Lineární a adaptivní zpracování dat. 9. Modely časových řad II.

Rozměr: px
Začít zobrazení ze stránky:

Download "Lineární a adaptivní zpracování dat. 9. Modely časových řad II."

Transkript

1 Lieárí a adaptiví zpracováí dat 9. Modely časových řad II. Daiel Schwarz Ivestice do rozvoje vzděláváí

2 Opakováí K čemu je dobré vytvářet modely procesů geerující časové řady? Dekompozice časový řad: jaké přístupy záte? Vyjmeujte složky, do kterých časové řady rozkládáme. Které z ich tvoří užitečou iformaci o procesu? Je ějaký rozdíl mezi sezóí a cyklickou složkou? Jaký? Defiujte stacioárí stochastický proces. Jaké máme možosti pro očištěí časových řad od tredu? Jaké máme možosti pro očištěí časových řad od sezóích vlivů? Istitute of Biostatistics ad Aalyses

3 Modely časových řad Jakoukoli stacioárí časovou řadu či sigál s áhodou složkou geeruje stochastický proces, kterému lze přiřadit jede z těchto modelů: čistě rekursiví model erekursiví model s klouzavým průměrem kombiovaý model bílý šum AR autoregressive MA movigaverage ARMA Istitute of Biostatistics ad Aalyses

4 Modely časových řad Jakoukoli stacioárí časovou řadu či sigál s áhodou složkou geeruje stochastický proces, kterému lze přiřadit jede z těchto modelů: čistě rekursiví model erekursiví model s klouzavým průměrem kombiovaý model bílý šum AR autoregressive MA movigaverage ARMA V případě estacioarity procesu, který časovou řadu geeruje, modelujeme ejdříve časovou řadu oproštěou od tredových a sezóích (cyklických) vlivů a ve výsledém modelu pak tyto vlivy opět uplatíme. Hovoří se pak i o modelech ARIMA a SARIMA. Istitute of Biostatistics ad Aalyses

5 Bílý šum Náhodý proces ozačujeme za bílý šum, pokud jeho středí hodota a autokorelačí fukce (ACF) splňují tyto podmíky: Diracova distribuce μ = Ε = 0, R { } N 0 (, ) = Ε{ ( ) ( )} = δ ( ). Empirická ACF w() Rww(,) Istitute of Biostatistics ad Aalyses

6 Autoregresí (AR) model = a a... a p p časová řada / sigál bílý šum p řád AR modelu a i parametry modelu z z z Odhad parametrů a a a p Istitute of Biostatistics ad Aalyses

7 Autoregresí (AR) model = a a... a p p AR model je lieárí regrese aktuálí hodoty řady proti jedé a více předcházejícím hodotám. Aktuálí hodota časové řady je dáa lieárí kombiací jejich předchozích hodot. AR modely mají přímou a jasou iterpretaci. Rekurziví systém buzeí IIR filtru bílým šumem. Staoveí parametrů modelu: metoda ejmeších čtverců eboli miimalizace rozptylu. z z z a a a p Istitute of Biostatistics ad Aalyses

8 (MA) model s klouzavým průměrem = c... c c q q časová řada / sigál bílý šum q řád MA modelu μ středí hodota áhodého procesu kocetrace CO c i parametry modelu čas Odhad parametrů z z z z c c c q c q Istitute of Biostatistics ad Aalyses

9 (MA) model s klouzavým průměrem = c... c c q q MA model je lieárí regrese aktuálí hodoty řady ovšem tetokrát proti vzorkům bílého šumu. Komplikace: v aměřeých datech obvykle tyto šumové hodoty ejsou k dispozici MA modely mají horší iterpretaci ež AR modely. Nerekurziví systém buzeí FIR filtru bílým šumem. Staoveí parametrů modelu: elieárí iteračí techiky. z z z z c c c q c q Istitute of Biostatistics ad Aalyses

10 ARMA model ARMA(p, q) kombiuje AR(p) a MA(q) modely. = a a... a p p c c... c q q Boova Jekisova metodologie zahruje: idetifikaci modelu, odhad modelu, validaci modelu. Určeí řádů p, q Výpočet parametrů a i, c i Kotrola rozložeí residuí Istitute of Biostatistics ad Aalyses

11 ARMA model: idetifikace. Je časová řada / sigál stacioárí?. Vykazuje časová řada / sigál sezóost? ANO NE zjištěí periody T, zahrutí čleu AR(T) ebo MA(T) do modelu, případě sezóí diferece ARIMA (autoregressive itegrated movig average model) Idetifikace, odhad, validace stacioárího ARMA modelu a diferecovaých datech a ásledá úprava modelu a estacioárí model ARIMA. Př. model AR(): y = y y = =-0406( )-0.64( ) = Istitute of Biostatistics ad Aalyses

12 ARMA model: idetifikace Určeí řádů p a q a) a základě zkušeosti a eperimetováí b) spektrum: každé výrazé maimum v rozsahu <0,f vz /> vyžaduje jede pár pólů, což zvyšuje řád o. c) kritéria a základě autokorelačí fukce (ACF) a parciálí autokorelačí fukce (PACF) Srováváí teoretických průběhů ACF, PACF procesů zámých řádů s ACF, PACF aměřeých časových řad Istitute of Biostatistics ad Aalyses

13 Parciálí autokorelačí fukce - PACF PACF představuje korelaci mezi rezidui regresí dvou proměých vůči třetí proměé. Pro zpožděí k vyjadřuje PACF vztah mezi dvěma zpožděými vzorky časové řady a k tak, že ezapočítává lieárí vliv vzorků ležících mezi imi. PACF(k): jedá se o autokorelačí koeficiet pro zpožděí k očištěý od vlivu,,, k Istitute of Biostatistics ad Aalyses

14 ARMA model: idetifikace Příklad: AR() proces a = = = a a a = ( a ) = ( a)... ( a) ( a ) = z a 0 Istitute of Biostatistics ad Aalyses

15 Istitute of Biostatistics ad Aalyses ARMA model: idetifikace Příklad: AR() proces a = ( ) ( ) ( ) ( ) 0... a a a a a a a = = = = = { } ( ) a a a E = =, μ μ μ { } { }, a E D = = σ μ a <: ( ) { } ( ). k k a E k R = =

16 ARMA model: idetifikace Příklad: AR() proces = ( ) { } k R k E = ( a). a = k Istitute of Biostatistics ad Aalyses

17 ARMA model: idetifikace Příklad: AR() proces = ( ) { } k R k E = ( a). a = k V literatuřelze alézt teoretické vlastosti základích stacioárích procesů AR(), AR(), MA(), MA() atd. Tyto teoretické vlastosti (apř. průběhy teoretické autokorelačí fukce) se pak srovávají s empirickými vlastostmi získaými z aměřeých časových řad a výsledky porováí slouží pro idetifikaci p, q. Istitute of Biostatistics ad Aalyses

18 ARMA model: idetifikace Tvar ACF Epoeciála klesající k ule. Změy kladých a záporých hodot, postupý pokles k ule. Jede ebo ěkolik vrcholů,zbytek zaedbatelý, ulový. Průběhklesající až po ěkolika zpožděích Vše zaedbatelé, ulové Vysoké hodoty ve stejých itervalech Neklesá k ule Model AR(p) model. Pro určeí p se vychází z PACF, která je pro AR(p) ulová od zpožděí p. MA model. Řád odpovídá hodotě zpožděí, od kterého je ACF ulová. Kombiovaý model ARMA. Data jsou áhodá, geeruje je bílý šum. Zahrout AR čle s řádem odpovídajícím periodě. Nejedá se o stacioárí řadu / sigál. Istitute of Biostatistics ad Aalyses

19 ARMA model: idetifikace očištěí od tredu Detekce sezóích kompoet Perioda vzorků Istitute of Biostatistics ad Aalyses

20 ARMA model: idetifikace Zbývá idetifikovat ještě esezóí kompoety sigálu / řady. Sezóí diferecováí: Istitute of Biostatistics ad Aalyses

21 ARMA model: idetifikace Zbývá idetifikovat ještě esezóí kompoety sigálu / řady. Istitute of Biostatistics ad Aalyses

22 ARMA model: idetifikace Zbývá idetifikovat ještě esezóí kompoety sigálu / řady. Hledáme tzv. bod usekutí, tj. zpožděí, od kterého je PACF ulová/zaedbatelá. Istitute of Biostatistics ad Aalyses

23 Istitute of Biostatistics ad Aalyses ARMA model ARMA(p, q) kombiuje AR(p) a MA(q) modely. Odhad parametrů modelu iteračí algoritmy: elieárí metoda ejmeších čtverců odhad a základě maimálí věrohodosti (MLE) Vhodější tvar rovice (pro SW ástroje): q q p p c c c a a a = q q p p c c c a a a =......

24 ARMA model ARMA(p, q) kombiuje AR(p) a MA(q) modely. = a a... a p p c c... c q q Odhad parametrů modelu iteračí algoritmy: elieárí metoda ejmeších čtverců odhad a základě maimálí věrohodosti (MLE) Výsledý AR() model (pro data očištěá od lieárího tredu a sezóích vlivů) = Istitute of Biostatistics ad Aalyses

25 ARMA modely Validace modelu = Zpěté ověřeí předpokladů kladeých a áhodé chyby, tj. aalýza residuí RESIDUA = CHYBY PREDIKCE Residua by měla představovat bílý šum. Istitute of Biostatistics ad Aalyses

26 ARMA modely Validace modelu AR() = Validace modelu AR(4) = Istitute of Biostatistics ad Aalyses

27 ARMA modely Validace modelu AR() = Validace modelu ARMA(4,4).345 = = 4 Istitute of Biostatistics ad Aalyses

28 ARMA modely Validace modelu AR() = Ai postupým avyšováím složitosti (řádu) modelu se edospělo k uspokojivým výsledkům Validace modelu ARMA(4,4) (ACF residuí eodpovídá ACF bílého šumu) = V takovém případě je ejlepší ávrat k co = ejjedoduššímu 3 4 modelu: v ukázaém příkladu se jedá o AR(). Istitute of Biostatistics ad Aalyses

29 ARMA modely Posouzeí kvality předpovídáí aplikace modelu a řadu zkráceou o m pozorováí, předpověď hodot m, m,, porováí = Model: AR() Horizot predikce: Shoda: 8. % Istitute of Biostatistics ad Aalyses

30 ARMA modely Posouzeí kvality předpovídáí aplikace modelu a řadu zkráceou o m pozorováí, předpověď hodot m, m,, porováí = Model: AR() Horizot predikce: 5 Shoda: < % Istitute of Biostatistics ad Aalyses

31 ARMA modely Posouzeí kvality předpovídáí aplikace modelu a řadu zkráceou o m pozorováí, předpověď hodot m, m,, porováí = Model: AR(4) Horizot predikce: Shoda: 9.0 % Istitute of Biostatistics ad Aalyses

32 ARMA modely Posouzeí kvality předpovídáí aplikace modelu a řadu zkráceou o m pozorováí, předpověď hodot m, m,, porováí = Model: AR(4) Horizot predikce: 5 Shoda: 3.3 % Istitute of Biostatistics ad Aalyses

33 ARMA modely Posouzeí kvality předpovídáí aplikace modelu a řadu zkráceou o m pozorováí, předpověď hodot m, m,, porováí = = 4 Model: ARMA(4,4) Horizot predikce: Shoda: 98.6 % Istitute of Biostatistics ad Aalyses

34 ARMA modely Posouzeí kvality předpovídáí aplikace modelu a řadu zkráceou o m pozorováí, předpověď hodot m, m,, porováí = = 4 Model: ARMA(4,4) Horizot predikce: 5 Shoda: 3.9 % Istitute of Biostatistics ad Aalyses

35 LTI systém a jeho popis y =.745 y y y z z Istitute of Biostatistics ad Aalyses

36 LTI systém a jeho popis y =.745 y y y z z Nesystematickou složku předložeé časové řady (měřeí kocetrace CO v ovzduší) očištěé od tredu a sezóích vlivů modelujeme jako buzeí IIR filtru druhého řádu. Istitute of Biostatistics ad Aalyses

37 Shrutí Popis a idetifikace systémů a procesů z z z z c c c q c q Aalýza, Simulace, Predikce, Moitorig, Diagostika, Řízeí Istitute of Biostatistics ad Aalyses

38 9. cvičeí ) Z předložeých dat co.csv představujících moitorig kocetrace CO v ovzduší idetifikujte a odhaděte model procesu, který tato data vygeeroval. Využijte aditiví přístup k dekompozici časových řad a dále Bo Jekisovu metodiku pro idetifikaci struktury modelu. Pro odhad parametrů modelu využijte fukce z System Idetificatio Toolbo Matlabu. Nezapomeňte svůj model validovat pomocí aalýzy residuí a po té se pokuste předpovědět kocetraci ovzduší v ásledujících letech. Istitute of Biostatistics ad Aalyses

39 9. cvičeí c=.459*time-537. Istitute of Biostatistics ad Aalyses

40 9. cvičeí Istitute of Biostatistics ad Aalyses

41 9. cvičeí Istitute of Biostatistics ad Aalyses

42 9. cvičeí Istitute of Biostatistics ad Aalyses

43 9. cvičeí Istitute of Biostatistics ad Aalyses

44 9. cvičeí Istitute of Biostatistics ad Aalyses

45 Istitute of Biostatistics ad Aalyses 9. cvičeí ( ) ( ) ( ) ( ) ( ) d d d d d d d d d d d d d d d d d d d d d d d d d d d d dd dd d dd dd dd dd = = = = ) 3.74(

46 9. cvičeí Istitute of Biostatistics ad Aalyses

47 9. cvičeí Istitute of Biostatistics ad Aalyses

48 9. cvičeí Istitute of Biostatistics ad Aalyses

49 9. cvičeí Istitute of Biostatistics ad Aalyses

50 ffgf Otázky? 50 Istitute of Biostatistics ad Aalyses

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ

OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ OPTIMÁLNÍ FILTRACE METALURGICKÝCH SIGNÁLŮ POMOCÍ INFORMAČNÍCH KRITÉRIÍ Ja Morávka Třiecký ižeýrig, a.s. Abstract Příspěvek popisuje jede přístup k optimálí filtraci metalurgických sigálů pomocí růzých

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

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

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

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

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

2 STEJNORODOST BETONU KONSTRUKCE

2 STEJNORODOST BETONU KONSTRUKCE STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,

Více

Číslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů

Číslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů Číslicová filtrace Použití : Separace sigálů Restaurace sigálů Číslicové filtry Aalogové x číslicové filtry : Aalogové Číslicové: + levé + rychlé + velký dyamický rozsah (v amplitudě i frekveci) - evhodé

Více

Sekvenční logické obvody(lso)

Sekvenční logické obvody(lso) Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách

Více

1. Základy počtu pravděpodobnosti:

1. Základy počtu pravděpodobnosti: www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých

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

IAJCE Přednáška č. 12

IAJCE Přednáška č. 12 Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích

Více

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

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

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

Optické vlastnosti atmosféry, rekonstrukce optického signálu degradovaného průchodem atmosférou

Optické vlastnosti atmosféry, rekonstrukce optického signálu degradovaného průchodem atmosférou INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Optické vlastosti atmosféry, rekostrukce optického sigálu degradovaého průchodem atmosférou Učebí texty k semiáři Autor: Dr. Ig. Zdeěk Řehoř UO Bro) Datum: 22. 10. 2010

Více

Integrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv

Integrace hodnot Value-at-Risk lineárních subportfolií na bázi vícerozměrného normálního rozdělení výnosů aktiv 3. meziárodí koferece Řízeí a modelováí fiačích rizik Ostrava VŠB-U Ostrava, Ekoomická fakulta, katedra Fiací 6.-7. září 006 tegrace hodot Value-at-Risk lieárích subportfolií a bázi vícerozměrého ormálího

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

Variabilita měření a statistická regulace procesu

Variabilita měření a statistická regulace procesu Variabilita měří a statistická rgulac procsu Ig. Darja Noskivičová, CSc. Katdra kotroly a řízí jakosti, VŠB-TU Ostrava Abstrakt: Efktivost využití statistických mtod pro aalýzu a řízí procsů j odvislá

Více

Laboratorní práce č. 10 Úloha č. 9. Polarizace světla a Brownův pohyb:

Laboratorní práce č. 10 Úloha č. 9. Polarizace světla a Brownův pohyb: ruhlář Michal 8.. 5 Laboratorí práce č. Úloha č. 9 Polarizace světla a Browův pohyb: ϕ p, C 4% 97,kPa Úkol: - Staovte polarizačí schopost daého polaroidu - Určete polarimetrem úhel stočeí kmitavé roviy

Více

Periodicita v časové řadě, její popis a identifikace

Periodicita v časové řadě, její popis a identifikace Periodicita v časové řadě, její popis a idetifikace 1 Periodicita Některé časové řady obsahují periodickou složku. Pomocí vybraých ástrojů spektrálí aalýzy budeme tuto složku idetifikovat. Mějme fukci

Více

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t. Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví

Více

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D.

MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ, PH.D. MATEMATIKA PŘÍKLADY K PŘÍJÍMACÍM ZKOUŠKÁM BAKALÁŘSKÉ STUDIUM MGR. RADMILA STOKLASOVÁ PH.D. Obsah MNOŽINY.... ČÍSELNÉ MNOŽINY.... OPERACE S MNOŽINAMI... ALGEBRAICKÉ VÝRAZY... 6. OPERACE S JEDNOČLENY A MNOHOČLENY...

Více

KVALIMETRIE. 16. Statistické metody v metrologii a analytické chemii. Miloslav Suchánek. Řešené příklady na CD-ROM v Excelu.

KVALIMETRIE. 16. Statistické metody v metrologii a analytické chemii. Miloslav Suchánek. Řešené příklady na CD-ROM v Excelu. KVALIMETRIE Miloslav Sucháek 16. Statistické metody v metrologii a aalytické chemii Řešeé příklady a CD-ROM v Excelu Eurachem ZAOSTŘENO NA ANALYTICKOU CHEMII V EVROPĚ Kvalimetrie 16 je zatím posledí z

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

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

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti 1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto

Více

2 EXPLORATORNÍ ANALÝZA

2 EXPLORATORNÍ ANALÝZA Počet automobilů Ig. Martia Litschmaová EXPLORATORNÍ ANALÝZA.1. Níže uvedeá data představují částečý výsledek zazameaý při průzkumu zatížeí jedé z ostravských křižovatek, a to barvu projíždějících automobilů.

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

8 Průzkumová analýza dat

8 Průzkumová analýza dat 8 Průzkumová aalýza dat Cílem průzkumové aalýzy dat (také zámé pod zkratkou EDA - z aglického ázvu exploratory data aalysis) je alezeí zvláštostí statistického chováí dat a ověřeí jejich předpokladů pro

Více

DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS

DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS DYNAMIC PROPERTIES OF ELECTRONIC GYROSCOPES FOR INERTIAL MEASUREMENT UNITS Jiří Tůma & Jiří Kulháek Abstract: The paper deals with the dyamic properties of the electroic gyroscope as a sesor of agular

Více

8. Základy statistiky. 8.1 Statistický soubor

8. Základy statistiky. 8.1 Statistický soubor 8. Základy statistiky 7. ročík - 8. Základy statistiky Statistika je vědí obor, který se zabývá zpracováím hromadých jevů. Tvoří základ pro řadu procesů řízeí, rozhodováí a orgaizováí, protoţe a základě

Více

Geometrická optika. Zákon odrazu a lomu světla

Geometrická optika. Zákon odrazu a lomu světla Geometrická optika Je auka o optickém zobrazováí. Je vybudováa a 4 zákoech, které vyplyuly z pozorováí a ke kterým epotřebujeme zalosti o podstatě světla: ) přímočaré šířeí světla (paprsky) ) ezávislost

Více

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.

2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly. 0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace

Více

Fourierova transformace ve zpracování obrazů

Fourierova transformace ve zpracování obrazů Fourierova trasformace ve zpracováí obrazů Jea Baptiste Joseph Fourier 768-83 6. předáška předmětu Zpracováí obrazů Martia Mudrová 24 Motivace Proč používat Fourierovu trasformaci? základí matematický

Více

b c a P(A B) = c = 4% = 0,04 d

b c a P(A B) = c = 4% = 0,04 d Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá

Více

1. K o m b i n a t o r i k a

1. K o m b i n a t o r i k a . K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha

Více

OBRAZOVÁ ANALÝZA POVRCHU POTISKOVANÝCH MATERIÁLŮ A POTIŠTĚNÝCH PLOCH

OBRAZOVÁ ANALÝZA POVRCHU POTISKOVANÝCH MATERIÁLŮ A POTIŠTĚNÝCH PLOCH OBRAZOVÁ ANALÝZA POVRCU POTISKOVANÝC MATERIÁLŮ A POTIŠTĚNÝC PLOC Zmeškal Oldřich, Marti Julíe Tomáš Bžatek Ústav fyzikálí a spotřebí chemie, Fakulta chemická, Vysoké učeí techické v Brě, Purkyňova 8, 62

Více

Rozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj)

Rozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj) Rozhodovací stromy Úloha klasifikace objektů do tříd. Top dow iductio of decisio trees (TDIDT) - metoda divide ad coquer (rozděl a pauj) metoda specializace v prostoru hypotéz stromů (postup shora dolů,

Více

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1

n=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1 [M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti

Více

Metodický postup pro určení úspor primární energie

Metodický postup pro určení úspor primární energie Metodický postup pro určeí úspor primárí eergie Parí protitlaká turbía ORGRZ, a.s., DIVIZ PLNÉ CHNIKY A CHMI HUDCOVA 76, 657 97 BRNO, POŠ. PŘIHR. 97, BRNO 2 z.č. Obsah abulka hodot vstupujících do výpočtu...3

Více

17. Statistické hypotézy parametrické testy

17. Statistické hypotézy parametrické testy 7. Statistické hypotézy parametrické testy V této části se budeme zabývat statistickými hypotézami, pomocí vyšetřujeme jedotlivé parametry populace. K takovýmto šetřeím většiou využíváme ám již dobře zámé

Více

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU

SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU Matematické modelováí (KMA/MM Téma: Model pohybu mraveců Zdeěk Hazal (A8N18P, zhazal@sezam.cz 8/9 Obor: FAV-AVIN-FIS 1. ÚVOD Model byl převzat z kihy Spojité modely v biologii

Více

OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY.

OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY. OPTIMALIZACE AKTIVIT SYSTÉMU PRO URČENÍ PODÍLU NA VYTÁPĚNÍ A SPOTŘEBĚ VODY. Ig.Karel Hoder, ÚAMT-VUT Bro. 1.Úvod Optimálí rozděleí ákladů a vytápěí bytového domu mezi uživatele bytů v domě stále podléhá

Více

STATISTIKA PRO EKONOMY

STATISTIKA PRO EKONOMY EDICE UČEBNÍCH TEXTŮ STATISTIKA PRO EKONOMY EDUARD SOUČEK V Y S O K Á Š K O L A E K O N O M I E A M A N A G E M E N T U Eduard Souček Statistika pro ekoomy UČEBNÍ TEXT VYSOKÁ ŠKOLA EKONOMIE A MANAGEMENTU

Více

Co je to statistika? Statistické hodnocení výsledků zkoušek. Úvod statistické myšlení. Úvod statistické myšlení. Popisná statistika

Co je to statistika? Statistické hodnocení výsledků zkoušek. Úvod statistické myšlení. Úvod statistické myšlení. Popisná statistika Co e to statistika? Statistické hodoceí výsledků zkoušek Petr Misák misak.p@fce.vutbr.cz Statistika e ako bikiy. Odhalí téměř vše, ale to edůležitěší ám zůstae skryto. (autor ezámý) Statistika uda e, má

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

Interval spolehlivosti pro podíl

Interval spolehlivosti pro podíl Iterval polehlivoti pro podíl http://www.caueweb.org/repoitory/tatjava/cofitapplet.html Náhodý výběr Zkoumaý proce chápeme jako áhodou veličiu určitým ám eámým roděleím a měřeá data jako realiace této

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která

Více

Cvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.

Cvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů. Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu

Více

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení

Odhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

9.1.13 Permutace s opakováním

9.1.13 Permutace s opakováním 93 Permutace s opakováím Předpoklady: 906, 9 Pedagogická pozámka: Obsah hodiy přesahuje 45 miut, pokud emáte k dispozici další půlhodiu, musíte žáky echat projít posledí dva příklady doma Př : Urči kolik

Více

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice

Matematika I. Název studijního programu. RNDr. Jaroslav Krieg. 2014 České Budějovice Matematika I Název studijího programu RNDr. Jaroslav Krieg 2014 České Budějovice 1 Teto učebí materiál vzikl v rámci projektu "Itegrace a podpora studetů se specifickými vzdělávacími potřebami a Vysoké

Více

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ

VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ Vlastosti úloh celočíselého programováí VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ PRINCIP ZESILOVÁNÍ NEROVNOSTÍ A ZÁKLADNÍ METODY. METODA VĚTVENÍ A HRANIC. TYPY ÚLOH 1. Úloha lieárího programováí: max{c

Více

9.1.12 Permutace s opakováním

9.1.12 Permutace s opakováním 9.. Permutace s opakováím Předpoklady: 905, 9 Pedagogická pozámka: Pokud echáte studety počítat samostatě příklad 9 vyjde tato hodia a skoro 80 miut. Uvažuji o tom, že hodiu doplím a rozdělím a dvě. Př.

Více

Přehled trhu snímačů teploty do průmyslového prostředí

Přehled trhu snímačů teploty do průmyslového prostředí símače teploty Přehled trhu símačů teploty do průmyslového prostředí Přehled trhu símačů teploty a str. 36 a 37 představuje v přehledé tabulce abídku símačů teploty do průmyslového prostředí, které jsou

Více

Systém intralaboratorní kontroly kvality v klinické laboratoři (SIKK)

Systém intralaboratorní kontroly kvality v klinické laboratoři (SIKK) Systém itralaboratorí kotroly kvality v kliické laboratoři (SIKK) Doporučeí výboru České společosti kliické biochemie ČLS JEP Obsah: 1. Volba systému... 2 2. Prováděí kotroly... 3 3. Dokumetace výsledků

Více

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b

Posloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a

Více

Průchod paprsků různými optickými prostředími

Průchod paprsků různými optickými prostředími Průchod paprsků růzými optickými prostředími Materiál je urče pouze jako pomocý materiál pro studety zapsaé v předmětu: A4M38VBM, ČVUT- FEL, katedra měřeí, 05 Před A4M38VBM 05, J. Fischer, kat. měřeí,

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství. Matematika IV. Semestrální práce VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta troího ižeýrtví Matematika IV Semetrálí práce Zpracoval: Čílo zadáí: 7 Studií kupia: Datum: 8.4. 0 . Při kotrole akoti výrobků byla ledováa odchylka X [mm] eich rozměru

Více

ANALÝZA SRÁŽKOVÝCH MAXIM

ANALÝZA SRÁŽKOVÝCH MAXIM Rožovský, J., Litschma, T. (ed): Semiář Extrémy počasí a podebí, Bro,. březa 4, ISBN 8-8669-2- Marie Budíková, Ladislav Budík Summary Aalysis of precipitatio maxima ANALÝZA SRÁŽKOVÝCH MAXIM Database of

Více

Možnosti vyhodnocení časových řad v softwaru STATISTICA

Možnosti vyhodnocení časových řad v softwaru STATISTICA StatSoft Možnosti vyhodnocení časových řad v softwaru STATISTICA Mnoho informací se zachycuje ve formě chronologicky uspořádaných údajů, jinak řečeno ve formě časových řad. Časová řada je tedy v čase uspořádaná

Více

1. Definice elektrického pohonu 1.1 Specifikace pohonu podle typu poháněného pracovního stroje 1.1.1 Rychlost pracovního mechanismu

1. Definice elektrického pohonu 1.1 Specifikace pohonu podle typu poháněného pracovního stroje 1.1.1 Rychlost pracovního mechanismu 1. Defiice elektrického pohou Pod pojmem elektrický poho rozumíme soubor elektromechaických vazeb a vztahů mezi pracovím mechaismem a elektromechaickou soustavou. Mezi základí tři části elektrického pohou

Více

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY Statitické metody ve veřejé právě ŘEŠENÉ PŘÍKLADY Ig. Václav Friedrich, Ph.D. 2013 1 Kapitola 2 Popi tatitických dat 2.1 Tabulka obahuje rozděleí pracovíků podle platových tříd: TARIF PLAT POČET TARIF

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test) Přijímací řízeí pro akademický rok 2007/08 a magisterský studijí program: Zde alepte své uiverzití číslo PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test) U každé otázky či podotázky v ásledujícím

Více

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc

Statistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se

Více

STATISTIKA. Základní pojmy

STATISTIKA. Základní pojmy Statistia /7 STATISTIKA Záladí pojmy Statisticý soubor oečá eprázdá možia M zoumaých objetů schromážděých a záladě toho, že mají jisté společé vlastosti záladí statisticý soubor soubor všech v daé situaci

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

1. Číselné obory, dělitelnost, výrazy

1. Číselné obory, dělitelnost, výrazy 1. Číselé obory, dělitelost, výrazy 1. obor přirozeých čísel - vyjadřující počet prvků možiy - začíme (jsou to kladá edesetiá čísla) 2. obor celých čísel - možia celých čísel = edesetiá, ale kladá i záporá

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta B) Přijímací řízeí pro akademický rok 24/5 a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata B) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

1 Trochu o kritériích dělitelnosti

1 Trochu o kritériích dělitelnosti Meu: Úloha č.1 Dělitelost a prvočísla Mirko Rokyta, KMA MFF UK Praha Jaov, 12.10.2013 Růzé dělitelosti, třeba 11 a 7 (aeb Jak zfalšovat rodé číslo). Prvočísla: které je ejlepší, které je ejvětší a jak

Více

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR

PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy

Více

METODIKA OPTIMALIZACE KONSTRUKCÍ S POŽADOVANOU ÚNAVOVOU ŽIVOTNOSTÍ

METODIKA OPTIMALIZACE KONSTRUKCÍ S POŽADOVANOU ÚNAVOVOU ŽIVOTNOSTÍ METODIKA OPTIMALIZACE KONSTRUKCÍ S POŽADOVANOU ÚNAVOVOU ŽIVOTNOSTÍ Miroslav Balda 1 1 Úvod S kocem roku 1997 skočilo i řešeí stejojmeého tříletého gratového projektu GAČR 11/95/87 Na rozdíl od dosavadích

Více

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty)

(varianta s odděleným hodnocením investičních nákladů vynaložených na jednotlivé privatizované objekty) (variata s odděleým hodoceím ivestičích ákladů vyaložeých a jedotlivé privatizovaé objekty) Vypracoval: YBN CONSULT - Zalecký ústav s.r.o. Ig. Bedřich Malý Ig. Yvetta Fialová, CSc. Václavské áměstí 1 110

Více

Úkol měření. Použité přístroje a pomůcky. Tabulky a výpočty

Úkol měření. Použité přístroje a pomůcky. Tabulky a výpočty Úkol měřeí ) Na základě vějšího fotoelektrického pole staovte velikost Plackovy kostaty h. ) Určete mezí kmitočet a výstupí práci materiálu fotokatody použité fotoky. Porovejte tuto hodotu s výstupími

Více

Neparametrické metody

Neparametrické metody I. ÚVOD Neparametrické metody EuroMISE Cetrum v Neparametrické testy jsou založey a pořadových skórech, které reprezetují původí data v Data emusí utě splňovat určité předpoklady vyžadovaé u parametrických

Více

Výroční zpráva fondů společnosti Pioneer investiční společnost, a.s. - neauditovaná

Výroční zpráva fondů společnosti Pioneer investiční společnost, a.s. - neauditovaná Výročí zpráva fodů společosti Pioeer ivestičí společost, a.s. - eauditovaá Obsah 1. Účetí závěrka: Pioeer Sporokoto, Pioeer obligačí fod, Pioeer růstový fod, Pioeer dyamický fod, Pioeer akciový fod, BALANCOVANÝ

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

Modul Strategie. 2006... MTJ Service

Modul Strategie. 2006... MTJ Service Představeí obsahuje dvě základí součásti, a to maažerskou (pláováí cash-flow, rozšířeé statistiky) a pracoví (řešeí work-flow). Základem maažerské oblasti je pláováí cash-flow (pláováí fiačího toku firmou).

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

Zformulujme PMI nyní přesně (v duchu výrokové logiky jiný kurz tohoto webu):

Zformulujme PMI nyní přesně (v duchu výrokové logiky jiný kurz tohoto webu): Pricip matematické idukce PMI) se systematicky probírá v jié části středoškolské matematiky. a tomto místě je zařaze z důvodu opakováí matka moudrosti) a proto, abychom ji mohli bez uzarděí použít při

Více

Doporučená dávka je 5 mg solifenacin sukcinátu jednou denně. Pokud je to nutné, dávka může být zvýšena na 10 mg solifenacin sukcinátu jednou denně.

Doporučená dávka je 5 mg solifenacin sukcinátu jednou denně. Pokud je to nutné, dávka může být zvýšena na 10 mg solifenacin sukcinátu jednou denně. sp.z. sukls132863/2014 sukls87952/2014 SOUHRN ÚDAJŮ O PŘÍPRAVKU 1 NÁZEV PŘÍPRAVKU Setacuri 5 mg potahovaé tablety 2 KVALITATIVNÍ A KVANTITATIVNÍ SLOŽENÍ Setacuri 5 mg potahovaé tablety: Jeda tableta obsahuje

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ 4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

Více

Příklady k přednášce 9 - Zpětná vazba

Příklady k přednášce 9 - Zpětná vazba Příklady k předášce 9 - Zpětá vazba Michael Šebek Automatické řízeí 205 6--5 Příklad: Přibližá iverze tak průřezu s výškou hladiy y(t), přítokem u(t) a odtokem dy() t dt + 2 yt () = ut () Cíl řízeí: sledovat

Více

PREDIKCE POŠKOZOVÁNÍ ROTORŮ VYVOLANÉHO VIBRACEMI

PREDIKCE POŠKOZOVÁNÍ ROTORŮ VYVOLANÉHO VIBRACEMI PREDIKCE POŠKOZOVÁNÍ ROTORŮ VYVOLANÉHO VIBRACEMI Prof Ig Miroslav Balda, DrSc Ústav termomechaiky AVČR & Západočeská uiverzita Veleslavíova 11, 301 14 Plzeň, tel: 019-7236584, fax: 019-7220787, mbalda@ufyzcucz

Více

1. Rozdělení četností a grafické znázornění Předpokládejme, že při statistickém šetření nás zajímá jediný statistický znak x, který nabývá

1. Rozdělení četností a grafické znázornění Předpokládejme, že při statistickém šetření nás zajímá jediný statistický znak x, který nabývá Statitická šetřeí a zpracováí dat Statitika e věda o metodách běru, zpracováí a vyhodocováí tatitických údaů. Statitika zkoumá polečeké, přírodí, techické a. evy vždy a dotatečě rozáhlém ouboru údaů. Matematická

Více

Finanční řízení podniku. Téma: Časová hodnota peněz

Finanční řízení podniku. Téma: Časová hodnota peněz Fiačí řízeí podiku Téma: Časová hodota peěz Faktor času se ve fiačím řízeí uplatňuje a) při rozhodováí o ivesticích b) při staoveí trží cey majetku podiku c) při ukládáí volých peěžích prostředků d) při

Více

Úvod do analýzy časových řad

Úvod do analýzy časových řad Úvod do aalýzy časových řad Obsah Úvod... Teoreické základy pro aalýzu časových řad.... Základí pojmy..... Druhy časových řad..... Grafická aalýza.....3 Popisé charakerisiky... 4. Základí úpravy časových

Více

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová

Více

Jednoduchá lineární regrese

Jednoduchá lineární regrese Jedoduchá leárí regrese Motvace: Cíl regresí aalýz - popsat závslost hodot velč Y a hodotách velč X. Nutost vřešeí dvou problémů: a) jaký tp fukce se použje k popsu daé závslost; b) jak se staoví kokrétí

Více

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C)

PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemný test, varianta C) Přijímací řízeí pro akademický rok 24/ a magisterský studijí program: PODNIKOVÁ EKONOMIKA A MANAGEMENT (2-letý) (písemý test, variata C) Zde alepte své uiverzití číslo U každé otázky či podotázky v ásledujícím

Více

Statistická analýza dat

Statistická analýza dat INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Statstcká aalýza dat Učebí texty k semář Autor: Prof. RNDr. Mla Melou, DrSc. Datum: 5.. 011 Cetrum pro rozvoj výzkumu pokročlých řídcích a sezorckých techologí CZ.1.07/.3.00/09.0031

Více