Náhodným vektorem rozumíme sloupcový vektor složený z náhodných veličin X = (X 1, X 2,

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Náhodným vektorem rozumíme sloupcový vektor složený z náhodných veličin X = (X 1, X 2,"

Transkript

1 Statstka I cvčení NÁHODNÝ VEKTOR Náhodným vektorem rozumíme sloupcový vektor složený z náhodných velčn = n který je charakterzován sdruženou smultánní dstrbuční unkcí ; F náhodný vektor s dskrétním rozdělením: j j j F náhodném vektoru se spojtým rozdělením: d d F F e sdruženého rozdělení náhodného vektoru můžeme snadno najít margnální rozdělení pravděpodobnost jednotlvých náhodných velčn z nchž je vektor sestaven Margnální dstrbuční unkce dvousložkového náhodného vektoru denujeme takto: lm lm F F F F náhodný vektor s dskrétním rozdělením - margnální pravděpodobnost: jj j náhodném vektoru se spojtým rozdělením - margnální hustot pravděpodobnost: d d odmíněné rozdělení pak chápeme jako podíl sdruženého a margnálního rozdělení pravděpodobnost má-l tento podíl smsl v souladu s dencí podmíněné pravděpodobnost náhodný vektor s dskrétním rozdělením - podmíněná pravděpodobnostní unkce: pro náhodný vektor se spojtým rozdělením - podmíněná hustota pravděpodobnost:

2 Statstka I cvčení pro Nezávslost náhodných velčn se projevuje tím že jejch sdružená dstrbuční unkce sdružená pravděpodobnostní unkce resp sdružená hustota pravděpodobnost se dá matematck vjádřt jako součn margnálních dstrbučních unkcí margnálních pravděpodobnost resp margnálních hustot pravděpodobnost jednotlvých náhodných velčn latí že složk náhodného vektoru jsou nezávslé právě kdž platí: náhodný vektor s dskrétním rozdělením: j j náhodný vektor se spojtým rozdělením: Mez nejvýznamnější smíšené moment náhodného vektoru patří kovarance Cov E E E V pra se čato setkáváme s reprezentací centrálních momentů řádu ve ormě tzv kovaranční matce: D Cov Cov D Mírou lneární závslost je korelační koecent Cov D D D D 5 ředstavme s že budeme třkrát opakovat pokus u nějž známe pravděpodobnost úspěchu např hod mncí p = 5 volme tto náhodné velčn: Náhodný vektor = počet pokusů do prvního úspěchu počet po sobě jdoucích úspěchů a Určete margnální pravděpodobnostní unkce z b Sestavte sdruženou pravděpodobnostní unkc = =z c Určete zda jsou náhodné velčn nezávslé d Určete střední hodnot a rozptl složek e Určete kovaranční matc Určete jednoduchý korelační koecent g Určete podmíněné pravděpodobnostní unkce a = =z =z =

3 Statstka I cvčení Řešení: Vpšme s všechn možné kombnace k nmž b mohlo dojít S - úspěch F - neúspěch: { FFF; SFS; SSF; FSS; FSF; FFS; SFF; SSS } A uvažujme že pravděpodobnost úspěchu S = p pravděpodobnost neúspěchu F = -p Jedná se o dskrétní dvourozměrný náhodný vektor přčemž: složka může nabývat hodnot: 3 složka může nabývat hodnot: 3 ojmenujme s všechn elementární jev základního prostoru a určeme pravděpodobnost jejch výsktu pro výpočet jednotlvých pravděpodobností vužjeme poznatku že jev F a S jsou nezávslé A FFF A - p 3 = 5 A SFS A p - p = 5 A3 SSF A3 p - p = 5 A4 FSS A4 p - p = 5 A5 FSF A5 p - p = 5 A6 FFS A6 p - p = 5 A SFF A p - p = 5 A8 SSS A8 p 3 = 5 ada apšme s nní do pomocných tabulek které jev vhovují daným hodnotám náhodných velčn a počet pokusů do prvního úspěchu 3 A A3 A A8 A4 A5 A6 A počet po sobě jdoucích úspěchů 3 A A A5 A6 A A3 A4 A8 protože jev A A8 jsou neslučtelné můžeme margnální pravděpodobnostní unkce jednoduše určt Např = A + A3 + A + A8 = = =5 počet pokusů do prvního úspěchu počet po sobě jdoucích úspěchů

4 Statstka I cvčení V našem případě máme určovat zároveň sdruženou pravděpodobnostní unkc b blo rchlejší pro určen margnálních pravděpodobnostních unkcí vužít korelační tabulku kterou budeme vtvářet pro záps sdružené pravděpodobnost adb konstruujeme korelační tabulku nejdříve s do ní vpíšeme jev které vhovují příslušným podmínkám a poté na základě jejch neslučtelnost určíme pravděpodobnost výsktu příslušných skupn jevů 3 - A A A3 A8 - A5 A4 - - A A Tabulka sdružené pravděpodobnostní unkce Např = = = 5; = = = 5 Chceme-l získat korelační tabulku v klasckém tvaru tj včetně margnálních pravděpodobnost stačí sečíst příslušné řádk sloupce z ro srovnání s porovnejte takto získané margnální pravděpodobnost s margnálním pravděpodobnostm získaným v ada adc ro náhodný vektor s dskrétním rozdělením platí že složk náhodného vektoru jsou nezávslé právě kdž platí: z j z j Tento předpoklad v našem případě splněn není např Ý ; 5 55 toho plne že náhodné velčn nejsou nezávslé - 5 -

5 Statstka I cvčení add Střední hodnot a rozptl získáme z denčních vztahů pomocí margnálních pravděpodobnostních unkcí: 4 E E D E E E z z E 4 z D E z E ade Kovaranční matce má obecný tvar: D Cov Cov D ro její záps musíme určt kovaranc Cov E E E z j z j j Kovaranční matce má tvar: ad Jednoduchý korelační koecent určíme z denčního vztahu: Cov D D

6 Statstka I cvčení Na základě této hodnot korelačního koecentu můžeme říc že mez náhodným velčnam a estuje středně slná negatvní korelace tj že pravděpodobně s růstem bude klesat lneárně adg odmíněné pravděpodobnost budeme opět zapsovat do tabulk a jejch hodnot určíme z dence: z z z Tabulka podmíněné pravděpodobnostní unkce = = z 3 /5 5/5 5/5 5/5 /5 5/5 5/5 /5 /5 5/5 /5 /5 3 5/5 /5 /5 / Např = = = 5 z Tabulka podmíněné pravděpodobnostní unkce = z = 3 /5 5/5 5/5 5/5 /5 5/5 5/5 /5 /5 5/5 /5 /5 3 5/5 /5 /5 / Např = = =

7 Statstka I cvčení 5 Student z jedné studjní skupn bl na zkoušce z matematk a zk s těmto výsledk první hodnota v uspořádané dvojc označuje výsledek studenta z matematk druhá z zk: a Vtvořte pravděpodobnostní tabulku náhodného vektoru jehož složka bude znamenat výsledk u zkoušk z matematk a složka bude znamenat výsledk u zkoušk z zk b Určete jeho margnální pravděpodobnostní unkce c Určete jeho dstrbuční unkc F d jstěte jeho podmíněné pravděpodobnost =/= Řešení: ada Tabulka sdružených četností: Celkem: Tabulka sdružených pravděpodobností: Hodnot v prvním řádku a prvním sloupc jsou hodnot kterých mohou nabývat náhodné velčn Ostatní čísla v tabulce jsou pravděpodobnost výsktu všech možných dvojc např ; 5 adb

8 Statstka I cvčení Hodnot margnální pravděpodobnostní unkce jsou vžd součt všech pravděpodobností v daném řádku např: 3 = = 45 Obdobně nalezneme ve sloupcích hodnot výrazněné číslo musí být vžd rovno jedné je to součet všech hodnot nebo ted vlastně součet všech sdružených pravděpodobností náhodného vektoru adc F: postup př výpočtu: např: F33 = <3<3 = = 5 Všmněte s že hodnot v posledním sloupc odpovídají hodnotám margnální dstrbuční unkce F a hodnot v posledním řádku hodnotám F add např:

9 Statstka I cvčení 53 Sdružená hustota pravděpodobnost dvousložkového náhodného vektoru je denována jako: pro ; ; jnde Určete: a Margnální hustot pravděpodobnost b Margnální dstrbuční unkce F F c Střední hodnot a rozptl složek d Hodnotu jednoduchého korelačního koecentu výsledek dejte do souvslost s mírou lneární závslost Řešení: ada Jde o spojtý náhodný vektor proto: d pro ; jnde e smetre sdružené pravděpodobnostní unkce vplývá obdobný tvar pro ; jnde adb Margnální dstrbuční unkce jednotlvých složek určíme z margnálních hustot pravděpodobnost: F dt dt dt t t t dt t dt dt ze smetre můžeme opět odvodt: pro ; pro ; pro ; F pro ; pro ; pro ; adc Střední hodnot a rozptl jednotlvých složek určíme pomocí margnálních hustot pravděpodobnost na základě znalost denčních vztahů pro oba moment: - 6 -

10 Statstka I cvčení d d E d d E E E D Opět vužjeme smetre sdružené hustot pravděpodobnost a můžeme tvrdt že: 44 D ; E add ro výpočet jednoduchého korelačního koecentu potřebujeme znát hodnotu kovarance a proto začneme jejím výpočtem: dd E E E Cov d dd d Dále jž stačí jen dosadt do denčního vztahu pro jednoduchý korelační koecent: D D Cov velkost korelačního koecentu můžeme usuzovat na to že mez a pravděpodobně neestuje lneární závslost tj a jsou nekorelované náhodné velčn

11 Statstka I cvčení Vpočtěte střední hodnotu náhodné velčn náhodného vektoru který je určen hustotou pravděpodobnost: 5sn pro jnde Řešení: d E kde d : ; sn d d d d d E ro vřešení tohoto ntegrálu použjeme metodu per partes: ' ' sn - sn sn - sn sn sn sn - sn sn -sn u d v v u d E 4

12 Statstka I cvčení odobným způsobem b se dal vpočítat zblé číselné charakterstk: rozptl kovarance a koecent korelace Na závěr cvčení s ukážeme jak můžeme vužít Statgraphcs př zpracování dskrétního dvourozměrného vektoru 55 Student z jedné studjní skupn bl na zkoušce z matematk a zk s těmto výsledk první hodnota v uspořádané dvojc označuje výsledek studenta z matematk druhá z zk: volme tto náhodné velčn: Náhodný vektor = omocí Statgraphcsu: známka z matematk známka z zk a Sestavte sdruženou pravděpodobnostní unkc = =z b Určete margnální pravděpodobnost c Určete zda jsou náhodné velčn nezávslé d Určete kovaranční matc e Určete jednoduchý korelační koecent Řešení: pracování dvourozměrného dskrétního náhodného vektoru ve Statgraphcsu zahájíme tím že do tohoto sotwaru zadáme data adání dvourozměrné proměnné provedeme buď v tzv standardním datovém ormátu nebo ve ormě tabulk sdružených četností kontngenční tabulk od pojmem standardní datový ormát s představme klascké zadání dat denujeme dvě proměnné známka z matematk známka z zk a zadáme všechn kombnace obou proměnných

13 Statstka I cvčení Kontngenční tabulka tj v podstatě tabulka sdružených četnost námka z matematk F F F3 F4 jsou numercké proměnné F označuje jednčku z zk F dvojku z zk apod adaadb Sdruženou pravděpodobnostní unkc získáme jako tetový výstup př zpracování kategorální proměnné: Máme-l data zadána ve standardním datovém ormátu pak použjeme: Menu Descrbe \ Categorcal Data \ Crosstabulaton proměnné Výnos V okně Crosstabulaton označíme jednu proměnnou námka z matematk jako Row Varables a druhou námka z zk jako Column Varables okud mez proměnným estuje příčnná souvslost pak za řádkovou proměnnou Row Varable volíme proměnnou která je příčnou změn proměnné kterou označíme za sloupcovou Column varable např Množství hnojva je příčnou změn Máme-l data zadána ve ormě kontngenční tabulk pak použjeme: Menu Descrbe \ Categorcal Data \ Contngenc Tables

14 Statstka I cvčení V okně Contngenc Tables označíme F F F3 F4 jako Columns sloupce a námku z matematk jako Labels Dále pokračujeme v obou případech stejně: Označíme OK a pomocí kon Tabular Optons žlutá kona s jako požadovaný tetový výstu zvolíme tabulku četností Frequenc Tables Označíme OK a jako výstup se nám objeví tabulka v níž jsou uveden jak sdružené četnost tak sdružené pravděpodobnost v procentech a na okrajích tabulk najdeme margnální pravděpodobnost % - 6 -

15 Statstka I cvčení adc Grackou obdobou kontngenční tabulk je mozakový gra Tento gra se skládá z obdélníků jejchž stran jsou úměrné příslušným margnálním relatvním četnostem Statgraphcs konstruuje mozakový gra tak že na svslou osu vnáší nezávsle proměnnou příčna a na vodorovnou osu závsle proměnnou důsledek okud b bl mozakový gra v tomto případě tvořen svslým pruh jednotlvé obdélník stejných barev b měl stejné vodorovné rozměr znamenalo b to že sledované proměnné jsou nezávslé Obdobné vhodnocení provedeme v případě kd statstcký sotware vnáší nezávsle proměnnou na vodorovnou osu např JM-IN ak je v případě nezávslost proměnných mozakový gra tvořen vodorovným pás V našem případě nedokážeme určt která náhodná velčna ovlvňuje kterou a proto nezáleží na tom kterou budeme vnášet na osu a kterou na osu grau je zřejmé že se jedná o závslé náhodné velčn Toto je pouze závěr eplorační popsné statstk add Chceme-l získat kovaranční matc musíme mít dat zadána ve standardním datovém ormátu oužjeme menu: Menu Descrbe \ Numerc Data \ Multple Varable Analss V okně Multple Varable analss zadáme dané proměnné jako Data a zvolíme OK

16 Statstka I cvčení Kovaranční matc získáme zaškrtnutím pole Covarances v okně Tabular Optons které se nám objeví po klknutí na konu Tabular Optons žlutá kona ade Jednoduchý korelační koecent získáme obdobně jako kovaranční matc ouze v okně Tabular opton žlutá kona zaškrtneme pole Correlatons

17 Statstka I cvčení V tetovém výstupu najdeme hodnotu korelačního koecentu 65 počet hodnot proměnných a hodnotu p-value budeme se jí zabývat př testování hpotéz která nám říká zda se korelační koecent odlšuje od nulové hodnot natolk abchom data mohl považovat za lneárně závslá Je-l p-value menší než pak data považujeme za lneárně závslá ř této analýze získáme rovněž gracký výstup ve ormě bodových graů ukazujících ormu závslost mez proměnným grau je lneární závslost proměnných zcela zřejmá Tomu odpovídá hodnota korelačního koecentu 65 která ukazuje na slnou poztvní korelac což je potvrzeno hodnotou p-value 34 <<< - -

ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN

ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší

Více

REGRESNÍ ANALÝZA. 13. cvičení

REGRESNÍ ANALÝZA. 13. cvičení REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká

Více

NÁHODNÝ VEKTOR. 4. cvičení

NÁHODNÝ VEKTOR. 4. cvičení NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.

Více

4 NÁHODNÝ VEKTOR. Čas ke studiu kapitoly: 60 minut. Cíl: Po prostudování této kapitoly budete umět

4 NÁHODNÝ VEKTOR. Čas ke studiu kapitoly: 60 minut. Cíl: Po prostudování této kapitoly budete umět 4 NÁHODNÝ VEKTOR Čs ke studu kptol: 6 mnut Cíl: o prostudování této kptol udete umět popst náhodný vektor eho sdružené rozdělení vsvětlt pom mrgnální podmíněné rozdělení prvděpodonost popst stochstckou

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska

Více

Teoretické modely diskrétních náhodných veličin

Teoretické modely diskrétních náhodných veličin Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze

Více

9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese

9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování

Více

8. STATISTICKÝ SOUBOR SE DVĚMA ARGUMENTY

8. STATISTICKÝ SOUBOR SE DVĚMA ARGUMENTY 8. STATISTICKÝ SOUBOR SE DVĚMA ARGUMETY Stattcký oubor e dvěma argument Průvodce tudem Vužeme znalotí z předchozí kaptol, která poednávala o tattckém ouboru edním argumentem a rozšíříme e. Předpokládané

Více

2. Definice pravděpodobnosti

2. Definice pravděpodobnosti 2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se

Více

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y 9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud

Více

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu. 6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami

Více

3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina

3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina 3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních

Více

Téma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny

Téma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny 0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí

Více

Čísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)

Čísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...) . NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou

Více

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou) Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.

Více

Komplexní čísla. Pojem komplexní číslo zavedeme při řešení rovnice: x 2 + 1 = 0

Komplexní čísla. Pojem komplexní číslo zavedeme při řešení rovnice: x 2 + 1 = 0 Komplexní čísl Pojem komplexní číslo zvedeme př řešení rovnce: x 0 x 0 x - x Odmocnn ze záporného čísl reálně neexstuje. Z toho důvodu se oor reálných čísel rozšíří o dlší číslo : Všechny dlší odmocnny

Více

10. N á h o d n ý v e k t o r

10. N á h o d n ý v e k t o r 10. N á h o d n ý v e k t o r 10.1. Definice: Náhodný vektor. Uspořádanou n tici (X 1, X 2,..., X n ) náhodných veličin X i, 1 i n, nazýváme náhodným vektorem. Poznámka: Pro jednoduchost budeme zavádět

Více

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}. VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:

Více

Náhodný vektor a jeho charakteristiky

Náhodný vektor a jeho charakteristiky Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich

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

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.

Čísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové. Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný

Více

Korelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d

Korelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím

Více

Výsledný graf ukazuje následující obrázek.

Výsledný graf ukazuje následující obrázek. Úvod do problematiky GRAFY - SPOJNICOVÝ GRAF A XY A. Spojnicový graf Spojnicový graf používáme především v případě, kdy chceme graficky znázornit trend některé veličiny ve zvoleném časovém intervalu. V

Více

1 Úvod. 2 Teorie. verze 1.0

1 Úvod. 2 Teorie. verze 1.0 Vícenásobný integrál verze. Úvod Následující tet se zabývá dvojným a trojným integrálem. ěl b sloužit především studentům předmětu ATEAT na Univerzitě Hradec Králové k přípravě na zkoušku. ohou se v něm

Více

Obr. P1.1 Zadání úlohy v MS Excel

Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat

Více

Diskrétní náhodná veličina

Diskrétní náhodná veličina Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné

Více

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu

6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu 6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a

Více

4.4 Exploratorní analýza struktury objektů (EDA)

4.4 Exploratorní analýza struktury objektů (EDA) 4.4 Exploratorní analýza struktury objektů (EDA) Průzkumová analýza vícerozměrných dat je stejně jako u jednorozměrných dat založena na vyšetření grafckých dagnostk. K tomuto účelu se využívá různých technk

Více

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí: Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se

Více

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

Regresní analýza 1. Regresní analýza

Regresní analýza 1. Regresní analýza Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

Příklady z přednášek Statistické srovnávání

Příklady z přednášek Statistické srovnávání říklad z řednášek Statstcké srovnávání Jednoduché ndvduální ndex říklad V následující tabulce jsou uveden údaje o očtu závažných závad v areálu určté frm zjštěných a oravených v letech 9-998. Závažná závada

Více

podle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y

podle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y 4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.

Více

P ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel

P ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel P ílohy P íloha 1 ešení úlohy lineárního programování v MS Excel V této p íloze si ukážeme, jak lze ešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

2 TESTOVÁNÍ HYPOTÉZ. RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevil jsem pravdu! ale raději: Objevil jsem jednu z pravd! Chalil Gibran

2 TESTOVÁNÍ HYPOTÉZ. RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevil jsem pravdu! ale raději: Objevil jsem jednu z pravd! Chalil Gibran Elena Melcová, Radmla Stoklasová a Jaroslav Ramík; Statstcké programy TESTOVÁNÍ HYPOTÉZ RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevl jsem pravdu! ale raděj: Objevl jsem jednu z pravd! Chall Gbran Testování hypotéz

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení

Více

+ 2y. a y = 1 x 2. du x = nxn 1 f(u) 2x n 3 yf (u)

+ 2y. a y = 1 x 2. du x = nxn 1 f(u) 2x n 3 yf (u) Diferenciální počet příklad 1 Dokažte, že funkce F, = n f 2, kde f je spojitě diferencovatelná funkce, vhovuje vztahu + 2 = nf ; 0 Řešení: Označme u = 2. Pak je F, = n fu a platí Podle vět o derivaci složené

Více

9.3.5 Korelace. Předpoklady: 9304

9.3.5 Korelace. Předpoklady: 9304 935 Koelace Předpoklad: 9304 Zatím jsme se zabýval vžd pouze jedím zakem, ve statstckém výzkumu jsme však u každého jedotlvce (statstcké jedotk) sledoval zaků více Učtě spolu ěkteé zak souvsí (apříklad

Více

CHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.

CHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ. CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt

Více

STATISTIKA PRO NELÉKAŘSKÉ ZDRAVOTNICKÉ OBORY

STATISTIKA PRO NELÉKAŘSKÉ ZDRAVOTNICKÉ OBORY STATISTIKA PRO NELÉKAŘSKÉ ZDRAVOTNICKÉ OBORY Eva Reterová Olomouc 06 Fakulta zdravotnckých věd Unverzta Palackého v Olomouc Statstka pro nelékařské zdravotncké obory Eva Reterová Olomouc 06 Oponent: PhDr.

Více

1. Úvod do základních pojmů teorie pravděpodobnosti

1. Úvod do základních pojmů teorie pravděpodobnosti 1. Úvod do záladních pojmů teore pravděpodobnost 1.1 Úvodní pojmy Většna exatních věd zobrazuje své výsledy rgorózně tj. výsledy jsou zísávány na záladě přesných formulí a jsou jejch nterpretací. em je

Více

Raoultův zákon, podle kterého je při zvolené teplotě T parciální tlak i-té složky nad roztokem

Raoultův zákon, podle kterého je při zvolené teplotě T parciální tlak i-té složky nad roztokem DVOUSLOŽKOVÉ SYSTÉMY lkace Gbbsova zákona fází v f s 2 3 1 4 2 2 4 mamálně 3 roměnné, ro fázový dagram bchom otřeboval trojrozměrný 1 3 4 graf, oužíváme lošné graf, kd volíme buď konstantní telotu (zotermcký

Více

Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce. Zpracování výsledků vstupních testů z matematiky

Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce. Zpracování výsledků vstupních testů z matematiky Západočeská unverzta v Plzn Fakulta aplkovaných věd Katedra matematky Bakalářská práce Zpracování výsledků vstupních testů z matematky Plzeň, 13 Tereza Pazderníková Prohlášení Prohlašuj, že jsem bakalářskou

Více

SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC

SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojm: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocnin neznámé, tj. a n n + a n 1 n 1 +... + a 2 2 + a 1 + a 0 = 0, kde n je přirozené číslo.

Více

Parametrické programování

Parametrické programování Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou

Více

[ ] 6.2.2 Goniometrický tvar komplexních čísel I. Předpoklady: 4207, 4209, 6201

[ ] 6.2.2 Goniometrický tvar komplexních čísel I. Předpoklady: 4207, 4209, 6201 6.. Gonometrcký tvar kompleních čísel I Předpoklad: 07, 09, 60 Pedagogcká poznámka: Gonometrcký tvar kompleních čísel není pro student njak obtížný. Velm obtížné je pro student s po roce vzpomenout na

Více

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209

( ) ( ) 9.2.10 Binomické rozdělení. Předpoklady: 9209 9..1 Binomické rozdělení Předpoklady: 99 Př. 1: Basketbalista hází trestný hod (šestku) s pravděpodobností úspěchu,9. Urči pravděpodobnosti, že z pěti hodů: a) dá košů; b) dá alespoň jeden koš; c) dá nejdříve

Více

Téma 9: Vícenásobná regrese

Téma 9: Vícenásobná regrese Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.

Více

POTENCIÁL ELEKTRICKÉHO POLE ELEKTRICKÉ NAPĚTÍ

POTENCIÁL ELEKTRICKÉHO POLE ELEKTRICKÉ NAPĚTÍ POTENCIÁL ELEKTRICKÉHO POLE ELEKTRICKÉ NAPĚTÍ ELEKTRICKÝ POTENCIÁL Elektrcká potencální energe Newtonův zákon pro gravtační sílu mm F = G r 1 2 2 Coulombův zákon pro elektrostatckou sílu QQ F = k r 1 2

Více

1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH

1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH 1. DIFERENCIÁLNÍ POČET FUNKCE DVOU PROMĚNNÝCH V minulém semestru jsme studovali vlastnosti unkcí jedné nezávislé proměnné. K popisu mnoha reálných situací obvkle s jednou proměnnou nevstačíme. FUNKCE DVOU

Více

6 LINEÁRNÍ REGRESNÍ MODELY

6 LINEÁRNÍ REGRESNÍ MODELY 1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů

Více

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost

Více

1 Soustavy lineárních rovnic

1 Soustavy lineárních rovnic 1 Soustavy lineárních rovnic 1.1 Základní pojmy Budeme uvažovat soustavu m lineárních rovnic o n neznámých s koeficienty z tělesa T (potom hovoříme o soustavě m lineárních rovnic o n neznámých nad tělesem

Více

Energie elektrického pole

Energie elektrického pole Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný

Více

Porovnání GUM a metody Monte Carlo

Porovnání GUM a metody Monte Carlo Porovnání GUM a metody Monte Carlo Ing. Tomáš Hajduk Nejstota měření Parametr přřazený k výsledku měření Vymezuje nterval, o němž se s určtou úrovní pravděpodobnost předpokládá, že v něm leží skutečná

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

4. Třídění statistických dat pořádek v datech

4. Třídění statistických dat pořádek v datech 4. Třídění statstcých dat pořáde v datech Záladní členění statstcých řad: řada časová, řada prostorová, řada věcná věcná slovní řada, věcná číselná řada. Záladem statstcého třídění je uspořádání hodnot

Více

Tepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má

Tepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má Tepelná kapacta C x = C V = ( ) dq ( ) du Dulong-Pettovo pravdlo: U = 3kT N C V = 3kN x V = T ( ) ds x Tepelná kapacta mřížky Osclátor s kvantovanou energí E n = ( n + 2) hν má střední hodnotu energe (po

Více

VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ

VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje

Více

Mechatronické systémy s elektronicky komutovanými motory

Mechatronické systémy s elektronicky komutovanými motory Mechatroncké systémy s elektroncky komutovaným motory 1. EC motor Uvedený motor je zvláštním typem synchronního motoru nazývaný též bezkartáčovým stejnosměrným motorem (anglcky Brushless Drect Current

Více

CVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

CVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 CVIČNÝ TEST 15 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Je dána čtvercová mřížka, v níž každý čtverec má délku

Více

Neřešené příklady k procvičení

Neřešené příklady k procvičení Vysoká škola báňská - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra aplkované matematky Neřešené příklady k procvčení Lenka Šmonová Ostrava, 2006 Následující sbírka neřešených příkladů

Více

letní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory

letní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 202 Založeno na materiálech doc. Michala Kulicha Náhodný vektor často potřebujeme

Více

LOGICKÉ OBVODY J I Ř Í K A L O U S E K

LOGICKÉ OBVODY J I Ř Í K A L O U S E K LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2

Více

Vyrovnání měření přímých stejné přesnosti

Vyrovnání měření přímých stejné přesnosti Vyrovnání měření přímých stejné přesnost 1) Určíme přblžnou hodnotu x pro přehlednější výpočet v pracovní tabulce: x ) Vypočteme hodnoty doplňků δ k přblžné hodnotě x : δ l x, protože l x + δ 3) Výpočet

Více

3 ANALÝZA ROZPTYLU ANOVA

3 ANALÝZA ROZPTYLU ANOVA 3 Analýza rozptlu ANOVA 3 ANALÝZA ROZPTYLU ANOVA RYCHLÝ NÁHLED KAPITOLY Analýza rozptlu je statistickým nástrojem, který nám umožňuje zkoumat závislost kvantitativního znaku na kvalitativním znaku. Základní

Více

STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů

STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů STATISTICA Téma 6. Testy na základě jednoho a dvou výběrů 1) Test na velikost rozptylu Test na velikost rozptylu STATISTICA nemá. 2) Test na velikost střední hodnoty V menu Statistika zvolíme nabídku Základní

Více

Výpočet pravděpodobností

Výpočet pravděpodobností Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají

Více

7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM

7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM 7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané

Více

( ) ( ) 9.2.7 Nezávislé jevy I. Předpoklady: 9204

( ) ( ) 9.2.7 Nezávislé jevy I. Předpoklady: 9204 9.2.7 Nezávislé jevy I Předpoklady: 9204 Př. : Předpokládej, že pravděpodobnost narození chlapce je stejná jako pravděpodobnost narození dívky (a tedy v obou případech rovna 0,5) a není ovlivněna genetickými

Více

Úvod do korelační a regresní analýzy

Úvod do korelační a regresní analýzy Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou

Více

STATISTIKA (pro navazující magisterské studium)

STATISTIKA (pro navazující magisterské studium) Slezská unverzta v Opavě Obchodně podnkatelská fakulta v Karvné STATISTIKA (pro navazující magsterské studum) Jaroslav Ramík Karvná 007 Jaroslav Ramík, Statstka Jaroslav Ramík, Statstka 3 OBSAH MODULU

Více

Jednotlivé mezivýsledky, získané v prbhu analýzy rozptylu, jsou prbžn a systematicky zaznamenávány v tabulce ANOVA. Prmrný tverec. volnosti SS B.

Jednotlivé mezivýsledky, získané v prbhu analýzy rozptylu, jsou prbžn a systematicky zaznamenávány v tabulce ANOVA. Prmrný tverec. volnosti SS B. Ing. Martna Ltschmannová Statsta I., cvení ANOVA Rozšíením dvouvýbrových test pro stední hodnoty je analýza rozptylu nebol ANOVA, terá umožuje srovnávat nol stedních hodnot nezávslých náhodných výbr. Analýza

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. Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou

Více

Protokol č. 1. Tloušťková struktura. Zadání:

Protokol č. 1. Tloušťková struktura. Zadání: Protokol č. 1 Tloušťková struktura Zadání: Pro zadané výčetní tloušťky (v cm) vypočítejte statistické charakteristiky a slovně interpretujte základní statistické vlastnosti tohoto souboru tloušťek. Dále

Více

Diskrétní náhodná veličina. November 12, 2008

Diskrétní náhodná veličina. November 12, 2008 Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.

Více

Finanční matematika. Téma: Důchody. Současná hodnota anuity

Finanční matematika. Téma: Důchody. Současná hodnota anuity Fnanční matematka Téma: Důchody Současná hodnota anuty Důchody Defnce: Důchodem se rozumí pravdelné platby ve stejné výš, tzv. anuty Pozor na nejednotnost termnologe Různé možnost rozdělení důchodů Členění

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. Vícenásobná regresní a korelační analýza 1 1 Tto materiál bl vtvořen za pomoci grantu FRVŠ číslo 1145/2004. O vícenásobné závislosti mluvíme tehd, jestliže je závisle proměnná závislá na více nezávislých

Více

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky LOGICKÉ OBVODY pro kombinované a distanční studium

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky LOGICKÉ OBVODY pro kombinované a distanční studium Vysoká škola báňská - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky LOGICKÉ OBVODY pro kombnované a dstanční studum Zdeněk Dvš Zdeňka Chmelíková Iva Petříková Ostrava ZDENĚK DIVIŠ, ZDEŇKA

Více

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou

Více

Příprava ke státním maturitám 2011, vyšší úroveň obtížnosti materiál stažen z www.e-matematika.cz

Příprava ke státním maturitám 2011, vyšší úroveň obtížnosti materiál stažen z www.e-matematika.cz Příprava ke státním maturtám 0, všší úroveň obtížnost materál stažen z wwwe-matematkacz 80 60 Jsou dána čísla s 90, t 5 0 Ve stejném tvaru (součn co nejmenšího přrozeného čísla a mocnn deset) uveďte čísla

Více

Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace

Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu

Více

Diskrétní matematika. DiM /01, zimní semestr 2016/2017

Diskrétní matematika. DiM /01, zimní semestr 2016/2017 Diskrétní matematika Petr Kovář petr.kovar@vsb.cz Vysoká škola báňská Technická univerzita Ostrava DiM 470-2301/01, zimní semestr 2016/2017 O tomto souboru Tento soubor je zamýšlen především jako pomůcka

Více

Úkol 1.: Testování nezávislosti nominálních veličin V roce 1950 zkoumali Yule a Kendall barvu očí a vlasů u 6800 mužů.

Úkol 1.: Testování nezávislosti nominálních veličin V roce 1950 zkoumali Yule a Kendall barvu očí a vlasů u 6800 mužů. Téma 10: Analýza závislosti dvou nominálních veličin Úkol 1.: Testování nezávislosti nominálních veličin V roce 1950 zkoumali Yule a Kendall barvu očí a vlasů u 6800 mužů. barva očí barva vlasů světlá

Více

Univerzita Karlova v Praze Matematicko-fyzikální fakulta. Úvod do teorie pořádkových statistik. Katedra pravděpodobnosti a matematické statistiky

Univerzita Karlova v Praze Matematicko-fyzikální fakulta. Úvod do teorie pořádkových statistik. Katedra pravděpodobnosti a matematické statistiky Unverzta Karlova v Praze Matematcko-fyzkální fakulta BAKALÁŘSKÁ PRÁCE Antonín Hanuš Úvod do teore pořádkových statstk Katedra pravděpodobnost a matematcké statstky Vedoucí bakalářské práce: Studjní program:

Více

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,

Více

ANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha

ANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha ANOVA Analýza rozptylu př jednoduchém třídění Jana Vránová, 3.léařsá faulta UK, Praha Teore Máme nezávslých výběrů, > Mají rozsahy n, teré obecně nemusí být stejné V aždém z nch známe průměr a rozptyl

Více

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami. 3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její

Více

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

Více

Analytická geometrie lineárních útvarů

Analytická geometrie lineárních útvarů ) Na přímce: a) Souřadnice bodu na přímce: Analtická geometrie lineárních útvarů Bod P nazýváme počátek - jeho souřadnice je P [0] Nalevo od počátku leží čísla záporná, napravo čísla kladná. Každý bod

Více

Teorie efektivních trhů (E.Fama (1965))

Teorie efektivních trhů (E.Fama (1965)) Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje

Více

Vektory II. Předpoklady: Umíme už vektory sčítat, teď zkusíme opačnou operací rozklad vektoru na složky.

Vektory II. Předpoklady: Umíme už vektory sčítat, teď zkusíme opačnou operací rozklad vektoru na složky. 5 Vektor II Předpoklad: 4 Umíme už vektor sčítat, teď zkusíme opačnou operací rozklad vektoru na složk Př : Na obrázku je nakreslena síla Nakresli do obrázku síl a tak, ab platilo = + Kolik má úloha řešení?

Více

ANALÝZA ROZPTYLU (Analysis of Variance ANOVA)

ANALÝZA ROZPTYLU (Analysis of Variance ANOVA) NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než

Více

MODELOVÁNÍ A SIMULACE

MODELOVÁNÍ A SIMULACE MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký

Více

ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE

ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE Jana Valečková 1 1 Vysoká škola báňská-techncká unverzta Ostrava, Ekonomcká fakulta, Sokolská

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

StatSoft Jak vyzrát na datum

StatSoft Jak vyzrát na datum StatSoft Jak vyzrát na datum Tento článek se věnuje podrobně možnostem práce s proměnnými, které jsou ve formě datumu. A že jich není málo. Pokud potřebujete pracovat s datumem, pak se Vám bude tento článek

Více

4.2. Graf funkce více proměnných

4.2. Graf funkce více proměnných V této kapitole se soustředíme na funkce dvou proměnných. Poue v tomto případě jsme schopni graf funkcí dvou proměnných obrait. Pro funkce tří a více proměnných trácí grafické vjádření smsl. Výklad Definice

Více

Zpracování chybějících dat a dat mimo rozsah

Zpracování chybějících dat a dat mimo rozsah StatSoft Zpracování chybějících dat a dat mimo rozsah V tomto článku si představíme jeden z možných postupů, jak se rychle a snadno vypořádat s detekcí chybějících dat a dat mimo stanovený rozsah. Načtení

Více