Zákony hromadění chyb.
|
|
- Šimon Ovčačík
- před 8 lety
- Počet zobrazení:
Transkript
1 Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky a kartografie. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 1 / 27
2 Obsah přednášky 1 Chyby a jejich dělení 2 Zákon hromadění náhodných chyb 3 Zákon hromadění skutečných chyb 4 Zákon hromadění středních chyb Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 2 / 27
3 1. Úvod V přírodních vědách nás zajímají jak kvalitativní tak kvantitativní charakteristiky. Kvantitativní charakteristiky zpravidla určovány měřením: délka, úhel, čas, odrazivost... Při opakovaném měření získáme různý výsledek rušivé vlivy. Zvýšení přesnosti: lepší metodika, přesnější přístroj, snížení vlivu okolních chyb. Výsledek měření náhodnou veličinou. Cílem vyrovnání nalezení nejspolehlivější hodnoty (střední hodnota) a stanovení meze spolehlivosti (chyba). Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 3 / 27
4 Chyby a jejich dělení 2. Veličina a její chyba Přibližná x (měřená) a skutečná X (neznámá) Skutečná chyba ε ε = X x ε > X > x ε < X < x. Určení skutečné hodnoty X = x + ε. Odhad skutečné chyby ε x ε = X x ε x. Platí x ε X X x+ε x X = x ± ε x. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 4 / 27
5 Chyby a jejich dělení 3. Veličina a její chyba Jedno měření = žádné měření Skutečná chyba Skutečná hodnota x 1 = X ε 1, x 2 = X ε 2,..., x n = X ε n ε i = X x i. (1) X = x i + ε i. X nebývá známa, místo ní zavádíme vyrovnanou hodnotu x. Oprava Relativní chyba v i = x x i. (2) ε r = ε X. (3). Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 5 / 27
6 Chyby a jejich dělení 4. Typy chyb Existují čtyři základní skupiny chyb: 1 Omyly Špatná metodika, nesprávný postup, omyl. 2 Hrubé chyby Měření za nepříznivých okolností. Odstranění opakovaným měřením, možno detekovat v datech. Každá metoda a postup má stanovenu přesnost: chyby v mezích jsou nevyhnutelné, nad tyto meze hrubé. 3 Náhodné chyby Náhodné hodnoty, vzájemně nezávislé. 4 Systematické chyby c Podobné hodnoty, vzájemně závislé. Náhodné a systematické chyby patří mezi nevyhnutelné chyby, nelze je eliminovat žádnou měřickou technikou. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 6 / 27
7 Chyby a jejich dělení 5. Náhodné a systematické chyby Náhodné chyby Náhodný charakter, proměnlivé za stejných podmínek, stejné metodice. Vzájemně nezávislé, nelze jejich hodnoty předvídat. E( ) =. Systematické chyby c Nabývají podobných hodnot, ovlivněny nějakým faktorem v podobné míře. Mají stejnou systematickou složku, vzájemně závislé (korelované). Konstantní: stejná velikost a znaménko, nelze vyloučit měřením/výpočtem: x 1 = X c, x 2 = X c,..., x n = X c Proměnlivé: Hodnoty rámcově proměnlivé, avšak nikoliv zcela náhodné, E(c) = c. Skutečná chyba ε i = i + c i. (4) Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 7 / 27
8 Zákon hromadění náhodných chyb 6. Zákon hromadění náhodných chyb Náhodné chyby jednotlivě nepodléhají zákonitostem, jako celek pro ně platí pravidla jako u náhodných jevů. Tři Gaussovy zákonitosti: Z1: Malé chyby se vyskytují častěji než velké chyby. Z2: Chyby nad určitou mez se nevyskytují. Z3: Pravděpodobnost vzniku kladné/záporné chyby je stejná. Elementární chyba δ Náhodná chyb vzniká lineární kombinací většího počtu elementárních chyb δ různé velikosti, jejichž znaménko je náhodné (sečtou se či odečtou). Velká chyba: střet elementárních chyb s kladnými znaménky. Malá chyba: střet elementárních chyb s různými znaménky. m ε = δ j. (5) Veličina x i = X ε i, ε i = j=1 m m δ j,i x i = X j=1 Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 8 / 27 j=1 δ j,i
9 Zákon hromadění náhodných chyb 7. Ukázka rozložení chyb Tomáš Bayer (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a kartogra 9 / 27
10 Zákon hromadění náhodných chyb 8. Základní soubor a rozložení chyb Veličinu X určujeme z konečného počtu měření tvořící aproximaci základního souboru. Rozložení hodnot přibližně odpovídá Gaussovu rozdělení. Střední hodnoty chyb a veličin Předpoklad působení náhodných chyb E(δ) =, E(ε) =, E(x) = X. (6) n i=1 lim ε i n n i=1 =, lim x i n = X. Předpoklad působení systematických chyb n i=1 lim ε i n n i=1 = c, lim x i n = X c. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a1 kartogra / 27
11 Zákon hromadění náhodných chyb 9. Ukázka polohy c: systematické chyby Tomáš Bayer (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a11 kartogra / 27
12 Zákon hromadění náhodných chyb 1. Přesnost veličiny X Hodnotu veličiny X lze odhadnout (měřit) různými metodami s různými hodnotami elementární chyby. Každou z metod lze charakterizovat různým souborem hodnot ε i. Za přesnější označujeme takovou metodu, která má vůči jiné metodě menší rozptyl x i kolem střední hodnoty. Hodnotu rozptylu lze měřit střední chybou σ, σ 2 = V (x). průměrnou chybou, pravděpodobnou chybou. Variance V (x) Druhý centrální moment V (x) = E(x E(x)) 2 = E( 2 ) = σ 2. U skutečných chyb definujeme základní střední (kvadratickou) chybu m m 2 = E(x X) 2 = E(ε 2 ) m = E(ε 2 ). Mocnina základní střední chyby je střední hodnota ze čtverce skutečné chyby. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a12 kartogra / 27
13 Zákon hromadění náhodných chyb 11. Vlastnosti základní střední chyby Charakterizuje soubor hodnot jako celek, hodnotí jeho přesnost. Čím větší hodnota m, tím menší přesnost. Platí i při výskytu systematických chyb, bývá nazývána úplnou variancí. Pozor: E( 2 ) E(ε 2 ) E(ε 2 ) = E(( + c) 2 ) = E( c + c 2 ) Pak Platí E(ε 2 ) = E( 2 ) + 2E( )E(c) + E(c 2 ) m 2 = σ 2 + c 2. (7) Základní střední chyba obsahuje vliv náhodné i systematické složky. Čtverec základní střední chyby je součtem čtverců variance a střední hodnoty systematické složky (poloha centra). Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a13 kartogra / 27
14 Zákon hromadění náhodných chyb 12. Další charakteristiky přesnosti Empirická střední chyba m Náhodná veličina, spočtená z konečného souboru n měření. Odmocnina z průměrné hodnoty čtverce chyb n i=1 m = ε2 i. (8) n Mezní chyba ε α Největší přípustná chyba. Volena jako 2-3 násobek základní střední chyby (do intervalu padne 95% měření). ε α 2m, 3m. (9) Průměrná chyba v První moment, průměrná hodnota absolutní chyby. v = E( ε ). (1) Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a14 kartogra / 27
15 Zákon hromadění skutečných chyb 13. Zákon hromadění skutečných chyb Ukazuje vliv chyb vstupních veličin na jejich funkce. Jeho znalost umožňuje volit metody a přístroje poskytující výsledek s požadovanou přesností. Předpoklad: chyby vstupních veličin vzájemně nezávislé. Dána: Funkce f n proměnných x 1, x 2,..., x n, diferencovatelná, spojitá y = f (x 1, x 2,..., x n ). Vstupní chyby argumentů ε 1, ε 2,..., ε n. Hledáme: Chybu funkce ε f. Odvození diferenciálem nebo Taylorovým rozvojem. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a15 kartogra / 27
16 Zákon hromadění skutečných chyb 14. Odvození zákonu hromadění skutečných chyb Platí f + ε f = f (x 1 + ε 1, x 2 + ε 2,..., x n + ε n ) Taylorův rozvoj, neuvažujeme chyby vyšších řádů, existence derivací f + ε f = f (x 1, x 2,..., x n )/ + / ε 1 + / ε / ε n + R 2 x 1 x 2 x n Pak ε f = / x 1 Zákon hromadění skutečných chyb: n / ε f = x i ε 1 + / ε / ε n + R 2 x 2 x n i=1 ε i. (11) Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a16 kartogra / 27
17 Zákon hromadění skutečných chyb 15. Varianta: levá strana také funkcí Složitější případ, levá strana vztahu též funkcí Pak f + g / g(f ) = f (x 1, x 2,..., x n). ε f = f (x 1, x 2,..., x n)/ + / ε 1 + / ε / ε n + R 2. x 1 x 2 x n Modifikovaná varianta zákona hromadění skutečných chyb Použití: kosínová věta ε f = 1 / g c = a 2 + b 2... ε c = 1 2 (...) 1/2 ε a +... n i=1 c 2 = a 2 + b 2... ε c = 1 [(2a +...)εa c / ε i. (12) x i Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a17 kartogra / 27
18 Zákon hromadění skutečných chyb 16. Obrácená úloha Určení skutečných chyb argumentů tak, aby chyba funkce nepřekročila za danou hodnotu. Chyby vstupních hodnot opět nezávislé. Rovnice o více proměnných, lze řešit pouze při stanovení vhodných počátečních podmínek. Dána: Funkce f n proměnných x 1, x 2,..., x n, diferencovatelná, spojitá y = f (x 1, x 2,..., x n). Chyba funkce ε f. Hledáme: Chyby argumentů ε 1, ε 2,..., ε n. Dvě základní varianty: Princip stejného vlivu, Rovnost odhadu absolutních chyb. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a18 kartogra / 27
19 Zákon hromadění skutečných chyb 17. Princip stejného vlivu Platí ε f = / x 1 ε 1 + / ε / ε n x 2 x n Podmínka: jednotlivé členy rozvoje se uplatní stejnou hodnotou / ε 1 = / ε 2 =... = / ε n. x 1 x 2 x n Pak Výsledný vztah ε f = n / ε i. x i ε i = ε f n x i /. (13) V některých případech nelze použít, příliš vysoké požadavky přesnosti na argumenty. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a19 kartogra / 27
20 Zákon hromadění skutečných chyb 18. Rovnost odhadu absolutních chyb Předpokládáme, že všechny argumenty mají být určeny se stejnou hodnotou skutečné chyby. Vliv jednotlivých členů bude různý. Podmínka ε 1 = ε 2 =... = ε n = ε. Pak Výsledný vztah ε f = ε( / + / x 1 x 2 n / ε f = ε x i i=1 ε =. n i=1 ε f x i / / ). x n. (14) Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a2 kartogra / 27
21 Zákon hromadění středních chyb 19. Zákon hromadění středních chyb Skutečné chyby v praxi nebývají, na rozdíl od středních chyb, známy. Předpoklady: Sudé rozdělení pravděpodobnosti, E(ε i ) = Chyby jsou vzájemně nezávislé. Funkce jsou spojité a diferencovatelné. Dána: Funkce f n proměnných x 1, x 2,..., x n, diferencovatelná, spojitá y = f (x 1, x 2,..., x n). Vstupní chyby argumentů m 1, m 2,..., m n. Hledáme: Chybu funkce m f. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a21 kartogra / 27
22 Zákon hromadění středních chyb 2. Odvození zákona hromadění středních chyb (1/2) Vyjdeme ze vztahu ε f = Umocníme na druhou a přeuspořádáme / ε 1 + / ε / ε n. x 1 x 2 x n ε f ε f = ( / ) 2 ( / ) 2 ( / ) ε 1 + ε ε n + 2 x 1 x 2 x n +2 / / / ε 1 ε 2... ε n +... x 1 x 2 x n Aplikujeme E E(ε f ε f ) = E [ ( / x 1 / 2E( x 1 ) ] 2 ε 1 + E / ε 1 )E( x 2 [ ( / ) ] [ 2 ( / ε E x 2 x n ε 2 )...E( / ε n) +... x n ) ] 2 ε n Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a22 kartogra / 27
23 Zákon hromadění středních chyb 21. Odvození zákona hromadění středních chyb (2/2) Platí Všechny smíšené členy vypadnou. Pak ( / m 2 f = x 1 m 2 i = E(ε 2 i ) E(ε i ) =. ) 2 ( / ) 2 ( / ) 2 m 1 + m m n +. x 2 x n Zákon hromadění středních chyb m 2 f = n ( / i=1 x i m i ) 2 (15) Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a23 kartogra / 27
24 Zákon hromadění středních chyb 22. Varianta: levá strana také funkcí (1/2) Složitější případ, levá strana vztahu též funkcí Pak g(f ) = f (x 1, x 2,..., x n). ( / ) g 2 ε f = ( / ) 2 ( / ) 2 ( / ) ε 1 + ε ε n + x 1 x 2 x n +2 / / / ε 1 ε 2... ε n +... x 1 x 2 x n Aplikace střední hodnoty E [ ( / ) ] g 2 ε f = E [ ( / x 1 / +2E( x 1 ) ] 2 ε 1 + E ε 1 )E( x 2 [ ( / ) ] [ 2 ( / ε E x 2 x n / ε 2 )...E( / ε n) +... x n ) ε n Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a24 kartogra / 27
25 Zákon hromadění středních chyb 23. Varianta: levá strana také funkcí (2/2) Pak m 2 f ( / ) g 2 ε f = ( / ) 2 ( / m 1 + x 1 x 2 ( / ) m n. x n m 2 ) Modifikovaná varianta zákona hromadění středních chyb m 2 f = ( g 1 n ( / / ) 2 ε x i f i=1 m i ) 2 (16) Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a25 kartogra / 27
26 Zákon hromadění středních chyb 24. Obrácená úloha Určení skutečných chyb argumentů tak, aby chyba funkce nepřekročila za danou hodnotu. Dána: Funkce f n proměnných x 1, x 2,..., x n, diferencovatelná, spojitá y = f (x 1, x 2,..., x n). Chyba funkce m f. Hledáme: Chyby argumentů m 1, m 2,..., m n. Dvě základní varianty: Princip stejného vlivu, Rovnost odhadu absolutních chyb. Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a26 kartogra / 27
27 Zákon hromadění středních chyb 25. Princip stejného vlivu Jednotlivé členy mají stejný vliv ( / x 1 ) 2 ( / m 1 = x 2 ) 2 ( / m 2 = x n m n ) 2 Pak Výsledný vztah ( / ) 2 m 2 f = n m i x i m i = m f. (17) n x i / Tomáš Bayer bayertom@natur.cuni.cz (PřírodovědeckáZákony fakultahromadění Univerzity Karlovy chyb. v Praze, Katedra aplikované geoinformatiky a27 kartogra / 27
SYLABUS PŘEDNÁŠKY 11 Z GEODÉZIE 1 (Hodnocení přesnosti měření a vytyčování) 1. ročník bakalářského studia studijní program G studijní obor G
SYLABUS PŘEDNÁŠKY 11 Z GEODÉZIE 1 (Hodnocení přesnosti měření a vytyčování) 1 ročník bakalářského studia studijní program G studijní obor G doc Ing Jaromír Procházka CSc s využitím přednášky doc Ing Martina
VícePosouzení přesnosti měření
Přesnost měření Posouzení přesnosti měření Hodnotu kvantitativně popsaného parametru jakéhokoliv objektu zjistíme jedině měřením. Reálné měření má vždy omezenou přesnost V minulosti sloužila k posouzení
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceCharakterizují kvantitativně vlastnosti předmětů a jevů.
Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost
VíceEXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Podmínky získání zápočtu: Podmínkou pro získání zápočtu je účast na cvičeních (maximálně tři absence) a úspěšné splnění jednoho písemného testu alespoň na 50 % max. počtu
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Literatura: Novák, R. Úvod do teorie měření. Ústí nad Labem: UJEP, 2003 Sprušil, B., Zieleniecová, P.: Úvod do teorie fyzikálních měření. Praha: SPN, 1985 Brož, J. a kol.
VíceBooleovská algebra. Booleovské binární a unární funkce. Základní zákony.
Booleovská algebra. Booleovské binární a unární funkce. Základní zákony. Tomáš Bayer bayertom@natur.cuni.cz Katedra aplikované geoinformatiky a kartografie, Přírodovědecká fakulta UK. Tomáš Bayer bayertom@natur.cuni.cz
Více2 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
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
VíceÚvod do problematiky měření
1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek
VíceVytyčení polohy bodu polární metodou
Obsah Vytyčení polohy bodu polární metodou... 2 1 Vliv měření na přesnost souřadnic... 3 2 Vliv měření na polohovou a souřadnicovou směrodatnou odchylku... 4 3 Vliv podkladu na přesnost souřadnic... 5
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceVyjadřování přesnosti v metrologii
Vyjadřování přesnosti v metrologii Měření soubor činností, jejichž cílem je stanovit hodnotu veličiny. Výsledek měření hodnota získaná měřením přisouzená měřené veličině. Chyba měření výsledek měření mínus
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceChyby a neurčitosti měření
Radioelektronická měření (MREM) Chyby a neurčitosti měření 10. přednáška Jiří Dřínovský Ústav radioelektroniky FEKT VUT v Brně Základní pojmy Měření je souhrn činností s cílem určit hodnotu měřené veličiny
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
Vícepravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.
3.1 Základy teorie pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti. Co se dozvíte Náhodný pokus a náhodný jev. Pravděpodobnost, počítání s pravděpodobnostmi.
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
Více18 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 18: Fourierovy řady 7 18 Fourierovy řady 18.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
VíceAplikovaná matematika I
Metoda nejmenších čtverců Aplikovaná matematika I Dana Říhová Mendelu Brno c Dana Říhová (Mendelu Brno) Metoda nejmenších čtverců 1 / 8 Obsah 1 Formulace problému 2 Princip metody nejmenších čtverců 3
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Program semináře 1. Základní pojmy - metody měření, druhy chyb, počítání s neúplnými čísly, zaokrouhlování 2. Chyby přímých měření - aritmetický průměr a směrodatná odchylka,
VíceNumerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
VíceDetekce kartografického zobrazení z množiny
Detekce kartografického zobrazení z množiny bodů Tomáš Bayer Katedra aplikované geoinformatiky Albertov 6, Praha 2 bayertom@natur.cuni.cz Abstrakt. Detekce kartografického zobrazení z množiny bodů o známých
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceVěta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)
1. Lineární diferenciální rovnice řádu n [MA1-18:P1.7] rovnice typu y n) + p n 1 )y n 1) +... + p 1 )y + p 0 )y = q) 6) počáteční podmínky: y 0 ) = y 0 y 0 ) = y 1 y n 1) 0 ) = y n 1. 7) Věta 1.3 : Necht
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
Víceveličin, deskriptivní statistika Ing. Michael Rost, Ph.D.
Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
Více16 Fourierovy řady Úvod, základní pojmy
M. Rokyta, MFF UK: Aplikovaná matematika IV kap. 16: Fourierovy řady 1 16 Fourierovy řady 16.1 Úvod, základní pojmy Otázka J. Fouriera: Lze každou periodickou funkci napsat jako součet nějakých "elementárních"
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
Více16. Goniometrické rovnice
@198 16. Goniometrické rovnice Definice: Goniometrická rovnice je taková rovnice, ve které proměnná (neznámá) vystupuje pouze v goniometrických funkcích. Řešit goniometrické rovnice znamená nalézt všechny
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Teorie pravděpodobnosti popisuje vznik náhodných dat, zatímco matematická statistika usuzuje z dat na charakter procesů, jimiž data vznikla. NÁHODNOST - forma existence látky,
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
VíceODR metody Runge-Kutta
ODR metody Runge-Kutta Teorie (velmi stručný výběr z přednášek) Úloha s počátečními podmínkami (Cauchyova) 1 řádu Hledáme aprox řešení Y(x) soustavy obyčejných diferenciálních rovnic 1 řádu kde Y(x) =
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceGEODETICKÉ VÝPOČTY I.
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 2.ročník GEODETICKÉ VÝPOČTY I. TABELACE FUNKCE LINEÁRNÍ INTERPOLACE TABELACE FUNKCE Tabelace funkce se v minulosti často využívala z důvodu usnadnění
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceCVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17
CVIČNÝ TEST 15 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Je dána čtvercová mřížka, v níž každý čtverec má délku
VíceFunkce jedn e re aln e promˇ enn e Derivace Pˇredn aˇska ˇr ıjna 2015
Funkce jedné reálné proměnné Derivace Přednáška 2 15. října 2015 Obsah 1 Funkce 2 Limita a spojitost funkce 3 Derivace 4 Průběh funkce Informace Literatura v elektronické verzi (odkazy ze STAGu): 1 Lineární
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
Více1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*
Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná
VíceFunkce, elementární funkce.
Kapitola 2 Funkce, elementární funkce. V této kapitole si se budeme věnovat studiu základních vlastností funkcí jako je definiční obor, obor hodnot. Připomeneme si pojmy sudá, lichá, rostoucí, klesající.
VíceTémata absolventského klání z matematiky :
Témata absolventského klání z matematiky : 1.Dělitelnost přirozených čísel - násobek a dělitel - společný násobek - nejmenší společný násobek (n) - znaky dělitelnosti 2, 3, 4, 5, 6, 8, 9,10 - společný
VíceMATEMATIKA A Metodický list č. 1
Metodický list č. 1 Název tématického celku: Lineární algebra I Základním cílem tohoto tématického celku je objasnit některé pojmy lineární algebry a poukázat na jejich vzájemnou souvislost. Posluchači
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
Více( + ) ( ) f x x f x. x bude zmenšovat nekonečně přesný. = derivace funkce f v bodě x. nazýváme ji derivací funkce f v bodě x. - náš základní zápis
1.. Derivace elementárních funkcí I Předpoklad: 1 Shrnutí z minulé hodin: Chceme znát jakým způsobem se mění hodnot funkce f ( f ( + f ( přibližná hodnota změn = přesnost výpočtu se bude zvětšovat, kdž
VíceUčební plán 4. letého studia předmětu matematiky. Učební plán 6. letého studia předmětu matematiky
Učební plán 4. letého studia předmětu matematiky Ročník I II III IV Dotace 3 3+1 2+1 2+2 Povinnost povinný povinný povinný povinný Učební plán 6. letého studia předmětu matematiky Ročník 1 2 3 4 5 6 Dotace
VíceÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A1. Cvičení, zimní semestr. Samostatné výstupy. Jan Šafařík
Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A1 Cvičení, zimní semestr Samostatné výstupy Jan Šafařík Brno c 2003 Obsah 1. Výstup č.1 2 2. Výstup
VíceMatematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
Více1. Obyčejné diferenciální rovnice
& 8..8 8: Josef Hekrdla obyčejné diferenciální rovnice-separace proměnných. Obyčejné diferenciální rovnice Rovnice, ve které je neznámá funkcí a v rovnici se vyskytuje spolu se svými derivacemi, se nazývá
VíceMATURITNÍ TÉMATA Z MATEMATIKY
MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické
VíceÚvod do inženýrské geodézie
Úvod do inženýrské geodézie Úvod do inženýrské geodézie Rozbory přesnosti Vytyčování Čerpáno ze Sylabů přednášek z inženýrské geodézie doc. ing. Jaromíra Procházky, CSc. Úvod do inženýrské geodézie Pod
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VíceNumerická matematika. Zadání 25. Řešení diferenciální rovnice Rungovou Kuttovou metodou
Numerická matematika Zadání 25. Řešení diferenciální rovnice Rungovou Kuttovou metodou Václav Bubník, xbubni01, sk. 60 FIT VUT v Brně, 2004 Obsah Numerická matematika...1 1. Teorie... 3 1.1 Diferenciální
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceVariace. Lineární rovnice
Variace 1 Lineární rovnice Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Rovnice Co je rovnice Rovnice je
VíceMaturitní otázky z předmětu MATEMATIKA
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu MATEMATIKA 1. Výrazy a jejich úpravy vzorce (a+b)2,(a+b)3,a2-b2,a3+b3, dělení mnohočlenů, mocniny, odmocniny, vlastnosti
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 8. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 14 Derivace funkce U lineárních funkcí ve tvaru
VíceČísla a číselné soustavy.
Čísla a číselné soustavy. Polyadické soustavy. Převody mezi soustavami. Reprezentace čísel. Tomáš Bayer bayertom@natur.cuni.cz Katedra aplikované geoinformatiky a kartografie, Přírodovědecká fakulta UK.
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
Vícei=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice
I. Funkce dvou a více reálných proměnných 1. Úvod Značení: V textu budeme používat označení: N pro množinu všech přirozených čísel; R pro množinu všech reálných čísel; R n pro množinu všech uspořádaných
VíceInterpolace, aproximace
11 Interpolace, aproximace Metoda nejmenších čtverců 11.1 Interpolace Mějme body [x i,y i ], i =0, 1,...,n 1. Cílem interpolace je najít funkci f(x), jejíž graf prochází všemi těmito body, tj. f(x i )=y
VíceStatistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VíceOBECNÉ METODY VYROVNÁNÍ
OBECNÉ METODY VYROVNÁNÍ HYNČICOVÁ TEREZA, H2IGE1 2014 ÚVOD Z DŮVODU VYLOUČENÍ HRUBÝCH CHYB A ZVÝŠENÍ PŘESNOSTI NIKDY NEMĚŘÍME DANOU VELIČINU POUZE JEDNOU VÝSLEDKEM OPAKOVANÉHO MĚŘENÍ NĚKTERÉ VELIČINY JE
VícePlanimetrie 2. část, Funkce, Goniometrie. PC a dataprojektor, učebnice. Gymnázium Jiřího Ortena, Kutná Hora. Průřezová témata Poznámky
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Planimetrie 2. část, Funkce, Goniometrie 2. ročník a sexta 4 hodiny týdně PC a dataprojektor, učebnice Planimetrie II. Konstrukční úlohy Charakterizuje
VíceNumerické řešení diferenciálních rovnic
Numerické řešení diferenciálních rovnic Omezení: obyčejné (nikoli parciální) diferenciální rovnice, Cauchyho počáteční úloha, pouze jedna diferenciální rovnice 1. řádu 1/1 Numerické řešení diferenciálních
VícePřednášející: Ing. M. Čábelka Katedra aplikované geoinformatiky a kartografie PřF UK v Praze
Seminář z geoinformatiky Měření vodorovných úhlů Seminář z geo oinform matiky Přednášející: Ing. M. Čábelka cabelka@natur.cuni.cz Katedra aplikované geoinformatiky a kartografie PřF UK v Praze Základním
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
Vícerovnic), Definice y + p(x)y = q(x), Je-li q(x) = 0 na M, nazývá se y + p(x)y =
Cíle Přehled základních typů diferenciálních rovnic prvního řádu zakončíme pojednáním o lineárních rovnicích, které patří v praktických úlohách k nejfrekventovanějším. Ukážeme například, že jejich řešení
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
Více7. Aplikace derivace
7. Aplikace derivace Verze 20. července 2017 Derivace funkce se využívá při řešení úloh technické praxe i teorie. Uvedeme několik z nich: vyčíslení hodnot funkce, výpočet limity, vyšetřování průběhu funkce
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceMˇ eˇren ı ˇ cetnost ı (Poissonovo rozdˇ elen ı) 1 / 56
Měření četností (Poissonovo rozdělení) 1 / 56 Měření četností (Poissonovo rozdělení) Motivace: měření aktivity zdroje Geiger-Müllerův čítac: aktivita: 1 Bq = 1 částice / 1 s = s 1 Jaká je přesnost měření?
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VícePraha & EU: investujeme do vaší budoucnosti. Daniel Turzík, Miroslava Dubcová,
E-sbírka příkladů Seminář z matematiky Evropský sociální fond Praha & EU: investujeme do vaší budoucnosti Daniel Turzík, Miroslava Dubcová, Pavla Pavlíková Obsah 1 Úpravy výrazů................................................................
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Literatura: Novák, R. Úvod do teorie měření. Ústí nad Labem: UJEP, 2003 Sprušil, B., Zieleniecová, P.: Úvod do teorie fyzikálních měření. Praha: SPN, 1985 Brož, J. a kol.
VícePopisná statistika kvantitativní veličiny
StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceMATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT)
MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT) 1. Číselné obory 1.1 Přirozená čísla provádět aritmetické operace s přirozenými čísly rozlišit prvočíslo
VíceDiferenciální rovnice 3
Diferenciální rovnice 3 Lineární diferenciální rovnice n-tého řádu Lineární diferenciální rovnice (dále jen LDR) n-tého řádu je rovnice tvaru + + + + = kde = je hledaná funkce, pravá strana a koeficienty
VíceDiferenciální počet - II. část (Taylorův polynom, L Hospitalovo pravidlo, extrémy
Diferenciální počet - II. část (Taylorův polynom, L Hospitalovo pravidlo, extrémy funkcí, průběh funkce) Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 5. přednáška z AMA1 Michal Fusek (fusekmi@feec.vutbr.cz)
VíceNumerické metody zpracování výsledků
Numerické metody zpracování výsledků Měření fyzikální veličiny provádíme obvykle tak, že měříme hodnoty y jedné fyzikální veličiny při určitých hodnotách x druhé veličiny, na které měřená veličina závisí.
Více