Počítačová analýza fraktálních množin

Rozměr: px
Začít zobrazení ze stránky:

Download "Počítačová analýza fraktálních množin"

Transkript

1 Počítačová aalýza fratálích mož Petr Pauš Výzumý úol Šoltel : Zaměřeí : Katedra : Aademcý ro : Ro tuda : Dr Ig Mchal Beeš Tvorba oftware KM 2004/2005 4

2 Obah ÚVOD 3 2 HAUSDORFFOVA DIMENZE 4 2 HAUSDORFFOVA MÍRA 4 22 HAUSDORFFOVA DIMENZE 8 23 VÝPOČET HAUSDORFFOVY MÍRY A DIMENZE 2 3 MŘÍŽKOVÁ DIMENZE (BOX-COUNTING DIMENSION) 5 3 MŘÍŽKOVÁ DIMENZE 5 32 VZTAH MEZI MŘÍŽKOVOU A HAUSDORFFOVOU DIMENZÍ 8 33 VLASTNOSTI MŘÍŽKOVÉ DIMENZE 9 4 NUMERICKÝ VÝPOČET MŘÍŽKOVÉ DIMENZE 20 4 POSTUP KRUŽNICE, ČTVEREC A HRANICE ČTVERCE 2 43 MANDELBROTOVA MNOŽINA JULIOVA MNOŽINA (C=-+0I) 29 5 PROGRAMY 3 5 GENERÁTOR MANDELBROTOVY MNOŽINY A MNOŽIN JULIOVÝCH 3 52 PROGRAM PRO VÝPOČET MŘÍŽKOVÉ DIMENZE 32 6 ZÁVĚR 34 7 LITERATURA 35

3 Úvod Tato práce avazuje a moj rešerší prác, terá e týala fratálů a fratálích mož obecě Nyí jem e zaměřl hlavě a fratálí dmez a její zjšťováí pro růzé možy Nejprve e budeme věovat Haudorffově dmez, protože ta je považováa za záladí fratálí dmez, tato j ozačl ve vých pracích Madelbrot Dále e budeme věovat mřížové (box-coutg) dmez, teoretcy pratcy Kaptola o Haudorffově dmez obahuje defce a věty o důležtých vlatotech včetě důazů Uvedey jou též přílady výpočtu u ěola mož Hlavím zdrojem formací pro tuto aptolu byly hy [8] a [9] Jedá e vlatě o výběr toho ejdůležtějšího z obou h Další aptoly jou věováy pouze mřížové dmez a jejímu výpočtu Defce a věty jem čerpal hlavě z [9], de je vše velm přehledě popáo Iformace o umercém výpočtu mřížové dmeze jem zíal z doumetů [4] a [5] z VUT v Brě, de e umercému výpočtu mřížové dmeze věují a výledy e aží aplovat v chem a polygraf Práce vzla v rámc výzumého záměru Aplovaá matemata v techcých a fyzálích vědách, č MSM

4 2 Haudorffova dmeze Pojem dmeze je př zoumáí fratálů velm důležtý Jedou z ejtarších, avša taé jedou z ejdůležtějších dmezí, je právě dmeze Haudorffova Je vhodá prác z matematcého hleda, lze j použít a lbovolé možy a je založea a mírách, e terým e relatvě lehce pracuje Její hlaví evýhodou je, že v ěterých případech je velm obtížé počítat její hodotu 2 Haudorffova míra Před defcí amoté Haudorffovy dmeze je uté zavét ěol důležtých pojmů Patří mez ě hlavě Haudorffova míra a Haudorffova vější míra Podroběj e o áledujících pojmech hovoří v [8] a [9] Nejprve vša přpomeňme defc míry a vější míry a ěola dalších záladích pojmů Defce Míra Nechť X je moža a echť F je σ -algebra podmož X Míra a F je možová fuce M:F < 0, > taová, že ) M ( ) = 0; 2)Poud A F je djutí poloupot mož, pa M A = M( A) = Defce 2 Vější míra Nechť X je moža Vější míra a X je fuce M defovaá a všech podmožách možy X, terá zobrazuje do tervalu < 0, > a zároveň platí: ) M ( ) = 0; 2)Poud A B, pa M( A) M ( B) ; 3) M A M ( A) = Defce 3 Spočeté porytí Moža mož A e azývá početé porytí možy F právě tehdy, dyž F A, a A je početá (čato oečá) moža Defce 4 ε-porytí Nechť ε je ladé reálé čílo (čato velm malé) Porytí A e azývá ε -porytí, poud platí dam A ε pro všechy možy A A A A 4

5 2 3 4 Obráze Růzá porytí možy pro zmešující e ε Nyí jž máme defováy všechy potřebé pojmy a můžeme defovat Haudorffovu míru Defce 5 Haudorffova -rozměrá vější míra Defujeme H f (dam A) ε = A A, de fmum je pře všecha početá ε -porytí A možy F Když e ε bude zmešovat, pa e H ε bude zvyšovat, jelož e íží počet dotupých porytí Má tedy myl defovat H = lm H = up H, ε ε 0 ε > 0 což je Haudorffova -rozměrá vější míra možy F Začeí: H e bude začt vější míra ( pruhem) a H bude (obyčejá) míra (bez pruhu) Hodota lmty je z tervalu < 0, >, přčemž hodot 0 a abývá velm čato Haudorffova míra zobecňuje obecý pojem dély, plochy a objemu Dá e doázat (důaz apřílad v [9]), že -rozměrá Haudorffova míra plývá -rozměrou Lebegueovou mírou To zameá, že pro běžé podmožy F je H 0 rova počtu bodů v možě F, H je déla hladé řvy F, H 2 = (4 π ) plocha poud F je hladá plocha a H 3 = (6 π ) objem V áledujících větách budou uvedey záladí vlatot Haudorffovy míry ε 5

6 Věta Haudorffova vější míra H je opravdu vější míra Důaz: Muíme doázat ) H ( ) = 0 Prázdou možu lze porýt jedou možou dametrem 0 < ε Taže 0 H ( ) ε pro aždé ε > 0 Z toho plye, že ( ) = H 0 Pa H ( ) = lm H ( ) = 0 2) F G H H ( G) Poud F G, pa aždé -porytí G je taé -porytí F Poud tedy vezmeme fmum pře všecha -porytí, dotaeme H H ( G) a pro 0 dotaeme H H ( G) 3) Poud A, A 2, je početá (ebo oečá) poloupot mož, pa = Poud jou A djutí, pa atává rovot H ( A) H ( A) Bez újmy a obecot můžeme předpoládat, že {, j:,2, } U j = -porytí Pa { U, j: =,2, ; j =,2, } = A taové, že ( U, j) j= je -porytí A = = 0 H ( A ) < Nechť pro aždé ε > 0 je H ( A) + 2 ε ε H ( A) ( dam U, j) H ( A) + ε ( A) ( A) = + H ε + H = = j= = 2 = = Toto celé platí pro lbovolé ε > 0, taže Věta 2 Nechť F Hodota H A = lm H ( A) H ( A) 0 = = = H 0 je rova počtu bodů v možě F Důaz: Nechť { A } je -porytí F Pro aždou možu A je ε A 0 = a 0 A je tím 0 pádem počet mož v porytí Taže H je ejmeší počet mož tvořících porytí možy F Poud moža F obahuje bodů, x, x2,, x, pa můžeme defovat -porytí 0 možy F jao oulí e tředy v bodech x poloměry /2 Pa bude H Když 0 zvolíme ta malé, aby platlo x xj > pro aždé j, pa H 0 0 plye, že H a tedy H = = Z toho tedy 6

7 Poud moža F obahuje eoečě moho bodů, můžeme vždy vzít podmožu F 0 0 možy F ta, že obahuje bodů Pa H > H ( F ) = a to pro lbovolé, tedy 0 H ( F ) = Věta 3 Poud je F oečá moža, pa H ( F ) = 0 pro aždé > 0 Důaz: Nechť F { x x x } v bodech x Pa =, 2,,, jao ε -porytí volme oule poloměrem ε /2 e tředy H ε ε pro lbovolé ε > 0 Tím pádem pro ε 0 je H ( F ) = 0 Věta 4 Nechť S je podobotí traformace měřítem λ > 0 Poud H ( SF ( )) = λ H Důaz: Poud { U } je ε -porytí F, pa { ( )} z toho tedy = F, pa SU je λε -porytí SF ( ) Pa platí ( dam ( )) SU = λ ( damu ) H ( SF ( )) λ H Pro ε 0 dotáváme H ( SF ( )) λ H Poud míto S vezmeme /λ a F ahradíme za SF, ( ) dotaeme opačou erovot λε ε S, λ ahradíme za Věta 5 Nechť m F a f : F je zobrazeí taové, že pro otaty 0 f ( x) f( y) c x y ( x, y F) α c > a α > 0 platí Pa pro aždé je α α H ( f ) c H Důaz: Nechť { U } je -porytí F Z erovot v předpoladu odvodíme, že Z toho tedy plye, že { ( )} z toho plye α ( ) ( ) dam f( F U ) c dam F U c damu f F U je ε -porytí f ( F ), de ε = c α Taže α α ( dam F U ) c ( damu ) α α H ( f ) c H Pro jdoucí 0 půjde ε 0 a dotaeme z toho tedy tvrzeí věty ε Podmía v předpoladu věty je zámá jao Hölderova podmía expoetemα Fuce plňující tuto podmíu pro α = e azývá lpchtzová α 7

8 Věta 6 V metrcém protoru plývá -rozměrá Haudorffova míra mírou λ H Lebegueovou Důaz: Vezměme možu A, terá má oečý dametr Potom up A f A= r, taže moža A je obažea v uzavřeém tervalu I dély r a λ( A) λ( I) = r Avša míra H ε je ejvětší vější míra M plňující M ( A) dama pro všechy možy A dametrem meším ež ε Z toho plye, že H ε λ pro všechy možy F, taže H λ Nyí vezměme polootevřeý terval ab, ) a zvolme ε > 0 Iterval rozdělíme pomocí bodů a= x0 < x < < x = b, pro teré platí xj xj < ε pro aždé j Iterval ab, ) je tedy poryt početým ytémem tervalů { x, : j xj j } Platí dam x, x = ( x x ) = b a j j j j j= j= ( ) Z toho dotáváme, že H ε ab, ) b a Ale míra λ je ejvětší vější míra plňující λ ( ab, )) < b a pro všechy polootevřeé tervaly ab, ), a proto λ H pro aždou možu F Tato jme doázal, že vější míry plývají Možy ovšem plňují Carathéodoryho rtérum a tím pádem plývají míry λ a H ٱ 22 Haudorffova dmeze Nyí budeme zoumat H jao fuc pro daou možu F Uazuje e, že dyž rote, pa H leá Platí vša více velm zajímavých utečotí Věta 7 Nechť F je borelová moža a echť 0 < < t jou reálá číla Poud t t H ( F ) <, pa H ( F ) = 0 Poud H ( F ) > 0, pa H ( F ) = Důaz: Pro lbovolou možu A taovou, že dam A ε, platí t t ( ) ε ( ) t H ( A) dam A dam A ε t t Z toho tedy dotáváme ε ε H H ε pro lbovolou možu F Poud bude t H ( F ) = 0, pa H t lm ε H = 0 H = 0 Stejě e doáže druhá čát věty ε 0 ε Důledem této věty je, že pro daou možu F extuje jtá hodota 0 < 0, > taová, že H ( F ) = pro aždé < 0 a H ( F ) = 0 pro aždé > 0 Tuto hodotu 0 azýváme Haudorffovou dmezí možy F Formálě lze defc této dmeze zapat tato: Defce 6 Haudorffova dmeze Pro lbovolou možu F defujeme Haudorffovu dmez jao dm F = f{ 0 : H = 0} = up{ : H = } 8

9 Je amozřejmě možé, že hodota H ( F ) = 0 pro všecha > 0 V tomto případě je dm F = 0 Stejě ta e může tát, že H ( F ) = pro všecha, pa je dm F = H ( F ) 0 0 dm F = 0 Obráze 2 Hodota Haudorffovy míry v závlot a Uveďme jedoduchý přílad Za možu F vezmeme ruh jedotovým poloměrem v 3 Ja jž bylo řečeo výš, H je rovo délce možy F, v ašem příladě tedy eoečo H 2 je až a oefcet rovo ploše možy F, tz H 2 = (4 π ) plocha = 4, což je meší ež eoečo Podobě H 3 je až a oefcet rovo objemu F, tz H 3 = (6 π ) Objem = 0 Haudorffova dmeze ám tedy vychází rova 2 Věta 8 Nechť A, B jou borelové možy Pa platí, že poud A B, pa dm A dm B Důaz: Předpoládáme tedy A B Věta říá, že poud A B, pa H ( A) H ( B) Když tedy bude > dm B, ta H ( A) H ( B) = 0 (Věta 7) a tím pádem dm A To ovšem platí pro všecha > dm B, taže dm A dm B Věta 9 Nechť A, A 2, jou borelové možy Pa dm A = updm A Důaz: Nechť > up dm A, to zameá, že bude > dm A Z toho plye, že H ( A ) = 0 Víme, že H je vější míra, taže platí A H H ( A) = 0 = 0 9

10 Taže dmeze jedoceí je meší ež, a to pro všecha dm A updm A Podle věty 8 je dmeze podmožy meší ebo rova admožě, taže dm A updm A Z erovotí tedy plye rovot a důaz je provede ٱ Věta 0 Nechť F a echť f : Potom platí, že dm f ( α)dm F m F plňuje Hölderovu podmíu f ( x) f( y) c x y ( x, y F) α > up dm A Platí tedy, že α α Důaz: Poud > dm F, pa podle věty 5 je H ( f) c H = 0 A z toho plye, že dm f α pro všecha > dm F ٱ m Důledem této věty je, že poud je fuce f : F lpchtzová, pa dm f dm F m Další důlede je, že poud je fuce f : F b-lpchtzová, což zameá, že plňuje podmíu c x y f( x) f( y) c x y ( x, y F), 2 de 0 < c c2 <, pa dm f = dm F Tyto důledy á vedou záladí vlatot Haudorffovy dmeze: Haudorffova dmeze je varatí vůč b-lpchtzové traformac Když tedy budou mít dvě možy rozdílou dmez, pa mez m eextuje b-lpchtzová traformace Ve fratálí geometr e dvě možy považují za tejé právě tehdy, dyž mez m extuje právě b-lpchtzová traformace Samotá Haudorffova dmeze ám o topologcých vlatotech možy moc eřee, ale lze doázat áledující věta pro možy dmezí meší ež jeda Věta Moža F dm F < je úplě eouvlá Důaz: Nechť x a y jou dva rozdílé body možy F Defujeme zobrazeí f : [0, ) jao f ( z) = z x Toto zobrazeí ezvětšuje vzdáleot mez body, protože f( z) f( w) = z x w x ( z x) ( w x) = z w Z důledu věty 0 ám plye, že pro lpchtzové zobrazeí (tz aše zobrazeí f ) platí dm f dm F < Moža f ( F ) je tedy podmožou mírou H (ebol délou) rovou ule a tudíž má hutý doplě Nyí zvolme bod r taový, že r f a 0 < r < f( y) Z toho plye { : } { : } F = z F z x < r z F z x > r Moža F je tedy obažea ve dvou djutích možách bodem x v jedé a bodem y ve druhé Body x a y leží tedy aždý v jé ompoetě možy F 0

11 ε = ε = /2 ε = /4 ε = /0 Věta 2 Haudorffova dmeze je Obráze 3 Porytí tervalu 0, Důaz: Věta 6 říá, že Haudorffova míra H plývá Lebegueovou mírou λ, platí tedy H ( 0, ) = λ ( 0, ) = Dmeze tervalu 0, je tedy Iterval 0, je ale čátí, tz dmeze je větší ež jeho dmeze, tedy větší ež Když vezmeme lbovolé 0,, taže H ( ) >, bude ( ) +, = 0 Dotáváme tedy H 0, = 0 Itervaly +, jou zometrcé ( ) ( ) H H, + = 0 = Teto výraz ám tedy říá, že pro všecha > je dm Dmeze ta meší ebo rova Když dáme dohromady erovot, zíáme požadovaý výlede dm = Tato jme zjtl, že jedorozměrá Lebegueova míra je vhodá pro počítáí dm 2 Sado tedy uoudíme, že pro výpočet dm bude třeba použít dvourozměrou Lebegueovu míru ε= 24 ε= 2 ε= 22 Věta 3 Haudorffova dmeze Obráze 4 Porytí jedotového čtverce 2 je 2 Důaz: Vezměme jedotový čtverec Q = 0, 0, Teto čtverec lze porýt čtverc délou tray, taže pro ε 2 dotáváme 2 meším

12 Tím pádem H 2 ( Q) 2 a tedy dmq H ( Q) ( 2 ) 2 ε = Teď je ještě třeba doázat opačou erovot Nechť A je početé porytí Q pouze uzavřeým možam Uvědomme, že aždá moža A dametrem r je obažea ve čtverc Q e traou meší ež ebo rovou r Z toho dotáváme Tato jme dotal A dam A Q Q ( Q) = ( ) ( A) λ λ A λ A A A A A A A A H 2 ( Q) 2 a tedy dmq 2 Nyí budeme potupovat podobě jao u předchozího důazu Protože 2 dm dm 2 2 Q, ta Q Pro > 2 je H ( Q ) = 0, ale 2 lze porýt početým ytémem { Q : } čtverců o traě, taže H H Q = 2 ( ) ( ) 0 Z toho plye, že 2 dm = 2 dm 2, tedy 2 dm 2 Z opačých erovotí dotáváme 23 Výpočet Haudorffovy míry a dmeze Určováí Haudorffovy dmeze eí v prax vůbec jedoduché Obvyle e potupuje ta, že alezeme horí hrac možy, a pa e ažíme doázat, že to je zároveň dolí hrace Nalezeí horí hrace bývá čato jedodušší Jeda z metod počívá v alezeí ε porytích možy F, ozačme možy těchto porytí U, Pro tato porytí muí platt, že ε 0 pro Potom je třeba doázat, že pro všecha platí ( damu, ) C < To zameá, že H ε C pro všecha a tím pádem H C Z toho plye, že dm F Běžý způob, ja ajít podí hrac, je využtí prcpu rozděleí hmoty Pro možu F muíme defovat míru μ a taovou, že μ > 0 Poud tato míra bude plňovat podmíu, že U F, μ( U) C( damu), de C je pevá otata, pa dm Toto tvrzeí lze doázat áledově Nechť 0 ε > a echť { } U je ε -porytí možy F Platí ( ) μ( F ) μ( U ) μ( U ) C dam U Poud vezmeme fmum pře všechy ε -porytí možy F, dotaeme CH ε μ, dále μ( ) H H F ε > 0 C 2

13 a z toho plye, že dm F, protože dm = f{ : H = 0} Nyí ěol příladů a výpočet Haudorffovy dmeze Nejprve Catorovo dotuum ebol Cator Dut Obráze 5 Kotruce Catorova dotua, dm F = Přílad Nechť F je Catorovo dotuum zotruovaé z jedotového čtverce ta, že v aždém rou čtverec rozdělíme a 6 meších čtverců délou hray 4 původí hray a poecháme pouze 4 čtverce podle obrázu Potom platí H 2, taže dm F = Výpočet: Ozačme E -tou terac Tato moža e vždy ládá ze 4 čtverců délou hray 4 Jejch dametr je 4 2 Tyto čtverce vezmeme jao -porytí možy F, de = 4 2 Tato dotaeme odhad H Když, pa 0 a dotaeme tedy H 2 Nyí e pouíme zíat dolí odhad Nechť proj je ortogoálí projece a ou x 2 Ortogoálí projece ezvyšuje vzdáleot, tj projx proj y x y, a poud xy,, pa proj je lpchtzová Tato projece je vlatě tí možy F a oe x a z otruce možy F zjtíme, že to je jedotový terval 0, S využtím toho, že zobrazeí je lpchtzové (vz věta 5), můžeme pát = déla 0, = ( 0, ) = (proj F) H H H ٱ 3

14 V tomto výpočtu jme použl prcp ortogoálí projecí, abychom dotal dolí odhad Haudorffovy míry Te lze ale použít pouze ve zvláštích případech, čato je výpočet mohem těžší V dalším příladě vypočteme dmez Catorovy možy Přílad 2 Nechť F je Catorova moža Pa dm F = = log 2 log3 a 2 H Heurtcý výpočet: Catorova moža e rozdělí a levou FL = F 0, 3 a pravou FR = F 23, čát Obě tyto čát jou geometrcy podobé možě F, pouze zmešeé a jedu třetu F R a F L jou djutí a platí F = FL FR Pro aždé platí H = H ( FL) + H ( FR) = + 3 H 3 H Toto plye z vlatot Haudorffovy míry o změě měříta Budeme předpoládat, že pro právou hodotu = dm F platí 0 < H < Abychom dotal oečou hodotu, ta muí platt = 2( 3) ebol = log 2 log3 4

15 3 Mřížová dmeze (box-coutg dmeo) V předchozí aptole jme e ezáml Haudorffovou dmezí Tato dmeze byla velm obecá, použtelá pro všechy možy, a proto taé obtížá a výpočet V prax e ovšem používají další (alteratví) typy dmezí Podrobé formace o alteratvích dmezích lze alézt v [8] Tyto dmeze bývají zpravdla založey a měřeí měřítem, dy zaedbáváme epravdelot meší ež Sledujeme, ja e tato měřeí chovají, dyž 0 Jao přílad můžeme uvét měřeí dély řvy F ta, že počítáme, ol roů dély muíme provét, abychom j celou prošl Toto provedeme pro dva růzé roy a vypočteme mocou závlot Ozačme M počet roů př délce rou Předpoládejme tedy, že zde extuje mocá závlot Pa M c pro otaty c a Poud toto atae, pa říáme, že moža F má dělící dmez (dvder dmeo) Teto výraz zlogartmujeme log M log c log a velot rou budeme tále zmešovat log M = lm 0 log Hodota vlatě zameá měrc přímy v log-log grafu Poud budeme defovat další verze dmezí, pa e amozřejmě jejch výledy a tejé možy emuí hodovat (dooce a pro hezé možy) Jejch vlatot budou taé odlšé a je třeba je odvozovat přímo z jejch defce Něteré tyto vlatot odvodíme a výledy budeme porovávat právě dmezí Haudorffovou 3 Mřížová dmeze Mřížová dmeze je v prax jeda z ejvíce používaých dmezí Algortmu e relatvě jedoduše mplemetuje a počítač a pro velou třídu mož dává tejé výledy jao Haudorffova dmeze Defce 7 Mřížová dmeze Nechť F je eprázdá omezeá podmoža a echť N je ejmeší počet mož průměrem, teré porývají F Defujeme dolí a horí mřížovou dmez možy F jao log N dmbf = lmf 0 log log N dmbf = lmup 0 log Poud e tyto výrazy rovají, pa polečou hodotu azýváme mřížovou dmezí možy F, log N dmb F = lm 0 log 5

16 Předpoládáme, že čílo je dotatečě malé, aby hodota log byla otře větší ež 0 Stejě ta echceme doputt tuace jao log 0 a log, proto a možu lademe předpolad eprázdot a omezeot Mřížovou dmez lze počítat růzým způoby Jao možy pro porytí můžeme zvolt apř rychle z mřížy e traou Věta 4 Nechť mříža tato: F je eprázdá moža a možy pro porytí F jou defováy jao < m,( m + ) > < m,( m + ) >, de m,, m jou celá číla, je ro mřížy a N je počet rychlí z mřížy, teré protíají možu F Pa mřížové dmeze počítaé pomocí N a N z defce 7 jou rovy Důaz: Je zřejmé, že tyto rychle možu F porývají, a tedy tvoří -porytí Platí, že N ( F ) N ( F ) Poud < (abychom mohl erovot přezáobt log ), pa log ( ) log ( ) log log log A poud 0, pa log N log N dmbf = lmf lmf, 0 log 0 log log N log N dmbf = lmup lmup 0 log 0 log Na druhou trau, aždá moža průměrem bude obažea v maxmálě 3 z mřížy o hraě To zameá, že N 3 N, rychlích a poud toto zlogartmujeme a pošleme ule, dotaeme opačé erovot, tz log N dmbf lmf, 0 log log N dmbf lmup ٱ 0 log Tato verze dmeze e využívá ejvíce emprcy, a odtud taé plye její jméo Možu umítíme do mřížy čtverců ebo rychlí a jedoduše počítáme, do ola rychlí moža zaahuje Mřížová dmeze vlatě říá, ja rychle rotou epravdelot e zmešujícím e Uvedl jme dva růzé způoby výpočtu mřížové dmeze (buď z defce ebo pomocí věty 4), ale amozřejmě, že to ejou všechy možé O dalších možotech ám říá áledující věta, jejíž důaz lze alézt apřílad v [8] 6

17 F F Obráze 6 Pět způobů, ja ajít mřížovou dmez možy Obrázy odpovídají bodům předchozí věty Výpočet N je tedy ejméě oulí poloměrem, 2 ejméě rychlí e traou, 3 počet rychlí z mřížy o traě, 4 ejméě mož dametrem, 5 ejvětší počet djutích oulí poloměrem e tředy v možě Věta 5 Horí a dolí mřížové dmeze možy F jou dáy jao log N dmbf = lmf, 0 log log N dmbf = lmup 0 log a amotá mřížová dmeze je dáa jao log N dmb F = lm 0 log (poud lmta extuje), de N je jedo z áledujících: ejmeší počet uzavřeých oulí poloměrem, teré porývají F ; 7

18 2 ejmeší počet rychlí e traou, teré porývají F ; 3 počet rychlí z mřížy e traou, teré protíají F ; 4 ejmeší počet mož dametrem maxmálě, teré porývají F ; 5 ejvětší počet djutích oulí poloměrem, teré mají třed v F V prax lze amozřejmě použít více evvaletích defc, teré lépe odpovídají ašm potřebám 32 Vztah mez mřížovou a Haudorffovou dmezí Nyí e pouíme zjtt vztah mez mřížovou dmezí a Haudorffovou dmezí Př výpočtu mřížové dmeze jme ašl porytí možy F, ovšem emuelo to být právě to ejvhodější pro Haudorffovu dmez Věta 6 Nechť F je eprázdá moža Pa dm dmb dmb F F F Důaz: Možu F jme poryl N možam dametrem, proto dotáváme H N Poud bude < H = lm H, pa zlogartmováím pravé tray erovot dotaeme 0 (pro dotatečě malé ) log N + log > 0 Odtud plye, že a tedy log N lm f, 0 log dm F dm F dmbf ٱ B Z této erovot bohužel plye, že Haudorffova a mřížová dmeze e erovají Avša v prax rovot atává velm čato Vzorec z defce mřížové dmeze ám říá, že pro malá e N chová jao, de = dm B F Přeěj to můžeme zapat jao a Můžeme pát, že N pro < dm B F N 0 pro > dm B F N = f :{ U} je oečé porytí F Teto záp e velm podobá defc Haudorffovy míry H = f dam U :{ U} je porytí F 8

19 Hlaví rozdíl mez těmto zápy je, že Haudorffova míra přřazuje aždé možě z porytí jou váhu (daou jejím dametrem), dežto př výpočtu mřížové dmeze předpoládáme u všech mož tejý průměr Můžeme defovat výraz vf ( ) = lmf N, ale arozdíl od H to eí míra a 0 Toto doazuje, že mřížové dmeze emají ěteré příjemé vlatot a proto e m pracuje hůře matematcy Ale a druhou trau, díy tomu, že možy porytí mají tejý průměr, ta e mřížová dmeze mohem lehčej počítá 33 Vlatot mřížové dmeze Věta 7 Pro mřížovou dmez platí: hladá plocha F dmeze m v 2 dm B a dmb jou mootóí; má dm B F = m; 3 dm B( E F) = max{dm BE,dm BF} ; eplatí pro dm B ; 4 dm B a dmb jou varatí vůč b-lpchtzové traformac Důaz lze alézt apř v [8] Věta 8 Nechť obahuje) Pa a F a F je její uzávěr (tz ejmeší uzavřeá moža, terá F dm dm B B F = dm F B F = dmbf Důaz: Nechť B, B2,, B je oečá poloupot uzavřeých oulí poloměry Poud moža B obahuje možu F, pa obahuje možu F Z toho plye, že ejmeší = počet oulí poloměrem, teré poryjí F, e rová ejmešímu počtu oulí potřebých porytí větší možy F Z toho jž plyou uvedeé rovot 9

20 4 Numercý výpočet mřížové dmeze V předchozí aptole byla mřížová dmeze popáa teoretcy, byly uvedey její vlatot, výhody a evýhody Jao výhoda byla zmíěa možot jejího výpočtu umercy pomocí výpočetí techy Poul jem e tedy vypočítat mřížovou dmez hrace Madelbrotovy možy, Julovy možy, ružce, čtverce a hrace čtverce 4 Potup V defc mřížové dmeze e objevuje lmta, dy velot mřížy zmešujeme ule Toho amozřejmě a počítač elze doáhout, proto muíme pouze přblžý potup Možu, u teré chceme měřt dmez, umítíme a mřížu a počítáme, ol čtverců z mřížy obahuje ějaou čát možy Potom vezmeme hutější mřížu a opět zjtíme počet čtverců obahujících možu Tato poračujeme pro ěol růzých mříže Zíaé hodoty vyeeme do log-log grafu, de a oe x bude log(/ ) a a oe y bude log( N ( )) Straa jedoho čtverce z mřížy je ozačea jao a N ( ) zameá počet čtverců obahujících možu v závlot a Body v grafu proložíme přímou a měrce této přímy udává právě mřížovou dmez Mřížová dmeze záví a ěola parametrech, teré velm ovlvňují výledou hodotu Neprává volba těchto parametrů může způobt velm velé chyby př výpočtu Mez tyto parametry patří volba fuce pro výpočet měrce přímy v log-log grafu; volba vhodého rozahu velotí mřížy; oretace a umítěí mřížy a možě Program pro měřeí mřížové dmeze, terý jem vytvořl, pracuje ta, že aždou buňu mřížy rozdělí a ještě jemější mřížu (20 až 50-rát jemější) a a té zjšťuje, zda body patří ebo epatří do možy Když e v jedé buňce mřížy podaří ajít bod, terý do možy patří a zároveň bod, terý tam epatří, pa daou buňou prochází hrace možy Algortmu chématcy zázorňuje obráze 7, de tečy zameají jemější mřížu a čáry předtavují buňu původí mřížy Obráze 7 Hledáí hrace možy 20

21 42 Kružce, čtverec a hrace čtverce Nejprve jem e poul umercy vypočítat dmez jedoduchých mož jao je ružce, čtverec a hrace čtverce Kružce a hrace čtverce jou hladé a po čátech hladé řvy, jejchž Haudorffova dmeze e rová jedé a čtverec má Haudorffovu dmez dvě Tabula Hrace čtverce (tray rovoběžé oam) N () log(/ ) log( N ( )) měrce mez 2 body Tabula 2 Hrace čtverce (tray otočeé o 45 vůč oám) N () log(/ ) log( N ( )) měrce mez 2 body Tabula 3 Kružce N () log(/ ) log( N ( )) měrce mez 2 body

22 46 Čtverec log-log graf hrace čtverce 4 Čtverec 2 Leárí (Čtverec ) Leárí (Čtverec 2) 36 log(n()) log(/) 45 log-log graf pro ružc 4 log(n()) log(/) Tabula 4 Vyplěý čtverec (tray rovoběžé oam) N () log(/ ) log( N ( )) měrce mez 2 body

23 Tabula 5 Vyplěý čtverec (tray otočeé o 45 vůč oám) N () log(/ ) log( N ( )) měrce mez 2 body Vyplěý čtverec 7 6 log(n()) Čtverec Čtverec 2 Leárí (Čtverec ) 2 Leárí (Čtverec 2) log(/) Objet Směrce přímy Haudorffova v log-log grafu dmeze Chyba [%] ružce hrace čtverce hrace čtverce (45 ) čtverec (45 ) čtverec Tabula 6 Směrce příme v log-log grafech a chyba dmeze Z tabule a grafů je vdět, že mřížová dmeze odpovídá utečé dmez, ale určtou chybou Když body log-log grafu proložíme přímou, zíáme aproxmac mřížové dmeze Pro čtverec, terý je rovoběžý oam (tedy mřížou), je použtí velm přeé Směrce 23

24 přímy je rova 0, tz odchyla od právé hodoty je 0% Pro čtverec otočeý o 45 vůč oám a pro ružc je měřeí jž epřeější, ale tále je chyba relatvě malá Zde je vdět, že volba prává oretace mřížy je velm důležtá Stačlo čtverec pootočt a přeot výpočtu dmeze e hed zhoršla Směrce proložeé přímy je pro čtverec a pro ružc, tz oboje e lší od právé hodoty přblžě pouze o 03% Ještě horší hodoty dotáváme u vyplěého čtverce Pro čtverec rovoběžý oam je měrce , což e lší od právé hodoty o 0783% U čtverce otočeého o 45 vychází měrce , chyba je tedy 233% Z těchto měřeí vyplývá, že př umercém výpočtu mřížové dmeze dochází chybám pro jedoduché efratálí možy Výledy ale ejou přílš odlšé od právé hodoty Podívejme e dále a mohem ložtější možu - Madelbrotovu 43 Madelbrotova moža Mtuhro Shhura v roce 994 v [6] doázal, že Haudorffova dmeze hrace Madelbrotovy možy M (ozačme j M ) je rova 2 Shhura též doázal, že dmez rovou dvěma má Julova moža, de jao otatu vezmeme bod z hrace Madelbrotovy možy Našm cílem bylo zjtt, zda bude mřížová dmeze vypočítaá umercy odpovídat dmez Haudorffově Pro jtotu přpomeňme, ja je Madelbrotova moža defováa: 2 { je omezeá} M = c C c c + c Pro výpočet jem použl vůj program, terý dle zadaých parametrů počítá Madelbrotovu možu a jemé mřížce a ečte, do ola větších čtverců pade hrace této možy Numercy počítaá mřížová dmeze má jedu z evýhod v tom, že záví a velm moha parametrech Mez hlaví parametry př výpočtu dmeze právě Madelbrotovy možy patří volba velot záladí mřížy, volba velot mřížy pro výpočet počtu zobrazeých čtverců a volba počtu terací pro rozhodutí, zda poloupot pro daý bod rote do eoeča ebo e Př mém měřeí jem e poul mět všechy hlaví parametry, ale a pro jedu volbu jem edoáhl číla dvě Naopa, výledy e velm lšly V aptole o mřížové dmez bylo uvedeo, že e tato dmeze rová Haudorffově dmez, ale emuí to být ve všech případech Toto bude zřejmě přílad, dy rovot eatává Tabula 7 Madelbrotova moža, 00 terací, záladí mříža 000 N () log(/ ) log( N ( )) měrce mez 2 body

25 Tabula 8 Madelbrotova moža, 200 terací, záladí mříža 000 N () log(/ ) log( N ( )) měrce mez 2 body Tabula 9 Madelbrotova moža, 500 terací, záladí mříža 000 N () log(/ ) log( N ( )) měrce mez 2 body log-log graf pro Madelbrotovu možu (ro mřížy 000) 45 4 log(n()) Leárí (00) Leárí (200) Leárí (500) log(/) 25

26 Tabula 0 Madelbrotova moža, 00 terací, záladí mříža N () log(/ ) log( N ( )) měrce mez 2 body Tabula Madelbrotova moža, 200 terací, záladí mříža N () log(/ ) log( N ( )) měrce mez 2 body Tabula 2 Madelbrotova moža, 500 terací, záladí mříža N () log(/ ) log( N ( )) měrce mez 2 body

27 log-log graf pro Madelbrotovu možu (mříža ) log(n()) Leárí (00) Leárí (200) Leárí (500) log(/) Tabula 3 Madelbrotova moža, 00 terací, záladí mříža 0000 N () log(/ ) log( N ( )) měrce mez 2 body Tabula 4 Madelbrotova moža, 200 terací, záladí mříža 0000 N () log(/ ) log( N ( )) měrce mez 2 body

28 Tabula 5 Madelbrotova moža, 500 terací, záladí mříža 0000 N () log(/ ) log( N ( )) měrce mez 2 body log-log graf pro Madelbrotovu možu (mříža 0000) 5 45 log(n()) Leárí (00) Leárí (200) Leárí (500) log(/) Proložíme-l body v grafu přímam, pa pro růzou velot mřížy dotaeme áledující hodoty: Tabula 6 Hodota mřížové dmeze v závlot a počtu terací a velot mřížy Mříža Iterace Tabula 6 uazuje výledy výpočtu mřížové dmeze pro Madelbrotovu možu Výledy vůbec eodpovídají tomu, co bychom očeával, a to čílu 2 Je zde ale vdět jtá ouvlot mez výledy Čím jemější záladí mříža, tím je dmeze vyšší, ale aopa čím více terací (tz přeější určeí možy), tím meší dmeze 28

29 V dotupé lteratuře jem bohužel eašel žádou zmíu o tom, že by e ědo pooušel dmez Madelbrotovy možy měřt 44 Julova moža (c=-+0) Další z mož, u teré jem e ažl změřt mřížovou dmez, je Julova moža otatou + 0 Pro teto bod eí ce záma Haudorffova dmeze, ale podařlo e m v lteratuře alézt pou o její změřeí Na teretových tráách [7] autor zveřejl vé hodoty z výpočtu Jeho potup počíval v tom, že echal arelt tuto možu jao dvoubarevý obráze (btovou mapu), a pa použl program a měřeí mřížové dmeze z obrázu Tabula 7 Julova moža c=-+0, 00 terací (můj výpočet) N () log(/ ) log( N ( )) měrce mez 2 body V tabulce 8 parametr ezameá velot buňy mřížy v omplexí rově, ale udává délu tray této buňy v pxelech (obrazových bodech) Tabula 8 Výledy měřeí z [7] pro Julovu možu c=-+0 N () log(/ ) log( N ( )) měrce mez 2 body Z výledů je vdět, že měřeí z btové mapy eí ta přeé jao metoda, dy e počty obazeých buě mřížy zíají výpočtem a jemější mřížce Směrce log-log grafu v případě mých hodot vyšla 27 a pro hodoty z [7] 6 Zde je rozdíl 0, což eí málo Bohužel hodoty emůžeme hed rovávat a říc, co je lepší, eboť u výpočtu z lteratury emám formace o důležtých parametrech jao jou počet terací a způob výpočtu měrce Z hodot je ale zřejmé, že pro výpočet dmeze autor použl obráze v relatvě 29

30 malém rozlšeí Porovám-l to e vým měřeím, ta poud bychom aždou buňu mřížy arell jao jede obrazový bod, dotal bychom obráze v rozlšeí 520x Můj výpočet Julova moža (c=-+0) měrce 2 ouedích bodů

31 5 Programy 5 Geerátor Madelbrotovy možy a mož Julových Teto program louží pro geerováí a průzum Madelbrotovy možy a Julových mož Je apá v Borlad C++ Bulderu 60 Jazy C++ jem zvoll hlavě vůl jeho rychlot, terá je pro teto typ úloh důležtá Mez hlaví fuce programu patří: geerováí Madelbrotovy možy expoetem 2, 3 a 4; geerováí přílušých Julových mož; zobrazeí teračích poloupotí v omplexí rově v abolutích hodotách; jedoduché zvětšováí čátí možy a) b) c) d) Obráze 8 Program pro zobrazeí Madelbrotovy možy a) Madelbrotova moža expoetem 4; b) Julova moža expoetem 4; c) Poloupot terací zobrazeá v abolutí hodotě; d) poloupot terací zobrazeá v omplexí rově 3

32 Program jem e ažl udělat co ejvíce užvately přátelý Stutím levého tlačíta myš lze arelt obdélí, terý e po uvolěí tlačíta zvětší do celého oa Klutím pravým tlačítem myš e zobrazí Julova moža pro bod, terý e achází pod urzorem myš Klutí levým tlačítem myš a oučaým podržeím lávey CTRL e zobrazí ové oo grafem teračí poloupot pro přílušý bod Zde lze zvolt, zda má graf být zobraze v omplexí rově ebo je jao abolutí hodoty Komplexí poloupot je zároveň zarelea do původího obrázu, aby byl lépe vdět vztah poloupot možě Zoumáme-l teračí poloupot, zjtíme, že pro Madelbrotovu možu tyto poloupot leají ule pouze pro body z ejvětší bubly Otatí poloupot oclují a platí, že čím je meší bubla, tím více vrcholů bude mít zobrazeý -úhelí Bohužel e m v lteratuře epodařlo ajít ějaé podrobot o tomto jevu, pouze to, že otatí tuto utečot taé zjtl Př programováí tohoto programu jem muel využít možotí vláe, ja by program po dobu výpočtu ereagoval a vtupy užvatele Výpočet jem e ažl co ejvíce optmalzovat, ale ta může areleí většího obrázu trvat až deíty eud 52 Program pro výpočet mřížové dmeze Teto program apaý v C++ vypočítá mřížovou dmez ružce, čtverce, hrace čtverce, Madelbrotovy možy a Julových mož Jeho výtupem je tabula obahující velot mřížy a odpovídající počet obazeých čtverců, dále btmapový obráze možy a oubor obahující ouřadce obazeých čtverců Na vtupu programu e zadávají áledující hodoty: Typ možy (ružce, čtverec, hrace čtverce, Madelbrotova moža a Julovy možy); Jemot záladí mřížy tz a ol meších čtverečů rozdělt buňu záladí mřížy, důležté pro hledáí hrace možy; Počátečí velot mřížy tz velot mřížy, e terou program zače pracovat; Koečá velot mřížy - tz velot mřížy, dy program očí; Kro mřížy oefcet pro zjemňováí mřížy (apř 05 zameá, že áledující mříža bude dvarát jemější); U Madelbrotovy a Julových mož e ještě zadává počet terací, dy rozhodout, zda bod jde ebo ejde do eoeča Algortmu: Program obahuje ěol fucí, teré zjtí, zda bod patří ebo epatří do daé možy Přílad jedé z těchto fucí: bool tet_crcle(double x,double y,double r) { f ((x*x+y*y-r*r)<=0) retur true; ele retur fale; } 32

33 Další důležtou fucí je fuce tet_box, terá rozhoduje, zda čtvercem prochází hrace Do proměých outde a de zapíšeme hodotu fale Fuce pa prochází čtverec mřížy (o velot ze) po rou z jemější mřížy (proměá tep) Fuce tet_madel vrací, zda bod patří č epatří do možy Poud e tae, že v tomto čtverc ějaý bod patřl do možy (proměá de bude true) a zárově tam ějaý epatřl (proměá outde bude true), pa e to proměé ed uloží true, což zameá, že teto čtverec obahuje hrac možy V otatích případech bude ed rovo fale Moje mplemetace této fuce: bool tet_box(double x0,double y0,double tep,double ze,t ter,t type) { double y = y0; bool ed = fale; bool outde = fale; bool de = fale; do { double x=x0; do { //tet pro Madelbrotovu mozu bool tet = tet_madel2(x,y,ter); f (tet) de = true; ele outde = true; } x+=tep; ed = (de && outde); } whle ((!ed) && (x<(x0+ze))); y+=tep; } whle ((!ed) && (y<(y0+ze))); retur ed; Poledí důležtou fucí, je fuce, terá rozdělí plochu a mřížu podle zadáí Pro aždý čtverec z mřížy zavolá fuc tet_box Poud tet_box vrátí true, zvýší e hodota N, terá zameá počet započteých čtverců Pro aždý čtverec zároveň zapíše pxel do výtupího obrázu a ouřadce obazeého čtverce do výtupího textového ouboru Výtupí data program ja ezpracovává, a proto je třeba použít ějaého tabulového edtoru 33

34 6 Závěr Cílem toho výzumého úolu pro me bylo detalější ezámeí fratálím dmezem, jejch výpočet a vlatot Zíaé formace jem e ažl podat v této prác co ejrozumtelěj a hlavě v čeém jazyce Aglcých materálů je dotate, ale čey jem eašel oro c V aptole o Haudorffově dmez jem hrul její důležté vlatot Důazy větám jem většou použl z lteratury, ale ažl jem e, aby byly lépe pochoptelé, ěteré úvahy jem více rozvedl a podroběj popal Něteré věty byly v lteratuře uvedey jao cvčeí, e terým bylo za úol důazy dodělat Většu jem zvládul, ale amozřejmě jem je zotroloval e právým řešeím Mřížová dmeze je v prax velm čato používaá, proto jem e jí taé tezvě věoval Teoretcá čát hruje důležté vlatot a vztah Haudorffově míře Tyto formace jem využl dále a ažl jem e umercy vypočítat dmeze růzých mož Pro měřeí dmeze jem apal program v jazyce C++, terý dle zadaých parametrů počítá mřížovou dmez Výledy jem poroval buď dmezí Haudorffovou ebo údaj z lteratury Výledy měřeí pro jedoduché možy vyšly podle očeáváí, ovšem zde docházelo chybám v řádu deet až jedote procet Pro Madelbrotovu možu byly výledy úplě rozdílé ež jem čeal Moje další práce by e měla týat právě těchto jevů Budu e ažt alézt odpověď, proč dochází chybám pro jedoduché možy a proč mřížová dmeze Madelbrotovy možy vyšla úplě ja V případě Madelbrotovy možy e abízí otáza, zda je pro tuto možu mřížová dmeze rozdílá od Haudorffovy ebo zda pouze eí Madelbrotova moža geerováa epřeě V programu jem použl běžý způob geerováí této možy Je možé, že př geerováí jým algortmem bych dotal lepší výledy Pomocí mého programu pro geerováí Madelbrotovy možy lze provádět její průzum a zároveň zobrazt teračí poloupot ja v omplexí rově, ta v abolutích hodotách Díy tomu e m podařlo objevt, že pro ejvětší bublu Madelbrotovy možy leají poloupot ule, zatímco pro meší bubly poloupot vždy ocluje Zjtl jem taé, že čím je bubla meší, tím má teračí poloupot více růzých bodů V lteratuře e o tomto jevu přílš epíše, ověřl jem pouze, že to je pravdvý výlede Nově jem začal pracovat a programu pro geerováí fratálů typu Kochovy řvy Program by měl být uverzálí možotí vyreleí lbovolého fratálu a příjemým užvatelým rozhraím Mylím, že evyřešeých úolů v oblat fratálí geometre je ještě moho, a proto bych voj další prác chtěl věovat právě této oblat matematy 34

35 7 Lteratura [] Petge H-O, Jurge H, Saupe D: ''Chao ad Fractal: New Froter of Scece'', Sprger-Verlag, New Yor, 992 [2] Petge H-O, Rchter P H: ''The Beauty of Fractal'', Sprger-Verlag, Berl Hedelberg, 986 [3] Barley M F: ''Fractal Everywhere'', Academc Pre Ic, Sa Dego, 988 [4] Bochíče M, Nežádal M, Zmešal O: ''Numerc Calculato of Fractal Dmeo'', [5] Bochíče M, Nežádal M, Zmešal O: ''The Box-coutg: Crtcal Study'', [6] Shhura M: "The Boudary of the Madelbrot Set ha Haudorff Dmeo Two", Atérque, No 222, 7, , 994 [7] Elert G: ''The Chao Textboo'', [8] Falcoer K: ''Fractal Geometry'', Joh Wley & So, 2003 [9] Edgar G: ''Meaure, Topology ad Fractal Geometry'', Sprger-Verlag, Berl,

Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)

Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a) Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a

Více

Téma 1: Pravděpodobnost

Téma 1: Pravděpodobnost ravděpodobot Téma : ravděpodobot ředáša - ravděpodobot áhodého evu Náhodý pou a áhodý ev Náhodý pou - aždá čot, eíž výlede eí edozačě urče podmíam, za terých probíhá apř hod otou, měřeí dély, běh a 00

Více

2. Vícekriteriální a cílové programování

2. Vícekriteriální a cílové programování 2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě

Více

3. cvičení 4ST201 - řešení

3. cvičení 4ST201 - řešení cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 - řešeí Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry

Více

Statistické charakteristiky (míry)

Statistické charakteristiky (míry) Stattcé charaterty (míry) - hrují formac, obažeou v datech (vyjadřují j v ocetrovaé formě); - charaterzují záladí ryy zoumaého ouboru dat; - umožňují porováváí více ouborů. upy tattcých charatert :. charaterty

Více

Charakteristiky úrovně

Charakteristiky úrovně Charaterty úrově Měřeí úrově Úroveň (poloha) je jedou ze záladích vlatotí tattcých dat, v úrov e mohou tattcá data lšt ebo aopa hodovat. Výzačé hodoty varačí řady ejou ctlvé a změu jedotlvých hodot Medá

Více

3. cvičení 4ST201. Míry variability

3. cvičení 4ST201. Míry variability cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry varablty

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků 1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru.

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru. Soutava mometů Momety (Obecé, cetrálí a ormovaé) Do ytému mometových charatert patří ty ejdůležtější artmetcý průměr (mometová míra úrově) a rozptyl (mometová úroveň varablty). Obecý momet -tého tupě:

Více

7 VYUŽITÍ METOD OPERAČNÍ ANALÝZY V TECHNOLOGII DOPRAVY

7 VYUŽITÍ METOD OPERAČNÍ ANALÝZY V TECHNOLOGII DOPRAVY 7 VYUŽITÍ METOD OERAČNÍ ANALÝZY V TECHNOLOGII DORAVY Operačí aalýza jao jeda z oblatí apliovaé matematiy achází vé široé uplatěí v průmylových a eoomicých apliacích. Jedím z oborů, ve teré hraje ezatupitelou

Více

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení. MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty

Více

U. Jestliže lineární zobrazení Df x n n

U. Jestliže lineární zobrazení Df x n n MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o

Více

Téma 5: Analýza závislostí

Téma 5: Analýza závislostí Aalýza závlotí Téma 5: Aalýza závlotí Předáša 5 Závlot mez ev Záladí pom Předmětem této aptol ude zoumáí závlotí ouvlotí mez dvěma a více ev. Jedá e o proutí do vztahů mez ledovaým ev a tím přlížeí tzv.

Více

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor 1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

3. Charakteristiky a parametry náhodných veličin

3. Charakteristiky a parametry náhodných veličin 3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

1. Přirozená topologie v R n

1. Přirozená topologie v R n MATEMATICKÁ ANALÝZA III předášy M Krupy Zií seestr 999/ Přirozeá topologie v R V prví části tohoto tetu zavádíe přirozeou topologii a ožiě R ejprve jao topologii orovaého prostoru a pa jao topologii součiu

Více

8.1.2 Vzorec pro n-tý člen

8.1.2 Vzorec pro n-tý člen 8.. Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Myslím, že jde o jedu z velmi pěých hodi. Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým

Více

NEPARAMETRICKÉ METODY

NEPARAMETRICKÉ METODY NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

5 - Identifikace. Michael Šebek Automatické řízení

5 - Identifikace. Michael Šebek Automatické řízení 5 - Idetface Mchael Šebe Automatcé řízeí 06 8-3-6 Idetface Automatcé řízeí - Kybereta a robota Aeb ja zíat model ytému z dat (a valdovat ho a jých datech) whte box (víme vše): ze záladích prcpů (fyz-chem-bo-

Více

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

8.1.2 Vzorec pro n-tý člen

8.1.2 Vzorec pro n-tý člen 8 Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým příladům z IQ testů, teré studeti zají

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

Více

ZÁKLADY POPISNÉ STATISTIKY

ZÁKLADY POPISNÉ STATISTIKY ZÁKLADY POPISNÉ STATISTIKY Statitia věda o metodách běru, zpracováí a vyhodocováí tatiticých údaů. Statiticé údae ou apř. údae o přirozeém přírůtu či migraci obyvateltva, obemu výroby průmylových podiů,

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

Více

10.2.3 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI

10.2.3 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI Středí hodoty Artmetcý průměr vážeý Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI Zatím jsme počítal s tím, že četost ve vztahu pro vážeý artmetcý průměr byla přrozeá čísla Četost mohou

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

Více

S k l á d á n í s i l

S k l á d á n í s i l S l á d á í s i l Ú o l : Všetřovat rovováhu tří sil, působících a tuhé těleso v jedom bodě. P o t ř e b : Viz sezam v desách u úloh a pracovím stole. Obecá část: Při sládáí soustav ěolia sil působících

Více

} kvantitativní znaky

} kvantitativní znaky Měřeí tattcké závlot, korelace, regree Obecé prcpy závlot vzájemá ouvlot měřeých zaků Prof. RNDr. Jaa Zvárov rová,, DrSc. fukčí závlot x tattcká závlot átroje pro měřeí závlot leár rí regree korelace }

Více

1 STATISTICKÁ ŠETŘENÍ

1 STATISTICKÁ ŠETŘENÍ STATISTICKÁ ŠETŘENÍ Záladem aždého tattcého zoumáí jou údaje (data). Lze je zíat v záadě dvěma způoby. Buď je převzít z ějaého zdroje ebo je am zjtt. Seudárí data údaje, teré převezmeme z růzých zdrojů;

Více

1.1. Primitivní funkce a neurčitý integrál

1.1. Primitivní funkce a neurčitý integrál Mateatia II. NEURČITÝ INTEGRÁL.. Priitiví fuce a eurčitý itegrál Defiice... Říáe, že fuce F( ) je v itervalu ( ab, ) priitiví fucí fuci f ( ), platí-li pro všecha ( ab, ) vztah F = f. Defiice... Možia

Více

Momenty a momentové charakteristiky

Momenty a momentové charakteristiky Lekce 3 Momety a mometové charaktertky Pokud jme e v předešlém výkladu zmňoval o ěkteré tattcké charaktertce, zpravdla jme rověž uváděl, zda j řadíme mez více ebo méě důležté. A byly to právě artmetcký

Více

2. TEORIE PRAVDĚPODOBNOSTI

2. TEORIE PRAVDĚPODOBNOSTI . TEORIE PRAVDĚPODOBNOSTI V prax se můžeme setat s dvojím typem procesů. Jeda jsou to procesy determstcé, u terých platí, že př dodržeí orétích vstupích podmíe obdržíme přesý, předem zámý výslede (te můžeme

Více

Popisná statistika. (Descriptive statistics)

Popisná statistika. (Descriptive statistics) Popá tatta Decrptve tattc Výledem měřeí je oubor aměřeých hodot vytvářející datový oubor D { } V datovém ouboru e mohou vyytovat tytéž hodoty vícerát, zejméa tehdy, mají-l velčy drétí epojtou povahu počet

Více

Popis datového souboru

Popis datového souboru Lece 3 Pop datového ouboru Zatím jme hovořl převážě o zjšťováí dat a jejch zpracováí Údaje datového ouboru popují aždý případ zvlášť Ní e pouíme vužít údaje tomu, abchom zobecl určté tpcé vlatot datového

Více

5. Lineární diferenciální rovnice n-tého řádu

5. Lineární diferenciální rovnice n-tého řádu 5 3.3.8 8:44 Josef Herdla lieárí difereciálí rovice -tého řádu 5. Lieárí difereciálí rovice -tého řádu (rovice s ostatími oeficiety) ( ), a,, a (5.) ( ) ( ) y a y a y ay q L[ y] y a y a y a y, q je spojitá

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

Lekce Úroveň a její měření. aritmetický průměr; geometrický průměr; harmonický průměr; medián; mocninový

Lekce Úroveň a její měření. aritmetický průměr; geometrický průměr; harmonický průměr; medián; mocninový Lece Nejjedodušší Měřeí a charaterty úrově vlatotí datového ouboru je jeho úroveň, azývaá taé poloha. Charaterty úrově dělíme především podle toho, zda jou tvořey a báz výzamých hodot ebo zda jou fucem

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI 8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -

Více

stavební obzor 1 2/2014 11

stavební obzor 1 2/2014 11 tavebí obzor /04 Exploratorí aalýza výběrového ouboru dat pevoti drátobetou v tlau Ig. Daiel PIESZKA Ig. Iva KOLOŠ, Ph.D. doc. Ig. Karel KUBEČKA, Ph.D. VŠB-TU Otrava Faulta tavebí Věrohodé vyhodoceí experimetálích

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce

MATEMATICKÁ INDUKCE. 1. Princip matematické indukce MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

Digitální učební materiál

Digitální učební materiál Dgtálí učebí materál Číslo projetu CZ..07/.5.00/34.080 Název projetu Zvaltěí výuy prostředctvím ICT Číslo a ázev šabloy líčové atvty III/ Iovace a zvaltěí výuy prostředctvím ICT Příjemce podpory Gymázum,

Více

Obr. DI-1. K principu reverzibility (obrácení chodu paprsků).

Obr. DI-1. K principu reverzibility (obrácení chodu paprsků). Učebí text k předášce UFY8 Dvojvzková tererece teké vrtvě Dvojvzková tererece teké vrtvě Předpokládejme, vl o mpltudě dvou delektrk tk, že mpltud održeé vly bude o dexu lomu bude t (vz obr. DI-1). v protředí

Více

P. Girg. 23. listopadu 2012

P. Girg. 23. listopadu 2012 Řešeé úlohy z MS - díl prví P. Girg 2. listopadu 202 Výpočet ity poslouposti reálých čísel Věta. O algebře it kovergetích posloupostí.) Necht {a } a {b } jsou kovergetí poslouposti reálých čísel a echt

Více

Generování dvojrozměrných rozdělení pomocí copulí

Generování dvojrozměrných rozdělení pomocí copulí Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

Testování statistických hypotéz

Testování statistických hypotéz Tetováí tatitických hypotéz CHEMOMETRIE I, David MILDE Jedá e o jedu z ejpoužívaějších metod pro vyloveí závěrů o základím ouboru, který ezkoumáme celý, ale pomocí áhodého výběru. Př.: Je obah účié látky

Více

3. Charakteristiky a parametry náhodných veličin

3. Charakteristiky a parametry náhodných veličin 3. Charatersty a parametry áhodýh velč Úolem této aptoly je zavést pomoý aparát, terým budeme dále popsovat pomoí jedoduhýh prostředů áhodé velčy. Taovýmto aparátem jsou tzv. parametry ebo haratersty áhodé

Více

Odhady a testy hypotéz o regresních přímkách

Odhady a testy hypotéz o regresních přímkách Lekce 3 Odhad a tet hpotéz o regreích přímkách Ve druhé lekc jme kotruoval kofdečí terval a formuloval tet hpotéz o korelačím koefcetu Korelačí koefcet je metrckou charaktertkou tezt závlot, u které ezáleží

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,

Více

SP2 Korelační analýza. Korelační analýza. Libor Žák

SP2 Korelační analýza. Korelační analýza. Libor Žák Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet

Více

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

n 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1

n 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1 3. cvičeí Přílady. (a) (b) (c) ( ) ( 3 ) = Otestujeme itu 3 = 3 = = 0. Je vidět, že posloupost je elesající, tedy z Leibize řada overguje, ( ) Řada overguje podle Leibizova ritéria, ebot je zjevě erostoucí.

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

PRAVDĚPODOBNOST A STATISTIKA. Testy hypotéz

PRAVDĚPODOBNOST A STATISTIKA. Testy hypotéz SP3 Tey hypoéz PRAVDĚPODOBNOST A STATISTIKA Tey hypoéz Lbor Žá SP3 Tey hypoéz Lbor Žá Tey hypoéz- úvod Nechť X X e áhodý výběr T X X X áhodý veor ezávlé ložy erý má rozděleí závlé a parameru θ Θ Θ R Ozačme:

Více

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu Směrce /0 Stattcké vyhodocováí dat, verze 4 Verze 4 e hodá e Směrcí /0 verze 3, ouze byla rozšířea o robutí aalýzu. Stattcké metody ro zkoušeí zůoblot Cílem tattcké aalýzy výledků zkoušek ř zkouškách zůoblot

Více

Téma 3: Popisná statistika

Téma 3: Popisná statistika Popá tatta Téma : Popá tatta Předáša 7 Záladí tattcé pojmy Pojem a úoly tatty Statta je věda, teá e zabývá zíáváím, zpacováím a aalýzou dat po potřeby ozhodováí. Zoumá tav a vývoj homadých jevů a vztahů

Více

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR Středí hodoty Artmetcý průměr vážeý ze tříděí Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR Výzam a užtí vážeého artmetcého průměru uážeme a ásledujících příladech Přílad 0 Ve frmě Gama Blatá máme soubor

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

SPOTŘEBITELSKÝ ÚVĚR. Na začátku provedeme inicializaci proměnných jejich vynulováním příkazem "restart". To oceníme při opakovaném použití dokumentu.

SPOTŘEBITELSKÝ ÚVĚR. Na začátku provedeme inicializaci proměnných jejich vynulováním příkazem restart. To oceníme při opakovaném použití dokumentu. SPOTŘEBITELSKÝ ÚVĚR Úloha 3 - Fiacováí stavebích úprav Rozhodli jsme se pro stavebí úpravy v bytě. Po zhotoveí rozpočt a tyto úpravy jsme zjistili, že ám chybí ještě 30 000,-Kč. Máme možost si tto část

Více

O Jensenově nerovnosti

O Jensenově nerovnosti O Jeseově erovosti Petr Vodstrčil petr.vodstrcil@vsb.cz Katedra aplikovaé matematiky, Fakulta elektrotechiky a iformatiky, Vysoká škola báňská Techická uiverzita Ostrava Ostrava, 28.1. 2019 (ŠKOMAM 2019)

Více

Testování statistických hypotéz

Testování statistických hypotéz Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím

Více

Posloupnosti ( 1) ( ) 1. Různým způsobem (rekurentně i jinak) zadané posloupnosti. 2. Aritmetická posloupnost

Posloupnosti ( 1) ( ) 1. Různým způsobem (rekurentně i jinak) zadané posloupnosti. 2. Aritmetická posloupnost Poloupoti Růzým způobem (rekuretě i jik zdé poloupoti Urči prvích pět čleů poloupoti, ve které, + Urči prvích pět čleů poloupoti, je-li dáo:, + + Urči prvích pět čleů poloupoti, je-li dáo: 0,, Urči prvích

Více

Pro orientaci v této problematice jsme se seznámili s nkolika novými pojmy:

Pro orientaci v této problematice jsme se seznámili s nkolika novými pojmy: Ig. Marta Ltschmaová Statsta I., cveí 8 LIMITNÍ VTY Lmtí vty jsou tvrzeí, terá jsou dležtá pro pops pravdpodobostích model v pípad rostoucího potu áhodých pous.. ro oretac v této problematce jsme se sezáml

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

Posloupnost v matematice je řada čísel. Je přesně určeno pořadí čísel, je tedy dáno, které číslo je první, druhé atd.

Posloupnost v matematice je řada čísel. Je přesně určeno pořadí čísel, je tedy dáno, které číslo je první, druhé atd. Poloupoti Poloupot v mtemtice je ř číel. Je přeě určeo poří číel, je tey áo, které čílo je prví, ruhé t. V řě číel může le emuí být ějký ytém. Poloupot můžeme určit ěkolik růzými způoby:. Výčet prvků:

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

8. Zákony velkých čísel

8. Zákony velkých čísel 8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy

Více

1 Seznamová barevnost úplných bipartitních

1 Seznamová barevnost úplných bipartitních Barvení grafů pravděpodobnotní důazy Zdeně Dvořá 7. proince 208 Seznamová barevnot úplných bipartitních grafů Hypergraf je (labě) -obarvitelný, jetliže exituje jeho obarvení barvami neobahující monochromaticou

Více

9. REGRESNÍ A KORELAČNÍ ANALÝZA

9. REGRESNÍ A KORELAČNÍ ANALÝZA Pravděpodobot a tattka 9. REGRESNÍ A KORELAČNÍ ANALÝZA Průvodce tudem V předchozí kaptole jme uvedl způob, jak popat leárí závlot mez dvěma argumety a její míru. Užtím korelačích poměrů je možé zjtt, zda

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

Měření a charakteristiky variability

Měření a charakteristiky variability Lece Měřeí a charatert varablt Po úrov je druhou vlatotí datového ouboru promělvot varablta Tato vlatot je ložtější o čemž vpovídají ja růzé ocepce chápáí promělvot dat ta začý počet dpoblích charatert

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

Aktivita 1 Seminář základů statistiky a workshop (Prof. Ing. Milan Palát, CSc., Ing. Kristina Somerlíková, Ph.D.)

Aktivita 1 Seminář základů statistiky a workshop (Prof. Ing. Milan Palát, CSc., Ing. Kristina Somerlíková, Ph.D.) Aktvta Semář základů tattky a workhop (Prof. Ig. Mla Palát, CSc., Ig. Krta Somerlíková, Ph.D.) Stattcké tříděí Základí metoda tattckého zpracováí. Sekupováí hodot proměé, které jou z hledka klafkačího

Více

a 1 = 2; a n+1 = a n + 2.

a 1 = 2; a n+1 = a n + 2. Vyjářeí poloupoti Poloupot můžeme určit ěkolik růzými způoby. Prvím je protý výčet prvků. Npříkl jeouchá poloupot uých číel by e výčtem l zpt tkto:,, 6,,... Dlší možotí je vzorec pro tý čle. Stejá poloupot

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů některých rozdělení. 4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:

Více

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou

Více

Popisné (deskriptivní) metody. Statistické metody a zpracování dat. II. Popisné statistické metody. Rozdělení četností. Skupinové rozdělení četností

Popisné (deskriptivní) metody. Statistické metody a zpracování dat. II. Popisné statistické metody. Rozdělení četností. Skupinové rozdělení četností Popé (derptví) metody Číme závěry pouze z určtého zpracovávaého ouboru výběrového, popujeme je to, co bylo zjštěo, bez zobecňováí Stattcé metody a zpracováí dat II. Popé tattcé metody Petr Dobrovolý Derptví

Více

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

Více

DISKRÉTNÍ MATEMATIKA II

DISKRÉTNÍ MATEMATIKA II Faulta pedagogcá Techcá uverzta v Lberc DISKRÉTNÍ MATEMATIKA II Doc. RNDr. Mroslav Koucý CSc. Lberec 4 Úvod Dsrétí ateata resp. její zálady patří jž tradčě ez stadardí téata předášeá a Techcé uverztě v

Více

3.3.4 Thaletova věta. Předpoklady:

3.3.4 Thaletova věta. Předpoklady: 3.3.4 Thaletova věta Předpolady: 030303 Př. : Narýsuj ružnici ( ;5cm) a její průměr. Na ružnici narýsuj libovolný bod různý od bodů, (bod zvol jina než soused v lavici). Narýsuj trojúhelní. Má nějaou speciální

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzt Krlov v Prze Pedgogcká kult SEMINÁRNÍ PRÁCE Z POLYNOMICKÉ ALGEBRY POLYNOM / CIFRIK Zdáí: Vyšetřete všem probrým prostředky polyom Vyprcováí: Rcoálí kořey Podle věty: Nechť p Q je koře polyomu q

Více

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti

Více