodnota: E = 10 - disperze: V = 10 m = 15: - stř. hodnota: E = 15 - disperze: V = 15

Poissonovo rozdělení diskrétní náhodné veličiny srovnání binomické n.p = 5 Poissonovo m = 5