Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012"

Transkript

1 Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012

2 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických dat získaných například měřením). S nejjednodušší aplikací metody nejmenších čtverců se setkáváme například při prokládání (aproximaci) naměřených dvojrozměrných dat přímkou. Nepatrně složitější aplikací je proložení dat parabolou, obecným polynomem předem daného stupně, nebo obecnou lineární kombinací předem daných bázových funkcí.

3 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických dat získaných například měřením). S nejjednodušší aplikací metody nejmenších čtverců se setkáváme například při prokládání (aproximaci) naměřených dvojrozměrných dat přímkou. Nepatrně složitější aplikací je proložení dat parabolou, obecným polynomem předem daného stupně, nebo obecnou lineární kombinací předem daných bázových funkcí.

4 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických dat získaných například měřením). S nejjednodušší aplikací metody nejmenších čtverců se setkáváme například při prokládání (aproximaci) naměřených dvojrozměrných dat přímkou. Nepatrně složitější aplikací je proložení dat parabolou, obecným polynomem předem daného stupně, nebo obecnou lineární kombinací předem daných bázových funkcí.

5 Prokládání dvojrozměrných dat přímkou Jako motivační úlohu si podrobně prostudujeme ukázku na adrese:

6 Proložení dat obecnou polynomickou funkcí Nyní zobecníme postup z předchozí motivační úlohy. Představme si, že chceme měřením získaná data v podobě m dvojic hodnot (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ) aproximovat polynomem n-tého stupně kde n < m 1. P n (x) = a n x n + a n 1 x n a 1 x + a 0,

7 Proložení dat obecnou polynomickou funkcí Nyní zobecníme postup z předchozí motivační úlohy. Představme si, že chceme měřením získaná data v podobě m dvojic hodnot (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ) aproximovat polynomem n-tého stupně P n (x) = a n x n + a n 1 x n a 1 x + a 0, kde n < m 1. Použijeme-li stejný princip jako v předchozí motivační úloze, pak nám půjde o nalezení konstant a 0, a 1,..., a n, které minimalizují následující výraz (součet čtverců odchylek naměřených hodnot y i od aproximovaných hodnot P n (x i )): S(a 0, a 1,..., a n ) = m (y i P n (x i )) 2.

8 Proložení dat obecnou polynomickou funkcí Nyní zobecníme postup z předchozí motivační úlohy. Představme si, že chceme měřením získaná data v podobě m dvojic hodnot (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ) aproximovat polynomem n-tého stupně P n (x) = a n x n + a n 1 x n a 1 x + a 0, kde n < m 1. Použijeme-li stejný princip jako v předchozí motivační úloze, pak nám půjde o nalezení konstant a 0, a 1,..., a n, které minimalizují následující výraz (součet čtverců odchylek naměřených hodnot y i od aproximovaných hodnot P n (x i )): S(a 0, a 1,..., a n ) = m (y i P n (x i )) 2. Pro nalezení minima tohoto výrazu vypočteme postupně parciální derivace S(a 0, a 1,..., a n )/ a j pro j = 0, 1,..., n a všechny je položíme rovny nule.

9 Proložení dat obecnou polynomickou funkcí Nyní zobecníme postup z předchozí motivační úlohy. Představme si, že chceme měřením získaná data v podobě m dvojic hodnot (x 1, y 1 ), (x 2, y 2 ),..., (x m, y m ) aproximovat polynomem n-tého stupně P n (x) = a n x n + a n 1 x n a 1 x + a 0, kde n < m 1. Použijeme-li stejný princip jako v předchozí motivační úloze, pak nám půjde o nalezení konstant a 0, a 1,..., a n, které minimalizují následující výraz (součet čtverců odchylek naměřených hodnot y i od aproximovaných hodnot P n (x i )): S(a 0, a 1,..., a n ) = m (y i P n (x i )) 2. Pro nalezení minima tohoto výrazu vypočteme postupně parciální derivace S(a 0, a 1,..., a n )/ a j pro j = 0, 1,..., n a všechny je položíme rovny nule. Tím získáme soustavu n + 1 tzv. normálních rovnic o n + 1 neznámých a 0, a 1,..., a n.

10 Proložení dat obecnou polynomickou funkcí Tím získáme soustavu n + 1 tzv. normálních rovnic o n + 1 neznámých a 0, a 1,..., a n.

11 Proložení dat obecnou polynomickou funkcí Tím získáme soustavu n + 1 tzv. normálních rovnic o n + 1 neznámých a 0, a 1,..., a n.

12 Proložení dat obecnou polynomickou funkcí Tím získáme soustavu n + 1 tzv. normálních rovnic o n + 1 neznámých a 0, a 1,..., a n. Tato soustava má právě jedno řešení v případě, že hodnoty x 1, x 2,..., x m jsou navzájem různé.

13 Příklad proložení dat kvadratickou funkcí Daty v následující tabulce proložíme polynom druhého stupně (kvadratickou funkci) pomocí metody nejmenších čtverců. i x i 0 0,25 0,50 0,75 1,00 y i 1,0000 1,2840 1,6487 2,1170 2,1170

14 Příklad proložení dat kvadratickou funkcí Daty v následující tabulce proložíme polynom druhého stupně (kvadratickou funkci) pomocí metody nejmenších čtverců. i x i 0 0,25 0,50 0,75 1,00 y i 1,0000 1,2840 1,6487 2,1170 2,1170 Ze zadání vidíme, že n = 2 a m = 5, tomu odpovídá soustava tří normálních rovnic 5a 0 + a 1 x i + a 2 x 2 i = y i, a 0 a 0 x i + a 1 x 2 i + a 1 x 2 i + a 2 x 3 i + a 2 x 3 i = x 4 i = y i x i, y i x 2 i.

15 Příklad proložení dat kvadratickou funkcí Ze zadání vidíme, že n = 2 a m = 5, tomu odpovídá soustava tří normálních rovnic 5a 0 + a 1 x i + a 2 x 2 i = y i, a 0 a 0 x i + a 1 x 2 i + a 1 x 2 i + a 2 x 3 i + a 2 x 3 i = x 4 i = y i x i, y i x 2 i. Ze zadání příkladu postupně vypočteme jednotlivé sumy a po dosazení obdržíme soustavu tří rovnic o třech neznámých 5a 0 + 2,5a 1 + 1,875a 2 = 8, 7680, 2,5a 0 + 1,875a 1 + 1,5625a 2 = 5,4514, 1,875a 0 + 1,5625a 1 + 1,3828a 2 = 4,4015.

16 Příklad proložení dat kvadratickou funkcí Ze zadání příkladu postupně vypočteme jednotlivé sumy a po dosazení obdržíme soustavu tří rovnic o třech neznámých 5a 0 + 2,5a 1 + 1,875a 2 = 8, 7680, 2,5a 0 + 1,875a 1 + 1,5625a 2 = 5,4514, 1,875a 0 + 1,5625a 1 + 1,3828a 2 = 4,4015. Tato soustava má právě jedno řešení a 0 = 1,0051, a 1 = 0,86468 a a 2 = 0,84316 (přesnost na 6 platných číslic). Hledaný polynom druhého stupně má proto tvar P 2 (x) = 1, ,86468x + 0,84316x 2.

17 Příklad proložení dat kvadratickou funkcí

18 Příklad proložení dat kvadratickou funkcí Pro posouzení kvality proložení zvolené funkce danými daty se využívá tzv. reziduální součet čtverců m (y i P n (x i )) 2.

19 Příklad proložení dat kvadratickou funkcí Pro posouzení kvality proložení zvolené funkce danými daty se využívá tzv. reziduální součet čtverců m (y i P n (x i )) 2. Pro právě získaný polynom P 2 (x) v našem příkladu vychází (y i P 2 (x i )) 2 = 0,

20 Příklad proložení dat kvadratickou funkcí Pro posouzení kvality proložení zvolené funkce danými daty se využívá tzv. reziduální součet čtverců m (y i P n (x i )) 2. Pro právě získaný polynom P 2 (x) v našem příkladu vychází (y i P 2 (x i )) 2 = 0, Polynom P 2 (x) aproximuje data v našem příkladu nejlépe ze všech polynomů druhého stupně ve smyslu metody nejmenších čtverců, tj. reziduální součet čtverců je pro něj minimální (nejmenší možný).

Aplikovaná numerická matematika

Aplikovaná numerická matematika Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních

Více

Interpolace Lagrangeovy polynomy. 29. října 2012

Interpolace Lagrangeovy polynomy. 29. října 2012 Interpolace Lagrangeovy polynomy Michal Čihák 29. října 2012 Problematika interpolace V praxi máme často k dispozici údaje z různých měření tzv. data. Data mohou mít například podobu n uspořádaných dvojic

Více

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

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23

Více

f(x) = ax + b mocnin (čili čtverců, odtud název metody) odchylek proložených hodnot od naměřených hodnot byl co (ax i + b y i ) 2 2(ax i + b y i ).

f(x) = ax + b mocnin (čili čtverců, odtud název metody) odchylek proložených hodnot od naměřených hodnot byl co (ax i + b y i ) 2 2(ax i + b y i ). Úvod Metoda nejmenších čtverců Metodu nejmenších čtverců používáme, chceme-li naměřenými (nebo jinak získanými) body proložit křivku, např. přímku. Tedy hledáme taková reálná čísla a, b, aby graf funkce

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

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

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).

Více

Metoda nejmenších čtverců.

Metoda nejmenších čtverců. Metoda nejmenších čtverců. Robert Mařík 22. ledna 2006 Obsah 1 Motivace a geometrický význam 2 2 Vzorec 12 3 Příklad použití 13 4 Odvození vzorce 21 5 Otázky pozorného čtenáře 23 c Robert Mařík, 2006 1

Více

Odhad parametrů N(µ, σ 2 )

Odhad parametrů N(µ, σ 2 ) Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný

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

Iterační metody řešení soustav lineárních rovnic. 27. prosince 2011

Iterační metody řešení soustav lineárních rovnic. 27. prosince 2011 Iterační metody řešení soustav lineárních rovnic Michal Čihák 27. prosince 2011 Přímé metody řešení soustav lineárních rovnic V přednáškách z lineární algebry jste se seznámili s několika metodami řešení

Více

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0

Více

AVDAT Nelineární regresní model

AVDAT Nelineární regresní model AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných

Více

SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování

SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování KATEDRA ANALYTICKÉ CHEMIE FAKULTY CHEMICKO TECHNOLOGICKÉ UNIVERSITA PARDUBICE - Licenční studium chemometrie LS96/1 SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování Praha, leden 1999 0 Úloha

Více

Téma je podrobně zpracováno ve skriptech [1], kapitola

Téma je podrobně zpracováno ve skriptech [1], kapitola Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 6. Základní aproximační úlohu lze popsat následovně: Jsou dány body [x 0, y 0 ], [x 1, y 1 ],..., [x n, y n

Více

Kalibrace a limity její přesnosti

Kalibrace a limity její přesnosti Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě

Více

LINEÁRNÍ REGRESE. Lineární regresní model

LINEÁRNÍ REGRESE. Lineární regresní model LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

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

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS

Více

REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB

REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB 62 REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB BEZOUŠKA VLADISLAV Abstrakt: Text se zabývá jednoduchým řešením metody nejmenších čtverců v prostředí Matlab pro obecné víceparametrové aproximační funkce. Celý postup

Více

13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách

13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách 13 Regrese 13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách znaku X. Přitom je třeba vyřešit jednak volbu funkcí k vystižení dané závislosti a dále stanovení konkrétních

Více

Vlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou

Vlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou 1 Vlastní (charakteristická) čísla a vlastní (charakteristické) vektory matice Pro zadanou čtvercovou matici A budeme řešit maticovou rovnici A x = λ x, kde x je neznámá matice o jednom sloupci (sloupcový

Více

9.4. Rovnice se speciální pravou stranou

9.4. Rovnice se speciální pravou stranou Cíle V řadě případů lze poměrně pracný výpočet metodou variace konstant nahradit jednodušším postupem, kterému je věnována tato kapitola. Výklad Při pozorném studiu předchozího textu pozornějšího studenta

Více

7. Analýza rozptylu.

7. Analýza rozptylu. 7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a

Více

MODEL TVÁŘECÍHO PROCESU

MODEL TVÁŘECÍHO PROCESU MODEL TVÁŘECÍHO PROCESU Zkouška tlakem na válcových vzorcích 2 Vyhodnocení tlakové zkoušky Síla F způsobí změnu výšky H a průměru D válce. V každém okamžiku při stlačování je přetvárný odpor definován

Více

TERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny

TERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární

Více

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

9 INTERPOLACE A APROXIMACE

9 INTERPOLACE A APROXIMACE 1 9 INTERPOLACE A APROXIMACE Vzorová úloha 9.1 Náhrada funkce exp(x) Nalezněte interpolační polynom, který aproximuje funkci exp(x) v intervalu {0, 1} tak, že v krajních bodech x 1 = 0 a x = 1 souhlasí

Více

EXPERIMENTÁLNÍ METODY I. 2. Zpracování měření

EXPERIMENTÁLNÍ METODY I. 2. Zpracování měření FSI VUT v Brně, Energetický ústav Odbor termomechanik a technik prostředí prof. Ing. Milan Pavelek, CSc. EXPERIMENTÁLNÍ METODY I OSNOVA. KAPITOLY. Zpracování měření Zpracování výsledků měření (nezávislých

Více

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

pracovní list studenta

pracovní list studenta Výstup RVP: Klíčová slova: pracovní list studenta Funkce kvadratická funkce Mirek Kubera žák načrtne grafy požadovaných funkcí, formuluje a zdůvodňuje vlastnosti studovaných funkcí, modeluje závislosti

Více

M - Příprava na 1. zápočtový test - třída 3SA

M - Příprava na 1. zápočtový test - třída 3SA M - Příprava na 1. zápočtový test - třída 3SA Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. VARIACE 1 Tento

Více

OBECNÉ METODY VYROVNÁNÍ

OBECNÉ METODY VYROVNÁNÍ OBECNÉ METODY VYROVNÁNÍ HYNČICOVÁ TEREZA, H2IGE1 2014 ÚVOD Z DŮVODU VYLOUČENÍ HRUBÝCH CHYB A ZVÝŠENÍ PŘESNOSTI NIKDY NEMĚŘÍME DANOU VELIČINU POUZE JEDNOU VÝSLEDKEM OPAKOVANÉHO MĚŘENÍ NĚKTERÉ VELIČINY JE

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

Fyzikální sekce přírodovědecké fakulty Masarykovy univerzity v Brně FYZIKÁLNÍ PRAKTIKUM. Speciální praktikum z abc

Fyzikální sekce přírodovědecké fakulty Masarykovy univerzity v Brně FYZIKÁLNÍ PRAKTIKUM. Speciální praktikum z abc Fyzikální sekce přírodovědecké fakulty Masarykovy univerzity v Brně FYZIKÁLNÍ PRAKTIKUM Speciální praktikum z abc Zpracoval: Jan Novák Naměřeno: 1. ledna 2001 Obor: F Ročník: IV Semestr: IX Testováno:

Více

2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2

2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2 Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací

Více

Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =

Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je = Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.

Více

5. Interpolace a aproximace funkcí

5. Interpolace a aproximace funkcí 5. Interpolace a aproximace funkcí Průvodce studiem Často je potřeba složitou funkci f nahradit funkcí jednodušší. V této kapitole budeme předpokládat, že u funkce f známe její funkční hodnoty f i = f(x

Více

Soustavy nelineárních rovnic pomocí systému Maple. Newtonova metoda.

Soustavy nelineárních rovnic pomocí systému Maple. Newtonova metoda. Úvod Soustavy nelineárních rovnic pomocí systému Maple. Newtonova metoda. Mnoho technických problémů vede na řešení matematických úloh, které se následně převedou na úlohy řešení soustav nelineárních rovnic

Více

Diferenciál a Taylorův polynom

Diferenciál a Taylorův polynom Diferenciál a Taylorův polynom Základy vyšší matematiky lesnictví LDF MENDELU c Simona Fišnarová (MENDELU) Diferenciál a Taylorův polynom ZVMT lesnictví 1 / 11 Aproximace funkce v okoĺı bodu Danou funkci

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

NUMERICKÉ METODY. Problematika num. řešení úloh, chyby, podmíněnost, stabilita algoritmů. Aproximace funkcí.

NUMERICKÉ METODY. Problematika num. řešení úloh, chyby, podmíněnost, stabilita algoritmů. Aproximace funkcí. NUMERICKÉ METODY. Problematika num. řešení úloh, chyby, podmíněnost, stabilita algoritmů. Aproximace funkcí. RNDr. Radovan Potůček, Ph.D., K-15, FVT UO, KŠ 5B/11, Radovan.Potucek@unob.cz, tel. 443056 -----

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

Luxmetr LS-BTA, lampička, izolepa, 32 kusů průhledné fólie (nejlépe obaly od CD).

Luxmetr LS-BTA, lampička, izolepa, 32 kusů průhledné fólie (nejlépe obaly od CD). Počítání fólií měřením úbytku světla Cíl: Cílem této úlohy je připravit u žáků půdu pro pochopení důležité fyzikálně-chemické metody: stanovení koncentrace měřením absorbance s využitím Lambertova-Beerova

Více

KALIBRACE. Definice kalibrace: mezinárodní metrologický slovník (VIM 3)

KALIBRACE. Definice kalibrace: mezinárodní metrologický slovník (VIM 3) KALIBRACE Chemometrie I, David MILDE Definice kalibrace: mezinárodní metrologický slovník (VIM 3) Činnost, která za specifikovaných podmínek v prvním kroku stanoví vztah mezi hodnotami veličiny s nejistotami

Více

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení Semestrální písemka BMA3 - termín 6.1.9 - 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

Více

Aproximace a vyhlazování křivek

Aproximace a vyhlazování křivek Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Přednášející: Prof. Ing. Jiří Militký, Csc 1. SLEDOVÁNÍ ZÁVISLOSTI HODNOTY SFM2 NA BARVIVOSTI

Více

Řešení 1b Máme najít body, v nichž má funkce (, ) vázané extrémy, případně vázané lokální extrémy s podmínkou (, )=0, je-li: (, )= +,

Řešení 1b Máme najít body, v nichž má funkce (, ) vázané extrémy, případně vázané lokální extrémy s podmínkou (, )=0, je-li: (, )= +, Příklad 1 Najděte body, v nichž má funkce (,) vázané extrémy, případně vázané lokální extrémy s podmínkou (,)=0, je-li: a) (,)= + 1, (,)=+ 1 lok.max.v 1 2,3 2 b) (,)=+, (,)= 1 +1 1 c) (,)=, (,)=+ 1 lok.max.v

Více

Systém vykonávající tlumené kmity lze popsat obyčejnou lineární diferenciální rovnice 2. řadu s nulovou pravou stranou:

Systém vykonávající tlumené kmity lze popsat obyčejnou lineární diferenciální rovnice 2. řadu s nulovou pravou stranou: Pracovní úkol: 1. Sestavte obvod podle obr. 1 a změřte pro obvod v periodickém stavu závislost doby kmitu T na velikosti zařazené kapacity. (C = 0,5-10 µf, R = 0 Ω). Výsledky měření zpracujte graficky

Více

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com) Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik

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

Graf I - Závislost magnetické indukce na proudu protékajícím magnetem. naměřené hodnoty kvadratické proložení. B [m T ] I[A]

Graf I - Závislost magnetické indukce na proudu protékajícím magnetem. naměřené hodnoty kvadratické proložení. B [m T ] I[A] Pracovní úkol 1. Proměřte závislost magnetické indukce na proudu magnetu. 2. Pomocí kamery změřte ve směru kolmém k magnetickému poli rozštěpení červené spektrální čáry kadmia pro 8-10 hodnot magnetické

Více

I. 7. Diferenciál funkce a Taylorova věta

I. 7. Diferenciál funkce a Taylorova věta I. 7. Diferenciál funkce a Taylorova věta 343 I. 7. Diferenciál funkce a Taylorova věta Věta 26. Funkce f má v bodě x 0 diferenciál (je diferencovatelná v x 0 ) právě tehdy, když existuje vlastní derivace

Více

Soustavy lineárních a kvadratických rovnic o dvou neznámých

Soustavy lineárních a kvadratických rovnic o dvou neznámých Soustavy lineárních a kvadratických rovnic o dvou neznámých obsah 1.a) x + y = 5 x 2 + y 2 = 13 3 b) x - y = 7 x 2 + y 2 = 65 5 c) x - y = 3 x 2 + y 2 = 5 6 3. a) x + 2y = 9 x. y = 10 12 b) x - 3y = 1

Více

Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel

Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014 1. Obor reálných čísel - obor přirozených, celých, racionálních a reálných čísel - vlastnosti operací (sčítání, odčítání, násobení, dělení) -

Více

PŘÍKLAD PŘECHODNÝ DĚJ DRUHÉHO ŘÁDU ŘEŠENÍ V ČASOVÉ OBLASTI A S VYUŽITÍM OPERÁTOROVÉ ANALÝZY

PŘÍKLAD PŘECHODNÝ DĚJ DRUHÉHO ŘÁDU ŘEŠENÍ V ČASOVÉ OBLASTI A S VYUŽITÍM OPERÁTOROVÉ ANALÝZY PŘÍKLAD PŘECHODNÝ DĚJ DRHÉHO ŘÁD ŘEŠENÍ V ČASOVÉ OBLASTI A S VYŽITÍM OPERÁTOROVÉ ANALÝZY A) Časová oblast integro-diferenciální rovnice K obvodu na obrázku je v čase t 0 napětí u b (t). t 0 připojen zdroj

Více

Bodové a intervalové odhady parametrů v regresním modelu

Bodové a intervalové odhady parametrů v regresním modelu Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e

Více

Abstrakt. Bairstowovy iterační metody. V práci je odvozena Bairstowova metoda

Abstrakt. Bairstowovy iterační metody. V práci je odvozena Bairstowova metoda Hledání kořenů algebraické rovnice Michaela Kožuchová 1,MichaelaSládková 2,Vojtěch Pék 3 Abstrakt Práce se zabývá hledáním kořenů algebraické rovnice za pomoci Bairstowovy iterační metody. V práci je odvozena

Více

pracovní list studenta

pracovní list studenta Výstup RVP: Klíčová slova: pracovní list studenta Dynamika Vojtěch Beneš žák měří vybrané veličiny vhodnými metodami, zpracuje a vyhodnotí výsledky měření, určí v konkrétních situacích síly působící na

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

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

Maturitní témata z matematiky

Maturitní témata z matematiky Maturitní témata z matematiky G y m n á z i u m J i h l a v a Výroky, množiny jednoduché výroky, pravdivostní hodnoty výroků, negace operace s výroky, složené výroky, tabulky pravdivostních hodnot důkazy

Více

Numerické metody a programování

Numerické metody a programování Projekt: Inovace výuky optiky se zaměřením na získání experimentálních dovedností Registrační číslo: CZ.1.7/2.2./28.157 Numerické metody a programování Lekce 4 Tento projekt je spolufinancován Evropským

Více

II. Zakresli množinu bodů, ze kterých vidíme úsečku délky 3 cm v zorném úhlu větším než 30 0 a menším než 60 0.

II. Zakresli množinu bodů, ze kterých vidíme úsečku délky 3 cm v zorném úhlu větším než 30 0 a menším než 60 0. Ukázky typových maturitních příkladů z matematiky..reálná čísla. 3} x R; I. Zobrazte množiny A = {x є 3} < + x R; B = {x є II. Zapište ve tvaru zlomku číslo, 486.Komplexní čísla. I. Určete a + b, a - b,

Více

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická

Více

9.5. Soustavy diferenciálních rovnic

9.5. Soustavy diferenciálních rovnic Cíle Budeme se nyní zabývat úlohami, v nichž je cílem najít dvojici funkcí y(x), z(x), pro které jsou zadány dvě lineární rovnice prvního řádu, obsahující tyto funkce a jejich derivace. Výklad Omezíme-li

Více

Stručný přehled učiva

Stručný přehled učiva Stručný přehled učiva TU1M2 Matematika 2 pro LP17, LP18 4. Aplikace diferenciálního počtu 4.1 Rovnice tečny a normály Má-li funkce v bodě vlastní derivaci, pak je to směrnice tečny grafu funkce v tečném

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

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

Matematika (a fyzika) schovaná za GPS. Global Positioning system. Michal Bulant. Brno, 2011

Matematika (a fyzika) schovaná za GPS. Global Positioning system. Michal Bulant. Brno, 2011 Matematika (a fyzika) schovaná za GPS Michal Bulant Masarykova univerzita Přírodovědecká fakulta Ústav matematiky a statistiky Brno, 2011 Michal Bulant (PřF MU) Matematika (a fyzika) schovaná za GPS Brno,

Více

Pracovní list č. Téma: Kinematika kuličky na nakloněné rovině

Pracovní list č. Téma: Kinematika kuličky na nakloněné rovině Jméno: Třída: Spolupracovali: Datum: Teplota: Tlak: Vlhkost: Pracovní list č. Téma: Kinematika kuličky na nakloněné rovině Teoretický úvod: Rovnoměrně zrychlený pohyb Rovnoměrně zrychlený pohyb je pohyb,

Více

AVDAT Klasický lineární model, metoda nejmenších

AVDAT Klasický lineární model, metoda nejmenších AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i

Více

ANALYTICKÁ GEOMETRIE V ROVINĚ

ANALYTICKÁ GEOMETRIE V ROVINĚ ANALYTICKÁ GEOMETRIE V ROVINĚ Analytická geometrie vyšetřuje geometrické objekty (body, přímky, kuželosečky apod.) analytickými metodami. Podle prostoru, ve kterém pracujeme, můžeme analytickou geometrii

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

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC .6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom

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

Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/

Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ.1.07/1.5.00/ Projekt ŠABLONY NA GVM Gymnázium Velké Meziříčí registrační číslo projektu: CZ..07/.5.00/34.0948 IV-2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol KVADRATICKÁ

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY

POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY Bakalářský studijní program B1101 (studijní obory - Aplikovaná matematika, Matematické metody v ekonomice, Aplikovaná matematika pro řešení krizových situací)

Více

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: geometrická posloupnost, geometrická

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

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Kosmická geodézie 4/003 Průběh geoidu z altimetrických měření

Více

Pohyb tělesa po nakloněné rovině

Pohyb tělesa po nakloněné rovině Pohyb tělesa po nakloněné rovině Zadání 1 Pro vybrané těleso a materiál nakloněné roviny zjistěte závislost polohy tělesa na čase při jeho pohybu Výsledky vyneste do grafu a rozhodněte z něj, o jakou křivku

Více

Metoda konečných prvků Charakteristika metody (výuková prezentace pro 1. ročník navazujícího studijního oboru Geotechnika)

Metoda konečných prvků Charakteristika metody (výuková prezentace pro 1. ročník navazujícího studijního oboru Geotechnika) Inovace studijního oboru Geotechnika Reg. č. CZ.1.07/2.2.00/28.0009 Metoda konečných prvků Charakteristika metody (výuková prezentace pro 1. ročník navazujícího studijního oboru Geotechnika) Doc. RNDr.

Více

Pearsonův korelační koeficient

Pearsonův korelační koeficient I I.I Pearsonův korelační koeficient Úvod Předpokládejme, že náhodně vybereme n objektů (nebo osob) ze zkoumané populace. Často se stává, že na každém z objektů měříme ne pouze jednu, ale několik kvantitativních

Více

VÝUKA MOŽNOSTÍ MATLABU

VÝUKA MOŽNOSTÍ MATLABU VÝUKA MOŽNOSTÍ MATLABU Miroslav Olehla Technická univerzita v Liberci, Fakulta strojní, Katedra aplikované kybernetiky V následujícím příspěvku jsou uvedeny některé oblasti MATLABU ve výuce. Vychází se

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

2. Určete jádro KerL zobrazení L, tj. nalezněte alespoň jednu jeho bázi a určete jeho dimenzi.

2. Určete jádro KerL zobrazení L, tj. nalezněte alespoň jednu jeho bázi a určete jeho dimenzi. Řešené příklady z lineární algebry - část 3 Typové příklady s řešením Příklad 3.1: Zobrazení L: P 3 R 23 je zobrazení z prostoru P 3 všech polynomů do stupně 3 (včetně nulového polynomu) do prostoru R

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

Diferenciální rovnice

Diferenciální rovnice Diferenciální rovnice Průvodce studiem Touto kapitolou se náplň základního kurzu bakalářské matematiky uzavírá. Je tomu tak mimo jiné proto, že jsou zde souhrnně využívány poznatky získané studiem předchozích

Více

Přijímací zkouška na MFF UK v Praze

Přijímací zkouška na MFF UK v Praze Přijímací zkouška na MFF UK v Praze Studijní program Matematika, bakalářské studium Studijní program Informatika, bakalářské studium 2014, varianta A U každé z deseti úloh je nabízeno pět odpovědí: a,

Více

ZKUŠEBNÍ PROTOKOLY. B1M15PPE / část elektrické stroje cvičení 1

ZKUŠEBNÍ PROTOKOLY. B1M15PPE / část elektrické stroje cvičení 1 ZKUŠEBNÍ PROTOKOLY B1M15PPE / část elektrické stroje cvičení 1 1) Typy testů 2) Zkušební laboratoře 3) Dokumenty 4) Protokoly o školních měřeních 2/ N TYPY TESTŮ PROTOTYPOVÉ TESTY (TYPOVÁ ZKOUŠKA) KUSOVÉ

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

Statistická analýza jednorozměrných dat

Statistická analýza jednorozměrných dat Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem

Více

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

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

EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH

EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH ÚLOHY ŘEŠITELNÉ BEZ VĚTY O MULTIPLIKÁTORECH Nalezněte absolutní extrémy funkce f na množině M. 1. f(x y) = x + y; M = {x y R 2 ; x 2 + y 2 1} 2. f(x y) = e x ; M = {x y R

Více