Kvantová a statistická fyzika 2 (Termodynamika a statistická fyzika)
|
|
- Veronika Bláhová
- před 8 lety
- Počet zobrazení:
Transkript
1 Kvatová a statistická fyzika (Termodyamika a statistická fyzika) Boltzmaovo - Gibbsovo rozděleí - ilustračí příklad Pro ilustraci odvozeí rozděleí eergií v kaoickém asámblu uvažujme ásledující příklad. Nechť f systémů sdílí omezeé možství N jedotek ějaké veličiy, kterou si mohou vzájemě vyměňovat. Ve statistické fyzice se typicky zkoumá výměa eergie, jejíž celkové možství se zachovává. Pricip odvozeí je však uiverzálí, můžeme třeba uvažovat situaci, kdy f živostíků má celkem N dukátů, kterými si vzájemě platí za služby ci za výrobky. Systém je uzavřeý a celkové možství peěz se eměí; každý živostík může kdykoliv získat dukát od jiého živostíka a stejě tak může kdykoliv dukát utratit pokud tedy ějaký zrova má. Dluhy aše hypotetická ekoomika epřipouští. Jaká bude pravděpodobost toho, že v áhodý okamžik bude mít daý živostík právě dukátů? Jak tato pravděpodobost bude vypadat v limitě velkého počtu dukátů i živostíků s tím, že počet dukátů a jedoho živostíka = N/f je kostatí? Ač se dá úloha řešit moha přístupy, pro áš přístup bude vhodé vypočítat ejprve, kolika růzými způsoby lze mezi f živostíků rozdělit N dukátů. Ozačme toto číslo C(f, N). Můžeme se sado přesvědčit, že teto počet se rová C(f, N) = (N + f 1)!. (1) N!(f 1)! Proč? Představme si peěžeky živostíků jako jakési krabičky, do ichž umisťujeme dukáty. Krabičky spolu sousedí celkem f 1 přepážkami (viz obr. 1). Rozděleí dukátů mezi živostíky se realizuje jako vložeí f 1 přepážek do řádky N micí. N micí a f 1 přepážek lze seřadit celkem (N + f 1)! způsoby; mezi imi však N! permutací dukátů a (f 1)! permutací přepážek evede k ovému rozděleí. Celkový počet růzých rozděleí je tedy (1). Obrázek 1: Jedo z možých rozděleí osmi dukátů mezi pět živostíků. Vyzkoušejte si to a jedoduchých případech kolika způsoby lze rozdělit čtyři dukáty mezi dva obchodíky? A kolika způsoby tři dukáty mezi tři obchodíky? Nyí lze sado zjistit, jaká bude pravděpodobost P toho, že daý živostík bude mít u sebe právě dukátů. V takovém případě se totiž f 1 zbývajících živostíků musí podělit o N zbývajících dukátů, čehož lze dosáhout C(f 1, N ) růzými způsoby. Pravděpodobost je tedy C(f 1, N ) (N + f )!N!(f 1)! P = = C(f, N) (N )!(f )!(N + f 1)! N(N 1)... (N + 1) = (f 1) (N + f 1)(N + f )... (N + f 1). () Teto výsledek se zjedoduší, pokud uvažujeme velký počet živostíků i velké možství peěz, N 1, f 1 tak, že možství peěz a hlavu = N/f je kostatí. V tom případě f 1 f a N N 1... N + 1 f a podobě N + f 1 N + f... N + f 1 f( + 1). Pro pravděpodobost P pak dostáváme (f ) P f [f( + 1)] +1 =. (3) ( + 1) +1 To je expoeciálí rozděleí; výraz (3) lze totiž zapsat i v ekvivaletích tvarech P = 1 Z q = 1 Z e β, () 1
2 kde a q = , β = l q (5) Z = = q = 1 1 q = + 1. (6) Tyto výsledky je možé otestovat i jedoduchou počítačovou simulací viz obr.. V ašem modelu se během každé iterace vybere áhodý plátce a áhodý příjemce. Pokud má plátce alespoň jede dukát, uskutečí se trasakce: počet dukátů plátce se o jede síží a příjemci jede dukát přibude. Pokud trasakci elze uskutečit, provádí se ové losováí plátce i příjemce. Když po velkém počtu iterací spočítáme, kolikrát se stalo, že daý živostík měl u sebe právě dukátů, dostaeme relativí četosti zázorěé a obr. a. Pro srováí jsou zde uvedey i relativí četosti odpovídající expoeciálímu rozděleí se stejým středím počtem dukátů a jedoho živostíka, = N/f = 3. Proč se tyto hodoty liší? Jedak jsme uskutečili pouze koečý počet iterací při dalších provedeí experimetu dostaeme poěkud jié histogramy relativích četostí, které budou určitým způsobem fluktuovat kolem expoeciálího rozděleí. Druhá odlišost vyplývá z toho, že dukátů i živostíků je koečý počet (expoeciálí rozděleí je limitím případem pro N, f ). V ašem případě to třeba zameá, že emůže být větší ež 15, zatímco expoeciálí rozděleí dává eulové hodoty P i pro libovolě velká. Jak vypadal průběh velikosti majetku jedoho živostíka v čase (během prvích pěti tisíc iterací) ukazuje obr. b. Je vidět, že většiu času trávil jako epříliš zámožý a větší možství peěz mu patřilo zřídkakdy. I když jsme v ašem příkladu používali peíze a živostíky, stejou úvahu lze provést i pro eergii a soubor kvatových harmoických oscilátorů, které si mohou kvata eergie vyměňovat. Je vidět, jak se při růstu počtu stupňů volosti rozděleí eergie blíží Bolzmaovu-Gibbsovu rozděleí. P (a) N = 5 iter 1 (b) iter Obrázek : Počítačová simulace časového vývoje rozložeí N = 15 dukátů mezi f = 5 živostíky. (a) relativí četosti případů, kdy daý živostík měl dukátů výsledky získaé středováím přes N iter = 5 1 iterací. Úzké sloupce slouží pro srováí s expoeciálím rozděleím se stejou středí hodotou = 3. (b) ukázka kokrétího časového vývoje počtu dukátů u jedoho živostíka během prvích iterací.
3 Pozámky Náš model popisoval majetek ve velice zjedodušeém ekoomickém systému. Jak vypadá rozděleí majetku ve skutečé společosti? Empiricky se ukazuje, že ejblíže pravdě může být tzv. Paretovo rozděleí (Vilfredo Pareto, , italský ekoom) P (x) = a/x a+1 pro x 1, a >, tedy mocié rozděleí (x je v ašem případě spojitá proměá, pro diskrétí proměou se uvádí též ázev Zipfovo rozděleí). To s rostoucím x klesá k ule mohem pomaleji ež expoeciálí čili předpovídá větší zastoupeí bohatých ež expoeciálí rozděleí. Kokrétě pro a, 17 z ěj plye tzv. 8/ pravidlo: 8% celkového majetku patří % ejbohatším příslušíkům společosti. Náš ekoomický model byl přece je příliš zjedodušeý. Lze úvahu s eregií či s peězi použít i a jié veličiy či objekty? Uvažujme třeba těsto s rozikami, ze kterého se upečou váočky. Víme, že když váočku akrájíme, vyjdou a jede krajíček v průměru tři roziky. Jak bude vypadat pravděpodobost P toho, že v áhodě vybraém krajíčku bude roziek? Očekávali byste expoeciálí rozděleí () jako pro kvata eergie či dukáty? Zřejmě e častěji arazíme a krajíc se třemi rozikami ež s žádou a skutečost ejlépe popisuje Poissoovo rozděleí (viz obr. 3) Proč? Čím podstatým se eergie ebo peíze odlišují od roziek? P = e!. (7) P (a) N = 5 iter (b) iter Obrázek 3: Počítačová simulace časového vývoje rozložeí N = 15 roziek mezi f = 5 krajíčků váočky. Během každé iterace byla áhodě zvolea rozika, která přeskočila do áhodě zvoleého krajíčku. (a) relativí četosti počtu roziek v krajíci získaé středováím přes N iter = 5 1 iterací. Úzké sloupce slouží pro srováí s poissoovským rozděleím se stejou středí hodotou = 3. (b) ukázka kokrétího časového vývoje počtu roziek v jedom krajíci během prvích iterací. Eergie versus roziky - další pozámky Odpověď a otázku, čím podstatým se v ašich modelech liší kvata eergie (a případě peíze) od roziek je, že kvata eergie jsou v pricipu erozlišitelá, kdežto roziky si můžeme očíslovat. Rozlišitelost či erozlišitelost částic hraje ve statistické fyzice podstatou roli, proto je užitečé těmto pojmům co ejlépe porozumět a jedoduchých příkladech. Pokud se v daém krajíčku achází roziek z celkového počtu N, dá se tato situace realizovat celkem ( N ) způsoby, zatímco s erozlišitelými kvaty eergie jde pouze o jediou realizaci s kvaty. Jiak řečeo, situaci s rozikami odpovídá větší počet mikrostavů ež situaci s kvaty eergie. Pokud je áš systém ergodický, pobude během časového vývoje v každém mikrostavu zhruba stejě dlouho. Jestliže ěkteré situaci odpovídá větší počet mikrostavů ež jié, bude se v í systém acházet odpovídajícím způsobem častěji. 3
4 Jak je to ale s peězi? Copak ejsou mice také odlišitelé? Proč bychom měli očekávat, že se peíze budou chovat spíše jako eergie ež jako roziky? Kdybychom vzali hrst micí a rozmíchali je v těstě místo roziek, eměly by akoec stejé rozděleí jako roziky? V případě peěz půjde zřejmě o to, jakým způsobem bude výměa probíhat. Pouze pro určité typy směy budeme oprávěi modelovat peíze eergií. Abychom mohli očakávat eergii podobé chováí, měli bychom dokázat, že při aší směě bude rozděleí peěz {1 3 7} stejě pravděpodobé jako třeba {3 3 3} (u rozlišitelých předmětů astae případ {3 3 3} 7 krát častěji ež {1 3 7}), a že tedy tvoří ty pravé mikrostavy. To v ašem modelu vyplývá ze skutečosti, že pravděpodobost přechodu z jedoho rozděleí do druhého jsou stejá jako pravděpodobost přechodu opačým směrem. V ašem případě platí P ({ 1,,..., k,... l,... f } { 1,,..., k 1,... l + 1,... f }) = P ({ 1,,..., k 1,... l + 1,... f } { 1,,..., k,... l,... f }). (8) Symbol P ({..., k,... l,...} {..., k 1,... l + 1, }) tu zameá podmíěou pravděpodobost toho, že systém přejde během dalšího kroku do kofigurace {..., k 1,... l + 1, } za podmíky, že se právě achází v kofiguraci {..., k,... l, }. Rovost (8) je obsažea v ašem způsobu losováí: kterýkoliv živostík se může se stejou pravděpodobostí stát příjemcem a kterýkoliv s eulovým majetkem se se stejou pravděpodobostí může stát plátcem. Skutečou pravděpodobost toho, že dojde k přechodu od jedé kofigurace ke druhé získáme vyásobeím podmíěé pravděpodobosti přechodu pravděpodobostí výchozí kofigurace, tedy ve tvaru P ({..., k,... l,...} {..., k 1,... l + 1, }) P ({..., k,... l,...}). (9) V ustáleém stavu se pravděpodobosti jedotlivých kofigurací ebudou v čase měit a můžeme očekávat, že pravděpodobost přechodu od jedé kofigurace ke druhé bude stejá jako pravděpodobost opačého přechodu, P ({..., k,... l,...} {..., k 1,... l + 1, }) P ({..., k,... l,...}) = P ({..., k 1,... l + 1,...} {..., k,... l, }) P ({..., k 1,... l + 1,...}) (1) (této podmíce se v teorii stochastických procesů říká podmíka detailí rovováhy). Protože platí rovost podmíěých pravděpodobostí (8), dostáváme rovost pravděpodobostí kofigurací P ({..., k,... l,...}) = P ({..., k 1,... l + 1,...}). (11) Pro rozlišitelé částice dostaeme jiý výsledek: podmíěé pravděpodobosti přechodu se od sebe budou odlišovat: P roz ({..., k,... l,...} {..., k 1,... l + 1,...}) = k l + 1 P roz ({..., k 1,... l + 1,...} {..., k,... l,...}). (1) Proč? V ašem rozikovém modelu má každá rozika stejou pravděpodobost, že bude vylosováa a změí polohu. Pravděpodobost toho, že odejde jeda rozika z krajíčku s k rozikami je tedy úměrá k. Využijeme-li opět podmíky detailí rovováhy (1), získáváme v ustáleé situaci vztah mezi pravděpodobostmi jedotlivých kofigurací ( l + 1)P roz ({..., k,... l,...}) = k P roz ({..., k 1,... l + 1,...}). (13) Jak se sado přesvědčíme, tuto rovost splňuje multiomické rozdělěí, pro ějž P roz ({..., k,... l,...}) 1 1!!... k!... l!... f!. (1) Celou věc lze ilustrovat a ejjedodušším možém příkladě, kdy dva objekty (mice, kvata eergie, roziky) sdílí dva účastíci, tedy N =, f =, viz obr.. Pokud jsou sdíleé objekty
5 p(a a) p(b b) p(c c) p(a b) p(c a) A B A B A B 1 1 p(b a) p(b c) a b c Obrázek : Dva objekty sdíleé dvěma účastíky A a B. Jedotlivé kofigurace { }, {1 1} a { } jsou ozačey jako a, b a c. erozlišitelé, je podmíěá pravděpodobost přechodu z kofigurace a do kofigurace b, P (a b) = 1/ stejá jako z b do a, P (b a) = 1/: to, že živostík A se dvěma dukáty bude vylosová jako plátce a dá dukát emajetému živostíkovi B je stejě pravděpodobé, jako to, že živostík B s jedím dukátem bude vylosová aby zaplatil živostíku A. Jiá je situace, pokud se losuje mezi rozlišitelými předměty. V tom případě bude P (a b) = 1/, ale P (b a) = 1/: aby kofigurace a přešla a kofiguraci b, může být vylosováa kterákoliv ze dvou roziek, ale a přechod z b do a musí být vylosováa pouze rozika vlastěá účastíkem B. 5
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
Více6 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
Víceveličiny 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
Více12. 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
Více2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II
2,3 ČTYŘI STADARDÍ METODY I, ČTYŘI STADARDÍ METODY II 1.1.1 Statické metody a) ARR - Average Rate of Retur průměrý ročí čistý zisk (po zdaěí) ARR *100 % ( 20 ) ivestic do projektu V čitateli výrazu ( 20
Vícejako 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
VíceÚloha 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
VíceSTUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6
Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II
VíceNáhodu 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
VíceDeskriptivní 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
Víceodhady 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
VíceOdhady 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:
VíceOdhad parametru p binomického rozdělení a test hypotézy o tomto parametru. Test hypotézy o parametru p binomického rozdělení
Odhad parametru p biomického rozděleí a test hypotézy o tomto parametru Test hypotézy o parametru p biomického rozděleí Motivačí úloha Předpokládejme, že v důsledku realizace jistého áhodého pokusu P dochází
VíceP2: 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
Více14. 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,
VícePro 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,
Více6. 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
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
VíceMATICOVÉ 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
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodná proměnná vybraná rozdělení
S1P áhodá roměá vybraá rozděleí PRAVDĚPODOBOST A STATISTIKA áhodá roměá vybraá rozděleí S1P áhodá roměá vybraá rozděleí Vybraá rozděleí diskrétí P Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým
VíceNáhodný 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
Více10.3 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
VíceÚloha 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
Vícejsou reálná a m, n jsou čísla přirozená.
.7.5 Racioálí a polomické fukce Předpoklad: 704 Pedagogická pozámka: Při opisováí defiic racioálí a polomické fukce si ěkteří studeti stěžovali, že je to příliš těžké. Ve skutečosti je sstém, kterým jsou
VícePetr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VíceKinetická teorie plynů - tlak F S F S F S. 2n V. tlak plynu. práce vykonaná při stlačení plynu o dx: celková práce vykonaná při stlačení plynu:
Kietická teorie plyů - tlak tlak plyu p práce vykoaá při stlačeí plyu o d: d celková práce vykoaá při stlačeí plyu: kdyby všechy molekuly měly stejou -ovou složku rychlost v : hybost předaá při árazu molekuly
Více5 PŘEDNÁŠKA 5: Jednorozměrný a třírozměrný harmonický oscilátor.
5 PŘEDNÁŠKA 5: Jedorozměrý a třírozměrý harmoický oscilátor. Půjde o spektrum harmoického oscilátoru emá to ic společého se spektrem atomu ebo se spektrálími čarami atomu. Liší se to právě poteciálem!
Více23. Mechanické vlnění
3. Mechaické vlěí Mechaické vlěí je děj, při kterém částice pružého prostředí kmitají kolem svých rovovážých poloh a teto kmitavý pohyb se přeáší (postupuje) od jedé částice k druhé vlěí může vzikout pouze
VíceDERIVACE 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
VíceČeské 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
VíceVzorový 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
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
VíceIV-1 Energie soustavy bodových nábojů... 2 IV-2 Energie elektrického pole pro náboj rozmístěný obecně na povrchu a uvnitř objemu tělesa...
IV- Eergie soustavy bodových ábojů... IV- Eergie elektrického pole pro áboj rozmístěý obecě a povrchu a uvitř objemu tělesa... 3 IV-3 Eergie elektrického pole v abitém kodezátoru... 3 IV-4 Eergie elektrostatického
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
VíceSEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU
SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU Matematické modelováí (KMA/MM Téma: Model pohybu mraveců Zdeěk Hazal (A8N18P, zhazal@sezam.cz 8/9 Obor: FAV-AVIN-FIS 1. ÚVOD Model byl převzat z kihy Spojité modely v biologii
VíceMatematika 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
Vícef x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )
DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce
VíceOdhady 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
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
Více2. 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
VíceLaboratorní práce č. 10 Úloha č. 9. Polarizace světla a Brownův pohyb:
ruhlář Michal 8.. 5 Laboratorí práce č. Úloha č. 9 Polarizace světla a Browův pohyb: ϕ p, C 4% 97,kPa Úkol: - Staovte polarizačí schopost daého polaroidu - Určete polarimetrem úhel stočeí kmitavé roviy
VíceIntervalové 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:
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
Více1. K o m b i n a t o r i k a
. K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují
VíceSpojitost a limita funkcí jedné reálné proměnné
Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v
VíceFYZIKÁLNÍ SEKCE. Vzorové řešení první série úloh
FYZIKÁLNÍ SEKCE Přírodovědecká fakulta Masarykovy uiverzity v Brě KORESPONDENČNÍ SEMINÁŘ Z FYZIKY 9. ročík 2002/2003 Vzorové řešeí prví série úloh (25 bodů) Vzorové řešeí úlohy č. 1 Voda (7 bodů) Z daých
VícePři 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
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
VíceMendelova 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
Více8. 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,
VícePŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR
PŘÍKLAD NA PRŮMĚRNÝ INDEX ŘETĚZOVÝ NEBOLI GEOMETRICKÝ PRŮMĚR Ze serveru www.czso.cz jsme sledovali sklizeň obilovi v ČR. Sklizeň z ěkolika posledích let jsme vložili do tabulky 10.10. V kapitole 7. Idexy
VíceAplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus
Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová
VíceIntervalový 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
VíceSTATISTIKA. 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,
Více2. Znát definici kombinačního čísla a základní vlastnosti kombinačních čísel. Ovládat jednoduché operace s kombinačními čísly.
0. KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA Dovedosti :. Chápat pojem faktoriál a ovládat operace s faktoriály.. Zát defiici kombiačího čísla a základí vlastosti kombiačích čísel. Ovládat jedoduché operace
VíceZhodnocení 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
VícePravděpodobnost 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
VíceKapitola 5 - Matice (nad tělesem)
Kapitola 5 - Matice (ad tělesem) 5.. Defiice matice 5... DEFINICE Nechť T je těleso, m, N. Maticí typu m, ad tělesem T rozumíme zobrazeí možiy {, 2,, m} {, 2,, } do T. 5..2. OZNAČENÍ Možiu všech matic
VícePravděpodobnostní 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
VíceIAJCE 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
Více3.1 OBSAHY ROVINNÝCH ÚTVARŮ
3 OBSAHY ROVINNÝCH ÚTVARŮ Představa obsahu roviého obrazce byla pro lidi důležitá od pradávých dob ať již se jedalo o velikost a přeměu polí či apříklad rozměry základů obydlí Úlohy a výpočet obsahu základích
Více1 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,
VíceOVMT Přesnost měření a teorie chyb
Přesost měřeí a teorie chyb Základí pojmy Naměřeé údaje ejsou ikdy absolutě přesé, protože skutečé podmíky pro měřeí se odlišují od ideálích. Při každém měřeí vzikají odchylky od správých hodot chyby.
VíceŘADY Jiří Bouchala a Petr Vodstrčil
ŘADY Jiří Bouchala a Petr Vodstrčil Text byl vytvoře v rámci realizace projektu Matematika pro ižeýry 2. století (reg. č. CZ..07/2.2.00/07.0332), a kterém se společě podílela Vysoká škola báňská Techická
VíceNáhodné jevy a pravděpodobnost
Lekce Náhodé jevy a pravděpodobost Výklad pravděpodobosti musí začít evyhutelě od základích pojmů Pravděpodobost, velmi zjedodušeě řečeo, pojedává o áhodých jevech (slově vyjádřeých výsledcích áhodých
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
VíceVlastnosti posloupností
Vlstosti posloupostí Nekoečá posloupost je fukce defiová v oboru přirozeých čísel Z toho plye, že kždá posloupost má prví čle (zčíme ), koečé poslouposti mjí i čle posledí Př Vypište prví čtyři čley poslouposti
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBOST A STATISTIKA Degeerovaé rozděleí D( ) áhodá veličia X s degeerovaým rozděleím X ~D(), R má základí rostor Z = { } a ravděodobostí fukci: ( ) 1 0 Charakteristiky: středí hodota: E(X ) roztyl:
Víceb 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
VíceIntervalové 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
VícePřednáška 7, 14. listopadu 2014
Předáška 7, 4. listopadu 204 Uvedeme bez důkazu klasické zobecěí Leibizova kritéria (v ěmž b = ( ) + ). Tvrzeí (Dirichletovo a Abelovo kritérium). Nechť (a ), (b ) R, přičemž a a 2 a 3 0. Pak platí, že.
VíceKombinatorika- 3. Základy diskrétní matematiky, BI-ZDM
Kombiatorika- 3 doc. RNDr. Josef Kolář, CSc. Katedra teoretické iformatiky FIT České vysoké učeí techické v Praze c Josef Kolar, 2011 Základy diskrétí matematiky, BI-ZDM ZS 2011/12, Lekce 8 Evropský sociálí
Více8.1.3 Rekurentní zadání posloupnosti I
8.. Rekuretí zadáí poslouposti I Předpoklady: 80, 80 Pedagogická pozámka: Podle mých zkušeostí je pro studety pochopitelější zavádět rekuretí posloupost takto (sado kotrolovatelou ukázkou), ež dosazováím
Více6.2. ČÍSELNÉ ŘADY. V této kapitole se dozvíte:
6.2. ČÍSELNÉ ŘADY V této kpitole se dozvíte: jk defiujeme číselou řdu; defiici kovergece řdy jejího součtu; jk vypdá ritmetická, geometrická hrmoická řd jk je to s jejich kovergecí; jk zí utá podmík kovergece
Více2 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
VíceVYSOCE 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,
Více14. 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
Více2.4. INVERZNÍ MATICE
24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:
VíceU klasifikace podle minimální vzdálenosti je nutno zvolit:
.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
VíceCvičení 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
Více4. 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
VíceMateriály k X33KUI, ČVUT, FEL, Vytvořeno dne 11/5/2006 7:07 PM. Seminární cvičení 2. Kódování a přenos informace
Materiály k X33KUI, ČVUT, FEL, Vytvořeo de /5/6 7:7 M Semiárí cvičeí Kódováí a přeos iformace Osova cvičeí k čemu se má dojít??? Motivace úvodí příklad - holub Základí pojmy Zpráva Symbol Abeceda - jakákoliv
VíceCvičení 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
Více6. ČÍSELNÉ POSLOUPNOSTI A ŘADY 6.1. ČÍSELNÉ POSLOUPNOSTI
6. ČÍSELNÉ POSLOUPNOSTI A ŘADY 6.. ČÍSELNÉ POSLOUPNOSTI V této kpitole se dozvíte: jk defiujeme posloupost reálých ebo komplexích čísel; defiici vlstí evlstí limity poslouposti; defiici pojmů souvisejících
Více13 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( + ) ( ) ( ) ( ) ( ) 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
VícePravděpodobnost 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,
Více2 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
Více1 Základy Z-transformace. pro aplikace v oblasti
Základy Z-trasformace pro aplikace v oblasti číslicového zpracováí sigálů Petr Pollák 9. říja 29 Základy Z-trasformace Teto stručý text slouží k připomeutí základích vlastostí Z-trasformace s jejími aplikacemi
Více1 Uzavřená Gaussova rovina a její topologie
1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho
VíceČíselné 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
VíceČíselné 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
VíceEntropie, relativní entropie a sdílená (vazební) informace
Etroie, relativí etroie a sdíleá vazebí iformace Pojem iformace je říliš rozsáhlý a to, abchom jej komleě osali jedoduchou defiicí. Pro libovolou distribuci ravděodobosti můžeme defiovat tzv. etroii, jež
VíceTento 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
VíceZávislost 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
VíceSekvenční 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
Více1. Základy počtu pravděpodobnosti:
www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých
Více1.2. NORMA A SKALÁRNÍ SOUČIN
2 NORMA A SKALÁRNÍ SOUČIN V této kapitole se dozvíte: axiomatickou defiici ormy vektoru; co je to ormováí vektoru a jak vypadá Euklidovská orma; axiomatickou defiici skalárího (také vitřího) součiu vektorů;
Více