ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ

Rozměr: px
Začít zobrazení ze stránky:

Download "ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ"

Transkript

1 ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ 1. CHYBY MĚŘENÍ Nedokoalost metod měřeí, přístroů ldských smslů a emožost regstrace a kotrol všech podmíek, které určuí stav měřeého obektu způsobuí, že měřeím emůžeme zstt skutečou (pravou) hodotu měřeé velč. Záleží však a přesost měřcích přístroů a metod kokrétím způsobu provedeí měřeí, ak se této skutečé hodotě velč měřeím přblížíme. V každém případě výsledkem měřeí bude hodota, která se od skutečé hodot velč lší, a rozdíl těchto dvou hodot se azývá chba měřeí a ozačue se, kde e smbol pro měřeou velču. Tuto chbu elze přesě staovt, lze však alespoň odhadout. Na základě odhadu chb lze určt estotu měřeí, která charakterzue rozsah hodot okolo výsledku měřeí, který lze zdůvoděě přřadt k hodotě měřeé velč. Nestota se udává ee pro výsledk měřeí, ale pro měřdla, pro použté kostat, korekce apod. O estotách měřeí bude poedáo podrobě v odstavcích 4 7. Chba charakterzue odchlku aměřeé hodot od skutečé (pravé) hodot velč, a proto vadřueme v edotkách měřeé velč. Takto defovaou chbu azýváme absolutí chba. Někd se ázorě přesost aměřeé hodot velč charakterzue relatví chbou, která vztahue velkost absolutí chb k aměřeé hodotě. Relatví chba určté hodot velč e defováa vztahem r. (1) Příklad: Posuvým měřítkem bla aměřea vzdáleost dvou bodů d 15,3 mm. Absolutí chba aměřeé délk e d 0,1 mm. Podle defce e relatví chba rd 0,065, 0,1 15,3 což e 6,5 % z hodot výsledku. Podle původu dělíme chb a sstematcké (soustavé) a áhodé, a proto také chba aměřeé hodot se skládá z chb sstematcké a áhodé. 1

2 . SYSTEMATICKÉ CHYBY Sstematcké chb souvseí obvkle s použtou metodu č měřícím přístro ebo se samotým pozorovatelem. Říkáme, že sou způsobe kotrolovatelým vlv. Příklad: V případě vážeí a rovorameých vahách může sstematckou chbu způsobovat odchlka od rovorameost vah, odchlka v hmotost závaží, ezapočítaá oprava a rozdíl vztlaku závaží a předmětu ve vzduchu apod. Vzklé sstematcké chb zkresluí výsledek př opakovaém měřeí koaém za steých podmíek vžd steým způsobem, t. buď výsledek stále zvětšuí ebo stále zmešuí. Teoretck lze kotrolovatelé vlv zstt a ohodott pomocí přesěších přístroů, evetuálě korekčí metod, a proto b v prcpu blo možé sstematcké chb vloučt. V pra e teto požadavek těžko uskutečtelý a velkost chb se sažíme alespoň přblžě odhadout. Sstematckou chbu hodot ozačueme m. Tato absolutí chba má často charakter mamálí chb. Jeí výzam e takový, že chba, které se př měřeí hodot skutečě dopustíme, e vžd meší ebo evýš rova chbě m. V ěkterých případech e výhoděší pracovat s relatví sstematckou chbou m měřeé hodot. r Zdroem sstematckých chb e: 1. Omezeá přesost přístroů. Jeí příču e třeba hledat v edokoalém a e zcela přesém provedeí měřcích přístroů. Tpckým příkladem může být edokoalost a epřesost stupc. Tto chb b blo možo odstrat ebo alespoň podstatě zmešt použtím dokoaleších zařízeí, ale v techcké pra b používáí velm přesých přístroů blo často ákladé a těžko realzovatelé. Proto se sažíme v ěkterých případech dosáhout větší přesost, a tím zmešeí sstematcké chb, kalbrací přístroe před měřeím. Kalbrace spočívá v porováí údaů přístroe s úda podstatě přesěšího měřdla a výsledkem e staoveí hodot korekčího faktoru č korekčí křvk, pomocí kterých aměřeé hodot opravueme. Příklad: 3 Mohrovým vážkam bla př teplotě 0 C aměřea hustota vod s 997 kg m. Tabulková hodota hustot vod př této teplotě, což e hodota aměřeá přesěším měřeím, e 3 s 998, 05 kg m. Opravý koefcet k, kterým musíme ásobt každou hodotu hustot s aměřeou těmto vážkam, e dá vztahem k. V ašem případě k = 1,001. s

3 Pro ěkteré sérově vráběé přístroe výrobce udává ech mamálí (evětší přípustou) chbu m. Tak zaručue, že hodota velč aměřeá přístroem bude v celém eho rozsahu mít chbu zpravdla meší, ale aevýš rovou mamálí chbě. Mamálí chba e pro elektrcké ukazovací (ručkové) měřcí přístroe výrobcem udáváa pomocí tříd přesost T. Úda o třídě přesost e obvkle uvede v pravém dolím rohu pod stupcí přístroe, a to p ad začkou udávaící, e-l přístro urče pro střídavý ebo steosměrý proud. Podle platé orm e třída přesost číslo z řad 0,1; 0,; 0,5; 1; 1,5;,5; 5. Mamámí chbu aměřeé hodot lze pak staovt ze vztahu m 1 Tpma, () 100 kde ma e evětší hodota měřeé velč v uvažovaém rozsahu. Mamálí chba e steá, ať měříme v kterékolv část rozsahu, zatímco relatví chba e tím větší, čím meší e měřeá hodota vzhledem k mamálí hodotě v rozsahu. Proto se s elektrckým měřcím přístro sažíme měřt tak, ab výchlka bla pokud možo ve třetí třetě rozsahu. Měříme-l hodotu právě rovou mamálí hodotě rozsahu, e relatví chba měřeé hodot emeší, a e právě rova třídě přesost vádřeé v procetech. Příklad: Měříme s voltmetrem tříd přesost Tp 0, 5 a rozsahu 0 30 V. Naměřeé hodot apětí sou U1 15 V, U 30 V. Mamálí chb vplývaící z tříd přesost sou pro obě aměřeé hodot steé, protože bl měře a edom rozsahu a ech velkost vpočteme ze vztahu () m m 0,010,530 0,15 V. U1 U Relatví chb 0,15 mru 0, ,15 m ru1 0, Hodotu apětí 15 V měříme s relatví chbou 1 %, hodotu 30 V, která e mamálí hodotou rozsahu 0 30 V, měříme s relatví chbou 0,5 %, která e číselě rova třídě přesost. U číslcových elektrckých měřcích přístroů má chba dvě složk: základí chba e chba př referečích podmíkách staoveých výrobcem přístroe a přídavá chba e chba vzkaící př edodržeí referečích podmíek. Základí chba číslcových voltmetrů a číslcových multmetrů se skládá ze dvou složek. Chbou m r v procetech měřeé hodot a počtem kvatzačích kroků N, což e počet edček (dgtů) ežšího místa číslcového zobrazovače a zvoleém rozsahu. Předem e třeba zstt z rozsahu a počtu míst eho zobrazovače, aká hodota měřeé velč odpovídá 1 3

4 dgtu. Teto tvar vádřeí přesost se používá zeméa v zahračí lteratuře, kde úda přesost má apř. tvar 0,0%rdg. dgts, kde zkratka rdg. (readg) zameá čteí. Příklad: Číslcový voltmetr s mamálím údaem 9999 e použt a rozsahu 0 10 V a měřeý úda e 5,000 V. Jeho chba e specfkováa ásledově: 0,01 % údae plus kvatovací krok (0,01%rdg. + dgts). Pro voltmetr e mamálí chba měřeé hodot V 10 V,5 mv. m U Jestlže výrobce eudává formace o přesost měřdla, musíme sam chbu měřdla odhadout. Obvkle chbu m odhadueme tak, že položíme rovu část emešího dílku a stupc přístroe, kterou sme schop eště rozlšt. Zpravdla to bývá 1/ emešího dílku ebo celý dílek. Teto způsob určeí chb m souvsí s tím, že optmálí hodota emešího dílku stupce b měla být výrobcem staovea tak, abchom mohl a stupc odečítat hodot aměřeé velč v souladu s ctlvostí a přesostí daého přístroe ebo měřdla. Takto odhadutou chbu čteí považueme za evětší přípustou chbu m a opět používáme k vádřeí sstematcké chb a eurčtost. Hodot mamálích chb pro ečastě užívaá měřdla sou v tab. 1. Tabulka 1 měřdlo váh praktkatské měřítko pásové měřítko posuvé mkrometr teploměr m (0,01 0,1) g (0,5 1) mm 0,1 mm 0,01 mm (0,5 1) emeší dílek. Použtá metoda. Sstematcká chba vzká epřesostí, edokoalostí ebo evhodostí použtého způsobu měřeí. Například př vážeí a vzduchu vzká sstematcká chba určeé hmotost ako důsledek ezapočteí růzého vztlaku působícího a závaží a vážeý předmět, estlže maí rozdílé obem. Tto chb lze odstrat ebo potlačt buď změou metod ebo vloučeím chb výpočtem (oprava a vztlak). 3. Osobí chb. Jedotlví pozorovatelé se obvkle dopouštěí chb, které souvseí s růzou smslovou koordací a sou pro ě charakterstcké. Uplatňuí se apř. př měřeí časových tervalů, odečtu př zrcátkové metodě apod. Lze e vloučt tím, že subektví měřeí ahradíme obektvím, apř. časový terval měříme místo stopek pomocí čdla spoeého s počítačem. V moha případech, zvláště př složtěších měřeích, elze dostatečě určt a ohodott zdroe sstematckých chb, které se podíleí a epřesost výsledku, a elze proto provést přesé oceěí sstematckých chb. Vžd se však sažíme alespoň o řádový odhad chb. 4

5 3. NÁHODNÉ CHYBY Rozhodeme-l se pro opakovaé měřeí velč X (edotlvé aměřeé hodot velč X ozačueme ), apř. délk předmětu, a provádíme-l e za steých podmíek, t. steým měřdlem za steé teplot a tlaku, zstíme, že výsledk edotlvých měřeí se poěkud lší, až dovedeme určt přesou příču těchto odchlek. Může to být okamžtá malá změa tlaku ebo teplot, proměé magetcké pole v místě měřeí apod. Chba, která se př měřeí realzue, vzká složeím chb od velkého možství edotlvých vlvů uplatňuících se během měřeí. Tto vlv esou pod aší kotrolou, a proto říkáme, že áhodé chb sou způsobe ekotrolovatelým vlv. Chb opakovaých měřeí vtvářeí soubor áhodých chb vkazuící určté statstcké zákotost, které dovoluí staovt vlv áhodých chb a přesost měřeí. Budeme-l apříklad opakovat měřeí délk tčk steým mkrometrem v laboratoř, kde během měřeí kolísala teplota mamálě v rozmezí C a provedeme celkem 100 měřeí, můžeme aměřeé hodot rozdělt podle velkost do skup. Iterval mez hodotam v edotlvých skupách e 0,01 mm, což e právě přesost čteí a mkrometru. Z takto roztříděých hodot lze sestavt závslost absolutí četost aměřeých délek v edotlvých skupách a aměřeé délce a grafck zázort. Toto rozděleí aměřeých hodot, uvedeé a obr. 1, e smetrcké a vsthue e ečastě ormálí Gaussovo rozděleí velč. Obr. 1 Základí otázkou e, kterou ze souboru aměřeých hodot můžeme považovat za esprávěší ebo akým způsobem esprávěší hodotu velč z tohoto souboru hodot určt. Logck se abízí možost považovat za esprávěší tu hodotu, která se v souboru ečastě opakue. Nazýváme epravděpodoběší hodota a odpovídá mamum v ormálím Gaussově rozděleí. Z matematckého vádřeí tohoto rozděleí lze dokázat, že touto hodotou e artmetcký průměr ze všech aměřeých hodot. Platí 5

6 1, (3) kde sou edotlvé aměřeé hodot velč X a e počet měřeí. Protože v uvedeém případě e počet měřeí = 1000 a e ekoečě velký, e získaý soubor aměřeých hodot pouze výběrovým souborem a artmetcký průměr vpočteý podle vztahu (3) e výběrový artmetcký průměr. Čím větší e počet měřeí, tím více se hodota artmetckého průměru přblíží ke skutečé hodotě velč. Další otázkou e, ak sou edotlvé aměřeé hodot rozlože okolo hodot artmetckého průměru. Je zřemé, že čím přesěším měřdlem budeme popsovaé měřeí délk provádět, tím méě budou aměřeé hodot rozptýle kolem hodot artmetckého průměru a křvka rozděleí bude štíhleší. Míru rozptlu aměřeých hodot kolem artmetckého průměru kvattatvě charakterzue směrodatá odchlka s edoho měřeí velč, daá vztahem s 1 1. (4) Častě budeme používat směrodatou odchlku artmetckého průměru, protože opakovaá měřeí budeme vhodocovat pomocí artmetckého průměru. Platí s 1 1. (5) Obě tto odchlk bchom měl přesě azývat výběrové směrodaté odchlk, protože soubor měřeí bl áhodě vbrá ze základího souboru, který představue ekoečý počet aměřeých hodot. Chceme-l početě staovt směrodatou odchlku podle vztahů (4) ebo (5) můžeme s výhodou použít kalkulátor, které umožňuí vpočítat ze zadaého souboru hodot ak artmetcký průměr, tak směrodatou odchlku s, evetuálě s. 4. NEJISTOTY MĚŘENÍ Zatímco chba charakterzovala rozdíl aměřeé hodot od skutečé (pravé) hodot, estota měřeí charakterzue rozsah (terval) hodot měřeé velč kolem výsledku měřeí, který podle očekáváí obsahue skutečou hodotu měřeé velč. Nestota se staoví ee pro výsledek měřeí, ale také pro měřdla, použté kostat, pro korekce apod. Základem určováí estot e statstcký přístup. Předpokládá se určté rozděleí pravděpodobost, které popsue, ak se mohou aměřeé hodot velč X odchlovat od skutečé hodot. Základí charakterstkou estot e stadardí estota ozačovaá písmeem u (z agl. ucertat), a eí mírou e směrodatá odchlka udávaé hodot velč. Stadardí estota udává rozsah hodot okolo aměřeé (staoveé) hodot, ve kterém se s da- 6

7 ou pravděpodobostí achází skutečá hodota. Stadardí estot se podle zdroů, z kterých vzkaí (obdobě ako chb) dělí a stadardí estot tpu A velč X a stadardí estot tpu B velč X. Stadardí estot tpu A velč X sou způsobová áhodým vlv. Staoví se z opakovaých měřeí určté hodot za stále steých podmíek a základě statstckého přístupu a ozačuí se u A. Nestot tpu A se zmešuí se zvětšuícím se počtem opakovaých měřeí. Stadardí estot tpu B sou způsobová zámým a odhadutelým příčam vzku. Stadardí estot tpu B velč X se ozačuí u B. Jech určeí vchází z odhadu sstematckých chb aměřeých hodot. Mohou pocházet z růzých zdroů a př určtém měřeí e výsledá stadardí estota tpu B dáa odmocou ze součtu kvadrátů estot od edotlvých zdroů s respektováím korelací (vzáemých závslostí) mez edotlvým zdro estot. Protože se staoveí estot tpu A B provádí a základě steého přístupu, e možé skládat estot tpu A a B. Sumací kvadrátů stadardí estot tpu A a stadardí estot tpu B se dostae kvadrát kombovaé stadardí estot. Hodotí-l se výsledek měřeí stadardí estotou, pak se euváděí odděleě estot tpu A a tpu B. Kombovaá stadardí estota u udává terval č rozsah hodot, ve kterém se s poměrě velkou pravděpodobostí může vsktovat skutečá hodota velč X. V pra se však často obevue požadavek a zvýšeí pravděpodobost (sížeí rzka) a toho se dosáhe zvětšeím tervalu, který pokrývá estota. Proto se zavádí rozšířeá stadardí estota U, která e dáa vztahem U k u, (6) U kde k U e koefcet rozšířeí ebo pokrtí. Rozšířeá estota má být vžd doplěa údaem o velkost k U. Velkost k U se volí až 3. V posledí době se doporučue volt ku, t. U u, což odpovídá pravděpodobost 95 % pro ormálí rozděleí. Stadardí estotu můžeme vadřovat v edotkách měřeé velč, pak hovoříme o absolutí stadardí estotě, ebo poměrem absolutí estot a hodot příslušé velč, který azýváme relatví stadardí estota. Zaméko se dává před číselou hodotu estot v případě, že se přpoue k hodotě výsledku měřeí. 5. STANOVENÍ STANDARDNÍCH NEJISTOT PŘI PŘÍMÉM MĚŘENÍ Podle způsobu určeí hodot měřeé velč se dělí měřeí a přímé měřeí velč, epřímé měřeí velč. Postup př staoveí stadardích a rozšířeých estot se lší podle toho, zda se edá o přímé ebo epřímé měřeí určté velč č velč. Př přímém měřeí se ezámá hodota zšťue přímým porováím s míram (edotkam) měřeé velč, apř. měřeí délk metrem, měřeí teplot teploměrem, měřeí apětí voltmetrem, staoveí hmotost pomocí vážeí apod. 7

8 Měřeí se provádí buď edou (př většě techckých měřeích) ebo opakovaě. Př opakovaém měřeí se vchází se ze sére měřeí provedeých př stále steých podmíkách a získá se aměřeých hodot. Př edém měřeí b měla být zaručea dostatečě malá áhodá chba, provádí-l se opakovaé měřeí, měl b být počet měřeí eméě 5. Staoveí stadardí estot př přímém měřeí. Jestlže opakovaým měřeím velč X získáme údaů... 1 a výsledek měřeí bude (výběrový) artmetcký průměr daý vztahem (3), e stadardí estota tpu A velč X rova výběrové směrodaté odchlce artmetckého průměru 1 u s A ( ), (7) ( 1) 1 kde e výběrový artmetcký průměr. Pokud e počet opakovaých měřeí meší ež 10 a eí možé určt kvalfkovaý odhad a základě zkušeost, lze stadardí estotu tpu A staovt přblžě a základě vztahu u k s, (8) A kde k e koefcet, ehož velkost závsí a počtu měřeí tak, že pro počet 5 eho hodota začě vzrůstá (pro = 4 e eho hodota 1,7 a pro = 3 e to ž,5). Doporučue se proto volt počet měřeí větší ež 10, v kraím případě větší ež 5. Stadardí estot tpu B sou ěkd ozačová ako sstematcké estot a v moha případech se tak proevuí. Jech určováí e založeo ako v případě estot tpu A a statstckém přístupu. Dříve, ež se přstoupí k měřeí, e třeba aít možé zdroe sstematckých chb (estot tpu B). Zdroe estot tpu B př měřeí (podobě ako sstematcké chb) vzkaí v důsledku: edokoalost měřcích přístroů a měřcí techk, použtých měřcích metod, podmíek př měřeí, odečtu aměřeé hodot (ukazatel aměřeé hodot se achází mez ozačeým dílk stupce a eho polohu určí epermetátor odhadem), a dalších vlvů. Odhad stadardích estot tpu B od edotlvých zdroů estot Z se provádí ásleduícím způsobem: Odhade se pro každý zdro estot mamálí rozsah změ zma, velkost zma se volí taková, ab eí překročeí blo málo pravděpodobé (mamálě přípustá chba ebo emeší dílek stupce). Uváží se, které rozděleí pravděpodobost elépe vsthue výskt hodot v tervalu zma, ab blo možé z mezí odchlk zma staovt směrodatou odchlku příslušeící tomuto tpu rozděleí. Je třeba se rozhodout, ak bude rozdělea pravděpodobost, se kterou může ovlvňuící velča abývat edotlvých hodot mez svým kraím mezem daým z. Nečastě se předpokládá rovoměré rozdě- ma 8

9 leí, pro které e steá pravděpodobost výsktu lbovolé hodot ležící mez kraím mezem. V tomto případě e koefcet, sloužící k přepočtu mezí hodot ovlvňuící velč a směrodatou odchlku 3. Normálí (Gaussovo) rozděleí se volí tehd, e-l pravděpodobost malých odchlek začá a velkých odchlek zaedbatelá a koefcet 3. Určí se estot tpu B od edotlvých zdroů Z ze vztahu u zb z ma, (9) kde udává poměr mezí odchlk ke směrodaté odchlce pro vbraý tp rozděleí. Hodota abývá obvkle hodot 3, evet. 3. Určí se výsledá stadardí estota tpu B podle vztahu B, z z 1 u A u, (10) kde se provádí sčítáí přes všech zdroe estot tpu B. Odhaduté estot od edotlvých zdroů se ve vztahu (10) ásobí koefcet vpočteým pomocí fukčí závslost X f Z1, Z,..., Z. Koefcet A Z, (ctlvostí koefcet) se vpočtou z relací A Z, X. (11) Z Pomocí koefcetů A Z, (ctlvostí) lze převést edotlvé složk estot tpu B a edotk měřeé velč. Vztah (10) platí pouze za určtého předpokladu, t. tehd, estlže eí mez edotlvým složkam estot vazba (korelace). Naštěstí teto předpoklad e ve většě měřeí splě a eí proto uté použít obecěší vzorec pro výpočet výsledé stadardí estot tpu B, který zahrue korelačí koefcet, popsuící míru vzáemé vazb edotlvých vlvů způsobuících estot tpu B. Kombovaá stadardí estota u se př přímém měřeí určue ze vztahu u u u. (1) A B Př dosazováí do vztahu (1) e vhodé posoudt, estl ěkterá složka estot emá rozhoduící výzam, a druhou e pak možo zaedbat. 9

10 Příklad: Měřeí délk l předmětu blo prováděo mkrometrem 0 krát. Z aměřeých hodot délk bla určea směrodatá odchlka artmetckého průměru s 0, 01 mm. Směrodatá odchlka artmetckého průměru e podle vztahu (7) rova stadardí odchlce u la tpu A. Zdroem estot tpu B e pouze omezeá přesost mkrometru, a proto se pro teto případ měřeí určí z mamálí chb mkrometru, která e 0,01 mm. Předpokládáme smetrcké rozložeí hodot 0,01 měřeých mkrometrem v tervalu 0, 01 mm, a proto podle vztahu (9) e ulb mm. 3 0,01 Kombovaá stadardí estota e podle vztahu (1) u l 0,01 0,01 mm. 3 Obě složk estot sou v tomto případě řádově steě velké, a proto emůžeme a edu z ch zaedbat. l 6. STANOVENÍ STANDARDNÍCH NEJISTOT PŘI NEPŘÍMÉM MĚŘENÍ Dosud uvedeý postup předpokládal prováděí přímého měřeí edé velč s ěkolka ovlvňuícím velčam ako zdro estot tpu B. Předpokládeme í, že určueme hodotu velč a základě vztahu, v kterém vstupue eda ebo více přímo měřeých velč a kostat. Nechť velča Y e dáa fukčí závslostí a edé ebo ěkolka přímo měřeých velčách X a kostatách V h, které emaí přesé hodot. Platí Y f X, X,..., X,..., X, V, V,..., V,..., V. 1 m 1 h p Předpokládeme obecý případ, kd měřeí se opakue krát a pro té měřeí se získaí hodot,..., 1 m přímo měřeých velč X,..., 1 X m. Výsledou hodotu staovíme tak, že dosadíme výběrové artmetcké průměr přímo měřeých velč do fukčí závslost. Stadardí estotu př epřímém měřeí lze staovt steým obecým postupem, ako v případě přímo měřeé velč. Staoveí stadardí estot př epřímém měřeí velč lze shrout do ásleduících kroků: Staovíme výběrový artmetcký průměr podle vztahu f,,...,,...,, V, V,..., V,..., V, (13) 1 m 1 h p kde e artmetcký výběrový) průměr té přímo měřeé velč daý vztahem (3). 10

11 Staovíme směrodaté odchlk s pro edotlvé opakovaě měřeé velč X podle vztahu (7), které sou totožé s estotam tpu A, t. u A. Výsledou stadardí estotu u A tpu A určíme a základě estot od edotlvých zdroů podle vztahu m A 1 u s A s, (14) kde A f ( X1,..., X,..., X m, V1,..., Vh,..., Vp) X sou převodí koefcet, echž hodot se vpočítaí dosazeím hodot a V h do parcálích dervací, a které převáděí edotlvé estot do edotek měřeé velč. Pro zedodušeí zde předpokládáme, že hodot kostat V h esou ovlvě estotam. Jestlže eprovádíme opakovaé měřeí, prví tř bod odpadaí a hodotu velč Y dostaeme dosazeím edou měřeých hodot velč X,..., 1 X m a estotu tpu A epočítáme. Určíme všech zdroe složek estot tpu B. Pro každý zdro estot tpu B určíme kraí meze, mez kterým b se měla acházet eho skutečá hodota. Pro každý zdro estot zstíme předpokládaé rozděleí pravděpodobostí výsktu edotlvých hodot mez kraím mezem a podle tpu rozděleí m přřadíme hodot koefcetu ( 3 pro ormálí rozděleí, 3 pro rovoměré rozděleí). Podle vztahu (9) vpočteme estot tpu B od edotlvých zdroů. Vpočteme výsledou stadardí estotu u B tpu B podle vztahu m l B B Vh VhB 1 h1, (15) u A u A u Y kde A, A X Vh Y V h sou převodí koefcet určeé pomocí parcálích dervací, převáděící estot od edotlvých zdroů do edotek určovaé velč. S použtím Gaussova kvadratckého zákoa šířeí estot určíme kombovaou stadardí estotu u u u u. (16) A B Je-l požadavek a zvýšeí pravděpodobost (sížeí rzka) výsktu skutečé hodot v tervalu U, U zavádí vztahem staovíme rozšířeou stadardí estotu U, která se U k u, (17) U 11

12 kde k U e koefcet rozšířeí ebo pokrtí. Hodot koefcetu se obvkle volí od do 3, vět-šou se doporučue volt ku, ab pro ormálí rozděleí odpovídal pravděpodobost pokrtí cca 95 %. Určováí estot př epřímém měřeí e často zatížeo moha dílčím estotam růzých velkostí. Výpočet e možo zedodušt zaedbáím řádově meších výrazů (kvadrátů estot). Přpustíme-l zmešeí pravé stra rovce (16) o 5 % zaedbáím meší z estot, což eovlví praktck velkost výsledé estot, bude uvedeý požadavek a změu výsledé estot splě tehd, estlže složka estot, kterou chceme zaedbat, bude meší ež 1/3 větší. Př kokrétím výpočtu můžeme ted zaedbat všech složk estot, pro ěž bude platt 1 ul uk... u ma. (18) 3 Výpočet estot pro edoduché případ epřímo měřeých velč. Předpokládeme, že hodotu velč Y přímo eměříme, ale určueme pomocí edou měřeých hodot 1, dvou epřímo měřeých velč X1, X. Záme-l tvar fukčí závslost Y f X X 1, a stadardí estot přímo měřeých velč 1B B u, u, lze určt stadardí estotu u B pomocí vztahu (10). Nestota u B e zároveň kombovaou estotou u, vztah (16), protože hodot přímo měřeých velč sou měře pouze edou. Pro kombovaou estotu u dostaeme Y Y u u u 1B B X1 X. (19) Obecý vzorec (19) pro šířeí estot lze ve specálích případech fukčích závslostí ahradt edodušším výraz pro výpočet estot epřímo měřeé velč. Nepřímo měřeá velča e leárí kombace přímo měřeých velč: Y f X, X ax bx, (0) 1 1 kde a, b sou reálá čísla. Z kvadratckého zákoa šířeí estot, vztah (19) vplývá, že kombovaá stadardí estota velč Y e u a u b u. (1) 1B B Pro prostý součet a rozdíl dvou velč: Y f X, X X X () 1 1 1

13 se (1) redukue a ásleduící vztah u u u. (3) 1B B V případě, kd určueme estotu velč, která e rova součtu ebo rozdílu dvou velč, e eí výsledá estota rova odmocě součtu kvadrátů estot přímo měřeých velč. Pro zpřesěí výsledku má smsl zpřesňovat měřeí té velč, eíž absolutí estota e evětší. Příklad: Určueme tloušťk stě dutého válce. Věší průměr válečku d1 1,1 mm, vtří průměr d 8,1 mm, rozměr bl změře posuvým měřítkem. Chba údae posuvého měřítka e pro rozměr steá, m1 m 0,1 mm. Předpokládáme-l, že hodot sou v rozmezí 0,1mm rozlože rovoměrě, pak podle vztahu (9) 0,1 ud 1B udb mm, 3 eboť pro rovoměré rozděleí hodot platí, že 3. 1 Ozačíme-l tloušťku stě, pak pro platí d1 d. Nestota určeí e podle vztahu (3) rova ,1 0,1 u ud 0,041 mm 1B ud 1B Tloušťka stě e určea s estotou 0,041 mm. Kdbchom chtěl zpřest měřeí, e třeba zpřest měřeí obou rozměrů d 1 d, protože se podíleí a výsledé estotě rovým dílem. Nepřímo měřeá velča e moca přímo měřeých velč: f X, X a, (4) m 1 1 kde a, m, sou reálé kostat. Z obecého vztahu (10) vplývá, že relatví (poměrá) stadardí estota tpu B velč Y e u m u u. (5) r r1 r Pro prostý souč ebo podíl dvou velč X1, X se výraz (5) redukue a vztah u u u. (6) r r1 r 13

14 V případě, kd určueme estotu velč, která e rova souču ebo podílu dvou velč, e eí relatví estota rova odmocě ze součtu kvadrátů relatvích estot přímo měřeých velč. Pro zpřesěí výsledku má smsl zpřesňovat měřeí té velč, eíž relatví estota e evětší ebo se ve vztahu (5) vsktue ve všší mocě. Příklad: Určueme estotu elektrckého odporu R spotřebče pro proud I 100 ma měřeého s mamálí chbou mi 0,5 ma, apětí a spotřebč U 00 V s mamálí chbou mu 5V. Předpokládáme, že pro hodot apětí a proudu v rozmezí chb platí ormálí rozděleí, a proto podle vztahu (9) 0,5 5 uib ma 0,17 ma, uub V 1, 7 V 3 3 a relatví estot sou 0,17 3 1, 7 3 uri 1,7 10, uru 8, U Protože elektrcký odpor souvsí s proudem I a apětím U vztahem R, platí pro relatví I stadardí estotu tpu B elektrckého odporu R určeého z edoho měřeí proudu a apětí vztah (6). Př výpočtu sme vužl defčí vztah pro relatví estotu. Velkost relatví estot elektrckého odporu čí 0,87 %. Z výpočtu vplývá, že hodota apětí má pětkrát větší relatví estotu ež hodota proudu. Zlepšeí přesost výsledku b blo možo dosáhout apř. použtím voltmetru s lepší třídou přesost. 7. VÝSLEDEK MĚŘENÍ Z předchozích odstavců vplývá, že výsledkem měřeí e ee hodota velč, ale současě eí estota. Př zpracováí měřeí e třeba dodržet určtý postup, který shrueme do ěkolka bodů. V případě přímo měřeé velč: K přímo měřeé velčě X staovte ebo alespoň odhaděte zdroe všech sstematckých chb a uvažte, akým rozděleím se budou hodot v rámc chb řídt. Vpočtěte stadardí estotu tpu B velč X podle vztahu (10). Je-l velča měřea opakovaě, staovte eí artmetcký průměr a směrodatou odchlku s, která e rova stadardí estotě u A. Staovte kombovaou stadardí estotu podle vztahu (1). 14

15 V případě epřímo měřeé velč: V případě, že ěkteré velč měříte opakovaě, staovte výběrový artmetcký průměr dosazeím artmetckých průměrů edotlvých přímo měřeých velč X podle vztahu (13). Staovte směrodaté odchlk s pro edotlvé opakovaě měřeé velč X podle vztahu (7), které sou totožé s estotam tpu A, t. u A. Výsledou stadardí estotu u A tpu A určete a základě estot od edotlvých zdroů podle vztahu (14). Jestlže eprovádíte opakovaé měřeí, prví tř bod odpadaí. Určete všech zdroe složek estot tpu B přímo měřeých velč a epřesost kostat. Pro každý zdro estot tpu B určete kraí meze, mez kterým b se měla acházet skutečá hodota a zstěte předpokládaé rozděleí pravděpodobostí výsktu edotlvých hodot mez kraím mezem a podle tpu rozděleí m přřaďte hodot koefcetu ( 3 pro ormálí rozděleí, 3 pro rovoměré rozděleí). Jestlže s este st výběrem rozděleí, použte hodotu 3. Podle vztahu (9) vpočtěte estot tpu B od edotlvých zdroů. Staovte výsledou stadardí estotu u B tpu B podle vztahu (15). S použtím Gaussova kvadratckého zákoa šířeí estot, vztah (16) určete kombovaou stadardí estotu u. Je-l požadavek a zvýšeí pravděpodobost (sížeí rzka) výsktu skutečé hodot v tervalu U, U vztahu (17). staovte rozšířeou stadardí estotu U podle Záps výsledku Obvkle se výsledek měřeí uvádí ve tvaru, (7) kde e výsledek měřeí a e estota. Př každém úda estot musí být asě uvedeo, o akou estotu se edá. Pro stadardí estot tpu A se uvádí: počet opakovaých měřeí a výběrové směrodaté odchlk. Pro stadardí estot tpu B se uvádí: uvažovaé zdroe estot, výchozí hodot a hodot vpočítaých estot pro edotlvé zdroe. Všech potřebé údae e vhodé přehledě sestavt do ásleduící tabulk: velča hodota mamálí pravděpod.ctlvostí příspěvek rozmezí rozděleí koefcet k estotě Nestota ve výsledku se zaokrouhlue evýš a dvě cfr, vžd ahoru, a hodota velč se zaokrouhlí tak, ab se řád posledí cfr hodot velč estot shodoval. 15

16 Příklad: Měřeím bla staovea vlová délka světla helum eoového laseru 63,84 m s estotou u 1, 9 m. Nestotu zaokrouhlíme a dvě platé cfr a tomu přzpůsobíme posledí cfru hodot vlové délk. 63,8 1,3 m. Záps výsledku měřeí vlové délk e 8. VYROVNÁNÍ FUNKČNÍ ZÁVISLOSTI Př moha techckých měřeích všetřueme závslost edé velč a druhé. Měříme proto hodot edé velč pro určté hodot velč druhé. Předpokládeme pro edoduchost, že velča e fukcí pouze edé velč. Závslost vadřueme zápsem f a pro růzé hodot argumetu měříme hodot. Provedeme-l taková měřeí, e výsledkem soubor hodot a, přčemž hodot,..., 1 ezávsle proměé velč volíme a m odpovídaící hodot,..., 1 dostaeme ako výsledek měřeí. Úkolem obvkle bývá určt ebo potvrdt tp závslost f, evetuálě určt parametr této závslost. Chb aměřeých hodot způsobuí, že soubor aměřeých hodot,..., 1 esplňue fukčí závslost zcela přesě, a proto se musíme zabývat problémem, ak co elépe proložt aměřeé hodot očekávaou fukčí závslostí. Počet aměřeých hodot přtom esmí být přílš malý. Problémem optmálího vrováí aměřeých hodot fukčí závslostí se zabývá regresí aalýza. Dále probereme edu z metod často používaých v regresí aalýze, metodu emeších čtverců. Metoda emeších čtverců (MNČ) Nezáměší metodou, kterou vrováváme soubor aměřeých hodot,..., 1 eplctě vádřeou fukčí závslostí f, e MNČ. Tato metoda e početě sce dost áročá, ale bývá součástí softwarového vbaveí počítačů vědeckých kalkulátorů a e k dspozc ve cvčé laboratoř. Prcp MNČ vložíme a eedodušším případu, kd aměřeé hodot odpovídaící hodotám maí ležet a přímce procházeící počátkem. Naším úkolem e ted aměřeé hodot co elépe vrovat leárí závslostí a a určt optmálí hodotu parametru a a dále eho chbu a estotu. MNČ e založea a splěí požadavku, ab součet čtverců odchlek aměřeých hodot pro edotlvá od vrovaých hodot a, bl mmálí. Parametr a přtom určueme. Musí ted platt m, (8) 1 16

17 kde a a e počet měřeí. Pro edotlvé dvoce hodot, můžeme ted vádřt z rozdílů 1 1 a1 a a Požadavek mma z rovce (8) e splě tehd, e-l dervace výrazu a levé straě rovce podle parametru a rova ule. 1 a 0 (9) Dosazeím za do rovce (8) dostaeme a a a a a a... m (30) Provedeím dervace levé stra rovce (9) podle a získáme výraz a a a eho úpravou dále dostaeme a 1... a Teto výraz se podle (9) rová ule a pro a ted platí a 1 1. (31) V případě obecé přímk tpu a b bchom dostal mohem komplkovaěší výraz pro staoveí mma a hledal bchom dva parametr a, b této fukčí závslost z podmíek pro ulové dervace. 17

18 Postupem výpočtu chb a ted estot a, b tpu A se v tomto skrptu ebudeme zabývat, protože eho umercký výpočet e dost komplkovaý a bývá součástí softwarového vbaveí pro MNČ. Pro výpočet estot ua, u b parametrů a, b budeme chb parametrů vplývaící z výpočtu považovat za ech směrodaté odchlk. Příklad: Vrováí přímé úměrost metodou emeších čtverců. Doba kvu kvadla bla měřea stopkam s mezčasem tak, že měřeí započalo v čase t = 0, dále bl zazameává okamžk průchodu kvadla rovovážou polohou po každém kvu. Blo aměřeo celkem 5 hodot času. (pořadové číslo měřeí) t (aměřeé čas v s) 4,1 7,8 1,0 16, 19,9 Dále předpokládáme, že doba kvu se s časem eměí, t. aměřeé hodot t b měl ležet, kde odpovídaí hodotám ezávsle proměé a t hodotám závsle pro- a přímce t a měé v obecé fukčí závslost a. Naměřeé hodot chceme co elépe vrovat přímkou doucí počátkem. Závslost aměřeých a vrovaých hodot času a pořadovém čísle měřeí e a obr.. Parametr a vpočteme podle vztahu (31) 5 t 1 60 a Na základě vpočteého a, což e zároveň určeá doba kvu a 4s, můžeme staovt vrovaé hodot t. t (aměřeé čas v s)) 4,1 7,8 1,0 16, 19,9 a (vrovaé hodot v s)

19 Obr. Skupová metoda Pro aměřeé hodot, o kterých předpokládáme, že splňuí fukčí závslost a, e možé provést vrováí také skupovou metodou. Tato metoda e založea a grafcké metodě hledáí těžště bodů reprezetuící aměřeé hodot. Předpokládáme, že platí 1 a 0, ted a, kde e počet měřeí. 1 1 Pro a dostaeme vztah a 1 1. (3) Přtom musíme předpokládat, že všech bod sou změře steě přesě a přsuzueme m steou váhu. Vrováí leárí závslost e samozřemě edodušší ež vrováí obecěších závslostí. Proto se vžd, pokud e to možé, sažíme převést měřeou fukčí závslost a leárí, apř. vhodou matematckou úpravou. 19

20 Příklad: Měříme hodot velč N vhovuící fukčí závslost tpu N N z aměřeých dvoc, 0 l N, ep 0, a úkolem e N určt hodotu. Závslost převedeme a leárí úpravou do tvaru N což e ž rovce přímk procházeící počátkem, protože pro 0, e N N0 a úloha se redukue a fukčí závslost tpu a, kde l N a určovaý parametr a. 0 N 0

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

[ 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

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

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

Měření závislostí. Statistická závislost číselných znaků

Měření závislostí. Statistická závislost číselných znaků Měřeí závslostí Statstcká závslost číselých zaků - závslost dvou velč lze vádřt ako ech fukčí vztah vzorcem, taulkou hodot příslušé fukce eo grafck; - mez zak zkoumaých evů zšťueme estec příčé (kauzálí

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

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

, 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

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

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

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

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

jsou varianty znaku) b) při intervalovém třídění (hodnoty x Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém

Více

III. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ

III. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ III. METODY MĚŘENÍ A ZPRACOVÁNÍ MĚŘENÍ Způsob, jímž se provádí fzkálí měřeí, závsí jedak a povaze měřeé velč, jedak a tom, ze kterých vztahů pro měřeou velču vjdeme a jakých přístrojů použjeme. Všech měřcí

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

Úvod do zpracování měření

Úvod do zpracování měření Úvod do zpracováí měřeí Teore chb Opakujeme-l měřeí téže fzkálí velč za stejých podmíek ěkolkrát za sebou, dostáváme zpravdla růzé hodot. Měřeé velčě přísluší však jedá správá hodota. Každou odchlku aměřeé

Více

a další charakteristikou je četnost výběrového souboru n.

a další charakteristikou je četnost výběrového souboru n. Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu

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

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

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

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

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

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

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

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

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

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

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

Zhodnocení přesnosti měření

Zhodnocení přesnosti měření Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek

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

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

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

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor 1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců

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

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

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

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

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

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

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

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

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č.

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č. Evropská federace árodích asocací měřcích, zkušebích a aalytckých laboratoří Techcká zpráva č. /006 Srpe 006 Poky pro vyhodoceí ejstoty měřeí výsledků kvattatvích zkoušek T e c h c k á z p r á v a EUROLAB

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

Odhady a testy hypotéz o regresních přímkách

Odhady a testy hypotéz o regresních přímkách Lekce 3 Odhad a tet hpotéz o regreích přímkách Ve druhé lekc jme kotruoval kofdečí terval a formuloval tet hpotéz o korelačím koefcetu Korelačí koefcet je metrckou charaktertkou tezt závlot, u které ezáleží

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2 Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z

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

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model

EKONOMETRIE 9. přednáška Zobecněný lineární regresní model EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

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

Náhodný výběr 1. Náhodný výběr

Náhodný výběr 1. Náhodný výběr Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti

Více

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter. Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový

Více

Nepředvídané události v rámci kvantifikace rizika

Nepředvídané události v rámci kvantifikace rizika Nepředvídaé událost v rác kvatfkace rzka Jří Marek, ČVUT, Stavebí fakulta {r.arek}@rsk-aageet.cz Abstrakt Z hledska úspěchu vestce ohou být krtcké právě ty zdroe ebezpečí, které esou detfkováy. Vzhlede

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

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

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

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

OVMT Přesnost měření a teorie chyb

OVMT Přesnost měření a teorie chyb Přesost měřeí a teorie chyb Základí pojmy Naměřeé údaje ejsou ikdy absolutě přesé, protože skutečé podmíky pro měřeí se odlišují od ideálích. Při každém měřeí vzikají odchylky od správých hodot chyby.

Více

8 NELINEÁRNÍ REGRESNÍ MODELY

8 NELINEÁRNÍ REGRESNÍ MODELY 8 NELINEÁRNÍ REGRESNÍ MODELY 8 Tvorba eleárího regresího modelu Postup tvorby eleárího regresího modelu se dá rozčlet do těchto kroků: Návrh regresího modelu Obvykle se jako eleárí regresí model používá

Více

Intervalové odhady parametrů

Intervalové odhady parametrů Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE Praha 8 Pavel Třasák ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ

Více

Úloha III.S... limitní

Úloha III.S... limitní Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími

Více

ÚVOD DO PRAKTICKÉ FYZIKY I

ÚVOD DO PRAKTICKÉ FYZIKY I JIŘÍ ENGLICH ÚVOD DO PRAKTICKÉ FYZIKY I ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ Jede z epermetů, které změly vývoj fyzky v mulém století. V roce 9 prof. H. Kamerlgh Oes ve své laboratoř v Leydeu měřl teplotí závslost

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

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

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

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,

Více

Úvod do teorie měření

Úvod do teorie měření Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých

Více

1 Úvod { }.[ ] A= A A, (1.1)

1 Úvod { }.[ ] A= A A, (1.1) Obsah Obsah... Úvod... 3 Základí pojmy počtu pravděpodobosti... 7. Základí statistické pojmy... 7. Fukce áhodých veliči... 8.3 Charakteristiky áhodých veliči... 0.4 Některá rozděleí pravděpodobosti....5

Více

11. Popisná statistika

11. Popisná statistika . Popsá statstka.. Pozámka: Př statstckém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákotost, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme statstcké jedotky. Př

Více

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí

Více

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

1. Měření ve fyzice, soustava jednotek SI

1. Měření ve fyzice, soustava jednotek SI 1. Měřeí ve fyzice, soustava jedotek SI Fyzika je vědí obor, který zkoumá zákoitosti přírodích jevů. Pozámka: Získáváí pozatků ve fyzice: 1. pozorováí - sledováí určitého jevu v jeho přirozeých podmíkách,

Více

2 STEJNORODOST BETONU KONSTRUKCE

2 STEJNORODOST BETONU KONSTRUKCE STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

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

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby. ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

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

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti. 10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé

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

Téma 1: Pravděpodobnost

Téma 1: Pravděpodobnost ravděpodobot Téma : ravděpodobot ředáša - ravděpodobot áhodého evu Náhodý pou a áhodý ev Náhodý pou - aždá čot, eíž výlede eí edozačě urče podmíam, za terých probíhá apř hod otou, měřeí dély, běh a 00

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

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti

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

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí

Více

1.7.4 Těžiště, rovnovážná poloha

1.7.4 Těžiště, rovnovážná poloha 74 ěžiště, rovovážá poloha Předpoklady: 00703 Př : Polož si sešit a jede prst tak, aby espadl Záleží a místě, pod kterým sešit podložíš? Proč? Musíme sešit podložit prstem přesě uprostřed, jiak spade Sešit

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

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

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

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

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

12. Neparametrické hypotézy

12. Neparametrické hypotézy . Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,

Více

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

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

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