Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení"

Transkript

1 Přednáška 5/1 Některé zákony rozdělení pravděpodobnosti 1. Binomické rozdělení Předpoklady: (a) pst výskytu jevu A v jediném pokuse P (A) = π, (b) je uskutečněno n pokusů, (c) pokusy jsou nezávislé, tj. pst výskytu jevu A ve dvou pokusech je 3 π π = π, ve třech pokusech π π π = π, atd. Při tom: počet pokusů n není příliš velký a pst π není blízká nule ani jedné. Typickým příkladem nezávislých opakovaných pokusů je tzv. výběr s opakováním, kdy vybraná jednotka je před dalším tahem vrácena a zamíchána mezi ostatní. Příklady diskrétních náhodných veličin s binomickým rozdělením: počet úspěšných (neúspěšných) zásahů při n výstřelech do terče, počet vyrobených dobrých (vadných) výrobků při výrobě n kusů, počet chlapců (dívek) v rodině s n dětmi, počet ziskových (ztrátových) investic mezi n investicemi, aj. Ve všech uvedených případech diskrétní náhodná veličina X nabývá hodnot =,1,,..., n. Vyvození: Pst, že jev A v n nezávislých opakovaných pokusech nastal právě -krát (a nenastal právě ( n ) -krát) je dána jako součin: n π ( 1 π ) počet způsobů, kterými lze promíchat úspěšné a neúspěšné n n! pokusy. Poslední veličinu lze vyjádřit jako kombinační číslo ( ) = ( n )!! Vzorec pravděpodobnostní funkce (Bernoulliův vzorec): P( ) = n n ( ) π (1 π ) =,1,,..., n jinak Vzorec distribuční funkce: n F( ) = ( ) π (1 π ) 1 n < > n n

2 Přednáška 5/ Parametry Nepochybně eistuje nekonečně mnoho náhodných veličin s binomickým rozdělením, které se vzájemně liší hodnotami n a π parametry binomického rozdělení. Vliv parametrů můžeme nejlépe demonstrovat na grafu pstní funkce. Pro π =, 5 n hodnoty pstní funkce klesají na obě strany kolem hodnoty = symetricky, čím více se hodnota π vzdaluje od hodnoty,5 zvětšuje se asymetrie pstní funkce. S rostoucím n roste počet možných hodnot náhodné veličiny a jednotlivé pravděpodobnosti (jejichž součet je vždy roven jedné) klesají. Čísla n, π jsou parametry binomického rozdělení. Zavedeme označení Bi [ n;π ]. Charakteristiky Tak jako u jiných náhodných veličin charakterizujeme úroveň a variabilitu binomické náhodné veličiny pomocí střední hodnoty a rozptylu. Střední hodnota binomického rozdělení [ n;π ] Rozptyl binomického rozdělení [ n;π ] D ( X ) Bi E ( X ) = nπ Bi = nπ (1 π ) Vidíme, že eistuje jednoznačný vztah mezi charakteristikami úrovně a variability binomického rozdělení a jeho parametry.. Další rozdělení diskrétních náhodných veličin Vedle binomického rozdělení eistují další rozdělení diskrétních náhodných veličin se stejným nebo i větším významem. Vyjdeme-li z předpokladů v odstavci 1, můžeme jejich modifikací vyvodit např. Alternativní rozdělení Bi. Je triviálním případem binomického rozdělení [ 1;π ] Poissonovo rozdělení Roste-li počet nezávislých opakovaných pokusů nade všechny meze ( n ) a je-li při tom pst nastoupení jevu A blízká nule ( π ) jde o tzv. vzácný jev a je-li při tom součin n π = λ (kde λ > je konstanta), lze pravděpodobnost, že jev A za těchto podmínek nastane právě -krát, vyjádřit jako pstní funkci Poissonova rozdělení λ e λ =,1,,...! P( X ) = jinak Tato situace vypadá sice na první pohled velmi abstraktně, při tom však eistuje řada náhodných veličin, která se tímto zákonem řídí (počet vad na jednom výrobku, počet

3 Přednáška 5/3 překlepů na stránce tetu, počet uskutečněných telefonních hovorů za jednotku času aj.). Číslo λ se opět nazývá parametr a Poissonovo rozdělení se symbolicky uvádí jako [ λ] Po. V tomto případě platí E ( X ) = D ( X ) = λ. Hypergeometrické rozdělení Jsou-li pokusy závislé (např. jde o výběr bez opakování, kdy vybraná jednotka je ihned po vytažení ze souboru odstraněna), není pst nastoupení jevu A konstantní a M nezávislá na výsledcích předcházejících pokusů, ale je rovna, kde 1 M < N je N počet příznivých a N je počet všech možných případů (obě čísla jsou v každém, má náhodná veličina X kterou je pokuse jiná). Provedeme-li n pokusů ( 1 n < N) počet nastoupení jevu A v n pokusech, hypergeometrické rozdělení se třemi parametry n, M, N. Eistuje opět vztah mezi parametry a charakteristikami, M M M N n konkrétně střední hodnota E ( X ) = n a rozptyl D ( X ) = n (1 ). N N N N 1 Hypergeometrické rozdělení se příliš neliší od binomického, je-li počet pokusů n řádově menší než N. V tomto případě M N je přibližně rovno p a zatímco střední hodnoty se v tomto případě rovnají, rozptyl hypergeometrického rozdělení je N n krát menší než u binomického rozdělení. Toto číslo se nazývá konečnostní N 1 násobitel a je pro n > 1 vždy menší než jedna. Počet nastoupení jevu A v n pokusech má větší variabilitu (je méně stabilní) při výběru s opakováním než při výběru bez opakování. Geometrické rozdělení Bude-li náhodnou veličinou X počet neúspěšných pokusů, které je třeba vykonat do prvního nastoupení jevu A za podmínek uvedených v úvodu odst. 1, má tato náhodná veličina tzv. geometrické rozdělení. Vzhledem k předpokládané nezávislosti opakovaných pokusů je pst vykonání n neúspěšných pokusů do prvního nastoupení jevu A rovna π ( 1 π ).

4 Přednáška 5/4 3. Rovnoměrné rozdělení Předpoklady: (a) náhodná veličina X může nabýt libovolné reálné hodnoty z intervalu <α, β>, (b) její výskyt na celém intervalu <α, β> je stejně možný. Příklady spojitých náhodných veličin s rovnoměrným rozdělením: Vyvození d.f. doba, která uplyne od náhodně zvoleného okamžiku do nastoupení jevu, který se pravidelně opakuje časovém intervalu β, dráha, kterou je třeba urazit z náhodně zvoleného bodu do cíle, je-li celková dráha rovna β, libovolná spojitá veličina z intervalu <α, β>, o jejímž chování na tomto intervalu není nic bližšího známo (nouzové řešení v případě neznalosti skutečného rozdělení). P ( X ) = P( X < ) = pro každé α, P( X ) = P( X < ) = 1pro každé β, pro α < < β je distribuční funkce úsečka procházející body α [α, ], [β,1], její rovnici můžeme napsat např. jako. Vzorec distribuční funkce: β α α F( ) = β α 1 α α < < β β Graf distribuční funkce: F() 1 α β

5 Přednáška 5/5 Vyvození hustoty: Hustotu psti rovnoměrného rozdělení lze vyvodit dvěma způsoby Lze ji určit jako výšku f () obdélníka jehož vodorovná strana má délku β α a jehož plocha je rovna jedné, tj. f ( ) ( β α) = 1, z čehož 1 f () =, β α 1 Lze ji určit jako směrnici (derivaci) funkce F (), F ( ) = f ( ) =. β α Graf hustoty pravděpodobnosti: f() 1 β α α β Parametry Nepochybně eistuje nekonečně mnoho náhodných veličin s rovnoměrným rozdělením, které se vzájemně liší hodnotami α a β parametry rovnoměrného rozdělení. Čísla α, β jsou parametry rovnoměrného rozdělení. Označíme [ α; β ] R. Charakteristiky Tak jako u jiných náhodných veličin charakterizujeme úroveň a variabilitu rovnoměrně rozdělené náhodné veličiny pomocí střední hodnoty a rozptylu. Střední hodnotu E (X ) jakékoli spojité náhodné veličiny lze určit pomocí určitého integrálu funkce f () Střední hodnotu rovnoměrného rozdělení lze však snadněji určit pomocí parametrů α, β. Střední hodnota rovnoměrného rozdělení R [ α;β ] α + β ( X ) = E.

6 Přednáška 5/6 Rozptyl D ( X ) jakékoli spojité náhodné veličiny lze určit pomocí určitého integrálu funkce [ E( X )] f ( ). Rozptyl rovnoměrného rozdělení lze však snadněji určit pomocí parametrů α, β. Rozptyl rovnoměrného rozdělení R [ α;β ] ( β α) D ( X ) =. 1 Grafické znázornění kvantilu: f() p 1 - p α p β

7 Přednáška 5/7 Normální rozdělení 4. Vznik náhodné veličiny s normálním rozdělením Předpoklady: (a) spojitá náhodná veličina se utváří pod vlivem mnoha činitelů, (b) jednotlivé činitele jsou vzájemně nezávislé, (c) žádný z činitelů nemá na výsledek rozhodující vliv. Při tom: Na hodnoty náhodné veličiny neklademe žádná omezení, tj. < < +. Příklady spojitých náhodných veličin s normálním rozdělením: náhodné chyby fyzikálních (obecně jakýchkoli) měření, veličiny utvářející se pod vlivem balistických zákonů (výsledky střelby), znaky v biologických populacích podléhající zákonům genetiky, obecně náhodné veličiny vznikající jako součty či průměry jiných náhodných veličin (spojitých ale i diskrétních) s libovolným rozdělením. Normální rozdělení se univerzálně používá k aproimaci (k přibližnému vyjádření) rozdělení psti velkého množství náhodných veličin v biologii, technice, ekonomii atd. Ukázka vzniku normálního rozdělení eperimentální cestou: , které byly tříděny do tříd. Stejným způsobem byly vytvořeny grafy pro průměry ze dvou, tří a pěti takových náhodných veličin a proloženy v prvním případě tzv. trojúhelníkovým rozdělením (obrázek vpravo nahoře) a ve zbývajících dvou případech normálním Na počítači bylo generováno 5 hodnot náhodné veličiny R [ ;1]

8 Přednáška 5/8 rozdělením. Shoda s normálním rozdělením se zlepšuje s rostoucím počtem sčítanců n.. Hustota psti a distribuční funkce normálního rozdělení Hustota psti normálního rozdělení je symetrická zvonovitá Gaussova křivka. Distribuční funkce normálního rozdělení je pravidelná rostoucí křivka esovitého tvaru, která se nazývá Galtonova ogiva. Rovnici hustoty psti, stejně jako rovnici distribuční funkce normálního rozdělení, nebudeme uvádět. 3. Parametry normálního rozdělení Na obrázku jsou znázorněny tři vzájemně odlišné Gaussovy křivky:.6 f().4. σ µ Z obrázku vyplývá, že křivky se mohou lišit v souřadnicí vrcholu křivky tento parametr se označuje symbolem µ a určuje posunutí křivky vůči počátku vodorovné osy, v měřítku na vodorovné ose, které je dáno vzdáleností infleních bodů křivky od jejího vrcholu parametr měřítka se označuje symbolem σ. Bez ohledu na tyto odlišnosti je plocha pod každou z křivek rovna jedné. Konstantu µ a čtverec σ nazýváme parametry normálního rozdělení. N µ; σ. Zavedeme označení normálního rozdělení jako [ ]

9 Přednáška 5/9 4. Charakteristiky normálního rozdělení E (X ) = Střední hodnota vyjadřující polohu normálního rozdělení je µ. Rozptyl vyjadřující variabilitu normálního rozdělení je Konstanta σ = σ D ( X ) = σ. je směrodatnou odchylkou normálního rozdělení. 5. Normované normální rozdělení Normováním náhodné veličiny (jakékoli) rozumíme odečtení střední hodnoty od každé její hodnoty a vydělení tohoto rozdílu směrodatnou odchylkou U = X E( X ) D( X ) Normovaná náhodná veličina U má střední hodnotu X E( X ) X E( X ) E ( U ) = E = a rozptyl D ( U ) = D = 1. D( X ) D( X ) Normováním náhodné veličiny X s obecným normálním rozdělením N [ µ; σ ] vznikne náhodná veličina U s normovaným normálním rozdělením U = X E( X ) D( X ) = X µ. σ Pro normované normální rozdělení zavedeme označení N [ ; 1]. Hustotu pravděpodobnosti a distribuční funkci normovaného normálního rozdělení je zvykem značit φ ( u), Φ( u) (místo obvyklého f ( ), F( ) ).

10 Přednáška 5/1 N : Hustota pravděpodobnosti rozdělení [ ; 1] φ(u ) Tabulkové vyjádření vybraných hodnot hustoty pravděpodobnosti: u u,,5 1, 1,5,,5 3, 3,5 φ(u),399,35,4,13,54,18,4,1 φ(-u)=φ(u) Tabulkové vyjádření vybraných hodnot distribuční funkce: u,,5 1, 1,5,,5 3, 3,5 Φ(u),5,691,841,933,977,994,999,999 Φ(-u)=1-Φ(u) Tabulkové vyjádření vybraných kvantilů: p,5,9,95,975,99,995,999 u p, 1,8 1,645 1,96,36,576 3,9 u 1-p = -u p Tyto tabulky budeme využívat při řešení úloh s normálním rozdělením. Přestože platí < u < +, můžeme výskyt veličiny U mimo interval <-,+> prohlásit za jev prakticky nemožný. Tímto rozumíme jev, který sice není absolutně nemožný, ale jeho pravděpodobnost je natolik malá, že v jednom nebo několika málo pokusech nemusíme s jeho výskytem počítat. Tato myšlenka má pro statistiku neobyčejný význam.

11 Přednáška 5/11 Úloha prvního typu: 6. Úlohy s normálním rozdělením Inteligenční kvocient (IQ) je veličina X s rozdělením N [1;15 ]. Najděte pst, že náhodně vybraná osoba bude mít IQ nejméně na hranicí superiority (tj. alespoň 13). Hledáme pst P ( X 13). Přejdeme na normované normální rozdělení, pro které 1 u = = +. Hledáme tedy pst P ( U +). S použitím tabulky distribuční funkce 15 Φ(u) najdeme Φ( + ) = P ( U + ) =, 977, tedy pravděpodobnost opačného jevu. Ze vztahu mezi opačnými jevy plyne P( U + ) = 1 P( U + ) = 1,977 =, 3 a tedy pravděpodobnost nalezení osoby nad hranicí superiority je rovna,3 (jinak řečeno 3 osob z 1 je svým IQ nad hranicí superiority). Nyní jsme k zadané hodnotě náhodné veličiny hledali pravděpodobnost. Úloha druhého typu: Za stejných podmínek jako ve druhé úloze najděte hranici IQ, pod kterou se nachází 5 % populace. Hledáme 5% kvantil normované normální náhodné veličiny. Použijeme tabulku kvantilů, z níž určíme u,5 1,5 = u,95 = 1, 645. Platí u,5 = 1,645 = 15 Z čehož,5 = 1 1, = 75, 3. Pět procent populace má tedy IQ roven nejvýše přibližně 75. Nyní jsme k zadané pravděpodobnosti hledali hodnotu náhodné veličiny. Další úlohy (které budou probrány ve cvičení) jsou modifikací jednoho z obou právě uvedených typů. Princip řešení spočívá v nahrazení obecného normálního rozdělení N [ µ;σ ] normovaným normálním rozdělením N [ ;1 ], pro které jsou všechny potřebné hodnoty tabelovány.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Více

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

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

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0

Více

MATURITNÍ TÉMATA Z MATEMATIKY

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

Více

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

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

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

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

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

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

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

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

Více

PRAKTIKUM I. Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK. úloha č. 10 Název: Rychlost šíření zvuku. Pracoval: Jakub Michálek

PRAKTIKUM I. Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK. úloha č. 10 Název: Rychlost šíření zvuku. Pracoval: Jakub Michálek Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK PRAKTIKUM I. úloha č. 10 Název: Rychlost šíření zvuku Pracoval: Jakub Michálek stud. skup. 15 dne: 20. března 2009 Odevzdal dne: Možný

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

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

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

Způsobilost. Data a parametry. Menu: QCExpert Způsobilost

Způsobilost. Data a parametry. Menu: QCExpert Způsobilost Zůsobilost Menu: QExert Zůsobilost Modul očítá na základě dat a zadaných secifikačních mezí hodnoty různých indexů zůsobilosti (caability index, ) a výkonnosti (erformance index, ). Dále jsou vyočítány

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

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

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

CZ 1.07/1.1.32/02.0006

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

Více

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014

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

Více

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

PRAVDĚPODOBNOST A JEJÍ UŽITÍ

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

Více

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

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

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

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

Seminarni prace. 2 3 stranky staci, dat nema byt 3 a nema jich byt pul milionu. k te seminarce

Seminarni prace. 2 3 stranky staci, dat nema byt 3 a nema jich byt pul milionu. k te seminarce Seminarni prace Popisná statistika, data nesmí být časovou řadou Zkoumat můžeme třeba mzdy, obraty atd. (takže možná QA?) Formát pdf, poslat nejpozději den před zkouškou. Podrobnější informace jsou na

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

9.4. Rovnice se speciální pravou stranou

9.4. Rovnice se speciální pravou stranou Cíle V řadě případů lze poměrně pracný výpočet metodou variace konstant nahradit jednodušším postupem, kterému je věnována tato kapitola. Výklad Při pozorném studiu předchozího textu pozornějšího studenta

Více

Vyšetřování průběhu funkce pomocí programu MatLab. 1. Co budeme potřebovat?

Vyšetřování průběhu funkce pomocí programu MatLab. 1. Co budeme potřebovat? Vyšetřování průběhu funkce pomocí programu MatLab K práci budeme potřebovat následující příkazy pro 1. Co budeme potřebovat? (a) zadání jednotlivých výrazů symbolicky (obecně) (b) řešení rovnice f()=0,

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

ZŠ ÚnO, Bratří Čapků 1332

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

Více

LOKÁLNÍ EXTRÉMY. LOKÁLNÍ EXTRÉMY (maximum a minimum funkce)

LOKÁLNÍ EXTRÉMY. LOKÁLNÍ EXTRÉMY (maximum a minimum funkce) Předmět: Ročník: Vytvořil: Datum: MATEMATIKA ČTVRTÝ Mgr. Tomáš MAŇÁK 5. srpna Název zpracovaného celku: LOKÁLNÍ EXTRÉMY LOKÁLNÍ EXTRÉMY (maimum a minimum funkce) Lokální etrémy jsou body, v nichž funkce

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

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

EXPLORATORNÍ ANALÝZA DAT. 7. cvičení

EXPLORATORNÍ ANALÝZA DAT. 7. cvičení EXPLORATORNÍ ANALÝZA DAT 7. cvičení Teorie pravděpodobnosti x Statistika Teorie pravděpodobnosti popisuje zákonitosti týkající se náhodných jevů, používá se k modelování náhodností a neurčitostí, které

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

6. Lineární (ne)rovnice s odmocninou

6. Lineární (ne)rovnice s odmocninou @06 6. Lineární (ne)rovnice s odmocninou rovnice Když se řekne s odmocninou, znamená to, že zadaná rovnice obsahuje neznámou pod odmocninou. není (ne)rovnice s odmocninou neznámá x není pod odmocninou

Více

S funkcemi můžeme počítat podobně jako s čísly, sčítat je, odečítat, násobit a dělit případně i umocňovat.

S funkcemi můžeme počítat podobně jako s čísly, sčítat je, odečítat, násobit a dělit případně i umocňovat. @08. Derivace funkce S funkcemi můžeme počítat podobně jako s čísly, sčítat je, odečítat, násobit a dělit případně i umocňovat. Definice: Součet funkce f a g je takový předpis, taková funkce h, která každému

Více

Příklad 1. Řešení 1a Máme určit obsah rovinné plochy ohraničené křivkami: ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 14. a) =0, = 1, = b) =4, =0

Příklad 1. Řešení 1a Máme určit obsah rovinné plochy ohraničené křivkami: ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 14. a) =0, = 1, = b) =4, =0 Příklad Určete obsah rovinné plochy ohraničené křivkami: a) =0,=,= b) =4,=0 c) =,=,=3,=0 d) =+, =0 e) + )=,= f) = +4,+= g) =arcsin,=0,= h) =sin,=0, 0; i) =,=,=4,=0 j) =,= k) = 6,= +5 4 l) =4,+=5 m) = +

Více

Požadavky k opravným zkouškám z matematiky školní rok 2014-2015

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

Více

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

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

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

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

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

BAKALÁŘSKÁ PRÁCE. Lorenzova křivka

BAKALÁŘSKÁ PRÁCE. Lorenzova křivka UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Lorenzova křivka Vedoucí bakalářské práce: Mgr. Ondřej Vencálek Rok odevzdání:

Více

META-ANALÝZA Z POHLEDU STATISTIKA. Medicína založená na důkazu - Modul 3B

META-ANALÝZA Z POHLEDU STATISTIKA. Medicína založená na důkazu - Modul 3B META-ANALÝZA Z POHLEDU STATISTIKA Medicína založená na důkazu - Modul 3B OBSAH: Úvodní definice... 2 Ověření homogenity pomocí Q statistiky... 3 Testování homogenity studií pomocí I 2 indexu... 6 Výpočet

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

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

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

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

Více

Komplexní čísla tedy násobíme jako dvojčleny s tím, že použijeme vztah i 2 = 1. = (a 1 + ia 2 )(b 1 ib 2 ) b 2 1 + b2 2.

Komplexní čísla tedy násobíme jako dvojčleny s tím, že použijeme vztah i 2 = 1. = (a 1 + ia 2 )(b 1 ib 2 ) b 2 1 + b2 2. 7 Komplexní čísl 71 Komplexní číslo je uspořádná dvojice reálných čísel Komplexní číslo = 1, ) zprvidl zpisujeme v tzv lgebrickém tvru = 1 + i, kde i je imginární jednotk, pro kterou pltí i = 1 Číslo 1

Více

Dělitelnost čísel, nejmenší společný násobek, největší společný dělitel

Dělitelnost čísel, nejmenší společný násobek, největší společný dělitel Variace 1 Dělitelnost čísel, nejmenší společný násobek, největší společný dělitel Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu

Více

2.1.17 Parametrické systémy lineárních funkcí II

2.1.17 Parametrické systémy lineárních funkcí II .1.17 Parametrické sstém lineárních funkcí II Předpoklad: 11 Pedagogická poznámka: Celá hodina vznikla na základě jednoho příkladu ze sbírk úloh od Jindr Petákové. S příkladem mělo několik generací studentů

Více

zcela převažující druh průměru, který má uplatnění při řešení téměř všech úloh statistiky široké využití: v ekonomických

zcela převažující druh průměru, který má uplatnění při řešení téměř všech úloh statistiky široké využití: v ekonomických STŘEDNÍ HODNOTY VÝZNAM Rozdělení četností poskytuje užitečnou informaci a přehled o zkoumaném statistickém souboru. Porovnávat několik souborů pomocí tabulek rozděleni četností by však bylo.a. Proto se

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

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

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

Téma 1: Elektrostatika I - Elektrický náboj Kapitola 22, str. 577 592

Téma 1: Elektrostatika I - Elektrický náboj Kapitola 22, str. 577 592 Téma 1: Elektrostatika I - Elektrický náboj Kapitola 22, str. 577 592 Shrnutí: Náboj a síla = Coulombova síla: - Síla jíž na sebe náboje Q působí je stejná - Pozn.: hledám-li velikost, tak jen dosadím,

Více

PRŮBĚH FUNKCE - CVIČENÍ

PRŮBĚH FUNKCE - CVIČENÍ MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA PRŮBĚH FUNKCE - CVIČENÍ Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny

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

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

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

Kapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2.

Kapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2. Kapitola 2 Přímková a rovinná soustava sil 2.1 Přímková soustava sil Soustava sil ležící ve společném paprsku se nazývá přímková soustava sil [2]. Působiště všech sil m i lze posunout do společného bodu

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

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

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

Téma: Investice do akcií společnosti ČEZ

Téma: Investice do akcií společnosti ČEZ Matematika a byznys Téma: Investice do akcií společnosti ČEZ Alena Švédová A07146 Investice do akcií společnosti ČEZ ÚVOD Tímto tématem, které jsem si pro tuto práci zvolila, bych chtěla poukázat na to,

Více

3. Celá čísla. 3.1. Vymezení pojmu celé číslo. 3.2. Zobrazení celého čísla na číselné ose

3. Celá čísla. 3.1. Vymezení pojmu celé číslo. 3.2. Zobrazení celého čísla na číselné ose 3. Celá čísla 6. ročník 3. Celá čísla 3.1. Vymezení pojmu celé číslo Ve své dosavadní praxi jste se setkávali pouze s přirozenými čísly. Tato čísla určovala konkrétní počet (6 jablek, 7 kilogramů jablek,

Více

Termistor. Teorie: Termistor je polovodičová součástka, jejíž odpor závisí na teplotě přibližně podle vzorce

Termistor. Teorie: Termistor je polovodičová součástka, jejíž odpor závisí na teplotě přibližně podle vzorce ermistor Pomůcky: Systém ISES, moduly: teploměr, ohmmetr, termistor, 2 spojovací vodiče, stojan s držáky, azbestová síťka, kádinka, voda, kahan, zápalky, soubor: termistor.imc. Úkoly: ) Proměřit závislost

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

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

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

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

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

Statistika v příkladech

Statistika v příkladech Verlag Dashöfer Statistika v příkladech Praktické aplikace řešené v MS Ecel Ukázkové tety z připravované učebnice Doc. Ing. Jan Kožíšek, CSc. Ing. Barbora Stieberová, Ph.D. Praha 0 Obsah Obsah. Předmluva

Více

MAT 1 Mnohočleny a racionální lomená funkce

MAT 1 Mnohočleny a racionální lomená funkce MAT 1 Mnohočleny a racionální lomená funkce Studijní materiály Pro listování dokumentem NEpoužívejte kolečko myši nebo zvolte možnost Full Screen. Brno 2012 RNDr. Rudolf Schwarz, CSc. First Prev Next Last

Více

KALKULÁTORY EXP LOCAL SIN

KALKULÁTORY EXP LOCAL SIN + = KALKULÁTORY 2014 201 C π EXP LOCAL SIN MU GT ŠKOLNÍ A VĚDECKÉ KALKULÁTORY 104 103 102 Hmotnost: 100 g 401 279 244 EXPONENT EXPONENT EXPONENT 142 mm 170 mm 1 mm 7 mm 0 mm 4 mm Výpočty zlomků Variace,

Více

X. Hallův jev. Michal Krištof. 2. Zjistěte závislost Hallova napětí na magnetické indukci při dvou hodnotách konstantního proudu vzorkem.

X. Hallův jev. Michal Krištof. 2. Zjistěte závislost Hallova napětí na magnetické indukci při dvou hodnotách konstantního proudu vzorkem. X. Hallův jev Michal Krištof Pracovní úkol 1. Zjistěte závislost proudu vzorkem na přiloženém napětí při nulové magnetické indukci. 2. Zjistěte závislost Hallova napětí na magnetické indukci při dvou hodnotách

Více

Jednotky zrychlení odvodíme z výše uvedeného vztahu tak, že dosadíme za jednotlivé veličiny.

Jednotky zrychlení odvodíme z výše uvedeného vztahu tak, že dosadíme za jednotlivé veličiny. 1. Auto zrychlí rovnoměrně zrychleným pohybem z 0 km h -1 na 72 km h -1 za 10 sekund. 2. Auto zastaví z rychlosti 64,8 km h -1 rovnoměrně zrychleným (zpomaleným) pohybem za 9 sekund. V obou případech nakreslete

Více

Jak nelhat se statistikou? Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava

Jak nelhat se statistikou? Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava Jak nelhat se statistikou? Martina Litschmannová Katedra aplikované matematiky, FEI, VŠB-TU Ostrava Co je to statistika? teoretická disciplína, která se zabývá metodami sběru a analýzy dat Jak získat data?

Více

StatSoft Jak se pozná normalita pomocí grafů?

StatSoft Jak se pozná normalita pomocí grafů? StatSoft Jak se pozná normalita pomocí grafů? Dnes se podíváme na zoubek speciální třídě grafů, podle názvu článku a případně i ilustračního obrázku vpravo jste jistě již odhadli, že půjde o třídu pravděpodobnostních

Více

Měření součinitele smykového tření dynamickou metodou

Měření součinitele smykového tření dynamickou metodou Měření součinitele smykového tření dynamickou metodou Online: http://www.sclpx.eu/lab1r.php?exp=6 Měření smykového tření na nakloněné rovině pomocí zvukové karty řešil např. Sedláček [76]. Jeho konstrukce

Více