jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých"

Transkript

1 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie pravděpodobosti rozdělují a dva typy: zákoy velkých čísel a tzv. klasické (cetrálí limití věty. Obsah zákoa velkých čísel lze zhruba popsat takto: Nechť jsou áhodé veličiy X,..., X,... defiovaé a stejém pravděpodobostím prostoru (Ω, A, P. Utvoříme-li posloupost aritmetických průměrů {Y = i= [X i E(X i ]}, ztrácí prvky této poslouposti s rostoucím svůj áhodý charakter a blíží se ule v ásledujícím smyslu: lim P( Y ε = 0, ε > 0. Aritmetické průměry Y = i= [X i E(X i ] se pro velká chovají jako kostata ula. Obsahem cetrálích limitích vět je tvrzeí, že distribučí fukce F Y součtů áhodých veliči Y = i= X i kovergují za určitých předpokladů pro k distribučí fukci ormálího ebo Poissoova rozděleí. Vzhledem k rozsahu tohoto učebího textu se omezíme a jedodušší případy a ěkteré věty uvedeme bez důkazů. 9.. Slabý záko velkých čísel V dalším textu budeme předpokládat, že všechy uvažovaé áhodé veličiy jsou defiováy a stejém pravděpodobostím prostoru (Ω, A, P. Defiice 9. [kovergece podle pravděpodobosti] Říkáme, že posloupost áhodých veliči X, X 2,... koverguje podle pravděpodobosti k áhodé veličiě X, platí-li pro každé ε > 0 ebo ekvivaletě lim P( X X ε = 0, lim P( X X < ε =. Ozačujeme: X P X pro. 83

2 Defiice 9.2 Řekeme, že se posloupost áhodých veliči {X } řídí slabým zákoem velkých čísel, jestliže posloupost {Y = [X j E(X j ]} koverguje podle pravděpodobosti k ule, tj. jestliže ( lim P [X j E(X j ] ε = 0, ε > 0. ( V dalších větách jsou uvedey ěkteré postačující podmíky pro to, aby se posloupost {X } řídila slabým zákoem velkých čísel. IX.3 Věta. [Čebyševova] Nechť {X } je posloupost po dvou ezávislých áhodých veliči, které mají stejoměrě omezeé rozptyly, tj. existuje číslo c 0 ezávislé a takové, že var(x c, N. Potom se posloupost {X } řídí slabým zákoem velkých čísel, tj. [X i E(X i ] P 0 pro. i= Důkaz. Ozačme Y = X j, N. Potom E(Y = E(X j a podle Čebyševovy erovosti ( 0 P( Y E(Y ε = P X j E(X j ε var(y = var( X j = var(x j c ε 2 ε 2 2 ε 2 2 ε = c 2 ε 0 pro. 2 V praxi se užívají ásledující dva důsledky Čebyševovy věty. IX.4 Věta. [Beroulliho] Nechť je áhodá veličia Y rova počtu úspěchů v poslouposti ezávislých alterativích áhodých pokusů takových, že v každém pokuse astae úspěch s pravděpodobostí p (0,. Pak pro posloupost { Y } relativích četostí úspěchů v pokusech platí Y P p pro. IX.5 Věta. [o aritmetickém průměru] Nechť {X } je posloupost po dvou ezávislých áhodých veliči, které mají stejé středí hodoty a stejoměrě omezeé rozptyly, tj. Potom E(X = a, var(x b, N, a R, 0 b <. X P j a pro. Marek, J.: Pravděpodobost a matematická statistika 84

3 IX.6 Věta. [Markovova] Nechť posloupost áhodých veliči {X } splňuje podmíku [ ( ] lim var X 2 j = 0. Pak pro libovolé ε > 0 platí ( lim P [X j E(X j ] ε = 0, tj. posloupost se řídí slabým zákoem velkých čísel. Důkaz. Užitím Čebyševovy erovosti obdobě jako v důkaze Čebyševovy věty ( ( 0 P [X j E(X j ] ε = P X j E(X j ε var( X [ j = ( ] ε 2 ε 2 var X 2 j 0 pro. IX.7 Věta. [Chičiova] Nechť {X } je posloupost ezávislých áhodých veliči, které mají stejé rozděleí pravděpodobostí s koečou středí hodotou E(X = µ, N. Potom pro libovolé ε > 0 platí ( lim P X j µ ε = 0, tj. X j P µ pro Klasické (cetrálí limití věty V úvodu kapitoly jsme popsali obsah cetrálích limitích vět teorie pravděpodobosti. Jsou to věty, které formulují předpoklady uté k tomu, aby distribučí fukce součtů X j áhodých veliči kovergovaly pro k distribučí fukci ormálího ebo Poissoova rozděleí. Tyto věty se často užívají v matematické statistice a v růzých aplikacích počtu pravděpodobosti (apř. ve stochastických metodách. IX.8 Věta. [cetrálí limití] Nechť {X } je posloupost ezávislých, stejě rozděleých áhodých veliči s koečou středí hodotou µ a s koečým eulovým rozptylem σ 2. Potom posloupost distribučích fukcí ormovaých součtů Z = X k E( k X k var( X = (X k µ k σ, IX Limití věty. 85

4 koverguje a R k distribučí fukci ormovaého ormálího rozděleí N(0,, tj. ( lim P (X k µ σ x = x e t2 2 dt = Φ(x, x R. 2π (2 Pozámka. Tvrzeí věty formulujeme stručě takto: Náhodá veličia Z koverguje pro k áhodé veličiě X N(0, v distribuci. Zapisujeme L (Z L (X. Rychlost kovergece ve vztahu (?? určuje tzv. Berry-Esséova erovost ozačíme-li symbolem F (x distribučí fukci áhodé veličiy Z z věty??, platí F (x Φ(x E X i µ 3 σ 3, x R. Řád přiblížeí k distribučí fukci Φ(x ormovaého ormálího rozděleí je O( 2. Při pevém je aproximace tím lepší, čím meší je charakteristika σ 3 E X i µ 3 společého rozděleí áhodých veliči X, X 2,.... IX.9 Věta. [itegrálí věta Moivreova Laplaceova] Nechť áhodá veličia Y má N biomické rozděleí Bi(, p. Ozačme F (x distribučí fukci áhodé veličiy Potom platí Z = Y p p( p. lim F (x = x e t2 2 dt = Φ(x, x R. 2π Důkaz. Tvrzeí plye ihed z věty??. Y = k= X k, kde X,..., X jsou ezávislé áhodé veličiy se stejým alterativím rozděleím. µ = E(X k = p, σ 2 = var(x k = p( p (0,. Normovaé součty 4 Z odpovídají ormovaým součtům v citovaé větě. Pozámka. Je-li Y Bi(, p, lze v praxi často užít toho, že pro dostatečě velká má áhodá veličia Z = Y p, p( p přibližě ormálí rozděleí N(0,, ebo jiak formulováo, že pro velká má biomická áhodá veličia Y přibližě ormálí rozděleí N(p, p( p. Marek, J.: Pravděpodobost a matematická statistika 86

5 Tato tvrzeí o asymptotické ormalitě biomického rozděleí se často užívají v aplikacích, apř. pro výpočet pravděpodobostí ( p k ( p k k = P ( P(Y y = k y Y p p( p y p p( p (. = Φ y p, p( p je-li velké. Aproximace se považuje za vyhovující, je-li p( p > 9, < p <, viz [?, str. 36]. + + Příklad 9.0 (viz [?, str. 90] Mějme geerátor, který vytváří áhodě a ezávisle číslice a 0 se stejou pravděpodobostí. Vytvořme posloupost 0 4 těchto cifer. Jaká je pravděpodobost (při- 2 bližě, že četost jediček bude v mezích 4900 až 500? Ozačme Y četost jediček v uvedeé poslouposti, Y Bi( = 0 4, p =. Tedy E(Y = p = 5000, var(y = p( p = 2500, 2 var(y = 50. Nerovost, která ás zajímá, 4900 Y 500, je rovoceá erovosti Y Ozačme Z = Y ormovaou áhodou veličiu. Podle předchozí pozámky dostaeme výsledek P(4900 Y 500 = P( Z 2. = 2Φ(2 = Numerickou hodotu posledího výrazu ajdeme pomocí tabulek hodot distribučí fukce Φ(x rozděleí N(0,. Příklad 9. (viz [?, str. 90] Bylo sečteo 300 čísel zaokrouhleých a jedo desetié místo. Vyšetřujme chybu tohoto součtu, která vzikla zaokrouhleím sčítaců. Zaokrouhlovací chyba jedoho sčítace epřesáhe 0.05 v absolutí hodotě. Výpočetí zkušeost však ukazuje, že chyba součtu bude zpravidla mohem meší, eboť chyby ze zaokrouhleí se mohou vzájemě kompezovat. Předpokládejme, že zaokrouhlovací chyby X k, k =,..., 300, jedotlivých sčítaců jsou ezávislé áhodé veličiy, které mají rovoměré rozděleí a itervalu ( 0.05; Tedy µ = E(X k = 0, σ 2 = var(x k = 200. Chyba součtu je pak Y 300 = 300 X k, ormovaá chyba Z 300 = Y = 2Y 300 IX Limití věty. 87

6 a tato veličia má (přibližě ormovaé ormálí rozděleí. Pravděpodobost, že chyba součtu epřekročí v absolutí hodotě daé číslo ε > 0 je tedy P( Y 300 ε = P( Z 300 2ε. = 2Φ(2ε. Aproximace biomického rozděleí rozděleím ormálím je ejlepší pro p blízká. Při malých hodotách p ebo při hodotách p 2 blízkých tato aproximace eí dobrá (její zlepšeí dosáheme pouze zvyšováím a je třeba užít aproximace biomického rozděleí rozděleím Poissoovým. IX.2 Věta. [Poissoova] Uvažujme ásledující posloupost ezávislých sérií pokusů: V -té sérii je ezávislých alterativích pokusů takových, že v každém pokuse astae jev A (úspěch s pravděpodobostí p (0,. Nechť áhodá veličia X je rova počtu úspěchů, které astaly v -té sérii. Jestliže lim p = 0, pak [ ] lim P (X = k e λ λk pro k = 0,,..., kde λ = p. Důkaz. P(X = k = = 0, ( p k k ( p k, k = 0,,...,, N. Uvažujme pevé k a pevé ε > 0. Protože platí existuje A > 0 takové, že x k x e x k lim x x e 2 = 0, ε 2, pro x A. (3 2 Ozačme B = { : 2k, p A}. Protože x < e x pro 0 x, platí pro B ( ( k + P(X = k = p k ( p k = ( = ( 2 ( k (p k e p ( k (p k (p k ( p k e p 2 ε 2, (4 Marek, J.: Pravděpodobost a matematická statistika 88

7 kde jsme použili vztah (?? a defiici možiy B (odkud vyplývá implikace k 2 k 2. Na druhé straě pro B platí vzhledem k (?? (p k e p < (p k e p 2 ε 2. (5 Ze vztahů (??, (?? vyplývá, že pro B je P(X = k (p k e p ε 2 + ε 2 = ε. Nechť B 2 = { : p < A}. Platí P(X = k = (p k ( p ( ( 2 k (. ( p k Protože pro B 2 posledí zlomek v tomto výrazu koverguje k pro a protože pro tato platí [( p ] e p = 0, lim B 2 je tím dokázáo tvrzeí věty. Na základě tvrzeí Poissoovy věty se ahrazuje pravděpodobostí fukce biomického rozděleí takto ( Y Bi(, p P(Y = k = p k ( p k. (p k = e p, k = 0,,...,. k Aproximace se považuje za vyhovující, je-li > 30, p 0. (viz [?, str. 69]. Příklad 9.3 (viz [?, str. 45] Dělice v přádelě obsluhuje 800 vřete. Pravděpodobost toho, že se příze přetrhe během časového itervalu délky t, je pro každé vřeteo stejá a rova Určete ejpravděpodobější počet přetržeí příze během itervalu délky t. Je tedy = 800, p = 0.005, λ = 4. Podle Poissoovy aproximace (p malé, velké jsou dva ejpravděpodobější počty přetržeí, a to 3 a 4 (víte proč?. P(X 800 = 3 =. 43 3! e 4 = = 44. 4! e 4 = P(X800 = 4. Pravděpodobost, že počet přetržeí během itervalu délky t je ejvýše 0, je rova P(X =. 4 k e 4. k= P(X IX Limití věty. 89

8 Příklad 9.4 Do opevěé oblasti protivíka se shodí 00 sérií bomb. Nechť je při jedé sérii středí hodota zásahu rova 2 a středí kvadratická odchylka je,5. Je třeba určit přibližě pravděpodobost toho, že při shozeí 00 sérií do oblasti spade 80 až 220 bomb. Celkový počet zásahů je 00 X = X + X X 00 = X i, kde X i je počet zásahů v i-té sérii. Podmíky cetrálí limití věty jsou splěé, protože veličiy X ; X 2 ;... X 00 mají stejé rozděleí. Počet = 00 budeme považovat za dostatečý pro použití cetrálí limití věty. Pak 00 mx = X i = 200, 00 i= P (80 < X < 220 = Φ i= 00 D i =,5 2 = 225, i= i= ( ( = Φ 0, Marek, J.: Pravděpodobost a matematická statistika 90

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

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

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

Více

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

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

Více

1 Trochu o kritériích dělitelnosti

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

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

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

Více

Číselné řady. 1 m 1. 1 n a. m=2. n=1

Číselné řady. 1 m 1. 1 n a. m=2. n=1 Číselé řady Úvod U řad budeme řešit dva typy úloh: alezeí součtu a kovergeci. Nalezeí součtu (v případě, že řada koverguje) je obecě mohem těžší, elemetárě lze sečíst pouze ěkolik málo typů řad. Součet

Více

7. P o p i s n á s t a t i s t i k a

7. P o p i s n á s t a t i s t i k a 7. P o p i s á s t a t i s t i k a 7.. Pozámka: Při statistickém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákoitosti, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme

Více

Deskriptivní statistika 1

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

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

Interval spolehlivosti pro podíl

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

Více

Vzorový příklad na rozhodování BPH_ZMAN

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

Více

Sekvenční logické obvody(lso)

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

Více

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications)

(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications) Základy datové aalýzy, modelového vývojářství a statistického učeí (Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applicatios) Lukáš Pastorek POZOR: Autor upozorňuje, že se jedá

Více

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

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

Více

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

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

Více

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

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

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

8. Základy statistiky. 8.1 Statistický soubor

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

Více

PříkladykecvičenízMMA ZS2013/14

PříkladykecvičenízMMA ZS2013/14 PříkladykecvičeízMMA ZS203/4 (středa, M3, 9:50 :20) Pozámka( ):Pokudebudeuvedeojiakbudemevždypracovatsprostoryadtělesem T= R.Ve všech ostatích případech(tj. při T = C), bude těleso explicitě specifikováo.

Více

10.3 GEOMERTICKÝ PRŮMĚR

10.3 GEOMERTICKÝ PRŮMĚR Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo

Více

STATISTIKA. Základní pojmy

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

Více

Petr Otipka Vladislav Šmajstrla

Petr Otipka Vladislav Šmajstrla VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA PRAVDĚPODOBNOST A STATISTIKA Petr Otipka Vladislav Šmajstrla Vytv ořeo v rámci projektu Operačího programu Rozv oje lidských zdrojů CZ.04..03/3..5./006

Více

ZÁKLADY DISKRÉTNÍ MATEMATIKY

ZÁKLADY DISKRÉTNÍ MATEMATIKY ZÁKLADY DISKRÉTNÍ MATEMATIKY Michael Kubesa Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská

Více

PRACOVNÍ SEŠIT ČÍSELNÉ OBORY. 1. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online.

PRACOVNÍ SEŠIT ČÍSELNÉ OBORY. 1. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online. Připrv se státí mturití zkoušku z MATEMATIKY důkldě, z pohodlí domov olie PRACOVNÍ SEŠIT. temtický okruh: ČÍSELNÉ OBORY vytvořil: RNDr. Věr Effeberger expertk olie příprvu SMZ z mtemtiky školí rok 204/205

Více

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

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

Více

5 Funkce. jsou si navzájem rovny právě tehdy, když se rovnají jejich.

5 Funkce. jsou si navzájem rovny právě tehdy, když se rovnají jejich. Fukce. Základí pojmy V kpt.. jsme mluvili o zobrazeí mezi možiami AB., Připomeňme, že se jedá o libovolý předpis, který každému prvku a A přiřadí ejvýše jede prvek b B. Jsou-li A, B číselé možiy, azýváme

Více

2 STEJNORODOST BETONU KONSTRUKCE

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

Více

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

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

Více

pravděpodobnostn podobnostní jazykový model

pravděpodobnostn podobnostní jazykový model Pokročilé metody rozpozáváířeči Předáška 8 Rozpozáváí s velkými slovíky, pravděpodobost podobostí jazykový model Rozpozáváí s velkým slovíkem Úlohy zaměřeé a diktováíči přepis řeči vyžadují velké slovíky

Více

Neparametrické metody

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

Více

Zobrazení čísel v počítači

Zobrazení čísel v počítači Zobraeí ísel v poítai, áklady algoritmiace Ig. Michala Kotlíková Straa 1 (celkem 10) Def.. 1 slabika = 1 byte = 8 bitů 1 bit = 0 ebo 1 (ve dvojkové soustavě) Zobraeí celých ísel Zobraeí ísel v poítai Ke

Více

Matematicko-fyzikální fakulta Univerzita Karlova. Diplomová práce. Renata Sikorová

Matematicko-fyzikální fakulta Univerzita Karlova. Diplomová práce. Renata Sikorová Matematicko-fyzikálí fakulta Uiverzita Karlova Diplomová práce e Reata Sikorová Obor: Učitelství matematika - fyzika Katedra didaktiky matematiky Vedoucí práce: RNDr. Jiří Kottas, CSc. i Prohlašuji, že

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

9.1.13 Permutace s opakováním

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

Více

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

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

Více

8 Průzkumová analýza dat

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

Více

9.1.12 Permutace s opakováním

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

Více

Posloupnosti na střední škole Bakalářská práce

Posloupnosti na střední škole Bakalářská práce MASARYKOVA UNIVERZITA V BRNĚ Přírodovědecká fkult Ktedr mtemtiky Poslouposti středí škole Bklářská práce Bro 00 Kteři Rábová Prohlášeí Prohlšuji, že tto bklářská práce je mým původím utorským dílem, které

Více

PRACOVNÍ SEŠIT ALGEBRAICKÉ VÝRAZY. 2. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online

PRACOVNÍ SEŠIT ALGEBRAICKÉ VÝRAZY. 2. tematický okruh: Připrav se na státní maturitní zkoušku z MATEMATIKY důkladně, z pohodlí domova a online Připrv se státí mturití zkoušku z MATEMATIKY důkldě, z pohodlí domov olie PRACOVNÍ SEŠIT. temtický okruh: ALGEBRAICKÉ VÝRAZY vtvořil: RNDr. Věr Effeberger epertk olie příprvu SMZ z mtemtik školí rok 04/05

Více

Veterinární a farmaceutická univerzita Brno. Základy statistiky. pro studující veterinární medicíny a farmacie

Veterinární a farmaceutická univerzita Brno. Základy statistiky. pro studující veterinární medicíny a farmacie Veteriárí a farmaceutická uiverzita Bro Základy statistiky pro studující veteriárí medicíy a farmacie Doc. RNDr. Iveta Bedáňová, Ph.D. Prof. MVDr. Vladimír Večerek, CSc. Bro, 007 Obsah Úvod.... 5 1 Základí

Více

Carl Friedrich Gauss

Carl Friedrich Gauss Carl Friedrich Gauss F. KOUTNÝ, Zlí (. 4. 777.. 855) Každé vyprávěí o ěkom, kdo žil dávo, je utě je kompilací prameů a odkazů, které v ejlepším případě pocházejí od jeho pamětíků. Rámec tohoto textu tvoří

Více

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. Josef Tvrdík

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. Josef Tvrdík UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT (OPRAVENÁ VERZE 006) Josef Tvrdík OSTRAVSKÁ UNIVERZITA 00 Obsah: Úvod... 3 Programové prostředky pro statstcké výpočty... 4. Tabulkový

Více

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

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

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA RVDĚODONOST STTISTIK Gymázium Jiřího Wolkera v rostějově Výukové materiály z matematiky pro vyšší gymázia utoři projektu Studet a prahu. století - využití ICT ve vyučováí matematiky a gymáziu Teto projekt

Více

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů - 12.1 - Přehled Ifomace po odhad ákladů Míy po áklady dotazu Opeace výběu Řazeí Opeace spojeí Vyhodocováí výazů Tasfomace elačích výazů Výbě pláu po vyhodoceí Kapitola 12: Zpacováí dotazů Základí koky

Více

Střední hodnoty. Aritmetický průměr prostý Aleš Drobník strana 1

Střední hodnoty. Aritmetický průměr prostý Aleš Drobník strana 1 Středí hodoty. Artmetcký průměr prostý Aleš Drobík straa 0. STŘEDNÍ HODNOTY Př statstckém zjšťováí často zpracováváme statstcké soubory s velkým možstvím statstckých jedotek. Např. soubor pracovíků orgazace,

Více

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY. Přírodovědecká fakulta ANALÝZA DAT. 2. upravené vydání. Josef Tvrdík

UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY. Přírodovědecká fakulta ANALÝZA DAT. 2. upravené vydání. Josef Tvrdík UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA DAT. upraveé vydáí Josef Tvrdík OSTRAVSKÁ UNIVERZITA 008 OBSAH: Úvod... 3 Parametrcké testy o shodě středích hodot... 4. Jedovýběrový t-test...

Více

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

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

Více

Využití Markovových řetězců pro predikování pohybu cen akcií

Využití Markovových řetězců pro predikování pohybu cen akcií Využití Markovových řetězců pro predikováí pohybu ce akcií Mila Svoboda Tredy v podikáí, 4(2) 63-70 The Author(s) 2014 ISSN 1805-0603 Publisher: UWB i Pilse http://www.fek.zcu.cz/tvp/ Úvod K vybudováí

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

Základní pojmy kombinatoriky

Základní pojmy kombinatoriky Základí pojy kobiatoriky Začee příklade Příklad Máe rozesadit lidí kole kulatého stolu tak, aby dva z ich, osoby A a B, eseděly vedle sebe Kolika způsoby to lze učiit? Pro získáí odpovědi budee potřebovat

Více

STATISTIKA PRO EKONOMY

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

Více

Téma 11 Prostorová soustava sil

Téma 11 Prostorová soustava sil Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra

Více

PRACOVNÍ SEŠIT POSLOUPNOSTI A FINANČNÍ MATEMATIKA. 5. tematický okruh:

PRACOVNÍ SEŠIT POSLOUPNOSTI A FINANČNÍ MATEMATIKA. 5. tematický okruh: Připrv se státí mturití zkoušku z MATEMATIKY důkldě, z pohodlí domov olie PRACOVNÍ SEŠIT 5. temtický okruh: POSLOUPNOSTI A FINANČNÍ MATEMATIKA vytvořil: RNDr. Věr Effeberger expertk olie příprvu SMZ z

Více

Systém intralaboratorní kontroly kvality v klinické laboratoři (SIKK)

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

Více

5. Výpočty s využitím vztahů mezi stavovými veličinami ideálního plynu

5. Výpočty s využitím vztahů mezi stavovými veličinami ideálního plynu . ýpočty s využití vztahů ezi stavovýi veličiai ideálího plyu Ze zkušeosti víe, že obje plyu - a rozdíl od objeu pevé látky ebo kapaliy - je vyeze prostore, v ěž je ply uzavře. Přítoost plyu v ádobě se

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

AMC/IEM J - HMOTNOST A VYVÁŽENÍ

AMC/IEM J - HMOTNOST A VYVÁŽENÍ ČÁST JAR-OPS 3 AMC/IEM J - HMOTNOST A VYVÁŽENÍ ACJ OPS 3.605 Hodoty hmotostí Viz JAR-OPS 3.605 V souladu s ICAO Ae 5 a s meziárodí soustavou jedotek SI, skutečé a omezující hmotosti vrtulíků, užitečé zatížeí

Více

IDEÁLNÍ PLYN I. Prof. RNDr. Emanuel Svoboda, CSc.

IDEÁLNÍ PLYN I. Prof. RNDr. Emanuel Svoboda, CSc. IDEÁLÍ PLY I Prof. RDr. Eanuel Soboda, CSc. DEFIICE IDEÁLÍHO PLYU (MODEL IP) O oleulách ideálního plynu ysloujee 3 předpolady: 1. Rozěry oleul jsou zanedbatelně alé e sronání se střední zdáleností oleul

Více

stavební obzor 1 2/2014 11

stavební obzor 1 2/2014 11 tavebí obzor /04 Exploratorí aalýza výběrového ouboru dat pevoti drátobetou v tlau Ig. Daiel PIESZKA Ig. Iva KOLOŠ, Ph.D. doc. Ig. Karel KUBEČKA, Ph.D. VŠB-TU Otrava Faulta tavebí Věrohodé vyhodoceí experimetálích

Více

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR Středí hodoty Artmetcý průměr vážeý ze tříděí Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR Výzam a užtí vážeého artmetcého průměru uážeme a ásledujících příladech Přílad 0 Ve frmě Gama Blatá máme soubor

Více

I Z klad pojmy teorie pravd podobosti { eoci l u eb text pro p edm t MATEMATIKA V, FS,FM TUL, ( drob chyby ejsou vylou ey) P. Volf, b eze 999 N hod pokus, syst m jev P edm tem teorie pravd podobosti je

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

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

STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK

STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH BOHUMIL MINAŘÍK 04 prof. Ig. Bohuml Mařík, CSc. STATISTICKÉ MINIMUM PRO STUDENTY BAKALÁŘSKÉHO STUDIA NA TECHNICKÝCH OBORECH.

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

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

Více

, jsou naměřené a vypočtené hodnoty závisle

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

Více

ÚVOD DO PRAKTICKÉ FYZIKY I

ÚVOD DO PRAKTICKÉ FYZIKY I JIŘÍ ENGLICH ÚVOD DO PRAKTICKÉ FYZIKY I ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ Jede z epermetů, které změly vývoj fyzky v mulém století. V roce 9 prof. H. Kamerlgh Oes ve své laboratoř v Leydeu měřl teplotí závslost

Více

MODELY HROMADNÉ OBSLUHY Models of queueing systems

MODELY HROMADNÉ OBSLUHY Models of queueing systems MODELY HROMADNÉ OBSLUHY Models of queueig systems Prof. RNDr. Ig. Miloš Šeda, Ph.D. Vysoé učeí techicé v Brě, Faulta strojího ižeýrství, Ústav automatizace a iformatiy e-mail: seda@fme.vutbr.cz Abstrat

Více

Algoritmus RSA. Vilém Vychodil. 4. března 2002. Abstrakt

Algoritmus RSA. Vilém Vychodil. 4. března 2002. Abstrakt Algoritmus RSA Vilém Vychodil 4. břza 2002 Abstrakt Násldující podpůrý txt stručě shruj základí problmatiky při šifrováí algoritmm RSA. Sm spadá j samotý pricip algoritmu, al i základí mtody grováí vlkých

Více

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů Semárky, předášky, bakalářky, testy - ekoome, ace, účetctví, ačí trhy, maagemet, právo, hstore... PODNIKOVÁ EKONOMIKA 3. Cea ceých papírů Ceé papíry jsou jedím ze způsobů, jak podk může získat potřebý

Více

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

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

Více

1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS.

1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS. Dopraví stroje a zařízeí odborý zálad AR 04/05 Idetifiačí číslo: Počet otáze: 6 Čas : 60 miut Počet bodů Hodoceí OTÁZKY: ) Vypočtěte eálí poměr rozděleí brzdých sil a ápravy dvouápravového vozla bez ABS.

Více

STUDIE METODIKY ZNALECKÉHO VÝPOČTU EKONOMICKÉHO NÁJEMNÉHO Z BYTU A NĚKTERÝCH PRINCIPŮ PŘI STANOVENÍ OBVYKLÉHO NÁJEMNÉHO Z BYTU. ČÁST 2 OBVYKLÉ NÁJEMNÉ

STUDIE METODIKY ZNALECKÉHO VÝPOČTU EKONOMICKÉHO NÁJEMNÉHO Z BYTU A NĚKTERÝCH PRINCIPŮ PŘI STANOVENÍ OBVYKLÉHO NÁJEMNÉHO Z BYTU. ČÁST 2 OBVYKLÉ NÁJEMNÉ Prof. Ig. Albert Bradáč, DrSc. STUDIE METODIKY ZNALECKÉHO VÝPOČTU EKONOMICKÉHO NÁJEMNÉHO Z BYTU A NĚKTERÝCH PRINCIPŮ PŘI STANOVENÍ OBVYKLÉHO NÁJEMNÉHO Z BYTU. ČÁST 2 OBVYKLÉ NÁJEMNÉ Příspěvek vazuje publikovaý

Více

Máme dotazníky. A co dál? Martina Litschmannová

Máme dotazníky. A co dál? Martina Litschmannová Máme dotazíy. A co dál? Martia Litschmaová. Úvod S dotazíy se setáváme běžě. Vídáme je v oviách, v časopisech, jsou součásti evaluačích zpráv (sebehodoceí šol, ), výzumých zpráv, Využívají se v sociologii,

Více

ZÁKLADNÍ SUMAČNÍ TECHNIKY

ZÁKLADNÍ SUMAČNÍ TECHNIKY Zápdočeská uiverzit v Plzi Fkult pedgogická Bklářská práce ZÁKLADNÍ SUMAČNÍ TECHNIKY Diel Tyr Plzeň Prohlšuji, že jsem tuto práci vyprcovl smosttě s použitím uvedeé litertury zdrojů iformcí. V Plzi,..

Více

SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek

SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO. Statistika I. distanční studijní opora. Milan Křápek SOUKROMÁ VYSOKÁ ŠKOLA EKONOMICKÁ ZNOJMO Statstka I dstačí studjí opora Mla Křápek Soukromá vysoká škola ekoomcká Zojmo Dube 3 Statstka I Vydala Soukromá vysoká škola ekoomcká Zojmo. vydáí Zojmo, 3 ISBN

Více

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

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

Více

FYZIKA 4. ROČNÍK. Disperze světla. Spektrální barvy. β č β f. T různé f různá barva. rychlost světla v prostředí závisí na f = disperze světla

FYZIKA 4. ROČNÍK. Disperze světla. Spektrální barvy. β č β f. T různé f různá barva. rychlost světla v prostředí závisí na f = disperze světla Disperze světla. Spektrálí barvy v = = f T v = F(f) růzé f růzá barva rychlost světla v prostředí závisí a f = disperze světla c = = F ( f ) idex lomu daého optického prostředí závisí a frekveci světla

Více

Nepředvídané události v rámci kvantifikace rizika

Nepředvídané události v rámci kvantifikace rizika Nepředvídaé událost v rác kvatfkace rzka Jří Marek, ČVUT, Stavebí fakulta {r.arek}@rsk-aageet.cz Abstrakt Z hledska úspěchu vestce ohou být krtcké právě ty zdroe ebezpečí, které esou detfkováy. Vzhlede

Více

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě Rekostrukce vodovodích řadů ve vztahu ke spolehlvost vodovodí sítě Ig. Jaa Šekapoulová Vodáreská akcová společost, a.s. Bro. ÚVOD V oha lokaltách České republky je v současost aktuálí problée zastaralá

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

ÚROKVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY. Závislost úroku na době splatnosti kapitálu

ÚROKVÁ SAZBA A VÝPOČET BUDOUCÍ HODNOTY. Závislost úroku na době splatnosti kapitálu ÚROKVÁ SAZBA A VÝPOČET BUDOUÍ HODNOTY. Typy a druhy úročeí, budoucí hodota ivestice Úrok - odměa za získáí úvěru (cea za službu peěz) Ročí úroková sazba (míra)(i) úrok v % z hodoty kapitálu za časové období

Více

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků 1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,

Více

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesé výchovy VYBRANÉ NEPARAMETRICKÉ STATISTICKÉ POSTUPY V ANTROPOMOTORICE Zdeěk Havel Davd Chlář 0 VYBRANÉ NEPARAMETRICKÉ

Více

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky ELEKTRICKÉ POHONY. pro kombinované a distanční studium

Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky ELEKTRICKÉ POHONY. pro kombinované a distanční studium Vysoká škola báňská - Techická uiverzita Ostrava Fakulta elektrotechiky a iformatiky ELEKTRICKÉ POHONY pro kombiovaé a distačí studium Ivo Neborák Václav Sládeček Ostrava 004 1 Doc. Ig. Ivo Neborák, CSc.,

Více

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

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

Více

Okruhy z učiva středoškolské matematiky pro přípravu ke studiu na VŠB TU Ostrava-

Okruhy z učiva středoškolské matematiky pro přípravu ke studiu na VŠB TU Ostrava- Okruhy z učiv středoškolské mtemtiky pro příprvu ke studiu VŠB TU Ostrv- I Zákldí poztky z logistiky teorie moži: výrok prvdivostí hodot výroku, egce, disjukce, kojukce, implikce, ekvivlece, složeé výroky,

Více

19 Hilbertovy prostory

19 Hilbertovy prostory M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem

Více

Aritmetická posloupnost

Aritmetická posloupnost /65 /65 Obsh Obsh... Aritmetická posloupost.... Soustv rovic, součet.... AP - předpis... 5. AP - součet... 6. AP - prvoúhlý trojúhelík... 7. Součet čísel v itervlu... 8 Geometrická posloupost... 0. Soustv

Více

KOMBINATORIKA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ

KOMBINATORIKA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ KOMBINATORIKA Gymázium Jiřího Wolera v Prostějově Výuové materiály z matematiy pro vyšší gymázia Autoři projetu Studet a prahu. století - využití ICT ve vyučováí matematiy a gymáziu INVESTICE DO ROZVOJE

Více

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

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

Více

M a t i c e v e s t ř e d o š k o l s k é m a t e m a t i c e

M a t i c e v e s t ř e d o š k o l s k é m a t e m a t i c e M t i c e v e s t ř e d o š k o l s k é m t e m t i c e P t r i k K v e c k ý M e d e l o v o g y m á z i u m v O p v ě S t u d i j í m t e r i á l - M t i c e v e s t ř e d o š k o l s k é m t e m t i

Více

STŘEDNÍ ŠKOLA ELEKTROTECHNICKÁ, OSTRAVA, NA JÍZDÁRNĚ 30, p. o. MATEMATIKA

STŘEDNÍ ŠKOLA ELEKTROTECHNICKÁ, OSTRAVA, NA JÍZDÁRNĚ 30, p. o. MATEMATIKA STŘEDNÍ ŠKOLA ELEKTROTECHNICKÁ, OSTRAVA, NA JÍZDÁRNĚ, p. o. MATEMATIKA Ig. Rudolf PŠENICA 6 OBSAH:. SHRNUTÍ A PROHLOUBENÍ UČIVA... 5.. Zákldí možiové pojmy... 5.. Číselé možiy... 6.. Itervly... 6.. Absolutí

Více

1. ČÍSELNÉ OBORY 10. Kontrolní otázky 24. Úlohy k samostatnému řešení 25. Výsledky úloh k samostatnému řešení 25. Klíč k řešení úloh 26

1. ČÍSELNÉ OBORY 10. Kontrolní otázky 24. Úlohy k samostatnému řešení 25. Výsledky úloh k samostatnému řešení 25. Klíč k řešení úloh 26 Zákld mtemtik Číselé oor ČÍSELNÉ OBORY 0 Některé pojm z mtemtické logik 0 Výroková logik 0 Moži vzth mezi imi Možiové operce Grfické zázorěí moži Číselé oor Čísl ázv jejich chrkteristik Chrkteristik číselých

Více

APLIKOVANÁ STATISTIKA

APLIKOVANÁ STATISTIKA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4

Více

Laboratorní práce č. 4: Úlohy z paprskové optiky

Laboratorní práce č. 4: Úlohy z paprskové optiky Přírodí ědy moderě a iteraktiě FYZKA 4. ročík šestiletého a. ročík čtyřletého studia Laboratorí práce č. 4: Úlohy z paprskoé optiky G Gymázium Hraice Přírodí ědy moderě a iteraktiě FYZKA 3. ročík šestiletého

Více

Determinanty Opakování: Permutace na n prvcích je zobrazení p:{1,..., n} {1,..., n}, které je prosté a na.

Determinanty Opakování: Permutace na n prvcích je zobrazení p:{1,..., n} {1,..., n}, které je prosté a na. Li algebra determiaty, polyomy, vlast čísla a vetory, charateristicý mohočle, salárí souči, posdef matice, bilieárí a vadraticé formy Lieárí algebra II láta z II semestru iformatiy MFF UK dle předáše Jiřího

Více