Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny"

Transkript

1 Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Ing. Jana Šenkapoulová VODÁRENSKÁ AKCIOVÁ SPOLEČNOST, a.s. Brno, Soběšická 156, Brno ÚVOD Každé rekonstrukci vodovodu musí předcházet podrobná bilance ekonomických přínosů plánované investice, která je podložena optimálním návrhem řešení. Při tomto analytickém procesu se porovnávají náklady na obnovu infrastruktury ve vztahu k eliminaci rizika očekávané škody. Zpravidla není efektivní snaha o okamžité a maximální teoreticky možné snížení škod. Doporučuje se postupovat dle následujícího obecného algoritmu (maximální konvexe součtové křivky dává optimum): Stanovení optimální rekonstrukce finanční náklady Optimum riziko škody náklady na obnovu součtová křivka Zatímco odhad nákladů na obnovu infrastruktury je často rutinní záležitostí, obtížnější bývá stanovení rizika škod a jeho finanční numerace. Nejčastěji se v praxi vychází z prognózy poruchovosti infrastruktury a následně se předpokládanému počtu poruch přiřazuje jejich finanční ocenění. Poruchy na infrastruktuře jsou náhodné jevy, vyznačují se však některými vlastnostmi obecného charakteru, a proto při jejich prognóze lze s výhodou využít numerických metod založených na statistice a pravděpodobnostním počtu. Poruchy na vodovodních řadech zařazujeme mezi náhodné nespojité (diskrétní) veličiny, které nabývají spočetného počtu hodnot bez ohledu na to, je-li tento počet konečný nebo nekonečný. 1. Obecně pro nespojité náhodné veličiny Pravděpodobnost, že náhodná nespojitá veličina X nabude určité hodnoty x se zapisuje P(X=x) nebo častěji P(x). Všechny hodnoty definičního oboru Ω představují úplný systém neslučitelných jevů a součet pravděpodobností všech možných hodnot x se rovná: x Ω P ( x) = P ( x) = 1 Pravděpodobnosti jednotlivých hodnot x jsou funkcí těchto hodnot a tato funkce se nazývá pravděpodobnostní funkce (vyjádření tabulkou, grafem, vzorcem). Známe-li P(x), lze vypočítat pravděpodobnost, že náhodná veličina X nabude hodnoty rovné alespoň x k a nejvýše x r : P(x k) X x r ) = P ( x) x r x= x k x

2 Rozdělení náhodné veličiny se popisuje distribuční funkcí, která každému reálnému číslu přiřazuje pravděpodobnost, že náhodná veličina nabude hodnoty, která je menší než toto číslo. Distribuční funkce se značí F(x): F(x) = P(X<x). Pro nespojitou náhodnou veličinu X lze distribuční funkci např.zapisovat: F(x) = P ( t), t<x kde x je libovolné reálné číslo. Distribuční funkce má tyto vlastnosti: a.) F(x) 1 b.) distribuční funkce je neklesající c.) distribuční funkce je spojitá zleva d.) jestliže možné hodnoty náhodné veličiny jsou z intervalu <a,b), pak F(a) = a F(b) =1, obecně: F (- ) = a F( ) = 1 e.) P(x k) X x r ) = F(x r ) F(x k ) Rozdělení dvou nespojitých náhodných veličin X,Y je možné popsat sdruženou (simultánní) distribuční funkcí: F(x,y) = P (X<x Y<y). Některá nejčastěji užívaná rozdělení nespojitých náhodných veličin: alternativní (házení mincí), binomické (házení kostkou), Poissonovo (počet vad v ploše, objemu, v časovém úseku), geometrické (počet nezávislých pokusů do prvního úspěchu), negativní binomické (počet neúspěšných pokusů předcházejících n-tému úspěšnému pokusu), hypergeometrické (pro navzájem závislé opakované náhodné pokusy). 2. Poissonovo rozdělení náhodné veličiny (lze je aplikovat na poruchovost vodovodů) Definice: náhodná veličina X má Poissonovo rozdělení (je Poissonova náhodná proměnná) s parametrem λ, jestliže má pravděpodobnostní funkci x λ λ e pro x =,1, a kde λ > x! q(x) = { jinak Značíme X ~ Po( λ ) a platí: X ~ Po( λ ) E(X) = λ, D(X) = λ, kde E(X) je střední hodnota náhodné veličiny X a D(X) je rozptyl náhodné veličiny X Poznámka: a.) Rozdělení Po( λ ) má náhodná veličina X, která udává počet výskytů jevu A za časové období t, jestliže: jev A může nastat v libovolném okamžiku sledovaného časového období počet výskytů jevu A závisí pouze na délce tohoto časového období a ne na jeho počátku, ani na tom, kolikrát jev A nastoupil před jeho počátkem pravděpodobnost, že jev A nastoupí více než jednou v časovém období délky t konverguje k nule rychleji než t λ = k. t, kde k je průměrný počet výskytů jevu A za časovou jednotku a t je sledované časové období Místo časového období lze uvažovat např. i počet výskytů jevu A v určité ploše, objemu, hmotnosti, délce apod.

3 b.) Rozdělení Po( λ ) aproximuje rozdělení Bi (n,p). Je-li p <.1 a n >3, potom Bi (n,p) Po( λ ), kde λ = n. p c.) Je-li X ~ Po( λ ), pak pro modus x o náhodné veličiny X platí λ - 1 x o λ d.) Při nezávislosti více Poissonovských veličin X i ~ Po( λ i ) lze vyjádřit směs těchto rozložení: Y = α 1 X α n X n přičemž α 1, α 2,,α n (,1) a platí: α i = 1 3. Příklad aplikace Poissonova rozdělení na poruchovost vodovodních řadů: Zadání - požadavek na řešení: - v hodnocené lokalitě je zapotřebí zjistit: a.) kolik poruch na vodovodních řadech lze očekávat v hodnocené lokalitě maximálně ročně s 95 % pravděpodobností výskytu? b.) jaký roční počet poruch na vodovodních řadech je nejpravděpodobnější v hodnocené lokalitě? Oba požadavky je nutno vyhodnotit: - pro stávající stav, - pro výhled za 1 let bez provedení rekonstrukce, - pro výhled za 1 let s provedením rekonstrukce, která spočívá v obnově veškerého potrubí staršího 5 let Hodnocená lokalita je součástí skupinového vodovodu, ve kterém je provozně vyhodnocena následující stávající poruchovost vodovodních řadů v členění dle 3 kategorií stáří potrubí (jsou evidovány jen poruchy na potrubí,tj. bez armatur a objektů): Poruchovost vodovodního potrubí poruchovost potrubí,6,4,2 do 3O let od 3O do 5O let nad 5O let poruch / km / rok stáří potrubí Vodovodní řady jsou v hodnocené lokalitě provozně evidovány v členění dle stáří, délky a průměrné roční jednotkové poruchovosti viz. následující tabulka: Velké Meziříčí do 3O let od 3O do 5O let nad 5O let stávající počet poruch /km/rok,21,25,48 stávající stav výhled za 1 let bez rekonstr výhled za 1 let po rekonstr.* Pozn. - * je uvažována obnova všech řadů ve stáří nad 5 let

4 Rozdělení vodov. potrubí dle stáří délka potrubí (m) do 3O let od 3O do 5O let nad 5O let stávající stav výhled za 1 let bez rekonstr. výhled za 1 let po rekonstr.* kategorie stáří Postup řešení: Předpokládáme, že počet poruch za rok je náhodná nespojitá veličina. V dané lokalitě sledujeme 3 navzájem nezávislé kategorie veličin charakterizované odlišnou hodnotou stáří potrubí. Výchozí zadání splňuje všechny podmínky, které musí být splněny, aby bylo možno považovat rozdělení náhodné veličiny (t.j. v našem případě poruchy řadů) za vícerozměrné Poissonovo rozdělení. Předpokládáme tedy, že X i ~ Po( λ i ) kde i = 1,2,3..počet kategorií vodovodních řadů X i počet poruch v i-té kategorii stáří λ i...parametry Poissonova rozdělení, pro které platí: λ i = k i. t i, kde k je průměrný roční počet poruch na jednotkovou délku v dané kategorii a t je sledovaná délka vodovodních řadů v dané kategorii stáří. V našem případě tedy pro stávající stav:,21 λ 1 = = 5,9 X 1 ~ Po( 5,9 ) 1,25 λ 2 = = 4,73 X 2 ~ Po( 4,73 ) 1,48 λ 3 =. = X 3 ~ Po( ) 1 Analogicky se zpracovává výpočet pro další 2 varianty vztažené k výhledu za 1 let. Řešení je provedeno v tabulkové formě, pro usnadnění a automatizaci výpočtu byl vytvořen vlastní jednoduchý výpočtový program. Postupuje se dle vztahu pro pravděpodobnostní funkci q(x): x λ λ e pro x =,1, x! X ~ q(x) = { jinak

5 Výsledky řešení: Pravděpodobnosti poruch na hodnocených vodovod.řadech dle Poissonova rozdělení Počet Stávající stav Výhled za 1 let bez rekonstr. Výhl.za1 let po rek poruch Do 3 let 3-5 let Do 3 let 3-5 let nad 5 let Do 3 let 3-5 let,269,887,197,3894,235,78,3894 1,1593,4191,4952,12639,1423,556, ,4712,991,11171,2511,436,1991,2511 3,9295,15595,1683,22191,8688,4752, ,13752,18422,18955,187,13148,857,187 5,16276,1741,1716,11689,15917,12183, ,1653,13711,12864,6323,1659,1454,6323 7,13571,9255,8292,2932,13887,14873,2932 8,139,5467,4677,119,158,13313,119 9,661,287,2345,429,767,1592,429 1,396,1356,158,139,4278,7584,139 11,212,583,434,41,2354,4937,41 12,136,229,163,11,1188,2946,11 13,472,83,57,3,553,1623,3 14,199,28,18,1,239,83,1 15,79,9,5,,96,396, 16,29,3,2,,37,177, 17,1,1,,,13,75, 18,3,,,,4,3, 19,1,,,,1,11, 2,,,,,,4, Průměr: 5+4= 9 poruch Průměr: 4+3+6= 13 poruch Průměr: 7+3=1 poruch MAXIM: 1+9= 18 poruch MAXIM: 8+7+1= 25 poruch MAXIM: 11+7=17poruch Pro naše zadání vyhledáme ve výpočtové tabulce maximální počet poruch v dané kategorii, který odpovídá požadované pravděpodobnosti,95. Výsledný počet poruch získáme součtem zjištěného počtu poruch v každé kategorii. Průměrný počet poruch se zjistí z předpokladu nejčastějšího výskytu, názornější přehled je v grafické podobě: Pravděpodobnost počtu poruch - stávající stav pravděpodobnostní funkce q(x),2,15,1,5, do 2 do 4 do 6 do 8 do 1 do 12 do 14 do 16 do 18 do 2 Do 3 let Do 5 let Do 7 let počet poruch : průměrně 5+4=9 poruch /rok

6 Očekávaný průměrný počet poruch za 1 let bez provedení rekonstrukce řadů: Pravděpodobnost počtu poruch za 1 let - bez rekonstrukce pravděpodobnostní funkce q(x),25,2,15,1,5, Do 3 let Do 5 let Do 7 let do 2 do 4 do 6 do 8 do 1 do 12 do 14 do 16 do 18 do 2 počet poruch: průměrně 4+3+6=13 por./rok Očekávaný průměrný počet poruch za 1 let po provedení rekonstrukce řadů: Pravděpodobnost počtu poruch za 1 let - po rekonstrukci pravděpodobnostní funkce q(x),3,2,1, do 2 do 4 do 6 do 8 do 1 do 12 do 14 do 16 do 18 počet poruch: průměrně 7+3=1 poruch /rok do 2 Do 3 let Do 5 let Do 7 let Souhrnné výsledky řešení: Očekávaný počet poruch v hodnocené lokalitě za rok dle Poissonova rozdělení Velké Meziříčí maximum s pravděpodobn.95 % průměrný počet poruch stávající stav 18 poruch ročně 9 poruch ročně výhled za 1 let bez rekonstr. 25 poruch ročně 13poruch ročně výhled za 1 let po rekonstr.* 17 poruch ročně 1 poruch ročně Pozn. - * je uvažována obnova všech řadů ve stáří nad 5 let Z ÁV Ě R: Z provedené prognózy počtu poruch lze následně poměrně snadno vyčíslit odhad finančních nákladů a stanovit riziko škody (náklady na opravu poruch, průměrná cena uniklé vody, ). Využití této časově nenáročné analytické numerické metody poskytuje provozovatelům a vlastníkům infrastruktury užitečný podklad pro jejich strategické rozhodování v oblasti plánování obnovy. Efektivita této metody se projeví zejména u velkých firem provozujících vodovody v desítkách či stovkách obcí, mezi nimiž je třeba objektivně stanovit priority obnovy. Literatura: Koutková, Moll Úvod do pravděpodobnosti a matem.statistiky (VUT Brno, 21) Hebák, Kahounová Počet pravděpodobnosti v příkladech (SNTL Praha, 1988)

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

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

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

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

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

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

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

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

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

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

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

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

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

Více

Matematická analýza 1b. 9. Primitivní funkce

Matematická analýza 1b. 9. Primitivní funkce Matematická analýza 1b 9. Primitivní funkce 9.1 Základní vlastnosti Definice Necht funkce f je definována na neprázdném otevřeném intervalu I. Řekneme, že funkce F je primitivní funkce k f na I, jestliže

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

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

IES FSV UK. Domácí úkol Pravděpodobnost a statistika I. Cyklistův rok

IES FSV UK. Domácí úkol Pravděpodobnost a statistika I. Cyklistův rok IES FSV UK Domácí úkol Pravděpodobnost a statistika I Cyklistův rok Radovan Fišer rfiser@gmail.com XII.26 Úvod Jako statistický soubor jsem si vybral počet ujetých kilometrů za posledních 1 dnů v mé vlastní

Více

2. Numerické výpočty. 1. Numerická derivace funkce

2. Numerické výpočty. 1. Numerická derivace funkce 2. Numerické výpočty Excel je poměrně pohodlný nástroj na provádění různých numerických výpočtů. V příkladu si ukážeme možnosti výpočtu a zobrazení diferenciálních charakteristik analytické funkce, přičemž

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

Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008)

Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Normy ČSN a ČSN ISO z oblasti aplikované statistiky (stav aktualizovaný k 1.1.2008) Ing. Vratislav Horálek, DrSc., předseda TNK 4 při ČNI 1 Terminologické normy [1] ČSN ISO 3534-1:1994 Statistika Slovník

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

Manuál pro vodohospodářský model konsolidované FA/FEA pro projekty v PO1 - Zelená louka

Manuál pro vodohospodářský model konsolidované FA/FEA pro projekty v PO1 - Zelená louka Manuál pro vodohospodářský model konsolidované FA/FEA pro projekty v PO1 - Zelená louka Model verze 17.2 MINISTERSTVO ŽIVOTNÍHO PROSTŘEDÍ STÁTNÍ FOND ŽIVOTNÍHO PROSTŘEDÍ ČR www.opzp.cz, dotazy@sfzp.cz

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

otec 165 178 158 170 180 160 170 167 185 165 173 175 syn 162 184 163 170 189 165 177 170 187 176 171 183

otec 165 178 158 170 180 160 170 167 185 165 173 175 syn 162 184 163 170 189 165 177 170 187 176 171 183 Regresní analýza 1. Byla zjištěna výška otců a výška jejich nejstarších synů [v cm]. otec 165 178 158 170 180 160 170 167 185 165 173 175 syn 162 184 163 170 189 165 177 170 187 176 171 183 c) Odhadněte

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

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA Oblasti využití generátorů náhodných čísel Statistika Loterie Kryptografie (kryptologie) Simulace Simulační modely DETERMINISTICKÉ STOCHASTICKÉ (činnost systému

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

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

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY učební text Jan Famfulík Jana Míková Radek Krzyžanek Ostrava 2007 Recenze: Prof. Ing. Milan Lánský, DrSc. Název: Teorie údržby Autor: Ing.

Více

Obsah. 3 Testy 31 3.1 z test... 32 3.2 z test 2... 33 3.3 t test... 34 3.4 t test 2s... 35

Obsah. 3 Testy 31 3.1 z test... 32 3.2 z test 2... 33 3.3 t test... 34 3.4 t test 2s... 35 Obsah 1 Popisná statistika 4 1.1 bas stat........................................ 5 1.2 mean.......................................... 6 1.3 meansq........................................ 7 1.4 sumsq.........................................

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

Procesní řízení. Hlavní zásady a praxe dodavatele Komix

Procesní řízení. Hlavní zásady a praxe dodavatele Komix Procesní řízení Hlavní zásady a praxe dodavatele Komix 1 Obsah prezentace Teoretická část (menšího objemu) orientace na zákazníka hodnocení procesu podmínky procesního řízení cyklus zlepšování procesu

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

Písemná práce k modulu Statistika

Písemná práce k modulu Statistika The Nottingham Trent University B.I.B.S., a. s. Brno BA (Hons) in Business Management Písemná práce k modulu Statistika Číslo zadání: 144 Autor: Zdeněk Fekar Ročník: II., 2005/2006 1 Prohlašuji, že jsem

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

Úvod do mobilní robotiky NAIL028

Úvod do mobilní robotiky NAIL028 md at robotika.cz http://robotika.cz/guide/umor08/cs 11. listopadu 2008 1 2 PID Sledování cesty Modely kolových vozidel (1/5) Diferenční řízení tank b Encoder Motor Centerpoint Motor Encoder Modely kolových

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

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

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

Data v počítači. Informační data. Logické hodnoty. Znakové hodnoty

Data v počítači. Informační data. Logické hodnoty. Znakové hodnoty Data v počítači Informační data (elementární datové typy) Logické hodnoty Znaky Čísla v pevné řádové čárce (celá čísla) v pohyblivé (plovoucí) řád. čárce (reálná čísla) Povelová data (instrukce programu)

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

Funkce. Definiční obor a obor hodnot

Funkce. Definiční obor a obor hodnot Funkce Definiční obor a obor hodnot Opakování definice funkce Funkce je předpis, který každému číslu z definičního oboru, který je podmnožinou množiny všech reálných čísel R, přiřazuje právě jedno reálné

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

Funkce, které jsme až dosud probírali, se souhrnně nazývají elementární funkce. Elementární snad proto, že jsou takové hladké, žádný nečekaný zlom.

Funkce, které jsme až dosud probírali, se souhrnně nazývají elementární funkce. Elementární snad proto, že jsou takové hladké, žádný nečekaný zlom. @213 17. Speciální funkce Funkce, které jsme až dosud probírali, se souhrnně nazývají elementární funkce. Elementární snad proto, že jsou takové hladké, žádný nečekaný zlom. Nyní si řekneme něco o třech

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

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

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

Kvízové otázky Obecná ekonomie I. Teorie firmy

Kvízové otázky Obecná ekonomie I. Teorie firmy 1. Firmy působí: a) na trhu výrobních faktorů b) na trhu statků a služeb c) na žádném z těchto trhů d) na obou těchto trzích Kvízové otázky Obecná ekonomie I. Teorie firmy 2. Firma na trhu statků a služeb

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

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

Přednáška z MA. Michal Tuláček 16. prosince 2004. 1 IV.7 Průběhy funkce 3. 2 Vyšetřování průběhu funkce- KUCHAŘKA 4

Přednáška z MA. Michal Tuláček 16. prosince 2004. 1 IV.7 Průběhy funkce 3. 2 Vyšetřování průběhu funkce- KUCHAŘKA 4 Přednáška z MA Michal Tuláček 6. prosince 004 Obsah IV.7 Průběhy funkce 3 Vyšetřování průběhu funkce- KUCHAŘKA 4 3 Vzorový příklad na průběh funkce ze cvičení 4 4 Příkladynadobumezikapremahusou 7 Definice:

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

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

Matematická vsuvka I. trojčlenka. http://www.matematika.cz/

Matematická vsuvka I. trojčlenka. http://www.matematika.cz/ Matematická vsuvka I. trojčlenka http://www.matematika.cz/ Trojčlenka přímá úměra Pokud platí, že čím více tím více, jedná se o přímou úměru. Čím více kopáčů bude kopat, tím více toho vykopají. Čím déle

Více

č. účel patro m 2 148 administrativa 1NP 36,98 150 administrativa 1NP 33,53

č. účel patro m 2 148 administrativa 1NP 36,98 150 administrativa 1NP 33,53 č. účel patro m 2 148 administrativa 1NP 36,98 150 administrativa 1NP 33,53 1.50 1.48 2.21 č. účel patro m 2 221 administrativa 2NP 23,14 222 administrativa 2NP 17,89 223 administrativa 2NP 49,00 224 administrativa

Více

Derivační spektrofotometrie a rozklad absorpčního spektra

Derivační spektrofotometrie a rozklad absorpčního spektra Derivační spektrofotometrie a rozklad absorpčního spektra Teorie: Derivační spektrofotometrie, využívající derivace absorpční křivky, je obecně používanou metodou pro zvýraznění detailů průběhu záznamu,

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

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

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

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

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Milan Holický Kloknerův ústav ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady -

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

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

MODELOVÁNÍ. Základní pojmy. Obecný postup vytváření induktivních modelů. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10

MODELOVÁNÍ. Základní pojmy. Obecný postup vytváření induktivních modelů. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10 MODELOVÁNÍ základní pojmy a postupy principy vytváření deterministických matematických modelů vybrané základní vztahy používané při vytváření matematických modelů ukázkové příklady Základní pojmy matematický

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

Konkretizovaný výstup Konkretizované učivo Očekávané výstupy RVP. Zápis čísla v desítkové soustavě - porovnávání čísel - čtení a psaní čísel

Konkretizovaný výstup Konkretizované učivo Očekávané výstupy RVP. Zápis čísla v desítkové soustavě - porovnávání čísel - čtení a psaní čísel Ročník: I. - vytváří si názoru představu o čísle 5, 10, 20 - naučí se vidět počty prvků do 5 bez počítání po jedné - rozpozná a čte čísla 0 5 - pozná a čte čísla 0 10 - určí a čte čísla 0 20 Číselná řada

Více

SEZNAM VZDĚLÁVACÍCH MATERIÁLŮ - ANOTACE

SEZNAM VZDĚLÁVACÍCH MATERIÁLŮ - ANOTACE SEZNAM VZDĚLÁVACÍCH MATERIÁLŮ - ANOTACE Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast Autor CZ.1.07/1.5.00/34.0797 III/2 INOVACE A ZKVALITNĚNÍ VÝUKY PROSTŘEDNICTVÍM ICT 2M3 Slovní

Více

Pracovní skupina ATO TEN-T

Pracovní skupina ATO TEN-T AŽD Praha s.r.o. Pracovní skupina ATO TEN-T Automatic Train Operation Over ETCS on Trans European Network Aleš Lieskovský AŽD Praha s.r.o. ZTE VaV VP01 Složení skupiny Alstom (BE) Ansaldo STS (IT, SE)

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

Četnost brýlové korekce v populaci

Četnost brýlové korekce v populaci Prezentace k přednášce, přednesené na kongresu Optometrie 2013 V Olomouci 21. 22.9 2013 Četnost brýlové korekce v populaci RNDr. Jaroslav Wagner, Ph.D. Katedra optiky PřF UP Olomouc Kontakt: wagnerj@prfnw.upol.cz

Více

Matematika a její aplikace Matematika

Matematika a její aplikace Matematika Vzdělávací oblast : Vyučovací předmět : Období ročník : Počet hodin : 165 Matematika a její aplikace Matematika 2. období 5. ročník Učební texty : J. Justová: Alter-Matematika, Matematika 5.r.I.díl, 5.r.

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do

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

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

Katedra geotechniky a podzemního stavitelství

Katedra geotechniky a podzemního stavitelství Katedra geotechniky a podzemního stavitelství Modelování v geotechnice Metoda oddělených elementů (prezentace pro výuku předmětu Modelování v geotechnice) doc. RNDr. Eva Hrubešová, Ph.D. Inovace studijního

Více

Statistika. Semestrální projekt

Statistika. Semestrální projekt Statistika Semestrální projekt 18.5.2013 Tomáš Jędrzejek, JED0008 Obsah Úvod 3 Analyzovaná data 4 Analýza dat 6 Statistická indukce 12 Závěr 15 1. Úvod Cílem této semestrální práce je aplikovat získané

Více

PŘÍKLAD NA TŘÍDĚNÍ PODLE JEDNOHO NESPOJITÉHO ČÍSELNÉHO ZNAKU

PŘÍKLAD NA TŘÍDĚNÍ PODLE JEDNOHO NESPOJITÉHO ČÍSELNÉHO ZNAKU PŘÍKLAD NA TŘÍDĚNÍ PODLE JEDNOHO NESPOJITÉHO ČÍSELNÉHO ZNAKU Pracovník, který spravuje podnikovou databázi, exportoval do tabulkového procesoru všechny pracovníky podniku Alfa Blatná s některými sledovanými

Více

2. Statistická terminologie a vyjadřovací prostředky. 2.1. Statistická terminologie. Statistická jednotka

2. Statistická terminologie a vyjadřovací prostředky. 2.1. Statistická terminologie. Statistická jednotka 2. Statistická terminologie a vyjadřovací prostředky 2.1. Statistická terminologie Statistická jednotka Statistická jednotka = nositel statistické informace, elementární prvek hromadného jevu. Příklady:

Více

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 11 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

Mikroekonomie. Minulá přednáška - podstatné. Náklady firmy v krátkém a dlouhém období. Důležité vzorce. Náklady v krátkém období - graficky

Mikroekonomie. Minulá přednáška - podstatné. Náklady firmy v krátkém a dlouhém období. Důležité vzorce. Náklady v krátkém období - graficky Minulá přednáška - podstatné Mikroekonomie Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky, JČU Typologie nákladů firmy Náklady v krátkém období Náklady v dlouhém období Důležité vzorce TC = FC + VC AC =

Více

(Pracovní podklad v rámci koordinace prací na aktualizaci ROP)

(Pracovní podklad v rámci koordinace prací na aktualizaci ROP) ORIENTAČNÍ FINANČNÍ RÁMEC REGIONÁLNÍCH OPERAČNÍCH PROGRAMŮ A JEDNOTNÉHO PROGRAMOVÉHO DOKUMENTU PRO OBDOBÍ 2004 2006 (Pracovní podklad v rámci koordinace prací na aktualizaci ROP) Počínaje rokem vstupu

Více

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Rainer Scharf, Félix M. Izrailev, 1990 rešerše: Pavla Cimrová, 28. 2. 2012 1 Náhodné matice Náhodné matice v současnosti nacházejí

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

Rodinné firmy. Výzkum pro AMSP ČR. Červen 2013

Rodinné firmy. Výzkum pro AMSP ČR. Červen 2013 Rodinné firmy Výzkum pro AMSP ČR Červen 2013 Marketingové pozadí a cíle výzkumu Marketingové pozadí Asociace malých a středních podniků a živnostníků ČR sdružuje na otevřené, nepolitické platformě malé

Více

Třídění statistických dat

Třídění statistických dat 2.1 Třídění statistických dat Všechny muže ve městě rozdělíme na 2 skupiny: A) muži, kteří chodí k holiči B) muži, kteří se holí sami Do které skupiny zařadíme holiče? prof. Raymond M. Smullyan, Dr. Math.

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

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

1. Definiční obor funkce dvou proměnných

1. Definiční obor funkce dvou proměnných Definiční obor funkce dvou proměnných Řešené příklady 1. Definiční obor funkce dvou proměnných Vyšetřete a v kartézském souřadném systému (O, x, y) zakreslete definiční obory následujících funkcí dvou

Více

Využití programu MS Excel při výuce vlastností kvadratické funkce

Využití programu MS Excel při výuce vlastností kvadratické funkce Využití programu MS Excel při výuce vlastností kvadratické funkce Martin Mikuláš Tabulkové kalkulátory lze ve škole velmi dobře využít při výuce matematiky. Lze v nich totiž snadno naprogramovat aplikace,

Více

Gymnázium a Střední odborná škola, Rokycany, Mládežníků 1115

Gymnázium a Střední odborná škola, Rokycany, Mládežníků 1115 Gymnázium a Střední odborná škola, Rokycany, Mládežníků 1115 Číslo projektu: CZ.1.07/1.5.00/34.0410 Číslo šablony: 28 Název materiálu: Základní grafy Ročník: 1., 2. ročník Identifikace materiálu: WOH_52_28_grafy

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

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

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

5. Kvadratická funkce

5. Kvadratická funkce @063 5. Kvadratická funkce Kvadratickou funkci také znáte ze základní školy, i když jen v té nejjednodušší podobě. Definice: Kvadratická funkce je dána předpisem f: y = ax 2 + bx + c, kde a, b, c R, a

Více

Nejčastější dotazy k Základním pravidlům pro zpracování archiválií, verze 10. 4. 2014. Dotazy na aplikaci Základních pravidel

Nejčastější dotazy k Základním pravidlům pro zpracování archiválií, verze 10. 4. 2014. Dotazy na aplikaci Základních pravidel Nejčastější dotazy k Základním pravidlům pro zpracování archiválií, verze 10. 4. 2014 Dotazy na aplikaci Základních pravidel Musíme zpětně předělávat starší platné archivní pomůcky podle nových Základních

Více