Statistika SIIT / IIS. školska 2017/18
|
|
- Lorin Pearson
- 6 years ago
- Views:
Transcription
1 Statistika SIIT / IIS školska 2017/18
2 Literatura [1] Ghileza et. al., Zbirka rešeih zadataka iz Verovatoće i statistike, CMS, NS, [2] Stojaković M., Matematička statistika, Uiverzitet u Novom Sadu, Fakultet tehičkih auka, Novi Sad, [3] Chihara L., Hesterberg T, Mathematical Statistics with Resamplig ad R by Joh Wiley & Sos, Ltd [4] Grbić T., Nedović Lj., Zbirka odabraih rešeih ispitih zadataka iz Verovatoće, Statistike i Slučajih procesa, Novi Sad, Fakultet tehičkih auka, Bodovi i datumi Kol. 1 Kol. 2 Rač. k. 1 Rač. k. 2 Rač. k. 3 Pris. Test Usm. Σ MAX MIN XI 21. I (redom u 12 i 9 časova, amfiteatri)
3 Prostor verovatoće σ-polje doga daja DEFINICIJA 1 Ako je Ω = (epraza skup ishoda), F P(Ω) i važi: (i) Ω F, (ii) A F, A = Ω\A F, (iii) za prebrojivu familiju A 1, A 2,... F, A j F, j=1 oda za F kažemo da je σ-polje doga daja (ad Ω). Elemete F azivamo doga daji. Ω je sigura doga daj. Za doga daj A, jegov komplemet A je suprota doga daj. PRIMER 1 Partitivi skup F 1 = P(Ω) i F 2 = {,Ω} su σ-polja doga daja ad Ω. PRIMER 2 Za skup Ω = {1,2,3,4,5,6}, F = {,Ω,{1,2},{3,4,5,6}} je σ-polje doga daja.
4 Osobie σ-polja doga daja F. A 1, A 2,..., A F A 1 A 2 A = A j F. A, B F A B F, A B = A B F, A\B F, A B = (A\B) (B\A) F. A 1, A 2,... F A j F. j=1 Ako je A B =, kažemo da su doga daji A i B disjukti. Ako za prebrojivu familiju A 1, A 2,... važi k, j {1,2,...},k = j A k A j =, kažemo da su doga daji te familije disjukti po parovima. j=1
5 Verovatoća DEFINICIJA 2 Za σ-polje F ad eprazim skupom Ω, verovatoća je fukcija P : F R koja zadovoljava 1. A F, P(A) Za prebrojivu familiju doga daja disjuktih po parovima A 1, A 2,... F, ( ) P A k = P(A k ). k=1 k=1 3. P(Ω) = 1. Ure deu trojku (Ω, F, P) azivamo prostor verovatoće. PRIMER 3 Za skup Ω = {1,2,3,4,5,6} i F = {,Ω,{1,2},{3,4,5,6}}, fukcija ( ) Ω {1,2} {3,4,5,6} P = 0 1 1/3 2/3 je verovatoća, odoso, (Ω, F, P) je prostor verovatoće.
6 Osobie verovatoće Za proizvolje doga daje A i B: 4. P(A) 1 5. P( ) = 0 6. P(A) = 1 P(A) 7. P(A B) = P(A) + P(B) P(AB) 8. A B P(A) P(B) Za prebrojivu familiju doga daja A 1, A 2,... i doga daj A 9. A k A ili A k A P(A k ) P(A) ( ) 10. P A k P(A k ) k=1 k=1
7 PRIMER 4 Neka je skup ishoda koača: Ω = {ω 1,ω 2,...,ω }, i eka je σ-polje skup svih podskupova F = P(Ω). Neka je p k = P({ω k }) 0, k = 1,2,..., i k=1 p k = 1. Verovatoća je defiisaa P(A) = p k. k:ω k A Ovaj prostor zovemo diskreti prostor verovatoće. PRIMER 5 Ako u primeru 4 važi i p 1 = p 2 = = p = 1/, dobijamo P(A) = #A/#Ω, to je klasiča defiicija verovatoće. U klasičoj defiiciji verovatoće se kaže da je verovatoća broj povoljih podelje sa brojem mogućih ishoda. Klasiča defiicija verovatoće se koristi kada imamo koačo mogo jedako verovatih ishoda, odoso, kada se vrši slučaja izbor. PRIMER 6 Neka je Ω R Euklidski prostor. Neka je F skup podskupova od Ω koji su merljivi merom m i eka je m(ω) > 0. Geometrijsku verovatoću za A Ω defiišemo: P(A) = m(a)/m(ω). Oda je (Ω,F, P( )) prostor verovatoće.
8 Skup čija verovatoća je 0 zovemo emoguć doga daj. Na primer, je emoguć doga daj. Ako podskupovi emogućeg doga daja pripadaju F, kažemo da je prostor kompleta. Ako ije kompleta, prostor se može kompletirati proširivajem. Ako je P(A) = 1, kažemo da je A skoro sigura skup. Ako ešto važi a skupu verovatoće 1, kažemo da skoro siguro važi. PRIMER 7 Tri dečaka i tri devojčice sedaju a slučaja ači u red sa 6 mesta. (Svi rasporedi sedeja su jedako verovati.) Kolika je verovatoća da ema dve osobe istog pola koje sede jeda do druge? PRIMER 8 Iz špila od 52 karte a slučaja ači se izvlači jeda karta. Kolika je verovatoća da je izvučea karta dama ili herc? Ako u prostoru verovatoće (Ω,F, P( )) za doga daje A, B F važi P(A B) = P(A) P(B), kažemo da su A i B ezavisi. Familija doga daja A 1, A 2,... je ezavisa u ukuposti ako za proizvolja skup ideksa i 1,i 2,...i k važi P(A i1 A i2 A ik ) = P(A i1 ) P(A i2 ) P(A ik ). PRIMER 9 Novčić se baca tri puta. Bacaja su azavisa. Izračuati verovatoće p k da će pasti k grbova za k = 0,1,2,3.
9 PRIMER 10 Novčić se baca dok se e dobije grb. Izračuati ver. da bude para broj bacaja. PRIMER 11 (Berulijeva shema) Pozitiva realizacija eksperimeta u svim pokušajima ima istu verovatoću p (0,1). Eksperimet se vrši puta. Kolika je verovatoća da će biti k, za 0 k pozitivih realizacija? PRIMER 12 U odeljeju od 30 daka ima 12 dečaka. Na slučaja ači se bira petočlaa komisija. Kolika je verovatoća da u komisiji ima (barem) 2 dečaka? PRIMER 13 Oko kocke je opisaa lopta. Na slučaja ači se bira tačka u lopti. Kolika je verovatoća da je izabraa tačka u kocki? PRIMER 14 Na slučaja ači se biraju brojevi a i b u itervalu [0,1]. Kolika je verovatoća da će jedačia x 2 + ax + b = 0 imati reala rešeja? PRIMER 15 Dve osobe dolaze a sastaak a dogovoreo mesto u slučajo odabraom mometu izme du 12 i 13 časova. Dogovor je da se čeka 20 miuta. Kolika je verovatoća da će se sresti? PRIMER 16 (Bertraov paradoks) Izračuati verovatoću da slučajo izabraa tetiva kružice bude veća od straice jedakostraičog trougla upisaog u kružicu.
10 (a) Ako se jeda kraj tetive fiksira, a drugi se bira slučajo. (b) Ako se fiksira pravac tetive. (c) Ako se slučajo bira središte tetive (uutar kružice). Uslova verovatoća Neka je (Ω,F, P( )) prostor verovatoće i eka je A F i P(A) > 0. Defiišemo za B F verovatoću pod uslovom da se desio doga daj A: P(A B) P(B A) = P(A). Oda je (Ω, F, P( A)) prostor verovatoće. Prebrojiva familija doga daja H 1, H 2,... čii potpu sistem doga daja ako su doga daji disjukti po parovima i ako važi H j = Ω. j=1 Formula totale verovatoće za potpui sistem doga daja H 1, H 2,... i doga daj A: P(A) = j=1 P(H j ) P(A H j ).
11 Bejzova (Bayes) formula: P(H j A) = P(H j) P(A H j ). P(H j ) P(A H j ) j=1 PRIMER 17 Simptom X se pojavljuje usled bolesti A, B i C. Pozato je da se bolest A, B i C pojavljuju kod redom 10%, 5%, 20% populacije. Bolesti A, B i C isključuju jeda drugu. Simptom X se u slučaju bolesti A razvija u 90% slučajeva, u slučaju bolesti B razvija se u 95% slučajeva, i u slučaju bolesti C razvija u 75% slučajeva. Kolika je verovatoća da će se kod slučajo odabraog čoveka pojaviti simptom X? Ako se pojavio simptom X, kolika je verovatoća da ima bolest A, B, odoso C? PRIMER 18 O ovčića jeda je eisprava: ima grb sa obe strae. Na slučaja ači se bira ovčić i baca k puta. Kolika je verovatoća da svih k puta pade grb? Ako je svih k puta pao grb, kolika je verovatoća da je u pitaju eisprava ovčić? PRIMER 19 Osobe A, B, C i D preose iformaciju koju dobiju u obliku iskaza DA ili NE u jedom od tri slučaja. Osoba A dobija iformaciju, preosi je osobi B, zatim oa osobi C, zatim oa osobi D i a kraju osoba D saopštava iformaciju. Kolika je verovatoća da je prva osoba preela početu iformaciju ako se za da je posledja osoba preela početu iformaciju?
12 Uopštea formula preseka: P(A 1 A 2 A ) = P(A 1 ) P(A 2 A 1 ) P(A 3 A 1 A 2 ) P(A A 1 A 2 A 1 ) PRIMER 20 Koliko treba da ima osoba u ekoj grupi pa da verovatoća da barem dve osobe iz grupe imaju ro deda istog daa bude veća od 1 2? PRIMER 21 Koliko osoba treba da pitam za ro deda da bih sreo osobu koja ima ro deda istog daa kad i ja sa verovatoćom većom od 1 2? Uopštea formula uije: P(A 1 A 2 A ) = 1 i 1 P(A i1 ) 1 i 1 <i 2 P(A i1 A i2 ) + + ( 1) ( 1) P(A 1 A 2 A ) 1 i 1 <i 2 <i 3 P(A i1 A i2 A i3 ) PRIMER 22 Nestalo je struje u pozorištu i svih lica su u mraku (a slučaja ači) uzeli kaput u garderobi. Kolika je verovatoća da je barem jedo lice uzelo svoj kaput? Kojem broju teži dobijea verovatoća kad?
13 PRIMER 23 Dokazati osobiu 9. Za prebrojivu familiju doga daja A 1, A 2,... uvodimo ozaku limsup A k = A k. =1 k= Kažemo da je limsup A k skup ishoda koji se pojavljuju u beskoačo mogo doga daja: limsup A k = {ω : #{ N : ω A } = }. Borel - Katelijeva Lema 1 Za familiju doga daja A 1, A 2,..., ako red k=1 P(A k) kovergira, oda P(limsup A k ) = 0. Borel - Katelijeva Lema 2 Za familiju doga daja A 1, A 2,..., ezavisu u ukuposti, ako red k=1 P(A k) divergira, oda P(limsup A k ) = 1.
14 Slučaje promeljive Ako X : Ω R, za S R, iverza sliku od S je X 1 (S) = {ω Ω : X(ω) S}. Defiicija Ako je (Ω,F, P) prostor verovatoće i X : Ω R zadovoljava: kažemo da je X slučaja promeljiva. x R, X 1 ((, x]) F, PRIMER 24 Za prostor verovatoće iz primera 3, možemo defiisati slučaju promeljivu koja registruje sa 1 da li je broj veći od 2 (iače je ula): ( ) X = Vidimo da je X 1 ((, x]) =, x < 0 {1,2}, 0 x < 1 {1,2,3,4,5,6}, x 1
15 Fukcija raspodele Za slučaju promeljivu X ad (Ω, F, P) defiišemo fukciju raspodele: ( ) F(x) = P X 1 ((, x]) = P ({ω : X(ω) x}) = P(X x). PRIMER 25 Za slučaju promeljivu X iz primera 24 fukcija raspodele je 0, x < 0 1 F(x) = 3, 0 x < 1 1, x 1 Osobie fukcije raspodele 1. lim x F(x) = 0 2. lim x F(x) = 1 3. x 1 < x 2 F(x 1 ) F(x 2 ) 4. a R, lim F(x) = F(a) x a + 5. P(a < X b) = F(b) F(a)
16 Diskrete slučaje promeljive Neka je X slučaja promeljiva ad (Ω,F, P). Sliku skupa ishoda Ω ozačavamo sa R X. Kažemo da je X diskreta slučaja promeljiva ako je slika R X koača ili prebrojiv skup. Ako je R X = {x 1, x 2,...} oda Ω = (X = x ) sledi da je 1 = P(X = x ). =1 =1 Možemo uvesti ozake p = P(X = x ). Fukciju x p zovemo zako raspodele slučaje promeljive X i zapisujemo X : ( x1 x 2 p 1 p 2 Berulijeva raspodela sa parametrom p (0,1) je X : ). Važi F(x) = ( p p :x x Bioma raspodela sa parametrima p (0,1) i N u ozaci B(, p): ( ) P(X = k) = p k (1 p) k, k {0,1,...,},. k Poasoova raspodela sa parametrom λ (0, ) u ozaci P(λ): P(X = k) = λk k! e λ, k = 0,1,... Geometrijska raspodela sa parametrom p (0, 1) u ozaci G(p): P(X = k) = p (1 p) k 1, k = 1,2,... ). p.
17 Neprekide slučaje promeljive Kažemo da je slučaja promeljiva apsoluto eprekidog tipa ako postoji fukcija ϕ : R [0, ) takva da je x R, F(x) = x ϕ(t)dt. Fukciju ϕ azivamo fukcija gustie raspodele slučaje promeljive X. Osobie gustie raspodele 1. Ako je ϕ eprekido u x, oda ϕ(x) = F (x) 2. ϕ(t)dt = 1 3. P(a < X < b) = P(a X < b) = P(a X b) = F(b) F(a) = b a ϕ(x)dx Uiforma raspodela U(a,b), a < b R ima gustiu i fukciju raspodele { 1 ϕ(x) = b a, x (a,b), 0, x < a, x a F(x) = 0, x / (a,b); b a, a x < b, 1, x b.
18 Ekspoecijala raspodela E(λ), λ (0, ) { 0, x < 0, ϕ(x) = λe λx, x 0 { F(x) = Normala (Gausova) raspodela N (m,σ), m,σ R, σ > 0 ϕ(x) = 1 σ (x m)2 e 2σ 2, x R; F(x) = 1 2π σ 2π 0, x < 0, 1 e λx, x 0. x (t m)2 e 2σ 2 dt. Specijalo, za m = 0 i σ = 1, vredosti fukcije raspodele N (0,1) možemo očitati iz tablica sa kraja kjige. Fukciju koja je tabeliraa obeležavamo Φ(x) = x 1 2π e x2 2 dx. PRIMER 26 Ako X : N (0,1), iz tablica fukcije Φ očitati vredosti P(X 0.55), P(X > 1), P( X < 2) i aći vredost x za koju je P(X x) = F(x) = Trasformacija slučaje promeljive Neka je X : Ω R slučaja promeljiva ad prostorom verovatoće (Ω,F, P). Neka f : R R i eka je Y = f X slučaja promeljiva. (ω Ω,Y(ω) = f (X(ω))) Ako je f eprekida fukcija, oda je Y slučaja promeljiva.
19 Obeležavamo Y = f (X). Zadatak je aći raspodelu slučaje promeljive Y kada je pozata raspodela slučaje promeljive X i fukcija f. X je diskreta slučaja promeljiva Aka je X diskreta slučaja promeljiva sa raspodelom X : diskreta slučaja promeljiva. Neka je {y 1,y 2...} skup slika za Y. Oda je zako raspodele za Y: Y : ( y1 y 2 q 1 q 2 ), gde je q i = m y i = f (xm) p m. ( x1 x 2 p 1 p 2 ), oda je Y PRIMER 27 Neka je X slučaja promeljiva koja predstavlja broj koji pade a kockici za igru. Naći raspodelu slučaje promeljive Y = (X 3) 2. ( X : ) ( , Y : ).
20 X je eprekida slučaja promeljiva Neka je X slučaja promeljiva sa gustiom raspodele ϕ X. Neka je f rastuća ili opadajuća eprekida fukcija. Oda je iverza fukcija f 1 rastuća, odoso, opadajuća fukcija. Oda je gustia za Y: ϕ Y (y) = ϕ X ( f 1 (y)) ( f 1 (y)), y Y(Ω) = f (X(Ω)). PRIMER 28 Neka X : U(0,1) i eka je Y = l X. Naći raspodelu za Y. PRIMER 29 Neka X : N (0,1) i eka je Y = ax + b, a = 0. Naći raspodelu za Y. PRIMER 30 Neka X : N (0,1) i eka je Y = X 2. Naći raspodelu za Y. PRIMER 31 Neka X : N (0.5,2). Izračuati verovatoće P(X 0.55), P(X > 1), P( X < 2) i aći vredost x za koju je P(X x) = F(x) = Dvodimezioale slučaje promeljive Kažemo da je (X, Y) dvodimezioala slučaja promeljiva, odoso dvodimezioali slučaji vektor, ad prostorom verovatoće (Ω,F, P), ako su X i Y slučaje promeljive ad (Ω,F, P).
21 Fukcija raspodele slučajog vektora (X, Y) je F(x,y) = P ({ω : X(ω) x} {ω : Y(ω) y}) = P(X x,y y). Osobie fukcije raspodele dvodimezioalog vektora 1. F(,y) = F(x, ) = 0 2. F(, ) = 1 3. F(x, y) je eprekida s desa po obe promeljive. 4. F(x, y) je eopadajuća po obe promeljive. 5. F(a < X b, c < Y d) = F(b,d) F(a,d) F(b,c) + F(a,c). Margiale raspodele slučajog vektora (X, Y) su raspodele slučajih promeljivih X i Y čije fukcije raspodele dobijamo: F X (x) = F(x, ), F Y (y) = F(,y).
22 Diskreta dvodimezioala slučaja promeljiva Neka je (X,Y) slučaji vektor ad (Ω,F, P). Neka je R (X,Y) = (X,Y)(Ω) R prebrojiv skup. Preslikavaje koje elemetima slike R (X,Y) pridružuje verovatoće (x i,y j ) p i,j defiisao: zovemo zako raspodele vektora (X, Y). p i,j = P({ω : X(ω) = x i Y(ω) = y j }) Često zako raspodele zadajemo tabelom a čijim margiama možemo izračuati verovatoće margialih raspodela. p i = j p i,j, p j = i p i,j, i, j = 1,2,... X\Y y 1 y 2 x 1 p 1,1 p 1,2 p 1 x 2 p 2,1 p 2,2 p p 1 p 2 X : ( x1 x 2 p 1 p 2 ) ( y1 y, Y : 2 p 1 p 2 ). PRIMER 32 Tri puta se baca ovčić. Neka X predstavlja broj grbova, a Y broj promea. Naći zako raspodele slučajog vektora (X, Y) i margiale zakoe raspodele.
23 Neprekida dvodimezioala slučaja promeljiva Neka je (Ω,F, P) prostor verovatoće i (X,Y) slučaji vektor sa fukcijom raspodele F(x,y). Ako postoji itegrabila fukcija ϕ(x,y) : R 2 [0, ] takva da je (x,y) R 2 F(x,y) = D x,y ϕ(u,v) dudv, gde je D x,y = (, x] (,y], kažemo da je (X, Y) eprekida dvodimezioala slučaja promeljiva i da je ϕ(x, y) jea gustia raspodele. Posledji dvostruki itegral se račua preko poovljeih (esvojstveih) itegrala: F(x,y) = x y ϕ(u, v)dv du. Osobie dvodimezioale gustie raspodele 1. Ako je ϕ(x,y) eprekida u (x,y), oda je ϕ(x,y) = 2 F(x,y) x y.
24 2. ϕ(x,y) dxdy = 1 R 2 3. P((X,Y) S) = ϕ(x,y) dxdy S Gustie margialih raspodela slučajog vektora (X, Y) su ϕ X (x) = ϕ(x,y) dy, ϕ Y (y) = ϕ(x,y) dx. Uslove raspodele Neka je (X,Y) slučaji vektor ad prostorom verovatoće (Ω,F, P) i eka je P(X S) > 0. Uslova fukcija raspodele slučaje promeljive Y X S u (Ω,F, P( X S)) je F Y X S (y) = P({ω : Y(ω) y} X S) = P(Y y, X S). P(X S)
25 Diskrete uslove raspodele Neka je dat zako raspodele diskretog slučajog vektora (X,Y). Ako je p j > 0, uslovi zako raspodele slučaje promeljive X ako je Y = y j je p(x i y j ) = p i,j /p j : ( ) x1 x 2 X Y = y j : p 1,j p 2,j p j p j ( ) y1 y 2 sličo Y X = x i : p i,1 p i,2, p(y p i p i j x i ) = p i,j p i PRIMER 33 Za diskretu slučaju promeljivu iz prethodog primera aći uslove zakoe raspodele Y X = 2 i X Y = 1. Neprekide uslove raspodele Za eprekidi slučaji vektor (X, Y) sa gustiom ϕ(x, y) fukciju raspodele slučaje promeljive Y X = x defiišemo: F Y X=x (y) = lim h 0 P(Y y x X < x + h).
26 Može se dokazati da je F Y X=x (y) = y ϕ(x, v) ϕ X (x) dv, za ϕ X(x) > 0, odoso, ϕ(y x) := ϕ(x,y) ϕ X (x) za ϕ X(x) > 0 je uslova gustia raspodele za Y X = x. PRIMER 34 X se a slučaja ači bira iz itervala (0,1). Potom se Y bira a slučaja ači iz itervala (X,1). Naći gustiu raspodele za (X,Y) i margialu raspodelu za Y. Nezavisost slučajih promeljivih Neka je (X,Y) slučaji vektor ad prostorom (Ω,F, P) sa fukcijom raspodele F(x,y) i eka su F X (x) i F Y (y) margiale fukcije raspodele. Kažemo da su X i Y ezavise slučaje promeljive ako x,y R, F(x,y) = F X (x) F Y (y). Diskrete slučaje promeljive X i Y su ezavise ako i samo ako je p i,j = p i p j za sve i, j, gde je p i,j zajedički zako raspodele za (X,Y), a p i i p j margiali zakoi raspodele. Neprekide slučaje promeljive X i Y su ezavise ako i samo ako je ϕ(x,y) = ϕ X (x) ϕ Y (y) za sve x,y, gde je ϕ(x,y) zajedička gustia, a ϕ X (x) i ϕ Y (y) margiale gustie.
27 Trasformacija dvodimezioale slučaje promeljive Posmatraćemo trasformacije R 2 R 2 i R 2 R. Diskrete slučaje promeljive Ako je (X,Y) diskreti slučaji vektor sa zakoom raspodele (x i,y j ) p i,j i trasformacija (X,Y) (U, Z) = ( f 1 (X,Y), f 2 (X,Y)), oda je zako raspodele (U, Z) : (u k,z l ) q k,l, q k,l = P(U = u k, Z = z l ) = za sve vredosti (u k,z l ) iz slike R (U,Z). Sličo ako je Z = f (X,Y). p i,j, (i,j) (u k,z l )=( f 1 (x i,y j ), f 2 (x i,y j )) PRIMER 35 Nezavise slučaje promeljive X i Y imaju istu Poasoovu raspodelu P(λ). Naći raspodelu slučaje promeljive Z = X + Y.
28 Neprekide slučaje promeljive Nalažeje raspodele trasformisae slučaje promeljive ćemo pokazati za Z = X + Y (tzv. kovolucija slučajih promeljivih X i Y). Neka je (X, Y) dvodimezioali eprekidi slučaji vektor sa gustiom raspodele ϕ(x, y). Gustia raspodele slučaje promeljive Z = X + Y je ϕ Z (z) = ϕ(z y,y) dy. PRIMER 36 Neka ( su slučaje ) promeljive X 1, X 2,..., X ezavise sa istom Berulijevom 0 1 raspodelom. Naći raspodelu slučaje promeljive Y = X 1 p p 1 + X X.
29 Numeričke karakteristike slučajih promeljivih Matematičko očekivaje Za diskretu slučaju promeljivu X : ( x1 x 2 p 1 p 2 Za eprekidu slučaju promeljivu X : ϕ(x), defiišemo E(X) = (Ako suma, odoso itegral, apsoluto kovergira.) ), defiišemo E(X) = x i p i. i=1 x ϕ(x) dx. Osobie matematičkog očekivaja 1. X = c, c = cost E(X) = c 2. Y = f (X), E(Y) = E( f (X)) = f (x i ) p i, i=1 f (x) ϕ(x) dx, X diskreta X eprekida
30 3. Z = f (X,Y), E(Z) = ( i=1 j=1 f (x i,y j ) p i,j, ) f (x,y) ϕ(x,y) dy dx, (X,Y) diskreta (X, Y) eprekida 4. E(X + Y) = E(X) + E(Y) 5. E(c X) = c E(X) 6. X i Y ezavise E(X Y) = E(X) E(Y) 7. a X b a E(X) b Disperzija (Varijasa) (Ako postoji.) D(X) = E ( (X E(X)) 2) = E ( X 2) (E(X)) 2
31 Osobie disperzije 1. X = c, c = cost D(X) = 0 2. D(X) 0 3. c = cost D(cX) = c 2 D(X), D(X + c) = D(X) 4. X i Y ezavise D(X + Y) = D(X) + D(Y) Stadarda devijacija σ(x) = D(X) Stadardizacija slučaje promeljive X = X E(X) σ(x) E(X ) = 0, D(X ) = 1
32 Medijaa P(X < Me) = P(X > Me) Modus X diskreta Mo je vredost sa ajvećom verovatoćom. X eprekida Mo je vredost za koju gustia dostiže maksimum. Mometi Običi: m k (X) = E(X k ) = xi k p i, i=1 x k ϕ(x) dx, X diskreta X eprekida Cetrali: µ k (X) = m k (X E(X)) = E ( (X E(X)) k). (Ako postoji.)
33 Numeričke karakteristike dvodimezioale slučaje promeljive Očekivaje i disperzija: E(X,Y) = (E(X), E(Y)), D(X,Y) = (D(X), D(Y)) Mešoviti mometi: m k, (X,Y) = E(X k Y ) = ( i=1 j=1 x k y ϕ(x,y) dy xi k y j p i,j, ) dx, (X,Y) diskreta (X, Y) eprekida Kovarijasa: cov(x,y) = E ((X E(X)) (Y E(Y))) = E(X Y) E(X) E(Y) Koeficijet korelacije: ρ X,Y = cov(x,y ) = cov Osobie: 1. X i Y ezavise ρ X,Y = 0 2. ρ X,Y 1 3. ρ X,Y = 1 Y = ax + b, a,b R, a = 0 ( X E(X), Y E(Y) ) E(X Y) E(X) E(Y) = D(X) D(Y) D(X) D(Y)
34 Regresija Za diskretu dvodimezioalu slučaju promeljivu (X, Y) defiišemo uslovo matematičko očekivaje za X ako je Y = y j : E(X Y = y j ) = x i p(x i y j ) = 1 i=1 p j x i p i,j i=1 Fukciju y j E(X Y = y j ) azivamo regresija X po Y, obeležavamo r 1 (y). Regresija defiiše ovu slučaju promeljivu koju obeležavamo E(X Y) = r 1 (Y), čija je raspodela: ( ) E(X Y = y1 ) E(X Y = y E(X Y) : 2 ). Važi E(E(X Y)) = E(X). p 1 p 2 Za eprekidu dvodimezioalu slučaju promeljivu (X, Y) defiišemo uslovo matematičko očekivaje za X ako je Y = y: E(X Y = y) = x ϕ(x y) dx = 1 ϕ Y (y) Fukciju y E(X Y = y) azivamo regresija X po Y, obeležavamo r 1 (y). Regresija defiiše ovu slučaju promeljivu koju obeležavamo E(X Y) = r 1 (Y). Važi E(E(X Y)) = E(X). PRIMER 37 Naći regresiju X po Y za primer 32. x ϕ(x,y) dx
35 Graiče teoreme Nejedakost Čebiševa Neka za slučaju promeljivu X postoji E(X 2 ) i eka je ε > 0. Oda P( X ε) E(X2 ) ε 2. Ako za slučaju promeljivu X postoji D(X), oda za ε > 0, P( X E(X) ε) D(X) ε 2. Primea: Ako X : B(, p), ε > 0, oda P( X p ε) Zakoi velikih brojeva p (1 p) ε 2. Ako ( je X 1, X 2 ),... iz ezavisih slučajih promeljivih sa istom Berulijevom raspodelom 0 1 i ε > 0, oda 1 p p lim P ( 1 k=1 ) X k p ε = 0. (Berulijev slabi zako velikih brojeva)
36 Za iz slučajih promeljivih X 1, X 2,... kažemo da važi ( 1 slabi zako velikih brojeva ako ε > 0, lim P jaki zako velikih brojeva ako P ( lim 1 k=1 k=1 (X k E(X k )) = 0 ) (X k E(X k )) > ε = 0, Za iz ezavisih slučajih promeljivih sa istom raspodelom i koačim očekivajem važi slabi zako velikih brojeva. (Hiči) Ako postoji kostata C > 0 tako da za iz ezavisih slučajih promeljivih X 1, X 2,... važi D(X k ) < C,k = 1,2,..., oda za taj iz važi slabi zako velikih brojeva. (Čebišev) ( ) 0 1 Za iz ezavisih slučajih promeljivih X 1, X 2,... sa Berulijevom raspodelom 1 p p ({ }) 1 važi jaki zako velikih brojeva: P ω : lim X k (ω) = p = 1. (Beruli, Borel) k=1 Za iz ezavisih, jedako raspore deih, slučajih promeljivih sa koačim očekivajem važi jaki zako velikih brojeva. (Kolmogorov) ) = 1.
37 Normala raspodela PRIMER 38 Naći očekivaje i varijasu za ormalu raspodelu N (m, σ). X : N (m,σ) X m σ : N (0,1) X i Y ezavise i X : N (m 1,σ 1 ), Y : N (m 2,σ 2 ) X ± Y : N ( ) m 1 ± m 2, σ1 2 + σ2 2 PRIMER 39 U jedoj školi težia dečaka [kg] ima raspodelu: X : N (50,2.5), a devojčice: Y : N (45,3). Na slučaja ači je odabra dečak i, ezaviso, devojčica. Kolika je verovatoća da će dečak imati barem 3 kg više od devojčice? Ako ezavise slučaje promeljive imaju raspodelu X k : N (m k,σ k ),k = 1,2,...,, oda slučaja promeljive Y = a 1 X 1 + a 2 X a X ima ormalu raspodelu N (m,σ), gde je m = a 1 m 1 + a 2 m a m i σ 2 = a 2 1 σ2 1 + a2 2 σ a2 σ 2.
38 Cetrale graiče teoreme Ako je X 1, X 2,... iz ezavisih slučajih promeljivih sa istom raspodelom čije su očekivaje i disprezija redom E(X k ) = a i D(X k ) = s 2,0 < s <, oda za svako x ( ) lim P X k E X k k=1 k=1 ( ) < x = lim P X k a k=1 s x < x = 1 e t2 2 dt, 2π D X k k=1 kažemo da za X 1, X 2,... važi cetrala graiča teorema. Ako su X 1, X 2,... ezavise, E(X k ) = a k i D(x k ) = s 2 k, i lim ( ) S p < x = p (1 p) Posledica: S : B(, p) lim P max k s 2 k k=1 s2 k x = 0, oda važi CGT. 1 2π e t2 2 dt. (Moavr-Laplas) PRIMER 40 Kolika je verovatoća da je broj grbova u 100 bacaja ovčića izme du 40 i 60? ( ) Za koačo k, ako je lim p = λ = cost, važi lim p k (1 p) k = λk k k! e λ.
39 Statistika Važe raspodele χ 2 raspodela (hi kvadrat sa stepei slobode) X : χ 2 ima gustiu ϕ(x) = x/2 1 e x/2 2 /2, x > 0, E(X) =, D(X) = 2 Γ(/2) Osobia: X : χ 2 i Y : χ 2 m ezavise, oda X + Y : χ 2 +m 0 z z (z y) ϕ(z y,y) dy = + + = /2 1 e (z y)/2 y m/2 1 e y/2 0 z 0 2 /2 Γ(/2) 2 m/2 Γ(m/2) dy = z = (+m)/2 1 e z/2 z (1 y ( y ) m/ (+m)/2 Γ(/2) Γ(m/2) 0 z )/2 1 z z dy = z (+m)/2 1 e z/2 2 (+m)/2 Γ(( + m)/2), z > 0 1 jer je za x > 0, y > 0, B(x,y) = (1 t) x 1 t y 1 Γ(x) Γ(y) dt = 0 Γ(x + y). Posledica: Ako su X 1, X 2,..., X ezavise slučaje promeljive sa ormalom N (0,1) raspodelom, oda Y = X1 2 + X X2 ima χ 2 raspodelu. Napomea: Za = 1 smo radili kao trasformaciju, za = 2 imamo E( 1 2 ).
40 t raspodela (Studetova sa stepei slobode) T : t ima gustiu ϕ(t) = Drugi zapis ϕ(t) = Γ(( + 1)/2) π Γ(/2) (1 + t 2 /) (+1)/2 ( ( 1 B 2, ) ( ) (+1)/2 ) t2 2 Osobia: Ako su X : N (0,1) i Y : χ 2 ezavise sl. prom, oda T = E(T) = 0, D(T) = 2, > 2 X Y ima t raspodelu. F m, raspodela (Fišerova sa,m stepei slobode) X : F m, ima gustiu ϕ(x) = Γ((m + )/2) mm/2 /2 Γ(m/2) Γ(/2) X : F m, E(X) = x m/2 1, za x > 0. (mx + ) (m+)/2 m 2, > 2, D(X) = 22 (m + 2) m ( 2) ( 4), > 4
41 PRIMER 41 Neka T : t 10 i Y : χ 2 4. Naći vredost za koju je: P(Y < y 1) = 0.9, P(Y > y 2 ) = 0.95, P(T < t 1 ) = 0.95, P(T > t 2 ) = 0.25, P( T < t 3 ) = PRIMER 42 Neka F : F 9,15. Naći vredost za koju je P(F > f 1 ) = 0.05 i P(F < f 2 ) = Statistika, osovi pojmovi Populacija je skup svih elemeata koje ispitujemo. Obeležje je umerička karakteristika elemeta. Modeliramo ga slučajom promeljivom. Uzorak je odabrai deo populacije a kojem ispitujemo realizovau vredost obeležja X. Prost slučaji uzorak je -dimezioala slučaja promeljiva čije kompoete su ezavise i imaju raspodelu posmatraog obeležja (X 1, X 2,..., X ). Uzoračka fukcija raspodele F(x 1, x 2,..., x ) = F(x 1 ) F(x 2 ) F(x ) Realizovae vredosti slučajih promeljivih obeležavamo malim slovima X i x i. Realizovaa vredost prostog slučajog uzorka (X 1, X 2,..., X ) (x 1, x 2,..., x ) Statistika je fukcija uzorka. Y = h(x 1, X 2,..., X ) Realizovaa vredost statistike je y = h(x 1, x 2,..., x )
42 Važe statistike Aritmetička sredia uzorka X = 1 X k k=1 E( X ) = E(X) D( X ) = D(X)/ X : N (m,σ) X : N (m,σ/ ) Uzoračka disperzija (varijasa) S 2 = 1 k X ) k=1(x 2 = 1 Xk 2 X 2 k=1 E( S ) 2 = 1 D(X) X : N (m,σ) S 2 σ 2 : χ2 1
43 Statistika X m S 1 X : N (m,σ) X m S 1 : t 1 Statistika F = X m Y kad X : χ 2 m, Y : χ 2, X i Y ezavise, ima Fišerovu F m, raspodelu Mometi Za uzorak (X 1, X 2,..., X ) defiišemo momeat reda r kao M r = 1 cetrali momeat reda r: µ r = 1 k=1 (X k X ) r Xk r, k=1
44 Itervali uzorak Itervali uzorak astaje grupisajem elemeata početog uzorka u itervale I i. Ako imamo graice itervala I i, odoso deobee tačke m i, i = 0,1,...k i broj elemeata uzorka u itervalu i: frekvecije f i, i = 1,2,...k, kažemo da je to itervali uzorak. Delimiča rekostrukcija početog uzorka srediama itervala: smatramo da imamo f i komada elemeata jedakih x i = (m i + m i 1 )/2, sredii i-tog itervala. Poekad se aketirajem podaci prikupljaju u itervali uzorak. Formule za račuaje aritmetičke sredie i stadarde devijacije itervalog uzorka sa srediama x i, i = 1,2,...,k i frekvecijama f i, i = 1,2,...,k su i=1 k x2 i f i = k f i, i=1 x = k i=1 x i f i k i=1 f i, s = k i=1 f i x 2. Primer: Aketirai su kupci o vremeu u godiama do prvog kvara a bojleru I i [0,1] (1,2] (2,3] (3,5] (5,10] (10,20] f i U tabelu dodajemo: sredie, širie itervala, kumulative i korigovae frekvecije.
45 I i [0,1] (1,2] (2,3] (3,5] (5,10] (10,20] f i x i h i f i f i Histogram i poligo Neka iterval (a, b) R sadrži sve vredosti obeležja X. Taj iterval delimo tačkama a := m 0 < m 1 < < m k =: b a k poditervala: I 1 = [m 0,m 1 ], I 2 = (m 1,m 2 ],..., I k = (m k 1,m k ]. Širia itervala I i je h i := m i m i 1, a frekvecija f i je broj elemeata u itervalu I i Nad svakim od poditervala I i, i {1,2,...,k} acrtamo pravougaoik visie f i = f i h i, gde je f i frekvecija, a h i širia i-tog itervala. Dobili smo histogram realizovaog uzorka. Neka je x i sredia itervala I i, i {1,2,...,k}. Neka je x 0 tačka a x-osi koja je od a maja za ooliko koliko je x 1 veća od a i eka je x k+1 tačka a x-osi koja je od b veća za ooliko koliko je x k maja od b. Izlomljeu liija koja polazi od x 0, prolazi kroz tačke (x i, f i h i ) i završava u tački x k+1 azivamo poligoom realizovaog uzorka.
46 Modus uzorka Modus je oa vredost obeležja X kojoj odgovara ajveća frekvecija. Ako je uzorak itervali sa itervalima iste veličie, oda se modus alazi a sledeći ači Mo = m s 1 + d r 1 r 1 +r 2 gde je I s = (m s 1,m s ) iterval sa ajvećom frekvecijom (modali iterval), d je dužia itervala, r 1 = f s f s 1 je razlika ajveće frekveije i frekvecije iz itervala koji prethodi modalom, r 2 = f s f s+1 je razlika ajveće frekvecije i frekvecije iz itervala posle modalog. Medijaa uzorka Medijaa Me je sredia uzorka, odoso to je oa vredost realizovaog uzorka za koju važi P(X < Me) = P(X > Me). Ako je uzorak eopadajući medijaa se izračuava: Me =, za eparo, odoso 1 2 (x + x 2 ( 2 +1) ) za paro. x +1 2 Ako je uzorak itervali veličie oda se medijaa račua Me = m l 1 + h 2 k l 1 l f l, gde je I l = (m l 1,m l ) medijali iterval, h l = m l m l 1 širia medijalog itervala, k l 1 = l 1 i=1 f i kumulativa frekvecija itervala I l 1 koji prethodi medijalom itervalu I l, f l frekvecija medijalog itervala. Medijali iterval I l je iterval sa ajmajom kumulativom frekvecijom većom od 2.
47 Uzoračka fukcija raspodele Uzoračka (empirijska) fukcija raspodele F obeležja X je fukcija defiisaa za svako x a sledeći ači: F (x) = N x gde je N x broj elemeata uzorka koji su maji ili jedaki od x, a je obim realizovaog uzorka. Realizovaa empirijska fukcija raspodele f je data sa f (x) = x gde je x realizovaa vredost promeljive N x a uzorku (x 1, x 2,..., x ). Kvatili (percetili) Za slučaju pormeljivu X p-ti kvatil je vredost x za koju je F(x) = p. (za percetil p/100) Vredost x za koju je F(x) = P(X x) = k/4 zovemo k-ti kvartil, Q k, k = 1,2,3. Za X : N (0,1) u R-u qorm(.25) daje prvi kvartil. porm(x) daje fukciju F(x) = Φ(x).
48 Za uzorak obeležja X Isto kao za slučaju promeljivu, samo se umesto fukcije raspodele koristi (aproksimativo) uzoračka fukcija raspodele. Iter-kvartili razmak (IQR) Mera rasutosti uzorka IQR = Q 3 Q 1, gde su Q 3 i Q 1 redom treći i prvi kvartil. Q-Q plot Crtaju se tačke u ravi. Apscise se uzimaju iz realizovae vredosti uzorka, ordiate su kvatili iz pretpostavljee raspodele. Dobijei skup tačaka treba da daje pravu liiju ako se raspodele slažu. Pri crtaju se može povući liija kvatila raspodele. U R-u: qqorm i qqlie. Box plot Box plot je kutija (pravougaoik) sa telom od prvog do trećeg kvartila, liijom preko medijae i brkovima a Q IQR i Q IQR.
49 Tačkaste ocee parametara Raspodela obeležja zavisi od (epozatog) parametra θ, kojeg ocejujemo pomoću (realizovae vredosti) uzorka. Ocea eke fukcija parametra τ(θ) je statistika U = u(x 1, X 2,..., X ) čija realizovaa vredost u(x 1, x 2,..., x ) je bliska τ(θ). Ocea U je postojaa za τ(θ) ako lim P( τ(θ) u(x 1, X 2,..., X ) > ε) = 0 za sve ε > 0. Ocea U je cetriraa za τ(θ) ako E(u(X 1, X 2,..., X )) = τ(θ), a asimptotski cetriraa ako lim E(u(X 1, X 2,..., X )) = τ(θ). PRIMER 43 Ispitati postojaost ocee X za m, obeležja X : N (m,σ). Aritmetička sredia uzorka X je cetriraa i postojaa ocea parametra koji je jedak matematičkom očekivaju obeležja. PRIMER 44 Naći cetrirau oceu parametra koji je jedak disperziji obeležja. Sredja kvadrata greška ocee U za τ(θ) je E((U τ(θ)) 2 ) = D(U) + ((E(U) τ(θ)) 2. Ako su U 1 i U 2 cetrirae ocee za τ(θ) i D(U 1 ) < D(U 2 ), kažemo da je ocea U 1 efikasija od U 2. Za eko obeležje i parametar postoji ajbolja disperzija σ0 2 koja se može postići.
50 Metod momeata Ocee parametara dobijamo iz jedačia u kojima izjedačavamo uzoračke mometa sa mometima obeležja. PRIMER 45 Metodom momeata aći ocee parametara m i σ obeležja X : N (m,σ). Metod maksimale verodostojosti Za oceu parametra θ od koga zavisi gustia raspodele ϕ(x,θ) ili zako raspodele p i = p(x i,θ) uzima se vredost θ = θ(x 1, x 2,..., x ) za koju se ostvaruje maksimum (ako postoji) fukcije verodostojosti koja se za realizovau vredost uzorka (x 1, x 2,..., x ) račua: { ϕ(x1,θ) ϕ(x L = L(x 1, x 2,..., x,θ) = 2,θ)... ϕ(x,θ), eprekido p(x 1,θ) p(x 2,θ)... p(x,θ), diskreto obeležje PRIMER 46 Naći oceu maksimale verodostojosti parametara m i σ 2 za X : N (m,σ). PRIMER 47 Naći oceu maksimale verodostojosti parametra λ obeležja X : P(λ), ispitati jeu cetriraost i postojaost.
51 Itervali povereja Za obeležje X raspodele F(x,θ), sa uzorkom (X 1, X 2,..., X ), ako su U 1 = u 1 (X 1, X 2,..., X ) i U 2 = u 2 (X 1, X 2,..., X ) statistike za koje važi P(U 1 < θ < U 2 ) = β, gde je β uapred zadat ivo povereja, oda je (U 1,U 2 ) iterval povereja širie β. Za očekivaje m obeležja X : N (m,σ), σ pozato Ako X : N (m,σ) oda X : N (m,σ/ ), odoso, oda Z = X m : N (0,1). σ Ozačimo sa z β vredost za koju je P ( ) ( ( ) ) Z < z β = β. z β = Φ 1 1+β 2 je 1+β 2 kvatil. σ σ Oda je U 1 = X z β, U 2 = X + z β. Izraz σ azivamo stadarda greška. Za očekivaje m obeležja X : N (m,σ), σ epozato Ako X : N (m,σ) oda T = X m S 1 = X m S : t 1.
52 Ozačimo sa t β vredost za koju je P ( ) T < t β. (tβ je (1 + β)/2 kvatil raspodele t 1.) S S Oda je U 1 = X t β S, U 2 = X + t β. Stadarda greška je = S PRIMER 48 Naći 90% iterval povereja za sredju vredost m obeležja sa ormalom N (m, σ) raspodelom (a) Ako je pozato σ = 3, (b) ako je σ epozato, za uzorak (17.3,12.9,10.4,11.9,9.9,8.9,9.9,6.3,12.9,9.4). ( = 10, x = 10.98, s = , z 0.9 = 1.645, t 0.9 = 1.833) > x< c(17.3, 12.9, 10.4, 11.9, 9.9, 8.9, 9.9, 6.3, 12.9, 9.4) > < 10; x< mea(x); s< sd(x); z< qorm(.95); t< qt(.95,9); > x z 3/sqrt(10) [1] > x+z 3/sqrt(10) [1] > x t s/sqrt(10) [1] > x+t s/sqrt(10) [1]
53 Za disperziju σ 2 obeležja X : N (m,σ) Ako X : N (m,σ) oda Y = S 2 σ 2 : χ2 1. Neka su y (1 β)/2 i y (1+β)/2 redom (1 β)/2 i (1 + β)/2 kvatili χ 2 1 P(y (1 β)/2 < Y < y (1+β)/2 ) = β. Oda P ( S 2 y (1+β)/2 < σ 2 < S 2 y (1 β)/2 ) = β, odoso, P ( S 2 y (1+β)/2 < σ < raspodele, odoso, S 2 y (1 β)/2 PRIMER 49 Naći 90% iterval povereja za epozatu varijasu obeležja iz primera 48. > y0< qchisq(.05,9); y1< qchisq(.95,9); # astavak iz primera 48 > 9 s^2/y1 [1] > 9 s^2/y0 [1] Za epozatu verovatoću p Ako obeležje ima Berulijevu raspodelu: X : ( p p ) = β. ), aći iterval povereja za p.
54 K p ( ) Moavr-Laplasova teorema: za K = X i, Z : N (0,1). Za z β = Φ 1 1+β p (1 p) važi ( ) ( ) K p 2 β P < z β = P K p < z 2 β = p (1 p) p (1 p) ( ) = P ( 2 + z 2 β )p2 + ( 2K z 2 β )p + K2 < 0 = P (U 1 < p < U 2 ), gde su U 1,2 rešeja kvadrate jedačie. PRIMER 50 U filmu I-origi radi se test: 25 puta se postavlja pitaje sa istom verovatoćom tačog odgovora. Kadidat 11 puta odgovara tačo. Naći 90% iterval povereja za epozatu verovatoću tačog odgovora. > < 25; K< 11; z< qorm(.95); > a< ^2+z ; b< 2 K z^2 ; c< K^2; d< b^2 4 a c; > x1< ( b sqrt(d))/2/a; x2< ( b+sqrt(d))/2/a; > x1 [1] > x2 [1]
55 Testiraje hipoteza Statistički testovi Hipoteza H 0 protiv H 1 Usvojea H 0 Usvojea H 1 Tača H 0 OK Greška I vrste Tača H 1 Greška II vrste OK Parametarske hipoteze Zadaje se prag začajosti α (recimo α = 5% = 0.05) Bira se parametar raspodele obeležja (θ). Nalazi se ocea parametra θ = h(x 1,..., x ). Nalazi se kritiča oblast C (koja daje edozvoljee vredosti) parametra, takva da je P( ˆθ = h(x 1,..., X ) C) = α. Račua se statistika uzorka θ = h(x 1, x 2,..., x ) i ako θ C, odbacujemo H 0 (i usvajamo H 1 )
56 H 0 (m = m 0 ) protiv H 1 (m = m 0 ) za X : N (m,σ), σ pozato Koristimo iterval povereja za epozato očekivaje m obeležja sa ormalom raspodelom, σ pozato, ( širie β = ) 1 α. (X : N (0,1)) σ m 0 C = R\ x z β z := x m 0 σ > zβ α := P H0 ( X > x m 0 ) σ < α H 0 (m = m 0 ) protiv H 1 (m = m 0 ) za X : N (m,σ), σ epozato Koristimo iterval povereja za epozato očekivaje m obeležja sa ormalom raspodelom, σ epozato, ( širie β ) = 1 α. (T : t 1 ) s m 0 C = R\ x t β t := x m 0 s > tβ α := P H0 ( T > x m 0 ) s < α PRIMER 51 Testirati hipotezu H 0 (m = 13) za uzorak iz zadatka 48. PRIMER 52 Testirati hipotezu H 0 (p = 1/3) za uzorak iz zadatka 50.
57 H 0 (σ 2 = σ0 2) protiv H 1(σ 2 = σ0 2 ) za X : N (m,σ) Koristimo β = 1 α iterval povereja za epozatu varijasu σ 2 obeležja sa ormalom raspodelom. s 2 < σ0 2 < s2 H 0 e odbacujemo y (1+β)/2 y (1 β)/2 Jedostrai testovi Alterativa hipoteza je H 1 (m < m 0 ) ili H 1 (m > m 0 ) ( ) Koristimo jedostrae itervale povereja sa z 1 = Φ 1 (β) umesto z β = Φ 1 1+β Za varijasu H 1 (σ 2 > σ 2 0 ) koristimo jedostrai iterval povereja ( 0, s2 kvatil koji odgovara α = 1 β za χ 2 1. y 1 β 2 ), gde je y 1 β PRIMER 53 Za uzorak iz zadatka 48 testirati hipotezu H 0 (σ 2 = 25) protiv H 1 (σ 2 > 25). > 9 s^2/y0; # astavak iz primera 48 i 49 [1] # odbacujemo hipotezu
58 Testiraje jedakosti sredjih vredosti dva obeležja H 0 (m 1 = m 2 ) protiv H 1 (m 1 = m 1 ), σ 1, σ 2 pozato, obeležja sa N (m 1,σ 1 ) i N (m 2,σ 2 ) raspodelama Koristimo statistiku Z := X 1 X 2 σ σ2 2 2 H 0 (m 1 = m 2 ) protiv H 1 (m 1 = m 2 ) (T-test) Koristimo statistiku T := X 1 X 2, gde je σ = σ koja ima N (0,1) raspodelu 1 S S , koja ima t raspodelu T-test parova Koristi se kad imamo dva obeležja sa upareim vredostima ("pre" i "posle"): x 1, x 2,..., x i y 1,y 2,...,y. Nalazimo t 1 = x 1 y 1,t 2 = x 2 y 2,...,t = x y i testiramo H 0 (m = 0) protiv H 1 (m = 0) ili H 1 (m < 0) ili H 1 (m > 0), sa σ epozato za uzorak t 1,t 2,...,t
59 Neparametarski testovi H 0 (F(x) = F 0 (x)) protiv H 1 (F(x) = F 0 (x)) χ 2 test Uzorak se grupiše u itervale I i, sa deobeim tačkama m i, i = 0,1,...k i brojem elemeata uzorka u itervalu i jedak f i, i = 1,2,...k. (Treba f i 5.) Može se pokazati da se za dovoljo veliki obim uzorka, raspodela statistike Y = k (F i p i ) 2, gde je p i = P(m i 1 < X m i ), f i realizovaa vredost F i, p i=1 i može aproksimirati χ 2 k 1 raspodelom. Ako se ocejuje s parametara, oda χ2 k 1 s. Ako realizovaa vredost statistike y > y 1 α, gde je y 1 α kvatil χ 2 raspodele sa k 1 s stepei slobode, s = broj ocejivaih parametara, odbacujemo ultu hoipotezu H 0. PRIMER 54 U Medelovim eksperimetima ukrštei pasulji su dali 315 okruglih žutih, 108 okruglih zeleih, 101 aboraih žutih i 32 aboraa zelea zra. Po jegovoj teoriji, jihov odos bi trebao biti 9:3:3:1. Da li je jegova teorija isprava? Kolika je p-vredost?
60 Tabela kotigecije χ 2 -test ezavisosti obeležja. Obeležje X uzima m mogućih vredosti, Y uzima mogućih vredosti. Formira se tabela m verovatoća izračuatih preko margialih verovatoća p i,j = p i p j, koje se dobijaju koristeći margiale frekvecije. Statistika Y = i,j slobode. (F i,j p i p j ) 2 p i p j ima približo χ 2 raspodelu sa (m 1) ( 1) stepei PRIMER 55 U tabeli su dati brojevi studeata koji su položili i pali kolokvijum kod tri asisteta. Testirati hipotezu da su proceti položeih ezavisi od asisteta. X Y Z pali položili ukupo chisq. test (matrix(c(50,5,47,14,56,8), col = 3)) # p value =
61 Test Kolmogorov-Smirov Primejujemo ga za pozatu eprekidu raspodelu Statistika koju koristimo je D = sup F (x) F(x), važi P( D λ) D(λ), za, gde je x D(λ) fukcija raspodele Kolmogorov-Smirov čiji kvatili su λ 0.95 = 1.36 i λ 0.99 = PRIMER 56 Za 100 brojeva geerisaih pseudo-slučajim geeratorom u itervalu (0, 1) testirati da li su uiformo raspore dei testom Kolmogorov-Smirov sa pragom začajosti α = Pooviti testiraje 5000 puta. Proveriti u kojem procetu slučajeva hipoteza biva odbačea. set. seed(12345); < 5000; s< umeric(); for(k i 1:){s[k]< ks.test(ruif(100), puif )$p.value}; sum(s<.05)/
62 Regresija Za slučaje promeljive X i Y defiišemo kovarijasu: i koeficijet korelacije: Osobie: cov(x,y) = E ((X E(X)) (Y E(Y))) = E(X Y) E(X) E(Y) ρ X,Y = cov(x,y ) = cov 1. cov(x, X) = D(X) =: var(x) 2. X i Y ezavise ρ X,Y = cov(x,y) = 0 ( X E(X), Y E(Y) ) E(X Y) E(X) E(Y) = D(X) D(Y) D(X) D(Y) 3. ρ X,Y 1, ρ X,Y = 1 Y = ax + b, a,b R, a = 0 4. cov( m i=1 X i, j=1 5. var( X i ) = i=1 i=1 Y j ) = m j=1 i=1 j=1 cov(x i,y j ) cov(x i, X j ) = i=1 var(x i ) i<j cov(x i, X j )
63 6. ρ X,Y = ρ X1,Y 1, gde su X 1 = a + bx i Y 1 = c + dy, za pozitive kostate a,b,c,d. Ako posmatramo dvodimezioali uzorak (X 1,Y 1 ),(X 2,Y 2 ),...,(X,Y ), odoso, za realizovau vredost (x 1,y 1 ),(x 2,y 2 ),...,(x,y ), defiišemo uzorački koeficijet korelacije: r = = 1 1 i=1 i=1 1 (x i x ) (y i ȳ ) 1 = (x i x ) 2 1 (y i ȳ ) i=1 (x i x ) (y i ȳ ) i=1 = i x ) i=1(x 2 (y i ȳ ) 2 i=1 1 1 i=1 i=1 i=1 (x i x ) 2 i=1 (x i y i ) x ȳ 1 x 2 i x 2 (x i x ) (y i ȳ ) i=1 y 2 i ȳ i=1 (y i ȳ ) 2 U R-u cov (x,y) = 1 1 i=1 (x i x ) (y i ȳ ), cor (x,y) = cov (x,y) / sd (x) / sd (y)
64 Lieara regresija ajmajih kvadrata Za parova tačaka (x 1,y 1 ),(x 2,y 2 ),...,(x,y ), tražimo vezu izme du x i y u obliku prave liije y = a + bx. Tražimo vredosti a i b za koje fukcija g(a,b) = i=1 Fukcija g je koveksa i miimum je stacioara tačka: g a = 2 (y i (a + bx i )) ( 1) = 0, i=1 Rešavaje ovog sistema po a i b daje: b = i=1 g (y i (a + bx i )) 2 ostvaruje miimum. b = 2 (y i (a + bx i )) ( x i ) = 0. i=1 (x i x ) (y i ȳ ) s = y r s x = r s y (x i x ) 2 s, a = ȳ b x, x gde su s x i s y stadarde devijacije uzorka x i y, a s x i s y korigovae stadarde devijacije. Za tako izračuate a i b fukciju ŷ = a + bx zovemo prava ajmajih kvadrata. Vredosti ŷ i = a + bx i su predikcije. Važi ŷ = ȳ. Prava ajmajih kvadrata prolazi kroz ( x,ȳ ). ss x = (x i x ) 2, ss y = i=1 i=1 i=1 (y i ȳ ) 2, s xy = (x i x ) (y i ȳ ), r = s xy ssx ss y, b = s xy i=1 ss x.
65 Sa tim ozakama imamo: s xy = r ssx ssy ss x ssy, tako de: b = r ss x Može se pokazati: Tako de: i=1 Odatle: r 2 = i=1 = r ssy ssx. (y i ȳ ) 2 = ((y i ŷ i ) + (ŷ i ȳ )) 2 = (y i ŷ ) 2 + (ŷ i ȳ ) 2. i=1 (ŷ i ȳ ) 2 = (a + bx i (a + b x )) 2 = b 2 (x i x ) 2 = b 2 ss x = r 2 ss y. (ŷ i ȳ ) 2 i=1 i=1 (y i ȳ ) 2 = i= (ŷ i ȳ ) 2 i=1 i=1 (y i ȳ ) 2 = varijasa predikcija y varijasa realizovaih y, odoso, r2 100% je proceat varijase objašjee pravom liijom ajmajih kvadrata. i=1 i=1 i=1 Vredosti ɛ i = y i ŷ i zovemo reziduali. Rezidual plot je skup tačaka (x i,ɛ i ). PRIMER 57 Napraviti scatter plot, lieari model, aći koeficijet korelacije, apraviti rezidual plot i aći proceat varijacije koji se objašjava liearim modelom za uzorak: s f Aaliza varijase ANOVA (jedofaktorska) H 0 (m 1 = m 2 = = m G ), H 1 ( i, j,m i = m j )
66 Poljoprivredi proizvo dač želi da testira kvalitet četiri vrste semea soje: A, B, C, D i u tom cilju je odabrao 30 parcela iste površie koje imaju sliča kvalitet zemljišta, dreažu i izložeost sucu. Dobijei su sledeći priosi: Seme Prios A 46,43,43,46,44,42 B 51,58,62,49,53,51,50,59 C 37,39,41,38,39,37,42,36,40 D 42,43,42,45,47,50,48 Metodom aalize varijase ispitati da li postoje razlike u prosečim priosima soje kod semea A, B, C, D sa ivoom začajosti α = > read.csv("priosi.csv")->priosi > boxplot(prios ~ seme, data = priosi) > summary(priosi) prios seme Mi. :36.00 A:6 1st Qu.:41.25 B:8 Media :43.50 C:9 Mea :45.43 D:7 3rd Qu.:49.75 Max. :62.00 > priostab<-lm(prios~seme,data=priosi)
67 Aaliza varijase Fišerovom statistikom Grupa Mereje Grupa sredia 1 Y 11 Y 12 Y 11 Ȳ 1 2 Y 21 Y 22 Y 22 Ȳ G Y G1 Y G2 Y GG Ȳ G Y gk = m g + ɛ gk, gde je m g = E(Y gk ), Treatmet: SSTR = G Error: SSE = G g g=1 k=1 g g=1 k=1 SST = SSTR + SSE, S 2 g = 1 g 1 (Ȳ g Ȳ ) 2 = G Ȳ = 1 G g g=1 k=1 g=1 g (Ȳ g Ȳ ) 2 (Y gk Ȳ g ) 2, Total: SST = G g k=1 ( 1 1) S ( 2 1) S ( G 1) S 2 G ( 1 1) + ( 2 1) + + ( G 1) Y gk = 1 g g=1 k=1 G g Ȳ g g=1 (Y gk Ȳ ) 2 (Y gk Ȳ g ) 2, SSE = G ( g 1) S 2 = g=1 G ( g 1) S 2 g g=1 G ( Ȳ g = 1 g ) g Y gk k=1 g = SSE G
68 Neka su Y gk, k = 1,2,..., g, g = 1,2,...,G ezavise slučaje promeljive sa istim očekivajem u grupi: E(Y gk ) = m g i istom varijasom D(Y gk ) = σ 2 i eka m = G g m g /. g=1 ( ) SSTR Može se dokazati da je E = σ G ( ) SSE G 1 G 1 g (m g m) 2 i E = σ 2. G g=1 Tako de važi: Ako su Y gk, k = 1,2,..., g, g = 1,2,...,G ezavise slučaje promeljive sa ormalom raspodelom Y gk : N (m g,σ), k = 1,2,..., g, g = 1,2,...,G, oda 1. SSE i SSTR su ezavise 2. SSE/σ 2 ima χ 2 G raspodelu 3. Ako m 1 = m 2 = = m G, oda SSTR/σ 2 ima χ 2 G 1 raspodelu Odatle sledi: ako MSTR = SSTR G 1 SSE MSTR i MSE = G, statistika F = MSE ima F G 1, G raspodelu > aova(priostab) Aalysis of Variace Table Respose: prios Df Sum Sq Mea Sq F value Pr(>F) seme e-09 *** Residuals
69 Permutacioi testovi Primer 1 Mereo je u sekudama vreme potrebo mišu da iza de iz lavirita. Pod uticajem leka: 30, 25, 20 i bez uticaja leka: 18, 21, 22 (kotrola grupa). Ostvarea je razlika sredjih vredosti: ( x d x c = ( )/3 ( )/3 = 4.667s. 6 3) = 20 Ako se posmatraju kao jedako verovati svih 20 ishoda izbora 3 od 6 mereja, kolika je verovatoća da je razlika sredjih vredosti veća ili jedaka od ostvaree? Testiramo H 0 : "lek ema uticaja" protiv H 1 : "lek usporava", H 0 (µ d = µ c ) H 1 (µ d > µ c ). x<-c(30, 25, 20, 18, 21, 22) id<-t(matrix(c(1,2,3,1,2,4,1,2,5,1,2,6,1,3,4,1,3,5,...),row=3)) idex<-id[1,]; observed<-mea(x[idex])-mea(x[-idex]) result<-umeric(20) for(i i 1:20) { idex<-id[i,] result[i]<-mea(x[idex])-mea(x[-idex])} sum(result >= observed)/20 Dobijea verovatoća 3/20 = 0.15 e protivreči H 0 sa pragom začajosti α = 0.05.
70 Primer 2 Osoba A tvrdi da uvek ispade grb kada baci ovčić. Da bi dokazala, bacila je ovčić 3 puta i sva tri puta je ispao grb. Kolika je verovatoća da ispade grb u 3 bacaja ovčića? Testiramo H 0 : "bacaje ovčića osobe A ima uobičajeu verovatoću" protiv H 1 : "osoba A može da baci grb svaki put". Ne odbacujemo ultu hipotezu jer 1/8 = = 12.5% ije maja od α = 0.05 = 5%. Primer 3 Posmatramo Case study Beerwigs. Variable Geder Beer Hotwigs Descriptio Male or female Ouces of beer cosumed Number of hot wigs eate ID Hotwigs Beer Geder F F M Posmatramo Hotwigs u odosu a faktor Geder. Testiramo hipotezu H 1 da M pojede više Hotwigsa od F. H 0 je da ema razlike u Hotwigs u zavisosti od Geder.
71 ID Hotwigs Beer Geder Mi. : 1.00 Mi. : 4.00 Mi. : 0.0 F:15 1st Qu.: st Qu.: st Qu.:24.0 M:15 Media :15.50 Media :12.50 Media :30.0 Mea :15.50 Mea :11.93 Mea :26.2 3rd Qu.: rd Qu.: rd Qu.:36.0 Max. :30.00 Max. :21.00 Max. :48.0 F M F M Geder Ostvarea ) vredost razlike sredjih vredosti je = 5.2. Imamo = mogućih izbora preobimo. Vršimo reuzorkovaje (resamplig). ( read.csv("beerwigs.csv")->krilca; summary(krilca) plot(hotwigs~geder,data=krilca) tapply(krilca$hotwigs,krilca$geder,mea) observed < Hotwigs <- krilca$hotwigs; N <- 9999; result <- umeric(n) for (i i 1:N) { idex<-sample(30,size=15,replace=false) result[i]<-mea(hotwigs[idex])-mea(hotwigs[-idex])} hist(result,xlab="hotwigs F - M") ablie(v=observed,col="blue") (sum(result <= observed) + 1)/(N + 1) p-value = 4e-4 α = Hotwigs Frequecy Histogram of result Hotwigs F M Vidimo da je verovatoća ovako velike razlike daleko maja od α = 0.05, odbacujemo H 0.
72 procedure TWO-SAMPLE PERMUTATION TEST(x, m,, dx) repeat Izaberi poduzorak m od m + vredosti x (bez vraćaja) Uporedi izabrau statistiku za izabraih m i preostalih vredosti util ima dovoljo uzoraka Izračuaj p-value kao proceat slučajeva u kojima je pore deje statistika dx Pomoži p-value sa 2 ako je u pitaju dvostrai test Nacrtaj histogram i ozači p-vredost (Opcioo) ed procedure Najčešće se za statistiku koristi aritmetička sredia, ali mogu i druge statistike. Ekvivaleti rezultati se dobijaju primeom rastuće fukcije a statistiku. Dodajemo 1 a brojilac i imeilac da bismo izbegli p-value = 0. Ovaj test e zahteva da uzorak ima ormalu raspodelu. Ovaj test je maje osetljiv a poduzorke ejedakih obima od t-testa (m ). Pažja!!! Uzastope primee ovog testa e daju istu p-value. Jedostrai test se primejuje ako je suprota alterativa očigledo emoguća. Odlučivaje za primeu jedostraog testa se e sme vršiti posle testiraja. Za veliko N, uzimaje uzoraka sa vraćajem i bez vraćaja daje približo iste verovatoće.
73 Tabela kotigecije Primer 4 Tabela odgovora za i protiv smrte kaze u odosu a ajviši ivo obrazovaja iz GSS2002.csv χ 2 = (ostvareo očekivao) 2 očekivao sve ćelije Educatio Favor Oppose rowsum % Bachelors Graduate HS JrColl Left HS colsum % procedure PERMUTATION TEST FOR INDEPENDENCE OF TWO VARIABLES(t 2 ) Izračuaj ostvareu χ 2 (t) repeat Permutuj a slučaja ači vrste jede koloe Izračuaj χ 2 (t) i upamti rezultat util ima dovoljo uzoraka Izračuaj p-value kao proceat slučajeva u kojima je upamćea χ 2 veća od ostvaree Nacrtaj histogram i ozači p-vredost (Opcioo) ed procedure
74 Testira se H 0 : parametri su ezavisi. read.csv("gss2002.csv")->gss2002 Educatio <- GSS2002$Educatio DeathPealty <- GSS2002$DeathPealty observed <- chisq.test(table(educatio, DeathPealty))$statistic N <- 10^4-1; result <- umeric(n) for (i i 1:N) { DP.permuted <- sample(deathpealty) GSS.table <- table(educatio, DP.permuted) result[i] <- chisq.test(gss.table)$statistic} hist(result, xlab = "chi-square statistic", mai = "Distributio"); ablie(v = observed, col = "blue") (sum(result >= observed) + 1)/(N+1) # p-value Frequecy Distributio of chi square statistic p-value = 1e-4 α = chi square statistic Kako je p-value = 1e-4 daleko maje od α = 0.05, odbacujemo H 0. Ako je H 0 tača, verovatoće pojediače ćelije (i, j) su p i,j = p i p j = rowsum a očekivae vredosti su p i,j = rowsum colsum = rowsum colsum. colsum, Ostvarea vredost χ 2 statistike je bila observed = 23.45, p-value za χ 2 test ezavisosti je 1-pchisq(observed,4) = 1.029e-4, što daje isti rezultat kao permutacioi test.
75 Permutacioi test za jedakost sredjih vredosti u više grupa (ANOVA) Primer 5 Sličo kao u prethodom primeru, možemo uraditi resamplig od (recimo) N = 10 4 permutacija vredosti priosa sa istim brojem po grupama. Oda umesto p-vredosti za ostvarei kvatil u Fišerovoj raspodeli, možemo koristiti proporciju broja vredosti Fišerove statistike koje prelaze preko ostvaree vredosti zadate raspodelom po grupama. observed <- aova(priostab)$f[1] prios <- priosi$prios <- legth(prios) N <- 10^4-1 results <- umeric(n) for (i i 1:N) { idex <- sample() priosi$prios <- prios[idex] results[i] <- aova(lm(prios~seme,data=priosi))$f[1]} (sum(results> observed) + 1) / (N + 1) # p-value Frequecy Distributio of F 3, 26 statistic p-value = 1e-4 α = α < α = 0.05 H 0 se odbacuje Histogram vredosti F statistike za permutovae priose Setimo se da je observed = i 1-pf(observed,3,26) = 5.781e-9, dobili smo isto kao sa kvatilom Fišerove statistike, H 0 se odbacuje.
76 Multipla regresija U liearoj regresiji ajmajih kvadrata smo za parove tačaka (x i,y i ),i = 1,..., tražili a i b koje za liearu zavisost y = a + bx daju miimalu sumu kvadrata reziduala. Moguće je proaći i koeficijete zavisosti y od parametara x 1,..., x p u formuli y = a + b 1 x b p x p. Može i za više zavisih promeljivih y i = a i + b i,1 x b i,p x p, i = 1,...,. Koeficijeti se ajlakše alaze matričim račuom. Mi koristimo fukcije ugra dee u R. Primer 6 Posmatramo Case study Spruce.csv, 72 zasa dea stabla praćea 5 godia. Variable Descriptio Tree Tree umber Competitio C (competitio), CR (competitio removed) Fertilizer F (fertilized), NF (ot fertilized) Ht.chage Chage (cm) i height Di.chage Chage (cm) i diameter
77 Kodiraćemo Competitio i Fertilizer brojevima: C 1 = ima kokureciju, CR 0 = ema kokureciju i F 1 = jeste dubreo, NF 0 = ije dubreo. Tree Competitio Fertilizer Ht.chage Di.chage read.csv("spruce.csv") -> Spruce lm(di.chage ~ Ht.chage + Fertilizer + Competitio, data = Spruce) Coefficiets: (Itercept) Ht.chage Fertilizer Competitio Formula za zavisost porasta prečika stabla u zavisosti od promee visie, dubreja i uištavaja kokurecije : Di.chage = Ht.chage Fertilizer Competitio
PRECIZNOST OCENA PROSTOG I STRATIFIKOVANOG SLUČAJNOG UZORKA NA TRŽIŠTU NAUČNIH ČASOPISA
Origiali auči rad Škola bizisa Broj 1/017 UDC 070.486:001.891 DOI 10.5937/skolbiz1-180 PRECIZOST OCEA PROSTOG I STRATIFIKOVAOG SLUČAJOG UZORKA A TRŽIŠTU AUČIH ČASOPISA emaja Lojaica *, Ekoomski fakultet
More informationSlika 1. Slika 2. Da ne bismo stalno izbacivali elemente iz skupa, mi ćemo napraviti još jedan niz markirano, gde će
Permutacije Zadatak. U vreći se nalazi n loptica različitih boja. Iz vreće izvlačimo redom jednu po jednu lopticu i stavljamo jednu pored druge. Koliko različitih redosleda boja možemo da dobijemo? Primer
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka Ana Spasić 2. čas 1 Mala studentska baza dosije (indeks, ime, prezime, datum rodjenja, mesto rodjenja, datum upisa) predmet (id predmeta, sifra, naziv, bodovi) ispitni rok
More informationTrougaone norme i primena u fazi skupovima
Sadržaj Predgovor... 3 1. Trougaoe orme i koorme... 5 1.1 Trougaoe orme... 5 1.2 Trougaoe koorme... 10 1.3 Neprekidost... 13 1.4 Algebarski aspekt... 15 1.5 Polugrupe i t-orme... 21 2. Fazi aritmetika...
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationVrednovanje opcija polisa osiguranja za katastrofe
Uiverzie u Novom Sadu Prirodo-maemaički fakule Deparma za maemaiku i iformaiku Jasa Mirović Vredovaje opcija polisa osiguraja za kaasrofe Maser rad Novi Sad, 3 Vredovaje opcija polisa osiguraja za kaasrofe
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationRešenja zadataka za vežbu na relacionoj algebri i relacionom računu
Rešenja zadataka za vežbu na relacionoj algebri i relacionom računu 1. Izdvojiti ime i prezime studenata koji su rođeni u Beogradu. (DOSIJE WHERE MESTO_RODJENJA='Beograd')[IME, PREZIME] where mesto_rodjenja='beograd'
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationUSLOVNE VEROVATNOĆE NEZAVISNOST DOGAĐAJA
2 LEKCIJA USLOVNE VEROVATNOĆE NEZAVISNOST DOGAĐAJA USLOVNE VEROVATNOĆE NEZAVISNOST DOGAĐAJA Defiicia uslove verovatoće Nea u esperimetu posmatramo dva slučaa događaa A i B Ao e pozato da se eda od ih,
More informationTEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationAlgoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationVIEWPOINTS. Slavica Jovetic* s comment on Correlation analysis of indicators of regional competitiveness: The case of the Republic of Serbia (2013)
Ecoomic Horizos May - August 2014 Volume 16 Number 2 161-163 Faculty of Ecoomics Uiversity of Kragujevac UDC: 33 eissn 2217-9232 www. ekfak.kg.ac.rs VIEWPOINTS Slavica Jovetic* s commet o Correlatio aalysis
More informationGeometrijsko mesto korena
Geometrijsko mesto korea U dosadašjem delu kursa su, između ostalog, bile razmatrae karakteristike SAU i povezaost tih karakteristika sa položajem polova sistema u kompleksoj ravi. Uočea je direkta zavisost
More informationAKSIOME I OSOBINE VEROVATNOĆE
. LEKCIJA AKSIOME I OSOBINE VEROVATNOĆE TEORIJA VEROVATNOĆE Teoria verovatoće proučava i obašava zakoitosti koe astau pri istovremeom uticau velikog broa slučaih faktora. Ova matematička disciplia e osova
More informationBivariate distributions
Bivariate distributions 3 th October 017 lecture based on Hogg Tanis Zimmerman: Probability and Statistical Inference (9th ed.) Bivariate Distributions of the Discrete Type The Correlation Coefficient
More informationFormulas for probability theory and linear models SF2941
Formulas for probability theory and linear models SF2941 These pages + Appendix 2 of Gut) are permitted as assistance at the exam. 11 maj 2008 Selected formulae of probability Bivariate probability Transforms
More information2. The volume of the solid of revolution generated by revolving the area bounded by the
IIT JAM Mathematical Statistics (MS) Solved Paper. A eigevector of the matrix M= ( ) is (a) ( ) (b) ( ) (c) ( ) (d) ( ) Solutio: (a) Eigevalue of M = ( ) is. x So, let x = ( y) be the eigevector. z (M
More informationZadatci sa ciklusima. Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva.
Zadatci sa ciklusima Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva. StrToIntDef(tekst,broj) - funkcija kojom se tekst pretvara u ceo broj s tim da je uvedena automatska kontrola
More informationReview: mostly probability and some statistics
Review: mostly probability and some statistics C2 1 Content robability (should know already) Axioms and properties Conditional probability and independence Law of Total probability and Bayes theorem Random
More informationThis does not cover everything on the final. Look at the posted practice problems for other topics.
Class 7: Review Problems for Final Exam 8.5 Spring 7 This does not cover everything on the final. Look at the posted practice problems for other topics. To save time in class: set up, but do not carry
More informationChapter 3, 4 Random Variables ENCS Probability and Stochastic Processes. Concordia University
Chapter 3, 4 Random Variables ENCS6161 - Probability and Stochastic Processes Concordia University ENCS6161 p.1/47 The Notion of a Random Variable A random variable X is a function that assigns a real
More informationODRE\IVANJE OPTIMALNE ARHITEKTURE INERCIJALNOG MERNOG BLOKA SA STANOVI[TA POGODNOSTI DETEKCIJE OTKAZA SENZORA
Dr Sloboda Jai}ijevi}, pukovik, dipl. i`. VP 953, Beograd ODRE\IVANJE OPIMALNE ARHIEKURE INERCIJALNOG MERNOG BLOKA SA SANOVI[A POGODNOSI DEEKCIJE OKAZA SENZORA UDC: 69.7.05 : 57 : 68.586 Rezime: U ovom
More informationPartial Solutions for h4/2014s: Sampling Distributions
27 Partial Solutions for h4/24s: Sampling Distributions ( Let X and X 2 be two independent random variables, each with the same probability distribution given as follows. f(x 2 e x/2, x (a Compute the
More informationRed veze za benzen. Slika 1.
Red veze za benzen Benzen C 6 H 6 je aromatično ciklično jedinjenje. Njegove dve rezonantne forme (ili Kekuléove structure), prema teoriji valentne veze (VB) prikazuju se uobičajeno kao na slici 1 a),
More informationExercises and Answers to Chapter 1
Exercises and Answers to Chapter The continuous type of random variable X has the following density function: a x, if < x < a, f (x), otherwise. Answer the following questions. () Find a. () Obtain mean
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationContinuous Random Variables
1 / 24 Continuous Random Variables Saravanan Vijayakumaran sarva@ee.iitb.ac.in Department of Electrical Engineering Indian Institute of Technology Bombay February 27, 2013 2 / 24 Continuous Random Variables
More informationAppendix A : Introduction to Probability and stochastic processes
A-1 Mathematical methods in communication July 5th, 2009 Appendix A : Introduction to Probability and stochastic processes Lecturer: Haim Permuter Scribe: Shai Shapira and Uri Livnat The probability of
More informationIskazna logika 1. Matematička logika u računarstvu. oktobar 2012
Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia oktobar 2012 Iskazi, istinitost, veznici Intuitivno, iskaz je rečenica koja je ima tačno jednu jednu
More informationMATH 38061/MATH48061/MATH68061: MULTIVARIATE STATISTICS Solutions to Problems on Random Vectors and Random Sampling. 1+ x2 +y 2 ) (n+2)/2
MATH 3806/MATH4806/MATH6806: MULTIVARIATE STATISTICS Solutions to Problems on Rom Vectors Rom Sampling Let X Y have the joint pdf: fx,y) + x +y ) n+)/ π n for < x < < y < this is particular case of the
More informationPCMI Introduction to Random Matrix Theory Handout # REVIEW OF PROBABILITY THEORY. Chapter 1 - Events and Their Probabilities
PCMI 207 - Introduction to Random Matrix Theory Handout #2 06.27.207 REVIEW OF PROBABILITY THEORY Chapter - Events and Their Probabilities.. Events as Sets Definition (σ-field). A collection F of subsets
More informationLecture Notes 1 Probability and Random Variables. Conditional Probability and Independence. Functions of a Random Variable
Lecture Notes 1 Probability and Random Variables Probability Spaces Conditional Probability and Independence Random Variables Functions of a Random Variable Generation of a Random Variable Jointly Distributed
More informationUC Berkeley Department of Electrical Engineering and Computer Science. EE 126: Probablity and Random Processes. Problem Set 8 Fall 2007
UC Berkeley Department of Electrical Engineering and Computer Science EE 6: Probablity and Random Processes Problem Set 8 Fall 007 Issued: Thursday, October 5, 007 Due: Friday, November, 007 Reading: Bertsekas
More informationLecture Notes 1 Probability and Random Variables. Conditional Probability and Independence. Functions of a Random Variable
Lecture Notes 1 Probability and Random Variables Probability Spaces Conditional Probability and Independence Random Variables Functions of a Random Variable Generation of a Random Variable Jointly Distributed
More informationMeasure-theoretic probability
Measure-theoretic probability Koltay L. VEGTMAM144B November 28, 2012 (VEGTMAM144B) Measure-theoretic probability November 28, 2012 1 / 27 The probability space De nition The (Ω, A, P) measure space is
More informationLecture 6 Basic Probability
Lecture 6: Basic Probability 1 of 17 Course: Theory of Probability I Term: Fall 2013 Instructor: Gordan Zitkovic Lecture 6 Basic Probability Probability spaces A mathematical setup behind a probabilistic
More informationRandom Variables. Random variables. A numerically valued map X of an outcome ω from a sample space Ω to the real line R
In probabilistic models, a random variable is a variable whose possible values are numerical outcomes of a random phenomenon. As a function or a map, it maps from an element (or an outcome) of a sample
More informationLIST OF FORMULAS FOR STK1100 AND STK1110
LIST OF FORMULAS FOR STK1100 AND STK1110 (Version of 11. November 2015) 1. Probability Let A, B, A 1, A 2,..., B 1, B 2,... be events, that is, subsets of a sample space Ω. a) Axioms: A probability function
More information1 Review of Probability and Distributions
Random variables. A numerically valued function X of an outcome ω from a sample space Ω X : Ω R : ω X(ω) is called a random variable (r.v.), and usually determined by an experiment. We conventionally denote
More informationCh 2: Simple Linear Regression
Ch 2: Simple Linear Regression 1. Simple Linear Regression Model A simple regression model with a single regressor x is y = β 0 + β 1 x + ɛ, where we assume that the error ɛ is independent random component
More informationGaussian processes for inference in stochastic differential equations
Gaussian processes for inference in stochastic differential equations Manfred Opper, AI group, TU Berlin November 6, 2017 Manfred Opper, AI group, TU Berlin (TU Berlin) inference in SDE November 6, 2017
More informationLecture 11. Probability Theory: an Overveiw
Math 408 - Mathematical Statistics Lecture 11. Probability Theory: an Overveiw February 11, 2013 Konstantin Zuev (USC) Math 408, Lecture 11 February 11, 2013 1 / 24 The starting point in developing the
More informationVerona Course April Lecture 1. Review of probability
Verona Course April 215. Lecture 1. Review of probability Viorel Barbu Al.I. Cuza University of Iaşi and the Romanian Academy A probability space is a triple (Ω, F, P) where Ω is an abstract set, F is
More informationMathematical Preliminaries
Mathematical Preliminaries Economics 3307 - Intermediate Macroeconomics Aaron Hedlund Baylor University Fall 2013 Econ 3307 (Baylor University) Mathematical Preliminaries Fall 2013 1 / 25 Outline I: Sequences
More informationProbability and Distributions
Probability and Distributions What is a statistical model? A statistical model is a set of assumptions by which the hypothetical population distribution of data is inferred. It is typically postulated
More informationGrant MacEwan University STAT 252 Dr. Karen Buro Formula Sheet
Grat MacEwa Uiversity STAT 5 Dr. Kare Buro Formula Sheet Descriptive Statistics Sample Mea: x = x i i= Sample Variace: s = i= (x i x) = Σ i=x i (Σ i= x i) Sample Stadard Deviatio: s = Sample Variace =
More informationFE 5204 Stochastic Differential Equations
Instructor: Jim Zhu e-mail:zhu@wmich.edu http://homepages.wmich.edu/ zhu/ January 20, 2009 Preliminaries for dealing with continuous random processes. Brownian motions. Our main reference for this lecture
More information2 (Statistics) Random variables
2 (Statistics) Random variables References: DeGroot and Schervish, chapters 3, 4 and 5; Stirzaker, chapters 4, 5 and 6 We will now study the main tools use for modeling experiments with unknown outcomes
More informationAsymptotics. Hypothesis Testing UMP. Asymptotic Tests and p-values
of the secod half Biostatistics 6 - Statistical Iferece Lecture 6 Fial Exam & Practice Problems for the Fial Hyu Mi Kag Apil 3rd, 3 Hyu Mi Kag Biostatistics 6 - Lecture 6 Apil 3rd, 3 / 3 Rao-Blackwell
More informationAritmetička sredina i standardna devijacija
10 Aritmetička sredia i stadarda devijacija Tvrtko Tadić 1 Kao što smo vidjeli u prošlom člaku ([4]), podatci daas dolaze u ogromim količiama i zaju biti popriličo epregledi. Cilj grafičkog prikazivaja
More informationMAS113 Introduction to Probability and Statistics. Proofs of theorems
MAS113 Introduction to Probability and Statistics Proofs of theorems Theorem 1 De Morgan s Laws) See MAS110 Theorem 2 M1 By definition, B and A \ B are disjoint, and their union is A So, because m is a
More informationSimple Linear Regression
Simple Liear Regressio 1. Model ad Parameter Estimatio (a) Suppose our data cosist of a collectio of pairs (x i, y i ), where x i is a observed value of variable X ad y i is the correspodig observatio
More informationYU ISSN UNIVERZITET u B E 0 G R A D U PUBLIKACIJE SERIJA: .N2 600 (1977) BEOGRAD
YU ISSN 0522-8441 UNIVERZITET u B E 0 G R A D U PUBLIKACIJE ELEKTROTEHNICKOG FAKULTETA SERIJA: MATEMATIKA I FIZIKA.N2 600 (1977) BEOGRAD PUBLIKACIJE ELEKTROTEHNltKOG FAKULTETA UNIVERZITETA U BEOGRADU PUBLICATIONSDE
More informationEcon 325: Introduction to Empirical Economics
Eco 35: Itroductio to Empirical Ecoomics Lecture 3 Discrete Radom Variables ad Probability Distributios Copyright 010 Pearso Educatio, Ic. Publishig as Pretice Hall Ch. 4-1 4.1 Itroductio to Probability
More informationFinal Examination Statistics 200C. T. Ferguson June 10, 2010
Fial Examiatio Statistics 00C T. Ferguso Jue 0, 00. (a State the Borel-Catelli Lemma ad its coverse. (b Let X,X,... be i.i.d. from a distributio with desity, f(x =θx (θ+ o the iterval (,. For what value
More informationTable of z values and probabilities for the standard normal distribution. z is the first column plus the top row. Each cell shows P(X z).
Table of z values and probabilities for the standard normal distribution. z is the first column plus the top row. Each cell shows P(X z). For example P(X.04) =.8508. For z < 0 subtract the value from,
More informationKonstrukcija i analiza algoritama
Konstrukcija i analiza algoritama 27. februar 2017 1 Pravila zaključivanja i tehnike dokazivanja u iskaznoj i predikatskoj logici 1 1.1 Iskazna logika Pravila zaključivanja za iskaznu logiku: 1. DODAVANJE
More informationTABLES AND FORMULAS FOR MOORE Basic Practice of Statistics
TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Explorig Data: Distributios Look for overall patter (shape, ceter, spread) ad deviatios (outliers). Mea (use a calculator): x = x 1 + x 2 + +
More informationARCS IN FINITE PROJECTIVE SPACES. Basic objects and definitions
ARCS IN FINITE PROJECTIVE SPACES SIMEON BALL Abstract. These notes are an outline of a course on arcs given at the Finite Geometry Summer School, University of Sussex, June 26-30, 2017. Let K denote an
More informationACM 116: Lectures 3 4
1 ACM 116: Lectures 3 4 Joint distributions The multivariate normal distribution Conditional distributions Independent random variables Conditional distributions and Monte Carlo: Rejection sampling Variance
More informationGaussian random variables inr n
Gaussian vectors Lecture 5 Gaussian random variables inr n One-dimensional case One-dimensional Gaussian density with mean and standard deviation (called N, ): fx x exp. Proposition If X N,, then ax b
More informationTABLES AND FORMULAS FOR MOORE Basic Practice of Statistics
TABLES AND FORMULAS FOR MOORE Basic Practice of Statistics Explorig Data: Distributios Look for overall patter (shape, ceter, spread) ad deviatios (outliers). Mea (use a calculator): x = x 1 + x 2 + +
More informationElementary ODE Review
Elementary ODE Review First Order ODEs First Order Equations Ordinary differential equations of the fm y F(x, y) () are called first der dinary differential equations. There are a variety of techniques
More informationRegression and Statistical Inference
Regression and Statistical Inference Walid Mnif wmnif@uwo.ca Department of Applied Mathematics The University of Western Ontario, London, Canada 1 Elements of Probability 2 Elements of Probability CDF&PDF
More informationSome Basic Probability Concepts. 2.1 Experiments, Outcomes and Random Variables
Some Basic Probability Cocepts 2. Experimets, Outcomes ad Radom Variables A radom variable is a variable whose value is ukow util it is observed. The value of a radom variable results from a experimet;
More informationSTATISTICAL METHODS FOR BUSINESS
STATISTICAL METHODS FOR BUSINESS UNIT 5. Joit aalysis ad limit theorems. 5.1.- -dimesio distributios. Margial ad coditioal distributios 5.2.- Sequeces of idepedet radom variables. Properties 5.3.- Sums
More informationP a g e 5 1 of R e p o r t P B 4 / 0 9
P a g e 5 1 of R e p o r t P B 4 / 0 9 J A R T a l s o c o n c l u d e d t h a t a l t h o u g h t h e i n t e n t o f N e l s o n s r e h a b i l i t a t i o n p l a n i s t o e n h a n c e c o n n e
More informationStatistics, Data Analysis, and Simulation SS 2015
Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 27. April 2015 Dr. Michael O. Distler
More informationPart IA Probability. Definitions. Based on lectures by R. Weber Notes taken by Dexter Chua. Lent 2015
Part IA Probability Definitions Based on lectures by R. Weber Notes taken by Dexter Chua Lent 2015 These notes are not endorsed by the lecturers, and I have modified them (often significantly) after lectures.
More informationIntroduction to Econometrics (4th Edition) Solutions to Odd-Numbered End-of-Chapter Exercises: Chapter 2*
Itroductio to Ecoometrics (4th Editio by James H. Stock ad Mark W. Watso Solutios to Odd-Numbered Ed-of-Chapter Exercises: Chapter 2* (This versio September 14, 2018 1 2.1. (a Probability distributio fuctio
More informationLinear Models and Estimation by Least Squares
Linear Models and Estimation by Least Squares Jin-Lung Lin 1 Introduction Causal relation investigation lies in the heart of economics. Effect (Dependent variable) cause (Independent variable) Example:
More informationTAMS24: Notations and Formulas
TAMS4: Notatios ad Formulas Basic otatios ad defiitios X: radom variable stokastiska variabel Mea Vätevärde: µ = X = by Xiagfeg Yag kpx k, if X is discrete, xf Xxdx, if X is cotiuous Variace Varias: =
More informationA L A BA M A L A W R E V IE W
A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N
More informationGood luck! School of Business and Economics. Business Statistics E_BK1_BS / E_IBA1_BS. Date: 25 May, Time: 12:00. Calculator allowed:
School of Busiess ad Ecoomics Exam: Code: Examiator: Co-reader: Busiess Statistics E_BK_BS / E_IBA_BS dr. R. Heijugs dr. G.J. Frax Date: 5 May, 08 Time: :00 Duratio: Calculator allowed: Graphical calculator
More informationUniversity of California, Los Angeles Department of Statistics. Practice problems - simple regression 2 - solutions
Uiversity of Califoria, Los Ageles Departmet of Statistics Statistics 00C Istructor: Nicolas Christou EXERCISE Aswer the followig questios: Practice problems - simple regressio - solutios a Suppose y,
More informationMathematics 170B Selected HW Solutions.
Mathematics 17B Selected HW Solutios. F 4. Suppose X is B(,p). (a)fidthemometgeeratigfuctiom (s)of(x p)/ p(1 p). Write q = 1 p. The MGF of X is (pe s + q), sice X ca be writte as the sum of idepedet Beroulli
More informationChp 4. Expectation and Variance
Chp 4. Expectation and Variance 1 Expectation In this chapter, we will introduce two objectives to directly reflect the properties of a random variable or vector, which are the Expectation and Variance.
More informationPractice Examination # 3
Practice Examination # 3 Sta 23: Probability December 13, 212 This is a closed-book exam so do not refer to your notes, the text, or any other books (please put them on the floor). You may use a single
More informationMULTIVARIATE PROBABILITY DISTRIBUTIONS
MULTIVARIATE PROBABILITY DISTRIBUTIONS. PRELIMINARIES.. Example. Consider an experiment that consists of tossing a die and a coin at the same time. We can consider a number of random variables defined
More informationProbability 2 - Notes 10. Lemma. If X is a random variable and g(x) 0 for all x in the support of f X, then P(g(X) 1) E[g(X)].
Probability 2 - Notes 0 Some Useful Iequalities. Lemma. If X is a radom variable ad g(x 0 for all x i the support of f X, the P(g(X E[g(X]. Proof. (cotiuous case P(g(X Corollaries x:g(x f X (xdx x:g(x
More informationErgodic Theorems. Samy Tindel. Purdue University. Probability Theory 2 - MA 539. Taken from Probability: Theory and examples by R.
Ergodic Theorems Samy Tindel Purdue University Probability Theory 2 - MA 539 Taken from Probability: Theory and examples by R. Durrett Samy T. Ergodic theorems Probability Theory 1 / 92 Outline 1 Definitions
More informationTestiranje statističkih hipoteza
5 Testiranje statističkih hipoteza Neka je X 1,..., X n slučajni uzorak iz populacije s razdiobom f(x θ), θ Θ R d i neka je za opaženi uzorak x 1,..., x n definirana funkcija vjerodostojnosti L: Θ R, n
More informationAlgorithms for Uncertainty Quantification
Algorithms for Uncertainty Quantification Tobias Neckel, Ionuț-Gabriel Farcaș Lehrstuhl Informatik V Summer Semester 2017 Lecture 2: Repetition of probability theory and statistics Example: coin flip Example
More informationEC212: Introduction to Econometrics Review Materials (Wooldridge, Appendix)
1 EC212: Introduction to Econometrics Review Materials (Wooldridge, Appendix) Taisuke Otsu London School of Economics Summer 2018 A.1. Summation operator (Wooldridge, App. A.1) 2 3 Summation operator For
More informationTransformations from R m to R n.
Transformations from R m to R n 1 Differentiablity First of all because of an unfortunate combination of traditions (the fact that we read from left to right and the way we define matrix multiplication
More informationChapter 2. Probability
2-1 Chapter 2 Probability 2-2 Section 2.1: Basic Ideas Definition: An experiment is a process that results in an outcome that cannot be predicted in advance with certainty. Examples: rolling a die tossing
More informationNOTES ON DISTRIBUTIONS
NOTES ON DISTRIBUTIONS MICHAEL N KATEHAKIS Radom Variables Radom variables represet outcomes from radom pheomea They are specified by two objects The rage R of possible values ad the frequecy fx with which
More informationPart IA Probability. Theorems. Based on lectures by R. Weber Notes taken by Dexter Chua. Lent 2015
Part IA Probability Theorems Based on lectures by R. Weber Notes taken by Dexter Chua Lent 2015 These notes are not endorsed by the lecturers, and I have modified them (often significantly) after lectures.
More informationLecture 3 - Expectation, inequalities and laws of large numbers
Lecture 3 - Expectation, inequalities and laws of large numbers Jan Bouda FI MU April 19, 2009 Jan Bouda (FI MU) Lecture 3 - Expectation, inequalities and laws of large numbersapril 19, 2009 1 / 67 Part
More informationZANIMLJIVI ALGEBARSKI ZADACI SA BROJEM 2013 (Interesting algebraic problems with number 2013)
MAT-KOL (Banja Luka) ISSN 0354-6969 (p), ISSN 1986-5228 (o) Vol. XIX (3)(2013), 35-44 ZANIMLJIVI ALGEBARSKI ZADACI SA BROJEM 2013 (Interesting algebraic problems with number 2013) Nenad O. Vesi 1 Du²an
More information5 Operations on Multiple Random Variables
EE360 Random Signal analysis Chapter 5: Operations on Multiple Random Variables 5 Operations on Multiple Random Variables Expected value of a function of r.v. s Two r.v. s: ḡ = E[g(X, Y )] = g(x, y)f X,Y
More information1: PROBABILITY REVIEW
1: PROBABILITY REVIEW Marek Rutkowski School of Mathematics and Statistics University of Sydney Semester 2, 2016 M. Rutkowski (USydney) Slides 1: Probability Review 1 / 56 Outline We will review the following
More informationThe variance of a sum of independent variables is the sum of their variances, since covariances are zero. Therefore. V (xi )= n n 2 σ2 = σ2.
SAMPLE STATISTICS A radom sample x 1,x,,x from a distributio f(x) is a set of idepedetly ad idetically variables with x i f(x) for all i Their joit pdf is f(x 1,x,,x )=f(x 1 )f(x ) f(x )= f(x i ) The sample
More informationLet X and Y denote two random variables. The joint distribution of these random
EE385 Class Notes 9/7/0 John Stensby Chapter 3: Multiple Random Variables Let X and Y denote two random variables. The joint distribution of these random variables is defined as F XY(x,y) = [X x,y y] P.
More informationMaster s Written Examination
Master s Written Examination Option: Statistics and Probability Spring 05 Full points may be obtained for correct answers to eight questions Each numbered question (which may have several parts) is worth
More informationLINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE
LINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE Linearni model Promatramo jednodimenzionalni linearni model. Y = β 0 + p β k x k + ε k=1 x 1, x 2,..., x p - varijable poticaja (kontrolirane) ε - sl.
More informationIII - MULTIVARIATE RANDOM VARIABLES
Computational Methods and advanced Statistics Tools III - MULTIVARIATE RANDOM VARIABLES A random vector, or multivariate random variable, is a vector of n scalar random variables. The random vector is
More informationStatistical Pattern Recognition
Statistical Pattern Recognition A Brief Mathematical Review Hamid R. Rabiee Jafar Muhammadi, Ali Jalali, Alireza Ghasemi Spring 2012 http://ce.sharif.edu/courses/90-91/2/ce725-1/ Agenda Probability theory
More information