Podmíněná pravděpodobnost

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Podmíněná pravděpodobnost"

Transkript

1 odmíněná pravděpodobnost 5. odmíněná pravděpodobnost 5.. Motivace: Opakovaně nezávisle provádíme týž náhodný pokus a sledujeme nastoupení jevu A v těch pokusech, v nichž nastoupil jev H. odmíněnou relativní četnost A za podmínky H jsme v popisné statistice zavedli vztahem p(a/h) p(a H) p(h). Tato podmíněná relativní četnost se s rostoucím počtem pokusů ustaluje kolem konstanty (A/H), kterou považujeme za podmíněnou pravděpodobnost jevu A za podmínky H. 5.. Definice: Nechť (Ω, A, ) je pravděpodobnostní prostor, H A. jev s nenulovou pravděpodobností. odmíněnou pravděpodobností za podmínky H rozumíme funkci (./H): A R danou vzorcem: A A : (A/H) (A H). (H)

2 odmíněná pravděpodobnost 5.3. Věta: odmíněnápravděpodobnost je pravděpodobnost ve smyslu axiomatickédefinice a kromě toho pro ni platí: a) (A A ) (A ) (A /A ) pro (A ) 0. b) (A A ) (A ) (A /A ) pro (A ) 0. c) Jevy A, A jsou stochasticky nezávislé, právě když(a /A ) (A ) nebo (A ) 0 a právě když (A /A ) (A ) nebo (A ) 0. Důkaz: Stačí ověřit platnost axiómů, 0, 5. ad a), ad b) lyne přímo zdefiničního vzorce. ad c) NechťA, A jsou stochastickynezávislé ( ) ( A ) ( )( ) A A A A ( ) / A A ( ) ( ). A A Nechť naopak (A /A ) (A ). Zdefinice: ( ) ( A ) A A ( ) ( ) ( )( ) / A A A A A A ( A ), tedy A, A jsou stochasticky nezávislé.

3 říklad 5.4. říklad: Jaká je pravděpodobnost, že při hodu kostkou padlo sudé číslo, je-li známo, že padlo číslo menší než5? Ω { ω, K, ω 6 }, A padlo sudé číslo, A { ω, ω 4, ω 6 }, H padlo číslo menšínež5, H { ω, ω, ω 3, ω 4 } { ω ω } A H, ( A/ H) 6 4 ( A H) () H 4 6, říklad: Dvakrát hodíme kostkou. Jaká je pravděpodobnost, že součet přesáhne 0, víme-li, že padla (aspoň jedna) šestka? {[6,5],[5,6],[6,6]} ( A H )

4 Věta o násobení pravděpodobností 5.5. Věta: (Věta o násobení pravděpodobností) Nechť (Ω, A, ) je pravděpodobnostní prostor, A, A,..., A n takové jevy, že (A... A n- ) 0. ak (A A... A n ) (A ) (A /A ) (A 3 /A A )... (A n /A... A n- ). Důkaz: Matematickou indukcí. ředpokládáme, že vztah platí pro libovolné přirozené n a dokážeme jeho platnost pro n+: n n n ( A K An An+ ) I Ai An+ IAi An+ / IAi ( A) ( A / A) K( An+ / A K An) i i i 5.6. říklad: Ze skupiny 00 výrobků, která obsahuje 0 zmetků, vybereme náhodně bez vracení 3 výrobky. Vypočtěte pravděpodobnost jevu, že první dva výrobky budou kvalitní a třetí bude zmetek. Jev A i znamená, že i-tý vybraný výrobek je kvalitní, i,, 3. očítáme (A A A 3 ) (A ) (A /A ) ( A 3 /A A ) ,083. 4

5 Věta o úplné pravděpodobnosti, Bayesův vzorec 5.7. Věta (vzorec pro výpočet úplnépravděpodobnosti a Bayesůvvzorec) Nechť (Ω,A,) je pravděpodobnostníprostor, H i A, i I (I je nejvýše spočetná indexová množina) takové jevy, že (H i ) > 0, U H i i I Ω, H i H j pro i j (říkáme, že jevy H i, i Itvoří úplný systém hypotéz). a) ro libovolný jev A A platí vzorec úplnépravděpodobnosti: (A) (Hi )(A/H i ) b) ro libovolnou hypotézu H k, k Ia jev A A s nenulovou pravděpodobnostíplatí Bayesůvvzorec: (H k /A) (H )(A/H (A) ) k k. ((H k /A) se nazývá aposteriorní pravděpodobnost hypotézy H k, (H k ) je apriornípravděpodobnost.) Důkaz: ad a) Jev A vyjádříme jako sjednocení neslučitelných jevů: A ( A H ) ak () A ( ) ( ) ( )( ) U A Hi A Hi Hi A/ Hi i I i I i I ( H ) k A (H k )(A/H k ) ad b) ( H / A) k () A (A) U i I. i i I Ilustrace vzorce pro úplnou pravděpodobnost 5

6 6 ) Bez vracení taháme z urny s a černými a b bílými koulemi. Jaká je pravděpodobnost, že ve druhém tahu vytáhneme černou kouli, jestliže v prvním tahu jsme vytáhli kouli bílou? ) V dostihu zvítězí kůň A (B) s pravděpodobností 0,5 (0,3). Kůň A ztratil na startu příliš a je jisté, že nezvítězí. Jakáje nyní pravděpodobnost, že zvítězí B? říklad ) ( b a a b a b a b a b b a a b a b H A 0,6 0,5 0,3 ) ( ) ( ) ( ) ( ) ( H A H H A H A

7 říklad V první urně je 6 bílých a černé koule, ve druhé jsou 4 bílé a černé koule. Náhodně zvolíme urnu a vytáhneme jednu kouli. Jaká je pravděpodobnost, že bude bílá? ravděpodobnost tahu z první (resp. druhé) urny, je /. Označíme-li B [tah bílékoule], U i [tah z urny i], je podle věty o celkovépravděpodobnosti B) ( B U ) ( U) + ( B U ) ( U ) ( 0,708 7

8 říklad Automat X vyrobí za směnu dvakrát více výrobku než automat Y. ravděpodobnost vzniku zmetku je u automatu X 0,0, u Y 0,05. o skončení směny se výrobky ukládají do jedné bedny. Jaká je pravděpodobnost, že výrobek náhodně vybraný z této bedny není zmetek? odle věty o celkovépravděpodobnosti (poměr výrobků v bedně je : ve prospěch automatu X, tj. /3 výrobků pochází od X a /3 od Y),9 ( A) 0,98 + 0, ,97 8

9 říklad Mezi 0 střelci jsou 4 výborní, 0 dobrých a 6 průměrných s pravděpodobnostmi zásahu 0,9, 0,7 a 0,5. Jaká je pravděpodobnost, že dva náhodně vybraní střelci oba zasáhnou cíl? odle toho, kterádvojice bude vybrána ( A) (0,9 0,9) + (0,9 0,7) + K + (0,5 0,5) ,46 9

10 Věta o úplné pravděpodobnosti, Bayesův vzorec Thomas Bayes (70 76): resbytariánskýduchovní 5.8. oznámka (Návod na použití vzorce pro výpočet úplnépravděpodobnosti a Bayesova vzorce) Nejprve podle textu úlohy stanovíme úplný systém hypotéz, tj,. jevy, které se navzájem vylučujía přitom vyčerpávají všechny možnosti. Vúlohách vedoucích na vzorec pro výpočet úplnépravděpodobnosti se zajímáme o pravděpodobnost jevu, který shypotézami nesouvisí, zatímco vúlohách vedoucích na Bayesůvvzorec nás zajímápravděpodobnost některéhypotézy za podmínky, že nastal jev, který shypotézami nesouvisí. 0

11 říklad 5.9. říklad: Test obsahuje 00 otázek. Zkoušený si nejprve vylosuje otázku a pak si jeho postup zjednodušeně představíme takto: zná.li správnou odpověď, zatrhne ji. Nezná-li správnou odpověď, zvolí se stejnou pravděpodobností kteroukoliv ze čtyř možných odpovědí. ředpokládejme, že ve skutečnosti zná zkoušený právě k správných odpovědí. a) S jakou pravděpodobností správně odpoví? b) S jakou pravděpodobností je při správné odpovědi pravdivé tvrzení, že zkoušený ve skutečnosti jenom hádal? H zkoušený zná správnou odpověď, H zkoušený nezná správnou odpověď, A zkoušený správně odpoví k k 00 ( H ),( H ), ( A / H ),( A / H ) ad a) ( A) ( H ) ( A / H ) + ( H ) ( A / H ) ad b) ( H / A) 00 k k 00 4 ( H ) ( A / H ) k ( A) 3k k k k k (A) 0,5 0,35 0,65 0,95 (H /A) 0,69 0, 0,07

12 říklad ( ) A 3k + 00 ( H / A) k 3k + 00 (A),,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 Závislost (A) na k 0, k (H k /A),,0 0,8 0,6 0,4 0, 0,0 Závislost (H k /A) na k -0, k

13 říklad 5.0. říklad: K osevu byly vybrány dvě odrůdy pšenice, a to 0% první odrůdy a 80% druhé odrůdy. ravděpodobnost, že ze zrna vyroste klas, je pro první odrůdu 0,95 a pro druhou odrůdu 0,98. Jaká je pravděpodobnost, že a) z náhodně vybraného zrna vyroste klas? b) náhodně vybrané zrno, z něhož vyrostl klas, pocházelo z první odrůdy pšenice? c) náhodně vybrané zrno, z něhož vyrostl klas, pocházelo z druhé odrůdy pšenice? d) náhodně vybrané zrno, z něhož nevyrostl klas, pocházelo z první odrůdy pšenice? e) náhodně vybrané zrno, z něhož nevyrostl klas, pocházelo z druhé odrůdy pšenice? Jev A z náhodně vybraného zrna vyroste klas Jev H zrno pochází z první odrůdy pšenice Jev H zrno pochází z druhé odrůdy pšenice ( H ) 0,, ( A H ) 0,95, ( H ) 0,8, ( A H ) 0, 98 ad a) ( A) ( H ) ( A / H ) + ( H ) ( A / H ) 0, 0,95 + 0,8 0,98 0,9 + 0,784 0, 974 ad b) ( ) ( H) ( A / H) 0, 0,95 H / A 0,95 ( A) 0,974 ad c) ( ) ( H ) ( A / H ) 0,8 0,98 H / A 0,8049 ( A) 0,974 ad d) ( ) ( H ) ( H ) H / A ( A A) / ad e) ( ) ( H ) ( H ) H / A ( A A) / 0, 0,05 0,0 0,974 0,06 0,8 0,0 0,06 0,974 0,06 0,3846 0,654 3

14 říklad ) Jeden ze 3 střelců s pravděpodobnostmi zásahu 0,3, 0,5, 0,8 vystřelil a zasáhl. Jaká je pravděpodobnost, že střílel druhý střelec? 0,5 5 ( A) 3 0,35 0,3 + 0,5 + 0, ) Mezi 0 střelci je 5 výborných, 9 dobrých a 6 průměrných s pravděpodobnostmi zásahu 0,9, 0,8 a 0,7. Náhodně vybraný střelec ze ran trefil jednou. Jaká je pravděpodobnost, že šlo o výborného (dobrého, průměrného) střelce? 5 0,9 0, ( byl to výborný ) 0 0, ,9 0, + 0,8 0, + 0,7 0, ( byl to dobrý) 0,457 ( byl to průměrný ) 0,4 4

15 říklad Víme-li, že pravděpodobnost odhalení AIDS při testu je 0,999, že pravděpodobnost správného otestování zdravého jedince je 0,99 a že AIDS se vyskytuje u 0,006 lidí, jakáje pravděpodobnost, že člověk, u kterého byl test pozitivní, AIDS skutečně má? Označíme-li A [má AIDS], T [test říká AIDS], známe (T A) 0, 999, ( T A) 0,99, (A) 0, 006. Bayesova věta nám dá ( A T ) ( T ( T A) ( A) A) ( A) + ( T A) ( A) 0,999 0,006 0,999 0,006 + ( 0,99) ( 0,006) 0,376 5

16 Geometrická pravděpodobnost 6.. Motivace: Vněkterých situacích je vhodnézvolit za základníprostor nikoliv obecnou množinu Ω, ale n-rozměrný prostor R n a za možnévýsledky reálnévektory ( x,, x n ) K. Za jevovépole však nevezmeme systém všech podmnožin prostoru R n (ten totižobsahuje i tzv. neměřitelné množiny), ale méně podrobné borelovsképole B n. ÉmileBorel(87 956) francouzský matematik politik, zabýval steorií míry, teorií pravděpodobnosti a teorií her. Byl poslancem francouzskéhoparlamentu a ministrem námořnictva. Na borelovském poli pak speciálním způsobem zavedeme geometrickou pravděpodobnost a dostaneme pravděpodobnostníprostor (R n, B n, Q). 6

17 Borelovské pole, Borelovské množiny 6.. Definice (Není podstatné, že borelovské pole je generováno právě intervaly typu (, x K (, xn. Mohlo by být generováno i jinými typy intervalů.) 6.3. Věta: Borelovské pole je jevové pole, tzn., že splňuje axiómy J, J6, J Věta: Mezi borelovské množiny náleží zejména prázdná množina, celý základní prostor, všechny jednobodové, konečné a spočetné množiny, intervaly všech typů, všechny uzavřené a otevřené oblasti a všechna konečná a spočetná sjednocení a průniky těchto množin. Rovněž kartézský součin borelovských množin je borelovská množina, ovšem vyšší dimenze. 7

18 Borelovsky měřitelná zobrazení, Borelovské funkce 6.5. Definice 6.6. Věta: Mezi borelovské funkce náleží zejména všechny spojité a po částech spojité funkce. Rovněž limita všude konvergentní posloupnosti borelovských funkcí je borelovská funkce Definice: 8

19 Geometrická pravděpodobnost 6.8. Definice: 6.9. Věta: Geometrická pravděpodobnost je pravděpodobnost ve smyslu axiomatické definice, tj. splňuje axiómy, 0, 5. Trojice (R n, B n, Q) je tedy pravděpodobnostní prostor. 9

20 říklad 6.0. říklad: Na úsečce AB délky d jsou náhodně zvoleny body X a Y, přičemžvzdálenost bodu X od bodu A je menší nežvzdálenost bodu Y od bodu A. Jakáje pravděpodobnost, že délkaúsečky AX je větší neždélka úsečky XY? ( ) G { } ( ) x, y R ;0 x d,0 y d, x y, B { > } x, y G;x x y y x y A X Y B d G B d x d d d d d mes () () () () B mes G, mes B, Q B 4 mes() G Délka úsečky AX je větší neždélka úsečky XY spravděpodobností0,5. 0

21 říklad Dívka a chlapec si smluvili schůzku mezi :00 a 3:00. řijdou náhodně v tomto rozmezí a čekají na sebe 0 minut, nejdéle však do 3:00. Jaká je pravděpodobnost, že se setkají? 3:00 B G mes( G) 5 mes( B) 9 :0 :00 :0 3:00 Q( B) 5 9

22 říklad Volíme náhodně dvě čísla z intervalu (0,). Jaká je pravděpodobnost, že jejich součet je menší nežjedna a současně jejich součin menší než0,09? y Řešení 0,09 x x x x + 0,09 0 x 0,, x 0,9 x Q( B) 0,9 0,09 x dx x 0, 0,9775

23 říklad Buffonova úloha. V rovině jsou rozmístěny rovnoběžky ve vzdálenosti d > 0. Na rovinu hodíme náhodně jehlu délky 0 < l < d. Jaká je pravděpodobnost, že jehla protne některou rovnoběžku? Řešení ředpokládejme, že náhodně znamená, že každá poloha (středu) a každá orientace jehly je stejně pravděpodobná a že tyto dvě nahodile proměnné jsou na sobě nezávislé. Nechť x je vzdálenost středu jehly od nejbližší rovnoběžky a φ je úhel, který jehla svírá s rovnoběžkami. mes( A) l sinϕ dϕ 0 Q( A) mes( Ω) πd π l πd 3

METRICKÉ A NORMOVANÉ PROSTORY

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

Více

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

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

Více

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

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

Více

Posloupnosti a jejich konvergence POSLOUPNOSTI

Posloupnosti a jejich konvergence POSLOUPNOSTI Posloupnosti a jejich konvergence Pojem konvergence je velmi důležitý pro nediskrétní matematiku. Je nezbytný všude, kde je potřeba aproximovat nějaké hodnoty, řešit rovnice přibližně, používat derivace,

Více

PRAVDĚPODOBNOST A JEJÍ UŽITÍ

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

Více

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

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

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Mirko Navara Centrum strojového vnímání katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://cmp.felk.cvut.cz/ navara/mvt http://cmp.felk.cvut.cz/

Více

MATURITNÍ TÉMATA Z MATEMATIKY

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

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

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

Více

19 Hilbertovy prostory

19 Hilbertovy prostory M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem

Více

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

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

Více

Pravděpodobnost a statistika pro SŠ

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

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

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

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

Více

(ne)závislost. α 1 x 1 + α 2 x 2 + + α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0.

(ne)závislost. α 1 x 1 + α 2 x 2 + + α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0. Lineární (ne)závislost [1] Odečítání vektorů, asociativita BI-LIN, zavislost, 3, P. Olšák [2] Místo, abychom psali zdlouhavě: x + ( 1) y, píšeme stručněji x y. Vektoru y = ( 1) y říkáme opačný vektor k

Více

analytické geometrie v prostoru s počátkem 18. stol.

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

Více

Kapitola 1. Základy teorie pravděpodobnosti

Kapitola 1. Základy teorie pravděpodobnosti Kapitola 1 Základy teorie pravděpodobnosti 1 2 KAPITOLA 1. ZÁKLADY TEORIE PRAVDĚPODOBNOSTI 1.1 Náhodné jevy, pravděpodobnost 1.1.1 Náhoda, náhodný jev Život je jen náhoda, jak se zpívá v jedné oblíbené

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

Více

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014

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

Více

8 Střední hodnota a rozptyl

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

Více

Základní vlastnosti eukleidovského prostoru

Základní vlastnosti eukleidovského prostoru Kapitola 2 Základní vlastnosti eukleidovského prostoru 2.1 Eukleidovský prostor Eukleidovský prostor a jeho podprostory. Metrické vlastnosti, jako např. kolmost, odchylka, vzdálenost, obsah, objem apod.

Více

4. Topologické vlastnosti množiny reálných

4. Topologické vlastnosti množiny reálných Matematická analýza I přednášky M. Málka cvičení A. Hakové a R. Otáhalové Zimní semestr 2004/05 4. Topologické vlastnosti množiny reálných čísel V této kapitole definujeme přirozenou topologii na množině

Více

[1] Vzhledem ke zvolené bázi určujeme souřadnice vektorů...

[1] Vzhledem ke zvolené bázi určujeme souřadnice vektorů... [1] Báze Každý lineární (pod)prostor má svou bázi Vzhledem ke zvolené bázi určujeme souřadnice vektorů... a) base, 4, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l. Viz p.

Více

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V.

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V. Učební texty k přednášce ALGEBRAICKÉ STRUKTURY Michal Marvan, Matematický ústav Slezská univerzita v Opavě 15. Moduly Definice. Bud R okruh, bud M množina na níž jsou zadány binární operace + : M M M,

Více

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209

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

Více

Základy pravděpodobnosti poznámky. Jana Klicnarová

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

Více

množinu definujeme axiomaticky: nesnažíme se ji zkonstruovat (dokonce se ani nezabýváme otázkou,

množinu definujeme axiomaticky: nesnažíme se ji zkonstruovat (dokonce se ani nezabýváme otázkou, Matematická analýza I přednášky M. Málka cvičení A. Hakové a R. Otáhalové Zimní semestr 2004/05 2. Reálná čísla, funkce reálné proměnné V této kapitole zavádíme množinu, na níž stojí celá matematická analýza:

Více

Matematika pro studenty ekonomie. Doc. RNDr. Jiří Moučka, Ph.D. RNDr. Petr Rádl

Matematika pro studenty ekonomie. Doc. RNDr. Jiří Moučka, Ph.D. RNDr. Petr Rádl Doc. RNDr. Jiří Moučka, Ph.D. RNDr. Petr Rádl Matematika pro studenty ekonomie Vydala Grada Publishing, a.s. U Průhonu 22, 70 00 Praha 7 tel.: +420 234 264 40, fax: +420 234 264 400 www.grada.cz jako svou

Více

Tomáš Karel LS 2012/2013

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

Více

Euklidovský prostor. Euklides. Euklidovy postuláty (axiomy)

Euklidovský prostor. Euklides. Euklidovy postuláty (axiomy) Euklidovský prostor Euklidovy Základy (pohled do historie) dnešní definice kartézský souřadnicový systém vlastnosti rovin v E n speciální vlastnosti v E 3 (vektorový součin) a) eprostor, 16, b) P. Olšák,

Více

Požadavky k opravným zkouškám z matematiky školní rok 2014-2015

Požadavky k opravným zkouškám z matematiky školní rok 2014-2015 Požadavky k opravným zkouškám z matematiky školní rok 2014-2015 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,

Více

Limita a spojitost funkce

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

Více

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou) Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.

Více

15. KubickÈ rovnice a rovnice vyööìho stupnï

15. KubickÈ rovnice a rovnice vyööìho stupnï 15. KubickÈ rovnice a rovnice vyööìho stupnï Čas od času je možné slyšet v pořadech o počasí jména jako Andrew, Mitch, El Ňiňo. otom následuje zpráva o katastrofálních vichřicích, uragánech a jiných mimořádných

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

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

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

Více

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

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

Více

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

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

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

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

Více

ϵ = b a 2 n a n = a, pak b ϵ < a n < b + ϵ (2) < ϵ, což je spor, protože jsme volili ϵ = b a

ϵ = b a 2 n a n = a, pak b ϵ < a n < b + ϵ (2) < ϵ, což je spor, protože jsme volili ϵ = b a MA 6. cvičení výpočet limit posloupností Lukáš Pospíšil,202 Malý (ale pěkný) důkaz na úvod V dnešním cvičení se naučíme počítat jednoduché limity, nicméně by na začátek bylo vhodné ukázat, že to co hledáme,

Více

Úlohy k procvičování textu o univerzální algebře

Úlohy k procvičování textu o univerzální algebře Úlohy k procvičování textu o univerzální algebře Číslo za pomlčkou v označení úlohy je číslo kapitoly textu, která je úlohou procvičovaná. Každá úloha je vyřešena o několik stránek později. Kontrolní otázky

Více

Požadavky na konkrétní dovednosti a znalosti z jednotlivých tematických celků

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

Více

Ve srovnání s křivkami, kterými jsme se zabývali v Kapitole 5, je plocha matematicky

Ve srovnání s křivkami, kterými jsme se zabývali v Kapitole 5, je plocha matematicky Kapitola 8 Plocha a její obsah 1 efinice plochy Plochu intuitivně chápeme jako útvar v prostoru, který vznikne spojitou deformací části roviny Z geometrického pohledu je plochu možno interpretovat jako

Více

1 Mnohočleny a algebraické rovnice

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

Více

MATEMATIKA STUDIJNÍ POŽADAVKY PRO JEDNOTLIVÉ ROČNÍKY STUDIA

MATEMATIKA STUDIJNÍ POŽADAVKY PRO JEDNOTLIVÉ ROČNÍKY STUDIA MATEMATIKA STUDIJNÍ POŽADAVKY PRO JEDNOTLIVÉ ROČNÍKY STUDIA Osmileté studium 1. ročník 1. Opakování a prohloubení učiva 1. 5. ročníku Číslo, číslice, množiny, přirozená čísla, desetinná čísla, číselné

Více

Vlastní číslo, vektor

Vlastní číslo, vektor [1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost

Více

Vzdálenosti. Copyright c 2006 Helena Říhová

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

Více

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

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

Více

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

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

Více

Rovnoměrné rozdělení

Rovnoměrné rozdělení Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

15. Goniometrické funkce

15. Goniometrické funkce @157 15. Goniometrické funkce Pravoúhlý trojúhelník Ze základní školy znáte funkce sin a cos jako poměr odvěsen pravoúhlého trojúhelníka ku přeponě. @160 Měření úhlů Velikost úhlů se měří buď mírou stupňovou

Více

7.2.12 Vektorový součin I

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

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

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

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

Více

Pojem binární relace patří mezi nejzákladnější matematické pojmy. Binární relace

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

Více

ADZ základní statistické funkce

ADZ základní statistické funkce ADZ základní statistické funkce Základní statistické funkce a znaky v softwaru Excel Znak Stručný popis + Sčítání buněk - Odčítání buněk * Násobení buněk / Dělení buněk Ctrl+c Vyjmutí buňky Ctrl+v Vložení

Více

3. Celistvé výrazy a jejich úprava 3.1. Číselné výrazy

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

Více

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.

Diferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0. Nalezněte definiční obor funkce Diferenciální počet f = ln arcsin + Definiční obor funkce f je určen vztahy Z těchto nerovností plyne < + ln arcsin + je tedy D f =, Určete definiční obor funkce arcsin

Více

Úterý 8. ledna. Cabri program na rýsování. Základní rozmístění sad nástrojů na panelu nástrojů

Úterý 8. ledna. Cabri program na rýsování. Základní rozmístění sad nástrojů na panelu nástrojů Úterý 8. ledna Cabri program na rýsování program umožňuje rýsování základních geometrických útvarů, měření délky úsečky, velikosti úhlu, výpočet obvodů a obsahů. Je vhodný pro rýsování geometrických míst

Více

III/2 Inovace a zkvalitnění výuky prostřednictvím ICT

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

Více

MATEMATIKA Tematické okruhy ke státní maturitní zkoušce Obor: mechanik elektronik

MATEMATIKA Tematické okruhy ke státní maturitní zkoušce Obor: mechanik elektronik MATEMATIKA Tematické okruhy ke státní maturitní zkoušce Obor: mechanik elektronik R4 1. ČÍSELNÉ VÝRAZY 1.1. Přirozená čísla počítání s přirozenými čísly, rozlišit prvočíslo a číslo složené, rozložit složené

Více

FAKULTA STAVEBNÍ MATEMATIKA I MODUL GA01 M01 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAM GEODÉZIE A KARTOGRAFIE S KOMBINOVANOU FORMOU STUDIA

FAKULTA STAVEBNÍ MATEMATIKA I MODUL GA01 M01 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAM GEODÉZIE A KARTOGRAFIE S KOMBINOVANOU FORMOU STUDIA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ MATEMATIKA I MODUL GA01 M01 VYBRANÉ ČÁSTI A APLIKACE VEKTOROVÉHO POČTU STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAM GEODÉZIE A KARTOGRAFIE S KOMBINOVANOU FORMOU STUDIA

Více

CZ 1.07/1.1.32/02.0006

CZ 1.07/1.1.32/02.0006 PO ŠKOLE DO ŠKOLY CZ 1.07/1.1.32/02.0006 Číslo projektu: CZ.1.07/1.1.32/02.0006 Název projektu: Po škole do školy Příjemce grantu: Gymnázium, Kladno Název výstupu: Prohlubující semináře Matematika (MI

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

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

Více

1. Jordanův kanonický tvar

1. Jordanův kanonický tvar . Jordanův kanonický tvar Obecně nelze pro zadaný lineární operátor ϕ : U U najít bázi α takovou, že (ϕ) α,α by byla diagonální. Obecně však platí, že pro každý lineární operátor ϕ : U U nad komplexními

Více

POLYNOMY 1 Jan Malý UK v Praze a UJEP v Ústí n. L.

POLYNOMY 1 Jan Malý UK v Praze a UJEP v Ústí n. L. Soustavy o jedné rovnici neboli rovnice. Algebraické rovnice: Polynom= 0. POLYNOMY 1 Jan Malý UK v Praze a UJEP v Ústí n. L. Rovnice 1. stupně: lineární, ax + b = 0, a 0. Řešení: x = b a. Rovnice 2. stupně:

Více

Matematika. Kamila Hasilová. Matematika 1/34

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

Více

tazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve

tazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve Příklady k procvičení k průběžnému testu: 1) Při zpracování studie o průměrné výši měsíčních příjmů v České republice jsme získali data celkem od 8 tazatelů. Každý z těchto pěti souborů dat obsahoval odlišný

Více

Fibonacciho čísla na střední škole

Fibonacciho čísla na střední škole Fibonacciho čísla na střední škole Martina Jarošová Abstract In this contribution we introduce some interesting facts about Fibonacci nunbers We will prove some identities using different proof methods

Více

MATEMATIKA základní úroveň obtížnosti

MATEMATIKA základní úroveň obtížnosti MATEMATIKA základní úroveň obtížnosti DIDAKTICKÝ TEST Maximální bodové hodnocení: 50 bodů Hranice úspěšnosti: 33 % 1 Základní informace k zadání zkoušky Didaktický test obsahuje 26 úloh. Časový limit pro

Více

Maturitní témata od 2013

Maturitní témata od 2013 1 Maturitní témata od 2013 1. Úvod do matematické logiky 2. Množiny a operace s nimi, číselné obory 3. Algebraické výrazy, výrazy s mocninami a odmocninami 4. Lineární rovnice a nerovnice a jejich soustavy

Více

Vlastnosti regulárních jazyků

Vlastnosti regulárních jazyků Vlastnosti regulárních jazyků Podobně jako u dalších tříd jazyků budeme nyní zkoumat následující vlastnosti regulárních jazyků: vlastnosti strukturální, vlastnosti uzávěrové a rozhodnutelné problémy pro

Více

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A Zápočtová písemná práce č. 1 z předmětu 01MAB3 varianta A středa 19. listopadu 2014, 11:20 13:20 ➊ (8 bodů) Rozhodněte o stejnoměrné konvergenci řady n 3 n ( ) 1 e xn2 x 2 +n 2 na množině A = 0, + ). ➋

Více

12. Determinanty. 12. Determinanty p. 1/25

12. Determinanty. 12. Determinanty p. 1/25 12. Determinanty 12. Determinanty p. 1/25 12. Determinanty p. 2/25 Determinanty 1. Induktivní definice determinantu 2. Determinant a antisymetrické formy 3. Výpočet hodnoty determinantu 4. Determinant

Více

FOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth

FOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického

Více

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

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

Více

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

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

Více

Cíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí

Cíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí Cíle lokalizace Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí 2 Jiný pohled Je to problém transformace souřadnic Mapa je globální souřadnicový systém nezávislý

Více

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

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

Více

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

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

Více

2.6. Vlastní čísla a vlastní vektory matice

2.6. Vlastní čísla a vlastní vektory matice 26 Cíle V této části se budeme zabývat hledáním čísla λ které je řešením rovnice A x = λ x (1) kde A je matice řádu n Znalost řešení takové rovnice má řadu aplikací nejen v matematice Definice 261 Nechť

Více

Výroková logika dokazatelnost

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

Více

Diskrétní Matematika (456-533 DIM)

Diskrétní Matematika (456-533 DIM) Diskrétní Matematika (456-5 DIM) Doc. RNDr. Petr Hliněný, Ph.D. petr.hlineny@vsb.cz 7. července 005 Verze.0. Copyright c 004 005 Petr Hliněný. Obsah 0. Předmluva.................................... iv

Více

2.1. 50 bodů 2.1 Pokyny otevřeným úlohám. je uveden na záznamovém archu. Je-li požadován celý postup řešení, uveďte. výrazů. mimo vyznačená bílá pole

2.1. 50 bodů 2.1 Pokyny otevřeným úlohám. je uveden na záznamovém archu. Je-li požadován celý postup řešení, uveďte. výrazů. mimo vyznačená bílá pole MATEMATIKA MATEMATIKA DIDAKTICKÝ TEST DIDAKTICKÝ TEST DIDAKTICKÝ TEST MAMZD14C0T01 MAMZD14C0T01 MAMZD14C0T01 Maximální bodové hodnocení: 50 bodů 2.1 Pokyny k otevřeným úlohám Maximální Hranice úspěšnosti:

Více

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

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

Více

Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12

Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12 Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı České vysoké učení technické v Praze c Kateřina Trlifajová, 2010 BI-MLO, ZS 2011/12 Evropský sociální

Více

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

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

Více

Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení.

Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení. @083 6 Polynomické funkce Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení. Definice: Polynomická funkce n-tého stupně (n N) je dána předpisem n n 1 2 f : y a x

Více

ZŠ ÚnO, Bratří Čapků 1332

ZŠ ÚnO, Bratří Čapků 1332 Úvodní obrazovka Menu (vlevo nahoře) Návrat na hlavní stránku Obsah Výsledky Poznámky Záložky edunet Konec Matematika 1 (pro 12-16 let) LangMaster Obsah (střední část) výběr tématu - dvojklikem v seznamu

Více

Cvičení z matematiky jednoletý volitelný předmět

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

Více

1. 1 P Ř I R O Z E N Á Č Í S L A

1. 1 P Ř I R O Z E N Á Č Í S L A 1. Č Í S E L N É O B O R Y 1. 1 P Ř I R O Z E N Á Č Í S L A Přirozená čísla (definice, značení, množinový zápis) Číslice (cifry 0 9) Číslo (rozvinutý resp. zkrácený zápis přirozeného čísla v desítkové

Více

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

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

Více

MATEMATIKA. vyšší úroveň obtížnosti DIDAKTICKÝ TEST MAGVD10C0T01. Testový sešit neotvírejte, počkejte na pokyn!

MATEMATIKA. vyšší úroveň obtížnosti DIDAKTICKÝ TEST MAGVD10C0T01. Testový sešit neotvírejte, počkejte na pokyn! MATEMATIKA vyšší úroveň obtížnosti MAGVD10C0T01 DIDAKTICKÝ TEST Didaktický test obsahuje 21 úloh. Časový limit pro řešení didaktického testu je uveden na záznamovém archu. Povolené pomůcky: psací a rýsovací

Více

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 11. Lineární zobrazení V celé přednášce pojednáváme o vektorových prostorech nad

Více

Pojem a úkoly statistiky

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

Více

Základním úkolem při souřadnicovém určování polohy bodů je výpočet směrníků a délky strany mezi dvěma body, jejichž pravoúhlé souřadnice jsou známé.

Základním úkolem při souřadnicovém určování polohy bodů je výpočet směrníků a délky strany mezi dvěma body, jejichž pravoúhlé souřadnice jsou známé. 1 Určování poloh bodů pomocí souřadnic Souřadnicové výpočt eodetických úloh řešíme v pravoúhlém souřadnicovém sstému S-JTSK, ve kterém osa +X je orientována od severu na jih a osa +Y od východu na západ.

Více

5. Interpolace a aproximace funkcí

5. Interpolace a aproximace funkcí 5. Interpolace a aproximace funkcí Průvodce studiem Často je potřeba složitou funkci f nahradit funkcí jednodušší. V této kapitole budeme předpokládat, že u funkce f známe její funkční hodnoty f i = f(x

Více