6. NEÚPLNÁ DATA. as ke studiu: 90 minut

Rozměr: px
Začít zobrazení ze stránky:

Download "6. NEÚPLNÁ DATA. as ke studiu: 90 minut"

Transkript

1 NEÚPNÁ DAA 6. NEÚPNÁ DAA as k studu: 9 mut Cíl: Számít s s zým typy czoováí a auít s zapsovat výsldky zkoušk p tchto výbových plách. kážm s použtí mtody mamálí vohodost po úplé výby. VÝKAD 6.. Výbové pláy Zaml za úlm zští chaaktstk spolhlvost v as t pozoovat utý systém složý z pvk stého typu (maících sté ozdlí doby do pouchy) klascká statstcká stuac astává stlž pozoováí povádím dokud s všchy pvky poouchaí. Výsldkm takovéhoto pmtu tzv. úplý výb X X dob do pouchy t. stadadí áhodý výb. V pa (zkoušky žvotost složtých systém klcké zkoušky pošovctví) s však asto stává ž pmt aalyzová dív ž dod k pouš všch ho pvk. K pdasému ukoí pmtu vdou vtšou koomcké a asové dvody (dlouhá doba do pouchy u ktých pvk sp. vcé dvody (pdm staové tmíy ) p klckých pokusch mž doít ap. k tomu ž pact psta spolupacovat (odsthu s zm z ých ž sldovaých pí ). V tchto pípadch mám k dspozc pouz tzv. úplé výby. V této kaptol s számím s základím uspoádáím pmtu vdoucím k úplým výbm. V mohém sm pal z [Hut o spolhlvost Paha 984]. Mm systém složý z dtckých pvk. Nch X X sou doby do pouchy dotlvých pvk. Mluvíml o úplých výbch zamá to ž všchy X (doby do pouchy) sou opavdu pozoovaé. V pa s vyskytuí úplé výby bu v podob uskutých dat bo czoovaých dat. skutá data vím ž X ad (sp. pod) utým lmtm s zcla ztácí avšak sm fomová o této ztát. Czoovaá data mmo amé X získám ástou fomac o špat mtlých hodotách. 72

2 NEÚPNÁ DAA Czoováí I. typu (czoováí asm) K ztát dat dochází v tomto pípad poto ž doba do pouchy ktých pvk pkoí dobu pmtu. Doba pmtu (asový czo) staova pdm. Pot skut pozoovaých pouch áhodá vla ktá mž abývat hodot. Nch X () X () ozau uspoádaý áhodý výb X X. Došlol bhm doby k pouš pvk pak výsldkm pmtu pvích hodot poádkových statstk X X a fomac o tom ž X ( ) >. Czoováí II. typu (czoováí pouchou) V tomto pípad s pdm dfu ukoí pmtu potm pvk u chž dod k pouš (). Na zaátku pmtu s staovím pozé íslo ( ) a v okamžku t zaháím pozoováí. Epmt ukoím v chvíl kdy dod k pouš tého pvku. Výsldkm pmtu potom pvích hodot poádkových statstk X ( ) X ( ). Doba tváí pmtu (doba do pouch tého pvku) áhodá vla X (). Náhodé czoováí P hodocí spolhlvost složtých systému s vtšou daí uspoádat pmt podl pdstav statstka a tak musím mohdy využít povozí data (t. pozoováí z skutého povozu). asto s asové czoy dotlvých pvk lší (ukoováí pozoováí u dotlvých pvk bývá mohdy áhodé). Mluvím o áhodém czoováí. Ozaíml doby v chž bylo ukoo pozoováí. až tého pvku systému abízí s považovat data za czoováa asovým czom kd m{ }. o s však ukázalo ako koomcky úosé. Výhodší vybudovat po áhodé czoováí matmatcký apaát. Nch X áhodá vla pztuící dobu do pouchy a áhodá vla pztuící asový czo. každého pvku pak pozoum bu X bo podl toho zda dív astala poucha bo zda bylo dív sldováí pvku ukoo. Výsldkm pmtu pak dvoc (W I ) (W I ) kd : W m X { } I W X (byla pozoováa poucha tého pvku t. té pozoováí czoovaé) I W (byla pozoováa poucha tého pvku pozoováí pvku bylo ukoo v as ( < X ) t. té pozoováí czoovaé) Výsldkm pmtu tdy výb z dvouozmého ozdlí. 73

3 NEÚPNÁ DAA šý píklad Mát k dspozc výsldky pozoováí 6t pvk. Jch doby do pouchy X sou: Zapšt výsldk pmtu a) p czoováí I. typu s asovým czom 5 b) p czoováí II. typu s staovým 4 c) p áhodém czoováí s asovým czoy ada) Výsldkm pmtu uspoádaý výb dob do pouchy pvk chž doba do pouchy í vtší ž asový czo t. { 24} a fomac ž zbylé 3 pvky s poouchaly pozd ž v okamžku 5. adb) Výsldkm pmtu uspoádaý výb dob do pouchy pvích 4 pvk: 246 { } adc) Výsldkm pmtu sou dvoc ( W I ) X W I Zkác s czoovaá pozoováí ozauí zamékm : { } Mohý statstcký softwa však czoovaá data ozau zamékm : { } Dosud sm s zabýval stuací kdy pozoováí zaíám povádt v as t a až do okamžku czoováí mžm získat skuté doby do pouchy. O czoovaých datch pak vím ž sou vyšší ž doba pmtu. Mluvím o datch (pozoováích) czoovaých zpava. Stává s však také ž zachytím úda o pouchách kté astaly pd zaátkm mí získaá data sou pak czoovaá zlva (musí ít pouz o pouchy mž ít také ap. o koctac látky pod dtkí hací apod. ). Jsoul data czoovaá zpava zlva mluvím o dvoém czoováí sp. o tvalovém czoováí. Nch X X sou doby do pouchy... asové czoy czoováí zpava a < czoy czoováí zlva. Itval pak asovým tvalm po té pozoováí. Padl X mmo tto tval ho skutou hodotu mžm pozoovat. Výsldkm pmtu p dvoém czoováí sou dvoc Z kd J { m{ X } } Z ma J Z (poucha astala pd zaátkm pozoováí czoováí zlva) Z X (poucha astala v J czuovaá hodota) J 2 Z (poucha astala po koc pozoováí czoováí zpava) 74

4 NEÚPNÁ DAA 6.2. Zychlé zkoušky žvotost A czoováí musí zaut získáí dat k dostat psému odhadu chaaktstk vysoc spolhlvých systém. ím pvk spolhlvší tím obtížší mt ho spolhlvost. Jdou z možostí ak data po vysoc spolhlvé pvky získat sou zychlé zkoušky žvotost. Jch myšlka spoívá v tom ž sldovaé pvky vystavím zatíží vyššímu ž v akém pacuí v bžém pacovím žmu. Musím ptom zát vztah mz odhadovaým paamty doby do pouchy a úoví zatíží. (V pa bývá alzí tchto vztah obtížé uté vycházt z fyzkálích pcp fugováí pvku.) Modlový píklad: Nch doba do pouchy kodzátou má pocálí ozdlí s paamtm ( X E( )). Vím ž po kté typy kodzátou P ( ) C kd C> a P sou zámé kostaty a aptí. S ostoucím aptím ost (stdí doba do pouchy klsá) poto mžm p vyšších aptích pozoovat skuté doby do pouchy a a ch základ odhadout paamty C a P. Potom mžm odhadout p požadovaém aptí. Modlový píklad: Nch doba do pouchy polovod má pocálí ozdlí s paamtm ( X E( )). Vím ž po polovod B t A ( t) kd A B sou zámé kostaty a t tplota. P vyšších tplotách vyšší (stdí doba do pouchy žší) a poto p vyšších tplotách možé odhadout hodoty paamt A a B. Potom mžm odhadout p požadovaé tplot t. 75

5 NEÚPNÁ DAA 6.3. Mtoda mamálí vohodost po úplé výby Ppom m s dív mtodu mamálí vohodost v í klascké podob. Mtoda mamálí vohodost pcpl doduchá mtoda po kostukc odhad zámých paamt zámých ozdlí pavdpodobost ktá založa a mamalzac vohodostí fukc což sdužá hustota pavdpodobost daého áhodého výbu báa ovšm ako fukc zámých paamt. Nch ( t t ) paamt. Vohodostí fukc áhodý výb z ozdlí s hustotou f ( t) 2 ( t... t ) f ( t ). f ( t )... f ( t ) f ( t ) kd zámý P paktckých výpotch s ukázalo ako výhodší mamalzovat spíš fukc l amísto což možé poto ž ob tyto opac sou kvvaltí a dávaí sté výsldky. Podmíkou optmalty tdy ovc: ( t... t ) l a hodota paamtu získaá z této podmíky s azývá mamál vohodý odhad paamtu. Vohodostí fukc po czoováí II. typu Zam s odvozováím vohodostí fukc po dodušší pípad czoováí II. typu (czoováí pouchou pdm daé). V tomto pípad d o výpot hustoty pvích poádkových statstk. X Nch X X ( ) sou pozoovaé uspoádaé doby do pouchy a ch ( ) < < < ( ). Ozam. Nch > takové ž < ( ) po ( () ). Nch ozmý vkto ktý má všchy složky ovy a ch E < X <. { } Náhodý v E tdy asta páv když žádé pozoováí í mší ž () páv do pozoováí pad do tvalu ) žádé pozoováí pad do tvalu ( ) ( 2) ) páv do pozoováí pad do tvalu 2 ( 2) ) páv do pozoováí pad do tvalu ) a () pozoováí vtších bo ových. ( ) Poto P ( E) ( F( ) F( )) R ( ( ) ) ( ) ( ) 76

6 NEÚPNÁ DAA kd R()F() fukc spolhlvost. Vohodostí fukc X p czoováí II. typu potom P( E) lm ( ) ( ) f ( ) R ( ( ) ) Vohodostí fukc po czoováí I. typu Nalzí této vohodostí fukc o co složtší. Výsldkm pmtu pvích poádkových statstk X X ( ) a fomac o tom ž X ( ) > X >. Zaí použm sté ako v pdcházícím pípad. Nch ( ) <. Podob ako p czoováí II. typu zstím ž pavdpodobost ž žádé pozoováí í mší ž () páv do pozoováí pad do tvalu ) žádé pozoováí pad do tvalu ( ) ( 2) ) páv do pozoováí pad do tvalu 2 ( 2) ) páv do pozoováí pad do tvalu ) a () pozoováí vtších ž P ( ) < X < X ( ) > X > ( ) ( F( ) F( ( ) ) R ( ) Sdužé ozdlí výsldku pmtu p czoováí I. typu má vohodostí fukc ( ) f ( ) ( ) ( ) R ( ) po < < < < Vohodostí fukc po áhodé czoováí K pdpokladm uvdým p hldáí sdužé hustoty p czoováí II. a I. typu pdpokládm ž asový czo áhodá vla ktá má spoté ozdlí s dstbuí fukcí G() a hustotou g() obc také závslé a zámých paamtch. Pdpokládm ž X a I sou závslé áhodé vly. Odvodím dív ozdlí áhodého vktou (W I) kd W m{ X } a I I( X < ) t. I dkáto vu X <. Po w> dostávám { } ( < wi ) P( X < wx < ) df()dg(t) ( G ) df( ) F( w) f G P W < w < t w w d 77

7 NEÚPNÁ DAA Aalogcky ( < w I ) G( w) g F P W w d Dvováím výš uvdých pavdpodobostí podl w dostam hustotu pavdpodobost áhodého vktou (W I). ( w ) f ( w) ( G( w) ) w > ( w ) g( w) ( F( w) ) w > ( w ) ak h h h Vohodostí fukc p áhodém czoováí ( ) h( W I ) Pom asto s stkávám s stuací kdy doba do pouchy X a asový czo obsahuí spolé zámé paamty. Nch má yí výzam kozmého vktou zámých paamt obou ozdlí F a G ( 2 ) kd vkto zámých paamt ozdlí F a 2 vkto zámých paamt ozdlí G. Dfum možy sp. C kd sp. C moža d czoovaých sp. czoovaých pozoováí. { : I } C { : I } Vohodostí fukc má potom tva: ( ) f ( X ) ( G( X )) g( ) ( F( ) Jstlž ozdlí doby do pouchy X a asového czou obsahuí spolé paamty a stu fukí závslost mz a 2 mžm získat mamál vohodý odhad mamalzací vohodostí fukc C C ( ) f ( X ) ( F( ) akto získaé odhady závsí a ozdlí G avšak ch ozdlí obc a tomto ozdlí závsí. C šý píklad Nch doba do pouchy má pocálí ozdlí X E( ) mamál vohodý odhad paamtu a základ a) úplého výbu. t 78

8 NEÚPNÁ DAA 79 b) czoováí I. typu c) czoováí II. typu d) áhodého czoováí Ozam s hldaý odhad. ada) J dá áhodý výb (... ). Hustota pocálího ozdlí f ) ( poto fukc vohodost pak bud dáa výazm: ogatmováím získám....l l l l... l Zbývá vyšt podmíku optmalty: X..l... l Mamál vohodý odhad paamtu a základ úplého výbu X adb) P czoováí I. typu vohodostí fukc R f ogatmus fukc vohodost tdy bud dá výazm

9 NEÚPNÁ DAA 8 l l l l l l l l Podmíky optmalty zapíšm ako l Mamál vohodý odhad p czoováí I. typu tdy adc) P czoováí II. typu vohodostí fukc R f ogatmus fukc vohodost tdy bud dá výazm l l l l l l l l

10 NEÚPNÁ DAA 8 Podmíky optmalty zapíšm ako l... Mamál vohodý odhad p czoováí II. typu tdy add) P áhodém czoováí budm pdpokládat ž paamty ozdlí áhodého czou maí s paamtm žádou souvslost. Po tto pípad vohodostí fukc C F f C I C ogatmus fukc vohodost tdy bud dá výazm C I I I l l l Podmíky optmalty zapíšm ako l C I Mamál vohodý odhad p áhodém czoováí tdy C W I I

11 NEÚPNÁ DAA 82 šý píklad Nch doba do pouchy má Wbullovo ozdlí W X. t mamál vohodý odhad zámých paamt a základ a) úplého výbu b) czoováí I. typu c) czoováí II. typu d) áhodého czoováí Pozámka: Jstlž paamt zámý mžm odhadout a základ mtod po pocálí ozdlí (odvozých v pdcházícím píklad). (Návod: W X pak E X Y. Aplkací této tasfomac a píslušý áhodý výb dostam odpovídaící výb z pocálího ozdlí.) S pípadm kdy paamt zámý a paamt mám odhadout s v pa stkávám. Hustota pavdpodobost Wbullova ozdlí ) ( > > > f ada) J dá áhodý výb (... ). Fukc vohodost po úplý výb bud dáa výazm: ogatmováím získám l l l l l l l

12 NEÚPNÁ DAA 83 l l l l l l l l l l l l Zavm s substtuc: Pak l l l l Zbývá vyšt podmíky optmalty: l l 2 l l l l Odhady paamt a získám ším soustavy: 2 l l Z pví ovc mžm sado získat zatímco z duhé ovc dostam

13 NEÚPNÁ DAA 84 l l l l Poováím pavých sta posldích dvou ovc získám du ovc po du zámou. ší uto povést umcky volbou vhodého taího pocsu. Poté uím paamt a zptou substtucí l l l l l uím paamt. adb) P czoováí I. typu vohodostí fukc R f ogatmus fukc vohodost tdy bud dá výazm l l l l l l l l l l l l l l l

14 NEÚPNÁ DAA 85 l l l l Podmíky optmalty zapíšm ako l l l l l l l l l l l l l l l l l l l l l l l l Podmíky optmalty dál upavím

15 NEÚPNÁ DAA 86 l l l l Z pví ovc dostam Po dosazí do duhé ovc a úpav dostam l l l ato ovc ž obsahu zámý paamt a ím vyším tak (umckým mtodam) dostam mamál vohodý odhad. Dosadíml do pví podmíky optmalty dostam odhad : adc) P czoováí II. typu staí v ovcích po odhady paamt a ahadt symbol symbolm () Odhad paamtu tak získám umckým ším ovc: l l l a odhad paamtu získám dosazím do ovc

16 NEÚPNÁ DAA 87 add) P áhodém czoováí dodm k ovcím optmalty podob ako v pdcházících pípadch l l W W W W W

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA P NOV PRVDĚPODOBNOT TTTK Lbor Žák P NOV Lbor Žák Vícvýběrové tsty - NOV NOV tsty s rovádí s omocí aalýzy roztylů NOV souhré tsty ro víc ěž dva výběry. NOV aramtrcká tstováí charaktrstk z zámých rozdělí

Více

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2 SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých

Více

8. Zákony velkých čísel

8. Zákony velkých čísel 8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy

Více

je daná vztahem v 0 Ve fyzice bývá zvykem značit derivaci podle proměnné t (podle času) tečkou, proto píšeme

je daná vztahem v 0 Ve fyzice bývá zvykem značit derivaci podle proměnné t (podle času) tečkou, proto píšeme DERIVACE FUNKCE Má zásadí výzam při vyštřováí fukčích závislostí j v matmatic, al také v aplikacích, apř v chmii, fyzic, koomii a jiých vědích oborch Pricip drivováí formulovali v 7 stoltí závisl a sobě

Více

9.3.5 Korelace. Předpoklady: 9304

9.3.5 Korelace. Předpoklady: 9304 935 Koelace Předpoklad: 9304 Zatím jsme se zabýval vžd pouze jedím zakem, ve statstckém výzkumu jsme však u každého jedotlvce (statstcké jedotk) sledoval zaků více Učtě spolu ěkteé zak souvsí (apříklad

Více

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky). Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

Variabilita měření a statistická regulace procesu

Variabilita měření a statistická regulace procesu Variabilita měří a statistická rgulac procsu Ig. Darja Noskivičová, CSc. Katdra kotroly a řízí jakosti, VŠB-TU Ostrava Abstrakt: Efktivost využití statistických mtod pro aalýzu a řízí procsů j odvislá

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA P NOV PRVDĚPODOBNOT TTTK Lbor Žák P NOV Lbor Žák Vícvýběrové tty - NOV NOV tty provádí pomocí aalýzy rozptylů NOV ouhré tty pro víc ěž dva výběry. NOV paramtrcká ttováí charaktrtk z zámých rozdělí pokud

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

Úvod do korelační a regresní analýzy

Úvod do korelační a regresní analýzy Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou

Více

( NV, )} Řešením Schrödingerovy rovnice pro N částic

( NV, )} Řešením Schrödingerovy rovnice pro N částic Partčí fuc { E ( V, )} Řším Schrödgrovy rovc pro částc Zdoduší (?) H = H E = E Ψ= Ψ BOSOY stavy sou obsazováy bz omzí FERMIOY frmoy mohou být v stém stavu Přílady: Ply (ízý tla) => mzmolulové trac zadbáy

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Náhodý vektor PRAVĚPOOBNOS A SAISIKA Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor přpomeutí pomů z SP V prví část kurzu SP s rozšíříme pomy o áhodém vektoru z SP: Nechť e áhodý vektor eho složky:

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

Více

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti.

a my chceme data proložit nějakou hladkou funkcí, která by vystihovala hlavní vlastnosti dat, ale ignorovala malé fluktuace a nepřesnosti. Vyováváí dat Naše pozoováí jsou dáa tabulkou čísel, kde y y y i často bývají časové údaje, a my chceme data položit ějakou hladkou fukcí, kteá by vystihovala hlaví vlastosti dat, ale igoovala malé fluktuace

Více

Úvod do zpracování měření

Úvod do zpracování měření Laboratorí cvičeí ze Základů fyziky Fakulta techologická, UTB ve Zlíě Cvičeí č. Úvod do zpracováí měřeí Teorie chyb Opakujeme-li měřeí téže fyzikálí veličiy za stejých podmíek ěkolikrát za sebou, dostáváme

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

Metodika: Goniometrický tvar komplexního ísla, binomická rovnice

Metodika: Goniometrický tvar komplexního ísla, binomická rovnice ! " #$ % # & ' ( ) * + ), - Idvduálí výuka matematka Vít Ržka, kvte Metodka: Goometrcký tvar komplexího ísla, bomcká rovce Úvod Téma goometrcký tvar komplexího ísla je možé probírat soubž s výkladem pojmu

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů některých rozdělení. 4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:

Více

U. Jestliže lineární zobrazení Df x n n

U. Jestliže lineární zobrazení Df x n n MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o

Více

ODRAZ A LOM SVTLA. Odraz svtla lom svtla index lomu úplný odraz svtla píklady

ODRAZ A LOM SVTLA. Odraz svtla lom svtla index lomu úplný odraz svtla píklady ODRAZ A LOM SVTLA Odraz svtla lo svtla idex lou úplý odraz svtla píklady Každý z Vás se urit kdy díval do vody. Na klidé vodí hladi vidl kro svého obrazu také kaey ebo písek a d. Na základí škole jste

Více

Generování dvojrozměrných rozdělení pomocí copulí

Generování dvojrozměrných rozdělení pomocí copulí Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,

Více

Pravděpodobnostní model doby setrvání ministra školství ve funkci

Pravděpodobnostní model doby setrvání ministra školství ve funkci Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí

Více

znát vlastnosti bodových odhad rozumt pojmu dostatená statistika a budete umt urit, zda vybraná statistika je dostatenou

znát vlastnosti bodových odhad rozumt pojmu dostatená statistika a budete umt urit, zda vybraná statistika je dostatenou EORIE ODHADU 5. EORIE ODHADU Na úvod éo kapoly s zopakujm základí vlasos bodových odhad. 5.. Vlasos dobrého bodového odhadu as k sudu: 5 mu Cíl: Po prosudováí ohoo odsavc bud: zá vlasos bodových odhad

Více

Přehled vztahů k problematice jednoduchého úročení a úrokové sazby

Přehled vztahů k problematice jednoduchého úročení a úrokové sazby Přehled vztahů k poblematice jedoduchého úočeí a úokové sazby Pozámka: Veškeé úokové sazby /předlhůtí i polhůtí/, diskotí sazby, míy iflace a sazby daě z příjmů je do uvedeých vzoců uto dosazovat v jejich

Více

20. Kontingenční tabulky

20. Kontingenční tabulky 0. Kotigečí tabulky 0.1 Úvodí ifomace V axi e velmi častá situace, kdy vyšetřueme aedou dva statistické zaky, kteé sou svou ovahou diskétí kvatitativí( maí řesě staoveý koečý očet všech možostí ); soité

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

Opakování. Metody hodnocení efektivnosti investic. Finanční model. Pravidla pro sestavení CF. Investiční fáze FINANČNÍ MODEL INVESTIČNÍHO ZÁMĚRU

Opakování. Metody hodnocení efektivnosti investic. Finanční model. Pravidla pro sestavení CF. Investiční fáze FINANČNÍ MODEL INVESTIČNÍHO ZÁMĚRU Metody hodoceí efektvost vestc Opakováí Typy vazeb v uzlové síťové grafu K čeu slouží stude využtelost Fačí odel vestčího záěru Časová hodota peěz Metody vyhodoceí Napšte strukturu propočtu Fačí odel FINANČNÍ

Více

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

Více

Vytápění systémy součastných vozidel

Vytápění systémy součastných vozidel Vytápěí systémy součastých vozdl. trakčí lok. E,D tplovzdušé vytápěí s výměíkm l. topdlo-vzduch 2. motorové vozy E,D vytápěí tplovzdušé využívaí odpadí tplo dslu - rg dslu -33% a trakc, 33% spaly a 33%

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu

Více

Nejistoty v mìøení III: nejistoty nepøímých mìøení

Nejistoty v mìøení III: nejistoty nepøímých mìøení Nestoty v ìøeí III: estoty epøíých ìøeí MÌØIÍ TEHNIK V èácích [] a [] by podá pøehed soèasých ázorù a probeatk estot v ìøeí obecì a pøedstave zpùsob výpoèt estot pø éì ároèých pøíých ìøeích. Teto tøetí

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a

Více

Katedra elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava

Katedra elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava Katedra elektrotechiky Fakulta elektrotechiky a iformatiky, VŠB - TU Ostrava 10. STŘÍDAVÉ STROJE Obsah 1. Asychroí stroje 1. Výzam a použití asychroích strojů 1.2 Pricip čiosti a provedeí asychroího motoru.

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

7.Vybrané aplikace optimalizačních modelů

7.Vybrané aplikace optimalizačních modelů 7.Vybraé aplkace optmalzačích modelů V této kaptole se budeme věovat dvěma typům úloh, pro echž řešeí se využívaí optmalzačí prcpy. Jedá se o modely aalýzy obalu dat, které se využívaí pro hodoceí relatví

Více

1. Zpracování rastrových obrazů

1. Zpracování rastrových obrazů 1 Zpracování rastrových obrazů Studní cíl V tomto bloku kurzu s budm zabývat něktrým unkcm zpracování rastrových obrazů ktré sou běžnou součástí rackých proramů V počítačové rac to znamná vylpšování něktrých

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

nazveme číselným vektorem. Čísla a Definice. Vektor, jehož všechny složky se rovnají nule, se nazývá nulový vektor o r = (0, 0, 0,, 0).

nazveme číselným vektorem. Čísla a Definice. Vektor, jehož všechny složky se rovnají nule, se nazývá nulový vektor o r = (0, 0, 0,, 0). ČÍSELNÉ VEKTORY Defce Uspořádou -tc čísel = (,,, ) zveme číselým vektoem Čísl,,, jsou složky ebol souřdce vektou Přozeé číslo zýváme ozměem ebo tké dmezí vektou Defce Vekto, jehož všechy složky se ovjí

Více

Testování statistických hypotéz

Testování statistických hypotéz Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

2. Posouzení efektivnosti investice do malé vtrné elektrárny

2. Posouzení efektivnosti investice do malé vtrné elektrárny 2. Posouzení efektvnost nvestce do malé vtrné elektrárny Cíle úlohy: Posoudt ekonomckou výhodnost proektu malé vtrné elektrárny pomocí základních metod hodnocení efektvnost nvestních proekt ako sou metoda

Více

Pro orientaci v této problematice jsme se seznámili s nkolika novými pojmy:

Pro orientaci v této problematice jsme se seznámili s nkolika novými pojmy: Ig. Marta Ltschmaová Statsta I., cveí 8 LIMITNÍ VTY Lmtí vty jsou tvrzeí, terá jsou dležtá pro pops pravdpodobostích model v pípad rostoucího potu áhodých pous.. ro oretac v této problematce jsme se sezáml

Více

11 TESTOVÁNÍ PARAMETRICKÝCH HYPOTÉZ

11 TESTOVÁNÍ PARAMETRICKÝCH HYPOTÉZ TESTOVÁNÍ PARAMETRICKÝCH HYPOTÉZ Pojmem tetováí tatitických hypotéz ozaujeme ozhodováí o pavdivoti paametických, ep. epaametických hypotéz o populaci. V tomto ozhodovacím poceu opoti ob tojí ulová a alteativí

Více

VLIV MODIFIKACE MATICE HMOTNOSTI NA VÝSLEDKY MODÁLNÍ ANALÝZY

VLIV MODIFIKACE MATICE HMOTNOSTI NA VÝSLEDKY MODÁLNÍ ANALÝZY VLIV MODIFIKACE MAICE HMONOSI NA VÝSLEDKY MODÁLNÍ ANALÝZY omáš Brzobohatý, Alxadros Markopoulos Fakulta strojí, katdra mchaiky VŠB-U Ostrava, řída 7. listopadu, 78 Abstrakt Při řší dyamických úloh mtodou

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

Analýza rozptylu (ANOVA)

Analýza rozptylu (ANOVA) Aalýza rozptylu (ANOVA) Tato aptola j věováa záladímu popsu statstcé mtody zvaé aalýza rozptylu, trá j záladí mtodou pro tstováí hypotéz o střdích hodotách víc ž dvou sup a trá využívá srováí pozorovaé

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

STATISTICKÁ ANALÝZA. Doc. RNDr. Zden k Karpíšek, CSc. P ehledový u ební text pro doktorské studium. Vysoké u ení technické v Brn

STATISTICKÁ ANALÝZA. Doc. RNDr. Zden k Karpíšek, CSc. P ehledový u ební text pro doktorské studium. Vysoké u ení technické v Brn Vysoké ueí techcké v Br Fakulta strojího žeýrství STATISTICKÁ ANALÝZA Doc. RNDr. Zdek Karpíšek, CSc. Pehledový uebí tet pro doktorské studum BRNO 008 Pedášející: Doc. RNDr. Zdek Karpíšek, CSc. Cetrum pro

Více

8.2.1 Aritmetická posloupnost I

8.2.1 Aritmetická posloupnost I 8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu

Více

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl:

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl: 9 ÁHODÉ VÝBĚR A JEJICH ZPRACOVÁÍ Čas ke studu katol: 30 mut Cíl: Po rostudováí tohoto odstavce budete rozumět ojmům Základí soubor, oulace, výběr, výběrové šetřeí, výběrová statstka a budete zát základí

Více

Interval spolehlivosti pro podíl

Interval spolehlivosti pro podíl Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této

Více

je hustota pravdpodobnosti nebo pravdpodobnostní funkce náhodného výbru X (X 1, X 2,, X n ). , jako odhad. Nech f ( x;θ)

je hustota pravdpodobnosti nebo pravdpodobnostní funkce náhodného výbru X (X 1, X 2,, X n ). , jako odhad. Nech f ( x;θ) 7. as ke studu: 90 mut Cíl: Na úvod této kaptoly se sezámíte s odlšým pohledem a metodu mamálí vrohodost a dále se pak udete vovat základm Bayesovy dukce. Sezámíte se s pojmy aprorí a aposterorí rozdleí,

Více

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý

Více

Vztahy mezi základním souborem a výběry. Základní pojmy a symboly. K čemu to je dobré? Výběrové metody zkoumání

Vztahy mezi základním souborem a výběry. Základní pojmy a symboly. K čemu to je dobré? Výběrové metody zkoumání K čemu to je dobé? Obvyklým případem při zpacováí homadých jevů je, že máme poměě malý počet pozoováí ějaké veličiy a chceme učiit závěy o tom, co bychom obdželi, kdybychom měli pozoováí mohokát více.

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

Exponenciální funkce a jejich "využití" - A (Tato doplňková pomůcka nemůže v žádném případě nahradit systematickou matematickou přípravu.

Exponenciální funkce a jejich využití - A (Tato doplňková pomůcka nemůže v žádném případě nahradit systematickou matematickou přípravu. Josf PUNČOCHÁŘ: Epociálí fukc a ich "využití" ld Epociálí fukc a ich "využití" - A (Tato doplňková pomůcka můž v žádém případě ahradit systmatickou matmatickou přípravu. Epociálí fukc dfiováa obcě vztahm

Více

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů. Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia

Více

2. část: Základy matematického programování, dopravní úloha. Ing. Michal Dorda, Ph.D.

2. část: Základy matematického programování, dopravní úloha. Ing. Michal Dorda, Ph.D. 2. část: Základy matematického programováí, dopraví úloha. 1 Úvodí pomy Metody a podporu rozhodováí lze obecě dělit a: Eaktí metody metody zaručuící alezeí optimálí řešeí, apř. Littlův algortimus, Hakimiho

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

8.2.1 Aritmetická posloupnost

8.2.1 Aritmetická posloupnost 8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž

Více

SÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.

SÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G. SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí

Více

FINANČNÍ MATEMATIKA. Jarmila Radová KBP VŠE Praha

FINANČNÍ MATEMATIKA. Jarmila Radová KBP VŠE Praha FINANČNÍ MATEMATIA Jarmila Radová BP VŠE Praha Osova Jedoduché úročeí Diskotováí krátkodobé ceé papíry Metody vedeí a výpočtu úroku z běžého účtu Skoto Složeé úrokováí Budoucí hodota auity spořeí Současá

Více

S1P Popisná statistika. Popisná statistika. Libor Žák

S1P Popisná statistika. Popisná statistika. Libor Žák SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk

Více

Téma 2: Náhodná veličina

Téma 2: Náhodná veličina Téma : Náhodá vlča řdáška 3 Záko rozdělí pravděpodobostí Náhodou vlčou rozumím číslé ohodocí výsldku áhodého pokusu Náhodá vlča j rálá ukc E dovaá a možě lmtárích jvů I Každému lmtárímu jvu E z možy lmtárích

Více

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc

Více

11. LOGISTICKÁ REGRESE A JEJÍ UŽITÍ PRO DISKRIMINACI

11. LOGISTICKÁ REGRESE A JEJÍ UŽITÍ PRO DISKRIMINACI LOGSTCKÁ EGESE A JEJÍ UŽTÍ PO DSKMAC LOGSTCKÁ EGESE A JEJÍ UŽTÍ PO DSKMAC as studu: 9 ut Cíl: V této aptol s száít s todou lostcé rrs a s jjí užtí pro dsraí aalýzu VÝKLAD Úvod V prax js asto postav pd

Více

14. B o d o v é o d h a d y p a r a m e t r ů

14. B o d o v é o d h a d y p a r a m e t r ů 4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

8. Odhady parametrů rozdělení pravděpodobnosti

8. Odhady parametrů rozdělení pravděpodobnosti Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z

Více

VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU

VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU 6. KONFERENCE PROJEKTOVÁNÍ POZEMNÍCH KOMUNIKACÍ Praha, 19.5.2015 VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU Václav Sížk Fakulta stavbí ČVUT

Více

FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL

FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost

Více

V. Normální rozdělení

V. Normální rozdělení V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,

Více

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad Metody vyhodoceí efektvost vestc Časová hodota peěz Metody vyhodoceí Časová hodota peěz Prostředky, které máme k dspozc v současost mají vyšší hodotu ež prostředky, které budeme mít k dspozc v budoucost.

Více

Pravděpodobnostní modely

Pravděpodobnostní modely Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k

Více

VY_52_INOVACE_J 05 01

VY_52_INOVACE_J 05 01 Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

REDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI

REDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI REDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI J. Jkovský 1, M. Hofete 2 1 Humusoft s..o., Paha 2 Ústav Přístojové a řídcí technky, Fakulta stojní, ČVUT v Paze Abstakt Příspěvek se věnuje poblematce

Více

35! n! n k! = n k k! n k! k! = n k

35! n! n k! = n k k! n k! k! = n k Do školí jídely přišla skupia 35 žáků. Určete kolika způsoby se mohli seřadit do froty u výdeje obědů. Řešeí: Počet možostí je 1 2... 35=35! (Permutace bez opakováí) Permutací bez opakováí z -prvkové možiy

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

Více

Chyby měření: 1. hrubé chyby - nepozornost, omyl, únava pozorovatele... - významně převyšuje rozptyl náhodné chyby 2. systematické chyby - chybné

Chyby měření: 1. hrubé chyby - nepozornost, omyl, únava pozorovatele... - významně převyšuje rozptyl náhodné chyby 2. systematické chyby - chybné CHYBY MĚŘENÍ Opakovaé měřeí téže fyzkáí večy evede vždy k přesě stejým výsedkům. Této skutečost bychom se evyhu, kdybychom měřeí provádě s ejvětší důkadostí a precsostí aopak, čím ctvější a přesější jsou

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

Algoritmus RSA. Vilém Vychodil. 4. března 2002. Abstrakt

Algoritmus RSA. Vilém Vychodil. 4. března 2002. Abstrakt Algoritmus RSA Vilém Vychodil 4. břza 2002 Abstrakt Násldující podpůrý txt stručě shruj základí problmatiky při šifrováí algoritmm RSA. Sm spadá j samotý pricip algoritmu, al i základí mtody grováí vlkých

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

Rovinné nosníkové soustavy II

Rovinné nosníkové soustavy II Prázý Prázý Prázý Ství sttik,.roík kláského stui Rovié osíkové soustvy II Trojklouový rám (osík) Trojklouový olouk (osík) Trojklouový rám s táhlm Trojklouový olouk s táhlm Ktr ství mhiky Fkult ství, VŠB

Více

Znalecký posudek číslo 3804 144/08

Znalecký posudek číslo 3804 144/08 Znalecký posudek číslo 3804 144/08 O ceně nemovitosti: Bytová jednotka 1719/4 O S T R A V A katastrální území: Poruba - sever statutární město: Ostrava O B V Y K L Á T R Ž N Í C E N A Objednatel znaleckého

Více