SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost

Rozměr: px
Začít zobrazení ze stránky:

Download "SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost"

Transkript

1 SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1

2 část 2 Statistika a pravděpodobnost 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 2

3 Rozdělovací funkce (pdf) označení f ( x) vlastnosti nezáporná f ( x) 0 jednotková plocha f ( x)dx 1 Obrázek 1. pdf 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 3

4 Distribuční funkce (cdf) označení F definice ( x) F ( x) P( x) vlastnosti lim F ( x) 1 x lim F ( x) 0 x F ( x) 0 neklesající x Obrázek 3. cdf 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 4

5 Charakteristiky rozdělení střední hodnota = těžiště rozdělovací funkce rozptyl 100p% kvantil x f ( x)dx 2 Var( ) ( ) ( )d - směrodatná odchylka x f x x = Var( ) Q F 1 ( p) p Obrázek 2. charakteristiky medián Q F (0.5) 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 5

6 Co je a co není platná cdf nebo pdf Obrázek 4. Testování kritérií cdf a pdf 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 6

7 Sdružená hustota pravděpodobnosti Rozdělení pravděpodobnost dvou či více veličin f,y,z, (x,y,z, ) Obrázek 5. Sdružená hustota pravděpodobnosti 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 7

8 Statistická závislost veličiny a Y jsou nezávislé právě když f ( x, y) f ( x) f ( y) Y Y Obrázek 6. Nezávislé a závislé veličiny 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 8

9 Pearsonův korelační koeficient míra lineární závislosti r = 0 mohou či nemusí být závislé r 0 závislé r > 0 pozitivní korelace, r < 0 negativní korelace limity A i, j Cov var i, var i j j, 1, 1 Y ( Y, ) xy f ( x, y)dxdy Y y Y 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 9

10 náhodná veličina Korelační matice Diagonální Symetrická Pozitivně definitní 1 A 1,2 A 1,NVar 1 A 2,NVar 1 Symetrie korelační matice 1 1 náhodná veličina 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 10

11 2D reprezentace závislosti 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 11

12 Příklady ne/závislých veličin poslední řádek = nulová Pearsonova korelace, jinak ale závislé náhodné veličiny Obrázek 7. Příklady Personovy korelační míry 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 12

13 Neparametrické pořadové míry korelace Spearman, nezávislá na typu rozdělení, robustní, místo samotných hodnot používá jejich pořadí A k i, j 3 NSim R 2 ki Rkj 6 1, 1, 1 N Sim Kendallovo tau τ τ q,p, j 1,2, N i ji j, R ki pořadí vzorku i v seřazeném výběru Odolné k defektům v datech, používají jen pořadí 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 13

14 Srovnání korelačních měr pro praktické spolehlivostní výpočty je rozdíl nepodstatný, protože je beztak často minimální znalost skutečné závislosti vstupních veličin Pearson klasická Neparametrická - robustní Obrázek 8. Spearmanova versus Pearsonova korelace 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 14

15 Rovnoměrné (obdelníkové) rozdělení dva parametry a spodní mez b horní mez lze ho jednoduše simulovat na počítači Obrázek 9. Rovnoměrné rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 15

16 Normální (Gaussovo) rozdělení dva parametry m střední hodnota s směrodatná odchylka výsledek centrálního limitního teorému (součet mnoha veličin vždy vede na Normální rozdělení) například geometrické veličiny, IQ, Obrázek 10. Normalní rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 16

17 Standardizované normální rozdělení střední hodnota 0 směrodatná odchylka 1 symbol F Obrázek 11. Standardizované normální rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 17

18 Lognormální rozdělení dva parametry m střední hodnota v logprostoru s směrodatná odchylka v log-prostoru omezeno zdola nulou např. pevnost, hustota, nejistoty, Youngův modul, Obrázek 12. Lognormální rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 18

19 Weibullovo rozdělení (2-parametrické) dva parametry m parametr tvaru l parametr měřítka výsledek teorie extrémních hodnot (minimum z mnoha veličin může vést na Weibullovo rozdělení) např. pevnost, omezeno zdola nulou Obrázek 13. Weibullovo rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 19

20 Beta rozdělení dva parametry a, b parametry tvaru oboustranně omezené meze mohou být jednoduše upraveny z intervalu [0,1] na libovolný reálný interval => další dva parametry Obrázek 14. Beta rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 20

21 Určení vhodného rozdělení střední část může být určena z histogramů, ale pro spolehlivostní výpočty jsou nejdůležitější okrajové části!!! nutnost určení rozdělení teoreticky (z fyzikálních principů) Statistické testy: Kolmogorov-Smirnov Chi-square test Obrázek 15. Hledání optimálního rozdělení 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 21

22 Stochastický proces v čase ne pouze jednotlivé hodnoty ale také jejich časová posloupnost např. meteorol. data, výška hladiny, rychlost větru stacionární proces charakteristiky procesu (střední hodnota, rozptyl, vyšší statistické momenty + korelace) se s časem nemění A klasický histogram E histogram extrémních hodnot auto-korelační funkce, spektrální hustota stochastická metoda konečných prvků nestacionární proces Obrázek 16. Stochastický proces 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 22

23 Náhodné pole prostorová závislost Pevnost materiálu, Youngův modul, veličiny se mění v prostoru spíše spojitě spojitost lze zajistit požadováním kladné korelační závislosti 2 jejíž velikost je dána vzdáleností d is correlation length ij xi xj exp d více veličin lze reprezentovat více náhodnými poli s vzájemnou korelací Obrázek 17. Náhodné pole ve 2D Obrázek 18. Náhodné pole ve 3D 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 23

PRAVDĚPODOBNOST A STATISTIKA OPAKOVÁNÍ, pro rozpoznávání

PRAVDĚPODOBNOST A STATISTIKA OPAKOVÁNÍ, pro rozpoznávání PRAVDĚPODOBNOST A STATISTIKA OPAKOVÁNÍ, pro rozpoznávání Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac

Více

a) Základní informace o souboru Statistika: Základní statistika a tabulky: Popisné statistiky: Detaily

a) Základní informace o souboru Statistika: Základní statistika a tabulky: Popisné statistiky: Detaily Testování hypotéz Testování hypotéz jsou klasické statistické úsudky založené na nějakém apriorním předpokladu. Vyslovíme-li předpoklad o hodnotě neznámého parametru nebo o zákonu rozdělení sledované náhodné

Více

Hodnocení způsobilosti procesu. Řízení jakosti

Hodnocení způsobilosti procesu. Řízení jakosti Hodnocení způsobilosti procesu Řízení jakosti Hodnocení způsobilosti procesu a její cíle Způsobilost procesu je schopnost trvale dosahovat předem stanovená kriteria kvality. Snaha vyjádřit způsobilost

Více

Základy. analýzy hlavních komponent a multivariačních regresních metod pro spektrální analýzu

Základy. analýzy hlavních komponent a multivariačních regresních metod pro spektrální analýzu Základy analýzy hlavních komponent a multivariačních regresních metod pro spektrální analýzu Multivariační analýza dat použití mnoha proměnných zároveň základem tabulka - matice dat řádky - vzorky sloupce

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

Více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více 9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme

Více

Tvorba trendové funkce a extrapolace pro roční časové řady

Tvorba trendové funkce a extrapolace pro roční časové řady Tvorba trendové funkce a extrapolace pro roční časové řady Příklad: Základem pro analýzu je časová řada živě narozených mezi lety 1970 a 2005. Prvním úkolem je vybrat vhodnou trendovou funkci pro vystižení

Více

Příklady k třetímu testu - Matlab

Příklady k třetímu testu - Matlab Příklady k třetímu testu - Matlab 18. dubna 2013 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a naprogramujte příklad podobný. Tím se ujistíte, že příkladu rozumíte.

Více

Řešení: a) Označme f hustotu a F distribuční funkci náhodné veličiny X. Obdobně označme g hustotu a G distribuční funkci náhodné veličiny Y.

Řešení: a) Označme f hustotu a F distribuční funkci náhodné veličiny X. Obdobně označme g hustotu a G distribuční funkci náhodné veličiny Y. VII. Transformace náhodné veličiny. Náhodná veličina X má exponenciální rozdělení Ex(; ) a náhodná veličina Y = X. a) Určete hustotu a distribuční funkci náhodné veličiny Y. b) Vypočtěte E(Y ) a D(Y ).

Více

Základy matematické statistiky

Základy matematické statistiky r- MATEMATICKO-FYZIKÁLNí FAKULTA UNIVERZITY KARLOVY V PRAZE Jifí Andel Základy matematické statistiky matfyzpress PRAHA 2011 r I Obsah Predmluva. 11 1 Náhodné veličiny 1.1 Základní pojmy 1.2 Príklady diskrétních

Více

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 2: Pravděpodobnostní vyjádření náhodných veličin 0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník

Více

Isingův model. H s J s s h s

Isingův model. H s J s s h s Ising Isingův model H s J s s h s i, j Motivován studiem fázových přechodů a kritických jevů Užíva se popis pomocí magnetických veličin i j i i Vlastnosti pomocí partiční sumy počítej: měrné teplo, susceptibilitu

Více

Regresní a korelační analýza

Regresní a korelační analýza Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti

Více

IDENTIFIKACE BIMODALITY V DATECH

IDENTIFIKACE BIMODALITY V DATECH IDETIFIKACE BIMODALITY V DATECH Jiří Militky Technická universita v Liberci e- mail: jiri.miliky@vslib.cz Milan Meloun Universita Pardubice, Pardubice Motto: Je normální předpokládat normální data? Zvláštnosti

Více

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík

Pravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné

Více

Diskrétní rozdělení Náhodná veličina má diskrétní rozdělení pravděpodobnosti, jestliže existuje seznam hodnot

Diskrétní rozdělení Náhodná veličina má diskrétní rozdělení pravděpodobnosti, jestliže existuje seznam hodnot Rozdělení Náhodná veličina Náhodná veličina je vyjádření výsledku náhodného pokusu číselnou hodnotou. Jde o reálnou funkci definovanou na množině. Rozdělení náhodné veličiny udává jakých hodnot a s jakou

Více

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

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

Více

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.

Více

Zápočtová práce STATISTIKA I

Zápočtová práce STATISTIKA I Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru

Více

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

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

Více

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí

Více

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední

Více

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové

Více

Pravděpodobnost a statistika I KMA/K413

Pravděpodobnost a statistika I KMA/K413 Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,

Více

Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích

Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Nedostatešný popis systému a jeho modelu vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělit fyzickou nebo

Více

Úvod. Analýza závislostí. Přednáška STATISTIKA II - EKONOMETRIE. Jiří Neubauer

Úvod. Analýza závislostí. Přednáška STATISTIKA II - EKONOMETRIE. Jiří Neubauer Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Úvod Předmětem této kapitoly bude zkoumání souvislosti (závislosti) mezi

Více

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

MÍRY ZÁVISLOSTI (KORELACE A REGRESE) zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství 1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí

Více

Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.

Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné

Více

2.4.11 Nerovnice s absolutní hodnotou

2.4.11 Nerovnice s absolutní hodnotou .. Nerovnice s absolutní hodnotou Předpoklady: 06, 09, 0 Pedagogická poznámka: Hlavním záměrem hodiny je, aby si studenti uvědomili, že se neučí nic nového. Pouze používají věci, které dávno znají, na

Více

2.8.9 Parametrické rovnice a nerovnice s absolutní hodnotou

2.8.9 Parametrické rovnice a nerovnice s absolutní hodnotou .8.9 Parametrické rovnice a nerovnice s absolutní hodnotou Předpoklady: 0,, 806 Pedagogická poznámka: Opět si napíšeme na začátku hodiny na tabuli jednotlivé kroky postupu při řešení rovnic (nerovnic)

Více

Testy nezávislosti kardinálních veličin

Testy nezávislosti kardinálních veličin Testy nezávislosti kardinálních veličin Komentované řešení pomocí programu R Ústav matematiky Fakulta chemicko inženýrská Vysoká škola chemicko-technologická v Praze Načtení vstupních dat Vstupní data

Více

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy: Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je

Více

Katedra matematiky Matematika a byznys Příklady odhadů a předpovědí časových posloupností

Katedra matematiky Matematika a byznys Příklady odhadů a předpovědí časových posloupností Západočeská univerzita v Plzni Katedra matematiky Matematika a byznys Příklady odhadů a předpovědí časových posloupností Jméno: Číslo: Email: Martin Procházka A6525 m.walker@centrum.cz Úvod V tomto textu

Více

Cvičení ze statistiky - 6. Filip Děchtěrenko

Cvičení ze statistiky - 6. Filip Děchtěrenko Cvičení ze statistiky - 6 Filip Děchtěrenko Minule bylo.. Probrali jsme základní charakteristiky pravděpodobnostních modelů a diskrétní modely Tyhle termíny by měly být známé: Distribuční funkce Střední

Více

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika?

Organizační pokyny k přednášce. Matematická statistika. Přehled témat. Co je statistika? Organizační pokyny k přednášce Matematická statistika 2012 2013 Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta UK hudecova@karlin.mff.cuni.cz http://www.karlin.mff.cuni.cz/

Více

Základy teorie pravděpodobnosti

Základy teorie pravděpodobnosti Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1 Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Úvodní poznámky Statistickou hypotézou rozumíme hypotézu o populaci (základním souboru) např.: Střední hodnota základního souboru je rovna 00. Střední

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 Úvod do teorie pravděpodobnosti Náhoda a pravděpodobnost, náhodný jev, náhodná veličina rozdělení pravděpodobnosti

Více

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X

Náhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich

Více

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b

Více

Kvantové počítače algoritmy (RSA a faktorizace čísla) http://marble.matfyz.cz

Kvantové počítače algoritmy (RSA a faktorizace čísla) http://marble.matfyz.cz Kvantové počítače algoritmy (RSA a faktorizace čísla) http://marble.matfyz.cz 14. 4. 2004 1. Algoritmus RSA Asymetrické šifrování. Existuje dvojice tajného a veřejného klíče, takže není nutné předat klíč

Více

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.

10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457. 0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti

Více

Praktická statistika. Petr Ponížil Eva Kutálková

Praktická statistika. Petr Ponížil Eva Kutálková Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo

Více

Robust 2010 31. ledna 5. února 2010, Králíky

Robust 2010 31. ledna 5. února 2010, Králíky Modelování rozdělení ročních příjmů českých domácností J. Bartošová 1 M. Forbelská 2 1 Katedra managementu informací Fakulta managementu v Jindřichově Hradci Vysoká škola ekonomická v Praze 2 Ústav matematiky

Více

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7

Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení

Více

Peer Group User Quick Reference Cards

Peer Group User Quick Reference Cards Peer Group User Quick Reference Cards strana 1/12 v. 10.5.2013 Přihlášení 1. http://www.mylabqc.com/seracare/home.asp 2. Zadejte User ID a heslo, klikněte Login Úvodní obrazovka User ID a heslo dostanete

Více

VÍCEROZMĚRNÝ STATISTICKÝ SOUBOR

VÍCEROZMĚRNÝ STATISTICKÝ SOUBOR KORELACE A REGRESE 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/..00/8.001)

Více

(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada

(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada (Auto)korelační funkce 1 Náhodné procesy Korelace mezi náhodnými proměnnými má široké uplatnění v elektrotechnické praxi, kde se snažíme o porovnávání dvou signálů, které by měly být stejné. Příkladem

Více

Mnohorozměrná statistická data

Mnohorozměrná statistická data Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém

Více

Cvičení 3. Posudek únosnosti ohýbaného prutu. Software FREET Simulace metodou Monte Carlo Simulace metodou LHS

Cvičení 3. Posudek únosnosti ohýbaného prutu. Software FREET Simulace metodou Monte Carlo Simulace metodou LHS Spolehlivost a bezpečnost staveb, 4. ročník bakalářského studia (všechny obory) Cvičení 3 Posudek únosnosti ohýbaného prutu Software FREET Simulace metodou Monte Carlo Simulace metodou LHS Katedra stavební

Více

Statistické metody v ekonomii

Statistické metody v ekonomii Statistické metody v ekonomii vyučující: Mgr. David Zapletal, Ph.D. Výuka probíhá v počítačové učebně Univerzity Pardubice min počet účastníků pro otevření kurzu - 16 osob Testování hypotéz - běžné parametrické

Více

VÝUKOVÝ MATERIÁL. Pro vzdělanější Šluknovsko. 32 Inovace a zkvalitnění výuky prostřednictvím ICT. 0210 Bc. David Pietschmann.

VÝUKOVÝ MATERIÁL. Pro vzdělanější Šluknovsko. 32 Inovace a zkvalitnění výuky prostřednictvím ICT. 0210 Bc. David Pietschmann. VÝUKOVÝ MATERIÁL Identifikační údaje školy Číslo projektu Název projektu Číslo a název šablony Autor Tematická oblast Číslo a název materiálu Anotace Vyšší odborná škola a Střední škola, Varnsdorf, příspěvková

Více

VOLBA TYPU REGULÁTORU PRO BĚŽNÉ REGULAČNÍ SMYČKY

VOLBA TYPU REGULÁTORU PRO BĚŽNÉ REGULAČNÍ SMYČKY VOLBA TYPU REGULÁTORU PRO BĚŽNÉ REGULAČNÍ SMYČKY Jaroslav Hlava TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF CZ.1.07/2.2.00/07.0247,

Více

Charakteristika datového souboru

Charakteristika datového souboru Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n

Více

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak. 8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované

Více

Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory

Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při

Více

KIV/ZI Základy informatiky. MS Excel maticové funkce a souhrny

KIV/ZI Základy informatiky. MS Excel maticové funkce a souhrny KIV/ZI Základy informatiky MS Excel maticové funkce a souhrny cvičící: Michal Nykl zimní semestr 2012 MS Excel matice (úvod) Vektor: (1D) v = [1, 2, 3, 5, 8, 13] Např.: matice sousednosti Matice: (2D)

Více

3.2.4 Podobnost trojúhelníků II

3.2.4 Podobnost trojúhelníků II 3..4 odobnost trojúhelníků II ředpoklady: 33 ř. 1: Na obrázku jsou nakresleny podobné trojúhelníky. Zapiš jejich podobnost (aby bylo zřejmé, který vrchol prvního trojúhelníku odpovídá vrcholu druhého trojúhelníku).

Více

Gymnázium a Střední odborná škola, Rokycany, Mládežníků 1115

Gymnázium a Střední odborná škola, Rokycany, Mládežníků 1115 Gymnázium a Střední odborná škola, Rokycany, Mládežníků 1115 Číslo projektu: CZ.1.07/1.5.00/34.0410 Číslo šablony: 22 Název materiálu: Ročník: Identifikace materiálu: Jméno autora: Předmět: Tématický celek:

Více

STROPNÍ DÍLCE PŘEDPJATÉ STROPNÍ PANELY SPIROLL

STROPNÍ DÍLCE PŘEDPJATÉ STROPNÍ PANELY SPIROLL 4.1.1 PŘEDPJATÉ STROPNÍ PANELY SPIROLL POUŽITÍ Předpjaté stropní panely SPIROLL slouží k vytvoření stropních a střešních konstrukcí pozemních staveb. Pro svou vysokou únosnost, odlehčení dutinami a dokonalému

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

Lokální a globální extrémy funkcí jedné reálné proměnné

Lokální a globální extrémy funkcí jedné reálné proměnné Lokální etrémy Globální etrémy Použití Lokální a globální etrémy funkcí jedné reálné proměnné Nezbytnou teorii naleznete Breviáři vyšší matematiky (odstavec 1.). Postup při hledání lokálních etrémů: Lokální

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

Biostatistika a matematické metody epidemiologie- stručné studijní texty

Biostatistika a matematické metody epidemiologie- stručné studijní texty Biostatistika a matematické metody epidemiologie- stručné studijní texty Bohumír Procházka, SZÚ Praha 1 Co můžeme sledovat Pro charakteristiku nebo vlastnost, kterou chceme sledovat zvolíme termín jev.

Více

Mnohorozměrná statistická data

Mnohorozměrná statistická data Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná

Více

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

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

Více

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce

Více

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.

Náhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé. 1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,

Více

FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009

FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009 FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009 OBOR: POZEMNÍ STAVBY (S) A. MATEMATIKA TEST. Hladina významnosti testu α při testování nulové hypotézy

Více

Lineární Regrese Hašovací Funkce

Lineární Regrese Hašovací Funkce Hašovací Funkce Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v

Více

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman

Více

Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení

Některé zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení 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.

Více

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

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

Více

UŽITÍ DERIVACÍ, PRŮBĚH FUNKCE

UŽITÍ DERIVACÍ, PRŮBĚH FUNKCE MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA UŽITÍ DERIVACÍ, PRŮBĚH FUNKCE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakult MENDELU v Brně (LDF) s ohledem na disciplin

Více

3. Ve zbylé množině hledat prvky, které ve srovnání nikdy nejsou napravo (nevedou do nich šipky). Dát do třetí

3. Ve zbylé množině hledat prvky, které ve srovnání nikdy nejsou napravo (nevedou do nich šipky). Dát do třetí DMA Přednáška Speciální relace Nechť R je relace na nějaké množině A. Řekneme, že R je částečné uspořádání, jestliže je reflexivní, antisymetrická a tranzitivní. V tom případě značíme relaci a řekneme,

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat )

Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat ) Úloha E301 Čistota vody v řece testem BSK 5 ( Statistická analýza jednorozměrných dat ) Zadání : Čistota vody v řece byla denně sledována v průběhu 10 dní dle biologické spotřeby kyslíku BSK 5. Jsou v

Více

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2 Semestrální projekt do předmětu Statistika Vypracoval: Adam Mlejnek 2-36 Oponenti: Patrik Novotný 2-36 Jakub Nováček 2-36 Úvod Pro vypracování projektu do předmětu statistika jsem si zvolil průzkum kvality

Více

Úvod do teorie odhadu. Ing. Michael Rost, Ph.D.

Úvod do teorie odhadu. Ing. Michael Rost, Ph.D. Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost

Více

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme

Více

Cvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS

Cvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 9 Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET Software FREET Simulace metodou LHS

Více

Intervalové Odhady Parametrů

Intervalové Odhady Parametrů Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze

Více

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

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

Více

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 5. 9. 2012 Číslo DUM: VY_32_INOVACE_13_FY_A

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 5. 9. 2012 Číslo DUM: VY_32_INOVACE_13_FY_A Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 5. 9. 2012 Číslo DUM: VY_32_INOVACE_13_FY_A Ročník: I. Fyzika Vzdělávací oblast: Přírodovědné vzdělávání Vzdělávací obor: Fyzika Tematický okruh: Mechanika

Více

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II

Základy biostatistiky II. Veřejné zdravotnictví 3.LF UK - II Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické

Více

Cvičení ze statistiky - 2. Filip Děchtěrenko

Cvičení ze statistiky - 2. Filip Děchtěrenko Cvičení ze statistiky - 2 Filip Děchtěrenko Probrali jsme základní statistiky Tyhle termíny by měly být známé: Populace Výběr Rozsah výběru Četnost Relativní četnost Kumulativní (relativní) četnost Průměr

Více

Jan Březina. Technical University of Liberec. 17. března 2015

Jan Březina. Technical University of Liberec. 17. března 2015 TGH03 - stromy, ukládání grafů Jan Březina Technical University of Liberec 17. března 2015 Kružnice - C n V = {1, 2,..., n} E = {{1, 2}, {2, 3},..., {i, i + 1},..., {n 1, n}, {n, 1}} Cesta - P n V = {1,

Více

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Statistika B (151-0303) Marek Pomp ZS 2014 marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Cvičení: Pavlína Kuráňová & Marek Pomp Podmínky pro úspěšné ukončení zápočet 45 bodů, min. 23 bodů, dvě zápočtové

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 1: Opakování ze statistiky LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Z čeho studovat 1) Z KNIHY Krkošková,

Více

Aritmetika s didaktikou I.

Aritmetika s didaktikou I. Katedra matematiky PF UJEP Aritmetika s didaktikou I. KM1 / 0001 Přednáška 03 Operace v množině, vlastnosti binárních operací O čem budeme hovořit: zavedení pojmu operace binární, unární a další operace

Více

(a) = (a) = 0. x (a) > 0 a 2 ( pak funkce má v bodě a ostré lokální maximum, resp. ostré lokální minimum. Pokud je. x 2 (a) 2 y (a) f.

(a) = (a) = 0. x (a) > 0 a 2 ( pak funkce má v bodě a ostré lokální maximum, resp. ostré lokální minimum. Pokud je. x 2 (a) 2 y (a) f. I. Funkce dvou a více reálných proměnných 5. Lokální extrémy. Budeme uvažovat funkci f = f(x 1, x 2,..., x n ), která je definovaná v otevřené množině G R n. Řekneme, že funkce f = f(x 1, x 2,..., x n

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

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3! Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k

Více

METODY DESKRIPTIVNÍ STATISTIKY

METODY DESKRIPTIVNÍ STATISTIKY zhanel@fsps.muni.cz MĚŘENÍ A ŠKÁLY METODY DESKRIPTIVNÍ STATISTIKY 1. URČENÍ TYPU ŠKÁLY (nominální, ordinální, metrické) a) nominální + ordinální neparametrické stat. metody b) metrické parametrické statistické

Více