12. N á h o d n ý v ý b ě r

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "12. N á h o d n ý v ý b ě r"

Transkript

1 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 realizací áhodé veličiy, která popisuje příslušý áhodý proces. Základím pojmem statistiky se tak stává pojem áhodého výběru, který je modelem popsaé situace Defiice: Náhodý výběr je uspořádaá -tice áhodý vektor) X 1, X 2,..., X ) áhodých veliči X i, 1 i, které jsou ezávislé a mají stejé rozděleí. Pozámka: Je-li F distribučí fukce popisující rozděleí áhodých veliči X i, pak sdružeá distribučí fukce áhodého výběru je rova F x 1 ).F x 2 )... F x ). Obdobě pro sdružeou hustotu či pravděpodobostí fukci dostaeme vyjádřeí ve tvaru fx 1 ).fx 2 )... fx ), resp. px 1 ).px 2 )... px ) je-li f hustota resp. p pravděpodobostí fukce áhodé veličiy X i. Studium vlastostí rozděleí obvykle provádíme pomocí vhodě zvoleé fukce áhodého výběru statistiky). Uvedeme ty, které ejčastěji používáme Defiice: Výběrový průměr, výběrový rozptyl. Je-li X 1, X 2,..., X ) áhodý výběr, pak ozačujeme a azýváme statistiku: X výběrovým úhrem; X 1 X i X i S výběrovým průměrem; X i X) 2 výběrovým rozptylem; s 2 1 X i X) 2. Je-li Y 1, Y 2,..., Y ) áhodý výběr, pak azýváme statistiku S XY X i X)Y i Y ) výběrovým koeficietem korelace. Dále azýváme statistiku rx, Y ) S XY S X S Y výběrovým koeficietem korelace. Pozámka: Pro vyčísleí výběrových charakteristik používáme ěkdy jiého vyjádřeí. Je totiž 1)S 2 Xi X ) [ 2 Xi 2 2X i X + X ) 2 ] Je tedy Je také X 2 i 2X X i + X ) 2 X 2 i 2 X ) 2 + X ) 2 S 2 1 [ Xi 2 X ) ] 2 1 Xi X 2 i X ) 2 ) 2 X i. 69

2 1)S XY X i X)Y i Y ) X i Y i XY X i Y + XY ) X i Y i ) XY. Pro uvedeé statistiky platí ěkolik tvrzeí, která si postupě uvedeme Věta: Vlastosti výběrového průměru. Nechť je X 1, X 2,..., X ) áhodý výběr s rozděleí, kde EX i ) µ a DX i ) 2, pak platí: EX) µ, E X) µ a DX) 2, D X) 2. Důkaz: Je totiž E X) E X i ) EX i ) µ µ. Odtud plye, že EX) E 1 X) 1 E X) µ. Jestliže využijeme ezávislosti áhodých veliči v áhodém výběru, pak dostaeme D X) D X i ) DX i ) 2. Odtud plye, že DX) D 1 X) 1 D X) Věta: Vlastosti výběrového rozptylu. Nechť je X 1, X 2,..., X ) áhodý výběr s rozděleí, kde EX i ) µ a DX i ) 2, pak platí: ES 2 ) 2, Es 2 ) 1 2 a DS 2 ) 1 EX4 i ) 3 1) 4, 3. Důkaz: Úpravou postupě dostaeme Xi X ) 2 [ Xi µ) X µ )] 2 [ X i µ) 2 2 X i µ) X µ ) + X µ ) 2 ] X i µ) 2 2 X µ ) X i µ) + X µ ) 2 X i µ) 2 2 X µ ) X µ ) + X µ ) 2 X i µ) 2 X µ ) 2 Odtud dostaeme, že E Xi X ) 2 ) E X i µ) 2) X ) ) 2 E µ 1) 2, když jsme použili postupě skutečosti EX i ) EX) µ, E X i µ) 2 ) DX i ) 2 a E X µ) 2) DX) 1 2. Je tedy ES 2 ) 2. Sado ahlédeme, že Es 2 ) E 1 S2) Pozámka: Další vlastosti základích statistik áhodého výběru vyplývají z cetrálí limití věty. Za uvedeých předpokladů vět 12.3 a 12.4 platí, že výběrový úhr X má v limitě ormálí rozděleí Nµ, 2 ) a výběrový průměr X má v limitě ormálí rozděleí Nµ, 2 ). Tyto skutečosti můžeme zapsat vztahy pro distribučí fukce. Je X lim P µ x 70 ) Φx), x R

3 a ) X µ lim P x Φx), x R, kde Φ je distribučí fukce ormovaého rozděleí N0, 1). Připomeňme, že v případě, že se jedá o áhodý výběr z ormálího rozděleí Nµ, 2 ), pak mají uvedeé statistiky ormálí rozděleí z uvedeými parametry Defiice: Uspořádaý áhodý výběr dostaeme jestliže seřadíme hodoty áhodého výběru X 1, X 2,..., X ) vzestupě podle velikosti. Dostaeme áhodý vektor X 1), X 2),..., X ) ), kde X i) X ki a {1, 2,..., } {k 1, k 1,..., k }. Je pak X 1) X 2)... X ). Speciálě je X 1) mi{x i ; 1 i } a X ) max{x i ; 1 i }. Náhodou veličiu ω X ) X 1) azývame variačí rozpětí áhodého výběru. Pro rozděleí jedotlivých souřadic uspořádaého áhodého výběru dostaeme ásledující vztahy Věta: Je-li F distribučí fukce rozděleí, ze kterého je provede áhodý výběr, pak má r tá souřadice X r) uspořádaého áhodého výběru X 1), X 2),..., X ) ) rozděleí s distribučí fukcí G r x) P X r) x) ir ) F i x) [1 F x)] i, x R. i Jestliže je X r) x, pak mezi hodotami X 1, X 2,..., X ) alezeme alespoň r meších ež je hodota x. Meších ež x jich bude právě i s pravděpodobostí ) F i x) [1 F x)] i. i Součet těchto pravděpodobostí pro r i určuje hodotu distribučí fukce áhodé veličiy X r). Speciálě pro prví a posledí souřadici dostaeme Věta: Náhodá veličia X 1) mi{x i ; 1 i } má rozděleí určeé distribučí fukcí G 1 x) 1 1 F x)), x R. Pro spojité rozděleí dostaeme její hustotu g 1 x) fx)1 F x)) 1, x R, kde f F je hustota původího rozděleí. Náhodá veličia X ) max{x i ; 1 i } má rozděleí určeé distribučí fukcí G x) F x), x R. V případě spojitého rozděleí je její hustota rova g x) fx)f 1 x), x R. 71

4 12.9. Příklad: Rovoměré rozděleí v itervalu µ h, µ + h). Pak je hustota f, resp. distribučí fukce F, v itervalu µ h, µ + h) dáa vzorci fx) 1 1, resp. F x) x µ + h). 2h 2h Dosazeím do uvedeých vzorců dostaeme: tedy g 1 x) 2h [ 1 1 2h x µ + h) ] 1 g 1 x) 2h) µ + h x) 1, µ h < x < µ + h; g x) 2h) x µ + h) 1, µ h < x < µ + h. Pro středí hodoty těchto áhodých veliči výpočtem dotaeme: EX 1) ) µ+h xµ + h x) 1 dx 2h) µ h x µ h t dx dt 0 2h) 1) 2h) 2h 1) 1 t + µ + h)t 1 dt 1) t + µ + h)t 1 ) dt 2h 2h) 0 [ ] 2h) +1 + µ + h) 2h) 2h µ + h µ h; EX ) ) µ+h xx µ + h) 1 x µ + h t dx 2h) µ h dx dt 2h 1) t + µ h)t 1 dt 2h t + µ h)t 1 ) dt 2h) 0 2h) 0 [ ] 2h) +1 + µ 2h) h)2h) 2h µ h µ h. Pro výpočet rozptylu těchto áhodých veliči musíme ejdříve vyčíslit druhé obecé momety. Je EX 1) ) 2 ) µ+h x 2 µ + h x) 1 dx 2h) µ h 0 µ + h t) 2 t 1 dt) 2h) 2h 2h) [ t +2 2h) + 2 2h 0 µ + h x t dx dt t +1 2µ + h)t + µ + h) 2 t 1 ) dt ] 2h t+1 2µ + h) µ + t h)2 4h2 2h 2µ + h) µ + h)

5 Rozptyl áhodé veličiy vypočteme pomocí vzorce DX 1) ) EX 1) ) 2 ) EX 1) ) 2 4h2 2h 2µ+h) µ+h)2 µ 1 )2 + 1 h µ 2 + 2µh + h 2 4µh + 1 4h h2 + 2 µ2 + 2muh µh ) + h ) 1) ) 2 h2 1)2 + 2) 2 4h 2 + 1) 2 + 2). Obdobě dostaeme EX ) ) 2 ) µ+h x 2 x µ + h) 1 dx 2h) µ h x µ + h t dx dt 0 t + µ h) 2 t 1 dt 2h 2h) 2h 2h) 0 [ t +2 t+1 + 2µ h) 2h) µ t h)2 t µ h)t + µ h) 2 t 1 ) dt ] 2h Rozptyl áhodé veličiy vypočteme pomocí vzorce 0 4h2 2h + 2µ h) µ h)2. DX ) ) EX ) ) 2 ) EX ) ) 2 4h2 2h +2µ h) µ h)2 µ + 1 )2 + 1 h µ 2 2µh + h 2 + 4µh + 1 4h h2 + 2 µ2 2muh 1 1)2 h ) 2 2µh ) + h ) 1) ) 2 4h 2 + 1) 2 + 2). Jak jsme mohli očekávat rozptyly obou áhodých veliči jsou stejé a středí hodoty jsou symetrické vzhledem ke středí hodotě µ původího rozděleí. S rostoucím počtem prvků výběru dostáváme a lim EX 1)) lim µ h µ h, lim EX )) lim µ + h µ + h, lim DX 1)) lim DX ) ) lim h )

6 Příklad: Expoeciálí rozděleí ExpA; ). Potom jsou hustota f, resp. distribučí fukce F, dáy vzorci fx) 1 Pro hustotu áhodé veličiy X 1) g 1 x) e x A, resp. F x) 1 e x A, x > A. x A e dostaeme Pro středí hodotu miima dostaeme EX 1) ) xe x A) dx [ A [ ] e x A 1 x A) e, x > A. x e x A) 2 2 e ] x A) K výpočtu rozptylu musíme ejdříve určit druhý obecý momet. Je [ x2 e x A) EX 1) ) 2 ) 2x2 2 A e x A) 23 3 e x 2 e x A) dx Rozptyl áhodé veličiy vypočteme pomocí vzorce DX 1) ) EX 1) ) 2 ) EX 1) ) 2 A 2 + 2A S rostoucím počtem prvků výběru dostáváme ] x A) A A A 2 + 2A A + A ) a lim EX 1)) lim A + A lim DX 2 1)) lim 0. 2 Některá další rozděleí fukcí áhodého výběru Normálí Gaussovo) rozděleí Nµ, 2 ) s parametry µ a > 0 je rozděleí určeé hustotou fx) 1 x µ) 2 2π e 2 2, x, ). Rozděleí je symetrické vzhledem k hodotě µ. Je dále EX) µ, DX) 2 a tedy směrodatá odchylka X). Rozděleí je kocetrováo ke středí hodotě. I když abývá áhodá veličia s tímto rozděleím teoreticky všech reálých hodot je P X µ < 3) 0, 999 a P X µ < 3, 5) 0,

7 Průběh hustoty ϕ ormovaého ormálího rozděleí je zázorě a obrázku Obr a průběh hustoty f obecého ormálího rozděleí Nµ; 2 ) je zázorě a obrázku Obr π ϕx) 1 2π fx) x µ 3 µ µ + 3 x Obr Obr Normálí rozděleí se zachovává při lieárí trasformaci. Jestliže má áhodá veličia X rozděleí Nµ, 2 ), má pak áhodá veličia αx + β ormálí rozděleí Nαµ + β, α 2 2 ). Speciálě platí, že áhodá veličia U X µ má rozděleí N0, 1), které se azývá ormovaé ormálí rozděleí. Náhodé veličiy, které mají ormovaé ormálí rozděleí budeme ozačovat písmeem U. Dále budeme ozačovat ϕ hustotu tohoto rozděleí a Φ distribučí fukci tohoto rozděleí. Je-li X áhodá veličia, která má rozděleí Nµ, 2 ) a je-li f její hustota a F je její distribučí fukce, pak Dále je ) x µ ϕx) f a ) x µ F x) Φ. ) ) b µ a µ P a < X < b) F b) F a) Φ Φ. Hodoty fukce Φ jsou tabelováy. Ze symetrie hustoty ϕ vzhledem k počátku plye, že Φx) + Φ x) 1, Φ0) 1 2. Pro kvatily u p ormovaého ormálího rozděleí platí, že u 0,5 0 a u 1 p u p. Tyto kvatily alezeme také v tabulkách a pro kvatily x p obecého ormálího rozděleí platí x p u p + µ a x x 0,5 µ ˆx EX). Důležitou vlastost má ormálí rozděleí při sčítaí áhodých veliči. Jsou-li X, resp. Y ezávislé áhodé veličiy s rozděleím Nµ 1, 2 1), resp. Nµ 2, 2 2), pak má áhodá veličia X + Y rozděleí ormálí Nµ 1 + µ 2, ). Speciálě platí: Jestliže mají ezávislé áhodé veličiy X i, 1 i ormálí rozděleí Nµ, 2 ) áhodý výběr z ormálího rozděleí), má pak 75

8 výběrový úhr X X i rozděleí Nµ, 2 ) a výběrový průměr X 1 X i rozděleí Nµ, 2 ) Expoeciálí rozděleí ExA, ) je rozděleí áhodé veličiy s hustotou f a distribučí fukcí F, kde 0, x < A, 0, x A, fx) x A 1 F x) e, x A; 1 e x A, x A, kde A R a > 0. Je pak EX) A + a DX) 2. Pro kvatily dostaeme vyjádřeí x p A l1 p). Je-li A 0, pak rozděleí ozačujeme symbolem Ex) a je to rozděleí, které se objevuje v úlohách kde sledujeme spolehlivost práce zařízeí v čase. Je to tzv. rozděleí bez paměti. Je totiž P X a + b X a) P X b), a, b > Rozděleí chí kvadrát χ 2 ) o stupích volosti je rozděleí, které má áhodá veličia X Ui 2, kde U i, 1 i jsou ezávislé áhodé veličiy s ormovaým ormálím rozděleím N0, 1). Pro toto rozděleí je EX) a DX) 2. Hustota f tohoto rozděleí je dáa předpisem 0, x 0, fx) 1 x 2 Γ 2 ) 2 1 e x 2, x > 0. Rozděleí je výrazě asymetrické, kvatily jsou kladé a jsou tabelováy. Až pro výrazě veliké hodoty parametru je možé toto rozděleí ahradit rozděleím ormálím N, 2). Pro velké hodoty má áhodá veličia U X 2 přibližě ormovaé ormálí rozděleí N0, 1). Pro kvatily pak platí přibližý vzorec x p. + up 2. Průběh hustoty rozděleí χ 2 ), pro dva stupě volosti je zázorě a obrázku Obr < 5 > 30 y x x 76

9 Obr Obr Studetovo rozděleí t- rozděleí) t) o stupích volosti má áhodá veličia T U Z, kde áhodá veličia U má ormovaé ormálí rozděleí N0, 1) a áhodá veličia Z má rozděleí χ 2 ). Rozděleí je symetrické vzhledem k počátku, je ET ) 0, DT ), > 2 a pro hodoty > 30 jej ahrazujeme ormovaý ormálím 2 rozděleím N0, 1). Pro kvatily platí t p t 1 p. Hustota f Studetova rozděleí je dáa vzorcem fx) Γ +1 ) Γ 2 ) π 1 + x2 ) +1 2, x R. Průběh hustoty t rozděleí pro dvě hodoty stupňů volosti je zázorě a obrázku Obr Fischerovo-Sedecorovo rozděleí F rozděleí) F m, o m a stupích volosti má áhodá veličia F X Y m, kde áhodá veličia X má rozděleí χ 2 m) a áhodá veličia y má rozděleí χ 2 ). Náhodá veličia F abývá pouze kladých hodot a je EF ), > 2 2 a DF ) 22 +m 2), > 4. Hustota f áhodé veličiy F je dáa vzorcem m 2) 2 4) fx) ) m 1 m 2 B m, ) 2 2 Pro kvatily F p m, ) rozděleí platí Je totiž kvatil F p Odtud plye, že F p m, ) x m ) m+ x 2, x > 0. 1 F 1 p, m), 0 < p < 1. áhodé veličiy F m, ) urče podmíkou P F m, ) F p ) p P ) X Y m F p p. 1 P Y m ) Y m 1 P F p X X 1 ) p F p Y m P X 1 ) ) P F, m) 1Fp 1 p, F p což je podmíka pro kvatil áhodé veličiy F, m). Je tedy F 1 p, m) 1 F pm,). 77

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

, 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

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

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

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

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

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

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

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

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

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

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

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

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

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

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

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

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

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

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

P(n) = n * (n - 1) * (n - 2) *... 2 * 1 To odpovídá zápisu, ve kterém využíváme faktoriál:

P(n) = n * (n - 1) * (n - 2) *... 2 * 1 To odpovídá zápisu, ve kterém využíváme faktoriál: PERMUTACE a VARIACE 2.1 Permutace P() = * ( - 1) * ( - 2) *... 2 * 1 To odpovídá zápisu, ve kterém využíváme faktoriál: ( )! P = Jedá se o vzorec pro počet permutací z prvků bez opakováí. 2.2 Variace bez

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

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

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

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

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

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

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

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

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

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

Asynchronní motory Ing. Vítězslav Stýskala, Ph.D., únor 2006

Asynchronní motory Ing. Vítězslav Stýskala, Ph.D., únor 2006 8 ELEKTRCKÉ STROJE TOČVÉ říklad 8 Základí veličiy Určeo pro poluchače akalářkých tudijích programů FS Aychroí motory g Vítězlav Stýkala, hd, úor 006 Řešeé příklady 3 fázový aychroí motor kotvou akrátko

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

Aplikace marginálních nákladů. Oceňování ztrát v distribučním rozvodu

Aplikace marginálních nákladů. Oceňování ztrát v distribučním rozvodu Apliace margiálích áladů Oceňováí ztrát v distribučím rozvodu Učebí text předmětu MES Doc. Ig. J. Vastl, CSc. Celové ročí álady a ztráty N P ( T ) z z sj z wj Kč de N z celové ročí álady a ztráty *Kč+

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

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

Fourierova transformace ve zpracování obrazů

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

Více

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

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

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

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

Statistická analýza dat

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

Více

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

LINEÁRNÍ DIFERENCIÁLNÍ ROVNICE 2.ŘÁDU

LINEÁRNÍ DIFERENCIÁLNÍ ROVNICE 2.ŘÁDU LINEÁRNÍ DIFERENCIÁLNÍ ROVNICE 2.ŘÁDU ZDENĚK ŠIBRAVA 1. Obecné řešení lin. dif. rovnice 2.řádu s konstntními koeficienty 1.1. Vrice konstnt. Příkld 1.1. Njděme obecné řešení diferenciální rovnice (1) y

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

POZN AMKA K V YPO CTU BAYESOVSKEHO RIZIKA Ales LINKA TU Liberec, KPDM Abstrakt. V teto praci porovame dva bayesovske odhady fukce spolehlivosti v expoecialm rozdele z pohledu bayesovskeho rizika vypo-

Více

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY Josef Tvrdík OSTRAVSKÁ UNIVERZITA 00 OBSAH: ÚVOD... 4. CO JE STATISTIKA?... 4. STATISTICKÁ DATA... 5.3 MĚŘENÍ

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

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

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13

Příklad 1. Korelační pole. Řešení 1 ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 13 Příklad 1 Máme k dispozici výsledky prvního a druhého testu deseti sportovců. Na hladině významnosti 0,05 prověřte, zda jsou výsledky testů kladně korelované. 1.test : 7, 8, 10, 4, 14, 9, 6, 2, 13, 5 2.test

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

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

BIVŠ. Pravděpodobnost a statistika

BIVŠ. Pravděpodobnost a statistika BIVŠ Pravděpodobost a statstka Úvod Skrpta Pravděpodobost a statstka jsou učebím tetem pro stejojmeý kurz magsterského studa Bakovího sttutu vysoké školy Kurzy Pravděpodobost a statstka a avazující kurz

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

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

Malé statistické repetitorium Verze s řešením

Malé statistické repetitorium Verze s řešením Verze s řešením Příklad : Rozdělení náhodné veličiny základní charakteristiky Rozdělení diskrétní náhodné veličiny X je dáno následující tabulkou x 0 4 5 P(X = x) 005 05 05 0 a) Nakreslete graf distribuční

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

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

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

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

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

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

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

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

FINANČNÍ MATEMATIKA- JEDNODUCHÉ ÚROKOVÁNÍ

FINANČNÍ MATEMATIKA- JEDNODUCHÉ ÚROKOVÁNÍ Projek ŠABLONY NA GVM Gymázium Velké Meziříčí regisračí číslo projeku: CZ..7/.5./34.948 IV-2 Iovace a zkvaliěí výuky směřující k rozvoji maemaické gramoosi žáků sředích škol FINANČNÍ MATEMATIA- JEDNODCHÉ

Více

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH ECHNICKÝ AUDI VODÁRENSKÝCH DISRIBUČNÍCH SYSÉMŮ Ig. Ladislav uhovčák, CSc. 1), Ig. omáš Kučera 1), Ig. Miroslav Svoboda 1), Ig. Miroslav Šebesta 2) 1) 2) Vysoké učeí techické v Brě, Fakulta stavebí, Ústav

Více

Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat

Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Čtvercová matice n n, např. může reprezentovat: A = A A 2 A 3 A 2 A 22 A 23 A 3 A 32 A 33 matici koeficientů soustavy n lineárních

Více

ANALÝZA PROVOZU MĚSTSKÝCH AUTOBUSŮ

ANALÝZA PROVOZU MĚSTSKÝCH AUTOBUSŮ ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročík LVII 28 Číslo 5, 2009 ANALÝZA PROVOZU MĚSTSKÝCH AUTOBUSŮ L. Papírík

Více

Makroekonomie cvičení 1

Makroekonomie cvičení 1 Makroekoomie cvičeí 1 D = poptávka. S = Nabídka. Q = Možství. P = Cea. Q* = Rovovážé možství (Q E ). P* = Rovovážá caa (P E ). L = Práce. K = Kapitál. C = Spotřeba domácosti. LR = Dlouhé období. SR = Krátké

Více