Matematika 4B - Katedra matematiky FEL ČVUT

More documents

Recommendations

Info

• Distribuční funkce diskrétního vektoru je po částech konstantní. • Má-li X diskrétní rozdělení je P [X ∈ A] = {i | xi∈A} pi . • Marginální rozdělení diskrétního rozdělení má pravděpodobnostní funkci P [X1 = a] = {i | xi∈A} kde A = {xi | (xi)1 = a}. 118 pi ,
7.8. Definice. Nechť f(x1, . . . , xn) ≥ 0 je funkce definovaná na Rn s f(x) dx = 1 . R n Náhodný vektor X = (X1, . . . , Xn) má spojité rozdělení s hustotou f, jestliže x1 x2 xn FX(x1, . . . , xn) = · · · f(t1, . . . , tn)dt1 · · · dtn . • −∞ −∞ −∞ f(x1, . . . , xn) = ∂n FX(x1, . . . , xn) ∂x1∂x2 · · · ∂xn v bodech spojitosti funkce f • P [X ∈ A] = A Například: X = (X, Y ) f(x) dx . P [X ∈ (a, b > ∧Y ∈ (c, d >] = 119 b a d c f(x, y) dxdy .
Page 1 and 2:
Matematika 4B Prof. RNDr. Jan Hamha
Page 3 and 4:
1 Historie a podstata teorie pravd
Page 5 and 6:
2 Pravděpodobnostní prostor pravd
Page 7 and 8:
náhodné jevy musíme umět kombin
Page 9 and 10:
pravděpodobnost modeluje relativn
Page 11 and 12:
Tato základní pravidla jsou čast
Page 13 and 14:
Klasický pravděpodobnostní prost
Page 15 and 16:
2.8. Příklad. Narozeninový probl
Page 17 and 18:
2.9. Příklad. Ω = {ω1, ω2, ω
Page 19 and 20:
To nás vede k následujícímu mod
Page 21 and 22:
Poissonův zákon Ω = {ω0, ω1,
Page 23 and 24:
2.13. Příklad. Buffonova úloha V
Page 25 and 26:
Zobecnění se dá dokázat indukc
Page 27 and 28:
n (n − 2)! P (A) = 1− 2 n! +
Page 29 and 30:
∞ P n=1 An ∞ P n=1 P (An)
Page 31 and 32:
3.2. Příklad. Skříňka má tři
Page 33 and 34:
Nezávislé jevy jsou jevy jejichž
Page 35 and 36:
3.7. Příklad. Elektrický obvod z
Page 37 and 38:
„P (B) je kombinace pravděpodobn
Page 39 and 40:
3.13. Příklad. Máme dvě krabice
Page 41 and 42:
Test opakujeme znovu. Testovaná os
Page 43 and 44:
Všechny funkce na konečném nebo
Page 45 and 46:
4.6. Věta. Distribuční funkce FX
Page 47 and 48:
4.7. Věta. Ke každé zprava spoji
Page 49 and 50:
4.11. Tvrzení. Má-li náhodná ve
Page 51 and 52:
4.14. Příklad. f(x) = (Rovnoměrn
Page 53 and 54:
4.18. Příklad. f(x) = 1 2 e−|x|
Page 55 and 56:
Důležité je reprezentovat náhod
Page 57 and 58:
4.22. Příklad. Konstantní náhod
Page 59 and 60:
Na každá náhodná veličina má
Page 61 and 62:
Podrobnější popis rozložení ho
Page 63 and 64:
4.31. Definice. Nechť FX(x) je dis
Page 65 and 66:
4.33. Příklad. Doba rozpadu radio
Page 67 and 68: 5 Důležitá rozdělení Diskrétn
Page 69 and 70: 5.1. Příklad. S.Pepys (1693), ná
Page 71 and 72: 5.3. Příklad. Maxwellovo-Boltzman
Page 73 and 74: Charakteristiky Bi(n, k). X = X1 +
Page 75 and 76: Co se děje s binomickým rozdělen
Page 77 and 78: n částic se náhodně rozděluje
Page 79 and 80: Pro M → ∞ máme rozdělení x
Page 81 and 82: Příklady Poissonova rozdělení:
Page 83 and 84: 5.9. Příklad. Dva hráči se stř
Page 85 and 86: Rozptyl d 2 dp 2 ∞ p n = n=0 E(X
Page 87 and 88: EX = x 1 2 b 1 x dx = = b − a b
Page 89 and 90: Souvislost mezi normálními rozdě
Page 91 and 92: 5.13. Příklad. Spočtěte pravdě
Page 93 and 94: Závěr: X 2 = σ 2 Y 2 + 2µσY +
Page 95 and 96: 5.15. Příklad. Určete interval <
Page 97 and 98: 5.17. Příklad. Výsledky přijím
Page 99 and 100: Odvození: Hledáme funkci přežit
Page 101 and 102: Střední hodnotu a rozptyl získá
Page 103 and 104: 6 Transformace náhodných veličin
Page 105 and 106: Hustota je pro y > 0 derivací dist
Page 107 and 108: Derivací podle y: g(y) = − 1 a f
Page 109 and 110: Nelineární transformace náhodné
Page 111 and 112: K výpočtu střední hodnoty trans
Page 113 and 114: 7 Náhodné vektory Značení: x =
Page 115 and 116: Základní vlastnosti vícerozměrn
Page 117: 7.7. Příklad. Pravděpodobnost so
Page 121 and 122: Marginální rozdělení: X = (X1,
Page 123 and 124: P = 1 2π 2π 0 2 3 e −ϱ2 /2 ϱ
Page 125 and 126: 7.15. Tvrzení. Diskrétní náhodn
Page 127 and 128: 7.17. Tvrzení. Spojité vícerozm
Page 129 and 130: 7.21. Věta. Jsou-li X1, . . . , Xn
Page 131 and 132: a) paralelně Distribuční funkce
Page 133 and 134: Rozdělení součtu spojitých nez
Page 135 and 136: 7.24. Příklad. Čas do první por
Page 137 and 138: 8 Kovariance a korelace náhodných
Page 139 and 140: 1. Spojitý vektor (X, Y ) se sdru
Page 141 and 142: 8.4. Věta. Jsou-li X a Y nezávisl
Page 143 and 144: 8.7. Věta. Pro korelaci ϱ(X, Y )
Page 145 and 146: 9 Asymptotické vlastnosti náhodn
Page 147 and 148: Xn var n Dle Čebyševovy nerovnost
Page 149 and 150: Tedy X1 + X2 + · · · + Xn má p
Page 151 and 152: |Xn − np| P [ |Xn−np| ≤ 0, 01
Page 153 and 154: Výběrové maximum max(X1, . . . ,
Page 155 and 156: Výpočet střední hodnoty: (n−1
Page 157 and 158: Základní věta klasické statisti
Page 159 and 160: Intervalové odhady Lokalizace nezn
Page 161 and 162: (ii) Totéž s využitím statistik
Page 163 and 164: s pravděpodobností 1 − α. U al
Page 165 and 166: α ... hladina významnosti standar
Page 167 and 168: Lze volit mnoho kritických oborů.
Page 169 and 170:
t-test neznáme σ T = Xn − µ0 S
Page 171 and 172:
Párový t-test: Sledujeme souvisej
Page 173 and 174:
Asymtotický test proporce A(p) ...
Page 175 and 176:
11.4. Příklad. Průzkum zahrnuje
Page 177 and 178:
Testy dobré shody (Ω, A, P ) ...
Page 179 and 180:
Tento test se nazývá χ 2 test, n
Page 181 and 182:
Testy shody při neznámých parame
Page 183:
počet pokusů = počet oblastí n
show all

Matematika 4B - Katedra matematiky FEL ČVUT

Create successful ePaper yourself

Delete template?

Save as template?