Matematika 4B - Katedra matematiky FEL ČVUT
Matematika 4B - Katedra matematiky FEL ČVUT Matematika 4B - Katedra matematiky FEL ČVUT
1 = 1 √ 2π ∞ −∞ x2 − e 2 dx . Použijeme metodu per partes pro u ′ x2 − = 1 v = e 2 a dostaneme u = x v ′ x2 − = −xe 2 1 = 1 √ xe 2π Odtud plyne, že x2 − 2 ∞ −∞ =0 var(Y ) = E(Y 2 ) = 1 . + 1 √ 2π Obecně: X má rozdělení N(µ, σ 2 ) a proto X = σY + µ , EX = σEY + µ = µ . 92 ∞ −∞ x 2 x2 − e 2 dx .
Závěr: X 2 = σ 2 Y 2 + 2µσY + µ 2 EX 2 = σ 2 + 0 + µ 2 . varX = E(X 2 ) − (EX) 2 = σ 2 + µ 2 − µ 2 = σ 2 . EX = µ var(X) = σ 2 . 93
- 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: 5.13. Příklad. Spočtěte pravdě
- 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 and 142: 8.4. Věta. Jsou-li X a Y nezávisl
1 = 1<br />
√ 2π<br />
∞<br />
−∞<br />
x2<br />
−<br />
e 2 dx .<br />
Použijeme metodu per partes pro<br />
u ′ x2<br />
− = 1 v = e 2<br />
a dostaneme<br />
u = x v ′ x2<br />
− = −xe 2<br />
1 = 1<br />
<br />
√ xe<br />
2π<br />
Odtud plyne, že<br />
x2<br />
− 2<br />
∞<br />
−∞<br />
<br />
=0<br />
var(Y ) = E(Y 2 ) = 1 .<br />
+ 1<br />
√ 2π<br />
Obecně: X má rozdělení N(µ, σ 2 )<br />
a proto<br />
X = σY + µ ,<br />
EX = σEY + µ = µ .<br />
92<br />
∞<br />
−∞<br />
x 2 x2<br />
−<br />
e 2 dx .