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

Rozměr: px
Začít zobrazení ze stránky:

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

Transkript

1 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 3.. Funkce náhodné veln V mnoha pípadech, k známe rozdlení náhodné veln, potebujeme urt rozdlení náhodné veln Y, která je funkcí, tzn. Y h(). Je-l funkce h(x) v oboru možných hodnot veln monotónní, pak exstuje nverzní funkce h (), a jde o vzájemn jednoznaný vztah mez a Y. Je-l v takovém pípad h(x) rostoucí, pak pro všechna x > x je >, a dstrbuní funkc veln Y lze psát jako: G() P(Y < ) P[ < h ()] F[h ()] Pro klesající funkc h(x), tzn. pro všechna x > x platí >, je dstrbuní funkce: G() P(Y < ) P[ > h ()] F[h ()] Pro dskrétní náhodnou velnu je pravdpodobnostní funkce dána jako: p Y ( ) p h ( ) Je-l spojtá náhodná velna s hustotou pravdpodobnost f(x), pemž h - () má pro všechna spojtou dervac, pak pro rostoucí funkc h(x) dostaneme hustotu pravdpodobnost () veln Y jako: Podobn pro klesající funkc h(x) dostaneme: dg f ( h ) f ( h ) 6

2 dg f ( h ) f ( h ) Vzhledem k tomu, že v pípad rostoucí funkce h(x) je > 0, zatímco v pípad klesající funkce je < 0, lze oba pedchozí vztah spojt do jednoho: dg f ( h ) f ( h ) Není-l h(x) monotónní funkcí, pak mez a Y neexstuje vzájemn jednoznaný vztah a te an nverzní funkce k h(x). Dstrbuní funkce G() P(Y < ) je v takovém pípad dána pravdpodobností, že náhodná velna nabude hodnot z kteréhokolv ntervalu, pro který Y <. Pak platí: Pro dskrétní náhodnou velnu : G p : h( x ) Pro spojtou náhodnou velnu : G f ( x) h ( x ) Pro pípad dskrétní náhodné veln je pravdpodobnostní funkce vztahem: p p x Y : h( x ) py veln Y dána Nech exstuje konený poet dervace 0 x takových, že ( x ) h. Nech pro každé x exstuje. Pak exstuje hustota pravdpodobnost náhodné veln Y: f ( x ) : h ( x ) x x ešený píklad Nech velna má rovnomrné rozdlení v ntervalu rozdlení má velna t x? ;. Jaké 7

3 f h Hustota pravdpodobnost rovnomrného rozdlení: f ( x) ( x) t x h x arct h d ( arct ) + + Hustota pravdpodobnost veln Y je te: f h ( + ), R Uvedené rozdlení se nazývá Cauchho. Je píkladem rozdlení, které nemá konený rozptl: DY ( + ) ( + ) ( + ) [ ] + ešený píklad Nech velna má normální rozdlení N(0;). Jaké rozdlení má velna x? Pro nezáporná exstuje nverzní funkce h : x ±. x ± Pak hustota pravdpodobnost nezáporné náhodné veln Y je: 0 : ) f ( ± ) ( + ( ) f f e + e ( e 8

4 Jde o hustotu rozdlení χ s jedním stupnm volnost. 3.. Pblžné stanovení charakterstk funkce náhodné veln V prax je nk k dspozc pouze jedná zmená hodnota veln (oad její stední hodnot) a smrodatná odchlka mení σ (daná napíklad udanou chbou mícího pístroje). Pokud je varaní koefcent mnohem menší než jedna oadnout charakterstk veln h(x). Pedpokládejme, že náhodná velna je spojtá. Stední hodnotu náhodné veln Y oadneme na základ vztahu: σ <<<, lze pblžn µ EY h h ( E ) h E + D ( x) f ( x) h( E ) + h ( E ) ( x E ) h( E ) h + ( E ) x E + f ( x ) Rozptl DY lze pak vjádt pblžn z lneárního lenu Talorova rozvoje: DY ( h( x) EY ) f ( x) ( h( x) h( E )) f ( x) D x E Otázk 3.. Nech Yh(). h(x) je monotónní funkce. Naleznte vztah mez hustotou pravdpodobnost náhodné veln Y a hustotou pravdpodobnost náhodné veln. Úloh k ešení 3.. F je dstrbuní funkce náhodné veln, je spojtá a rostoucí. Náhodná velna Y je defnována vztahem: Y F. Urete rozdlení náhodné veln Y (hustotu pravdpodobnost).. Náhodná velna má rovnomrné rozdlení na ntervalu 0 ; 3. Urete rozdlení náhodné veln Y, Y+. 3. Náhodná velna má normální rozdlení N ( µ;σ ) Y, Y e.. Urete rozdlení náhodné veln 9

5 λx 4. Náhodná velna má hustotu pravdpodobnost: náhodné veln Y, Y ln. f x λ e. Urete rozdlení 30

Pravdpodobnost výskytu náhodné veliiny na njakém intervalu urujeme na základ tchto vztah: f(x)

Pravdpodobnost výskytu náhodné veliiny na njakém intervalu urujeme na základ tchto vztah: f(x) NÁHODNÁ VELIINA Náhodná veliina je veliina, jejíž hodnota je jednoznan urena výsledkem náhodného pokusu (je-li tento výsledek dán reálným íslem). Jde o reálnou funkci definovanou na základním prostoru

Více

Téma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny

Téma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny 0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí

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

Čísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)

Čísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...) . NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou

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

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud

Více

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu 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

Více

ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN

ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší

Více

Kapitola 2 - Testování hypotéz. Testy dobré shody

Kapitola 2 - Testování hypotéz. Testy dobré shody Kaptola - Testování hypotéz. Testy dobré shody Dva základní statstcké postupy jsou odhad parametr a testování hypotéz. V mnulé kaptole jsme s ukázal, jak odhadujeme charakterstky základního souboru, v

Více

VII. Limita a spojitost funkce

VII. Limita a spojitost funkce VII. Limita a spojitost funkce VII.1. Limita funkce Úvodní poznámky: Limita funkce f v bodě c R hodnota a R, k níž se přibližují hodnoty f(x), jestliže x se blíží k hodnotě c; funkce f nemusí být definovaná

Více

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční

Více

REGRESNÍ ANALÝZA. 13. cvičení

REGRESNÍ ANALÝZA. 13. cvičení REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká

Více

Lineární algebra Petriho sítí

Lineární algebra Petriho sítí ) Notace Lineární algebra Petriho sítí Definice: Neznaená PN je taková tveice Q = P Pre Post kde P = {P P n } je množina míst (konená nenulová) = { m } je množina pechod (konená nenulová) Pre: P {} vstupní

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,

Více

MATEMATIKA III V PŘÍKLADECH

MATEMATIKA III V PŘÍKLADECH VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

= 2x + y, = 2y + x 3. 2x + y = 0, x + 2y = 3,

= 2x + y, = 2y + x 3. 2x + y = 0, x + 2y = 3, V. Lokální extrémy. Příklad 1: Určete lokální extrémy zadané funkce. 1. f(x, y) = x 2 + y 2 + xy 3y 2. Definičním oborem funkce je množina Df = R 2 a funkce f má spojité parciální = 2x + y, = 2y + x 3.

Více

Definice spojité náhodné veličiny zjednodušená verze

Definice spojité náhodné veličiny zjednodušená verze Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f

Více

2 ELEMENTÁRNÍ POET PRAVDPODOBNOSTI. as ke studiu kapitoly: 70 minut. Cíl: Po prostudování této kapitoly budete umt

2 ELEMENTÁRNÍ POET PRAVDPODOBNOSTI. as ke studiu kapitoly: 70 minut. Cíl: Po prostudování této kapitoly budete umt 2 ELEMENTÁRNÍ OET RAVDODOBNOSTI as ke studiu kapitoly: 70 minut Cíl: o prostudování této kapitoly budete umt charakterizovat teorii pravdpodobnosti a matematickou statistiku vysvtlit základní pojmy teorie

Více

Á É Č ď ý ý Č Ť ž ý ý ť žž Ž ý ú ž š ý ž ž ž š š š ý Š ť ý ý š ž ž ý ž ž Ň ý ž ť ť ú ž ý š ž š ž ž š ž š ž ý ý šť ý Ý Ú ň ý ý Ý ž ý ý ť ý ž ý ý ž ý ď ý ý š ý ž ú ú ď ý ž š ž ý ž ť ý ý ý ý ý Á ý ď ž š ž

Více

9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese

9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování

Více

GYMNÁZIUM CHEB. SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh. Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 2006 Petr NEJTEK, 8.

GYMNÁZIUM CHEB. SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh. Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 2006 Petr NEJTEK, 8. GYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 006 Petr NEJTEK, 8.A Prohlášení Prohlašujeme, že jsme seminární práci na téma: Grafy funkcí

Více

SIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10

SIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10 SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním

Více

SPOLEHLIVOST KONSTRUKCÍ

SPOLEHLIVOST KONSTRUKCÍ VYSOKÉ UENÍ TECHNICKÉ V BRN FAKULTA STAVEBNÍ Prof. Ing. DRAHOMÍR NOVÁK, DrSc. SPOLEHLIVOST KONSTRUKCÍ MODUL P01 PRVODCE PEDMTEM CD04, CD06 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA

Více

Funkce s absolutní hodnotou, funkce exponenciální a funkce logaritmická

Funkce s absolutní hodnotou, funkce exponenciální a funkce logaritmická Variace 1 Funkce s absolutní hodnotou, funkce exponenciální a funkce logaritmická Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu

Více

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)

n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y) 5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =

Více

PRVKY KOVOVÝCH KONSTRUKCÍ

PRVKY KOVOVÝCH KONSTRUKCÍ VYSOKÉ UEÍ TECHICKÉ V BR FAKULTA STAVEBÍ PROF. IG. JIDICH MELCHER, DrSc. DOC. IG. MIROSLAV BAJER, CSc. PRVKY KOVOVÝCH KOSTRUKCÍ MODUL BO02-M07 AVRHOVÁÍ OCELOVÝCH KOSTRUKCÍ A MEZÍ STAV ÚAVY STUDIJÍ OPORY

Více

dq T dq ds = definice entropie T Entropie Pi pohledu na Clausiv integrál pro vratné cykly :

dq T dq ds = definice entropie T Entropie Pi pohledu na Clausiv integrál pro vratné cykly : Entropie Pi pohledu na Clausiv integrál pro vratné cykly : si díve i pozdji jist uvdomíme, že nulová hodnota integrálu njaké veliiny pi kruhovém termodynamickém procesu je základním znakem toho, že se

Více

1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST

1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST 1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST Kombinatorické pravidlo o souinu Poet všech uspoádaných k-tic, jejichž první len lze vybrat n 1 zpsoby, druhý len po výbru prvního lenu n 2 zpsoby atd. až k-tý

Více

0.1 Úvod do matematické analýzy

0.1 Úvod do matematické analýzy Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Pojem funkce Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost

Více

1 Posloupnosti a řady.

1 Posloupnosti a řady. 1 Posloupnosti a řady. 1.1 Posloupnosti reálných čísel. Definice 1.1: Posloupností reálných čísel nazýváme zobrazení f množiny N všech přirozených čísel do množiny R všech reálných čísel. Pokud nemůže

Více

AVDAT Náhodný vektor, mnohorozměrné rozdělení

AVDAT Náhodný vektor, mnohorozměrné rozdělení AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární

Více

3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina

3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina 3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních

Více

1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2.

1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2. . Spektrální rozklad samoadjungovaných operátorů.. Motvace Vlastní čísla a vlastní vektory symetrcké matce A = A λe = λ λ = λ 3λ + = λ 3+ λ 3 Vlastní čísla jsou λ = 3+, λ = 3. Pro tato vlastní čísla nalezneme

Více

R O V N O B Ž N Í K (2 HODINY)

R O V N O B Ž N Í K (2 HODINY) R O V N O B Ž N Í K (2 HODINY)? Co to vlastn rovnobžník je? Na obrázku je dopravní znaka, která íká, že vzdálenost k železninímu pejezdu je 1 m (dva pruhy, jeden pruh pedstavuje vzdálenost 80 m): Pozorn

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

Návod k obsluze a montáži

Návod k obsluze a montáži Návod k obsluze a montáži Trojfázové relé pro monitorování napájení sít, ada CM Pokyn: tento návod k obsluze a montáži neobsahuje všechny podrobné informace ke všem typm této výrobkové ady a nebere v úvahu

Více

Matematika IV, Numerické metody

Matematika IV, Numerické metody Interaktvní sbírka příkladů pro předmět Matematka IV, Numercké metody Josef Dalík, Veronka Chrastnová, Oto Přbyl, Hana Šafářová, Pavel Špaček Vysoké učení techncké v Brně, Fakulta stavební Ústav matematky

Více

Jednoduché cykly 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45.

Jednoduché cykly 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. Jednoduché cykly Tento oddíl obsahuje úlohy na první procvičení práce s cykly. Při řešení každé ze zde uvedených úloh stačí použít vedle podmíněných příkazů jen jediný cyklus. Nepotřebujeme používat ani

Více

Jednotlivé mezivýsledky, získané v prbhu analýzy rozptylu, jsou prbžn a systematicky zaznamenávány v tabulce ANOVA. Prmrný tverec. volnosti SS B.

Jednotlivé mezivýsledky, získané v prbhu analýzy rozptylu, jsou prbžn a systematicky zaznamenávány v tabulce ANOVA. Prmrný tverec. volnosti SS B. Ing. Martna Ltschmannová Statsta I., cvení ANOVA Rozšíením dvouvýbrových test pro stední hodnoty je analýza rozptylu nebol ANOVA, terá umožuje srovnávat nol stedních hodnot nezávslých náhodných výbr. Analýza

Více

MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD

MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD XV. konference absolventů studa technckého znalectví s meznárodní účastí MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD Zdeněk Mrázek 1 1. Ř ešení stř etu u fngovaných

Více

EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH

EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH ÚLOHY ŘEŠITELNÉ BEZ VĚTY O MULTIPLIKÁTORECH Nalezněte absolutní extrémy funkce f na množině M. 1. f(x y) = x + y; M = {x y R 2 ; x 2 + y 2 1} 2. f(x y) = e x ; M = {x y R

Více

III. CVIENÍ ZE STATISTIKY

III. CVIENÍ ZE STATISTIKY III. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data pomocí chí-kvadrát testu, korelaní a regresní analýzy. K tomuto budeme používat program Excel 2007 MS Office,

Více

č č ň Ž ť ň Ž č Í č Ž Í č Í ň č ň Ž č č Ď ň Í Š č ň č Ž ň ň ň ň ň č Ž č ť Ů č ň ň č Í č ň Ó č č ň č Í č č ň Ď ň č č ň ň Í č č č Ž Ž č Ž Ž ň Ž ň ň Ó č ň ň Ž č č č ň ď Ž ň Íč ť č Ů Ž č č č Í ň Í ň č č ň

Více

Název školy. Moravské gymnázium Brno s.r.o. Mgr. Marie Chadimová Mgr. Věra Jeřábková. Autor. Matematika. Funkce. Vlastnosti funkce. Text a příklady.

Název školy. Moravské gymnázium Brno s.r.o. Mgr. Marie Chadimová Mgr. Věra Jeřábková. Autor. Matematika. Funkce. Vlastnosti funkce. Text a příklady. Číslo projektu CZ.1.07/1.5.00/34.0743 Název škol Moravské gmnázium Brno s.r.o. Autor Tematická oblast Mgr. Marie Chadimová Mgr. Věra Jeřábková Matematika. Funkce. Vlastnosti funkce. Tet a příklad. Ročník.

Více

13) 1. Číselné obory 1. 1, 3

13) 1. Číselné obory 1. 1, 3 1. Číselné obory 1. 0 1 4 3 4 5 6 1 7 6 2. 1 3 0 1 2 3 4 3. 4; 4. C; 5. C; 6. E; 7. A) 104/25; B) 118/21; C) 18/5; 8. 200; 9. 1,056 10 11 ; 10. 2,3472 10 26 ; 11. A) {1; 2; 3; 4; 5; 6}; B) {-7; -6; -5;

Více

Matematická analýza pro informatiky I.

Matematická analýza pro informatiky I. Matematická analýza pro informatiky I. 2. přednáška Jan Tomeček tomecek@inf.upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 17. února 2010 Jan Tomeček, tomecek@inf.upol.cz

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

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.

jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina. Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment

Více

dx se nazývá diferenciál funkce f ( x )

dx se nazývá diferenciál funkce f ( x ) 6 Výklad Definice 6 Nechť je 0 vnitřním bodem definičního oboru D f funkce f ( ) Funkce proměnné d = 0 definovaná vztahem df ( 0) = f ( 0) d se nazývá diferenciál funkce f ( ) v bodě 0, jestliže platí

Více

Efektivní hodnota proudu a nap tí

Efektivní hodnota proudu a nap tí Peter Žilavý: Efektivní hodnota proudu a naptí Efektivní hodnota proudu a naptí Peter Žilavý Katedra didaktiky fyziky MFF K Praha Abstrakt Píspvek experimentáln objasuje pojem efektivní hodnota stídavého

Více

I. D i s k r é t n í r o z d ě l e n í

I. D i s k r é t n í r o z d ě l e n í 6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme

Více

p(x) = P (X = x), x R,

p(x) = P (X = x), x R, 6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme

Více

Návod k obsluze. Hoval CZ s.r.o. Republikánská 45 31204 Plzeň tel/fax: (+420) 377 261 002, (+420) 377 266 023 info@hoval.cz www.hoval.

Návod k obsluze. Hoval CZ s.r.o. Republikánská 45 31204 Plzeň tel/fax: (+420) 377 261 002, (+420) 377 266 023 info@hoval.cz www.hoval. CZ Návod k obsluze Kotel pro spalování oleje Uno-3 / Mega-3 / Max-3 / Cosmo / ST-plus Kotel pro spalování plynu CompactGas (1000-2800) / Cosmo alufer / ST-plus alufer Hoval CZ s.r.o. Republkánská 45 31204

Více

y = 0, ,19716x.

y = 0, ,19716x. Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému

Více

Zápočtová písemka z Matematiky III (BA04) skupina A

Zápočtová písemka z Matematiky III (BA04) skupina A skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost

Více

ÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.

ÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd. ROZDĚLENÍ NV ÚVOD Velké skupiny náhodných pokusů vykazují stejné pravděpodobnostní chování Mince panna/orel Výška mužů/žen NV mohou být spojeny s určitým pravděpodobnostním rozdělení (již známe jeho hustotu

Více

Očekávaný výstup Pracovní list se skládá ze dvou částí teoretické, kde si žák připomene vlastnosti funkcí a praktické, kde tyto funkce určuje.

Očekávaný výstup Pracovní list se skládá ze dvou částí teoretické, kde si žák připomene vlastnosti funkcí a praktické, kde tyto funkce určuje. Číslo projektu Škola Autor Číslo materiálu Název Téma hodiny Předmět Ročník/y/ Anotace CZ.1.07/1.5.00/34.0394 Střední odborná škola a Střední odborné učiliště, Hustopeče, Masarykovo nám. 1 Mgr. Renata

Více

LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická

LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická Stední prmyslová škola elektrotechnická a Vyšší odborná škola, Pardubice, Karla IV. 13 LABORATORNÍ VIENÍ Stední prmyslová škola elektrotechnická Píjmení: Hladna íslo úlohy: 14 Jméno: Jan Datum mení: 14.

Více

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1. 2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:

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

5. Odhady parametrů. KGG/STG Zimní semestr

5. Odhady parametrů. KGG/STG Zimní semestr Základní soubor Výběr, výběrový (statistický) soubor Náhodný výběr Princip Odhad neznámých parametrů základního souboru na základz kladě charakteristik výběru. Přecházíme z části na celek, zevšeobec eobecňujeme

Více

ijímací ízení ve šk. roce 2012/2013.

ijímací ízení ve šk. roce 2012/2013. Stední škola technická a obchodní, Olomouc, Kosinova 4 Kosinova 4, 772 00 Olomouc,tel.: 585 220 663, fax: 585 223 576, ssto@kosinka.com ijímací ízení ve šk. roce 2012/2013. Pro školní rok 2013/2014 budeme

Více

2 Odvození pomocí rovnováhy sil

2 Odvození pomocí rovnováhy sil Řetězovka Abstrakt: Ukážeme si, že řetěz pověšený mezi dvěma body v homogenním gravitačním poli se prohne ve tvaru grafu funkce hyperbolický kosinus. Odvození provedeme dvojím způsobem: pomocí rovnováhy

Více

podle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y

podle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y 4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.

Více

Zobrazení, funkce, vlastnosti funkcí

Zobrazení, funkce, vlastnosti funkcí Projekt ŠABLONY na GVM registrační číslo projektu: CZ..07/.5.00/34.0948 IV- Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol Zobrazení, funkce, vlastnosti funkcí

Více

Ý ý Č ž ý ž ů ď ý ů ů Ýú ž ž ý ž ý ů ý Š ž Ř ý Š ý ý ý ů ý ů ý ž ý ž Ř Š Š ý ž ý ý Š ý ú ý ů ý ž ý Š ý ý ý ý ů ž ý ú ý ůž ň ůž Š ů Č ž ý ž ý ů ů ý ž ž ý ů ý Ů ý ů ý Ů ý ů ů ý ů ů ú ž Ž Š Č ú ýž ý ž ý ý

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

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

Žš ž ň ž Ž Š Š š š šť š š ž ž ů ž ž ý ý š š Č Ú ů š ů š š Ž Ž š Č ů ý ý š ý Š ž ý ň Č š ý Ž Č ý š ž š Č Č ý ý ý š ý ů š ý Č É Č š Č ý ý š ýň š Č ý ý š ý ó ň š š ýň š Č ý ý ý ý š š Č ý ž š ň š ý ů ý š š

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

2. Posouzení efektivnosti investice do malé vtrné elektrárny

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

Více

8. STATISTICKÝ SOUBOR SE DVĚMA ARGUMENTY

8. STATISTICKÝ SOUBOR SE DVĚMA ARGUMENTY 8. STATISTICKÝ SOUBOR SE DVĚMA ARGUMETY Stattcký oubor e dvěma argument Průvodce tudem Vužeme znalotí z předchozí kaptol, která poednávala o tattckém ouboru edním argumentem a rozšíříme e. Předpokládané

Více

REÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ

REÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ REÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ 5 přednáška S funkcemi se setkáváme na každém kroku ve všech přírodních vědách ale i v každodenním životě Každá situace kdy jsou nějaký jev nebo veličina jednoznačně určeny

Více

CM-TCS.11, CM-TCS.12, TM-TCS.13 CM-TCS.21, CM-TCS.22, TM-TCS.23. Návod k obsluze a montáži. Teplotní monitorovací relé ady CM

CM-TCS.11, CM-TCS.12, TM-TCS.13 CM-TCS.21, CM-TCS.22, TM-TCS.23. Návod k obsluze a montáži. Teplotní monitorovací relé ady CM CM-TCS.11, CM-TCS.12, TM-TCS.13 CM-TCS.21, CM-TCS.22, TM-TCS.23 Návod k obsluze a montáži Teplotní monitorovací relé ady CM Pokyn: tento návod k obsluze a montáži neobsahuje všechny podrobné informace

Více

Matematika 1 pro PEF PaE

Matematika 1 pro PEF PaE Reálné funkce 1 / 21 Matematika 1 pro PEF PaE 1. Reálné funkce Přemysl Jedlička Katedra matematiky, TF ČZU funkce Reálné funkce Základní pojmy 2 / 21 Zobrazení z množiny A do množiny B je množina f uspořádaných

Více

Regrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA

Regrese. používáme tehdy, jestliže je vysvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA Regrese používáme tehd, jestliže je vsvětlující proměnná kontinuální pokud je kategoriální, jde o ANOVA Specifikace modelu = a + bx a závisle proměnná b x vsvětlující proměnná Cíl analýz Odhadnout hodnot

Více

3.3. EXPONENCIÁLNÍ A LOGARITMICKÁ ROVNICE A NEROVNICE

3.3. EXPONENCIÁLNÍ A LOGARITMICKÁ ROVNICE A NEROVNICE 3.3. EXPONENCIÁLNÍ A LOGARITMICKÁ ROVNICE A NEROVNICE V této kapitole se dozvíte: jak je definována eponenciální a logaritmická rovnice a nerovnice a jaká je základní strategie jejich řešení. Klíčová slova

Více

Logaritmické a exponenciální funkce

Logaritmické a exponenciální funkce Kapitola 4 Logaritmické a exponenciální funkce V této kapitole se budeme zabývat exponenciálními a logaritmickými funkcemi. Uvedeme si definice vlastnosti a vztah mezi nimi. 4.1 Exponenciální funkce Exponenciální

Více

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)

Lékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.) Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik

Více

TEST 1 (40 bodů) (9 4)! 2. Nejméně kolikrát musíme hodit kostkou, abychom měli alespoň 80% pravděpodobnost, že padne alespoň jedna šestka?

TEST 1 (40 bodů) (9 4)! 2. Nejméně kolikrát musíme hodit kostkou, abychom měli alespoň 80% pravděpodobnost, že padne alespoň jedna šestka? TEST (40 bodů) Jméno:. Pin karty se skládá ze čtyř náhodně vybraných číslic až 9, z nichž se žádné neopakuje. Jaká je pravděpodobnost, že všechny čtyři číslice budou liché? podíl všech možností,jak vybrat

Více

Simulační metody hromadné obsluhy

Simulační metody hromadné obsluhy Smulační metody hromadné osluhy Systém m a model vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělt fyzckou neo myšlenkovou hrancí Model Zjednodušený, astraktní nástroj používaný pro

Více

x (D(f) D(g)) : (f + g)(x) = f(x) + g(x), (2) rozdíl funkcí f g znamená: x (D(f) D(g)) : (f g)(x) = f(x) g(x), (3) součin funkcí f.

x (D(f) D(g)) : (f + g)(x) = f(x) + g(x), (2) rozdíl funkcí f g znamená: x (D(f) D(g)) : (f g)(x) = f(x) g(x), (3) součin funkcí f. 1. Funkce Deinice 1.1. Zobrazení nazýváme reálná unkce, jestliže H() R. Další speciikaci můžeme provést podle deiničního oboru zobrazení. Deinice 1.2. Reálná unkce se nazývá (1) unkce jedné reálné proměnné,

Více

Diferenciální počet funkcí více proměnných

Diferenciální počet funkcí více proměnných Vysoké učení technické v Brně Fakulta strojního inženýrství Diferenciální počet funkcí více proměnných Doc RNDr Miroslav Doupovec, CSc Neřešené příklady Matematika II OBSAH Obsah I Diferenciální počet

Více

8 Strojové uení a adaptace

8 Strojové uení a adaptace 8 Strojové uení a adaptace Dležitou vlastností živých organism je schopnost pizpsobovat se mnícím se podmínkám (adaptovat se), eventuáln se uit na základ vlastních zkušeností. Schopnost uit se bývá nkdy

Více

NEWTONOVY POHYBOVÉ ZÁKONY

NEWTONOVY POHYBOVÉ ZÁKONY NEWTONOVY POHYBOVÉ ZÁKONY Metodika Mgr. Michal Schovánek kvten 2010 Newtonovy pohybové zákony patí mezi nejobtížnjší kapitoly stedoškolské mechaniky. Popisované situace jsou sice jednoduše demonstrovatelné,

Více

CZ.1.07/1.5.00/

CZ.1.07/1.5.00/ Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice

Více

7. Funkce jedné reálné proměnné, základní pojmy

7. Funkce jedné reálné proměnné, základní pojmy Moderní technologie ve studiu aplikované fyziky CZ.1.07/..00/07.0018 7. Funkce jedné reálné proměnné, základní pojmy V této chvíli jsme již ve výkladu přikročili ke kapitole, kterou můžeme považovat za

Více

Vypracoval: Mgr. Lukáš Bičík TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY

Vypracoval: Mgr. Lukáš Bičík TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY Vlastnosti funkcí Vypracoval: Mgr. Lukáš Bičík TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY Definiční obor Definiční obor funkce je množina všech čísel,

Více

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost

Více

L I C H O B Ž N Í K (2 HODINY) ? Co to vlastn lichobžník je? Podívej se napíklad na následující obrázky:

L I C H O B Ž N Í K (2 HODINY) ? Co to vlastn lichobžník je? Podívej se napíklad na následující obrázky: L I C H O B Ž N Í K (2 HODINY)? Co to vlastn lichobžník je? Podívej se napíklad na následující obrázky: Na obrázcích je vyobrazena hospodáská budova a židlika, kterou urit mají tvoji rodie na chodb nebo

Více

Organizace. Zápočet: test týden semestru (pátek) bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část

Organizace. Zápočet: test týden semestru (pátek) bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část Matematika I 1/15 2/15 Organizace Zápočet: test 6. + 11. týden semestru (pátek) 80 bodů 50 79 bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část www.vscht.cz/mat Výuka www.vscht.cz/mat/jana.nemcova

Více

Reálné posloupnosti 1. Reálné posloupnosti

Reálné posloupnosti 1. Reálné posloupnosti Reálné posloupnosti Reálné posloupnosti Intervaly otevřený interval (a, b) = {x R, a < x < b}; polouzavřený interval (a, b = {x R, a < x b}; uzavřený interval a, b = {x R, a x b}; otevřený neomezený interval

Více

AVDAT Nelineární regresní model

AVDAT Nelineární regresní model AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných

Více

Metodické pokyny k pracovnímu listu č Rostoucí a klesající funkce

Metodické pokyny k pracovnímu listu č Rostoucí a klesající funkce Název projektu: Spokojená škola Číslo projektu: OPVK.CZ.1.07/1.2.33/02.0039 Metodické pokyny k pracovnímu listu č. 9.07 Rostoucí a klesající funkce Pracovní list je zaměřen především na rozlišení, kdy

Více

Univerzita Karlova v Praze Matematicko-fyzikální fakulta. Úvod do teorie pořádkových statistik. Katedra pravděpodobnosti a matematické statistiky

Univerzita Karlova v Praze Matematicko-fyzikální fakulta. Úvod do teorie pořádkových statistik. Katedra pravděpodobnosti a matematické statistiky Unverzta Karlova v Praze Matematcko-fyzkální fakulta BAKALÁŘSKÁ PRÁCE Antonín Hanuš Úvod do teore pořádkových statstk Katedra pravděpodobnost a matematcké statstky Vedoucí bakalářské práce: Studjní program:

Více

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na

pouze u některých typů rovnic a v tomto textu se jím nebudeme až na Matematika II 7.1. Zavedení diferenciálních rovnic Definice 7.1.1. Rovnice tvaru F(y (n), y (n 1),, y, y, x) = 0 se nazývá diferenciální rovnice n-tého řádu pro funkci y = y(x). Speciálně je F(y, y, x)

Více

1 Rozptyl a kovariance

1 Rozptyl a kovariance Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako

Více

Prostedky automatického ízení

Prostedky automatického ízení VŠB-TU Ostrava / Prostedky automatického ízení Úloha. Dvoupolohová regulace teploty Meno dne:.. Vypracoval: Petr Osadník Spolupracoval: Petr Ševík Zadání. Zapojte laboratorní úlohu dle schématu.. Zjistte

Více