Matematika 4B - Katedra matematiky FEL ČVUT
Matematika 4B - Katedra matematiky FEL ČVUT Matematika 4B - Katedra matematiky FEL ČVUT
8.6. Příklad. (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí ((x1, y1), 1/3); ((x2, y2), 1/3); ((x3, y3), 1/3); Předpokládejme dále, že x1 + x2 + x3 = 0 y1 + y2 + y3 = 0 . cov(X, Y ) = = 1 3 x1y1 + 1 1 3 (x2 1 + x 2 2 + x 2 3) 1 3 (y2 1 + y2 2 + y2 = 3) 3x2y2 + 1 3x3y3 x1y1 + x2y2 + x3y3 2 x1 + x2 2 + x2 2 3 y1 + y2 2 + y2 3 = cos ϕ , kde ϕ je úhel mezi vektory x = (x1, x2, x3) a y = (y1, y2, y3). Pokud je tedy cov(X, Y ) = 1 je y kladným násobkem x, pokud je cov(X, Y ) = −1 je y záporným násobkem x 142
8.7. Věta. Pro korelaci ϱ(X, Y ) náhodných veličin X a Y platí |ϱ(X, Y )| ≤ 1 . Přitom ϱ(X, Y ) = 1 právě tehdy když hodnoty X a Y leží s pravděpodobností 1 na jedné přímce s kladnou směrnicí. ϱ(X, Y ) = −1 právě tehdy když hodnoty X a Y leží s pravděpodobností 1 na jedné přímce se zápornou směrnicí. Důkaz: Pro všechna t ∈ R máme X − EX Y − EY 0 ≤ var √ + t √ = varX varY = 1 + 2tϱ(X, Y ) + t 2 . (2) Diskuse kvadratického výrazu: a tedy 4ϱ 2 (X, Y ) − 4 ≤ 0 |ϱ(X, Y )| ≤ 1 . 143
- 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 and 118: 7.7. Příklad. Pravděpodobnost so
- Page 119 and 120: 7.8. Definice. Nechť f(x1, . . . ,
- 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: 8.4. Věta. Jsou-li X a Y nezávisl
- 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
8.6. Příklad. (X, Y ) má diskrétní rozdělení s pravděpodobnostní<br />
funkcí<br />
((x1, y1), 1/3); ((x2, y2), 1/3); ((x3, y3), 1/3);<br />
Předpokládejme dále, že<br />
x1 + x2 + x3 = 0 y1 + y2 + y3 = 0 .<br />
cov(X, Y ) =<br />
=<br />
1<br />
3 x1y1 + 1<br />
1<br />
3 (x2 1 + x 2 2 + x 2 3)<br />
<br />
1<br />
3 (y2 1 + y2 2 + y2 =<br />
3)<br />
3x2y2 + 1<br />
3x3y3 x1y1 + x2y2 + x3y3<br />
<br />
2 x1 + x2 2 + x2 <br />
2<br />
3 y1 + y2 2 + y2 3<br />
= cos ϕ ,<br />
kde ϕ je úhel mezi vektory<br />
x = (x1, x2, x3) a y = (y1, y2, y3).<br />
Pokud je tedy cov(X, Y ) = 1 je y kladným násobkem<br />
x, pokud je cov(X, Y ) = −1 je y záporným<br />
násobkem x<br />
142