Semestrální písemka BMA3 - termín varianta A13 vzorové řešení

Rozměr: px
Začít zobrazení ze stránky:

Download "Semestrální písemka BMA3 - termín varianta A13 vzorové řešení"

Transkript

1 Semestrální písemka BMA3 - termín varianta A13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň na 3 desetinná místa. 1. a) Metodou nejmenších čtverců aproximujte funkci danou tabulkou bodů pomocí přímky. Nalezenou přímku pak načrtněte spolu se zadanými body. x i y i 6,5 5, 3,1,9-1, -,7 Normální soustava rovnic: 8 6 6c + 3c 1 = 1 3c c 1 = 7, c =,95 c 1 = 1,99 Rovnice přímky je y =,95 1,99x b) Vysvětlete (nakreslete obrázky a doplňte vhodným komentářem), proč to, že f(a) a f(b) mají opačná znaménka, u spojité funkce f zaručuje existenci kořene rovnice f(x) = v intervalu a, b, zatímco u nespojité funkce existence kořene zaručena není. Obrázek pro spojitou funkci viz skripta. Nespojitá funkce je taková, že její graf je někde přetržený, proto osu x protnout nemusí, i když je jeden koncový bod nad osou a druhý pod osou x.. a) Je dána počáteční úloha y = x y, y() = 1. Vypočtěte přibližnou hodnotu řešení v bodě x =, řešte s krokem h =, modifikovanou Eulerovou metodou y i+1 = y i + h (k 1 + k ), kde k 1 = f(x i, y i ), k = f(x i + h, y i + hk 1 ). Výsledek pak porovnejte s přesným řešením přesné řešení je y = 1 (1 x+x e x+ ). f(x, y) = x y První krok: x =, y = 1 k 1 = f(; 1) = 1 = k = f( +,; 1 +, ) = = f(,; 1,) =, 1, =, y 1 = 1 +, ( +,) = 1, Druhý krok: x 1 =,, y 1 = 1, k 1 = f(,; 1,) =,3 k = f(,; 1,81) =,139 y = 1, +, (,3 +,139) = 1,811 Přibližná hodnota řešení v bodě x =, je y = 1,811. Přesná hodnota je y(,) = 1 (1, +, e,+ ) =. 1,818, chyba je přibližně b) Vypočtěte (přesně) 1 1 (1 + x ) dx. Kdybychom tento integrál vypočítali přibližně lichoběžníkovou metodou pro n = 3, byl by získaný výsledek menší, větší, nebo stejný jako přesná hodnota? Odpověď zdůvodněte, např. pomocí obrázku. 1 1 (1 + x ) dx = [x + x3 3 ]1 1 = 8 3. L 3 by vyšlo větší nejsnáze lze ukázat pomocí obrázku (obrázek k lichoběžníkové metodě viz skripta nebo přednášky). Jiná možnost je ze vzorce pro chybu (viz skripta nebo přednášky) druhá derivace integrované funkce je kladná, a proto je výsledek získaný lichoběžníkovou metodou větší než přesná hodnota.

2 3. a) Životnost určitého typu součástek (měřená ve stovkách hodin) je náhodná veličina X s distribuční funkcí { 1 e x / pro x >, F (x) = pro x. Jaká je pravděpodobnost, že součástka vydrží 1 až 3 stovky hodin? Jakou dobu životnosti překročí 9% součástek? Jaká je střední hodnota náhodné veličiny X? Jen zapište, jak by se střední hodnota vypočítala (konkrétně pro tuto náhodnou veličinu, ne zcela obecný vzorec), ale dál už nepočítejte! P (1 < X < 3) = F (3) F (1) = 1 e 3 / (1 e 1 / ) = e 1/ e 9/. =,673. Hledáme x, pro které je P (X > x) =,9: P (X > x) =,9 1 F (x) =,9 F (x) =,1 1 e x / =,1 x = ln,9 =.,69, tj. přibližně 65 hodin. EX = xf(x) dx. Známe F, hustotu f vypočteme jako f(x) = F (x): Pro x > je f(x) = (1 e x / ) = e x / ( x ) = x e x / ; pro x je f(x) =. EX = x x e x / dx = x e x / dx ( Ručně by se tento integrál vypočítat nepodařilo, primitivní funkci nelze vyjádřit pomocí elementárních funkcí. Pomocí počítače dostaneme výsledek π.) b) Uveďte příklad náhodné veličiny s Poissonovým rozdělením pravděpodobnosti s λ = 5. Například náhodná veličina udávající počet hovorů, které přepojí telefonní ústředna během hodiny, jestliže průměrně přepojuje 5 hovorů za hodinu. Obecně: X... počet událostí za jednotku času, jestliže průměrně nastává λ událostí za jednotku času (další předpoklady, které musí být splněny, viz skripta nebo přednášky).. a) Anežka hraje pasiáns. Pravděpodobnost výhry je v každé hře,8. Jaká je pravděpodobnost, že v 5 hrách vyhraje třikrát až čtyřikrát? Hraje 5-krát. Náhodná veličina X udává počet výher v 5 hrách. Vypočtěte střední hodnotu a rozptyl náhodné veličiny X. Jaká je pravděpodobnost, že v 5 hrách vyhraje nanejvýš 35-krát? Použijte normální rozdělení s korekcí. P (vyhraje 3x až x) = P (vyhraje 3x) + P (vyhraje x) = ( ) 5 3,83, + ( 5 ),8, =,61. X Bi(n = 5; p =,8), tedy střední hodnota je EX = n p = 5,8 = a rozptyl DX = n p (1 p) = 5,8, = 8. Pro výpočet použijeme střední hodnotu µ = EX = a rozptyl σ = DX = 8 vypočtené v předchozí části. X Bi(5;,8) přibližně X No(µ = ; σ = 8), U = X 8 P (X 35). = P (X < 35,5) = P = 1 Φ(1,59). = 1,9 =,56. ( U < 35,5 8 ).= P (U < 1,59) = Φ( 1,59) = b) Může pro distribuční funkci nějaké náhodné veličiny platit F () > F (3)? Jestliže ano, uveďte příklad náhodné veličiny, pro kterou to platí. Jestliže ne, vysvětlete, proč to platit nemůže. Nerovnost F () > F (3) platit nemůže, protože F () = P (X < ) a F (3) = P (X < 3). Hodnota F (3) udává pravděpodobnost většího jevu než F (), a tedy F (3) rozhodně nemůže být menší než F (). Přesněji: F (3) = P (X < 3) = P (X < ) + P ( X < 3) = F () + P ( X < 3) F (), }{{} a tedy nemůže být F () > F (3).

3 Semestrální písemka BMA3 - termín varianta B13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň na 3 desetinná místa. 1. a) Metodou nejmenších čtverců aproximujte funkci danou tabulkou bodů pomocí přímky. Nalezenou přímku pak načrtněte spolu se zadanými body. x i y i -3, -,8,7,9 5, Normální soustava rovnic: 5c 5c 1 = 5 5c c 1 = 15,9 Rovnice přímky je y = 3,9 +,9x. c = 3,9 c 1 =, b) U Newtonovy metody pro řešení rovnice f(x) = volíme počáteční aproximaci x tak, aby f(x ) a f (x ) měly stejná znaménka. Za jakých předpokladů tato podmínka skutečně zaručí konvergenci a proč? Vysvětlete geometrický význam této podmínky (nakreslete obrázky a doplňte vhodným komentářem). Viz skripta (Fourierova podmínka) a obrázky ze cvičení.. a) Je dána počáteční úloha y = x y, y(1) = 3. Vypočtěte přibližnou hodnotu řešení v bodě x = 1, řešte s krokem h =, modifikovanou Eulerovou metodou y i+1 = y i + hk, kde k 1 = f(x i, y i ), k = f(x i + h, y i + h k 1). Výsledek pak porovnejte s přesným řešením přesné řešení je y = x + x + e x+1. f(x, y) = x y První krok: x = 1, y = 3 k 1 = f(1; 3) = 1 3 = 1 k = f(1 +, ; 3 +,1 ( 1)) = = f(1,1;,9) = 1,1,9 =,8 y 1 = 3 +, (,8) =,9 Druhý krok: x 1 = 1,, y 1 =,9 k 1 = f(1,;,9) =, k = f(1,3;,916) =,78 y =,9 +,,78 =,99968 Přibližná hodnota řešení v bodě x = 1, je y =, Přesná hodnota je y(1,) = 1,+ 1, e 1,+1. =,99, chyba je přibližně b) Vypočtěte (přesně) 1 1 (1 x ) dx. Kdybychom tento integrál vypočítali přibližně lichoběžníkovou metodou pro n = 3, byl by získaný výsledek menší, větší, nebo stejný jako přesná hodnota? Odpověď zdůvodněte, např. pomocí obrázku. 1 1 (1 x ) dx = [x x3 3 ]1 1 = 3. L 3 by vyšlo menší nejsnáze lze ukázat pomocí obrázku (obrázek k lichoběžníkové metodě viz skripta nebo přednášky). Jiná možnost je ze vzorce pro chybu (viz skripta nebo přednášky) druhá derivace integrované funkce je záporná, a proto je výsledek získaný lichoběžníkovou metodou menší než přesná hodnota.

4 3. a) Životnost určitého typu součástek (měřená ve stovkách hodin) je náhodná veličina X s distribuční funkcí { 1 e x /9 pro x >, F (x) = pro x. Jaká je pravděpodobnost, že součástka vydrží až stovky hodin? Do jaké doby selže 95% součástek? Jaká je střední hodnota náhodné veličiny X? Jen zapište, jak by se střední hodnota vypočítala (konkrétně pro tuto náhodnou veličinu, ne zcela obecný vzorec), ale dál už nepočítejte! P ( < X < ) = F () F () = 1 e /9 (1 e /9 ) = e /9 e 16/9. =,7. Hledáme x, pro které je P (X < x) =,95: P (X < x) =,95 F (x) =,95 1 e x /9 =,95 x = 9 ln,5 =. 5,19, tj. přibližně 519 hodin. EX = xf(x) dx. Známe F, hustotu f vypočteme jako f(x) = F (x): Pro x > je f(x) = (1 e x /9 ) = e x /9 ( x 9 ) = x 9 e x /9 ; pro x je f(x) =. EX = x x 9 e x /9 dx = x 9 e x /9 dx ( Ručně by se tento integrál vypočítat nepodařilo, primitivní funkci nelze vyjádřit pomocí elementárních funkcí. Pomocí počítače dostaneme výsledek 3 π/.) b) Uveďte příklad náhodné veličiny s Poissonovým rozdělením pravděpodobnosti s λ = 1. Například náhodná veličina udávající počet hovorů, které přepojí telefonní ústředna během hodiny, jestliže průměrně přepojuje 1 hovorů za hodinu. Obecně: X... počet událostí za jednotku času, jestliže průměrně nastává λ událostí za jednotku času (další předpoklady, které musí být splněny, viz skripta nebo přednášky).. a) Barbora hraje pasiáns. Pravděpodobnost výhry je v každé hře,75. Jaká je pravděpodobnost, že ve hrách vyhraje dvakrát až třikrát? Hraje 8-krát. Náhodná veličina X udává počet výher v 8 hrách. Vypočtěte střední hodnotu a rozptyl náhodné veličiny X. Jaká je pravděpodobnost, že v 8 hrách vyhraje alespoň 55-krát? Použijte normální rozdělení s korekcí. P (vyhraje x až 3x) = P (vyhraje x)+p (vyhraje 3x) = ( ),75,5 + ( 3).,753,5 =,633. X Bi(n = 8; p =,75), tedy střední hodnota je EX = n p = 8,75 = 6 a rozptyl DX = n p (1 p) = 8,75,5 = 15. Pro výpočet použijeme střední hodnotu µ = EX = 6 a rozptyl σ = DX = 15 vypočtené v předchozí části. X Bi(8;,75) přibližně X No(µ = 6; σ = 15), U = X 6 P (X 55). = P (X > 5,5) = P 15 ( U > 5, ).= P (U > 1,) = 1 Φ( 1,) = = 1 (1 Φ(1,)) = Φ(1,). =,9. b) Musí pro každou náhodnou veličinu X platit P (X > 3) = 1 F (3)? Nebo to platí jen pro některý typ náhodných veličin? Nebo to neplatí vůbec? Odpověď zdůvodněte. P (X > 3) = 1 P (X 3) = 1 (P (X < 3) + P (X = 3)) = 1 F (3) P (X = 3) Rovnost P (X > 3) = 1 F (3) platí pro spojité náhodné veličiny, protože pro spojitou náhodnou veličinu je P (X = 3) =. Pro diskrétní náhodné veličiny vztah platit může a nemusí, záleží na tom, zda je P (X = 3) = p(3) nenulová. (Jestliže však pracujeme s definicí distribuční funkce F (x) = P (X x), pak rovnost P (X > 3) = 1 F (3) platí vždy.)

5 Semestrální písemka BMA3 - termín varianta C13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň na 3 desetinná místa. 1. a) Metodou nejmenších čtverců aproximujte funkci danou tabulkou bodů pomocí přímky. Nalezenou přímku pak načrtněte spolu se zadanými body. x i y i -3,3 -, -,5,8, Normální soustava rovnic: 5c + 5c 1 = 3 5c c 1 = 11 c = c 1 = 1, Rovnice přímky je y = + 1,x b) Vysvětlete (nakreslete obrázky a doplňte vhodným komentářem), proč to, že f(a) a f(b) mají opačná znaménka, u spojité funkce f zaručuje existenci kořene rovnice f(x) = v intervalu a, b, zatímco u nespojité funkce existence kořene zaručena není. Obrázek pro spojitou funkci viz skripta. Nespojitá funkce je taková, že její graf je někde přetržený, proto osu x protnout nemusí, i když je jeden koncový bod nad osou a druhý pod osou x.. a) Je dána počáteční úloha y = x 3y, y() = 1. Vypočtěte přibližnou hodnotu řešení v bodě x =, řešte s krokem h =, modifikovanou Eulerovou metodou y i+1 = y i + h (k 1 + k ), kde k 1 = f(x i, y i ), k = f(x i + h, y i + hk 1 ). Výsledek pak porovnejte s přesným řešením přesné řešení je y = 1 7 ( 6x+9x +e 3x+6 ). f(x, y) = x 3y První krok: x =, y = 1 k 1 = f(; 1) = 3 1 = 1 k = f( +,; 1 +, 1) = = f(,; 1,) =, 3 1, = 1, y 1 = 1 +, (1 + 1,) = 1, Přibližná hodnota řešení v bodě x =, je y = 1,795. Druhý krok: x 1 =,, y 1 = 1, k 1 = f(,; 1,) = 1,168 k = f(,; 1,576) = 1,387 y = 1, +, (1, ,387) = 1,795 Přesná hodnota je y(,) = 1 7 ( 6, + 9, + e 3,+6 ) =. 1,7, chyba je přibližně b) Vypočtěte (přesně) 1 1 (1 + x ) dx. Kdybychom tento integrál vypočítali přibližně Simpsonovou metodou pro n =, byl by získaný výsledek menší, větší, nebo stejný jako přesná hodnota? Odpověď zdůvodněte, např. pomocí obrázku. 1 1 (1+x ) dx = [x+ x3 3 ]1 1 = 8 3. S by vyšlo stejně při použití Simpsonovy metody nahrazujeme integrovanou funkci interpolačním polynomem. stupně neboli parabolou. Protože integrovaná funkce je polynom. stupně, Simpsonovou metodou dostaneme přesný výsledek.

6 3. a) Životnost určitého typu součástek (měřená ve stovkách hodin) je náhodná veličina X s distribuční funkcí { 1 e x 3 /8 pro x >, F (x) = pro x. Jaká je pravděpodobnost, že součástka vydrží 1 až stovky hodin? Do jaké doby selže 99% součástek? Jaká je střední hodnota náhodné veličiny X? Jen zapište, jak by se střední hodnota vypočítala (konkrétně pro tuto náhodnou veličinu, ne zcela obecný vzorec), ale dál už nepočítejte! P (1 < X < ) = F () F (1) = 1 e 3 /8 (1 e 13 /8 ) = e 1/8 e 8. =,88. Hledáme x, pro které je P (X < x) =,99: P (X < x) =,99 F (x) =,99 1 e x3 /8 =,99 x = 3 8 ln,1 =. 3,37, tj. přibližně 333 hodin. EX = xf(x) dx. Známe F, hustotu f vypočteme jako f(x) = F (x): Pro x > je f(x) = (1 e x3 /8 ) = e x3 /8 ( 3x 8 ) = 3x 8 e x3 /8 ; pro x je f(x) =. EX = x 3x 8 e x3 /8 dx = 3x 3 8 e x3 /8 dx ( Ručně by se tento integrál vypočítat nepodařilo, primitivní funkci nelze vyjádřit pomocí elementárních funkcí. Pomocí počítače dostaneme výsledek π 3/(9Γ(/3)) =. 1,786.) b) Uveďte příklad náhodné veličiny s Poissonovým rozdělením pravděpodobnosti s λ = 15. Například náhodná veličina udávající počet hovorů, které přepojí telefonní ústředna během hodiny, jestliže průměrně přepojuje 15 hovorů za hodinu. Obecně: X... počet událostí za jednotku času, jestliže průměrně nastává λ událostí za jednotku času (další předpoklady, které musí být splněny, viz skripta nebo přednášky).. a) Cyril hraje Hledání min. Pravděpodobnost výhry je v každé hře,5. Jaká je pravděpodobnost, že v 5 hrách vyhraje jednou až dvakrát? Hraje 6-krát. Náhodná veličina X udává počet výher v 6 hrách. Vypočtěte střední hodnotu a rozptyl náhodné veličiny X. Jaká je pravděpodobnost, že v 6 hrách vyhraje alespoň -krát? Použijte normální rozdělení s korekcí. P (vyhraje 1x až x) = P (vyhraje 1x)+P (vyhraje x) = 5,5,75 + ( 5 ),5,75 3. =,659. X Bi(n = 6; p =,5), tedy střední hodnota je EX = n p = 6,5 = 15 a rozptyl DX = n p (1 p) = 6,5,75 = 11,5. Pro výpočet použijeme střední hodnotu µ = EX = 15 a rozptyl σ = DX = 11,5 vypočtené v předchozí části. X Bi(6;,5) přibližně X No(µ = 15; σ = 11,5), U = X 15 11,5 P (X ) =. P (X > 19,5) = P. = 1,91 =,9. ( U > 19, ,5 ).= P (U > 1,3) = 1 Φ(1,3). = b) Může pro distribuční funkci nějaké náhodné veličiny platit F (1) > F ()? Jestliže ano, uveďte příklad náhodné veličiny, pro kterou to platí. Jestliže ne, vysvětlete, proč to platit nemůže. Nerovnost F (1) > F () platit nemůže, protože F (1) = P (X < 1) a F () = P (X < ). Hodnota F () udává pravděpodobnost většího jevu než F (1), a tedy F () rozhodně nemůže být menší než F (1). Přesněji: F () = P (X < ) = P (X < 1) + P (1 X < ) = F (1) + P (1 X < ) F (1), }{{} a tedy nemůže být F (1) > F ().

7 Semestrální písemka BMA3 - termín varianta D13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň na 3 desetinná místa. 1. a) Metodou nejmenších čtverců aproximujte funkci danou tabulkou bodů pomocí přímky. Nalezenou přímku pak načrtněte spolu se zadanými body. x i y i -,3-1,3,6, 3,3 5,5 Normální soustava rovnic: 6c 3c 1 = 8 3c c 1 = 3, Rovnice přímky je y =,11 + 1,55x. c =,11 c 1 = 1, b) U Newtonovy metody pro řešení rovnice f(x) = volíme počáteční aproximaci x tak, aby f(x ) a f (x ) měly stejná znaménka. Za jakých předpokladů tato podmínka skutečně zaručí konvergenci a proč? Vysvětlete geometrický význam této podmínky (nakreslete obrázky a doplňte vhodným komentářem). Viz skripta (Fourierova podmínka) a obrázky ze cvičení.. a) Je dána počáteční úloha y = 3x y, y(1) =. Vypočtěte přibližnou hodnotu řešení v bodě x = 1, řešte s krokem h =, modifikovanou Eulerovou metodou y i+1 = y i + hk, kde k 1 = f(x i, y i ), k = f(x i + h, y i + h k 1). Výsledek pak porovnejte s přesným řešením přesné řešení je y = 6 6x + 3x e x+1. f(x, y) = 3x y První krok: x = 1, y = k 1 = f(1; ) = 3 1 = 1 k = f(1 +, ; +,1 1) = = f(1,1;,1) = 3 1,1,1 = 1,53 y 1 = +, 1,53 =,36 Druhý krok: x 1 = 1,, y 1 =,36 k 1 = f(1,;,36) =,1 k = f(1,3;,57) =,566 y =,36 +,,566 =,8185 Přibližná hodnota řešení v bodě x = 1, je y =,8185. Přesná hodnota je y(1,) = 6 6 1,+3 1, e 1,+1. =,81, chyba je přibližně b) Vypočtěte (přesně) 1 1 (1 x ) dx. Kdybychom tento integrál vypočítali přibližně Simpsonovou metodou pro n =, byl by získaný výsledek menší, větší, nebo stejný jako přesná hodnota? Odpověď zdůvodněte, např. pomocí obrázku. 1 1 (1 x ) dx = [x x3 3 ]1 1 = 3. S by vyšlo stejně při použití Simpsonovy metody nahrazujeme integrovanou funkci interpolačním polynomem. stupně neboli parabolou. Protože integrovaná funkce je polynom. stupně, Simpsonovou metodou dostaneme přesný výsledek.

8 3. a) Životnost určitého typu součástek (měřená ve stovkách hodin) je náhodná veličina X s distribuční funkcí { 1 e x 3 /7 pro x >, F (x) = pro x. Jaká je pravděpodobnost, že součástka vydrží až 3 stovky hodin? Jakou dobu životnosti překročí 95% součástek? Jaká je střední hodnota náhodné veličiny X? Jen zapište, jak by se střední hodnota vypočítala (konkrétně pro tuto náhodnou veličinu, ne zcela obecný vzorec), ale dál už nepočítejte! P ( < X < 3) = F (3) F () = 1 e 33 /7 (1 e 3 /7 ) = e 8/7 e 1. =,376. Hledáme x, pro které je P (X > x) =,95: P (X > x) =,95 1 F (x) =,95 F (x) =,5 1 e x3 /7 =,5 x = 3 7 ln,95 =. 1,115, tj. přibližně 11 hodin. EX = xf(x) dx. Známe F, hustotu f vypočteme jako f(x) = F (x): Pro x > je f(x) = (1 e x3 /7 ) = e x3 /7 ( 3x 7 ) = x 9 e x3 /7 ; pro x je f(x) =. EX = x x 9 e x3 /7 dx = x 3 9 e x3 /7 dx ( Ručně by se tento integrál vypočítat nepodařilo, primitivní funkci nelze vyjádřit pomocí elementárních funkcí. Pomocí počítače dostaneme výsledek π 3/(3Γ(/3)) =.,679.) b) Uveďte příklad náhodné veličiny s Poissonovým rozdělením pravděpodobnosti s λ =. Například náhodná veličina udávající počet hovorů, které přepojí telefonní ústředna během hodiny, jestliže průměrně přepojuje hovorů za hodinu. Obecně: X... počet událostí za jednotku času, jestliže průměrně nastává λ událostí za jednotku času (další předpoklady, které musí být splněny, viz skripta nebo přednášky).. a) Daniel hraje Hledání min. Pravděpodobnost výhry je v každé hře,. Jaká je pravděpodobnost, že ve hrách vyhraje jednou až dvakrát? Hraje 1-krát. Náhodná veličina X udává počet výher ve 1 hrách. Vypočtěte střední hodnotu a rozptyl náhodné veličiny X. Jaká je pravděpodobnost, že ve 1 hrách vyhraje nanejvýš 19-krát? Použijte normální rozdělení s korekcí. P (vyhraje 1x až x) = P (vyhraje 1x) + P (vyhraje x) =,,8 3 + ( ),,8 =,563. X Bi(n = 1; p =,), tedy střední hodnota je EX = n p = 1, = a rozptyl DX = n p (1 p) = 1,,8 = 16. Pro výpočet použijeme střední hodnotu µ = EX = a rozptyl σ = DX = 16 vypočtené v předchozí části. X Bi(1;,) přibližně X No(µ = ; σ = 16), U = X P (X 19) =. ( P (X < 19,5) = P U < 19,5 16 ).= P (U <,1) = Φ(,1) = = 1 Φ(,1). = 1,58 =,5. b) Musí pro každou náhodnou veličinu X platit P (X > ) = 1 F ()? Nebo to platí jen pro některý typ náhodných veličin? Nebo to neplatí vůbec? Odpověď zdůvodněte. P (X > ) = 1 P (X ) = 1 (P (X < ) + P (X = )) = 1 F () P (X = ) Rovnost P (X > ) = 1 F () platí pro spojité náhodné veličiny, protože pro spojitou náhodnou veličinu je P (X = ) =. Pro diskrétní náhodné veličiny vztah platit může a nemusí, záleží na tom, zda je P (X = ) = p() nenulová. (Jestliže však pracujeme s definicí distribuční funkce F (x) = P (X x), pak rovnost P (X > ) = 1 F () platí vždy.)

Definice spojité náhodné veličiny zjednodušená verze

Definice spojité náhodné veličiny zjednodušená verze Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f

Více

Numerická matematika Písemky

Numerická matematika Písemky Numerická matematika Písemky Bodování Každá písemka je bodována maximálně 20 body. Celkem student může získat za písemky až 40 bodů, pro udělení zápočtu musí získat minimálně 20 bodů. Písemka č. 1 Dva

Více

Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0.

Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0. A 9 vzorové řešení Př. 1. Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice Počítejte v radiánech, ne ve stupních! sin x + x 2 2 = 0. Rovnici lze upravit na sin

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

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

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

Více

Matematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a

Matematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a Matematika I A ukázkový test 1 pro 2011/2012 1. Je dána soustava rovnic s parametrem a R x y + z = 1 a) Napište Frobeniovu větu. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a b) Vyšetřete počet řešení soustavy

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

Typy příkladů na písemnou část zkoušky 2NU a vzorová řešení (doc. Martišek 2017)

Typy příkladů na písemnou část zkoušky 2NU a vzorová řešení (doc. Martišek 2017) Typy příkladů na písemnou část zkoušky NU a vzorová řešení (doc. Martišek 07). Vhodnou iterační metodou (tj. metodou se zaručenou konvergencí) řešte soustavu: x +x +4x 3 = 3.5 x 3x +x 3 =.5 x +x +x 3 =.5

Více

METODA PŮLENÍ INTERVALU (METODA BISEKCE) METODA PROSTÉ ITERACE NEWTONOVA METODA

METODA PŮLENÍ INTERVALU (METODA BISEKCE) METODA PROSTÉ ITERACE NEWTONOVA METODA 2-3. Metoda bisekce, met. prosté iterace, Newtonova metoda pro řešení f(x) = 0. Kateřina Konečná/ 1 ITERAČNÍ METODY ŘEŠENÍ NELINEÁRNÍCH ROVNIC - řešení nelineární rovnice f(x) = 0, - separace kořenů =

Více

INTERPOLAČNÍ POLYNOM. F (x)... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí

INTERPOLAČNÍ POLYNOM. F (x)... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí 8 Řešení Lagrangeovy a Hermiteovy úlohy interpolace Kateřina Konečná/1 INTERPOLAČNÍ POLYNOM aproximace zadaných hodnot nebo hledané funkce f funkcí F (x) (polynomem) F musí být k f co nejblíže značení:

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

Matematika I A ukázkový test 1 pro 2014/2015

Matematika I A ukázkový test 1 pro 2014/2015 Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)

Více

Náhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek

Náhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3

Více

Numerické řešení nelineárních rovnic

Numerické řešení nelineárních rovnic Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html

Více

Numerické metody a statistika

Numerické metody a statistika Numerické metody a statistika Radek Kučera VŠB-TU Ostrava 016-017 ( ) Numerické metody a statistika 016-017 1 / Numerické integrování ( ) Numerické metody a statistika 016-017 / Geometrický význam integrálu

Více

11 Rovnoměrné a normální rozdělení psti

11 Rovnoměrné a normální rozdělení psti 11 Rovnoměrné a normální rozdělení psti 11 Rovnoměrné a normální rozdělení psti Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá část kapitoly 13 ze skript [1] a vše, co se nachází v kapitole

Více

- funkce, které integrujete aproximujte jejich Taylorovými řadami a ty následně zintegrujte. V obou případech vyzkoušejte Taylorovy řady

- funkce, které integrujete aproximujte jejich Taylorovými řadami a ty následně zintegrujte. V obou případech vyzkoušejte Taylorovy řady Vzorové řešení domácího úkolu na 6. 1. 1. Integrály 1 1 x2 dx, ex2 dx spočítejte přibližně následují metodou - funkce, které integrujete aproximujte jejich Taylorovými řadami a ty následně zintegrujte.

Více

4 Numerické derivování a integrace

4 Numerické derivování a integrace Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 7, strany 85-94. Jedná se o úlohu výpočtu (první či druhé) derivace či o výpočet určitého integrálu jinými metodami,

Více

INTERPOLAČNÍ POLYNOM.... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí

INTERPOLAČNÍ POLYNOM.... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí 8 Řešení Lagrangeovy a Hermiteovy úlohy interpolace 1 INTERPOLAČNÍ POLYNOM aproximace zadaných hodnot nebo hledané funkce f funkcí F (x) (polynomem) F musí být k f co nejblíže značení: P (n) množina všech

Více

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní ..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X

Více

Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I

Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla

Více

Téma 22. Ondřej Nývlt

Téma 22. Ondřej Nývlt Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené

Více

MKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.

MKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

Numerické řešení nelineárních rovnic

Numerické řešení nelineárních rovnic Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html

Více

MATEMATICKÁ STATISTIKA

MATEMATICKÁ STATISTIKA MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat

Více

Newtonova metoda. 23. října 2012

Newtonova metoda. 23. října 2012 Hledání kořenů rovnic jedné reálné proměnné Newtonova metoda Michal Čihák 23. října 2012 Newtonova metoda (metoda tečen) využívá myšlenku, že tečna v daném bodě grafu funkce nejlépe aproximuje graf funkce

Více

, 1. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv

, 1. skupina (16:15-17:45) Jméno: se. Postup je třeba odůvodnit (okomentovat) nebo uvést výpočet. Výsledek bez uvedení jakéhokoliv 42206, skupina (6:5-7:45) Jméno: Zápočtový test z PSI Nezapomeňte podepsat VŠECHNY papíry, které odevzdáváte Škrtejte zřetelně a stejně zřetelně pište i věci, které platí Co je škrtnuto, nebude bráno v

Více

Zimní semestr akademického roku 2014/ prosince 2014

Zimní semestr akademického roku 2014/ prosince 2014 Cvičení k předmětu BI-ZMA Tomáš Kalvoda Katedra aplikované matematiky FIT ČVUT Matěj Tušek Katedra matematiky FJFI ČVUT Obsah Cvičení Zimní semestr akademického roku 2014/2015 7. prosince 2014 Předmluva

Více

f(x) = arccotg x 2 x lim f(x). Určete všechny asymptoty grafu x 2 2 =

f(x) = arccotg x 2 x lim f(x). Určete všechny asymptoty grafu x 2 2 = Řešení vzorové písemky z předmětu MAR Poznámky: Řešení úloh ze vzorové písemky jsou formulována dosti podrobně podobným způsobem jako u řešených příkladů ve skriptech U zkoušky lze jednotlivé kroky postupu

Více

Interpolace, ortogonální polynomy, Gaussova kvadratura

Interpolace, ortogonální polynomy, Gaussova kvadratura Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť

Více

Interpolace pomocí splajnu

Interpolace pomocí splajnu Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom

Více

Numerická matematika Banka řešených příkladů

Numerická matematika Banka řešených příkladů Numerická matematika Banka řešených příkladů Radek Kučera, Pavel Ludvík, Zuzana Morávková Katedra matematiky a deskriptivní geometrie Vysoká škola báňská Technická Univerzita Ostrava K D M G ISBN 978-80-48-894-6

Více

Zkouška ze Aplikované matematiky pro Arboristy (AMPA), LDF, minut. Součet Koeficient Body. 4. [10 bodů] Integrální počet. 5.

Zkouška ze Aplikované matematiky pro Arboristy (AMPA), LDF, minut. Součet Koeficient Body. 4. [10 bodů] Integrální počet. 5. Zkouška ze Aplikované matematiky pro Arboristy (AMPA), LDF, 6.2.204 60 minut 2 3 4 5 6 Jméno:................................... Součet Koeficient Body. [2 bodů] V následující tabulce do každého z šesti

Více

Test M1-ZS12-2 M1-ZS12-2/1. Příklad 1 Najděte tečnu grafu funkce f x 2 x 6 3 x 2, která je kolmá na přímku p :2x y 3 0.

Test M1-ZS12-2 M1-ZS12-2/1. Příklad 1 Najděte tečnu grafu funkce f x 2 x 6 3 x 2, která je kolmá na přímku p :2x y 3 0. Test M-ZS- M-ZS-/ Příklad Najděte tečnu grafu funkce f x x 6 3 x, která je kolmá na přímku p :x y 3 0. Zřejmě D f R. Přímka p má směrnici, tečna na ní kolmá má proto směrnici. Protože směrnice tečny ke

Více

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad.

f (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad. 8. Taylorova řada. V urzu matematiy jsme uázali, že je možné funci f, terá má v oolí bodu x derivace aproximovat polynomem, jehož derivace se shodují s derivacemi aproximované funce v bodě x. Poud má funce

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A1. Cvičení, zimní semestr. Samostatné výstupy. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A1. Cvičení, zimní semestr. Samostatné výstupy. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A1 Cvičení, zimní semestr Samostatné výstupy Jan Šafařík Brno c 2003 Obsah 1. Výstup č.1 2 2. Výstup

Více

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

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

Více

Charakterizace rozdělení

Charakterizace rozdělení Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf

Více

Zápočtová písemka z Matematiky III (BA04) skupina A

Zápočtová písemka z Matematiky III (BA04) skupina A skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost

Více

Derivace a monotónnost funkce

Derivace a monotónnost funkce Derivace a monotónnost funkce Věta : Uvažujme funkci f (x), která má na intervalu I derivaci f (x). Pak platí: je-li f (x) > 0 x I, funkce f je na intervalu I rostoucí. je-li f (x) < 0 x I, funkce f je

Více

Přijímací zkouška na navazující magisterské studium 2014

Přijímací zkouška na navazující magisterské studium 2014 Přijímací zkouška na navazující magisterské studium 4 Studijní program: Studijní obory: Příklad (5 bodů) Spočtěte Matematika MA, MMIB, MMFT, MSTR, NVM, PMSE, MDU Varianta A M xy dxdy, kde M = {(x, y) R

Více

metoda Regula Falsi 23. října 2012

metoda Regula Falsi 23. října 2012 Hledání kořenů rovnic jedné reálné proměnné metoda Regula Falsi Michal Čihák 23. října 2012 Metoda Regula Falsi hybridní metoda je kombinací metody sečen a metody půlení intervalů předpokladem je (podobně

Více

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií

prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost

Více

Funkce jedné proměnné

Funkce jedné proměnné Funkce jedné proměnné Příklad - V následujících příkladech v případě a) pro funkce dané rovnicí zjistěte zda jsou rostoucí klesající nebo konstantní vypočítejte průsečíky grafu s osami souřadnic a graf

Více

Základy vyšší matematiky arboristika Zadání písemek ze školního roku

Základy vyšší matematiky arboristika Zadání písemek ze školního roku Základy vyšší matematiky arboristika Zadání písemek ze školního roku 20 202 Robert ařík 9. ledna 203 Níže najdete zadání písemek předmětu ZVTA. Za některými písemkami je vloženo i řešení. Písemná část

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

Požadavky a podmínky zkoušky z Numerických metod I (2NU)

Požadavky a podmínky zkoušky z Numerických metod I (2NU) Požadavky a podmínky zkoušky z Numerických metod I (2NU) LS 2018/2019 Zkouška je písemná, trvá 90 min. Skládá se ze 3 praktických příkladů a 4 teoretických otázek. S sebou ke zkoušce: psací potřeby (čisté

Více

úloh pro ODR jednokrokové metody

úloh pro ODR jednokrokové metody Numerické metody pro řešení počátečních úloh pro ODR jednokrokové metody Formulace: Hledáme řešení y = y() rovnice () s počáteční podmínkou () y () = f(, y()) () y( ) = y. () Smysl: Analyticky lze spočítat

Více

Řešení. Označme po řadě F (z) Odtud plyne, že

Řešení. Označme po řadě F (z) Odtud plyne, že Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme

Více

Kombinatorická minimalizace

Kombinatorická minimalizace Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny

Více

Integrální počet funkcí jedné proměnné

Integrální počet funkcí jedné proměnné Integrální počet funkcí jedné proměnné Neurčité integrály Určité a nevlastní integrály Geometrické aplikace určitého integrálu. p.1/?? Neurčité integrály Příklad 7.1.1 Vhodnou metodou vypočítejte neurčitý

Více

Řešení nelineárních rovnic

Řešení nelineárních rovnic Řešení nelineárních rovnic Metody sečen (sekantová a regula falsi) Máme dva body x 1 a x mezi nimiž se nachází kořen Nový bod x 3 volíme v průsečíku spojnice bodů x 1, f x 1 a x, f x (sečny) s osou x ERRBISPAS

Více

Přijímací zkoušky z matematiky pro akademický rok 2016/17 NMgr. studium Učitelství matematiky ZŠ, SŠ

Přijímací zkoušky z matematiky pro akademický rok 2016/17 NMgr. studium Učitelství matematiky ZŠ, SŠ Přijímací zkoušky z matematiky pro akademický rok 6/7 NMgr. studium Učitelství matematiky ZŠ, SŠ Datum zkoušky: Varianta Registrační číslo uchazeče: Příklad 3 5 Celkem Body Ke každému příkladu uved te

Více

Interpolace, aproximace

Interpolace, aproximace 11 Interpolace, aproximace Metoda nejmenších čtverců 11.1 Interpolace Mějme body [x i,y i ], i =0, 1,...,n 1. Cílem interpolace je najít funkci f(x), jejíž graf prochází všemi těmito body, tj. f(x i )=y

Více

Numerická integrace a derivace

Numerická integrace a derivace co byste měli umět po dnešní lekci: integrovat funkce různými metodami (lichoběžníkové pravidlo, Simpson,..) počítat vícenásobné integrály počítat integrály podél křivky a integrály komplexních funkcí

Více

Matematika II, úroveň A ukázkový test č. 1 (2017) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené

Matematika II, úroveň A ukázkový test č. 1 (2017) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené 28. 2. 2017 Matematika II, úroveň A ukázkový test č. 1 (2017) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené mn. M E n. Zapište a načrtněte množinu D, ve které

Více

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

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

Více

4. Aplikace matematiky v ekonomii

4. Aplikace matematiky v ekonomii 4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =

Více

Rekonstrukce diskrétního rozdělení psti metodou maximální entropie

Rekonstrukce diskrétního rozdělení psti metodou maximální entropie Rekonstrukce diskrétního rozdělení psti metodou maximální entropie Příklad Lze nalézt četnosti nepozorovaných stavů tak, abychom si vymýšleli co nejméně? Nechť n i, i = 1, 2,..., N jsou známé (absolutní)

Více

MATEMATIKA II - vybrané úlohy ze zkoušek (2015)

MATEMATIKA II - vybrané úlohy ze zkoušek (2015) MATEMATIKA II - vybrané úlohy ze zkoušek (2015) doplněné o další úlohy 24. 2. 2015 Nalezené nesrovnalosti ve výsledcích nebo připomínky k tomuto souboru sdělte laskavě F. Mrázovi (e-mail: Frantisek.Mraz@fs.cvut.cz

Více

Přednáška 11, 12. prosince Část 5: derivace funkce

Přednáška 11, 12. prosince Část 5: derivace funkce Přednáška 11, 12. prosince 2014 Závěrem pasáže o spojitých funkcích zmíníme jejich podtřídu, lipschitzovské funkce, nazvané podle německého matematika Rudolfa Lipschitze (1832 1903). Fukce f : M R je lipschitzovská,

Více

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

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

Více

Seznámíte se s principem integrace metodou per partes a se základními typy integrálů, které lze touto metodou vypočítat.

Seznámíte se s principem integrace metodou per partes a se základními typy integrálů, které lze touto metodou vypočítat. .. Integrace metodou per partes.. Integrace metodou per partes Průvodce studiem V předcházející kapitole jsme poznali, že integrování součtu funkcí lze provést jednoduše, známe-li integrály jednotlivých

Více

Téma je podrobně zpracováno ve skriptech [1], kapitola 6, strany

Téma je podrobně zpracováno ve skriptech [1], kapitola 6, strany 3 Metoda nejmenších čtverců 3 Metoda nejmenších čtverců Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 6, strany 73-80. Jedná se o třetí možnou metodu aproximace,

Více

Matematika II, úroveň A ukázkový test č. 1 (2016) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené

Matematika II, úroveň A ukázkový test č. 1 (2016) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené 22. 2. 2016 Matematika II, úroveň A ukázkový test č. 1 (2016) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené mn. M E n. Zapište a načrtněte množinu D, ve které

Více

Numerické řešení nelineárních rovnic

Numerické řešení nelineárních rovnic Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/~navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html

Více

Pozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně

Pozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně 9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených

Více

Diferenciální rovnice

Diferenciální rovnice Obyčejné diferenciální rovnice - studijní text pro cvičení v předmětu Matematika - 2. Studijní materiál byl připraven pracovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za podpory grantu IG ČVUT

Více

Ukázka závěrečného testu

Ukázka závěrečného testu Okruhy otázek pro závěrečný test ) Vlastnosti funkce ) Graf funkce ) Definiční obor funkce ) imita funkce ) Derivace funkce 6) Užití derivace 7) Matice 8) Řešení soustavy lineárních rovnic 9) Určitý integrál

Více

Matematika 3. Sbírka příkladů z numerických metod. RNDr. Michal Novák, Ph.D. ÚSTAV MATEMATIKY

Matematika 3. Sbírka příkladů z numerických metod. RNDr. Michal Novák, Ph.D. ÚSTAV MATEMATIKY Matematika 3 Sbírka příkladů z numerických metod RNDr. Michal Novák, Ph.D. ÚSTAV MATEMATIKY Matematika 3 1 Obsah 1 Soustavy lineárních rovnic 5 1.1 Jacobiho a Gauss-Seidelova metoda......................

Více

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce

Více

Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.

Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2. Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace

Více

MATEMATIKA III V PŘÍKLADECH

MATEMATIKA III V PŘÍKLADECH VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka

Více

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení

SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční

Více

VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni. Abstrakt

VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni. Abstrakt VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni Abstrakt Současný trend snižování počtu kontaktních hodin ve výuce nutí vyučující

Více

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

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

Více

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 y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).

Více

na magisterský studijní obor Učitelství matematiky pro střední školy

na magisterský studijní obor Učitelství matematiky pro střední školy Datum:... Jméno:... Přijímací řízení pro akademický rok 203/4 na magisterský studijní obor Učitelství matematiky pro střední školy Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd

Více

Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012

Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012 Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012 Opakování rovnice přímky Úloha: Určete rovnici přímky procházející body A[a, f(a)] a B[b, f(b)], kde f je funkce spojitá

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

Požadavky ke zkoušce. Ukázková písemka

Požadavky ke zkoušce. Ukázková písemka Požadavky ke zkoušce Zkouška z předmětu MATEMATIKA 1 má dvě části Písemná část: Písemná část se ještě dále rozděluje na praktickou část písemku a teoretickou část test. Písemka trvá 90 minut a je v ní

Více

Vzorová písemka č. 1 (rok 2015/2016) - řešení

Vzorová písemka č. 1 (rok 2015/2016) - řešení Vzorová písemka č. rok /6 - řešení Pavla Pecherková. května 6 VARIANTA A. Náhodná veličina X je určena hustotou pravděpodobností: máme hustotu { pravděpodobnosti C x pro x ; na intervalu f x jinde jedná

Více

Aplikovaná matematika I

Aplikovaná matematika I Metoda nejmenších čtverců Aplikovaná matematika I Dana Říhová Mendelu Brno c Dana Říhová (Mendelu Brno) Metoda nejmenších čtverců 1 / 8 Obsah 1 Formulace problému 2 Princip metody nejmenších čtverců 3

Více

MATEMATIKA II - vybrané úlohy ze zkoušek v letech

MATEMATIKA II - vybrané úlohy ze zkoušek v letech MATEMATIKA II - vybrané úlohy ze zkoušek v letech 2009 2012 doplněné o další úlohy 3. část KŘIVKOVÉ INTEGRÁLY, GREENOVA VĚTA, POTENIÁLNÍ POLE, PLOŠNÉ INTEGRÁLY, GAUSSOVA OSTROGRADSKÉHO VĚTA 7. 4. 2013

Více

Numerické řešení diferenciálních rovnic

Numerické řešení diferenciálních rovnic Numerické řešení diferenciálních rovnic Omezení: obyčejné (nikoli parciální) diferenciální rovnice, Cauchyho počáteční úloha, pouze jedna diferenciální rovnice 1. řádu 1/1 Numerické řešení diferenciálních

Více

4. Určete definiční obor elementární funkce g, jestliže g je definována předpisem

4. Určete definiční obor elementární funkce g, jestliže g je definována předpisem 4 Určete definiční obor elementární funkce g jestliže g je definována předpisem a) g ( x) = x 16 + ln ( x) x 16 ( x + 4 )( x 4) Řešíme-li kvadratickou nerovnice pomocí grafu kvadratické funkce tj paraboly

Více

Vybrané kapitoly z matematiky

Vybrané kapitoly z matematiky Vybrané kapitoly z matematiky VŠB-TU Ostrava 2017-2018 Vybrané kapitoly z matematiky 2017-2018 1 / 19 Základní informace předmět: 714-0513, 5 kreditů přednáší: Radek Kučera kontakt: radek.kucera@vsb.cz,

Více

Zkouška ze Základů vyšší matematiky ZVMTA (LDF, ) 60 minut. Součet Koeficient Body

Zkouška ze Základů vyšší matematiky ZVMTA (LDF, ) 60 minut. Součet Koeficient Body Zkouška ze Základů vyšší matematiky ZVTA (LDF, 8.2.202) 60 minut 2 3 4 5 6 7 Jméno:................................. Součet Koeficient Body. [6 bodů] a) Definujte pojem primitivní funkce. Co musí platit,

Více

ÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd.

ÚVOD. Rozdělení slouží: K přesnému popisu pravděpodobnostního chování NV Střední hodnota, rozptyl, korelace atd. ROZDĚLENÍ NV ÚVOD Velké skupiny náhodných pokusů vykazují stejné pravděpodobnostní chování Mince panna/orel Výška mužů/žen NV mohou být spojeny s určitým pravděpodobnostním rozdělení (již známe jeho hustotu

Více

AVDAT Náhodný vektor, mnohorozměrné rozdělení

AVDAT Náhodný vektor, mnohorozměrné rozdělení AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární

Více

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní

Více

Náhodné chyby přímých měření

Náhodné chyby přímých měření Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.

Více

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

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

Více

Co je obsahem numerických metod?

Co je obsahem numerických metod? Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem

Více

Interpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,

Více

ODR metody Runge-Kutta

ODR metody Runge-Kutta ODR metody Runge-Kutta Teorie (velmi stručný výběr z přednášek) Úloha s počátečními podmínkami (Cauchyova) 1 řádu Hledáme aprox řešení Y(x) soustavy obyčejných diferenciálních rovnic 1 řádu kde Y(x) =

Více

Základy matematické analýzy

Základy matematické analýzy Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních

Více

Aproximace binomického rozdělení normálním

Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné

Více