Náhodný jev a definice pravděpodobnosti

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Náhodný jev a definice pravděpodobnosti"

Transkript

1 Náhodný jev a definice pravděpodobnosti Obsah kapitoly Náhodný jev. Vztahy mezi náhodnými jevy. Pravidla pro počítání s pravděpodobnostmi. Formule úplné pravděpodobnosti a Bayesův vzorec. Studijní cíle Naučit se pravidla pro počítání s pravděpodobnostmi. Výpočet podmíněné pravděpodobnosti pomocí Bayesova vzorce. Doba potřebná ke studiu Základní text hod. Příklady také hod. Pojmy k zapamatování Úvod Výkladová část Náhodný jev. Jev jistý. Jev nemožný. Průnik náhodných jevů. Sjednocení náhodných jevů. Rozdíl náhodných jevů. Opačný jev. Neslučitelné jevy. Klasická definice pravděpodobnosti. Statistická definice pravděpodobnosti. Pravděpodobnost součtu náhodných jevů. Pravděpodobnost součinu náhodných jevů. Podmíněná pravděpodobnost. Nezávislé jevy. Formule úplné pravděpodobnosti. Bayesův vzorec. Vysvětlíme si, co ve statistice a pravděpodobnosti považujeme za náhodný jev, definujeme si pravděpodobnost pomocí klasické a také pomocí statistické definice pravděpodobnosti. Seznámíme se s pravidly pro počítání s pravděpodobnostmi a naučíme se používat Bayesův vzorec. Náhodný jev a definice pravděpodobnosti V mnoha situacích se ve světě, který nás obklopuje setkáváme s pokusy typu za určitých podmínek vždy nastane určitý následek. Např. Zahřeje-li se voda při atmosférickém tlaku na 00 C, přeměňuje se v páru, takový jev se nazývá jev jistý. Jestliže naopak za určitých podmínek určitý následek nenastane nikdy. Např. Zahřeje-li se voda při atmosférickém tlaku na 00 C, přeměňuje se v led, hovoříme o jevu nemožném. Naproti tomu existují jevy, u nichž i při dodržení všech podmínek

2 mohou nastat různé výsledky. Např. při sebepečlivějším dodržení výrobních podmínek jsou některé výrobky vadné, tokovéto pokusy nazýváme náhodné. Ve svém životě se ve většině případů setkáváme právě s náhodnými pokusy. Výsledkem náhodného pokusu je náhodný jev. Náhodné jevy budeme označovat velkými písmeny A, B, C,... Mezi náhodnými jevy platí některé vztahy známe z teorie množin.. Jestliže při každé realizaci jevu A nastává i jev B. Jev A má za následek jev B, neboli jev A je částí jevu B. A B. Jevy A a B jsou rovnocenné. Jestliže pokaždé, kdy nastal jev A, nastal také jev B a naopak. A = B 3. Jev spočívající v nastoupení jak jevu A, tak i jevu B, nazýváme průnikem (logickým součinem) jevů A a B. A B 4. Jev spočívající v nastoupení alespoň jednoho z jevů A a B, nazýváme sjednocením jevů A a B. A U B 5. Rozdílem jevů A a B nazýváme jev, spočívající v nastoupení jevu A a současném nenastoupení jevu B. A B 6. Jev, který spočívá v nenastoupení jevu A, je jevem opačným k jevu A. Ā 7. Jev, který za realizace daného komplexu podmínek musí nastat nutně, je jev jistý. V Jev, který naopak za daných podmínek nastat nemůže, je jev nemožný. Ø 8. Jevy A a B se nazývají neslučitelné, jestliže výskyt jednoho z nich bude vylučovat možnost výskytu druhého jevu, tj. jejich průnik je nemožný. A B = Ø Definice pravděpodobnosti Existuje několik definic pravděpodobnosti. Klasická předpokládá se, že není důvod, abychom očekávali jeden z výsledků spíše než jiný.

3 P(A) = n m m počet výsledků příznivých jevu A n počet všech možných výsledků Př. : V dodávce 000 šroubů je jich 50 vadných. Jaká je pravděpodobnost, že mechanik, který z dodávky náhodně vybral jeden šroub, vybral špatný? 50 P(A) = 0, V některých případech není splněn základní požadavek klasické definice pravděpodobnosti, tj. předpoklad stejné možnosti všech jevů. V tomto případě se používá statistická definice pravděpodobnosti. Statistická relativní četnost výskytu jevu A P(A) = n m m počet pokusů v nichž nastal jev A n počet všech pokusů Jde vlastně o jakousi limitu relativních četností pro n blížící se. Př. : V osmi dodávkách součástek určitého druhu byl zjišťován počet vadných součástek Dodávka č Počet součástek Počet vadných Relativní četnost ,043 0,047 0,048 0,049 0,043 0,0430 0,043 0,043 Celkem ,0430 Pravděpodobnost převzetí vadné součástky je 0,043, tj. 4,3%. Rozdíl mezi klasickou a statistickou definicí pravděpodobnosti si ukážeme na příkladu pravděpodobnosti narození chlapce. Podle klasické pravděpodobnosti P(A) = /. Jsou dvě možnosti: buď se narodí chlapec nebo děvče. Není důvod, abychom očekávali jeden z výsledků spíše než druhý. Podíváme-li se na stránky Českého statistického úřadu na počty narozených dětí podle pohlaví (tab. 4-0.) můžeme určit statistickou pravděpodobnost.

4 Rok Živě narození Chlapci Relativní m četnost n , , , , ,59 Celkem ,533 Vidíme, že statistická pravděpodobnost se liší od klasické pravděpodobnosti P(A) = 0,5. Statistická pravděpodobnost se pohybuje kolem hodnoty P(A) = 0,5. Neznáme důvod, ale dlouhodobá pozorování ukazují, že pravděpodobnost pohlaví narozeného dítěte je mírně vychýlená ve prospěch chlapců. Pravidla pro počítání s pravděpodobnostmi Sčítání P(A U B) = P(A) + P(B) P(A B) součet pravděpodobností mínus pravděpodobnost průniku neslučitelné jevy P(A B)= 0 P(A U B) = P(A) + P(B) Př. 3: Pražská obchodní banka má zjištěno, že na tisíc šeků je jich 80 na částku do 5 000,-Kč 00 na částku 5 00,-Kč až 8 000,-Kč a 50 na částku 8 00,-Kč až 0 000,-Kč. Jaká je pravděpodobnost, že šek bude znít na částku nižší než 0 000,-Kč? Řešení: Označíme A šek zní na částku do 5 000,-Kč A šek zní na částku 5 00,-Kč až 8 000,-Kč A 3 šek zní na částku 8 00,-Kč až 0 000,-Kč. Jev, že podaný šek bude znít na částku nižší než 0 000,-Kč označíme B. Náhodný jev B lze vyjádřit pomocí neslučitelných náhodných jevů B = A U A U A 3 P(B) = P(A ) + P(A ) + P(A 3 ) = 0,08 + 0,0 + 0,5 = 0,53 Pravděpodobnost, že šek bude znít na částku nižší než 0 000,-Kč, je 53%. Násobení podmíněná pravděpodobnost P(A/ B) pravděpodobnost nastoupení jevu A za předpokladu, že

5 nastal jev B. Pravděpodobnost současného nastoupení dvou jevů A a B P(A B) = P(A/ B).P(B) = P(B/ A).P(A) součin pravděpodobnosti jednoho jevu a podmíněné pravděpodobnosti druhého jevu vzhledem k prvnímu jevu. nezávislé jevy pravděpodobnost nastoupení nebo nenastoupení jednoho z jevů neovlivňuje pravděpodobnost nastoupení nebo nenastoupení druhého jevu. Platí P(A/ B) = P(A), P(B/ A) = P(B) Pak platí P(A B) = P(A).P(B) Př. 4: Reklamní slogan propaguje s novým automobilem Mondavia najedete km bez vážné poruchy. Výrobce informoval své prodejce, že může dojít ke čtyřem klasickým vážným poruchám s následujícími pravděpodobnostmi: 5% motor 3% převodovka,3% brzdy % spojka. Jaká je pravděpodobnost, že by novináři mohli po testu jediného automobilu Mondavia považovat tento slogan za klamavý? Řešení: Označíme jev A porucha motoru jev A porucha převodovky jev A 3 porucha brzd jev A 4 porucha spojky Pravděpodobnost vážné poruchy určíme jako sjednocení jevů A až A 4. Jevy nejsou neslučitelné (může nastat např. porucha motoru a současně brzd atd.), musíme tedy odečíst pravděpodobnosti průniku dvou jevů, protože jsme tyto jevy započítaly jak v jednom tak i v druhém jevu; stejně tak musíme přičíst pravděpodobnosti nastoupení tří jevů současně, protože jsme tyto jevy třikrát započítaly a také třikrát odečetly (např. jev (A A A 3 ) jsme započítaly jak v jevu A tak v jevu A i v jevu A 3 a odečetli také třikrát a to v jevu A A i A A 3 i A A 3 atd. P(A UA UA 3 UA 4 ) = P(A ) + P(A ) + P(A 3 ) + P(A 4 ) P(A A ) P(A A 3 ) P(A A 4 ) P(A A 3 ) P(A A 4 ) P(A 3 A 4 ) + P(A A A 3 ) + P(A A A 4 ) + P(A A 3 A 4 ) + P(A A 3 A 4 ) P(A A A 3 A 4 ) = = 0,05 + 0,03 + 0,03 + 0,0 0,05. 0,03 0,05. 0,03 0,05. 0,0 0,03. 0,03 0,03. 0,0 0,03. 0,0 + 0,05. 0,03. 0,03 + 0,05. 0,03. 0,0 + 0,05. 0,03. 0,0 + 0,03. 0,03. 0,0 0,05. 0,03.

6 0,03. 0,0 = 0, Tento výpočet není moc pohodlný. Pro snadnější výpočet budeme zkoumat opačný jev, a to že nedojde k žádné poruše. Pravděpodobnost jevu, že nedojde k žádné poruše určíme jako průnik opačných jevů Ā až Ā 4. Tyto jevy jsou nezávislé. P(Ā Ā Ā 3 Ā 4 ) = P(Ā ). P(Ā ). P(Ā 3 ). P(Ā 4 ) = 0,95. 0,97. 0,987. 0,99 = 0, Pravděpodobnost poruchy je potom 0, = 0, Existuje tedy 9,96% pravděpodobnost, že by test mohl ukázat, že reklama je klamavá. Formule úplné pravděpodobnosti a Bayesův vzorec (zjednodušený pro dvě množiny) Chceme určit pravděpodobnost jevu A, který může nastat pouze ve spojení s jedním z jevů B a B, jež tvoří skupinu neslučitelných jevů, tj.platí pro ně P(B U B ) = P(B ) + (B ) = Tyto jevy budeme nazývat hypotézy. V tomto případě se jev A rozpadá na částečné případy AB a AB Protože platí P(A B ) = P(B ) P(A/ B ) a P(A B ) = P(B ) P(A/ B ) má formule úplné pravděpodobnosti tvar P(A) = P(B ) P(A/ B ) + P(B ) P(A/ B ) V případě, že jsou známy nejen nepodmíněné pravděpodobnosti P(B ), (B ) a podmíněné pravděpodobnosti P(A/ B ), P(A/ B ), ale je také známo, že výsledkem pokusu je nastoupení jevu A, zle podmíněné pravděpodobnosti P(B / A), P(B / A) pomocí Bayesova vzorce P( B ) P A/ B P(B / A) = P B P( A/ B ) P( B ) P( A/ B ) Př. 5: Pravděpodobnost, že žena ve věku 40 let onemocní rakovinou prsu, je %. V případě, že má rakovinu je pravděpodobnost, pozitivního testu na mamografu 90%. V případě, že nemá rakovinu, je pravděpodobnost pozitivního testu 9%. Určete jaká je pravděpodobnost, že žena, má rakovinu, pokud má pozitivní test? Řešení: Označíme jev A test je pozitivní jev B žena má rakovinu P(B ) = 0,0

7 jev B žena nemá rakovinu P(B ) = 0,99 jev A/ B test je pozitivní za předpokladu, že žena má rakovinu P(A/ B ) = 0,9 jev A/ B test je pozitivní za předpokladu, že žena nemá rakovinu P(A/ B ) = 0,09 Dosadíme do Bayesova vzorce P( B ) P A/ B P(B / A) = P B P( A/ B ) P( B ) P( A/ B ) 0,0 0,9 P(B / A) = = 0,097 tj. 9,7% 0,0 0,9 0,99 0,09 Pravděpodobnost, že 40-ti letá žena má rakovinu, za předpokladu, že má pozitivní test na mamografu je (možná překvapivě) pouze 9%. Rozšiřující text Shrnutí Kontrolní otázky a úkoly Definovali jeme si pravděpodobnost pomocí klasické a také pomocí statistické definice pravděpodobnosti. Seznámili jsme se s pravidly pro počítání s pravděpodobnostmi a naučili jsme se používat Bayesův vzorec. ) Potřebujeme do rána doručit dokument do Bruselu. Ze zkušenosti víme, že kurýrní služba A doručuje včas zásilky s 90% pravděpodobností, služba B s 88% pravděpodobností a služba C s 9% pravděpodobností. Jaká je pravděpodobnost, že alespoň jedna zásilka dorazí zítra před desátou, pokud využijeme všechny tři kurýrní služby? ) Je známo, že 90% výrobků odpovídá standardu. Byla vypracována zkouška, která u standardního výrobku dává kladný výsledek s pravděpodobností 0,95, zatímco u nestandardního s pravděp. 0,. Jaká je pravděpodobnost, že výrobek, u něhož zkouška dopadla kladně, je standardní? Seznam použitých zkratek P(A) pravděpodobnost nastoupení jevu A P(A/ B) pravděpodobnost nastoupení jevu A za předpokladu, že nastal jev B Studijní literatura Bílková, D. Budinský, P. Vohánka, V.: Pravděpodobnost a statistika. Aleš Čeněk, Plzeň, 009. Cyhelský, L. Souček, E.: Základy statistiky. EUPRESS, Praha 009. Hindls, R. Hronová, S. Seger, J.: Statistika pro ekonomy. Professional Publishing, Praha 004.

8 Odkazy Český statistický úřad Klíč k úkolům ) 99,9% ) 97,7%

PRAVDĚPODOBNOST A JEJÍ UŽITÍ

PRAVDĚPODOBNOST A JEJÍ UŽITÍ PRAVDĚPODOBNOST A JEJÍ UŽITÍ Základním pojmem teorie pravděpodobnosti je náhodný jev. náhodný jev : výsledek nějaké činnosti nebo pokusu, o němž má smysl prohlásit že nastal nebo ne. Náhodné jevy se označují

Více

Jevy A a B jsou nezávislé, jestliže uskutečnění jednoho jevu nemá vliv na uskutečnění nebo neuskutečnění jevu druhého

Jevy A a B jsou nezávislé, jestliže uskutečnění jednoho jevu nemá vliv na uskutečnění nebo neuskutečnění jevu druhého 8. Základy teorie pravděpodobnosti 8. ročník 8. Základy teorie pravděpodobnosti Pravděpodobnost se zabývá matematickými zákonitostmi, které se projevují v náhodných pokusech. Tyto zákonitosti mají opodstatnění

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY 4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být

Více

Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti

Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti PRAVDĚPODOBNOST anotace Určeno studentům středního vzdělávání s maturitní zkouškou, 4. ročník, okruh Základy počtu pravděpodobnosti VM vytvořil: Mgr. Marie Zapadlová Období vytvoření VM: září 2013 Klíčová

Více

Základní pojmy a úvod do teorie pravděpodobnosti. Ing. Michael Rost, Ph.D.

Základní pojmy a úvod do teorie pravděpodobnosti. Ing. Michael Rost, Ph.D. Základní pojmy a úvod do teorie pravděpodobnosti Ing. Michael Rost, Ph.D. Co je to Statistika? Statistiku lze definovat jako vědní obor, zabývající se hromadnými jevy a procesy. Statistika zahrnuje jak

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název školy Gymnázium, Šternberk, Horní nám. 5 Číslo projektu CZ.1.07/1.5.00/34.0218 Šablona III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Označení materiálu VY_32_INOVACE_Hor012 Vypracoval(a),

Více

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných

Více

3. Celistvé výrazy a jejich úprava 3.1. Číselné výrazy

3. Celistvé výrazy a jejich úprava 3.1. Číselné výrazy . Celistvé výrazy a jejich úprava.1. Číselné výrazy 8. ročník. Celistvé výrazy a jejich úprava Proměnná je znak, zpravidla ve tvaru písmene, který zastupuje čísla z dané množiny čísel. Většinou se setkáváme

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Základy pravděpodobnosti poznámky. Jana Klicnarová

Základy pravděpodobnosti poznámky. Jana Klicnarová Základy pravděpodobnosti poznámky Jana Klicnarová 1 V této části připomeneme základní pojmy a vztahy pro práci s náhodou. 0.1 Náhodné jevy Uvažujme situace, které mohou a nemusí nastat a o kterých v nějakém

Více

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com) Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik

Více

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13 Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test

Více

Celá čísla. Celá čísla jsou množinou čísel, kterou tvoří všechna čísla přirozená, čísla k nim opačná a číslo nula.

Celá čísla. Celá čísla jsou množinou čísel, kterou tvoří všechna čísla přirozená, čísla k nim opačná a číslo nula. Celá čísla Celá čísla jsou množinou čísel, kterou tvoří všechna čísla přirozená, čísla k nim opačná a číslo nula. Množinu celých čísel označujeme Z Z = { 3, 2, 1,0, 1,2, 3, } Vlastností této množiny je,

Více

1. cvičení 4ST201. Základní informace: Vyučující: Obsah: Informace o kurzu Popisná statistika Úvod do SASu

1. cvičení 4ST201. Základní informace: Vyučující: Obsah: Informace o kurzu Popisná statistika Úvod do SASu cvičící 1. cvičení 4ST201 Informace o kurzu Popisná statistika Úvod do SASu Obsah: Vysoká škola ekonomická 1 Vyučující: Základní informace:» Konzultační hodiny: pátek 9:00 11:00» Místnost: JM317» Email:

Více

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy: Opakování středoškolské matematiky Slovo úvodem: Tato pomůcka je určena zejména těm studentům presenčního i kombinovaného studia na VŠFS, kteří na středních školách neprošli dostatečnou průpravou z matematiky

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Limita a spojitost funkce

Limita a spojitost funkce Limita a spojitost funkce Základ všší matematik Dana Říhová Mendelu Brno Průřezová inovace studijních programů Lesnické a dřevařské fakult MENDELU v Brně (LDF) s ohledem na disciplin společného základu

Více

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace RELACE Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace slouží k vyjádření vztahů mezi prvky nějakých množin. Vztahy mohou být různé povahy. Patří sem vztah býti potomkem,

Více

2. Numerické výpočty. 1. Numerická derivace funkce

2. Numerické výpočty. 1. Numerická derivace funkce 2. Numerické výpočty Excel je poměrně pohodlný nástroj na provádění různých numerických výpočtů. V příkladu si ukážeme možnosti výpočtu a zobrazení diferenciálních charakteristik analytické funkce, přičemž

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209 9..1 Binomické rozdělení Předpoklady: 99 Př. 1: Basketbalista hází trestný hod (šestku) s pravděpodobností úspěchu,9. Urči pravděpodobnosti, že z pěti hodů: a) dá košů; b) dá alespoň jeden koš; c) dá nejdříve

Více

STŘEDOŠKOLSKÁ MATEMATIKA

STŘEDOŠKOLSKÁ MATEMATIKA STŘEDOŠKOLSKÁ MATEMATIKA MOCNINY, ODMOCNINY, ALGEBRAICKÉ VÝRAZY VŠB Technická univerzita Ostrava Ekonomická fakulta 006 Mocniny, odmocniny, algebraické výrazy http://moodle.vsb.cz/ 1 OBSAH 1 Informace

Více

MO-ME-N-T MOderní MEtody s Novými Technologiemi

MO-ME-N-T MOderní MEtody s Novými Technologiemi Projekt: Reg.č.: Operační program: MO-ME-N-T MOderní MEtody s Novými Technologiemi CZ.1.07/1.5.00/34.0903 Vzdělávání pro konkurenceschopnost Škola: Hotelová škola, Vyšší odborná škola hotelnictví a turismu

Více

7.2.12 Vektorový součin I

7.2.12 Vektorový součin I 7 Vektorový součin I Předpoklad: 708, 7 Při násobení dvou čísel získáváme opět číslo Skalární násobení vektorů je zcela odlišné, protože vnásobením dvou vektorů dostaneme číslo, ted něco jiného Je možné

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

METRICKÉ A NORMOVANÉ PROSTORY

METRICKÉ A NORMOVANÉ PROSTORY PŘEDNÁŠKA 1 METRICKÉ A NORMOVANÉ PROSTORY 1.1 Prostor R n a jeho podmnožiny Připomeňme, že prostorem R n rozumíme množinu uspořádaných n tic reálných čísel, tj. R n = R } R {{ R }. n krát Prvky R n budeme

Více

MS Excel Filtr automatický, rozšířený

MS Excel Filtr automatický, rozšířený MS Excel Filtr automatický, rozšířený Obsah kapitoly V této lekci se seznámíme s nástrojem, který se používá pro výběry dat z rozsáhlých tabulek s filtrem automatickým a rozšířeným. Studijní cíle Studenti

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

65-42-M/01 HOTELNICTVÍ A TURISMUS PLATNÉ OD 1.9.2012. Čj SVPHT09/03

65-42-M/01 HOTELNICTVÍ A TURISMUS PLATNÉ OD 1.9.2012. Čj SVPHT09/03 Školní vzdělávací program: Hotelnictví a turismus Kód a název oboru vzdělávání: 65-42-M/01 Hotelnictví Délka a forma studia: čtyřleté denní studium Stupeň vzdělání: střední vzdělání s maturitní zkouškou

Více

MATURITNÍ TÉMATA Z MATEMATIKY

MATURITNÍ TÉMATA Z MATEMATIKY MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické

Více

ý ď Í Ž ú Ž é š é Š Ž Ú ú ú ú š é Š Ž Í Ú ú Í ú ú š é Ž Ú ú ú ý ú ť é ž é Ž ú ó ý ý Ž š é š é Ú ú ý ú ť ú ť ý Ž Í ú ý ů é ý Ž É ú ý ú ů ž ž š ú Í š ý ú ÚÁ Ú é ž ý Ú Ě ú ó ý ý ů Ž ú Ž é Ý Ž Ž Ž Í Ú Ž é

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Statistické metody uţívané při ověřování platnosti hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy

Více

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (8 10 hodin týdně celkem)

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (8 10 hodin týdně celkem) MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY Učební osnova předmětu MATEMATIKA pro studijní obory SOŠ a SOU (8 10 hodin týdně celkem) Schválilo Ministerstvo školství, mládeže a tělovýchovy dne 14. 6. 2000,

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem

Více

Analytické myšlení TSP MU výroková logika II.

Analytické myšlení TSP MU výroková logika II. Analytické myšlení TSP MU výroková logika II. Lehký úvod do výrokové logiky pro všechny, kdo se hlásí na Masarykovu univerzitu Tento materiál vznikl v rámci realizace projektu: Globální vzdělávání pro

Více

2.7.6 Rovnice vyšších řádů

2.7.6 Rovnice vyšších řádů 6 Rovnice vyšších řádů Předpoklady: 50, 05 Pedagogická poznámka: Pokud mám jenom trochu čas probírám látku této hodiny ve dvou vyučovacích hodinách V první probíráme separaci kořenů, v druhé pak snížení

Více

Deset přednášek z teorie statistického a strukturního rozpoznávání

Deset přednášek z teorie statistického a strukturního rozpoznávání Monografie Deset přednášek teorie statistického a strukturního roponávání Michail I. Schlesinger, Václav Hlaváč Praha 1999 Vydavatelství ČVUT 1. přednáška Bayesovská úloha statistického rohodování 1.1

Více

Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205

Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2 Přírodovědné

Více

Výroková logika II. Negace. Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0).

Výroková logika II. Negace. Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0). Výroková logika II Negace Již víme, že negace je změna pravdivostní hodnoty výroku (0 1; 1 0). Na konkrétních příkladech si ukážeme, jak se dají výroky negovat. Obecně se výrok dá negovat tak, že před

Více

9.4. Rovnice se speciální pravou stranou

9.4. Rovnice se speciální pravou stranou Cíle V řadě případů lze poměrně pracný výpočet metodou variace konstant nahradit jednodušším postupem, kterému je věnována tato kapitola. Výklad Při pozorném studiu předchozího textu pozornějšího studenta

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

Fázorové diagramy pro ideální rezistor, skutečná cívka, ideální cívka, skutečný kondenzátor, ideální kondenzátor.

Fázorové diagramy pro ideální rezistor, skutečná cívka, ideální cívka, skutečný kondenzátor, ideální kondenzátor. FREKVENČNĚ ZÁVISLÉ OBVODY Základní pojmy: IMPEDANCE Z (Ω)- charakterizuje vlastnosti prvku pro střídavý proud. Impedance je základní vlastností, kterou potřebujeme znát pro analýzu střídavých elektrických

Více

6. Pravděpodobnost a statistika. 6.1. Pravděpodobnost

6. Pravděpodobnost a statistika. 6.1. Pravděpodobnost 6. Pravděpodobnost a statistika 6.1. Pravděpodobnost Pravděpodobnost (hovorově šance; značka je P z anglického probability) je hodnota vyčíslující jistotu resp. nejistotu výskytu určité události. K pojmu

Více

Laboratorní práce č. 1: Měření délky

Laboratorní práce č. 1: Měření délky Přírodní vědy moderně a interaktivně FYZIKA 3. ročník šestiletého a 1. ročník čtyřletého studia Laboratorní práce č. 1: Měření délky G Gymnázium Hranice Přírodní vědy moderně a interaktivně FYZIKA 3.

Více

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech

Více

1 Mnohočleny a algebraické rovnice

1 Mnohočleny a algebraické rovnice 1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem

Více

Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49

Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2 Přírodovědné

Více

Cvičení z matematiky jednoletý volitelný předmět

Cvičení z matematiky jednoletý volitelný předmět Název předmětu: Zařazení v učebním plánu: Cvičení z matematiky O8A, C4A, jednoletý volitelný předmět Cíle předmětu Obsah předmětu je zaměřen na přípravu studentů gymnázia na společnou část maturitní zkoušky

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

Základy statistiky pro obor Kadeřník

Základy statistiky pro obor Kadeřník Variace 1 Základy statistiky pro obor Kadeřník Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz 1. Aritmetický průměr

Více

MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT)

MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT) MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT) 1. Číselné obory 1.1 Přirozená čísla provádět aritmetické operace s přirozenými čísly rozlišit prvočíslo

Více

VZORCE A VÝPOČTY. Autor: Mgr. Dana Kaprálová. Datum (období) tvorby: září, říjen 2013. Ročník: sedmý

VZORCE A VÝPOČTY. Autor: Mgr. Dana Kaprálová. Datum (období) tvorby: září, říjen 2013. Ročník: sedmý Autor: Mgr. Dana Kaprálová VZORCE A VÝPOČTY Datum (období) tvorby: září, říjen 2013 Ročník: sedmý Vzdělávací oblast: Informatika a výpočetní technika 1 Anotace: Žáci se seznámí se základní obsluhou tabulkového

Více

Pravděpodobnost a statistika pro SŠ

Pravděpodobnost a statistika pro SŠ Pravděpodobnost a statistika pro SŠ RNDr. Blanka Šedivá, Ph.D., katedra matematiky, Fakulta aplikovaných věd Západočeské univerzity v Plzni sediva@kma.zcu.cz 28. března 2012 Počátky teorie pravděpodobnosti

Více

5.2.4 POMĚRNÁ ČÍSLA SPLNĚNÍ PLÁNU

5.2.4 POMĚRNÁ ČÍSLA SPLNĚNÍ PLÁNU Druhy poměrných čísel Aleš Drobník strana 1 5.2.4 POMĚRNÁ ČÍSLA SPLNĚNÍ PLÁNU Poměrná čísla neboli poměrní ukazatelé : Získáme srovnáním (podílem) 2 veličin stejnorodých. Srovnávaná veličina (čitatel)

Více

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,

Více

Povrchy, objemy. Krychle = = = + =2 = 2 = 2 = 2 = 2 =( 2) + = ( 2) + = 2+ =3 = 3 = 3 = 3 = 3

Povrchy, objemy. Krychle = = = + =2 = 2 = 2 = 2 = 2 =( 2) + = ( 2) + = 2+ =3 = 3 = 3 = 3 = 3 y, objemy nám vlastně říká, kolik tapety potřebujeme k polepení daného tělesa. Základní jednotkou jsou metry čtverečné (m 2 ). nám pak říká, kolik vody se do daného tělesa vejde. Základní jednotkou jsou

Více

Požadavky na konkrétní dovednosti a znalosti z jednotlivých tematických celků

Požadavky na konkrétní dovednosti a znalosti z jednotlivých tematických celků Maturitní zkouška z matematiky 2012 požadované znalosti Zkouška z matematiky ověřuje matematické základy formou didaktického testu. Test obsahuje uzavřené i otevřené úlohy. V uzavřených úlohách je vždy

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

Automatická segmentace slov s pomocí nástroje Affisix. Michal@Hrusecky.net, Hlavacova@ufal.mff.cuni.cz

Automatická segmentace slov s pomocí nástroje Affisix. Michal@Hrusecky.net, Hlavacova@ufal.mff.cuni.cz Automatická segmentace slov s pomocí nástroje Affisix Michal Hrušecký, Jaroslava Hlaváčová Michal@Hrusecky.net, Hlavacova@ufal.mff.cuni.cz Motivace Při zpracování přirozeného jazyka nikdy nemůžeme mít

Více

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests), : veličiny X, Y jsou nezávislé nij eij

Testy dobré shody TESTY DOBRÉ SHODY (angl. goodness-of-fit tests),   : veličiny X, Y jsou nezávislé nij eij Testy dobré shody Máme dvě veličiny a předpokládáme, že jsou nezávislé (platí nulová hypotéza nezávislosti). Často chceme naopak prokázat jejich závislost. K tomu slouží: TESTY DOBRÉ SHODY (angl. goodness-of-fit

Více

Výroková logika dokazatelnost

Výroková logika dokazatelnost Výroková logika dokazatelnost Ke zjištění, zda formule sémanticky plyne z dané teorie (množiny formulí), máme k dispozici tabulkovou metodu. Velikost tabulky však roste exponenciálně vzhledem k počtu výrokových

Více

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY SAMOSTATÁ STUDETSKÁ PRÁCE ZE STATISTIKY Váha studentů Kučerová Eliška, Pazdeříková Jana septima červen 005 Zadání: My dvě studentky jsme si vylosovaly zjistit statistickým šetřením v celém ročníku septim

Více

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Cvičení 3 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

5 Informace o aspiračních úrovních kritérií

5 Informace o aspiračních úrovních kritérií 5 Informace o aspiračních úrovních kritérií Aspirační úroveň kritérií je minimální (maximální) hodnota, které musí varianta pro dané maximalizační (minimalizační) kritérium dosáhnout, aby byla akceptovatelná.

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název školy Gymnázium, Šternberk, Horní nám. 5 Číslo projektu CZ.1.07/1.5.00/34.0218 Šablona III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Označení materiálu VY_32_INOVACE_Hor002 Vypracoval(a),

Více

StatSoft Jaký je mezi nimi rozdíl?

StatSoft Jaký je mezi nimi rozdíl? StatSoft Jaký je mezi nimi rozdíl? GAINS ROC X P okud se zabýváte klasifikačními úlohami, pak většinou potřebujete nějakým způsobem mezi sebou porovnat kvalitu vyprodukovaných modelů. Mezi základní pomůcky

Více

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

Test dobré shody v KONTINGENČNÍCH TABULKÁCH Test dobré shody v KONTINGENČNÍCH TABULKÁCH Opakování: Mějme náhodné veličiny X a Y uspořádané do kontingenční tabulky. Řekli jsme, že nulovou hypotézu H 0 : veličiny X, Y jsou nezávislé zamítneme, když

Více

8.2.11 Příklady z finanční matematiky II

8.2.11 Příklady z finanční matematiky II 8.2. Příklady z finanční matematiky II Předpoklady: 82 Inflace Peníze nemají v dnešní době žádnou hodnotu samy o sobě, jejich používání reguluje stát, v případě zhroucení ekonomiky se může stát, že svou

Více

6. Úhel a jeho vlastnosti

6. Úhel a jeho vlastnosti 6. Úhel a jeho vlastnosti 6.1 Úhel, osa úhlu 6.1.1 Úhel Úhel je část roviny ohraničená dvěma polopřímkami se společným počátkem. Polopřímkám říkáme ramena úhlu. Jejich společný počátek nazýváme vrchol

Více

OPERACE S KOMBINAČNÍMI ČÍSLY A S FAKTORIÁLY, KOMBINACE

OPERACE S KOMBINAČNÍMI ČÍSLY A S FAKTORIÁLY, KOMBINACE Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/34.0948 IV-2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol OPERACE

Více

Statistika v příkladech

Statistika v příkladech Verlag Dashöfer Statistika v příkladech Praktické aplikace řešené v MS Ecel Ukázkové tety z připravované učebnice Doc. Ing. Jan Kožíšek, CSc. Ing. Barbora Stieberová, Ph.D. Praha 0 Obsah Obsah. Předmluva

Více

Seznam funkcí pro kurz EXCEL I. Jaroslav Nedoma

Seznam funkcí pro kurz EXCEL I. Jaroslav Nedoma Seznam funkcí pro kurz EXCEL I Jaroslav Nedoma 2010 Obsah ÚVOD... 3 SUMA... 4 PRŮMĚR... 6 MIN... 8 MAX... 10 POČET... 12 POČET2... 14 ZAOKROUHLIT... 16 COUNTIF... 18 SVYHLEDAT... 22 2 ÚVOD Autor zpracoval

Více

MS Excel 2007 Kontingenční tabulky

MS Excel 2007 Kontingenční tabulky MS Excel 2007 Kontingenční tabulky Obsah kapitoly V této kapitole se seznámíme s nástrojem, který se používá k analýze dat rozsáhlých seznamů. Studijní cíle Studenti budou umět pro analýzu dat rozsáhlých

Více

Spolehlivost soustav

Spolehlivost soustav 1 Spolehlivost soustav Spolehlivost soustav 1.1 Koherentní systémy a strukturní funkce Budeme se zabývat modelováním spolehlivosti zřízení s ohledem na spolehlivost jeho komponent. Jedním z hlavních cílů

Více

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D.

Program Statistica Base 9. Mgr. Karla Hrbáčková, Ph.D. Program Statistica Base 9 Mgr. Karla Hrbáčková, Ph.D. OBSAH KURZU obsluha jednotlivých nástrojů, funkce pro import dat z jiných aplikací, práce s popisnou statistikou, vytváření grafů, analýza dat, výstupní

Více

PILOTNÍ ZKOUŠKOVÉ ZADÁNÍ

PILOTNÍ ZKOUŠKOVÉ ZADÁNÍ INSTITUT SVAZU ÚČETNÍCH KOMORA CERTIFIKOVANÝCH ÚČETNÍCH CERTIFIKACE A VZDĚLÁVÁNÍ ÚČETNÍCH V ČR ZKOUŠKA ČÍSLO 3 KM - IT PILOTNÍ ZKOUŠKOVÉ ZADÁNÍ ÚVODNÍ INFORMACE Struktura zkouškového zadání: testové otázky,

Více

Obsah. I. Objektivní pravděpodobnosti. 1. Pravděpodobnost a relativní četnosti... 23

Obsah. I. Objektivní pravděpodobnosti. 1. Pravděpodobnost a relativní četnosti... 23 Obsah Předmluva... 15 I. Objektivní pravděpodobnosti 1. Pravděpodobnost a relativní četnosti... 23 1.1 Úvod... 23 1.2 Základy frekvenční interpretace... 24 1.2.1 Pravděpodobnost a hromadné jevy... 24 1.2.2

Více

Střední odborné učiliště Domažlice, škola Stod, Plzeňská 322, 33301 Stod

Střední odborné učiliště Domažlice, škola Stod, Plzeňská 322, 33301 Stod Střední odborné učiliště Domažlice, škola Stod, Plzeňská 322, 33301 Stod Registrační číslo projektu : Číslo DUM : CZ.1.07./1.5.00/34.0639 VY_32_INOVACE_04.02 Tématická oblast : Inovace a zkvalitnění výuky

Více

analytické geometrie v prostoru s počátkem 18. stol.

analytické geometrie v prostoru s počátkem 18. stol. 4.. Funkce více proměnných, definice, vlastnosti Funkce více proměnných Funkce více proměnných se v matematice začal používat v rámci rozvoje analtické geometrie v prostoru s počátkem 8. stol. I v sami

Více

Měření délky, určení objemu tělesa a jeho hustoty

Měření délky, určení objemu tělesa a jeho hustoty Úloha č. 1a Měření délky, určení objemu tělesa a jeho hustoty Úkoly měření: 1. Seznámení se s měřicími přístroji posuvné měřítko, mikrometr, laboratorní váhy. 2. Opakovaně (10x) změřte rozměry dvou zadaných

Více

Matematika. Kamila Hasilová. Matematika 1/34

Matematika. Kamila Hasilová. Matematika 1/34 Matematika Kamila Hasilová Matematika 1/34 Obsah 1 Úvod 2 GEM 3 Lineární algebra 4 Vektory Matematika 2/34 Úvod Zkouška písemná, termíny budou včas vypsány na Intranetu UO obsah: teoretická a praktická

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Název školy Gymnázium, Šternberk, Horní nám. 5 Číslo projektu CZ.1.0/1.5.00/4.018 Šablona III/ Inovace a zkvalitnění výuky prostřednictvím ICT Označení materiálu VY INOVACE_Hor015 Vypracoval(a), dne Mgr.

Více

Závěr č. 86 ze zasedání poradního sboru ministra vnitra ke správnímu řádu ze dne 14. 12. 2009

Závěr č. 86 ze zasedání poradního sboru ministra vnitra ke správnímu řádu ze dne 14. 12. 2009 MINISTERSTVO VNITRA Poradní sbor ministra vnitra ke správnímu řádu Závěr č. 86 ze zasedání poradního sboru ministra vnitra ke správnímu řádu ze dne 14. 12. 2009 Právní účinky doručení osobám na adresu

Více

Matematika stavebního spoření

Matematika stavebního spoření Matematika stavebního spoření Výpočet salda ve stacionárním stavu a SKLV Petr Kielar Stavební spořitelny se od klasických bank odlišují tím, že úvěry ze stavebního spoření poskytují zásadně z primárních

Více

Jednotky zrychlení odvodíme z výše uvedeného vztahu tak, že dosadíme za jednotlivé veličiny.

Jednotky zrychlení odvodíme z výše uvedeného vztahu tak, že dosadíme za jednotlivé veličiny. 1. Auto zrychlí rovnoměrně zrychleným pohybem z 0 km h -1 na 72 km h -1 za 10 sekund. 2. Auto zastaví z rychlosti 64,8 km h -1 rovnoměrně zrychleným (zpomaleným) pohybem za 9 sekund. V obou případech nakreslete

Více

Práce, energie a další mechanické veličiny

Práce, energie a další mechanické veličiny Práce, energie a další mechanické veličiny Úvod V předchozích přednáškách jsme zavedli základní mechanické veličiny (rychlost, zrychlení, síla, ) Popis fyzikálních dějů usnadňuje zavedení dalších fyzikálních

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Způsoby realizace této funkce:

Způsoby realizace této funkce: KOMBINAČNÍ LOGICKÉ OBVODY U těchto obvodů je výstup určen jen výhradně kombinací vstupních veličin. Hodnoty výstupních veličin nezávisejí na předcházejícím stavu logického obvodu, což znamená, že kombinační

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

1/2. pro začátečníky. Ing. Zbyněk Sušil, MSc.

1/2. pro začátečníky. Ing. Zbyněk Sušil, MSc. 1/2 pro začátečníky Ing. Zbyněk Sušil, MSc. Průběh lekce Základní informace Seznamy Formátování buněk Operace s řádky a sloupci Příprava tisku Matematické operace Vzorce Absolutní a relativní adresování

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Vzdálenosti. Copyright c 2006 Helena Říhová

Vzdálenosti. Copyright c 2006 Helena Říhová Vzdálenosti Copyright c 2006 Helena Říhová Obsah 1 Vzdálenosti 3 1.1 Vzdálenostivrovině... 3 1.1.1 Vzdálenostdvoubodů..... 3 1.1.2 Vzdálenostboduodpřímky..... 4 1.1.3 Vzdálenostdvourovnoběžek.... 5 1.2

Více