6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu"

Transkript

1 6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a příslušných parametrů generátorů pseudonáhodných čísel, jejchž úkolem je produkovat vstupní proudy do smulačního modelu. Výklad v tomto bloku se zejména zaměří na problematku praktckého formulování a testování hypotéz ohledně rozdělení pravděpodobnost náhodné velčny s cílem následně určt typy generátorů, které budou příslušné vstupní proudy realzovat. Doba nutná k nastudování 3 hodny 6.1 Určení teoretckého rozdělení pravděpodobnost náhodné velčny Př dalších úvahách vycházejme z předpokladu, že bylo rozhodnuto rozdělt pracovní dobu banky na šest úseků po jednotlvých hodnách (tento předpoklad vznkl nterpretací výsledků regresní analýzy a klouzavého průměru uvedených v předešlém bloku). Pro každý tento úsek je třeba vytvořt generátor příchodů zákazníků do systému. Kromě toho je třeba ještě generovat typ požadované transakce a dobu obsluhy zákazníka. Aby bylo možné vytvořt příslušné generátory, je třeba určt tvar a parametry teoretckých rozdělení pravděpodobnost sledovaných velčn, případně určt emprcké rozdělení pravděpodobnost (není-l žádný z teoretckých modelů vhodný). Určení tvaru rozdělení pravděpodobnost Nejdůležtějším nástrojem př formulac hypotézy o tvaru (typu) rozdělení pravděpodobnost je hstogram. Jak už bylo řečeno, velm důležtá je volba počtu tříd hstogramu. Obrázky 6.1a - c znázorňují několk hstogramů dob mez příchody zákazníků v ntervalu od hod. do hod. Postupným snžování počtu tříd dospíváme ke tvaru hstogramu, na základě kterého lze formulovat hypotézu (h A ), že doby mez příchody zákazníků se řídí exponencálním rozdělením pravděpodobnost. KST/IMOSI Modelování a smulace blok 6, strana 1 (16) Antonín Kavčka

2 Třídy Četnost Třídy Četnost 0:00:00 2 0:00:56 5 0:00: :01:03 5 0:00: :01:10 4 0:00: :01:17 3 0:00: :01:24 1 0:00: :01:31 1 0:00:42 7 Další 0 0:00:49 5 Četnost :00: 00 0:00: 14 0:00: 28 0:00: 42 0:00: 56 0:01: 10 0:01: 24 Další Obr. 6.1a Hstogram četností dob mez přích. zákazn., šířka ntervalu 7 mnut Třídy Četnost Třídy Četnost 0:00: :01:00 9 0:00: :01:10 4 0:00: :01:20 3 0:00: :01:30 2 0:00:50 7 Další 0 Obr. 6.1b Hstogram četností dob mez přích. zákazn., šířka ntervalu 10 mnut KST/IMOSI Modelování a smulace blok 6, strana 2 (16) Antonín Kavčka

3 Třídy Četnost Třídy Četnost 0:00: :01:12 6 0:00: :01:24 2 0:00: :01:36 1 0:00:48 12 Další 0 0:01:00 10 Obr. 6.1c Hstogram četností dob mez přích. zákazn., šířka ntervalu 12 mnut V některých případech je třeba uvážt, podle kterého znaku provádíme třídění hstogramu. Na obrázku 6.2a je uveden hstogram četností transakcí typu H (výběr hotovost) v závslost na době příchodu. Pracovní doba je rozdělena na stejně dlouhé úseky v tomto případě po 15 mnutách a v každém z těchto ntervalů je zjšťován počet zákazníků požadující sledovanou transakc. Porovnáme-l získaný hstogram s obr. 5.3 b (z mnulého bloku), je zřejmé, že tvar prvního z hstogramů je ovlvněn počtem příchodů zákazníků během pracovní doby a není proto vhodný pro formulac hypotézy o typu rozdělení :30 10:00 10:30 Četnost 11:00 11:30 12:00 12:30 13:00 13:30 14:00 14:30 15:00 15:30 Obr. 6.2a Hstogram četností transakcí H tříděný podle času příchodu zákazn. KST/IMOSI Modelování a smulace blok 6, strana 3 (16) Antonín Kavčka

4 Třídy Četnost Relatvní četnost Třídy Četnost Relatvní četnost , , , , , , , , , , , , , , ,38 Obr. 6.2b Hstogram četností transakcí H tříděný podle pořadí zákazníka Obrázek 6.2b znázorňuje stejnou velčnu zatříděnou podle pořadí příchodů zákazníků. Postupně přcházející zákazníc jsou rozdělen do skupn v našem případě bylo vytvořeno 15 tříd po 58 zákaznících. Přtom je zachováno pořadí zákazníků. Dále v každé skupně zjšťujeme počet zákazníků požadujících sledovanou transakc. Na základě takto získaného hstogramu lze vyslovt domněnku, že relatvní četnost transakcí typu H je v průběhu celého dne konstantní. Průměrná relatvní četnost je 0,41. Můžeme tedy formulovat hypotézu (h B ), že relatvní četnost zákazníků požadujících transakc H je v lbovolném ntervalu 0,41. Očekávané četnost ve všech třídách by tedy byly: 58 * 0,41 = 23,78. Z tohoto očekávání by vycházel test uvedené hypotézy (jak bude uvedeno v dalším výkladu) Odhady parametrů rozdělení pravděpodobnost Způsob konstrukce bodových a ntervalových odhadů se odvíjí od typu rozdělení pravděpodobnost, jehož parametry chceme odhadovat. Běžně je známa konstrukce odhadů pro normální rozdělení. V dalších případech je zpravdla nutné vyhledat odbornou lteraturu. KST/IMOSI Modelování a smulace blok 6, strana 4 (16) Antonín Kavčka

5 V následujícím příkladu provedeme odhad parametrů rozdělení pravděpodobnost doby obsluhy zákazníků, kteří požadují výběr hotovost. Data potřebná pro výpočet byla získána vyfltrováním údajů o dobách obsluhy zákazníků požadujících transakc H z původního souboru dat a jsou uvedena v tabulce 6.5 v příloze tohoto bloku. Obr. 6.3 Hstogram četností dob obsluh zákazn. požadujících transakc typu H Nejprve vytvoříme hstogram dob obsluhy - je uveden na obrázku 6.3. Z něho je patrné, že dobu obsluhy je nejspíš možné popsat exponencálním rozdělením. Jelkož v tomto případě exstuje určtá mnmální doba obsluhy, je třeba použít dvouparametrcké exponencální rozdělení, které lze popsat hustotou pravděpodobnost: µ f ( x) = µ ( x A e ), pro x A 0, pro x < A Bodové odhady parametrů A a μ můžeme získat ze vztahů: ˆ mn(,, ) A = x1 K x n ˆ µ = 1 x Aˆ kde x 1,..., x n jsou naměřené hodnoty doby obsluhy a x je artmetcký průměr těchto hodnot. Oba tyto odhady jsou ovšem vychýlené. Chceme-l získat odhady nevychýlené (nestranné), je třeba tyto vztahy upravt: KST/IMOSI Modelování a smulace blok 6, strana 5 (16) Antonín Kavčka

6 ˆ ˆ na x A0 = n 1 n 1 ˆ µ 0 = n( x Aˆ ) Z dat uvedených v příloze P.6 dostaneme výsledky: mn( x, K, x ) = 24 1 n x = 30,75 Po dosazení do výše uvedených vztahů získáme: A ˆ = 24 1 ˆ µ = = 0,148 30,75 24 ˆ ,45 A 23,98 0 = = ˆ µ 0 = = 0, (30,75 24) Oboustranný ntervalový odhad parametru μ lze konstruovat na základě vztahu: 2 2 Χ α Χ α ;2n 2 1 ;2n µ 2 n( x Aˆ ) 2 n( x Aˆ ) kde Χ, Χ 2 2 α α ;2n 2 1 ;2n jsou α/2 a 1- α/2 procentní kvantly X 2 -rozdělení s 2n - 2 stupn volnost, kde: n α je počet hodnot souboru se kterým pracujeme, je hodnota nám zvolené hladny významnost. V našem případě a pro α = 0,05: 653,00 777, (30,75 24) µ (30,75 24) a tedy µ 0,14; 0,16 KST/IMOSI Modelování a smulace blok 6, strana 6 (16) Antonín Kavčka

7 V případě parametru A je stuace poněkud neobvyklá. Za horní mez ntervalového odhadu můžeme považovat s pravděpodobností blízkou jedné nejmenší z hodnot x 1,..., x n. Dolní mez odhadujeme pomocí jednostranného ntervalu spolehlvost, který dostaneme ze vztahu: ˆ ˆ x A A A Fα ;2,2n 2 n 1 kde F α;2,2n 2 je α-procentní kvantl F-rozdělení s 2 a 2n - 2 stupn volnost. Po dosazení dostaneme pro α = 0,05: 30,75 24 A 24 3,008 = 23, takže A 23,95; 24. Poznámky V lteratuře se často namísto parametru μ exponencálního rozdělení pravděpodobnost používá parametr δ = 1/µ. Pokud nenajdeme požadované hodnoty kvantlů ve statstckých tabulkách, je možné použt např. statstcké funkce MS Excelu (CHIINV, FINV). Přtom je třeba mít na pamět rozdíl mez kvantly a krtckým hodnotam.obecně pro kvantl x α platí P(X < x α ) = α. Krtcké hodnoty x α jsou v případě asymetrckých rozdělení (X 2, F) dány obvykle vztahem P(X > x α ) = α, v případě symetrckých rozdělení (Studentovo) vztahem P(X > x α ) = α. Intervalový odhad parametrů rozdělení se v prax často neprovádí. 6.2 Testování hypotézy o tvaru rozdělení pravděpodobnost Nejčastěj používaným testy hypotéz o tvaru rozdělení jsou Χ 2 -test a Kolmogorovův- Smrnovův test. Testuje se nulová hypotéza H 0 : výběr pochází ze základního souboru s rozdělením... s parametry.... Χ 2 -test vyžaduje velké množství naměřených hodnot. Testovacím krtérem je statstka k 2 Χ = í = 1 ( m np ) np 2 KST/IMOSI Modelování a smulace blok 6, strana 7 (16) Antonín Kavčka

8 kde k je počet tříd, m je pozorovaná četnost v -té třídě, n je počet všech pozorování a p je teoretcká pravděpodobnost výskytu pozorované hodnoty v -té třídě. Přtom bývá požadováno, aby ve většně tříd (80%) platlo np > 5. Není-l toto splněno, přstupuje se ke sdružování tříd. Teoretcké pravděpodobnost p se v případech dskrétních náhodných velčn počítají přímo jako hodnoty pravděpodobnostní funkce v daném bodě. V případech spojtých náhodných velčn je vypočítáme jako rozdíl hodnot dstrbučních funkcí v krajních bodech třídního ntervalu. Nulovou hypotézu zamítáme, pokud hodnota testovacího krtéra přesáhne hodnotu 1-α % kvantlu rozdělení X 2 s k - r - 1 stupn volnost, kde k je počet tříd a r je počet odhadovaných parametrů. V následujícím příkladu je proveden X 2 -test pro případ doby mez příchody zákazníků v ntervalu od hod. do hod. Z hstogramů a hodnot uvedených na obrázku 6.1c můžeme dospět k závěru, že tato náhodná velčna se řídí exponencálním rozdělením. Z dat získaných sledováním nás nyní zajímají doby příchodů všech zákazníků, kteří přšl mez hod. a hod. Je jch celkem 162. Z nch postupným odčítáním získáme doby mez příchody a vypočítáme průměrnou dobu mez příchody: x = 22 s V tomto případě stačí pracovat s jednoparametrckým exponencálním rozdělením s parametrem μ (A = 0). Bodový odhad parametru tohoto rozdělení je: 1 µ = = 0,045 s x 1 95% nterval spolehlvost tohoto odhadu dostaneme jako Χ Χ 2nx µ 2nx 2 2 α α ;2n 1 ;2n ,02 375, µ tedy µ 0,039;0,053. KST/IMOSI Modelování a smulace blok 6, strana 8 (16) Antonín Kavčka

9 Budeme tedy testovat nulovou hypotézu: Výběr pochází ze souboru s exponencálním rozdělením s parametrem 0,045 s -1. Tabulka 6.1a vychází z hodnot, které poskytne MS Excel na základě automatcké volby počtu tříd. Vdíme, že hrance první třídy je nastavena zcela nevhodně, a že 4 ze 13 z tříd nesplňují podmínku np > 5. Tabulka 6.1 b obsahuje stejné výpočty po úpravě hranc tříd a je doplněná o hodnotu testovacího krtéra a krtckou hodnotu pro α = 0,05 a = 5 stupňů volnost. V tomto případě je hodnota testovacího krtéra menší než hodnota krtcká, takže nulovou hypotézu nezamítneme (vždy je třeba ctlvě posoudt míru přípustnost redukce počtu tříd). Pro úplnost uveďme příklad testování hypotézy (h B ), uvedené v část pojednávající o určení tvaru rozdělení pravděpodobnost, že relatvní četnost zákazníků požadujících transakc H je v lbovolném ntervalu 0,41. V tomto případě je postup o něco jednodušší výpočet testovacího krtéra opět vychází ze zjštěných četností požadavků na transakc H v jednotlvých třídách a četností teoretcky předpokládaných. Teoretcky předpokládaná četnost je dána součnem relatvní četnost a počtu zákazníků v uvažované třídě (zde 58 * 0,41 = 23,78) tabulka 6.1c. třídy repr. třídy n F(x) p n p X :00, ,00 0,00 0, :07,4 3,7 34 0,153 0,153 24,85 3, :14,8 11,1 37 0,393 0,240 38,85 0, :22,2 18,5 25 0,565 0,172 27,84 0, :29,7 25,9 21 0,688 0,123 19,96 0, :37,1 33,3 13 0,777 0,088 14,30 0, :44,5 40,7 9 0,840 0,063 10,25 0, :51,9 48,1 4 0,885 0,045 7,35 1, :59,3 55,5 8 0,918 0,033 5,27 1, :06,7 62,9 2 0,941 0,023 3,78 0, :14,2 70,3 5 0,958 0,017 2,71 1, :21,6 77,7 1 0,970 0,012 1,94 0, Další 1 1,000 0,030 4,91 3,11283 Tab. 6.1a Výpočet testového krtéra testu X 2 Test Kolmogorovův-Smrnovův se zpravdla používá v případech, kdy máme k dspozc pouze omezené množství dat. Na rozdíl od X 2 testu, který sčítá odchylky od předpokládaného stavu v jednotlvých třídách, Kolmogorovův- Smrnovův test porovnává předpokládaný a naměřený tvar dstrbuční funkce a KST/IMOSI Modelování a smulace blok 6, strana 9 (16) Antonín Kavčka

10 nulová hypotéza je zamítnuta, překročí-l krtckou hodnotu největší ze zjštěných odchylek. třídy repr. třídy n F(x) p n p X 2 1 0:00: ,443 0,443 71,75 0, :00: ,690 0,247 39,97 0, :00: ,827 0,137 22,27 0, :00: ,904 0,077 12,41 0, :01: ,946 0,043 6,91 0, :01: ,970 0,024 3,85 1, :01: ,000 0,030 4,84 1, , krterum 11,07048 krt. h. Tab. 6.1b Výpočet testového krtéra a krtcká hodnota testu X 2 (α = 0,05) změna hranc ntervalů tříd Třídy (poř. zákaz.) Četnost transakce H Předpokl. četn. trans. H ,78 0, ,78 0, ,78 0, ,78 0, ,78 0, ,78 0, ,78 0, ,78 0, ,78 0, ,78 1, ,78 0, ,78 0, ,78 0, ,78 0, ,78 0,03 4,11 krterum X 2 23,68 krt. h. Tab. 6.1c Výpočet test. krtéra a krt. hodnota testu X 2 (α = 0,05) pro test hodnoty relatvní četnost KST/IMOSI Modelování a smulace blok 6, strana 10 (16) Antonín Kavčka

11 Obecně platí, že Kolmogorovův-Smrnovův test má menší sílu k zamítnutí neplatné hypotézy než X 2 test. V následujícím příkladu, testujeme hypotézu o rozdělení pravděpodobnost doby obsluhy zákazníků, kteří požadují transakc H,V,S (tzn. výběr hotovost, výpsy zůstatků na účtech a vydání šekové knížky) v ntervalu hod. Způsobem, který byl demonstrován v odstavc pojednávajícím o odhadu parametrů, bylo zjštěno, že výběr pravděpodobně pochází z exponencálního rozdělení s parametry A = 53 s, μ = 0,07 s -1. Testujeme tedy nulovou hypotézu: Výběr pochází ze základního souboru s exponencálním rozdělením s parametry A = 53 s, μ = 0,07 s -1. Obr. 6.4a Hstogram četností k tabulce 6.1a Obr. 6.4b Hstogram četností k tabulce 6.1b KST/IMOSI Modelování a smulace blok 6, strana 11 (16) Antonín Kavčka

12 x (-1)/n /n F(x) F(x)-(-1)/n F(x)-/n 1 52,6 0 0,025 0,00 0,000 0, ,7 0,025 0,05 0,00 0,025 0, ,6 0,05 0,075 0,04 0,010 0, ,9 0,075 0,1 0,06 0,013 0, ,0 0,1 0,125 0,13 0,032 0, ,1 0,125 0,15 0,14 0,013 0, ,2 0,15 0,175 0,14 0,010 0, ,2 0,175 0,2 0,20 0,026 0, ,2 0,2 0,225 0,20 0,002 0, ,3 0,225 0,25 0,21 0,019 0, ,6 0,25 0,275 0,22 0,027 0, ,6 0,275 0,3 0,27 0,002 0, ,6 0,3 0,325 0,28 0,024 0, ,6 0,325 0,35 0,28 0,049 0, ,7 0,35 0,375 0,28 0,069 0, ,0 0,375 0,4 0,34 0,030 0, ,2 0,4 0,425 0,39 0,006 0, ,7 0,425 0,45 0,42 0,009 0, ,7 0,45 0,475 0,42 0,032 0, ,3 0,475 0,5 0,48 0,004 0, ,9 0,5 0,525 0,53 0,034 0, ,6 0,525 0,55 0,56 0,032 0, ,8 0,55 0,575 0,56 0,013 0, ,9 0,575 0,6 0,59 0,020 0, ,3 0,6 0,625 0,61 0,007 0, ,3 0,625 0,65 0,63 0,008 0, ,0 0,65 0,675 0,65 0,001 0, ,1 0,675 0,7 0,65 0,023 0, ,1 0,7 0,725 0,68 0,024 0, ,4 0,725 0,75 0,72 0,001 0, ,3 0,75 0,775 0,74 0,009 0, ,4 0,775 0,8 0,74 0,033 0, ,9 0,8 0,825 0,82 0,025 0, ,0 0,825 0,85 0,87 0,044 0, ,4 0,85 0,875 0,89 0,039 0, ,7 0,875 0,9 0,89 0,016 0, ,8 0,9 0,925 0,91 0,013 0, ,5 0,925 0,95 0,94 0,012 0, ,6 0,95 0,975 0,97 0,019 0, ,8 0, ,98 0,006 0,019 krt. h. 0,21 Tab. 6.2 Výpočet testového krtera a krtcká hodnota Kolmogorovova- Smrnovova testu (α = 0,05) KST/IMOSI Modelování a smulace blok 6, strana 12 (16) Antonín Kavčka

13 Obr. 6.5 Graf teoretcké a emprckých dstrbučních funkcí k tabulce 6.2 Tabulka 6.2 obsahuje potřebné výpočty a krtckou hodnotu pro hladnu významnost 0,05. Ve druhém sloupc tabulky jsou zjštěné doby obsluhy, seřazené vzestupně. Následující dva sloupce představují hodnoty emprckých dstrbučních funkcí získaných z naměřených dob obsluhy. Pátý sloupec obsahuje teoretcky předpokládané hodnoty dstrbuční funkce v daných bodech. Testovacím krtérem je maxmální rozdíl emprcké a teoretcké dstrbuční funkce. Hypotézu zamítáme, pokud jeho hodnota přesáhne krtckou hodnotu, kterou hledáme v tabulkách krtckých hodnot pro Kolmogorovův-Smrnovův test. V tomto případě je hodnota testovacího krtera 0,094 menší než krtcká hodnota 0,21, takže nulovou hypotézu na hladně významnost 0,05 nezamítneme. 6.3 Závěry z analýzy vstupních dat Po ukončené analýze vstupních dat získáme podklady pro parametrzace příslušných generátorů vstupních proudů, které budou ntegrovány v rámc budovaného smulačního modelu. Výsledky statstckého šetření popsovaného v rámc toho bloku lze shrnout do tabulek 6.3, 6.4a b. KST/IMOSI Modelování a smulace blok 6, strana 13 (16) Antonín Kavčka

14 Podklady pro parametrzac generátorů dob mez příchody zákazníků (řídící se exponencálním rozdělením) µ x µ e, pro x A f ( x) = 0, pro x < A 1 ˆ µ = x Intervaly příchodů Průměrná doba mez příchody [s] Počet příchodů Parametr µ (ntenzta toku) Bodový odhad [s -1 ] 0,024 0,034 0,045 95% dolní mez [s -1 ] 0,020 0,029 0,039 nt. sp. horní mez [s -1 ] 0,030 0,041 0,053 Intervaly příchodů Průměrná doba mez příchody [s] Počet příchodů Parametr µ (ntenzta toku) Bodový odhad [s -1 ] 0,056 0,037 0,045 95% dolní mez [s -1 ] 0,048 0,031 0,039 nt. sp. horní mez [s -1 ] 0,064 0,044 0,053 Tab. 6.3 Podklady pro parametrzac generátorů příchodů zákazníků Podklady pro parametrzac generátorů typů transakcí a dob obsluh typ transakce rovnoměrné rozdělení vzhledem k počtu zákazníků doba obsluhy dvojparametrcké exponencální rozdělení µ f ( x) = ˆ mn(,, ) A = x1 K x n 1 ˆ µ = x Aˆ µ ( x A e ), pro x A 0, pro x < A Typ transakce H V S H, V Podíl zákazníků 0,41 0,10 0,08 0,24 Prům. doba obsluhy [s] 30,75 26,32 20,24 51,01 Parametr A (mn. doba obsluhy) Bodový odhad [s] 24,00 20,12 16,04 40,08 95% nt. sp. dolní mez [s] 23,95 19,91 15,85 39,93 horní mez [s] 24,00 20,12 16,04 40,08 Parametr µ (ntenzta obsluhy) Bodový odhad [s -1 ] 0,15 0,16 0,24 0,09 95% nt. sp. dolní mez [s -1 ] 0,14 0,13 0,19 0,08 horní mez [s -1 ] 0,16 0,19 0,28 0,10 Tab. 6.4a Podklady pro parametrzac generátorů typů transakcí a dob obsluh KST/IMOSI Modelování a smulace blok 6, strana 14 (16) Antonín Kavčka

15 Podklady pro parametrzac generátorů typů transakcí a dob obsluh typ transakce rovnoměrné rozdělení vzhledem k počtu zákazníků doba obsluhy dvojparametrcké exponencální rozdělení µ f ( x) = ˆ mn(,, ) A = x1 K x n ˆ µ = 1 x Aˆ µ ( x A e ), pro x A 0, pro x < A Typ transakce H, S V, S H, V, S Podíl zákazníků 0,10 0,02 0,05 Prům. doba obsluhy [s] 46,05 43,86 66,82 Parametr A (mn. doba obsluhy) Bodový odhad [s] 36,11 32,81 52,60 95% nt. sp. dolní mez [s] 35,76 30,37 51,47 horní mez [s] 36,11 32,81 52,60 Parametr µ (ntenzta obsluhy) Bodový odhad [s -1 ] 0,10 0,09 0,07 95% nt. sp. dolní mez [s -1 ] 0,08 0,05 0,05 horní mez [s -1 ] 0,12 0,12 0,09 Tab. 6.4b Podklady pro parametrzac generátorů typů transakcí a dob obsluh Otázky k procvčení 1. Jaký základní prostředek ze statstky se typcky používá př formulování hypotézy ohledně tvaru rozdělení pravděpodobnost? 2. Jaké základní testy se používají pro potřeby testování hypotéz ohledně tvaru rozdělení pravděpodobnost? KST/IMOSI Modelování a smulace blok 6, strana 15 (16) Antonín Kavčka

16 Příloha doby obsluhy zákazníků požadujících transakc H Vysvětlvky: pořadí zákazníka požadujícího transakc H doba [s] doba [s] doba [s] doba [s] doba [s] doba [s] doba [s] 1 45, , , , , , ,1 2 25, , , , , , ,4 3 24, , , , , , ,0 4 32, , , , , , ,9 5 29, , , , , , ,5 6 31, , , , , , ,1 7 25, , , , , , ,0 8 25, , , , , , ,3 9 30, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,6 KST/IMOSI Modelování a smulace blok 6, strana 16 (16) Antonín Kavčka

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

CHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.

CHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ. CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt

Více

STATISTIKA (pro navazující magisterské studium)

STATISTIKA (pro navazující magisterské studium) Slezská unverzta v Opavě Obchodně podnkatelská fakulta v Karvné STATISTIKA (pro navazující magsterské studum) Jaroslav Ramík Karvná 007 Jaroslav Ramík, Statstka Jaroslav Ramík, Statstka 3 OBSAH MODULU

Více

4ST201 STATISTIKA CVIČENÍ Č. 7

4ST201 STATISTIKA CVIČENÍ Č. 7 4ST201 STATISTIKA CVIČENÍ Č. 7 testování hypotéz parametrické testy test hypotézy o střední hodnotě test hypotézy o relativní četnosti test o shodě středních hodnot testování hypotéz v MS Excel neparametrické

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

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

- 1 - Zdeněk Havel, Jan Hnízdil. Cvičení z Antropomotoriky. Obsah:

- 1 - Zdeněk Havel, Jan Hnízdil. Cvičení z Antropomotoriky. Obsah: - - Zdeněk Havel, Jan Hnízdl Cvčení z Antropomotorky Obsah: Úvod... S Základní charakterstky statstckých souborů...3 S Charakterstka základních výběrových technk a teoretcká rozložení četností...9 S 3

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

Korelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d

Korelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím

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

Posuzování výkonnosti projektů a projektového řízení

Posuzování výkonnosti projektů a projektového řízení Posuzování výkonnost projektů a projektového řízení Ing. Jarmla Ircngová Západočeská unverzta v Plzn, Fakulta ekonomcká, Katedra managementu, novací a projektů jrcngo@kp.zcu.cz Abstrakt V současnost je

Více

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost

Více

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko pro podporu jakosti Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov

Více

Optimalizační přístup při plánování rekonstrukcí vodovodních řadů

Optimalizační přístup při plánování rekonstrukcí vodovodních řadů Optmalzační přístup př plánování rekonstrukcí vodovodních řadů Ladslav Tuhovčák*, Pavel Dvořák**, Jaroslav Raclavský*, Pavel Vščor*, Pavel Valkovč* * Ústav vodního hospodářství obcí, Fakulta stavební VUT

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

Statistické metody uţívané při ověřování platnosti hypotéz

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

Více

Testování hypotéz Biolog Statistik: Matematik: Informatik:

Testování hypotéz Biolog Statistik: Matematik: Informatik: Testování hypotéz Biolog, Statistik, Matematik a Informatik na safari. Zastaví džíp a pozorují dalekohledem. Biolog "Podívejte se! Stádo zeber! A mezi nimi bílá zebra! To je fantastické! " "Existují bílé

Více

1.2. Postup výpočtu. , [kwh/(m 3.a)] (6)

1.2. Postup výpočtu. , [kwh/(m 3.a)] (6) 1. Stavebn energetcké vlastnost budov Energetcké chování budov v zním období se v současné době hodnotí buď s pomocí průměrného součntele prostupu tepla nebo s pomocí měrné potřeby tepla na vytápění. 1.1.

Více

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

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

Více

Transformace dat a počítačově intenzivní metody

Transformace dat a počítačově intenzivní metody Transformace dat a počítačově ntenzvní metody Jří Mltký Katedra textlních materálů, Textlní fakulta, Techncká unversta v Lberc, Lberec, e- mal jr.mltky@vslb.cz Mlan Meloun, Katedra analytcké cheme, Unversta

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

Více

V mnoha pípadech, kdy známe rozdlení náhodné veliiny X, potebujeme urit rozdlení náhodné veliiny Y, která je funkcí X, tzn. Y = h(x).

V mnoha pípadech, kdy známe rozdlení náhodné veliiny X, potebujeme urit rozdlení náhodné veliiny Y, která je funkcí X, tzn. Y = h(x). 3. FUNKCE NÁHODNÉ VELIINY as ke studu: 40 mnut Cíl: Po prostudování této kaptol budete umt transformovat náhodnou velnu na náhodnou velnu Y, je l mez tmto náhodným velnam vzájemn jednoznaný vztah VÝKLAD

Více

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

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

Více

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

STATISTICKÉ TESTY VÝZNAMNOSTI

STATISTICKÉ TESTY VÝZNAMNOSTI STATISTICKÉ TESTY VÝZNAMNOSTI jsou statistické postupy, pomocí nichž ověřujeme, zda mezi proměnnými existuje vztah (závislost, rozdíl). Pokud je výsledek šetření statisticky významný (signifikantní), znamená

Více

Energie elektrického pole

Energie elektrického pole Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný

Více

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

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

Více

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

Teorie efektivních trhů (E.Fama (1965))

Teorie efektivních trhů (E.Fama (1965)) Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje

Více

9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně

9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně 9. Měření knetky dohasínání fluorescence ve frekvenční doméně Gavolův experment (194) zdroj vzorek synchronní otáčení fázový posun detektor Měření dob žvota lumnscence Frekvenční doména - exctace harmoncky

Více

Vykazování solventnosti pojišťoven

Vykazování solventnosti pojišťoven Vykazování solventnost pojšťoven Ing. Markéta Paulasová, Techncká unverzta v Lberc, Hospodářská fakulta marketa.paulasova@centrum.cz Abstrakt Pojšťovnctví je fnanční službou zabývající se přenosem rzk

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

Zkouškový test z fyzikální a koloidní chemie

Zkouškový test z fyzikální a koloidní chemie Zkouškový test z fyzkální a kolodní cheme VZOR/1 jméno test zápočet průměr známka Čas 9 mnut. Povoleny jsou kalkulačky. Nejsou povoleny žádné písemné pomůcky. Uotázeksvýběrema,b,c...odpověd b kroužkujte.platí:

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

MEZNÍ STAVY A SPOLEHLIVOST OCELOVÝCH KONSTRUKCÍ LIMIT STATES AND RELIABILITY OF STEEL STRUCTURES

MEZNÍ STAVY A SPOLEHLIVOST OCELOVÝCH KONSTRUKCÍ LIMIT STATES AND RELIABILITY OF STEEL STRUCTURES VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta stavební Ústav stavební mechanky Doc. Ing. Zdeněk Kala, Ph.D. MEZNÍ STAVY A SPOLEHLIVOST OCELOVÝCH KONSTRUKCÍ LIMIT STATES AND RELIABILITY OF STEEL STRUCTURES TEZE

Více

Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace

Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu

Více

VOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH

VOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH VOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH THE CHOICE OF EVALUATION CRITERIA IN PUBLIC PROCUREMENT Martn Schmdt Masarykova unverzta, Ekonomcko-správní fakulta m.schmdt@emal.cz Abstrakt: Článek zkoumá

Více

ČVUT FEL. X16FIM Finanční Management. Semestrální projekt. Téma: Optimalizace zásobování teplem. Vypracoval: Marek Handl

ČVUT FEL. X16FIM Finanční Management. Semestrální projekt. Téma: Optimalizace zásobování teplem. Vypracoval: Marek Handl ČVUT FEL X16FIM Fnanční Management Semestrální projekt Téma: Optmalzace zásobování teplem Vypracoval: Marek Handl Datum: květen 2008 Formulace úlohy Pro novou výstavbu 100 bytových jednotek je třeba zvolt

Více

Hodnocení účinnosti údržby

Hodnocení účinnosti údržby Hodnocení účnnost ekonomka, pojmy, základní nástroje a hodnocení Náklady na údržbu jsou nutné k obnovení funkce výrobního zařízení Je potřeba se zabývat ekonomckou efektvností a hodnocením Je třeba řešt

Více

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

Více

Metody volby financování investičních projektů

Metody volby financování investičních projektů 7. meznárodní konference Fnanční řízení podnků a fnančních nsttucí Ostrava VŠB-T Ostrava konomcká fakulta katedra Fnancí 8. 9. září 00 Metody volby fnancování nvestčních projektů Dana Dluhošová Dagmar

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

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

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

Více

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

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

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

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

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

1. Úvod do základních pojmů teorie pravděpodobnosti

1. Úvod do základních pojmů teorie pravděpodobnosti 1. Úvod do záladních pojmů teore pravděpodobnost 1.1 Úvodní pojmy Většna exatních věd zobrazuje své výsledy rgorózně tj. výsledy jsou zísávány na záladě přesných formulí a jsou jejch nterpretací. em je

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Konverze kmitočtu Štěpán Matějka

Konverze kmitočtu Štěpán Matějka 1.Úvod teoretcký pops Konverze kmtočtu Štěpán Matějka Směšovač měnč kmtočtu je obvod, který přeměňuje vstupní sgnál s kmtočtem na výstupní sgnál o kmtočtu IF. Někdy bývá tento proces označován také jako

Více

MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN.

MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN. MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN. Mroslav VARNER, Vktor KANICKÝ, Vlastslav SALAJKA ČKD Blansko Strojírny, a. s. Anotace Uvádí se výsledky teoretckých

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

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

BEZRIZIKOVÁ VÝNOSOVÁ MÍRA OTEVŘENÝ PROBLÉM VÝNOSOVÉHO OCEŇOVÁNÍ

BEZRIZIKOVÁ VÝNOSOVÁ MÍRA OTEVŘENÝ PROBLÉM VÝNOSOVÉHO OCEŇOVÁNÍ Prof. Ing. Mloš Mařík, CSc. BEZRIZIKOVÁ VÝNOSOVÁ MÍRA OEVŘENÝ PROBLÉM VÝNOSOVÉHO OCEŇOVÁNÍ RESUMÉ: Jedním z důležtých a přtom nepřílš uspokojvě řešených problémů výnosového oceňování podnku je kalkulace

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

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

Znamená vyšší korupce dražší dálnice? Evidence z dat Eurostatu. Michal Dvořák *

Znamená vyšší korupce dražší dálnice? Evidence z dat Eurostatu. Michal Dvořák * Znamená vyšší korupce dražší dálnce? Evdence z dat Eurostatu Mchal Dvořák * Článek je pozměněnou verzí práce Analýza vztahu mez mírou korupce a cenovou úrovní nfrastrukturních staveb, kterou autor zakončl

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

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

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

Více

VYUŽÍVANÍ GEOINFORMAČNÍCH TECHNOLOGIÍ V OBDOBÍ REORGANIZACE ÚŘADŮ V RESORTU MPSV

VYUŽÍVANÍ GEOINFORMAČNÍCH TECHNOLOGIÍ V OBDOBÍ REORGANIZACE ÚŘADŮ V RESORTU MPSV VYUŽÍVANÍ GEOINFORMAČNÍCH TECHNOLOGIÍ V OBDOBÍ REORGANIZACE ÚŘADŮ V RESORTU MPSV Tomáš INSPEKTOR 1, Jří HORÁK 1, Igor IVAN 1, Davd VOJTEK 1, Davd FOJTÍK 2, Pavel ŠVEC 1, Luce ORLÍKOVÁ 1,Pavel BELAJ 1 1

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

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

Modul Základní statistika

Modul Základní statistika Modul Základní statistika Menu: QCExpert Základní statistika Základní statistika slouží k předběžné analýze a diagnostice dat, testování předpokladů (vlastností dat), jejichž splnění je nutné pro použití

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

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové

Více

Časová hodnota peněz ve finančním rozhodování podniku. 1.1. Význam faktoru času a základní metody jeho vyjádření

Časová hodnota peněz ve finančním rozhodování podniku. 1.1. Význam faktoru času a základní metody jeho vyjádření Časová hodnota peněz ve fnančním rozhodování podnku 1.1. Význam faktoru času a základní metody jeho vyjádření Fnanční rozhodování podnku je ovlvněno časem. Peněžní prostředky získané dnes mají větší hodnotu

Více

10. Předpovídání - aplikace regresní úlohy

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

Více

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

LOGICKÉ OBVODY J I Ř Í K A L O U S E K

LOGICKÉ OBVODY J I Ř Í K A L O U S E K LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testování hypotéz na základě jednoho a dvou výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/004. Testování hypotéz Pokud nás zajímá zda platí, či neplatí tvrzení o určitém parametru,

Více

1 CHYBY, VARIABILITA A NEJISTOTY INSTRUMENTÁLNÍCH MĚŘENÍ

1 CHYBY, VARIABILITA A NEJISTOTY INSTRUMENTÁLNÍCH MĚŘENÍ 1 CHYBY, VARIABILITA A NEJISTOTY INSTRUMENTÁLNÍCH MĚŘENÍ Účele ěření je stanovení velkost ěřené velčny, charakterzující určtou specfckou vlastnost. Specfkace ěřené velčny ůže vyžadovat údaje o dalších

Více

Bezporuchovost a pohotovost

Bezporuchovost a pohotovost Bezporuchovost a pohotovost Materály z 59. semnáře odborné skupny pro spolehlvost Konaného dne 24. 2. 205 Česká společnost pro jakost, ovotného lávka 5, 6 68 raha, www.csq.cz ČJ 205 Obsah: Ing. Jan Kamencký,

Více

4.2 Chronické plicní nemoci v těhotenství (s možností akutního průběhu)

4.2 Chronické plicní nemoci v těhotenství (s možností akutního průběhu) Plcní nemoc v těhotenství, dagnostka a léčba 4.2 Chroncké plcní nemoc v těhotenství (s možností akutního průběhu) 4.2.1 Chroncké nenfekční nemoc 4.2.1.1 Asthma bronchale Astma je nejčastější chroncké onemocnění

Více

ADDS cvičení 7. Pavlína Kuráňová

ADDS cvičení 7. Pavlína Kuráňová ADDS cvičení 7 Pavlína Kuráňová Analyzujte závislost věku obyvatel na místě kde nejčastěji tráví dovolenou. (dotazník dovolená, sloupce Jaký je Váš věk a Kde nejčastěji trávíte dovolenou) Analyzujte závislost

Více

Národní informační středisko pro podporu kvality

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

Více

Vysoká škola ekonomická v Praze Fakulta financí a účetnictví BAKALÁŘSKÁ PRÁCE. 2010 Michal Dvořák

Vysoká škola ekonomická v Praze Fakulta financí a účetnictví BAKALÁŘSKÁ PRÁCE. 2010 Michal Dvořák Vysoká škola ekonomcká v Praze Fakulta fnancí a účetnctví BAKALÁŘSKÁ PRÁCE 2010 Mchal Dvořák Vysoká škola ekonomcká v Praze Fakulta fnancí a účetnctví Katedra veřejných fnancí Studjní obor: Fnance Analýza

Více

Míra přerozdělování příjmů v ČR

Míra přerozdělování příjmů v ČR Míra přerozdělování příjmů v ČR Luboš Marek, Michal Vrabec Anotace V tomto článku počítají autoři hodnoty Giniho indexu v České republice. Tento index je spočítán nejprve za celou ČR, poté pro skupinu

Více

Průzkumová analýza dat

Průzkumová analýza dat Průzkumová analýza dat Proč zkoumat data? Základ průzkumové analýzy dat položil John Tukey ve svém díle Exploratory Data Analysis (odtud zkratka EDA). Často se stává, že data, se kterými pracujeme, se

Více

Univerzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.

Univerzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc. Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré

Více

Malé statistické repetitorium Verze s řešením

Malé statistické repetitorium Verze s řešením Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční

Více

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

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

Více

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická

Více

Měření solventnosti pojistitelů neživotního pojištění metodou míry solventnosti a metodou rizikově váženého kapitálu

Měření solventnosti pojistitelů neživotního pojištění metodou míry solventnosti a metodou rizikově váženého kapitálu Měření solventnost pojsttelů nežvotního pojštění metodou míry solventnost a metodou rzkově váženého kaptálu Martna Borovcová 1 Abstrakt Příspěvek je zaměřen na metodku vykazování solventnost. Solventnost

Více

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové. Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný

Více

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1

Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 Statistická analýza dat podzemních vod. Statistical analysis of ground water data. Vladimír Sosna 1 1 ČHMÚ, OPZV, Na Šabatce 17, 143 06 Praha 4 - Komořany sosna@chmi.cz, tel. 377 256 617 Abstrakt: Referát

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

Pravděpodobnostní rozdělení v MS Excel

Pravděpodobnostní rozdělení v MS Excel Pravděpodobnostní rozdělení v MS Excel Luboš Marek Vysoká škola ekonomická v Praze, Praha Konzultace 1 Úvod Mezi statistickou obcí se často diskutuje, který statistický program je nejlepší, přičemž se

Více

Testy pro porovnání vlastností dvou skupin

Testy pro porovnání vlastností dvou skupin Testy pro porovnání vlastností dvou skupin Petr Pošík Části dokumentu jsou převzaty (i doslovně) z Mirko Navara: Pravděpodobnost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_print.pdf

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

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

StatSoft Jak poznat vliv faktorů vizuálně

StatSoft Jak poznat vliv faktorů vizuálně StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení

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

Užití swapových sazeb pro stanovení diskontní míry se zřetelem na Českou republiku

Užití swapových sazeb pro stanovení diskontní míry se zřetelem na Českou republiku M. Dvořák: Užtí swapových sazeb pro stanovení dskontní míry Užtí swapových sazeb pro stanovení dskontní míry se zřetelem na Českou republku Mchal Dvořák * 1 Úvod Korektní určení bezrzkových výnosových

Více

Matematika stavebního spoření

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

Více

Softwarová podpora matematických metod v ekonomice a řízení

Softwarová podpora matematických metod v ekonomice a řízení Softwarová podpora matematckých metod v ekonomce a řízení Petr Sed a Opava 2013 Hrazeno z prostředků proektu OPVK CZ.1.07/2.2.00/15.0174 Inovace bakalářských studních oborů se zaměřením na spoluprác s

Více

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

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

Více

IV. CVIENÍ ZE STATISTIKY

IV. CVIENÍ ZE STATISTIKY IV. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data kvantitativní povahy. K tomuto budeme opt používat program Excel 2007 MS Office. 1. Jak mžeme analyzovat kvantitativní

Více