Základy teorie chyb a zpracování fyzikálních měření Jiří Novák

Rozměr: px
Začít zobrazení ze stránky:

Download "Základy teorie chyb a zpracování fyzikálních měření Jiří Novák"

Transkript

1 Zálad eore chb a zpracováí zálích měřeí Jří ová Teo e je zamýšle jao pomůca pro vpracováí laboraorích úloh z z Je urče pouze pro sudjí účel a jeho účelem je objas meod zpracováí měřeí

2 Chb měřeí Druh chb Jeslže provádíme měřeí éže zálí velč za sejých podmíe ěolrá za sebou obdržíme zpravdla odlšé hodo Měřeé velčě vša áleží pouze jeda správá hodoa Každou odchlu aměřeé hodo X od správé hodo X azýváme obecě chbou měřeí j deujeme ed chbu měřeí X jao X X X Chb mohou bý ja ladé a záporé Udáváme-l chbu rozdílem správé velč a aměřeé velč poom mluvíme o chbě absoluí Absoluí chba je velča erá má rozměr měřeé velč j má sejé jedo Jeslže vjádříme chbu relavě vůč měřeé hodoě poom jde o relaví chbu měřeé velč Relaví chbou δ měřeé velč se rozumí poměr absoluí chb X a správé hodo X éo velč Pro dec relaví chb plaí ed X X X δ X X X Relaví chba je bezrozměrá velča a časo se uvádí v proceech Může sejě jao absoluí chba abýva ladých ebo záporých hodo Pomocí relavích chb můžeme porova přesos měřeí zálích velč s růzým rozměrem Te do provádí daé měřeí b se měl především saž provádě a zpracováva oo měřeí s co ejmeším chbam Ovšem elze d dosáhou výpočem všší přesos ežl zaručuje daá meoda měřeí Hlaví příč dí erým chbám dochází jsou edooalos a epřesos měřících přísrojů použá meoda měřeí edooalos a espolehlvos ldsých smslů poud a ch měřeí závsí a přehlížeí oolích vlvů působících a měřeí Chb měřeí lze v zásadě děl a ssemacé a áhodé Ssemacé chb - zreslují výslede měřeí zcela určým způsobem a s jsou pravdelosí což se projevuje zejméa ím že vedou hodoám eré jsou buď rvale všší ebo rvale žší ež je hodoa správá Jejch příčou časo bývá použá meoda měřeí použé měřící přísroje a e do měřeí provádí zv chb osobí Chb jejchž příčou je použá meoda vzají edooalosí epřesosí eúplosí ebo evhodosí použého způsobu měřeí Časo se sává že použá meoda odpovídá určé dec měřeé velč erou vša př měřeí elze plě respeova apřílad vážeím a vzduchu vzá ssemacá chba v důsledu euvažováí růzého vzlau láe růzé huso ebo elze apř použí př měřeí če dél m mromercého šroubu ačolv sám o sobě je velm přesý měřící ásroj a pro oo měřeí se absoluě ehodí o je sejé jao sříle a vrabce aóem To chb lze odsra buď použím jé meod ebo vloučeím chb výpočem Chb jejchž příčou jsou použé přísroje vzají edooalosí a epřesosí provedeí měřících přísrojů Tpcým případem je edooalos a epřesos supc měřících přísrojů a pomůce epřesos sad závaží aj Chb ohoo pu lze u aždého přísroje čásečě odsra zavedeím příslušých orečích čelů eré upravují měřeé hodo

3 Osobí chb jsou ssemacé chb způsobeé ím do měřeí provádí pozorovael To chb se projevují zejméa př měřeí časových oamžů a déle a jsou slě závslé a použém pozorovael To chb se dají vlouč ím že vloučíme subjeví pozorováí objevím meodam j epoužjeme pozorovaele ebo j éž můžeme vlouč použím věšího poču pozorovaelů Dále př měřeí můžeme araz a zvhrubé chb jež jsou způsobe úavou č epozorosí př měřeí Velé hrubé chb se věšou lehce pozají proože výrazě vbočují z charaeru měřeých hodo sejé velč Hrubé chb zásadě z měřeí vlučujeme jelož b ovlvl výsled měřeí epřípusým způsobem áhodé chb jsou jého pu ežl chb ssemacévloučíme-l ssemacé chb z měřícího procesu a opaujeme-l měřeí ějaé velč za sejých podmíe zjsíme že výsledé hodo jedolvých opaovaých měřeí éže velč se avzájem poěud lší j edosaeme vžd sejou hodou Příču ěcho chb edovedeme urč mohou bý způsobe apř malým časovým změam oolích podmíe v průběhu měřeí j eplo lau vlhos eleromagecých velč ad Těcho avzájem ezávslých vlvů může spolupůsob v ěerých případech opravdu moho přčemž jejch jedolvý vlv je ěžo posželý Proo původ áhodých chb lze vdě suečě v áhodě a rozdíl od chb ssemacých jež se vzačují určou pravdelosí se áhodé chb chovají aproso epravdelě áhodě Chb zavěé jedolvým ezávsle působícím vlv se azývají elemeárím chbam Výsledou áhodou chbu měřeí je pa možo vjádř jao souče elemeárích chb a můžeme ed psá de ozačuje elemeárí chb Dále předpoládáme že áhodé chb se vsují ja záporé a ladé a že pravděpodobos výsu ladých záporých chb je sejá Výslede měřeí předsavuje v důsledu působeí áhodých chb áhodou velču a udíž všeřováí áhodých chb měřeí je ué použí sascých záoosí Lze pozamea že sascé záoos se přesě uplaňují v případech d máme velý poče měřeí V případě mešího poču měřeých hodo je uo ahrad ěeré charaers áhodých velč zv výběrovým charaersam a záladě poču pravděpodobos lze pro aždou áhodou velču jpro aždou měřeou velču zjs její zv ejpravděpodobější hodou Spojá uce p jež udává rozděleí pravděpodobos výsu áhodé velč v celém ervalu přípusých hodo se azývá husoa pravděpodobos Pravděpodobos že áhodá velča bude leže v ervalu αβ je β α P α β p Z eore pravděpodobos je zámo že husoa pravděpodobos áhodé velč jež je vjádřea jao souče moha avzájem ezávslých ale ja lbovolých velč je dáa ásledující ucí µ p e π

4 jež se azývá ormálí záo rozděleí áhodé velč Velča µ se azývá sředí hodoa je směrodaá odchla a je rozpl áhodé velč a ásledujícím obrázu je zázorěo ěol ormálích rozděleí s růzým rozpl a sejou sředí hodoou µ 4 03 µ 0 Čeos výsu Měřeá hodoa Obr Ja je vdě z obrázu rozpl vjadřuje míru rozpýleos jedolvých měřeí a sředí hodoa ejpravděpodobější hodou daého měřeí Uvažujeme-l ed áhodou chbu ějaé měřeé zálí velč za áhodou velču poom můžeme za plaos předchozích předpoladů psá pro husou rozděleí áhodých chb p e π což je zv Gaussův ormálí záo chb Ple z ěho o že čeos chb lesá s rosoucí velosí chb Tudíž velé chb jsou méě čeé ež malé chb což odpovídá suečos Ja lze pozorova z obr sředí hodoa áhodých chb je rova ule jelož se vsují ladé záporé chb sejé velos se sejou čeosí Proo je ué jao měřío chb vzí ějaou jou velču a o směrodaou odchlu daého rozděleí erá se éž azývá sředí vadracá chba a plaí pro

5 4 03 Čeos výsu Chb měřeí Obr Chb měřeí se věšou uvádějí jao zv pravděpodobé chb eré obsahují ormac o om jaé proceo chb se achází ve spolehlvosím ervalu - Chceme-l ed ají aovou hodou chb d do uvedeého ervalu zahreme ξ % všech chb poom musíme řeš ásledující rovc e d ξ /00 π Pravděpodobou chbu ξ erá porývá erval spolehlvos chb s pravděpodobosí výsu ξ % lze zapsa ásledově ξ ν ξ de ν ξ je příslušý oece vjadřující daý spolehlvosí erval Ja lze pozorova z obr3 je př požadavu ξ 95 % oece a udíž do ervalu ξ ξ pade přblžě 95% všech chb Chba rová rojásobé sředí chbě se azývá rají chbou a pravděpodobos že ebude př měřeí přeročea se rová přblžě 9973 % Je éž možé chbu vjádř jao zv průměrou chbu λ erá je deováa ásledově λ

6 09 08 Č eos výsu ξ 687% ν ξ 95% ν Velos chb Obr3 a ásledujícím obrázu je vdě hsogram čeosí výsu jedolvých měřících chb př suečém měřeí přčemž je graem proložea odpovídající řva ormálí rozděleí apromace ormálím rozděleím hsogram chb měřeí 400 Čeos výsu Chb měřeí Obr4

7 V ásledující abulce jsou uvede ěeré ejpoužívaější erval spolehlvos a jm odpovídající oece ν ξ Tab ξ [%] ν ξ ejpravděpodobější hodoa měřeé velč a její přesos Ja jž blo řečeo výslede zálího měřeí lze poláda za áhodou velču erá se řídí ormálím rozděleím a výsled plaí pro velý poče měřeí Těcho vlasosí áhodých chb můžeme vuží př hledáí ejpravděpodobější hodo měřeé velč a př hodoceí přesos prováděého měřeí Ozačíme-l výslede -ého měřeí jao chbu -ého měřeí jao správou hodou měřeé velč a předpoládáme poom dosaeme 0 Upravíme-l předchozí vzah poom můžeme vpočía správou hodou výsledu měřeí jao V mezím případě eoečého poču měřeí lze za předchozích předpoladů správou hodou výsledu měřeí vpočía jao armecý průměr aměřeých hodo Př reálém měřeí vša eí d eoečý a ěd a dosaečě velý Abchom v omo důležém případu alezl ejpravděpodobější hodou výsledu musíme posupova ásledově Je ué zjs jaé rozložeí chb bude ejpravděpodobější př oečém poču měřeí Pravděpodobos že chba áhodě vbraého měřeí leží v ervalu d + d je v důsledu plaos ormálího záoa rozděleí áhodých chb dp e d π Obdobě můžeme vjádř pravděpodobos rozložeí áhodých chb olem jých hodo chb Pravděpodobos že ěol ezávslých jevů asae současě je rova souču jejch pravděpodobosí j pro rozložeí chb olem hodo! bude

8 +! + dp dp e dd π! d přčemž předpoládáme že jedolvá měřeí jsou prováděa sejě přesě j 0 ejpravděpodobější bude aové rozložeí chb eré má ejvěší pravděpodobos j pro eré je předchozí výraz mamálí To vša asae pro ejmeší hodou výrazu + +! + m + +! + m Mmalzací uvedeého výrazu zísáme jao ejpravděpodobější hodou výsledu měřeí armecý průměr aměřeých hodo Suečou absoluě přesou hodou měřeé velč d ezjsíme ale ze všech vzahů mez správou hodoou a aměřeým hodoam je ejpravděpodobější vžd armecý průměr Že armecý průměr edává přesě správou hodou aměřeé velč je možé odvod z ásledujícího vzahu ze erého je vdě že armecý průměr se lší od správé hodo měřeé velč o čle / Další důležým problémem je zjšěí s jaou přesosí blo měřeí provedeo Musíme ed urč hodou sředí vadracé chb počíaé z ejpravděpodobější hodo a olv ze správé hodo ozačíme-l odchlu -ého měřeí od armecého průměru poom se zřeelem a předchozí vzah plaí Umocěím předcházejícího vzahu a sečeím pro všech aměřeé velč zísáme + Druhý čle v uvedeém výrazu obsahuje součů ladých záporých jejchž poče je přblžě sejý Proo je možé eo druhý čle zaedba přčemž se dopoušíme zaedbaelé chb Zísám a výraz

9 ze erého pro sředí chbu jedoho měřeí lehce zísáme * Tao velča se aé obzvlášě ve sasce ozačuje smbolem s a azývá se výběrová směrodaá odchla Zaím jsme vžd uvažoval že přesos všech měřeí bla sejá Poud vša budeme měř přímých a ezávslých měřeí éže velč erá jsou zjšěa s růzou přesosí musíme použí modovaé vzah pro ejpravděpodobější hodou a sředí chbu jedoho měřeí Př odvozováí ěcho vzahů posupujeme aproso sejým způsobem jao u sejě přesých dílčích měřeí Jedá změa je v om že uvažujeme! j růzou přesos měřeí ejpravděpodobější hodoou ao prováděého měřeí je poom zvvážeý armecý průměr w w de w Sředí vadracou chbou provedeého měřeí př růzé přesos dílčích měřeí je poom ásledující výraz * w w 3 Chb přímých měřeí Velm časo měříme ějaou zálí velču X přímo j apřílad vážeí měřeí dél aj Tao měřeí opaujeme -rá za mslelě sejých podmíe abchom mohl zísa ejpravděpodobější hodou éo velč a její sředí chbu Z aměřeých hodo určíme ejpravděpodobější hodou jao armecý průměr j a dále spočíáme sředí vadracou chbu daého měřeí jao

10 pomocí eré můžeme jedoduše urč zvoleou pravděpodobou chbu erá zajšťuje určý erval spolehlvos daého výsledu Pravděpodobá chba bude poé ξ ν ξ ± ξ Výslede celého měřeí poé zapsujeme ve varu: 4 Chb epřímých měřeí Řada zálích velč se zísává výpočem podle ějaého zálího záoa erý vjadřuje souvslos mez daou velčou a ěola jým velčam a chž je závslá a eré jsou zísává měřeím apřílad husou pevých láe můžeme urč z aměřeé hmoos a objemu ělesa Hledaou velču ed přímo eměříme ale pouze j počíáme podle ějaého vzorce zálího záoa z jých měřeých ebo vpočeých velč u erých záme jejch pravděpodobou ebo sředí chbu echť ed je ějaá velča jež je ucí dalších velč a echť dále je ao uce spojě derecovaelá a svém dečím oboru Lze ed pro uo závslos psá! ejpravděpodobější hodou daé velč zísáme dosazeím ejpravděpodobějších hodo velč j! Absoluí chb velč ozačíme a ásledě můžeme vjádř derecál uvedeé uce j její derecálí změu v důsledu velm malých změ v jejích proměých jao d d í Jsou-l chb j erých jsme se dopusl př j-ém měřeí velč dosaečě malé poom můžeme pro příslušé chb j výsledé velč př j-ém měřeí psá sejé vzah jao pro derecálí přírůse uvedeé uce j j í j j! Umocěím předchozího vzahu zísáme jj í j+ j j +

11 Abchom alezl vzah mez sředím chbam velč a sředí chbou výsledé velč zavedeme předpolad že pro sředí chb bl urče a záladě velého poču měřeí a sečeme předchozí rovce pro všecha provedeá měřeí j! Poom plaí + + j j j j j í j j j a po dosazeí sředích vadracých chb dosaeme + + j j j j í Vzhledem omu že jsme předpoládal ezávslos sředích chb jedolvých velč a velý poče provedeých měřeí plaí j j j 0 cov a ed í což je hledaý záo přeášeí sředích chb Teo obecý vzorec určuje sředí chbu uce lbovolého poču měřeých velč jejchž sředí chb jsou Poěvadž v ejepřízvějším případě se mohou vešeré chb sčía zísáme mamálí možou chbu výsledu z derecálu zoumaé uce ím že j zvolíme jao mamálí možou velos ohoo derecálu j MAX Z předchozích vzorců je vdě že rol chb mohou hrá ja chb sředí a pravděpodobé ebo chb měřeých velč odhadué před měřeím Velm časo lze posuzováí přesos prováděého měřeí použí popsu pomocí relavích chb měřeých velč Pro relaví mamálí chbu a pro sředí relaví chbu poé zísáme jedoduše z předchozích vzorců MAX! í!

12 í uvedeme ěol jedoduchých výsledů eré plou ze záoa o přeášeí chb měřeí ejprve s uážeme ejdůležější z ploucích důsledů přeosu chb a o sce sředí chbu armecého průměru echť velča bla -rá změřea čímž blo zísáo a hodo Jao výslede bl vza armecý průměr jedolvých měřeí jež poládáme za sejě přesé a přsuzujeme jm sejou hodou sředí chb vpočeou podle vzahu pro sředí chbu jedoho měřeí Armecý průměr můžeme ed v omo případě považova za uc velč měřeých se sejou chbou a plaí! pro! Podle záoa o přeášeí sředích chb poé dosaeme pro výsledou sředí chbu í Z předchozího vzahu ple velm důležý závěr že sředí chba armecého průměru sejě přesých měřeí je meší ežl sředí chba jedoho měřeí Toéž ovšem plaí éž pro chb pravděpodobé jež jsou úměré chbám sředím Tudíž aměříme-l více hodo zísáme všší přesos výsledu což je ázorě vdě z ásledujícího obrázu Velos chb Poče provedeých měřeí Obr5

13 Z obrázu vplývá že př provedeí 0 měřeí sížíme chbu měřeí opro měřeí přblžě řrá Př prováděí dalších měřeí eí jž eo poles zdalea a výzamý Je vhodé př přímém měřeí ějaé velč ed uo velču změř alespoň deserá í provedeme ěol jedoduchých příladů záoa přeosu pravděpodobých chb měřeí Máme-l urč chbu uce jedé měřeé velč máme d d a udíž d d ] [ a ásobeí osaou c: ] [ c c b mocá uce: a udíž ] [ což lze psá aé ve varu pro relaví chbu r jao r ] [ c logarmcá uce: l a udíž ] [l r Máme-l uc dvou proměých : a souče dvou velč: ± a udíž ] [ + ± b souč a podíl dvou mocých ucí měřeých velč: s s s s ] [ s r r s + Jao specálí případ předchozího vzahu ple vzorec pro pravděpodobou chbu souču ebo podílu dvou velč ] / [ ] [ r r + Je ué s povšmou oho že velos chb výsledu ovlvňuje věší z uvažovaých chb jedolvých velč eré vsupují do výpoču j ím že máme jedu velču změřeu velm přesě a jou daleo méě přesě ja eovlvíme výsledou přesos erá bude vžd závse a ejepřesěj aměřeé velčě Je proo vhodé měř velč přblžě se sejou přesosí

14 5 Shruí ejdůležějších výsledů eore chb ejpravděpodobější hodoou výsledu měřeí je armecý průměr aměřeých hodo Sředí chba jedoho měřeí je * ejpravděpodobější hodoou prováděého měřeí s růzým dílčím váham přesosm jedolvých měřeí je vážeý armecý průměr w w de w Sředí vadracou chbou provedeého měřeí př růzé přesos dílčích měřeí je w w * Sředí chba armecého průměru je Pravděpodobá chba je poé ν ξ ξ přčemž oece ξ ν odpovídá požadovaému ervalu spolehlvos měřeí Záo přeášeí chb í Teo obecý vzorec určuje sředí chbu uce lbovolého poču měřeých velč jejchž chb sředí pravděpodobé ebo určeé odhadem jsou

15 Mamálí možá chba výsledu MAX Relaví mamálí chba měřeí je MAX! Sředí relaví chba měřeí je í!

16 Zpracováí měřeí Každé měřeí ějaé zálí velč b mělo bý zpracováo co ejpřehleděj ejázorěj s cílem dosáhou co ejvěší přesos j dosáhou co ejmeších chb měřeí O om jaým způsobem zpracováva měřeí a zjšťova chb měřeí blo dosaečě apsáo v apole o chbách Zde je pouze uvede způsob jaým se zapsují vešeré výsled měřeí Jeslže měříme ějaou velču X s určou absoluí chbou X ebo uo velču vpočeme z aměřeých hodo poom výslede uvádíme ve varu X ± X [jedoa] de X je ejpravděpodobější hodoa měřeé velč a X je absoluí chba éo velč Samozřejmě je ué uvéz jedo měřeé velč Výsledé hodo chb se zaorouhlují a resp plaé číslce plaá číslce je a erá je v daém čísle prví eulová zleva Výsledá hodoa měřeé velč se poé zaorouhlí a sejý poče deseých mís jao má výsledá zaorouhleá chba Teo prcp zaorouhlováí se provádí z důvodu oho že více cer ve výsledu epořebujeme Předsavme s že měříme ějaou zálí velču apř modul pružos E jaés če spočíáme ejpravděpodobější hodou a dále spočeme výsledou chbu měřeé velč E Předpoládejme že jsme počíal a alulačce ebo počíač a e a ás vchrll ásledující: E e Pa E e0 Pa Poom provedeme ásledující zaorouhlíme chbu a plaé cr a a sejý poče deseých mís výslede j dosaeme E 4 ± 6 GPa Koho b sad láalo apsa výslede ve apř varu E ± e0 Pa z důvodu oho že dosáhe všší přesos měřeí dž uvede všech cr eré se mu objevl a alulačce ebo a počíač oho bohužel musím zlama jelož žádé přesos eprospěl ale aopa výslede udělal velm epřehledým Problém je v om že chba měřeí je jž v řádu e0 Pa a udíž emá vůbec žádý smsl uvádě žší řád Přdáme-l ož apřílad jedu další hodou modulu pružos erá se eparě lší od osaích apř v řádu Pa poom zísáme v řádu e0 Pa sejou hodou ale v řádu Pa a žších obdržíme úplě já čísla ež jsme měl v původím výsledu Sejě a u výsledé hodo modulu pružos uvádíme pouze hodou do řádu ve erém se vsuje chba Uváděí dalších deseých mís ve výsledu je aproso zbečé a čeho se ím edosáhe

17 3 Meoda posupých měřeí Podsaa éo měřící meod záleží a počeím zpracováváí prováděého měřeí Je vhodě použelá pro měřeí ějaé zálí velč eré se ěolrá opauje a o aovým způsobem že jedolvé měřící ro a sebe avazují j další měřeí začíáme pro sejé hodo erým sočlo předchozí měřeí Téo meod se dá s výhodou použí apř př opaovaém měřeí dob perodcých dějů dob vu oáče ad př měřeí ploch plamerem apod Způsob měřeí s můžeme osvěl a ázorém příladě měřeí dob vu vadla Počáečí čas saovíme a a měříme dobu apř vžd po 0 vech vadla erval po erém měříme dobu vu b měl bý vžd daleo věší ežl chba měřeí času δ ja bchom mohl dosa aproso zehodoceé výsled Provedeme-l oo měřeí posupě -rá poom rozdíl mez jedolvým po sobě jdoucím hodoam měřeého času 0 dávají celem hodo Kdbchom jao ejpravděpodobější hodou ohoo času vzal armecý průměr měřeých rozdílů dosal bchom 0 [ 0 + +! + ] Výslede je ed rove -ě rozdílu posledího a prvího časového oamžu a a všech osaích měřeích je zcela ezávslý Pro dosažeí sejého výsledu b ám ed sačlo pouze urč počáečí časový oamž a poé změř 0 vů vadla Jeslže ed budeme posupova př měřeí podle předchozího vzahu poom všech mezhodo budou aproso zbečé Opro právě popsaému posupu měřeí d evužjeme věšu aměřeých hodo meoda posupých měřeí aopa o hodo použje pro zísáí výsledu V meodě posupých měřeí je ué ab celový poče rozdílů posupě měřeých hodo bl sudý j b mělo bý lché poud počáečí měřeí má de 0 Tao měřeí pa rozdělíme a dvě polov sejého poču a uvoříme rozdíl vžd odpovídajících měřeí v obou supách Obsahuje-l aždá supa + měřeých hodo poom aždý z ásledujících rozdílů! 0 + -ásobou hodou měřeých 0 vů vadla V armecém průměru ao vvořeých rozdílů je rovoměrě vužo všech aměřeých hodo ale žádá z ch se eopauje Děleím průměru všech rozdílů jejch počem dosaeme hledaou sředí hodou měřeé velč jčasu dese vů jež je odvozea ze všech + hodo a plaí [ 0 ] + + +! + Rozpl měřeých hodo se vpoče z rozplu průměru děleím číslem j plaí

18 [ ] 0 +! V ásledující abulce je přehledě zázorěo schéma zpracováí výsledů měřeí meodou posupých měřeí Celem provedeo měřeí je lché Pořadí supa supa 0 + Rozdíl 0 Rozdíl Předchozí výsled pro sředí hodou a rozpl měřeé velč a můžeme psá přehleděj v ásledující ormě

19 4 Apromace aměřeých da pomocí meod ejmeších čverců ejprve bude podáa obecá eore leárí meod ejmeších čverců jež bude posupě zjedodušea a ěeré jedoduché a výzamé případ Jeslže měříme ějaou velču jež je ucí více proměých! zísáme dsréí aměřeé dvojce hodo Tao daa je časo pořebé apromova ějaou aalcou učí závslosí V obecém případě leárí meod ejmeších čverců lze uo závslos zapsa jao leárí ombac M lbovolě zvoleých ucí g j můžeme psá obecý model ásledově M am ag ˆ a! Fucí g se éž ěd azývají bázové uce a mohou bý ldě eleárí avša leara modelu vplývá ze závslos modelu v paramerech a Ke zjšěí paramerů a avržeého apromačího modelu pro daá daa a zjšťováí jeho val se používá ásledující uce azývaá éž chí vadrá χ ˆ a! a M de jsou aměřeé hodo zoumaé velč v bodě je poče měřeí a je směrodaá odchla respchba měřeí v -ém daovém bodě O éo odchlce se předpoládá že je předem záma a poud eí záma a může bý pro všecha daa položea Z eore meod ejmeších čverců je zámo že jao paramer jež ejvhoděj apromují zadaá daa musíme zvol paramer a eré mmalzují uvedeou uc χ Provedeme-l dervac uce χ podle jedolvých paramerů a poom dosaeme zvormálí rovce ve varu M 0 ajg j g! M j echť A je mace o rozměrech M erá je vvořea z aměřeých da ásledujícím způsobem Pro jedolvé prv mace plaí A j g j Podobě deujme veor b jež má délu a veor paramerů a ozačme jao a Pro prv veoru b plaí b ormálí rovce jež bl odvoze můžeme velm elegaě přepsa pomocí zavedeých mac a veorů do varu T T A A a A b

20 T Lze doáza že verzí mace mac sousav ormálích rovc C A A úzce souvsí s ejsoou odhadu paramerů modelu a Rozpl odhaduých paramerů daého modelu je poé a j C jj de C jj je prve mace C ormálí rovce se obvle řeší ěerou z umercých meod leárí algebr V ěerých případech se může sá že mace sousav ormálích rovc je špaě podmíěá poom pro řešeí musíme použí jé umercé meod Jao velm zjedodušeý leárí apromačí model zde bude uvedeo proložeí aměřeých da přímou Dále předpoládejme že pro všech bod měřeí plaí j u všech aměřeých hodo předpoládáme sejé rozděleí chb měřeí Měříme-l ed ějaou velču jež je ucí jedé proměé poom dosaeme možu aměřeých dvojc aměřeou závslos chceme apromova leárím modelem přímou ve varu ˆ ˆ a b a + b de a a b jsou ezámé paramer éo uce Teo problém se aé časo azývá leárí regrese Abchom mohl ají ejlepší odhad paramerů a a b musíme mmalzova ásledující uc χ vzhledem hledaým paramerům χ ˆ a b Jeslže ed provedeme dervace éo uce podle paramerů poom dosaeme ásledující dvě ormálí rovce χ 0 [ a + b ] a [ a + b ] a χ 0 b Poud s í ozačíme ěeré souč v ěcho rovcích jao S S S S poom lze ormálí rovce jedoduchým způsobem zapsa as a + bs + bs S S Z éo sousav jž velm sado spočíáme apř pomocí Cramerova pravdla ezámé paramer a a b Dosáváme D S S SS SS a D S SS b D

21 Uvedeá meoda leárí regrese je éž vhodá pro apromac da jým model ež pouze přímou Obecě lze vuží předcházející rovce apromac da ve varu ˆ ˆ α β α + β de je zámá uce ezávslé proměé Položíme-l v předcházejícím případu leárí regrese poom je úloha převedea a apromac regresí přímou ejčasějším případ apromujících závslosí jsou: ˆ α + β log > 0 r ˆ α + β ˆ α + β ep

22 Leraura: [] Horá ZKrupa F Šdelář V: Techcá za STL Praha 96 [] Horá Z: Pracá za STL Praha 958 [3] Brož J a ol: Zálad zálích měřeí I SP Praha 967 [4] Press WH Teuols SA Veerlg WTFlaer BP: umercal Recpes C The Ar o Scec Compug Cambrdge Uvers Press Cambrdge 99 [5] Reors K a ol: Přehled užé maema Promeheus Praha 995

2. Vícekriteriální a cílové programování

2. Vícekriteriální a cílové programování 2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě

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

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =

Více

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor 1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců

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

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

Křivky 2D. Klasifikace křivek (1) Klasifikace křivek (2) Navazování a spojitost křivek. Přednáška 8

Křivky 2D. Klasifikace křivek (1) Klasifikace křivek (2) Navazování a spojitost křivek. Přednáška 8 Předáš 8 Křv D Žár, J., Beeš, B., Felel, P. Moderí počíčová grf. Compuer Press, Bro, 998. ISBN 8-76-49-9. Cee, P. Počíčová grf. Srp Uverz Prdubce, 999. ISBN 8-794-9-4. Klsfce řve ( Podle prosoru D D Podle

Více

8.1.2 Vzorec pro n-tý člen

8.1.2 Vzorec pro n-tý člen 8 Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým příladům z IQ testů, teré studeti zají

Více

NEPARAMETRICKÉ METODY

NEPARAMETRICKÉ METODY NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost

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

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

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

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

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

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

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

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

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Teováí hypoéz PRAVDĚPODOBNOST A STATISTIKA SP Teováí hypoéz Teováí hypoéz Nechť je áhodá proměá, kerá má diribučí fukci Fx, ϑ. Předpokládejme, že záme var diribučí fukce víme jaké má rozděleí a ezáme

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

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 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

Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE. Tomáš Hanzák

Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE. Tomáš Hanzák Uiverzia Karlova v Praze Maemaico-fziálí faula DIPLOMOVÁ PRÁCE omáš Hazá Deompozičí meod pro časové řad s epravidelě pozorovaými hodoami Kaedra pravděpodoosi a maemaicé saisi Vedoucí diplomové práce :

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

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

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

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

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y

L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.

Více

6 Algoritmy ořezávání a testování polohy

6 Algoritmy ořezávání a testování polohy 6 lgorim ořezáváí a esováí poloh Sudijí íl Teo blok je věová problemaie vzájemé poloh grafikýh primiiv, zejméa poloze bodu vzhledem k mohoúhelíku včeě jedolivýh speifikýh varia jako jsou čřúhelík, jehož

Více

Úvod do korelační a regresní analýzy

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

Více

Téma 5: Analýza závislostí

Téma 5: Analýza závislostí Aalýza závlotí Téma 5: Aalýza závlotí Předáša 5 Závlot mez ev Záladí pom Předmětem této aptol ude zoumáí závlotí ouvlotí mez dvěma a více ev. Jedá e o proutí do vztahů mez ledovaým ev a tím přlížeí tzv.

Více

1.6. Srovnání empirických a teoretických parametrů (4.-5.předn.)

1.6. Srovnání empirických a teoretických parametrů (4.-5.předn.) .6. rováí empirických a eoreických paramerů (4.-5.před.) Cíle: - pravděpodobosí zkoumáí výběrového saisického souboru: kvaifikace eoreických paramerů, srováí eoreických a empirických paramerů (Probable

Více

Investiční činnost. Existují různá pojetí investiční činnosti: Z pohledu ekonomické teorie. Podnikové pojetí investic

Investiční činnost. Existují různá pojetí investiční činnosti: Z pohledu ekonomické teorie. Podnikové pojetí investic Ivesičí čios Exisují růzá pojeí ivesičí čiosi: Z pohledu ekoomické eorie Podikové pojeí ivesic Klasifikace ivesic v podiku 1) Hmoé (věcé, fyzické, kapiálové) ivesice 2) Nehmoé (emaeriálí) ivesice 3) Fiačí

Více

6. KOMBINATORIKA 181. 6.1. Základní pojmy 181 6.1.1. Počítání s faktoriály a kombinačními čísly 182. 6.2. Variace 184. 6.3.

6. KOMBINATORIKA 181. 6.1. Základní pojmy 181 6.1.1. Počítání s faktoriály a kombinačními čísly 182. 6.2. Variace 184. 6.3. Zálady matematiy Kombiatoria. KOMBINATORIKA 8.. Záladí pojmy 8... Počítáí s fatoriály a ombiačími čísly 8.. Variace 8.. Permutace 85.. Kombiace 87.5. Biomicá věta 89 Úlohy samostatému řešeí 9 Výsledy úloh

Více

2. TEORIE PRAVDĚPODOBNOSTI

2. TEORIE PRAVDĚPODOBNOSTI . TEORIE PRAVDĚPODOBNOSTI V prax se můžeme setat s dvojím typem procesů. Jeda jsou to procesy determstcé, u terých platí, že př dodržeí orétích vstupích podmíe obdržíme přesý, předem zámý výslede (te můžeme

Více

Ekonomika podniku. Katedra ekonomiky, manažerství a humanitních věd Fakulta elektrotechnická ČVUT v Praze. Ing. Kučerková Blanka, 2011

Ekonomika podniku. Katedra ekonomiky, manažerství a humanitních věd Fakulta elektrotechnická ČVUT v Praze. Ing. Kučerková Blanka, 2011 Evropský socálí fod Praha & EU: Ivesujee do vaší budoucos Ekooka podku aedra ekooky, aažersví a huaích věd Fakula elekroechcká ČVUT v Praze Ig. učerková Blaka, 20 Úrokový poče, základy fačí aeaky (BI-EP)

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

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

Statistická rozdělení

Statistická rozdělení Úvod Statstcá rozděleí Václav Adamec vadamec@medelu.cz Náhodá proměá: matematcá velča, jejíž hodot osclují. Produt áhodého procesu lze charaterzovat fucí Hodot proměé v oboru přípustých hodot Rozděleí

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

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

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

Statistické charakteristiky (míry)

Statistické charakteristiky (míry) Stattcé charaterty (míry) - hrují formac, obažeou v datech (vyjadřují j v ocetrovaé formě); - charaterzují záladí ryy zoumaého ouboru dat; - umožňují porováváí více ouborů. upy tattcých charatert :. charaterty

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

FINANČNÍ MATEMATIKA- SLOŽENÉ ÚROKOVÁNÍ

FINANČNÍ MATEMATIKA- SLOŽENÉ ÚROKOVÁNÍ Projek ŠABLONY NA GVM Gymázium Velké Meziříčí regisračí číslo projeku: CZ..7/../.98 IV- Iovace a zkvaliěí výuky směřující k rozvoji maemaické gramoosi žáků sředích škol FINANČNÍ MATEMATIA- SLOŽENÉ ÚROOVÁNÍ

Více

Úvod do analýzy časových řad

Úvod do analýzy časových řad Úvod do aalýz časových řad Doc.Ig. Jaa Hačlová, CSc. Kaedra maemaických meod v ekoomice Ig. Lubor Tvrdý Kaedra regioálí ekoomik Ekoomická fakula, VŠB-TU Osrava Osrava, 003 - - Úvod do aalýz časových řad

Více

Úvod do zpracování měření

Úvod do zpracování měření Úvod do zpracováí měřeí Teore chb Opakujeme-l měřeí téže fzkálí velč za stejých podmíek ěkolkrát za sebou, dostáváme zpravdla růzé hodot. Měřeé velčě přísluší však jedá správá hodota. Každou odchlku aměřeé

Více

DISKRÉTNÍ MATEMATIKA II

DISKRÉTNÍ MATEMATIKA II Faulta pedagogcá Techcá uverzta v Lberc DISKRÉTNÍ MATEMATIKA II Doc. RNDr. Mroslav Koucý CSc. Lberec 4 Úvod Dsrétí ateata resp. její zálady patří jž tradčě ez stadardí téata předášeá a Techcé uverztě v

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

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

3. cvičení 4ST201 - řešení

3. cvičení 4ST201 - řešení cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 - řešeí Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry

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

Univerzita Tomáše Bati ve Zlíně

Univerzita Tomáše Bati ve Zlíně Unverza Tomáše Ba ve Zlíně ABOATONÍ VIČENÍ EEKTOTEHNIKY A PŮMYSOVÉ EEKTONIKY Název úlohy: Zpracoval: Měření čnného výkonu sřídavého proudu v jednofázové sí wamerem Per uzar, Josef Skupna: IT II/ Moravčík,

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

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

Více

5 DISKRÉTNÍ ROZDĚLENÍ PRAVDĚPODOBNOSTI. Čas ke studiu kapitoly: 120 minut. Cíl: Po prostudování tohoto odstavce budete umět:

5 DISKRÉTNÍ ROZDĚLENÍ PRAVDĚPODOBNOSTI. Čas ke studiu kapitoly: 120 minut. Cíl: Po prostudování tohoto odstavce budete umět: 5 DISKRÉTNÍ ROZDĚLENÍ RAVDĚODOBNOSTI Čas e sudiu aioly: 0 miu Cíl: o rosudováí ohoo odsavce budee umě: charaerizova hyergeomericé rozděleí charaerizova Beroulliho ousy a z ich odvozeé jedolivé yy disréích

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

OBJEKTOVÁ ALGEBRA. Zdeněk Pezlar. Ústav Informatiky, Provozně-ekonomická fakulta MZLU, Brno, ČR. Abstrakt

OBJEKTOVÁ ALGEBRA. Zdeněk Pezlar. Ústav Informatiky, Provozně-ekonomická fakulta MZLU, Brno, ČR. Abstrakt OBEKTOVÁ ALGEBRA Zdeěk Pezlar Úsav Iformaiky, Provozě-ekoomická fakula MZLU, Bro, ČR Absrak V objekovém modelu da defiujeme objekové schéma (řídu) jako čveřici skládající se ze jméa řídy, aribuů, domé

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n

základním prvkem teorie křivek v počítačové grafice křivky polynomiální n Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky

Více

TESTOVÁNÍ a DIAGNOSTIKA VÝROBNÍCH STROJŮ I

TESTOVÁNÍ a DIAGNOSTIKA VÝROBNÍCH STROJŮ I ESOVÁNÍ a DIAGNOSIKA VÝROBNÍCH SROJŮ I Leraura: Skra: Zdeěk Vorlíček: Solehlvos a dagoska výrobích srojů ČVU Praha 99 Vorlíček, Rudolf: Dagoska VS ČVU Praha 98 Ka.. Úvod: Proč se zabýváme esováím a dagoskou

Více

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti

Aritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti 8 Aritmetická posloupost, posloupost rostoucí a klesající Poslouposti Posloupost je fukci s defiičím oborem celých kladých čísel - apř.,,,,,... 3 4 5 Jako fukci můžeme také posloupost zobrazit do grafu:

Více

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.

Náhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů. Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího

Více

Úvod do analýzy časových řad

Úvod do analýzy časových řad Úvod do aalýzy časových řad Obsah Úvod... Teoreické základy pro aalýzu časových řad.... Základí pojmy..... Druhy časových řad..... Grafická aalýza.....3 Popisé charakerisiky... 4. Základí úpravy časových

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

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

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

9 Kombinatorika, teorie pravděpodobnosti a matematická statistika

9 Kombinatorika, teorie pravděpodobnosti a matematická statistika 9 Kombatora, teore pravděpodobost a matematcá statsta Te, do argumetue průměrým platem, e s velou pravděpodobostí vysoce adprůměrý vůl s hluboce podprůměrým vzděláím (Mloslav Drucmüller) 9. Kombatora Kombatora

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

3. Charakteristiky a parametry náhodných veličin

3. Charakteristiky a parametry náhodných veličin 3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo

Více

Číslo materiálu VY_32_INOVACE_CTE_2.MA_17_Klopné obvody RS, JK, D, T. Střední odborná škola a Střední odborné učiliště, Dubno Ing.

Číslo materiálu VY_32_INOVACE_CTE_2.MA_17_Klopné obvody RS, JK, D, T. Střední odborná škola a Střední odborné učiliště, Dubno Ing. Číslo projeku CZ..7/.5./34.58 Číslo maeriálu VY_32_INOVACE_CTE_2.MA_7_Klopé obvody RS, JK, D, T. Název školy Auor Temaická oblas Ročík Sředí odborá škola a Sředí odboré učilišě, Dubo Ig. Miroslav Krýdl

Více

IAJCE Přednáška č. 12

IAJCE Přednáška č. 12 Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích

Více

2.4. INVERZNÍ MATICE

2.4. INVERZNÍ MATICE 24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:

Více

Úloha II.S... odhadnutelná

Úloha II.S... odhadnutelná Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí

Více

Úhrada za ústřední vytápění bytů V

Úhrada za ústřední vytápění bytů V Úhrada za úsřdí vyápěí byů V Aoa osldí z sér čláků o poměrovém měří pojdává o vzahu poměrového a zv. absoluího měří pla, a poukazuj a další, zaím méě zámou možos využí poměrovýh dkáorů VIA, krou j korola

Více

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý

Více

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN

OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,

Více

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

Seznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat. 4 Inegrace subsiucí 4 Inegrace subsiucí Průvodce sudiem Inegrály, keré nelze řeši pomocí základních vzorců, lze velmi časo řeši subsiuční meodou Vzorce pro derivace elemenárních funkcí a věy o derivaci

Více

Parciální diferenciální rovnice. Dirichletova úloha pro Laplaceovu (Poissonovu) rovnici Rovnice vedení tepla

Parciální diferenciální rovnice. Dirichletova úloha pro Laplaceovu (Poissonovu) rovnici Rovnice vedení tepla arálí dereálí rove Drleova úloa ro Lalaeov ossoov rov Rove vedeí ela Vlová rove Klasae leárí arálí dereálí rov.řád d ě ý ve dvo roměý V oblas Ω E de a b d e a g jso sojé je dáa rove ro [ ] Ω oložíme g

Více

ÚVOD DO DYNAMIKY HMOTNÉHO BODU

ÚVOD DO DYNAMIKY HMOTNÉHO BODU ÚVOD DO DYNAMIKY HMOTNÉHO BODU Obsah Co je o dnamika? 1 Základní veličin dnamik 1 Hmonos 1 Hbnos 1 Síla Newonov pohbové zákon První Newonův zákon - zákon servačnosi Druhý Newonův zákon - zákon síl Třeí

Více

Obyčejné diferenciální rovnice. Cauchyova úloha Dirichletova úloha

Obyčejné diferenciální rovnice. Cauchyova úloha Dirichletova úloha Občejé erecálí rovce Caucova úloa Drcletova úloa Občejé erecálí rovce - Caucova úloa Úlo: I. = s omíou = jea rovce. řáu II. soustava rovc. řáu III. = - jea rovce -téo řáu = = = - = - Hleáme uc res. uce

Více

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení.

- metody, kterými lze z napozorovaných hodnot NV získat co nejlepší odhady neznámých parametrů jejího rozdělení. MATEMATICKÁ STATISTIKA - a základě výběrových dat uuzujeme a obecější kutečot, týkající e základího ouboru; provádíme zevšeobecňující (duktví) úudek - duktví uuzováí pomocí matematcko-tattckých metod je

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

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

Elementární zpracování statistického souboru

Elementární zpracování statistického souboru Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

Souhrn vzorců z finanční matematiky

Souhrn vzorců z finanční matematiky ouh zoců z fčí ey Jedoduché úočeí polhůí předlhůí loí yádřeí Výpoče úou Výpoče úou poocí úooé szby Výpoče úou poocí úooých čísel úooých dělelů Výpoče úou součoý zoce oečý pál př edoduché polhůí úočeí oečý

Více

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( ) DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce

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

3. cvičení 4ST201. Míry variability

3. cvičení 4ST201. Míry variability cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry varablty

Více

3. Sekvenční obvody. b) Minimalizujte budící funkce pomocí Karnaughovy mapy

3. Sekvenční obvody. b) Minimalizujte budící funkce pomocí Karnaughovy mapy 3.1 Zadáí: 3. Sekvečí obvody 1. Navrhěte a realizujte obvod geerující zadaou sekveci. Postupujte ásledově: a) Vytvořte vývojovou tabulku pro zadaou sekveci b) Miimalizujte budící fukce pomocí Karaughovy

Více

ZÁKLADNÍ TYPY DŮKAZŮ, MATEMATICKÁ INDUKCE

ZÁKLADNÍ TYPY DŮKAZŮ, MATEMATICKÁ INDUKCE Projekt ŠABLONY NA GVM Gymázium Velké Meziříčí registračí číslo projektu: CZ07/500/098 IV- Iovace a zkvalitěí výuky směřující k rozvoji matematické gramotosti žáků středích škol ZÁKLADNÍ TYPY DŮKAZŮ, MATEMATICKÁ

Více

13 Popisná statistika

13 Popisná statistika 13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu

Cvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia

Více

3. POJIŠTĚNÍ OSOB (ŽIVOTNÍ POJIŠTĚNÍ)

3. POJIŠTĚNÍ OSOB (ŽIVOTNÍ POJIŠTĚNÍ) 3. POJIŠTĚÍ OSOB (ŽIVOTÍ POJIŠTĚÍ) 3.. EMOELOVÝ PŘÍSTUP 3... ekremeí řád vymíráí populace Úmrosí abulky a) Smr je áhodým jevem, kerý se pojišťuje pro účely ŽP sačí pracova s průměrými hodoami záko velkých

Více

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)

Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika) Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad.

Více