Protokol č. 5. Vytyčovací údaje zkusných ploch

Rozměr: px
Začít zobrazení ze stránky:

Download "Protokol č. 5. Vytyčovací údaje zkusných ploch"

Transkript

1 Protokol č. 5 Vytyčovací údaje zkusných ploch Zadání: Ve vybraném porostu bylo prováděno zjišťování zásob za použití reprezentativní metody kruhových zkusných ploch. Na těchto zkusných plochách byl zjišťován objem hroubí kmene všech dřevin. Vypočtěte průměrnou hektarovou zásobu a zásobu celého porostu. Vyjádřete chyby těchto odhadů a porovnejte je s maximální tolerovanou chybou z Vašeho zadání. Odhadněte počet zkusných ploch a intenzitu výběru nutné pro dosažení požadované přesnosti stanovení zásob. Zhodnoťte rentabilitu a spolehlivost metody při daném počtu zkusných ploch. Je zadáno: S - výměra porostu [ha] h - hustota porostu [stromů/ha] n - průměrný počet stromů na zkusné ploše E - tolerovaná 95 % mezní chyba porostní (hektarové) zásoby [%] k - počet zkusných ploch průzkumného výběru zjištěná zásoba (m 3 ) na 15 zkusných plochách Výpočet základních vytyčovacích veličin. Základem metody kruhových zkusných ploch jako jedné z reprezentativních, matematicko statistických metod je teorie náhodného výběru a odhadu statistických charakteristik základního souboru pomocí zmíněných charakteristik výběru. Patří k často používaným metodám v praxi. Obvykle používaná přesnost zjišťování zásob metodou kruhových zkusných ploch je ± 10%.

2 p - velikost zkusné plochy [ha] se spočítá jako průměrný počet stromů na zkusné ploše n / hustota porostu h Např.: 19 / 410 = 0,05 ha V závislosti na hustotě porostu se volí různá velikost kruhů zkusných ploch tak, aby se v kruhu nacházelo obvykle průměrně stromů. Tento počet je nejvhodnější s ohledem na ekonomičnost provádění a požadovanou přesnost měření. P - celková výměra zkusných ploch [ha] se spočítá jako velikost zkusné plochy p * počet zkusných ploch průzkumného výběru k Např.: 0,046 * 15 = 0,70 ha

3 i(%) - intenzita výběru [%] se spočítá jako celková výměra zkusných ploch P / výměra porostu S * 100 Např.: 0,70 / 13 * 100 = 5,35 % Jedná se o procento výměry kruhových zkusných ploch z plochy celého porostu.

4 Poznámka: Pokud má být výsledek v procentech, můžeme ho obdržet místo násobením 100 i úpravou formátu buněk na procenta.

5 Do buňky klikneme pravým tlačítkem myši, vybereme Formát buněk

6 Vybereme Procenta a klikneme na OK

7 Výsledek se objeví v procentech Pokud je formát buněk nastaven v procentech, objeví se v buňce spolu s výsledkem %. Pokud jsme procenta obdrželi vynásobením vzorce * 100, výsledek je také v procentech, ale % se spolu s výsledkem v buňce neobjeví. d - odstupová vzdálenost středů zkusných ploch[m] se spočítá jako ODMOCNINA (výměra porostu S / počet zkusných ploch průzkumného výběru k) * 100 Např.: ODMOCNINA (13 / 15) * 100 = 93,09 m Zkusné plochy jsou v porostu s ohledem na jeho charakter (nepravidelnosti hustoty porostu a zastoupení dřevin v jeho různých částech) rozmístěny zhruba schematicky, a to rovnoměrně dle čtvercové nebo obdélníkové sítě nebo nerovnoměrně dle jiné sítě.

8 Zásoba na hektar. V prům/ha - průměrná hektarová zásoba na zkusné ploše [m 3 ] se spočte jako (PRŮMĚR (označené všechny zjištěné zásoby na zkusných plochách)) / velikost zkusné plochy p Např.: (PRŮMĚR (označené zásoby ze zkusných ploch)) / 0,05 = 645,79 m 3 Místo funkce průměr můžeme provést sumu zásob na zkusných plochách, kterou vydělíme počtem zkusných ploch.

9 Pro výpočet S vi/ha - směrodatná odchylka hektarové zásoby na zkusné ploše [m 3 ] zadáme SMODCH.VÝBĚR (označená veškerá zjištěná zásoba ze zadaných 15 zkusných ploch) / velikost zkusné plochy p Např.: SMODCH.VÝBĚR (označené zjištěné zásoby na zkusných plochách) / 0,05 = 210,55 m 3 Rozměr směrodatné odchylky je stejný jako rozměr veličiny. Používá se hlavně pro popis souborů.

10 Var vi/ha (%) - variační koeficient hektarové zásoby na zkusné ploše [%] se spočítá jako podíl S vi/ha / V prům/ha * 100 S% S x 100 Např.: 210,55 / 645,79 = 32,60 % Variační koeficient je relativní mírou variability, používá se k vzájemnému porovnání variability různých souborů.

11 S ha - směrodatná odchylka odhadu průměrné hektarové zásoby [m 3 ] se spočítá jako S vi/ha / ODMOCNINA z počtu zkusných ploch průzkumného výběru k Např.: 210,55 / ODMOCNINA z 15 = 54,36 m 3

12 E ha - vypočtená 95% absolutní mezní chyba odhadu průměrné hektarové zásoby [m 3 ] se spočítá jako TINV ( prst = α = 0,05; volnost = n-1 = 15-1 = 14) * S ha Pozn. α = 0,05 pro 95 % pravděpodobnost, riziko chyby je 5 %. Volnost je počet zkusných ploch snížen o 1, tj = 14. Např.: TINV (0,05; 14) * 54,36 = 116,60 m 3 E ha (%) - vypočtená 95% relativní mezní chyba odhadu průměrné hektarové zásoby [%] se spočítá jako podíl E ha a V prům/ha * 100 Např.: 116,60 / 645,79 * 100 = 18,05 %

13 Zásoba celého porostu. V porost - zásoba celého porostu [m 3 ] se spočítá jako V prům/ha * výměra porostu S Např.: 645,79 * 13 = 8395,22 m 3 Pro zjištění zásoby porostu vynásobíme známou hektarovou zásobu počtem hektarů celého porostu.

14 S porost - směrodatná odchylka odhadu zásoby porostu [m 3 ] spočteme jako S ha * výměra porostu S Např.: 54,36 * 13 = 706,72 m 3

15 E porost - vypočtená 95% absolutní mezní chyba odhadu zásoby porostu [m 3 ] se spočítá jako TINV ( prst = α = 0,05; volnost = n-1 = 15-1 = 14) * S porost Např.: TINV (0,05; 14) * 706,72 = 1515,75 m 3

16 E porost (%) - vypočtená 95% relativní mezní chyba odhadu zásoby porostu [%] se spočítá jako E porost / V porost * 100 Např.: 1515,75 / 8395,22 * 100 = 18,5 % Vypočtený počet zkusných ploch, intenzita výběru. K - vypočtený počet zkusných ploch o dané velikosti potřebný k dosažení požadované přesnosti stanovení zásoby spočteme jako TINV (prst = α = 0,05; volnost = n-1 = 15-1 = 14) ^ 2 * (Var vi /ha (%) ^2 / E ^ 2) Pozn. α = 0,05 pro 95 % pravděpodobnost. Např.: TINV (0,05; 14) ^ 2 * (32,60 (%) ^2 / 15 (%) ^ 2) = 21,73 Počet zkusných ploch je minimální potřebný počet ploch pro stanovení zásoby s požadovanou přesností. V komentáři je třeba počet zkusných ploch zaokrouhlit na celé číslo nahoru.

17 I (%)- intenzita výběru pro potřebný počet zkusných ploch [%] se spočítá jako K * p / S * 100 Např. 21,73 * 0,05 / 13 * 100 = 7,75 % Je to procento výměry kruhových zkusných ploch z plochy celého porostu.

18

19 Výsledky okomentujeme:

Protokol č. 2. základní taxační veličiny. Vyplňte zadanou tabulku na základě měření tlouštěk a výšek v porostu.

Protokol č. 2. základní taxační veličiny. Vyplňte zadanou tabulku na základě měření tlouštěk a výšek v porostu. Protokol č. 2 základní taxační veličiny Zadání: Vyplňte zadanou tabulku na základě měření tlouštěk a výšek v porostu. Je zadána výměra porostu, věk, zjištěná zásoba a naměřené výšky a tloušťky dřevin.

Více

Protokol č. 8. Stanovení zásoby relaskopickou metodou

Protokol č. 8. Stanovení zásoby relaskopickou metodou Protokol č. 8 Stanovení zásoby relaskopickou metodou Zadání: Pro zadané dřeviny stanovte zásobu pomocí relaskopické metody. Součástí protokolu bude vyplněný protokol podle relaskopického formuláře (provedení

Více

Protokol č. 7. Jednotné objemové křivky. Je zadána výměra porostu, výška dřevin a počty stromů v jednotlivých tloušťkových stupních.

Protokol č. 7. Jednotné objemové křivky. Je zadána výměra porostu, výška dřevin a počty stromů v jednotlivých tloušťkových stupních. Protokol č. 7 Jednotné objemové křivky Zadání: Pro zadané dřeviny stanovte zásobu pomocí JOK tabulek. Součástí protokolu bude tabulka obsahující střední Weisseho tloušťku, Weisseho procento, číslo JOK,

Více

Protokol č. 1. Tloušťková struktura. Zadání:

Protokol č. 1. Tloušťková struktura. Zadání: Protokol č. 1 Tloušťková struktura Zadání: Pro zadané výčetní tloušťky (v cm) vypočítejte statistické charakteristiky a slovně interpretujte základní statistické vlastnosti tohoto souboru tloušťek. Dále

Více

Speciální metody dendrometrie

Speciální metody dendrometrie Speciální metody dendrometrie Úvod - Přechod od klasické dendrometrie ke speciálním metodám Zdeněk Adamec Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018

Více

Protokol č. 3. Morfologie ležícího kmene

Protokol č. 3. Morfologie ležícího kmene Protokol č. 3 Morfologie ležícího kmene Zadání: Stanovte vhodný analytický tvar morfologické křivky kmene včetně výpočtu parametrů, dále stanovte postupnou a celkovou sbíhavost kmene. Měřené a modelové

Více

Protokol č. 10. Odhad zásoby pomocí růstových tabulek

Protokol č. 10. Odhad zásoby pomocí růstových tabulek Protokol č. 10 Odhad zásoby pomocí růstových tabulek Zadání: Pro zadané dřeviny stanovte AVB, tabulkovou a skutečnou zásobu/ha, tabulkový a skutečný CBP pro periodu 5 let a PMP pro věk 100 roků. Je zadána

Více

Ústav pro hospodářskou úpravu lesů Brandýs nad Labem. Mrtvé dříví NIL2

Ústav pro hospodářskou úpravu lesů Brandýs nad Labem. Mrtvé dříví NIL2 Ústav pro hospodářskou úpravu lesů Brandýs nad Labem Mrtvé dříví NIL2 Ing. Miloš Kučera, Ph.D, Ing. Radim Adolt, Ph.D., Ing. Ivo Kohn, Mgr. Klára Piškytlová, Ing. Lukáš Kratěna, Ing. Jiří Fejfar, Ph.D.,

Více

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi Geografický seminář 30. března 2011 Pavel Bednář Výchozí stav Sebehodnocení práce s MS Excel studujícími oboru

Více

Zápočtová práce STATISTIKA I

Zápočtová práce STATISTIKA I Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

Protokol č. 6. Objemové tabulky

Protokol č. 6. Objemové tabulky Protokol č. 6 Objemové tabulky Zadání: Pro zadané dřeviny stanovte zásobu pomocí objemových tabulek. Součástí protokolu bude tabulka obsahující parametry výškové funkce, objem středního kmene a střední

Více

UKAZATELÉ VARIABILITY

UKAZATELÉ VARIABILITY UKAZATELÉ VARIABILITY VÝZNAM Porovnejte známky dvou studentek ze stejného předmětu: Studentka A: Studentka B: Oba soubory mají stejný rozsah hodnoty, ale liší se známky studentky A jsou vyrovnanější, jsou

Více

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že

Více

Nadzemní biomasa a zásoba uhlíku

Nadzemní biomasa a zásoba uhlíku Nadzemní biomasa a zásoba uhlíku V poslední době vzniká velice aktuální potřeba kvantifikace množství biomasy a uhlíku především ze dvou důvodů. Prvním je požadavek stanovení množství uhlíku vázaného v

Více

Statistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .

Statistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) . Statistika Teorie odhadu statistická indukce Intervalový odhad µ, σ 2 a π Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika

Více

MODELY HOSPODÁŘSKÝCH LESŮ IV. Postup výpočtu etátu

MODELY HOSPODÁŘSKÝCH LESŮ IV. Postup výpočtu etátu MODELY HOSPODÁŘSKÝCH LESŮ IV. Postup výpočtu etátu Obecný postup výpočtu etátu A) TĚŽBA MÝTNÍ Stanovení těžebních procent pro zadaný hospodářský soubor (dále jen HS) podle parametrů u - obmýtí a o - obnovní

Více

TECHNICKÁ UNIVERZITA V LIBERCI

TECHNICKÁ UNIVERZITA V LIBERCI TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce Statistický rozbor dat z dotazníkového šetření Počet stran: 10 Datum odevzdání: 13. 5. 2016 Pavel Kubát Obsah Úvod... 3 1 Charakterizujte

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

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

Více

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu

Více

Charakteristika datového souboru

Charakteristika datového souboru Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),

Více

TAJGA - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI

TAJGA - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI TAJGA - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva Taroucy pro

Více

Pracovní list č. 3 Charakteristiky variability

Pracovní list č. 3 Charakteristiky variability 1. Při zjišťování počtu nezletilých dětí ve třiceti vybraných rodinách byly získány tyto výsledky: 1, 1, 0, 2, 3, 4, 2, 2, 3, 0, 1, 2, 2, 4, 3, 3, 0, 1, 1, 1, 2, 2, 0, 2, 1, 1, 2, 3, 3, 2. Uspořádejte

Více

Číselné charakteristiky

Číselné charakteristiky . Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch

Více

KLEŤ - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI

KLEŤ - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI KLEŤ - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva Taroucy pro

Více

EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek

EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,

Více

Statistika pro geografy

Statistika pro geografy Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických

Více

KOSTELECKÉ BORY MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI

KOSTELECKÉ BORY MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI KOSTELECKÉ BORY MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva Taroucy

Více

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách

Více

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

MATEMATICKÁ STATISTIKA.   Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým

Více

První výsledky NIL2. 7. října Ústav pro hospodářskou úpravu lesů Brandýs nad Labem. Forest Management Institute, Czech Republic

První výsledky NIL2. 7. října Ústav pro hospodářskou úpravu lesů Brandýs nad Labem. Forest Management Institute, Czech Republic První výsledky NIL2 7. října 2015 Základní pojmy Ústav pro hospodářskou úpravu lesů Brandýs nad Labem Statistická inventarizace lesů: - zjišťování stavu a vývoje lesů na základě výběrového šetření - zaznamenání

Více

Zadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:

Zadání Máme data hdp.wf1, která najdete zde:  Bodová předpověď: Intervalová předpověď: Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst

Více

Bonita stanoviště a bonita porostu

Bonita stanoviště a bonita porostu Bonita stanoviště a bonita porostu aneb přístupy hodnocení produkce lesa Jan Kadavý Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018 Základní

Více

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy: Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je

Více

Chyby měření 210DPSM

Chyby měření 210DPSM Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů

Více

Střední průmyslová škola, Karviná. Protokol o zkoušce

Střední průmyslová škola, Karviná. Protokol o zkoušce č.1 Stanovení dusičnanů ve vodách fotometricky Předpokládaná koncentrace 5 20 mg/l navážka KNO 3 (g) Příprava kalibračního standardu Kalibrace slepý vzorek kalibrační roztok 1 kalibrační roztok 2 kalibrační

Více

Obr. P1.1 Zadání úlohy v MS Excel

Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat

Více

Náhodné chyby přímých měření

Náhodné chyby přímých měření Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.

Více

LIBICKÝ LUH HAVRANY MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU

LIBICKÝ LUH HAVRANY MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU LIBICKÝ LUH HAVRANY MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva

Více

Stěžejní funkce MS Excel 2007/2010, jejich ovládání a možnosti využití

Stěžejní funkce MS Excel 2007/2010, jejich ovládání a možnosti využití Stěžejní funkce MS Excel 2007/2010, jejich ovládání a možnosti využití Proč Excel? Práce s Excelem obnáší množství operací s tabulkami a jejich obsahem. Jejich jednotlivé buňky jsou uspořádány do sloupců

Více

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Odhady parametrů základního souboru Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Motivační příklad Mám průměrné roční teploty vzduchu z 8 stanic

Více

Matematika PRŮŘEZOVÁ TÉMATA

Matematika PRŮŘEZOVÁ TÉMATA Matematika ročník TÉMA 1-4 Operace s čísly a - provádí aritmetické operace v množině reálných čísel - používá různé zápisy reálného čísla - používá absolutní hodnotu, zapíše a znázorní interval, provádí

Více

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream

Více

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

LOVĚTÍNSKÁ ROKLE - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI

LOVĚTÍNSKÁ ROKLE - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI LOVĚTÍNSKÁ ROKLE - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva

Více

Číselné charakteristiky a jejich výpočet

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

Více

Posouzení přesnosti měření

Posouzení přesnosti měření Přesnost měření Posouzení přesnosti měření Hodnotu kvantitativně popsaného parametru jakéhokoliv objektu zjistíme jedině měřením. Reálné měření má vždy omezenou přesnost V minulosti sloužila k posouzení

Více

STATISTICA Téma 7. Testy na základě více než 2 výběrů

STATISTICA Téma 7. Testy na základě více než 2 výběrů STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm

Více

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2 Semestrální projekt do předmětu Statistika Vypracoval: Adam Mlejnek 2-36 Oponenti: Patrik Novotný 2-36 Jakub Nováček 2-36 Úvod Pro vypracování projektu do předmětu statistika jsem si zvolil průzkum kvality

Více

PROTOKOL. č. C2858c. Masarykova univerzita PF Ústav chemie Chemie konzervování a restaurování 1 POPIS PRAKTICKÉHO CVIČENÍ. 1.

PROTOKOL. č. C2858c. Masarykova univerzita PF Ústav chemie Chemie konzervování a restaurování 1 POPIS PRAKTICKÉHO CVIČENÍ. 1. PROTOKOL č. C2858c Masarykova univerzita PF Ústav chemie Chemie konzervování a restaurování Předmět: Znehodnocování a povrchové úpravy materiálů - cvičení Datum: Téma: Kvantifikace koroze a stanovení tolerancí

Více

Plánování experimentu

Plánování experimentu Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces

Více

POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica

POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.

Více

STATISTICKÉ ZJIŠŤOVÁNÍ

STATISTICKÉ ZJIŠŤOVÁNÍ STATISTICKÉ ZJIŠŤOVÁNÍ ÚVOD Základní soubor Všechny ryby v rybníce, všechny holky/kluci na škole Cílem určit charakteristiky, pravděpodobnosti Průměr, rozptyl, pravděpodobnost, že Maruška kápne na toho

Více

HEDVÍKOVSKÁ ROKLE - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU

HEDVÍKOVSKÁ ROKLE - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU HEDVÍKOVSKÁ ROKLE - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva

Více

Škody zvěří na lesních porostech

Škody zvěří na lesních porostech Škody zvěří na lesních porostech Odhady zastoupení jedinců poškozených zvěří byly získány na základě dat pozemního šetření druhého cyklu Národní inventarizace lesů. Šetření bylo provedeno na počtu 7 772

Více

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STAVEBNÍ ROZPTYL GEOMETRICKÝCH PARAMETRŮ OTEVŘENÝCH VÁLCOVANÝCH PROFILŮ SVOČ 2002

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STAVEBNÍ ROZPTYL GEOMETRICKÝCH PARAMETRŮ OTEVŘENÝCH VÁLCOVANÝCH PROFILŮ SVOČ 2002 VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STAVEBNÍ ROZPTYL GEOMETRICKÝCH PARAMETRŮ OTEVŘENÝCH VÁLCOVANÝCH PROFILŮ SVOČ 22 Vypracoval: Stanislav Vokoun Konzultant: Doc. Ing. Petr Janas CSc.

Více

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel

Více

SAMOSTATNÁ STUDENTSKÁ PRÁCE ZE STATISTIKY

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

Více

František Hudek. květen 2012

František Hudek. květen 2012 VY_32_INOVACE_FH07 Jméno autora výukového materiálu Datum (období), ve kterém byl VM vytvořen Ročník, pro který je VM určen Vzdělávací oblast, obor, okruh, téma Anotace František Hudek květen 2012 8. ročník

Více

Detailní porozumění podstatě měření

Detailní porozumění podstatě měření Nejistoty Účel Zjištění intervalu hodnot okolo výsledku měření, který lze přiřadit k hodnotě měřené veličiny Nejčastěji X X [%] X U X U [%] V roce 1990 byl vydán dokument WECC 19/90, který představoval

Více

Normální (Gaussovo) rozdělení

Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký

Více

Jednovýběrové testy. Komentované řešení pomocí MS Excel

Jednovýběrové testy. Komentované řešení pomocí MS Excel Jednovýběrové testy Komentované řešení pomocí MS Excel Vstupní data V dalším budeme předpokládat, že tabulka se vstupními daty je umístěna v oblasti A1:C23 (viz. obrázek) Základní statistiky vložíme vzorce

Více

Praktická statistika. Petr Ponížil Eva Kutálková

Praktická statistika. Petr Ponížil Eva Kutálková Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo

Více

Systém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška

Systém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška Systém rizikové analýzy při sta4ckém návrhu podzemního díla Jan Pruška Definice spolehlivos. Spolehlivost = schopnost systému (konstrukce) zachovávat požadované vlastnos4 po celou dobu životnos4 = pravděpodobnost,

Více

KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM

KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM KAPITOLA 9 - POKROČILÁ PRÁCE S TABULKOVÝM PROCESOREM CÍLE KAPITOLY Využívat pokročilé možnosti formátování, jako je podmíněné formátování, používat vlastní formát čísel a umět pracovat s listy. Používat

Více

STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů

STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů 1) Test na velikost rozptylu Test na velikost rozptylu STATISTICA nemá. 2) Test na velikost střední hodnoty V menu Statistika zvolíme nabídku Základní

Více

Matematické modelování dopravního proudu

Matematické modelování dopravního proudu Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení

Více

Mgr. et Mgr. Jan Petrov, LL.M. Ph.D. BYZNYS A PRÁVO

Mgr. et Mgr. Jan Petrov, LL.M. Ph.D. BYZNYS A PRÁVO BYZNYS A PRÁVO Byznys a právo OBSAH ZÁKLADNÍ FUNKCE EXCELU... 2 FUNKCE ODMOCNINA A ZAOKROULIT... 4 FORMÁT A OBSAH BUNĚK... 5 RELATIVNÍ ODKAZY... 9 ABSOLUTNÍ ODKAZY... 11 Byznys a právo ZÁKLADNÍ FUNKCE

Více

VE STUDENÉM MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI

VE STUDENÉM MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI VE STUDENÉM MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Odbor ekologie lesa, Výzkumný ústav Silva Taroucy

Více

Výpočet pravděpodobností

Výpočet pravděpodobností Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají

Více

I. Kalkulátor Rebell SC2040 manuál s příklady Tlačítko: MODE CLR

I. Kalkulátor Rebell SC2040 manuál s příklady Tlačítko: MODE CLR I. Kalkulátor Rebell SC2040 manuál s příklady Tlačítko: MODE CLR Toto tlačítko je velmi důležité pro volbu pracovního režimu. 1 stisknutí: 1 (COMP) - běžné výpočty SD, REG statistické výpočty 2 stisknutí

Více

Mann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek

Mann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek 10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.

Více

STATISTICKÉ CHARAKTERISTIKY

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

Více

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.

Více

VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření

VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ # Nejistoty měření Přesnost měření Klasický způsob vyjádření přesnosti měření chyba měření: Absolutní chyba X = X M X(S) Relativní chyba δ X = X(M) X(S) - X(M) je naměřená hodnota

Více

Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =

Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je = Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.

Více

Statistické vyhodnocování ankety pilotního projektu Kvalita výuky na Západočeské univerzitě v Plzni

Statistické vyhodnocování ankety pilotního projektu Kvalita výuky na Západočeské univerzitě v Plzni Statistické vyhodnocování ankety pilotního projektu Kvalita výuky na Západočeské univerzitě v Plzni Kvantifikace dat Pro potřeby statistického zpracování byly odpovědi převedeny na kardinální intervalovou

Více

STANOVENÍ PROPUSTNOSTI OBALOVÝCH MATERIÁLŮ PRO VODNÍ PÁRU

STANOVENÍ PROPUSTNOSTI OBALOVÝCH MATERIÁLŮ PRO VODNÍ PÁRU STANOVENÍ PROPUSTNOSTI OBALOVÝCH MATERIÁLŮ PRO VODNÍ PÁRU Úvod Obecná teorie propustnosti polymerních obalových materiálů je zmíněna v návodu pro stanovení propustnosti pro kyslík. Na tomto místě je třeba

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

Více

Základní vzorce a funkce v tabulkovém procesoru

Základní vzorce a funkce v tabulkovém procesoru Základní vzorce a funkce v tabulkovém procesoru Na tabulkovém programu je asi nejzajímavější práce se vzorci a funkcemi. Když jednou nastavíte, jak se mají dané údaje zpracovávat (některé buňky sečíst,

Více

Induktivní statistika. z-skóry pravděpodobnost

Induktivní statistika. z-skóry pravděpodobnost Induktivní statistika z-skóry pravděpodobnost normální rozdělení Z-skóry umožňují najít a popsat pozici každé hodnoty v rámci rozdělení hodnot a také srovnávání hodnot pocházejících z měření na rozdílných

Více

III) Podle závislosti na celkovém ekonomickém vývoji či na vývoji v jednotlivé firmě a) systematické tržní, b) nesystematické jedinečné.

III) Podle závislosti na celkovém ekonomickém vývoji či na vývoji v jednotlivé firmě a) systematické tržní, b) nesystematické jedinečné. Měření rizika Podnikatelské riziko představuje možnost, že dosažené výsledky podnikání se budou kladně či záporně odchylovat od předpokládaných výsledků. Toto riziko vzniká např. při zavádění nových výrobků

Více

ODBĚR, PŘÍPRAVA, PŘEPRAVA A UCHOVÁVÁNÍ VZORKŮ

ODBĚR, PŘÍPRAVA, PŘEPRAVA A UCHOVÁVÁNÍ VZORKŮ ODBĚR, PŘÍPRAVA, PŘEPRAVA A UCHOVÁVÁNÍ VZORKŮ Základní pojmy Obecná pravidla vzorkování Chyby při vzorkování, typy materiálů Strategie vzorkování Plán vzorkování Základní způsoby odběru Vzorkovací pomůcky

Více

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy

Více

Indexy, analýza HDP, neaditivnost

Indexy, analýza HDP, neaditivnost Indexy, analýza HDP, neaditivnost 1.) ŘETĚZOVÉ A BAZICKÉ INDEXY 1999 2000 2001 2002 Objem vkladů (mld. Kč) 80,8 83,7 91,5 79,4 a) určete bazické indexy objemu vkladů (1999=100) Rok 1999=100 báze. Pro rok

Více

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník a oktáva 3 hodiny týdně PC a dataprojektor, učebnice

Více

DOUTNÁČ - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI

DOUTNÁČ - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI DOUTNÁČ - MONITORING LOKALITY PONECHANÉ SAMOVOLNÉMU VÝVOJI David Janik *, Dušan Adam, Pavel Unar, Tomáš Vrška, Libor Hort, Pavel Šamonil, Kamil Král Oddělení ekologie lesa, Výzkumný ústav Silva Taroucy

Více

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368 Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540

Více

P ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel

P ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel P ílohy P íloha 1 ešení úlohy lineárního programování v MS Excel V této p íloze si ukážeme, jak lze ešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT

3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT PROKAZOVÁNÍ SHODY VÝROBKŮ část 3, díl 8, kapitola 4, str. 1 3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT Vyjadřování standardní kombinované nejistoty výsledku zkoušky Výsledek zkoušky se vyjadřuje v

Více

Ekonomika lesního hospodářství

Ekonomika lesního hospodářství Ekonomika lesního hospodářství Cvičení Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018 Oceňování škod a újem v LH Ekonomika lesního hospodářství

Více

Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží

Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Zdeněk Karpíšek Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky. Statistika je logická a přesná metoda, jak nepřesně

Více

23. Matematická statistika

23. Matematická statistika Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 23. Matematická statistika Statistika je věda, která se snaží zkoumat reálná data a s pomocí teorii pravděpodobnosti

Více

Soubor map - Porostní charakteristiky horských smr in na trvalých zkusných plochách v lokalit Calimani v Rumunsku

Soubor map - Porostní charakteristiky horských smr in na trvalých zkusných plochách v lokalit Calimani v Rumunsku Soubor map - Porostní charakteristiky horských smrin na trvalých zkusných plochách v lokalit Calimani v Rumunsku Autoi: Ing. Pavel Janda, Ph.., oc., Ing. Miroslav Svoboda, Ph.., Ing. Radek Bae, Ph.. Tento

Více

Dendrometrie pro účel oceňování dřevin rostoucích mimo les dle metodiky AOPK

Dendrometrie pro účel oceňování dřevin rostoucích mimo les dle metodiky AOPK Dendrometrie pro účel oceňování dřevin rostoucích mimo les dle metodiky AOPK Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018 Dendrometrie

Více

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách

VNITROSKUPINOVÝ ROZPTYL. Je mírou variability uvnitř skupin Jiný název: průměr rozptylů Vypočítává se jako průměr rozptylů v jednotlivých skupinách ROZKLAD ROZPTYLU ROZKLAD ROZPTYLU Rozptyl se dá rozložit na vnitroskupinový a meziskupinový rozptyl. Celkový rozptyl je potom součet meziskupinového a vnitroskupinového Užívá se k výpočtu rozptylu, jestliže

Více