U klasifikace podle minimální vzdálenosti je nutno zvolit:

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "U klasifikace podle minimální vzdálenosti je nutno zvolit:"

Transkript

1 .3. Klasifikace podle miimálí vzdáleosti Tato podkapitola je věováa popisu podstaty klasifikace podle miimálí vzdáleosti, jež úzce souvisí s klasifikací pomocí etaloů klasifikačích tříd. Představíme si podroběji klasifikaci pomocí metody ejbližšího souseda, metody k ejbližších sousedů, cetroidové metody a metody průměré vazby. Na závěr si ukážeme, že klasifikace podle miimálí vzdáleosti má souvislost s klasifikací pomocí diskrimiačích fukcí i s klasifikací pomocí hraic. Následující tet je součástí učebích tetů předmětu Bi0034 Aalýza a klasifikace dat a je urče především pro studety matematické biologie. Příosem může být rověž pro studety medicíských a dalších biologických oborů - zejméa botaiky, zoologie a atropologie. U studetů se předpokládá zalost biostatistiky. Dále by studeti měli mít zalosti o metrikách vzdáleosti a podobosti ve vícerozměrém prostoru [odkaz a kapitolu 4] a vhodá je i zalost hierarchického aglomerativího shlukováí [odkaz a vicerozmere-metody-pro-aalyzu-dat--shlukova-aalyza--shlukova-hierarchicka-aalyza-- hierarchicke-shlukovai--hierarchicke-aglomerativi-shlukovai], protože uvedeé metody lze použít i pro účely shlukováí. Studeti by rověž měli být schopi provádět základí operace s vektory a maticemi [odkaz a přílohu A]..3.. Výstupy z výukové jedotky Studet: umí popsat pricip klasifikace podle miimálí vzdáleosti umí vysvětlit podstatu, výhody a evýhody klasifikace pomocí metody ejbližšího souseda, metody k ejbližších sousedů, cetroidové metody a metody průměré vazby zá souvislost klasifikace podle miimálí vzdáleosti s klasifikací pomocí diskrimiačích fukcí i s klasifikací pomocí hraic.3.. Pricip klasifikace podle miimálí vzdáleosti Jak již ázev apovídá, klasifikace podle miimálí vzdáleosti je založea a zařazeí objektu či subjektu do té skupiy (klasifikačí třídy), ke které má ejmeší vzdáleost. Klasifikace podle miimálí vzdáleosti (resp. ekvivaletě klasifikace podle maimálí podobosti) je úzce spojea s klasifikací pomocí etaloů klasifikačích tříd. Již v úvodí kapitole o klasifikaci [odkaz a kapitolu.] bylo zmíěo, že počet etaloů může být růzý, od jedoho reprezetativího vzorku daé třídy (apř. u metody ejbližšího souseda či u cetroidové metody), přes ěkolik vzorků daé třídy (apř. u metody k ejbližších sousedů), až po všechy vzorky daé třídy (apř. u metody průměré vazby). U klasifikace podle miimálí vzdáleosti je uto zvolit: metriku vzdáleosti či podobosti mezi objekty [odkaz a podkapitolu 3 kapitoly 4], metriku vzdáleosti či podobosti skupi objektů [odkaz a podkapitolu 4 kapitoly 4]. Obdobou volbu je třeba provést i při shlukováí [odkaz a kapitolu 6]. Na rozdíl od shlukováí jsou tu však metriky vzdáleosti (či podobosti) skupi objektů použity pro zjištěí vzdáleosti jedoho objektu (u ěhož evíme, do jaké skupiy patří) od etaloů daých skupi objektů.

2 Z metrik vzdáleostí skupi objektů si pro účely klasifikace podle miimálí vzdáleosti představíme použití metody ejbližšího souseda a jejího zobecěí (což je metoda k ejbližších sousedů), cetroidové metody a metody průměré vazby. Metoda ejvzdáleějšího souseda je pro klasifikaci obtížě použitelá a Wardova metoda je pro klasifikaci používáa zřídka, proto tyto metody ebudou v ásledujících podkapitolách rozebíráy Metoda ejbližšího souseda Jak již víme z kapitoly o podobostech a vzdáleostech ve vícerozměrém prostoru [odkaz a podkapitolu 4... kapitoly 4], metoda ejbližšího souseda defiuje vzdáleost mezi skupiami C i a C j jako D NN ( Ci, C j ) = mid( p, q ). () p C C Teto vztah přepíšeme pro účely klasifikace podle miimálí vzdáleosti a q i j D NN, C ) = mid(, ). () ( j q C Cílem metody ejbližšího souseda je tedy alezeí subjektu (či objektu) z celé možiy všech subjektů C, který má ejmeší vzdáleost od subjektu, jež chceme klasifikovat. Subjekt poté přiřadíme do té třídy, ze které je alezeý ejbližší soused. Metoda ejbližšího souseda je zázorěa a Obr.. Testovací subjekt bude zařaze do skupiy pacietů vzhledem k tomu, že jeho ejbližší soused je paciet. pacieti kotroly testovací subjekt Obr.. Ilustrace klasifikace pomocí metody ejbližšího souseda. Testovací subjekt zatřídíme do skupiy pacietů, protože ejbližší soused testovacího subjektu patří do skupiy pacietů. Nevýhodou metody ejbližšího souseda je její začá citlivost a odlehlé hodoty. Obzvlášť v situaci, kdy se třídy částečě překrývají, zpravidla edává dobré výsledky. Proto se v prai častěji používá její zobecěí, což je metoda k ejbližších sousedů, při íž zařadíme subjekt, který chceme klasifikovat, do té třídy, která převažuje mezi jeho k ejbližšími sousedy. Ukázka pro k=3 je uvedea a Obr., kdy

3 testovací subjekt zařadíme do třídy kotrol, protože mezi jeho třemi ejbližšími sousedy jsou dva kotrolí subjekty a pouze jede paciet. Ze srováí s Obr. vyplývá, že metoda ejbližšího souseda a metoda k ejbližších sousedů mohou pro stejá data dávat růzé výsledky. pacieti kotroly testovací subjekt Obr.. Ilustrace klasifikace pomocí metody k ejbližších sousedů (zde kokrétě k=3). Testovací subjekt zatřídíme do skupiy kotrol, protože mezi jeho třemi ejbližšími sousedy převažují kotrolí subjekty. U metody k ejbližších sousedů zpravidla volíme za k liché číslo, protože pokud by k bylo sudé, mohlo by se stál, že by byl mezi k sousedy stejý počet subjektů z jedé i druhé skupiy, a tudíž by ebylo možé rozhodout, do jaké třídy se má subjekt zařadit. Pokud by taková situace shody astala, většiou se subjekt áhodě zařadí do jedé z daých skupi ebo případě do té skupiy, která je rizikovější. Protože bohužel dopředu evíme, jaké k je ejvhodější a aše kokrétí data, obvykle se klasifikace provádí za použití růzých hodot k a poté se vybere takové k, pro ěž jsme dostali ejlepší výsledky. Abychom výběr k (tedy tréováí klasifikátoru) eprováděli a stejém datovém souboru, a kterém klasifikátor i testujeme, protože to by to mohlo vést k přetréováí klasifikátoru, zpravidla se provádí výběr k pomocí křížové validace, jež je podrobě popsáa v kapitole věovaé hodoceí úspěšosti klasifikace [odkaz a kapitolu.6.3]. Metoda ejbližšího souseda ai metoda k ejbližších sousedů emají žádé předpoklady o rozložeí dat (apř. a rozdíl od Fisherovy lieárí diskrimiace [odkaz a kapitolu.4.]), což je jejich výhoda. Použití obou těchto metod však často eí vhodé v situaci, kdy jsou začě evyvážeé počty subjektů v daých klasifikačích třídách. Protože pokud avíc daé třídy ejsou velmi od sebe vzdáleé, budou obě metody zařazovat subjekty častěji do té třídy, která má větší počet subjektů Cetroidová metoda U cetroidové metody a rozdíl od metody ejbližšího souseda a metody k ejbližších sousedů ebývá problém při evyvážeém počtu subjektů ve skupiách. Tato metoda totiž vychází z výpočtu cetroidů pro jedotlivé skupiy, přičemž subjekt (či objekt) je zařaze do skupiy s ejbližším cetroidem od tohoto subjektu (Obr. 3). Postup cetroidové metody lze jedoduše popsat a příkladu klasifikace do skupiy pacietů a kotrol ásledujícím způsobem:

4 . Výpočet cetroidu skupiy pacietů pomocí = i= i, kde je počet pacietů a i je vektor hodot proměých u i-tého pacieta; a výpočet cetroidu skupiy kotrol pomocí = i= i, kde je počet kotrolích subjektů a i je vektor hodot proměých u i-tého kotrolího subjektu.. Zařazeí klasifikovaého subjektu do skupiy, k jejímuž cetroidu má teto klasifikovaý mid,, D,. subjekt ejmeší vzdáleost (apř. Euklidovskou), tedy hledá se ( ( ) ( )) pacieti kotroly testovací subjekt cetroid pacietů cetroid kotrol Obr. 3. Ilustrace klasifikace pomocí cetroidové metody. Testovací subjekt zatřídíme do skupiy pacietů, protože má kratší Euklidovskou vzdáleost k cetroidu pacietů ež k cetroidu kotrol Metoda průměré vazby Na základě metody průměré vazby zařadíme subjekt (či objekt) do té skupiy, od jejíchž čleů má daý subjekt ejmeší průměrou vzdáleost. Jedotlivé kroky metody průměré vazby jsou ásledující:. Výpočet průměré (apř. Euklidovské) vzdáleosti klasifikovaého subjektu od všech D i i= pacietů pomocí vztahu D( ) = (, ),, kde je počet pacietů a i je vektor hodot proměých u i-tého pacieta; a výpočet průměré vzdáleosti klasifikovaého subjektu od všech kotrolích subjektů pomocí vztahu D D i i= ( ) = (, ), i, kde je počet kotrol a y i je vektor hodot proměých u i-tého kotrolího subjektu.. Zařazeí klasifikovaého subjektu do té skupiy, k jejímž čleům má teto klasifikovaý mid, D,. subjekt ejmeší průměrou vzdáleost, tedy hledá se ( ( ) ( )) Zázorěí metody průměré vazby je uvedeo a Obr. 4. i,

5 pacieti kotroly testovací subjekt Obr. 4. Ilustrace klasifikace pomocí metody průměré vazby. Na prví pohled eí patré, zda bude subjekt zařaze do skupiy pacietů či kotrol, protože je uto vypočítat průměrou vzdáleost testovacího subjektu od všech pacietů a průměrou vzdáleost testovacího subjektu od všech kotrol a tyto průměré vzdáleosti srovat. Metoda průměré vazby stejě jako cetroidová metoda emívá problémy při evyvážeém počtu subjektů ve skupiách. Oproti cetroidové metodě však může být časově áročější, pokud je celkový počet subjektů velký, protože se musí počítat vzdáleost testovacího subjektu od všech subjektů Souvislost klasifikace podle miimálí vzdáleosti s dalšími pricipy klasifikace Začěme se srováím klasifikace podle miimálí vzdáleosti a klasifikací podle diskrimiačích fukcí. Uvažme příklad dvou tříd reprezetovaých etaloy E = ( E, E ) a E = ( E, E ) v dvourozměrém euklidovském prostoru. Výpočet vzdáleosti mezi subjektem = (, ) a libovolým z obou etaloů je v tomto prostoru defiová vztahem D( re, ) = re - = mire - = ( r E ) + ( re ) ; r =,. r (3) Podle defiice rozhodovacího pravidla klasifikátoru podle miimálí vzdáleosti hledáme meší z obou vzdáleostí, tj. mid( re, ). Protože ám ejde o staoveí kokrétí vzdáleosti, ale o r =, alezeí miima a rověž díky tomu, že vzdáleost mezi dvěma body prostoru je vždy kladá, můžeme psát, že hledáme mid (, ). To zameá, že r=, re mid( r re, ) ~ mid ( r = mi r + re, ) = re - = mi r ( re + re + re [( ) + ( ) ] re re ). re = (4)

6 Výraz ve složeých závorkách představuje pro každý etalo kuželovou plochu s vrcholem v daém etalou (pokud je vektor totožý s etaloem, je výraz ve složeých závorkách rove ule) a rozšiřující se do kladých hodot fukce g(), přičemž pro souřadice vektoru = ( ke ± c, ke ± c ) je hodota výrazu ve složeých závorkách rova c + c (Obr. 5). Jak je z obrázku patré, tato orietace kuželové plochy bohužel esplňuje podmíku pro diskrimiačí fukci. Ovšem dvojčle + ve složeých závorkách ve výrazu (4) ezávisí a klasifikačí třídě pro daý vektor, proto jej můžeme považovat za aditiví kostatu, která se epodílí a rozhodováí. Poěvadž je teto čle vždy kladý, můžeme určit miimum celého výrazu právě tehdy, když ajdeme ve vztahu (4) maimum výrazu v hraatých závorkách. Tím se orietace kuželové plochy měí a v souladu s pricipem klasifikace podle diskrimiačích fukcí lze teto výraz považovat za defiičí vztah diskrimiačí fukce r-té třídy g r (). Kuželové plochy se v obou případech protíají v parabole a její průmět do obrazové roviy je přímka (viz. Obr. 5), která je defiovaá vztahem E + E E E (E - E ) + (E - E) = 0. Tato hraičí přímka mezi klasifikačími třídami je vždy kolmá a spojici obou etaloů a tuto spojici půlí. Z uvedeého plye, že klasifikátor pracující a základě miimálí vzdáleosti je ekvivaletí lieárímu klasifikátoru s diskrimiačími fukcemi. Dále je teto příklad ukázkou toho, že i elieárí diskrimiačí fukce může vyústit v lieárí separaci klasifikačích tříd. (5) Obr. 5. Klasifikace podle miimálí vzdáleosti Jiou možostí, jak zkostruovat diskrimiačí fukci a základě pricipu staoveí vzdáleosti, resp. podobosti mezi klasifikovaým obrazem a etaloy klasifikačích tříd, je použití metriky podobosti. Dle závislosti mezi vzdáleostí a podobostí metrikou se měí tvar kuželové plochy, icméě její vrchol leží vždy ad etaloy klasifikačích tříd a kuželová plocha se rozšiřuje směrem k obrazovému prostoru. Měí se sice tvar průsečíků kuželových ploch odpovídajících jedotlivým etaloům, ale jejich průmět do obrazové roviy zůstává lieárí za předpokladu, že metriky pro jedotlivé etaloy ejsou růzě váhovaé.

7 Mějme yí případ, kdy je třída ω reprezetováa etaloem E a třída ω dvěma etaloy () E a () E, přičemž subjekt klasifikujeme opět pomocí kritéria ejmeší vzdáleosti. Protože třídu ω představují dva etaloy, je hraice mezi oběma třídami lomeá přímka půlící vzdáleosti mezi () () etaloy E a E a etaloy E a E (Obr. 6). Klasifikace podle miimálí vzdáleosti s třídami reprezetovaými více etaloy je tedy ekvivaletí klasifikaci s po částech lieárí hraicí. Obr. 6. Klasifikace podle miimálí vzdáleosti s víceetaloovými klasifikačími třídami.3.4. Příklad Bylo provedeo měřeí objemu hipokampu a objemu mozkových komor u 3 pacietů se schizofreií (,, ) a 3 kotrolích subjektů (,, ). Naměřeé hodoty byly (v řádcích) zazameáy do matic resp. (ozačeí D diseased, H healthy): 4 0, Určete, zda testovací subjekt 3,5 9 patří do skupiy pacietů či kotrolích subjektů pomocí klasifikace podle miimálí vzdáleosti. Řešeí odkaz a PDFko (Vicerozmerky - kap.3 - resei prikladu.pdf).3.5. Literatura [] Bishop, C. Patter Recogitio ad Machie Learig. Spriger, New York. (006) [] Holčík, J. Aalýza a klasifikace dat. Akademické akladatelství CERM, s.r.o., Bro. (0)

8 Obsah.3. Klasifikace podle miimálí vzdáleosti Výstupy z výukové jedotky Pricip klasifikace podle miimálí vzdáleosti Metoda ejbližšího souseda Cetroidová metoda Metoda průměré vazby Souvislost klasifikace podle miimálí vzdáleosti s dalšími pricipy klasifikace Příklad Literatura... 7

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

2 STEJNORODOST BETONU KONSTRUKCE

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

Více

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

TECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH

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

Více

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

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

Parametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti

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

Více

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

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

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

STATISTIKA PRO EKONOMY

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

Více

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

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

Více

pravděpodobnostn podobnostní jazykový model

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

Více

8. Základy statistiky. 8.1 Statistický soubor

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

Více

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

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

Více

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

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

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

Více

7. P o p i s n á s t a t i s t i k a

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

Více

8 Průzkumová analýza dat

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

Více

4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ

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

Více

1 Trochu o kritériích dělitelnosti

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

Více

10.3 GEOMERTICKÝ PRŮMĚR

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

Více

Číselné řady. 1 m 1. 1 n a. m=2. n=1

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

Více

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

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

Více

9.1.13 Permutace s opakováním

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

Více

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

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

Více

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

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

Více

Zobrazení čísel v počítači

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

Více

9.1.12 Permutace s opakováním

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

Více

Interval spolehlivosti pro podíl

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

Více

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

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

Více

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

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

Více

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

Systém intralaboratorní kontroly kvality v klinické laboratoři (SIKK)

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

Více

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

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

Více

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

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

Více

Expertní Systémy. Tvorba aplikace

Expertní Systémy. Tvorba aplikace Tvorba aplikace Typ systému malý velký velmi velký Počet pravidel 50-350 500-3000 10000 Počet člověkoroků 0.3-0.5 1-2 3-5 Cea projektu (v tis.$) 40-60 500-1000 2000-5000 Harmo, Kig (1985) Vytvořeí expertího

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

, 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

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

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

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

Více

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

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

Více

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

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

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad

Časová hodnota peněz. Metody vyhodnocení efektivnosti investic. Příklad Metody vyhodoceí efektvost vestc Časová hodota peěz Metody vyhodoceí Časová hodota peěz Prostředky, které máme k dspozc v současost mají vyšší hodotu ež prostředky, které budeme mít k dspozc v budoucost.

Více

2002 Katedra obecné elektrotechniky FEI VŠB-TU Ostrava Ing.Stanislav Kocman

2002 Katedra obecné elektrotechniky FEI VŠB-TU Ostrava Ing.Stanislav Kocman ASYNCHRONNÍ STROJE Obsah. Pricip čiosti asychroího motoru. Náhradí schéma asychroího motoru. Výko a momet asychroího motoru 4. Spouštěí trojfázových asychroích motorů 5. Řízeí otáček asychroích motorů

Více

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

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

Více

ZÁKLADY DISKRÉTNÍ MATEMATIKY

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

Více

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

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

Více

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

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

Více

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 práce č. 4: Úlohy z paprskové optiky

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

Více

AMC/IEM J - HMOTNOST A VYVÁŽENÍ

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

Více

Petr Otipka Vladislav Šmajstrla

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

Více

PříkladykecvičenízMMA ZS2013/14

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

Více

5. Výpočty s využitím vztahů mezi stavovými veličinami ideálního plynu

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

Více

ÚVOD DO PRAKTICKÉ FYZIKY I

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

Více

Téma 11 Prostorová soustava sil

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

Více

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

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

Více

Kapitola 12: Zpracování dotazů. Základní kroky ve zpracování dotazů

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

Více

Využití Markovových řetězců pro predikování pohybu cen akcií

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

Více

Neparametrické metody

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

Více

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

Statistické metody ve veřejné správě ŘEŠENÉ PŘÍKLADY

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

Více

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

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

Více

stavební obzor 1 2/2014 11

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

Více

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

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

Více

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

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

Více

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

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

Více

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

Patří slovo BUSINESS do zdravotnictví?. 23. 6. 2005

Patří slovo BUSINESS do zdravotnictví?. 23. 6. 2005 Patří slovo BUSINESS do zdravotictví?. 23. 6. 2005 Společost Deloitte Společost Deloitte v České republice má více ež 550 zaměstaců a kaceláře v Praze a Olomouci. Naše česká pobočka je součástí aší regioálí

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

Posloupnosti na střední škole Bakalářská práce

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

Více

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

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

Více

Model péče o duševně nemocné

Model péče o duševně nemocné Model péče o duševě emocé v regiou hlavího města Prahy Zázam jedáí závěrečé koferece projektu Vzděláváí odboríků, státí správy a samosprávy v oblasti trasformace istitucioálí péče o duševě emocé Praha,

Více

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

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

Více

Carl Friedrich Gauss

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

Více

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

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

Střední hodnoty. Aritmetický průměr prostý Aleš Drobník strana 1

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

Více

ZÁKLADNÍ ICHTYOLOGICKÉ METODY

ZÁKLADNÍ ICHTYOLOGICKÉ METODY ZÁKLADNÍ ICHTYOLOGICKÉ METODY Určováí věku a staoveí růstu ryb Ryby jsou poikilotermí obratlovci, u ichž jsou všechy biologické fukce zásadím způsobem ovlivňováy teplotou vody. To platí v plém rozsahu

Více

Aritmetická posloupnost

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

Více

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

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

Více

Disertační práce AKUMULACE TEPLA VE VÝPOČTU TEPELNÉ ZÁTĚŽE KLIMATIZOVANÝCH PROSTORŮ

Disertační práce AKUMULACE TEPLA VE VÝPOČTU TEPELNÉ ZÁTĚŽE KLIMATIZOVANÝCH PROSTORŮ České vysoké učeí techické v Praze Fakulta stroí Ústav techiky prostředí Disertačí práce AKUMULACE TEPLA VE VÝPOČTU TEPELNÉ ZÁTĚŽE KLIMATIZOVANÝCH PROSTORŮ Ig. Michal Duška Studií obor: Techika prostředí

Více

Klonování, embryonální kmenové buňky, aj. proč ano a proč ne

Klonování, embryonální kmenové buňky, aj. proč ano a proč ne Kloováí, embryoálí kmeové buňky, aj. proč ao a proč e Doc. MUDr. Petr Hach, Csc., Em. předosta ústavu pro histologii a embryologii 1. lékařské fakulty Uiversity Karlovy v Praze Neí určeo k dalšímu šířeí

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

PRAVDĚPODOBNOST A STATISTIKA

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

Více

Makroekonomie cvičení 1

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

Více

Měření na D/A a A/D převodnících

Měření na D/A a A/D převodnících Měřeí a D/A a A/D převodících. Zadáí A. Na D/A převodíku ealizovaém pomocí MDAC 8: a) Změřte závislost výstupího apětí převodíku v ozsahu až V a zvoleé vstupí kombiaci sousedích kódových slov. Měřeí poveďte

Více

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

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

Více

8.2.10 Příklady z finanční matematiky I

8.2.10 Příklady z finanční matematiky I 8..10 Příklady z fiačí matematiky I Předoklady: 807 Fiačí matematika se zabývá ukládáím a ůjčováím eěz, ojišťováím, odhady rizik aod. Poměrě důležitá a výosá discilía. Sořeí Při sořeí vkladatel uloží do

Více

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

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

Více

ZABEZPEČENÍ KOMUNIKACE SENZORICKÉHO SYSTÉMU

ZABEZPEČENÍ KOMUNIKACE SENZORICKÉHO SYSTÉMU Roč. 71 (2015) Číslo 2 O. Čožík, J. Kadlec: Zabezpečeí komuikace sezorického systému 1 ZABEZPEČEÍ KOMUIKACE SEZORICKÉHO SYSTÉMU Ig. Odřej Čožík 1, Doc. Ig. Jaroslav Kadlec, Ph.D. 2 Ústav mikroelektroiky;

Více

dálniced3 a rychlostní silnice Praha x Tábor x České Budějovice x Rakousko

dálniced3 a rychlostní silnice Praha x Tábor x České Budějovice x Rakousko dáliced3 a rychlostí silice R3 Praha Tábor České Budějovice Rakousko w w obsah základí iformace 3 dálice D3 a rychlostí silice R3 PrahaTáborČeské BudějoviceRakousko 3 > základí iformace 4 > čleěí dálice

Více

Jan Zahradník, Pedagogická fakulta Jihočeské univerzity v Českých Budějovicích

Jan Zahradník, Pedagogická fakulta Jihočeské univerzity v Českých Budějovicích Pohled do historie fiačí matematiky Ja Zahradík, Pedagogická fakulta Jihočeské uiverzity v Českých Budějovicích Úvod Častým tématem diskusí současých ekoomů je ízká úroveň fiačí gramotosti ašich občaů.

Více

ZÁKLADY PRAVDĚPODOBNOSTI A STATISTIKY

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

Více

Nepředvídané události v rámci kvantifikace rizika

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

Více

Atomová hmotnostní jednotka, relativní atomové a molekulové hmotnosti Atomová hmotnostní jednotka u se používá k relativnímu porovnání hmotností

Atomová hmotnostní jednotka, relativní atomové a molekulové hmotnosti Atomová hmotnostní jednotka u se používá k relativnímu porovnání hmotností . Základí cheické výpočty toová hotostí jedotka, relativí atoové a olekulové hotosti toová hotostí jedotka u se používá k relativíu porováí hotostí ikročástic, atoů a olekul a je defiováa jako hotosti

Více

Symptomatická léčba urgentní inkontinence a/nebo zvýšené frekvence močení a urgence u pacientů se syndromem hyperaktivního močového měchýře.

Symptomatická léčba urgentní inkontinence a/nebo zvýšené frekvence močení a urgence u pacientů se syndromem hyperaktivního močového měchýře. Sp.z.sukls118965/2013 a k sukls118966/2013 SOUHRN ÚDAJŮ O PŘÍPRAVKU 1. NÁZEV PŘÍPRAVKU Solifeaci Actavis 5 mg Solifeaci Actavis 10 mg potahovaé tablety 2. KVALITATIVNÍ A KVANTITATIVNÍ SLOŽENÍ Solifeaci

Více

Máme dotazníky. A co dál? Martina Litschmannová

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

Více