3. VYBRANÉ ZÁKONY ROZDĚLENÍ POUŽÍVANÉ VE SPOLEHLIVOSTI

Rozměr: px
Začít zobrazení ze stránky:

Download "3. VYBRANÉ ZÁKONY ROZDĚLENÍ POUŽÍVANÉ VE SPOLEHLIVOSTI"

Transkript

1 3. VYBRANÉ ZÁKONY ROZDĚLENÍ POUŽÍVANÉ VE SPOLEHLIVOSTI Po úspěšém a aktivím absolvováí této KAPITOLY Budete umět: rozpozat průběh a vlastosti, uvést základí vztahy charakteristik rozděleí spojité áhodé veličiy, používaých ve spolehlivosti (epoeciálí, Weibullovo, ormálí rozděleí), popsat a zázorit průběh ěkterých typů rozděleí diskrétí áhodé veličiy, používaých ve spolehlivosti (biomické, Poissoovo rozděleí), uvést vztahy pro určeí jejich charakteristik, Budete umět odhadout parametry vybraých rozděleí áhodé veličiy ze zámých empirických dat, získaých z provozu vozidel, určit vztahy a průběh bezporuchovosti pro soustavy složeé z více prvků v uspořádáí sériovém, paralelím a smíšeém. Údaje získaé ze spolehlivostích zkoušek se porovávají s ěkterým ze zákoů rozděleí áhodé veličiy. Volbou vhodého zákoa rozděleí získáme racioálí popis spolehlivostích vlastostí zkoušeého výrobku. Záko rozděleí se volí v souladu s průběhem získaých dat, apř. podle tvaru histogramu četostí a podle požadavků a shodu s touto charakteristikou. Záko rozděleí s udaými parametry zcela popisuje charakteristiky spolehlivosti, a je tak možé výpočtem staovit všechy další veličiy. Průvodce studiem V miulé kapitole jsme pozali charakteristiky používaé pro popis áhodé veličiy. V prai má každé vozidlo i prvky, ze kterých je složeo, odlišý průběh rozděleí áhodé veličiy. V této kapitole se tedy sezámíme s kokrétími rozděleími áhodé veličiy, abychom mohli spolehlivost aalyzovat, modelovat a předpovídat. Za tímto účelem se také aučíme provádět odhad parametrů vybraých rozděleí, čímž budeme moci popsat průběh rozděleí áhodé veličiy pro libovolé vozidlo ebo jeho části, pro které máme k dispozici empirická data, zjištěá z jejich skutečého provozu. 4

2 3. Zákoy rozděleí pravděpodobosti spojité áhodé veličiy Čas ke studiu: 4 hodiy Cíl Po prostudováí tohoto odstavce budete umět: zázorit průběh epoeciálího rozděleí áhodé veličiy, použít vztahy pro určeí jedotlivých charakteristik rozděleí, odhadout parametr rozděleí, defiovat pojem kvatil a vypočítat jeho kokrétí hodoty pro epoeciálí rozděleí, popsat Weibullovo a ormálí rozděleí a jejich parametry, určit vztahy a průběh jejich charakteristik. Výklad Spolehlivost eopravovaých výrobků a soustav se měří pravděpodobostí bezporuchového provozu a odvozeými veličiami, jako je hustota poruch, itezita poruch a středí doba bezporuchového provozu. Chováí výrobku se zpravidla sleduje v čase, ěkdy je možé poruchy sledovat v závislosti a jié veličiě, obecě výkoovém parametru. Například spolehlivost hacího vozidla se zpravidla sleduje v závislosti a počtu ujetých kilometrů, stáří vozidla je méě podstaté. U většiy výrobků může porucha astat při libovolé hodotě ezávisle proměé, apříklad v libovolém čase. Nezávisle proměá je spojitá. U výrobků s espojitou čiostí, apříklad u relé, může porucha astat pouze v určitých okamžicích, kdy je relé v čiosti. Nezávisle proměá je potom espojitá. Epoeciálí rozděleí Jak bylo ukázáo v. kapitole, je období ormálího života výrobku charakteristické ustáleím itezity poruch a přibližě kostatí hodotě. Průběh itezity poruch u epoeciálí rozděleí je kostatí, a proto se velmi často používá k vyjádřeí právě této etapy života. Ozačuje se E(λ) a je určeo jedím parametrem λ. 43

3 Hustota pravděpodobosti je dáa vztahem: f λ ep( λt) λ >, t (3.) f(t) Parametr rozděleí: λ - itezita poruch, má rozměr apř. /hod, / 3 km, / 6 cyklů t (hod) Obr. č. 3.: Epoeciálí rozděleí f(t) Odvozeí vztahu (3.) přesahuje rámec těchto skript a je uvede v literatuře [Daěk,998]. Distribučí fukce je dáa vztahem: t F( t) f dt λ ep( λt) dt ep( λt) λ >, t (3.) t Průběh distribučí fukce je a obrázku 3.. F(t),63 Ts středí hodota rozděleí, používá se i ozačeí středí doba do poruchy, má rozměr apř. hod, 3 km, 6 cyklů. Ts t (hod) Obr. č. 3.: Epoeciálí rozděleí F(t) Pravděpodobost bezporuchového provozu je dáa vztahem: R F( t) ep( λt) λ >, t (3.3) 44

4 Pravděpodobost bezporuchového provozu R(t) je v literatuře azýváa i jako fukce spolehlivosti. Má tvar klesající epoeciály a je charakteristické, že u E(λ) rozděleí rychle klesá, jak azačuje obrázek 3.3. R(t) Středí hodota Ts je dáa vztahem:,37,4 T s (3.4) λ Ts Ts t (hod) Obr. č. 3.3: Epoeciálí rozděleí R(t) Středí doba do poruchy u epoeciálího rozděleí je rova převráceé hodotě parametru λ, a proto je rozděleí zcela popsáo také středí dobou. Itezita poruch je dáa vztahem: f λ ep( λt) λ ( t ) λ kost. R( t) ep( λt) Průběh itezity poruch je zázorě a obrázku 3.4. λ >, t (3.5) λ(t) λ(t) kost t (hod) Obr. č. 3.4: Průběh itezity poruch epoeciálího rozděleí Příklad 3.. Sledujeme dobu do poruchy žárovek do světlometů u parku vozidel. Za sledovaé období se vyskytlo 8 poruch, akumulovaý pracoví čas žárovek čiil T ak 5 hod. Údaje jsou zpracováy v tabulce stejě jako v příkladu.3. Požaduje se staovit středí doba do poruchy a dále % kvatil doby do poruchy. Otázka: Co to zameá staovit % kvatil doby do poruchy? 45

5 Staovit obecě p% kvatil doby do poruchy zameá určit takovou dobu provozu, kdy pravděpodobost poruchy dosáhe právě p% hodoty. V tomto příkladě se požaduje určit čas, kdy je pst poruchy F(t),. Postup řešeí: V prvím kroku sestavíme histogram četostí a z jeho průběhu odhademe vhodý záko rozděleí. Postup je uvede v příkladu.3 se závěrem, že epoeciálí rozděleí může být vhodý teoretický model pro rozděleí dob do poruchy žárovek. Ve druhém kroku provedeme odhad itezity poruch λ - parametru epoeciálího rozděleí. Odhad staovíme s využitím vztahu (3.4). Nakoec vypočteme dobu t, odpovídající požadovaému kvatilu. Tab. 3.: Doby do poruchy žárovek Třída Doba do Absolutí poruchy četost (hod) Σ 8 poruch Akumulovaý pracoví čas T ak 5 (hod) Odhad středí doby do poruchy žárovek: Tak T 5 8 s 8 ( hod),5 Průběh f(t) relativí četost,,5,,5 Třída Obr. č. 3.5: Porováí empirických dat s teoretickým modelem 46

6 Parametr λ itezita poruch, je dle vztahu (3.4) rove: Vybraé zákoy rozděleí používaé ve spolehlivosti λ 3,56 3 T s 8 (/ hod) Pravděpodobost poruchy popisuje distribučí fukce (3.), úpravami získáme vztah pro výpočet kvatilu t,. F ep( λt) Vztah (3.) upravíme tak, aby a levé straě rovice zůstala proměá t. F ep( λt) F( t) ep( λt) l( F( t)) λt l( F( t)) t (3.6) λ Dosazeím hodoty F(t), do vztahu (3.6) získáme hledaý kvatil: l( F( t)) l(,) t, 9,6 3 ( hod) 3 λ 3,56 Závěr: Posouzeím průběhu histogramu četostí jsme jako vhodý model doby do poruchy žárovek zvolili epoeciálí rozděleí (Obr. č. 3.5). Odhad středí doby do poruchy Ts 8 hodi. Pravděpodobost poruchy žárovky do světlometu P, bude dosažea po 3 hodiách provozu, tj. kvatil t, je rove 3 hod. Pozámka: Soulad mezi empirickými daty (zjištěé měřeím) a teoretickým modelem - rozděleím E(λ) můžeme ověřit porováím průběhu histogramu relativích četostí a hustoty pravděpodobosti f(t). Toto posouzeí je však pouze přibližé (Obr.3.5), ve vědeckých a odborých pracích je požadováo objektiví posouzeí. Používá se proto apř. test dobré shody s využitím statistiky χ. 47

7 Weibullovo rozděleí Ve spolehlivosti velmi často používá k modelováí průběhu áhodé veličiy Weibullovo rozděleí. Je velmi variabilí a této vlastosti se s výhodou využívá při posuzováí bezporuchovosti techických objektů. Změou parametru tvaru ahrazuje jié zákoy rozděleí, apř. epoeciálí, aproimuje ormálí rozděleí. Pracujeme tak pouze s jedím tvarem rovic, emusíme používat rovice pro další typy rozděleí, a to je velmi výhodé při umerických výpočtech v prostředí tabulkového procesoru. Původě bylo odvozeo prof. Weibullem jako tříparametrické, ale pro běžé výpočty se vztahy výrazě zjedodušují převedeím a dvouparametrické. Ozačuje se W3p resp. Wp. Položeím parametru polohy c vziká Wp rozděleí. Hustota pravděpodobosti u tohoto zákoa rozděleí je dáa vztahem (34): m m m t t f ep t (3.7) t t t W3p je určeo parametry: t - parametr měřítka, t > (ěkdy ozače β) c - parametr polohy, c m - parametr tvaru, m > (ěkdy ozače α) čas: t f(t) m m 4 m,5 Všechy tři průběhy f(t) mají parametr t shodý. Liší se pouze parametrem tvaru m. t (hod) Obr. č. 3.6: Weibullovo rozděleí f(t) 48

8 Distribučí fukce F(t) je dáa vztahem: m t F ep t t (3.8) Průběh distribučí fukce F(t) s třemi růzými parametry tvaru m jsou a obr F(t) m m 4 m,5 Průsečík průběhu křivek se azývá charakteristický život, pro který platí t t o. Potom: F(t) - ep(-),63 to t (hod) Obr. č. 3.7: Weibullovo rozděleí F(t) Pravděpodobost bezporuchového provozu je dáa vztahem: m t R ep t t (3.9) Itezita poruch je dáa vztahem: m m t λ t (3.) t t Průběh celé vaové křivky lze popsat Wp rozděleím, kde každé fázi života výrobku odpovídají jié parametry rozděleí, jak azačuje obr λ(t) Uvedeí do provozu m < Provoz itezita poruch je kostatí m Vyřazeí z provozu m > t t Obr. č. 3.8: Weibullovo rozděleí λ(t) Čas t 49

9 Středí hodota se vypočte ze vztahu: T s t Γ + Kde: Γ je gama fukce (tabelovaá) (3.) m Weibullovo rozděleí zahruje epoeciálí rozděleí (m ), Rayleighovo rozděleí (m ) a aproimuje ormálí rozděleí (m 3,5). Této vlastosti se s výhodou využívá při posuzováí bezporuchovosti techických objektů, protože výpočty vyžadující tři růzá rozděleí jsou ahrazey jedím vztahem. Pozámka: Aimace grafů charakteristik Weibullova rozděleí jsou v souborech uložeých v příloze. Normálí rozděleí V prai se často setkáváme s ormálím rozděleím u řady veliči, apř. velikosti chyby měřeí, rozděleí skutečého rozměru součásti uvitř toleračího pole při obráběí. Normálí rozděleí je také zámo jako Gaussovo rozděleí podle svého objevitele Gausse, ozačuje se N(µ,σ) a je učeo dvěma parametry, středí hodotou a směrodatou odchylkou. Stěžejí výzam má ormálí rozděleí v teorii pravděpodobosti druhá limití věta. Ve spolehlivosti se využívá pro itervalový odhad, tj. ke staoveí itervalu, ve kterém s vysokou, předem staoveou pravděpodobostí leží odhadovaý parametr. Typickým příkladem je odhad dolí a horí hraice, mezi kterými leží středí doba do poruchy. Původě bodovým odhadem středí doby změou a itervalový výrazě zvýšíme pravděpodobost, že áš odhad je správý. Staoveí itervalu se provádí s využitím pravidla σ. Hustota pravděpodobosti ormálího rozděleí je dáa vztahem: ( t µ ) σ f e > πσ < t < σ (3.) Parametry rozděleí: µ je středí hodota σ - směrodatá odchylka áhodé veličiy 5

10 Průběh hustoty pravděpodobosti a vliv parametrů a průběh fukce je azače a obr 3.9. f(t) σ < σ f(t) δ ` µ µ < µ t (hod) Obr. č. 3.9: Normálí rozděleí f(t) t (hod) Ve spolehlivosti má často áhodá proměá rozměr čas ebo kilometrický proběh, může proto abývat pouze kladých hodot (ezáporé číslo) a rozděleí je zleva usekuto. Pokud je µ a směrodatá odchylka σ, říkáme, že rozděleí je ormovaé. Distribučí fukce Φ(t) a hustota pravděpodobosti ϕ(t) ormovaého rozděleí jsou tabelovaé, použitím těchto fukcí dostáváme charakteristiky bezporuchovosti určeé ormálím rozděleím. Parametry rozděleí: t >, σ > Čas: t t t ϕ δ f (3.3) t σ Φ σ t t Φ σ t Φ σ F (3.4) t t Φ σ t Φ σ R (3.5) t t ϕ σ λ (3.6) t t σ Φ σ 5

11 T s t t t ϕ σ + σ t Φ σ (3.7) Pravděpodobost, že áhodá veličia abude hodot z určitého itervalu, je rova ploše pod hustotou pravděpodobosti ad tímto itervalem. Například pro iterval s hraicemi µ -,96σ) a µ + (,96σ) má tato plocha velikost,95. Náhodá veličia potom abývá hodot z tohoto itervalu s 95% pravděpodobostí, a pouze s 5% pravděpodobostí leží její hodoty mimo uvedeý iterval, podroběji (pravidlo σ): téměř 7 % hodot leží ve vzdáleosti meší ež směrodatá odchylka od průměru, přesěji 68,7 % leží mezi µ ± σ 95 % hodot leží ve vzdáleosti meší ež směrodaté odchylky od průměru, přesěji 95 % leží mezi µ ±,96 σ 99 % hodot leží ve vzdáleosti meší ež 3 směrodaté odchylky od průměru, přesěji 99 % leží mezi µ ±,576 σ f(t) µ -,96σ µ µ +,96σ t (hod) Obr. č. 3.: Normálí rozděleí - pravidlo σ 5

12 3. Zákoy rozděleí pravděpodobosti diskrétí áhodé veličiy Čas ke studiu: hodiy Cíl Po prostudováí tohoto odstavce budete umět: využít vztahy pro výpočet charakteristik biomického rozděleí diskrétí áhodé veličiy, popsat vlastosti Poissoova rozděleí diskrétí áhodé veličiy, prakticky určit její ukazatele. Výklad Pro diskrétí áhodou proměou se ve spolehlivosti používá biomické rozděleí a Poissoovo rozděleí. Biomické rozděleí se používá k popisu úloh typu k/, tedy počtu výskytu ejvýše k pozorovaých jevů z možých. Biomické rozděleí Uvažujeme statisticky ezávislých pokusů. V každém pokusu může sledovaý jev buď astat ("úspěch") ebo eastat ("eúspěch"). Odpovídající pravděpodobosti ozačíme p a (-p), tyto jsou v každém pokusu stejé. Celkový počet úspěšých k pokusů v ezávislých pokusech má biomické rozděleí. Tato áhodá veličia může abývat pouze celočíselých hodot od do. Hustota pravděpodobosti astoupeí jevu: p( k)! k!( k)! k k p ( p ) k,,,.. < p < (3.8) Středí hodota E(X) biomického rozděleí: E( X ) p (3.9) 53

13 Rozptyl biomického rozděleí: D( X ) p ( p) (3.) Poissoovo rozděleí Poissoovo rozděleí můžeme získat dosazeím za do biomického rozděleí a vyřešeím limity. Získaý vztah popisuje pravděpodobost výskytu izolovaých dějů v čase, prostoru, možství a ozačuje se Po(λ). Poissoovo rozděleí je charakterizováo ásledujícími vlastostmi: Pravděpodobost výskytu jedé události v daém itervalu (času, prostoru) je úměrá délce tohoto itervalu. Události se vyskytují ezávisle jak ve stejém itervalu, tak mezi po sobě jdoucími itervaly. Pravděpodobost současého vziku dvou událostí v jedom itervalu je ulová. Sledujeme počet výskytu jevů a jedotku míry, apříklad počet poruch a jedotku času ebo počet poruch a jedotku kilometrického proběhu vozidla. Rozděleí je určeo vztahy: Hustota pravděpodobosti astoupeí jevu: k ( λ t) f ( k) ep( λ t) k! Kde: k je počet sledovaých jevů (poruch), λ - středí itezita poruch (/čas), k,,,.. (3.) t - čas, tj. délka itervalu, ve kterém zjišťujeme pravděpodobost výskytu jevu. Středí hodota E(X) Poissoova rozděleí: E( ) λ t (3.) Rozptyl Poissoova rozděleí: D( ) λ t (3.3) 54

14 Příklad 3.. Vybraé zákoy rozděleí používaé ve spolehlivosti Provozujeme flotilu vozidel, každé je osazeo dvěma žárovkami do světlometů. V letím období jsou světlomety zaputy průměrě 4 hodiy deě, v zimím hodi deě, vozidla jsou v provozu 5 dí v týdu. Máme určit týdeí spotřebu žárovek v letím a zimím období, je-li středí itezita poruch žárovek λ 3,56* -3 (/hod) údaj vypočte v příkladu 3.. Otázka: Jaká je pravděpodobost ulového počtu poruch žárovky za týde? Výpočtem pravděpodobosti pro k (ulový počet poruch) staovíme bezporuchovost žárovek P(Xk). Protože platí, že součet dvou disjuktích jevů je rove jedé, dopočtem do jedičky staovíme pravděpodobost vziku poruch k,,... Bezporuchovost vypočteme dosazeím do vztahu (3.) pro k. p( k p( k ) ) leto zima ( λ t) k! k ep( 3,56 ep( λ t) ep( λ t) ep( 3, ), ),93 F( ) F( ) leto zima p( k) leto,84,6,93,7 V provozu je vozidel, tj. celkem N 4 ks žárovek. Týdeí spotřebu vypočteme: leto zima F( ) F( ) leto zima N,7 4,8 3 ks N,6 4 6,4 6 ks V letím období lze očekávat poruchu 3 ks žárovek, v zimím 6 ks žárovek za týde. 55

15 3.3 Odhad parametrů zákoa rozděleí pravděpodobosti Čas ke studiu:,5 hodiy Cíl Po prostudováí tohoto odstavce budete umět: provést odhad parametrů dvouparametrického Weibullova rozděleí spojité áhodé veličiy metodou lieárí regrese, popsat postup odhadu parametrů ormálího rozděleí spojité áhodé veličiy, kokrétě určit tyto parametry. Výklad Iformace o spolehlivostích charakteristikách výrobků a systémů získáváme v prai z koečého počtu pozorovaých jevů áhodé proměé T. Pozorovaé jevy tvoří áhodý výběr, který má empirickou charakteristiku. Z empirické charakteristiky tvoříme odhad teoretické charakteristiky, tedy modelu, který dobře reprezetuje empiricky zjištěá data. V zásadě se používají dvě metody: Parametrická metoda předpokládá zalost zákoa rozděleí distribučí fukce F(t) áhodé veličiy t. Distribučí fukce je určea hodotou jedoho ebo více parametrů podle typu rozděleí, parametry se vypočítají z pozorováí jevů. Výpočtem určíme bodový odhad parametrů rozděleí, odhad se použije pro dosazeí do vztahů určujících ukazatele spolehlivosti. Bodový odhad, ozačovaý BOP, je zatíže chybou, velikost této chyby se zmešuje s rostoucím počtem pozorovaých jevů. Při malém počtu pozorovaých jevů je uté bodový odhad rozšířit a itervalový odhad, ve kterém odhadovaý parametr leží. Neparametrická metoda vychází z předpokladu, že eí zám kokrétí typ rozděleí distribučí fukce F(t) áhodé proměé T. Odhad ukazatelů spolehlivosti vychází ze zkušebího pláu zkoušky spolehlivosti. Odhad parametru epoeciálího rozděleí E(λ) byl ukázá v příkladu 3., a proto se jím dále ebudeme zabývat. U dalších rozděleí, ve kterých vystupují dva parametry, je uté použít jié postupy. Tyto budou ukázáy a příkladu Weibullova rozděleí, kde k odhadu parametrů využijeme lieárí regrese, u ormálího rozděleí použijeme metodu maimálí věrohodosti. 56

16 Odhad parametrů Weibullova rozděleí Odhad lze provést dvěma metodami: Grafickou metodou. Aalytickou metodou. Grafická metoda umožňuje staovit odhad parametrů zákoa rozděleí při současém testováí, zda je teto záko rozděleí vhodý jako aproimace eperimetálě získaých údajů. Logaritmováím rovice (3.) získáme vztah: m logλ ( t ) ( m ) logt + log( ) (3.4) t Na logaritmický papír (log log) se vyesou vypočítaé hodoty λ i (t), body se proloží přímka. Směrice přímky určuje odhad (m-), úsek a ose pořadic odhad poměru m/t. Pokud budou v grafu odchylky jedotlivých bodů λ i (t) od přímky dosti malé, můžeme považovat Weibullovo dvouparametrické rozděleí za vyhovující aproimaci. Vhodost modelu je uté ověřit testem dobré shody. Podrobý postup lze alézt v [Stuchlý, 993]. Aalytická metoda: Využívá techiky proložeí empirických dat přímkou metodou ejmeších čtverců, a je dobře realizovatelá s použitím tabulkového procesoru. Výklad metody bude provede ve třech krocích:. úprava distribučí fukce F(t) a ásledá substituce rovicí přímky,. staoveí parametrů rovice přímky proložeím empirických dat metodou ejmeších čtverců, 3. odhad parametrů Wp modelu zpětou trasformací.. krok: Distribučí fukce Wp rozděleí je dáa (3.8), cílem azačeých úprav je získat tvar vhodý k zavedeí substituce rovicí přímky: 57

17 F ep F ep t t t t m m l( F ) t t l( l( F )) m l t m l t m Srovej s rovicí přímky y k + q Zavedeme substituce: y l( l( F )) (3.5) k m l t q m lt (3.6) (3.7). krok: Uspořádáme empirická data do vzestupé řady, kde ejmeší hodota (ejkratší doba do poruchy) obdrží pořadové číslo, druhá hodota obdrží pořadové číslo, až posledí obdrží pořadové číslo. Pořadové číslo poruchy i využijeme k odhadu mediáového pořadí F i (m) dle vztahu: i,3 Fi ( m) i,, (3.8) +,4 Kde: i je pořadové číslo poruchy celkový počet poruch Mediáové pořadí je ejlepší odhad hodoty F(t), která vystupuje a pravé straě vztahu (3.5). Nyí vyeseme do grafu dvojice hodot l t i a y i, hodota y i se vypočítá ze vztahu (3.5). Vziklými body v grafu proložíme přímku metodou ejmeších čtverců, s výhodou lze pro tuto operaci použít vestavěé fukce tabulkového procesoru (obr. 3.). Získaou rovici přímky použijeme k odhadu Wp rozděleí. 58

18 y l(-l(-f(m))),5 y,86-7, ,5 l t - -,5 - -,5 Obr. č. 3.: Staoveí parametrů rovice přímky 3. krok: Rovici přímky porováme se vztahy (3.6 a 3.7). Směrice přímky k odpovídá hodotě parametru tvaru m, parametr měřítka t vypočítáme úpravou vztahu (3.7): q m l t l t q m t q ep( m ) (3.9) Příklad 3.3. Určete aalytickou metodou parametry Wp rozděleí dvou provedeí převodovek. Údaje o poruchách převodovek jsou převzaty z příkladu.. Otázka: Jak uspořádat tabulku hodot pro sestaveí grafu a obr. 3.8? Tabulka musí obsahovat hodoty potřebé k sestaveí grafu a obrázku č. 3., tedy dvojici hodot Y i a l(t i ). Vzorový výpočet. řádek, převodovka A, doba do poruchy t 5 (hod): 59

19 i,3,3 F ( m) +,4 +,4,67 y y l t l( l( F ( m))) l( l(,67 )),664 l(5) 4,88 Tab. 3.: Hodoty pro sestaveí grafu lieárí regrese P.č. Převodovka provedeí A Doba do poruchy ti (hod) Odhad F(m) yi l ti 5,67 -,664 4,88 4,63 -,73 4,94 3 5,6 -, 5,37 4 5,356 -,8 5,5 5 6,45 -,59 5, ,548 -,3 5, ,644,33 6, ,74,99 6, ,837,594 6,898 5,933,993 7,48 P.č. Převodovka provedeí B Doba do poruchy ti (hod) Odhad F(m) yi l ti,67 -,664 4,787 55,63 -,73 5, ,6 -, 5, ,356 -,8 5, ,45 -,59 6,8 6 45,548 -,3 6,5 7 5,644,33 6,5 8 5,74,99 6, ,837,594 6,73 585,933,993 6,37 Sestavíme bodový graf X - Y: osa X: - vyesey hodoty l t i z tabulky osa Y: - vyeseme hodoty y i z tabulky V grafu ozačíme datovou řadu (prostředí Ecel), zvolíme přidat spojici tredu, typ lieárí regrese. V záložce možosti zvolíme zobrazit rovici regrese a zobrazit hodotu spolehlivosti R. Získáme hledaou rovici přímky, kterou porováme ze vztahy (3.6 a 3.7). Situace je a obrázku 3.. Převodovka A Převodovka B,, y,337-8,66 R,8957,, y,9589 -,37 R,895, 4, 5, 6, 7, 8, -, -, -3,, 4, 4,5 5, 5,5 6, 6,5 -, -, -3, Obr. č. 3.: Parametry rovice přímky 6

20 Převodovka A Parametr tvaru m: Převodovka B Parametr tvaru m: y,33 m, 3 Parametr měřítka to: q 8,66 t ep( ) ep( ) 58( hod) m,3 y,958 m, 96 Parametr měřítka to: q,37 t ep( ) ep( ) 5( hod) m,96 Pozámka: Hodota R - koeficiet determiace, porovává skutečé hodoty y a jejich odhady. Nabývá hodot od do, pokud je rove, eistuje v tomto vzorku dokoalá korelace, tj. mezi odhadem a skutečými hodotami y eí žádý rozdíl. Pokud je koeficiet determiace rove ule, zameá to, že regresí rovice edokáže předpovídat hodoty y. V uvedeém příkladu je zřejmé, že kvalita proložeí empirických dat teoretickým modelem je a dobré úrovi. Závěr: Metodou lieárí regrese jsme staovili parametry Wp rozděleí. Převodovka provedeí A má odhad parametrů Wp rozděleí: m,3 a t 58 (hod). Převodovka provedeí B má odhad parametrů Wp rozděleí: m,96 a t 5 (hod). Odhad parametrů ormálího rozděleí Odhad parametrů ormálího rozděleí je provede metodou maimálí věrohodosti. Uvažujme, že data i, kde i,,.. jsou získáa ze zkoušek spolehlivosti a jsou výsledkem opakovaých, ezávislých eperimetů. Lze tvrdit, že ze všech možých realizací áhodé veličiy (realizace výsledek zkoušky) obdržíme hodoty ejpravděpodobější, a a tomto tvrzeí je založea metoda odhadu parametrů s maimálí věrohodostí. Nazačme postup řešeí. Hustota pravděpodobosti -tice realizací i je dáa průikem pravděpodobostí astoupeí jevu. Tomu odpovídá s uvážeím vztahu (3.): 6

21 6 i i i f e e f i i i ) ( ) ( ) ( ) l( ),..., ( l ),..., ( σ µ πσ πσ πσ σ µ σ µ (3.3) (3.3) Parametry rozděleí µ a σ chápeme jako proměou a hledáme maimum pravděpodobosti vztahu (3.3) jako lokálí etrém. Protože ve vztahu vystupují dva parametry, provedeme parciálí derivaci podle µ a σ a získáme tak dvě rovice: Řešeím rovic obdržíme: ) ( µ σ µ i i i i (3.34) (3.35) Je zřejmé, že aritmetický průměr (3.34) je ejlepší odhad středí hodoty ormálího rozděleí určeý podle pricipu maimálí věrohodosti, podobě vztah (3.35) je ejlepší odhad rozptylu. Kokrétí řešeí realizujeme ve dvou krocích. Nejprve odhademe středí hodotu rozděleí, v druhém kroku provedeme odhad rozptylu. ) ( ),..., ( l ) ( ),..., ( l 4 + i i i i f f µ σ σ σ σ µ µ i,.. (3.3) (3.33)

22 3.4 Spolehlivost eobovovaých soustav Vybraé zákoy rozděleí používaé ve spolehlivosti Čas ke studiu: hodiy Cíl Po prostudováí tohoto odstavce budete umět: popsat vliv sériového řazeí prvků a bezporuchovost soustavy, určit vztah pro bezporuchovost soustavy, popsat vliv paralelího řazeí prvků a bezporuchovost soustavy, určit vztah pro bezporuchovost soustavy, použít postup pro výpočet soustav s kombiovaým uspořádáím prvků, určit bezporuchovost růzě uspořádaých soustav. Výklad Spolehlivost soustavy je obecě závislá a spolehlivosti prvků soustavy a způsobu jejich zapojeí. Předpokládá se, že každý prvek i celá soustava se mohou acházet vždy v jedom ze dvou stavů: v bezporuchovém stavu ebo ve stavu poruchy. Rozklad soustavy a prvky vede k popisu čiosti vyjádřeé blokovým schématem, které odpovídá logické struktuře soustavy. Většia strojíreských výrobků má obvykle prvky řazeé v sérii i paralelě jde tedy z hlediska spolehlivosti o smíšeé zapojeí. Zjišťovat a hodotit bezporuchovost soustav lze v zásadě dvěma základími metodami, rozdíl spočívá ve způsobu získáváí vstupích údajů. Při prvím způsobu musí být k dispozici spolehlivostí údaje prvků, z ichž lze vypočítat spolehlivostí charakteristiky celé soustavy. Při druhém způsobu se hodotí při zkouškách soustava jako celek a ze získaých podkladů lze při úpravě metodiky získat údaje o jedotlivých prvcích. Jsou-li zámy spolehlivostí charakteristiky tvořících prvků, jsou rozdíly ve způsobu staoveí charakteristik bezporuchovosti soustavy určey tím, zda jde o sériovou, paralelí ebo smíšeou soustavu. Základí číselou charakteristikou je pravděpodobost bezporuchového provozu soustavy a pravděpodobost poruchy, popř. charakteristiky odvozeé. 63

23 Sériová soustava Bezporuchový stav soustavy s prvky spojeými v sérii astae pouze při bezporuchovém stavu všech prvků. Sériovým spojeím se rozumí logické fukčí uspořádáí prvků, skutečé uspořádáí prvků může být libovolé. Blokové schéma soustavy se sériovým spojeím je a obr. č Bloky odpovídají prvkům, mezi vstupem a výstupem eistuje pouze jedo spojeí procházející všemi bloky. A A A Obr. č. 3.3: Řazeí prvků sériové soustavy Porucha sériové soustavy astae, je li v poruše ěkterý z jejích prvků, bezporuchový stav sériové soustavy astae pouze tehdy, budou-li v bezporuchovém stavu všechy prvky. Této podmíce odpovídá průik jevů bezporuchovosti prvků soustavy: R... R Ri i R R i,, 3.., (3.36) Pravděpodobost bezporuchového provozu sériové soustavy R(t) je dáa součiem hodot R i (t) všech prvků soustavy. Protože jde o souči čísel meších ež jeda, platí, že výsledá pravděpodobost bezporuchového provozu soustavy je vždy horší ež bezporuchovost ejméě spolehlivého prvku. Pravděpodobost bezporuchového provozu sériové soustavy R(t) se sižuje s rostoucím počtem prvků a zvyšuje se s růstem spolehlivosti prvků. Paralelí soustava U paralelí soustavy jsou prvky spojey paralelě a každým z ich prochází jedo spojeí mezi vstupem a výstupem obr.č Porucha celé paralelí soustavy astae v případě, že se poškodí všechy tvořící prvky. Všechy prvky jsou z hlediska vziku poruch avzájem ezávislé. Pravděpodobost poruchy paralelí soustavy R(t) v době provozu t se rová součiu pravděpodobosti poruchy F i (t) všech tvořících prvků: F... F F( i) i F F i,, 3.., (3.37) 64

24 U paralelí soustavy platí, že pravděpodobost jejího bezporuchového provozu R(t) je vyšší ež obdobá hodota Ri(t) ejspolehlivějšího prvku, s růstem počtu paralelích prvků se bezporuchovost R(t) soustavy stále zvyšuje. A A A Obr. č. 3.4: Řazeí prvků paralelí soustavy Kombiovaé soustavy V kombiovaé soustavě jsou prvky řazeé sériově i paralelě. Při výpočtu pravděpodobosti bezporuchového provozu kombiovaé soustavy se používá postup vycházející z řešeí obou základích soustav sériové i paralelí. A B A B A B Obr. č. 3.5: Příklad řazeí prvků smíšeé soustavy Obecý postup řešeí: staoví se charakteristiky zálohovaých prvků R(t) a F(t) z charakteristik jejich tvořících prvků postupem obvyklým pro paralelí soustavy, řešeí celé kombiovaé soustavy se provede pomocí charakteristik ezálohovaých prvků R(t) postupem obvyklým pro sériové soustavy. Zvláští skupiu tvoří soustavy, u kterých je pro bezporuchový stav soustavy utý bezporuchový stav určitého počtu prvků a ezáleží a tom, které to jsou. Takovou soustavu představuje apříklad ocelové lao, ve kterém musí zůstat eporuše určitý počet drátů, aby lao bylo schopo přeést určitou sílu bez přetržeí. 65

25 Příklad 3.4. Prvky soustavy mají epoeciálí rozděleí doby do poruchy, popsaé distribučí fukcí dle vztahu (3.). Uspořádáí soustavy je a obr. č Určete průběh bezporuchovosti soustavy, sestavte graf průběhu bezporuchovosti celé soustavy R(t) a objektů v závislosti a čase. A B C Obr. č. 3.6: Uspořádáí soustavy Vstupí parametry bezporuchovosti prvků soustavy: λ A,4(/ hod ) λ B,4(/ hod ) λ C,5(/ hod ) Otázka: Jak provést redukci soustavy z kombiovaého a sériové uspořádáí? Řešeí soustavy se provede ahrazeím objektů A a B s paralelím uspořádáím jedím objektem (AB), a dále výpočtem sériové soustavy složeé z objektů (AB) a C. Průběh pravděpodobosti poruchy F(t) objektu (AB) se staoví s využitím vztahu (3.37), soustavy složeé z objektů (AB) a C s využitím (3.36). Výpočet paralelě uspořádaých objektů A a B (3.37): F R ab ab F a F ( F a b F b ) Výpočet sériové soustavy složeé z objektů (AB) a C provedeme dle (3.36): R R abc abc R ab R ( ( F a c F b )) R c Dosazeím vztahu (3.) popisující epoeciálí rozděleí doby do poruchy objektů A,B,C obdržíme: 66

26 R R ab abc (( ep( λ t)) ( ep( λ t))) a ( (( ep( λ t)) ( ep( λ t))) ep( λ t) a b Dosazeím kokrétích hodot itezity poruch objektů A,B,C: sestavíme tabulku hodot pro sestaveí grafu: Tab. 3.3: Hodoty pro sestaveí grafu bezporuchovost soustavy b c t (hod) F(t)a F(t)ab R(t)ab R(t)c R(t)abc,,39,,998,995,993,,77,6,994,99,984 5,,8,33,967,975,943,,33,9,89,95,848 5,,45,4,796,98,739,,55,33,697,95,63 5,,63,4,6,88,53 3,,699,488,5,86,44 35,,753,568,43,839,363 4,,798,637,363,89,97 45,,835,697,33,799,4 5,,865,748,5,779,97 55,,889,79,9,76,59 6,,99,87,73,74,8 65,,96,857,43,73,3 7,,939,88,8,75,83 75,,95,93,97,687,67 8,,959,9,8,67,54 85,,967,934,66,654,43 Průběh bezporuchovosti R(t) zobrazíme v závislosti a době provozu soustavy (obr. č. 3.7). R(t),,8,6,4,,,, 4, 6, 8,, t (hod) R(t)abc R(t)ab Obr. č. 3.7: Průběh bezporuchovosti R(t) soustavy 67

27 Závěr: Z průběhu bezporuchovosti R(t) je patrý vliv sériově řazeého objektu C. Objekt C má o řád ižší itezitu poruch ež objekty A a B, přesto jako sériově řazeý objekt začě sižuje bezporuchovost celé soustavy. Shrutí kapitoly Epoeciálí rozděleí spojité áhodé veličiy má kostatí průběh itezity poruch, a proto se využívá pro popis bezporuchovosti v období ormálího provozu vozidla. Weibullovo rozděleí spojité áhodé veličiy je vhodé pro popis bezporuchovosti strojích soustav pro svoji variabilitu. Změou parametru tvaru lze tímto rozděleím ahradit ěkterá další rozděleí. Odhad parametrů tohoto rozděleí je možé provést metodou lieárí regrese. Pro diskrétí áhodou veličiu se v oblasti spolehlivosti využívá biomické rozděleí a Poissoovo rozděleí. Používají se k popisu počtu výskytů áhodých jevů (apř. poruch). Bezporuchovost sériové soustavy je vždy horší ež bezporuchovost ejméě spolehlivého prvku. Bezporuchovost paralelí soustavy je vždy lepší ež bezporuchovost ejspolehlivějšího prvku. 68

28 Kotrolí otázky 3.. Jak jsou popsáy a jaký mají průběh spojitá a diskrétí rozděleí pravděpodobosti? epoeciálí rozděleí Weibullovo rozděleí ormálí rozděleí biomické rozděleí Poissoovo rozděleí 3.. Jak lze provést odhad parametrů Weibullova rozděleí metodou lieárí regrese? 3.3. Jaký je pricip odhadu parametrů ormálího rozděleí metodou maimálí věrohodosti? 3.4. Jak vypočítat bezporuchovost sériové soustavy? 3.5. Jak vypočítat bezporuchovost paralelí soustavy? 3.6. Jak vypočítat bezporuchovost kombiovaé soustavy? Úkoly k řešeí 3.7. Bylo zkoušeo 5 výrobků, dokud se všechy eporouchaly. Doby do poruchy (h) mají epoeciálí rozděleí. Metodou lieárí regrese byla zjištěa rovice přímky y,56. Určete parametr rozděleí λ (h - ) a středí dobu do poruchy T S (h). Určete, kolik výrobků bylo porouchaých po době 9 h. 69

29 3.8. Bylo zkoušeo výrobků, dokud se všechy eporouchaly. Doby do poruchy (h) mají epoeciálí rozděleí. Akumulovaá pracoví doba čiila 6 h. Určete parametr rozděleí λ (h - ) a mediá. Vypočtěte, kolik výrobků bude porouchaých po uplyutí středí doby do poruchy T S (h) Určete kilometrický proběh vozidel mezi údržbou, je-li požadováa miimálí bezporuchovost vozidel R(l),9. Kilometrické proběhy mezi poruchami vozidel mají Weibullovo rozděleí (Wp) s parametry: m,6; l 3 77 km. 3.. U vozidel byla eperimetem zjištěa z kilometrických proběhů mezi poruchami s Weibullovým rozděleím (Wp) přímka lieárí regrese ve tvaru: y,8. 5,756 Určete parametry rozděleí m, l (km). Budou vozidla vyhovovat požadavku miimálí bezporuchovosti R(l),95, je-li prováděa údržba po proběhu 3 km? 3.. U skupiy 6 vozidel dochází k poruše klíového řemeu s itezitou /9 km -. Vozidla jsou v provozu každý de, průměrý deí běh vozidla je km. Určete počet áhradích klíových řemeů, které musí mít provozovatel vozidel ve skladu během týde (7 dí). 3.. Ve flotile 85 autobusů dochází během čtyř týdů k 6 poruchám termostatu. Autobusy jsou v provozu každý de, průměrě 6 hodi deě. Určete, jak by se musela změit středí doba do poruchy termostatu, je-li požadavek, aby počet poruch za období 4 týdů klesl a poloviu Určete vztah pro výpočet bezporuchovosti soustavy, uvedeé a obrázku

30 3.4. Zkouškami spolehlivosti byly zjištěy parametry bezporuchovosti dvou prvků s epoeciálím rozděleím dob do poruchy: λ,5 h - ; λ, h -. Prvky jsou v soustavě řazey sériově. Určete dobu provozu mezi údržbami, aby bezporuchovost systému eklesla pod R(t),9, je-li údržba prvků prováděa společě Ve smíšeé soustavě (viz obrázek) jsou 3 prvky, které mají epoeciálí rozděleí dob do poruchy. Prvek č. má parametr λ,5 h -, prvky č. a 3 mají shodý parametr λ λ 3,75 h -. U prvku č. je předepsáa obova po době h. Navrhěte dobu mezi obovami prvků č. a 3 tak, aby byla dodržea požadovaá miimálí bezporuchovost soustavy R(t),9. 3 Další zdroje [Barlow, 996] Barlow, R.E., Proscha, F.: Mathematical Theory of Reliability. Golub, G.H.,Stafort Uiversity. Uited States of Amerika 996. ISBN [Daěk,999] [Holub, 99] Daěk, A. - Široký,J. - Famfulík,J.: Matematické metody obovy dopravích prostředků, Reprois Ostrava 999, ISBN Holub, R.: Základy spolehlivosti techických systémů, Bro, Vojeská akademie, 99. [Novotý, ] Novotý R.: Weibullovo rozděleí při aalýzách bezporuchovosti. Elektrorevue /7. [Stuchlý, 993] Stuchlý, V.: Teória údržby, VŠDS Žilia, Žilia 993, ISBN

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

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

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

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

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby. ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém

Více

Náhodný výběr 1. Náhodný výběr

Náhodný výběr 1. Náhodný výběr Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí

Více

Závislost slovních znaků

Závislost slovních znaků Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví

Více

4. B o d o v é o d h a d y p a r a m e t r ů

4. B o d o v é o d h a d y p a r a m e t r ů 4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž

Více

Intervalové odhady parametrů

Intervalové odhady parametrů Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti. 10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé

Více

2. Náhodná veličina. je konečná nebo spočetná množina;

2. Náhodná veličina. je konečná nebo spočetná množina; . Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité

Více

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti

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

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

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr

Více

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

jako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých 9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie

Více

P2: Statistické zpracování dat

P2: Statistické zpracování dat P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu

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

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

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí

Více

Pro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).

Pro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.). STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,

Více

Pravděpodobnostní modely

Pravděpodobnostní modely Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k

Více

V. Normální rozdělení

V. Normální rozdělení V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,

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

Pravděpodobnostní model doby setrvání ministra školství ve funkci

Pravděpodobnostní model doby setrvání ministra školství ve funkci Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí

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

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací

Při sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací 3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací

Více

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková

Základy statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují

Více

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou 4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,

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

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů některých rozdělení. 4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:

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

8. Analýza rozptylu.

8. Analýza rozptylu. 8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,

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

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ 3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,

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

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13). 37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým

Více

14. B o d o v é o d h a d y p a r a m e t r ů

14. B o d o v é o d h a d y p a r a m e t r ů 4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž

Více

vají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví

vají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví Statistika v biomedicísk ském výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Literatura Edice Biomedicísk ská statistika vydáva vaá a Uiverzitě

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

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.

Statistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter. Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem

Popisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme

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

vají statistické metody v biomedicíně

vají statistické metody v biomedicíně Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk

Více

1 ROVNOMĚRNOST BETONU KONSTRUKCE

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

Více

Úloha III.S... limitní

Úloha III.S... limitní Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími

Více

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která

Více

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

8. Odhady parametrů rozdělení pravděpodobnosti

8. Odhady parametrů rozdělení pravděpodobnosti Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z

Více

} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy

} kvantitativní znaky. korelace, regrese. Prof. RNDr. Jana Zvárov. Obecné principy Měřeí statistické závislosti, korelace, regrese Prof. RNDr. Jaa Zvárov rová,, DrSc. MĚŘENÍZÁVISLOSTI Cílem statistické aalýzy vepidemiologii bývá eje staovit, zda oemocěí závisí a výskytu rizikového faktoru,

Více

Přednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti

Přednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou

Více

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním

Intervalový odhad. nazveme levostranným intervalem pro odhad parametru Θ. Statistiku. , kde číslo α je blízké nule, nazveme horním Lekce Itervalový odhad Itervalový odhad je jedou ze stadardích statistických techik Cílem je sestrojit iterval (kofidečí iterval, iterval spolehlivosti, který s vysokou a avíc předem daou pravděpodobostí

Více

Národní informační středisko pro podporu jakosti

Národní informační středisko pro podporu jakosti Národí iformačí středisko pro podpor jakosti Kozltačí středisko statistických metod při NIS-PJ Výpočet koeficietů reglačích diagramů pro obecé riziko Ig. Václav Chmelík, CSc Ústav strojíreské techologie,

Více

České vysoké učení technické v Praze. Fakulta dopravní. Semestrální práce. Statistika

České vysoké učení technické v Praze. Fakulta dopravní. Semestrální práce. Statistika České vysoké učeí techické v Praze Fakulta dopraví Semestrálí práce Statistika Čekáí vlaku ve staicích a trase Klado Ostrovec Praha Masarykovo ádraží Zouzalová Barbora 2 35 Michálek Tomáš 2 35 sk. 2 35

Více

6. P o p i s n á s t a t i s t i k a

6. P o p i s n á s t a t i s t i k a 6. P o p i s á s t a t i s t i k a 6.. 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

Zhodnocení přesnosti měření

Zhodnocení přesnosti měření Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek

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

1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A );

1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A ); 1 PSE 1 Náhodý pokus, áhodý jev. Operace s jevy. Defiice pravděpodobosti jevu, vlastosti ppsti. Klasická defiice pravděpodobosti a její použití, základí kombiatorické vzorce. 1.1 Teoretická část 1.1.1

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základy měřeí eelektrických veliči.. Měřicí řetězec Měřicí řetězec (měřicí soustava) je soubor měřicích čleů (jedotek) účelě uspořádaých tak, aby bylo ožě split požadovaý úkol měřeí, tj. získat iformaci

Více

Číselné charakteristiky náhodných veličin

Číselné charakteristiky náhodných veličin Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí

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

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

b c a P(A B) = c = 4% = 0,04 d

b c a P(A B) = c = 4% = 0,04 d Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá

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

Statistika pro metrologii

Statistika pro metrologii Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých

Více

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře

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

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

Modelování jednostupňové extrakce. Grygar Vojtěch

Modelování jednostupňové extrakce. Grygar Vojtěch Modelováí jedostupňové extrakce Grygar Vojtěch Soutěží práce 009 UTB ve Zlíě, Fakulta aplikovaé iformatiky, 009 OBSAH ÚVOD...3 1 MODELOVÁNÍ PRACÍCH PROCESŮ...4 1.1 TERMODYNAMIKA PRACÍHO PROCESU...4 1.

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

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

Pevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.

Pevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý. evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické

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

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvalitěí výuky prostředictvím ICT Téma III..3, pracoví list 3 Techická měřeí v MS Ecel Průměry a četosti, odchylky změřeých hodot. Ig. Jiří Chobot

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

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,

Více

( + ) ( ) ( ) ( ) ( ) Derivace elementárních funkcí II. Předpoklady: Př. 1: Urči derivaci funkce y = x ; n N.

( + ) ( ) ( ) ( ) ( ) Derivace elementárních funkcí II. Předpoklady: Př. 1: Urči derivaci funkce y = x ; n N. .. Derivace elemetárích fukcí II Předpoklady: Př. : Urči derivaci fukce y ; N. Budeme postupovat stejě jako předtím dosazeím do vzorce: f ( + ) f ( ) f f ( + ) + + + +... + (biomická věta) + + +... + f

Více

Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály

Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam

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

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

Přednášky část 7 Statistické metody vyhodnocování dat

Přednášky část 7 Statistické metody vyhodnocování dat DŽ ředášky část 7 tatistické metody vyhodocováí dat Mila Růžička mechaika.fs.cvt.cz mila.rzicka@fs.cvt.cz DŽ tatistické metody vyhodocováí dat Jak velké rozptyly lze očekávat mezi dosažeými pevostmi ebo

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

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI

8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI 8 DALŠÍ SPOJITÁ ROZDĚLENÍ PRAVDĚPODOBNOSTI Ča ke tudiu kapitoly: 60 miut Cíl: Po protudováí tohoto odtavce budete umět: charakterizovat další typy pojitých rozděleí: χ, Studetovo, Ficher- Sedocorovo -

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

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

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

n-rozměrné normální rozdělení pravděpodobnosti

n-rozměrné normální rozdělení pravděpodobnosti -rozměré ormálí rozděleí pravděpodobosti. Ortogoálí a pozitivě defiití symetrické matice. Reálá čtvercová matice =Ha i j L řádu se azývá ortogoálí, je-li regulárí a iverzí matice - je rova traspoovaé matici

Více

Popisná statistika. Zdeněk Janák 9. prosince 2007

Popisná statistika. Zdeněk Janák 9. prosince 2007 Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46

Více

Náhodný výběr, statistiky a bodový odhad

Náhodný výběr, statistiky a bodový odhad Lekce Náhodý výběr, statistiky a bodový odhad Parametr rozděleí pravděpodobosti je ezámá kostata, jejíž přímé určeí eí možé. Nástrojem pro odhad ezámých parametrů je áhodý výběr a jeho charakteristiky

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

DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ. 1) Pojem funkce, graf funkce

DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ. 1) Pojem funkce, graf funkce DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ ) Pojem ukce, gra ukce De: Fukcí reálé proměé azýváme pravidlo, které každému reálému číslu D přiřazuje právě jedo reálé číslo y H Toto pravidlo začíme ejčastěji

Více

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE

1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE 1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;

Více

Lineární a adaptivní zpracování dat. 9. Modely časových řad II.

Lineární a adaptivní zpracování dat. 9. Modely časových řad II. Lieárí a adaptiví zpracováí dat 9. Modely časových řad II. Daiel Schwarz Ivestice do rozvoje vzděláváí Opakováí K čemu je dobré vytvářet modely procesů geerující časové řady? Dekompozice časový řad: jaké

Více

Dynamická pevnost a životnost Statistika

Dynamická pevnost a životnost Statistika DŽ statistika Dyamická pevost a životost tatistika Mila Růžička, Josef Jreka, Zbyěk Hrbý mechaika.fs.cvt.cz zbyek.hrby@fs.cvt.cz DŽ statistika tatistické metody vyhodocováí dat DŽ statistika 3 tatistické

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

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

Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/

Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/ Teto projekt je spolufiacová Evropským sociálím fodem a Státím rozpočtem ČR IoBio CZ..07/2.2.00/28.008 Připravil: Ig. Vlastimil Vala, CSc. Metody zkoumáí ekoomických jevů Kapitola straa 3 Metoda Z řeckého

Více