Náhodným (stochastickým) procesem nazveme zobrazení, které každé hodnot X t. Promnná t má ve vtšin pípad význam asu. je spojitá,

Rozměr: px
Začít zobrazení ze stránky:

Download "Náhodným (stochastickým) procesem nazveme zobrazení, které každé hodnot X t. Promnná t má ve vtšin pípad význam asu. je spojitá,"

Transkript

1 8 as e studu: 9 mut Cíl: Sezámíte se se záladím omy z teore áodýc roces, Marovovým rocesy, rocesy rst a zá Nauíte se osovat vícestavové systémy omocí ravdodobostí ecod a ravdodobostí stav VÝKLAD 8 Náodé rocesy Náodým (stocastcým) rocesem azveme zobrazeí, teré aždé odot X t Promá t má ve vtš íad výzam asu adí áodou velu ( ) t T Realzací áodéo rocesu rozumíme orétí ozorováí áodéo rocesu, t ž x t eáodou fuc, a zaíme ( ) Dle ovay možy T rozlšueme: áodé rocesy se sotým asem (áodé fuce) T e reálý terval, áodé rocesy s dsrétím asem (áodé oslouost) T e reálá dsrétí moža Hodota X ( t) vyadue stav ozorovaéo obetu v ase t Dle ovay áodé vely X ( t) rozlšueme: áodé rocesy se sotým stavy - X ( t) e sotá, áodé rocesy s dsrétím stavy - X ( t) e dsrétí Náodý roces { X ( t) se sotým asem a s dsrétím stavy,,, obvyle azýváme ítací roces, rotože zazameává oet aýc událostí v ase Hodota X ( t) a edstavue oet daýc událostí v tervalu (, t a vzdáleost edotlvýc oamž událostí od oátu t sou áodé vely 99

2 8 Possov roces Pblžme s yí Possov roces ao ílad ítacío rocesu, terý se velm asto vysytue v alacíc (aílad v teor romadé obsluy) Nec { ( t) X e ítací roces Nec avíc latí: X ( ), dély terval mez výsyty sledovaé událost sou ezávslé áodé vely s exoecálím rozdleím s ustotou λx λe ro x >, f ( x) ro x, de λ > e arametr (tzv tezta omogeío Possoova rocesu) Pa teto roces azveme omogeím Possoovým rocesem, emž ( t) Possoovo rozdleí s arametrem λ t, tedy P ( X ( t) ) Stedí oet výsyt událost v tervalu ( λt) λt oet výsyt sledovaé událost za edotu asu! e,,, X má, t e rove λ t Parametr tedy udává stedí Protože tervaly mez edotlvým výsyty událostí sou ezávslé, zalost oamž rvíc výsyt eovlvue edov doby eáí a další výsyt událost Taé suteost, že sledovaá událost už o urtou dobu eastala, emí ravdodobost eío výsytu v dalším tervalu Píladem Possoova rocesu by mol být roces { X ( t), de ( t) oruc aéo zaízeí v asovém tervalu, t X udává oet ešeý ílad Zdro záeí vysílá v rmru muls za seudy, emž mulsy tvoí Possov roces Jaá e ravdodobost, že v aždém z t terval o délce 5 seud (s, 5s), (5s, s),, (s, 5s) budou regstrováy emé 4 mulsy?

3 , soteme z rovce λ arametr λ, 5 Pro t 5 a EX 5 Pro ravdodobost, že bem edoo tervalu dode regstrac aleso 4 muls, latí Protože EX ( t) λt zísáme ( ),5 5, 5 P ( ( ) ) X 5 4,5 e! 4,5 a ledaá ravdodobost ro všec t terval e ta rova odot,5 e 4!, Marovv roces Nebude-l uvedeo a, { ( t) a dsrétí možou stav {,,, } ezáorým ísly) Proces { ( t) X bude ozaovat áodý roces se sotým asem I (stavy sou ro edoducost ozaey celým X azveme Marovovým rocesem, slue-l tzv marovsou vlastost: ro lbovolá t < t < < t < t τ a,,,, I latí: P ( X ( ) X ( t) X ( t ),, X ( t ) ) P X ( τ ) X ( t) ( ), τ Pravdodobost a ravé stra uvedeé rovost azýváme ravdodobost ecodu Je-l tedy t ítomý oamž, otom cováí Marova rocesu v lbovolém budoucím oamžu τ t závsí ouze a ítomém stavu a ol a stavec edcozíc Marovv roces se azývá omogeí, oud ravdodobost ecodu z edcozío výladu ezávsí a odotác t a, ale ouze a ec rozdílu Používáme a zaeí oz ( ) ( t) P X ( τ ) X ( t) τ Tedy v omogeím rocesu závseí ravdodobost ecodu ouze a rozdílu asovýc oamž a sou avíc varatí v osuutí v ase Pro τ t a dostaeme ( ) ro, ro

4 Pro os rozdleí Marovova rocesu v ase t budeme v dalším textu užívat P ravdodobostec ( ) oz ( t) P( X ( t) ),,,,,,,,, se mluví o oáteím rozdleí Marovova rocesu P velém t e obvyle Marovv roces stablzovaý a ídí se stacoárím rozdleím se stacoárím ravdodobostm t ( t) π lm,,,, Jedoducým íladem omogeío Marovova rocesu by mol být omogeí Possov roces z edcozío íladu Poáteí rozdleí by mlo tvar ( ), ( ) ro,, a ro ravdodobost ecodu by latlo ( ) { }, N, V omogeím Marovov rocesu latí ( t + t ) ( t ) ( t ), t t,,,,,, ( t) ( ) ( t),, t,,,, Prví rovce se azývá Camaova-Kolmogorovova rovce ( ) λ λ Prosetví Kolmogorovovy dferecálí rovce ec ro omogeí Marovv roces latí edolady: e! ro exstuí lmty exstuí lmty q q ( ) lm,,,,, + ( ) lm,,,,,,, + 3 ro evé e overgece v v bod steomrá Pa ro ravdodobost ecodu latí ' ( t) ( t) a ro ravdodobost rozdleí rocesu latí q, t >,,,,, ' ( t) ( t) q, t >,,,,

5 V dalším textu budeme oužívat zaeí o ( ) argumetu, ro terou latí, teré se užívá ro lbovolou fuc lm ( ) f Hodoty q,,,,,, z osledí defce azýváme tezty ecodu ze stavu do stavu a dále latí 84 Pílady ( ) + q o( ), ( ) q o( ) +, + Possov roces Už víme, že v tomto íad ( t) V tervalu ( t t + ) X udává oet výsyt sledovaé vely v tervalu, t,, de e ladé íslo blízé ule, astae ezávsle a otu výsyt do asu t sledovaá událost ráv edou s ravdodobostí + o( ) λ, více ež edou s ravdodobostí o ( ), eastae a edou s ravdodobostí λ + o( ) Tedy ravdodobost ecodu se rovaí a ( ) λ o( ) ( ) o( ) +,, + λ + ( ) o( ), > + Vdíme tedy, že ravdodobost edoo výsytu událost v rátém tervalu e úmrá tezt rocesu a délce tervalu Dalším zštím e suteost, že ravdodobost dvou ebo více výsyt událostí lesá ule s lesaící délou tervalu, a to rycle ež e déla tervalu Dle výsled z mulé atoly a soteme q ( ) λ + o( ) λ + o( ) lm lm lm λ, + + +, + ( ) λ + o( ) q, + lm lm λ, + + 3

6 a ( ) o( ) q lm lm, > Protože logcy emže astat stuace, že by byl oet výsyt událost v tervalu ež oet výsyt v tervalu q ro <, t vtší,t +, oložíme ( ) ro < Odtud a máme Nyí s ž mžeme asat Kolmogorovovy dferecálí rovce Protože ro evé e q eulové ouze ro a, latí: ' ' ( t) λ( t) ( t) λ ( t) λ ( t),,,,3, Protože taé ožadueme X ( ), edeíšeme s oáteí odmíy: ešeí dferecálíc rovc: ( ), ( ),,,3, ' ( t) + λ ( t), ( ) t ce, c R a z oáteí odmíy lye, že λt c ešeím úloy e tedy fuce ( t) e λt Obecé ešeí rovce má tvar ( ) ' λt ( t) + λ( t) λe, ( ) λt ešeím íslušé omogeí rovce e fuce ( ) t ce, c R Obecé ešeí alezeme omocí varace ostaty Dosazeím do rovce tedy dostaeme ' c λt λt λt λt ( t) e λc( t) e + λc( t) e λe Odtud lye c ' ( t) λ a roto ( t) t + c ~ c ešeím úloy e ta fuce t ( t) λte λ c λ ~, c ~ R Z oáteí odmíy lye, že ' λt ( t) + λ( t) λ te, ( ) λt ešeím íslušé omogeí rovce e ot ( t) ce, c R Obecé ešeí ' alezeme omocí varace ostaty Po dosazeí do rovce obdržíme c ( t) λ t, 4

7 a roto ( t) t c λ + c~, c ~ R Z oáteí odmíy zovu lye, že c ~ ešeím λ t λ t e úloy e fuce ( ) t Výše uvedeým ostuem zísáme ešeí ve tvaru Vdíme tedy, že vela ( t) ( t) ( t) t λ λ! e,,,, X má Possoovo rozdleí s arametrem λ t Ja sme ž zmíl, λ má zde výzam stedío otu výsyt událost za edotu asu íslo λ budeme azývat teztou Possoova rocesu Díy vzáemé ezávslost X ( t ) a ( t ) X t a t velm od sebe vzdáleýc mžeme sát ( ) π lm Nyí vydeme z Camaovy-Kolmogorovovy rovce: ( + ) ( ) ( ) + ( ) ( ) a ecme : Tedy ( ) + ( ) π π π ( ( )) π ( ) π, o vydleí a ecodem dostaeme π q π q,,,, Toto e soustava leáríc rovc, terou musí slovat ravdodobost π, oud taové exstuí Pravdodobost π,,,, se azývaí stacoárí ravdodobost Possoovým rocesem modelueme velm asto oet oruc a daém zaízeí bem urtéo asovéo tervalu 5

8 Proces rstu a záu Proces rstu a záu e omogeí Marovv roces { ( t) Vela ( t) bem tervalu ( t t + ) X se stavy,,, X udává etost souboru (a mroorgasm, osob, ) v ase t, emž,, de e ladé íslo blízé ule, se soubor, terý v ase t obsaue obet, mže zvtšt ráv o ede obet s ravdodobostí o( ) λ,,,, + zmešt ráv o ede obet s ravdodobostí o( ) µ,,,, zmešt ebo zvtšt o více ež ede obet s ravdodobostí o ( ), + ezmešt a ezvtšt s ravdodobostí λ µ o( ) Itezty ecodu sou a rovy a + ( ) λ µ + o( ) λ µ + o( ) lm,, + ( ) λ + o( ) q, + lm lm λ, + +, ( ) µ + o( ) q, lm lm µ, + + q lm lm λ µ ( ) o( ) q lm lm, > + ebo < + + λ +o() -(λ N +µ N )+o() λ +o() -(λ +µ )+o () -λ +o() λ N- +o() λ J- +o() -µ J +o() N- N J- J µ +o() µ +o() µ N +o() µ J +o() 6

9 Stacoárí ravdodobost π,,,, oud exstuí, sou dáy soustavou rovc λ πµ λ + µ π λ + π + µ + π, ( ) π,,, Tedy π µ π λ π + µ + π λ,,, a dále a Odtud π µ π λ π µ π λ π µ,, π λ a roto latí reuretí vzta λ π π µ Oaovaým užtím této rovost dostaeme λ π π µ Protože musí latt vzta π, obdržíme rovost odtud a tedy oe λ λ π, + π + π + µ µ + λ π µ λ π + µ 7

10 Mže se stát, že bude ada ve výše uvedeé rovost dvergovat, tedy π a π N Toto astae aílad, oud λ > µ N Za taovýcto odmíe ebude exstovat ustáleý stav a soubor eustále oroste Neoomeme ešt omeout, že Possov roces e secálím íadem rocesu rstu a záu ( µ ro všeca ) 85 Marovovy etzce Obdobou Marovovýc roces v dsrétím ase sou Marovovy etzce Nec I ozaue možu {,,, } Náodá oslouost { :,,, } Marovv etzec, oud latí P ( X X, X X ) P( X X ) +,, + X se azývá ro lbovolá,,,,, I (marovsá vlastost) Poud ravdodobost ecodu ezávseí a, azveme Marovv etzec omogeím a íšeme ( X X ) P + Pravdodobostm ecodu vyššíc ád v omogeím Marovov etzc rozumíme ( ) P( X X ) +,,,, V omogeím Marovov etzc latí (tzv Camaovy-Kolmogorovovy rovce) ( + ) ( ) ( ) Tedy ravdodobost, že systém ešel ze stavu do aéo mezstavu es r ecod a z mezstavu se dostal do ocovéo stavu v ( r) ecodec mez stavy, e vyádea vztaem Secál ro latí ( ) ( r) ( r), ( ),, a 8

11 a ro latí ( ) Mme Marovv etzec s m možým stavy matc P { } m ravdodobostí ecodu Vlastost matce P: P e tvercová matce,, m m, souet rv v aždém ádu matce e edotový Protože ( r ) latí ( ) (, )-tý rve matce ( ) ( ) obasl sme ásleduící tvrzeí def azveme matcí P, 3 (, )-tý rve matce P V omogeím Marovov etzc latí ( ) P P,,,,, 3 P P, Stav Marovova etzce e dosažtelý ze stavu, oud ro aé N { } ( ) > latí Je-l aždý stav etzce dosažtelý z aždéo stavu, azveme etzec ereduovatelým Stav e erodcý s erodou d >, oud ( ) > e ro d, d, 3d,, emž íslo d e emeší íslo s touto vlastostí Je-l d, e stav aerodcý Pro aždý stav defume ravdodobost ( ) ecodec mez stavy, tedy f f ( ) [ x x ro,,, x ], že rví ávrat do stavu astává o, Nyí defume ravdodobost, že se systém o ouští stavu do zovu vrátí, rovostí ( ) f f 9

12 Je-l dále f <, azývá se stav trazetí, a e-l f, azveme stav reuretím Stavy a solu omuuí, oud e dosažtelý z a aoa e dosažtelý z Píšeme ve smyslu evvalece s tmto vlastostm: ro aždý stav, ( ) ( ), [ ] ( ) 3 ( ) a ( ) Stav azveme absorbuící, oud ž systém (o vstoueí do tooto stavu) v tomto stavu zstae až do oce, t Absorbuící stav e evvaletí (ve výše uvedeém smyslu) ouze sám se sebou a e secálím íadem reuretío stavu Nyí se budeme zabývat oeým Marovovým etzc s reuretím a trazetím stavy Nec tedy má Marovv etzec m stav, z cž rvíc r stav e reuretíc a dalšíc m r stav e trazetíc, emž reuretí stavy tvoí edu tídu evvalece C a trazetí druou Ozame dále T možu trazetíc stav a T možu reuretíc stav Pa matce ravdodobostí ecodu má tvar P ( m m) P R ( r r ) ( r ( m r )) (( m r ) r ) ( m r ) ( m r ) Q( ) Matce P e matcí ravdodobostí ecod mez reuretím stavy Protože latí tvrzeí ( e reuretí a ) ( e reuretí), emže systém o vstuu do reuretío stavu oustt reuretí tídu a máme ta aravo od P ulovou matc Matce R e matcí ravdodobostí ecodu z trazetío stavu do reuretío a matce Q zaí matc ravdodobostí ecodu mez trazetím stavy P studu tcto Marovovýc etzc se budeme tát zeméa a tyto otázy: Zaíá-l etzec v trazetím stavu, aý e rmrý oet ávštv trazetío stavu, ež se oe systém dostae do reuretío stavu? Jaý e a roztyl otu ávštv trazetío stavu? Jaý e rmrý oet ávštv trazetíc stav otebý ouští trazetí tídy oáteím trazetím stavu? Jaý e roztyl otu ávštv trazetíc stav oáteím trazetím stavu, ež se systém dostae do reuretío stavu? Matc M daou edsem ( I ) M Q

13 azveme fudametálí matcí Dá se uázat, že ( ) I Q exstue a latí ( ) Q I + Q + Q + I Q Nec N ozaue áodou velu rerezetuící oet ávštv trazetío stavu T ( oáteím trazetím stavu T ) ed vstuem etzce do reuretío stavu oz Ozame dále µ EN Pa ro aždé, T latí µ M, de µ ozaue matc s rvy µ,, r +, r +,, m Ozame Nec Var( ) N M D oz µ r+, r+ µ r+, r+ oz, M µ µ m, m σ zaí roztyl otu ávštv trazetío stavu oáteím trazetím stavu ed vstuem do reuretío stavu Pa latí ( M D I ) M σ M,, T Dále zame N áodou velu rerezetuící celový oet avštíveýc trazetíc stav oáteím trazetím stavu ed vstuem do reuretío, t N Pa EN E N EN µ T T T N T Zame oz M µ latost vztau ρ, ρ T M e tedy sloucový vetor, a oz M ρ µ T Dá se dále uázat ( N ) ( M I ) M ρ M Var, T, ρ

14 Var N e roztyl celovéo otu avštíveýc trazetíc stav oáteím trazetím stavu do ouští trazetí tídy stav de ( ) Nec f ( ) zaí ravdodobost, že oáteím trazetím stavu vstouí etzec do reuretío stavu v rocíc Ozame dále T celový oet avštíveýc trazetíc stav ed rvím vstuem do reuretío stavu oáteím trazetím C P T f, T, T Pravdodobost, že etzec vstouí do stavu, t ( ) ( ) reuretío stavu, a vyádíme ao f f ( ) Platí ásleduící tvrzeí: Daz: Víme, že F F ( ) f ( ), f ( ) Q R V matcovém zásu a F a F MR ( ) a ( ) f ( ) f f, T C T, T V matcovém zásu a máme F ( ) R a ( ) QF( ) F Tedy Dále F ( ) Q R ( ) R + Q R ( I + Q + Q + ) R MR F F ešeý ílad Máme zadáu matc ravdodobostí ecodu P tístavovéo systému,8, P,5,5 Tetí stav e absorbuící ( 33 ) a rví a druý stav sou trazetí Nalezte:

15 rmrý oet ávštv trazetíc stav oáteím stavu ed vstuem do absorbuícío stavu 3, rmrý oet ávštv stavu oáteím stavu ed vstuem do absorbuícío stavu Submatce matce P vyaduící ravdodobost ecodu mez trazetím stavy má tvar,8, Q,5 Protože fudametálí matc M soteme ao verzí matc matc [ I Q],, 5 M,5, latí Víme, že rvy µ fudametálí matce M sou rmré oty ávštv trazetío stavu oáteím trazetím stavu ed vstuem do reuretío stavu Odtud rmrý oet ávštv trazetíc stav oáteím stavu e dá soutem µ V ašem íad, ledáme-l ešeí T rvío úolu, máme µ 7 Odov a druý úol e ž edoducá Hledáme vlast µ a to e rovo Pravdodobost osuící rozdleí Marovova etzce s m možým stavy v ase ozame ( ) P( X ),,,,m V omogeím Marovov rocesu latí Jestlže ozaíme vetory ~ oz ( ) ( ) ( ),,,, P ( ) ( ( ), ( ),, ( ) ) a P( ) ( ( ), ( ),, ( ) ) m ~ oz, m 3

16 a, s využtím vztau ( ) Nyí oložme P P, mžeme dle edcozí vty sát ~ ~ P ( ) P( ) P ~ Je-l matce P regulárí, exstue lm P( ) Ozaíme-l a tuto lmtu Y, musí ro latt Y YP Y azýváme vetorem stacoáríc ravdodobostí Vdíme, že Y ezávsí a oáteím rozdleí ravdodobost Marovova etzce Protože ás velm asto zaímá vetor rozdleí ravdodobost o rocíc P ~ ( ), e uté vyoítat matc rcy výotu Algebracý ístu P, což emusí být vždy edoducé Uážeme s yí záladí Matce P ádu m m Má-l matce P m rzýc vlastíc ísel,,, m, a exstue regulárí matce R taová, že P RDR, emž D e dagoálí matce maící a dagoále ostu vlastí ísla matce P a -tý slouec matce R e tvoe vlastím vetorem íslušým vlastímu íslu Dále latí rovost P RD R Protože D e dagoálí, D se soítá sado ešeý ílad Systém má matc ravdodobostí ecodu,5,5 P,75,5 ~ P Nalezte P ~ ( ) oáteím rozdleí ( ) ( ; ) λ vyoteme vlastí ísla λ, 9797, λ, 97 Pro vlastí vetor v ešící rovost,5t [ λ I P] v o latí v ; t, t R { } Aby orma vetoru v byla,4797 edotová, zvolíme t, 693 a tedy v (,76;,693) Steým zsobem zísáme druý vlastí vetor v (,5653;,849 ) Máme tedy Nerve alezeme vlastí ísla matce P Z rovost det [ I P],9797 D,,97 Soteme dále verzí matc,76 R,693,5653,849 4

17 ,836,579 R,77,734 Platí tedy P,76,693,5653,849,9797,97,836,77,579,734 ~ ~ P P P dooítáme a ze vztau ( ) ( ) ~ P 97 ( ) (,633,9797,3967,97 ;,434,9797 +,435, ) Pístu Z-trasformace ~ ~ ~ ~ + Protože latí sled rovostí P( + ) P( ) P P( ) P P P( )P Z-trasformace sát Odtud dostáváme a dále Porováím se vztaem ( ) ( ) ~ ~ { P( ) } P( ) Z ~ Z z { P( ) }P ~ ~ { P( ) }[ I zp] P( ) Z ~ ~ { P( ) } P( )[ I zp] Z ~ ~ P P P zstíme, že { P } [ I zp] Z, mžeme s užtím Taže P obdržíme omocí zté Z-trasformace matce [ zp] I 5

18 Srutí atoly 8 Náodým (stocastcým) rocesem azveme zobrazeí, teré aždé odot X t Promá t má ve vtš íad výzam asu adí áodou velu ( ) t T Realzací áodéo rocesu rozumíme orétí ozorováí áodéo rocesu, t ž x t eáodou fuc, a zaíme ( ) Dle ovay možy T rozlšueme: áodé rocesy se sotým asem (áodé fuce), áodé rocesy s dsrétím asem (áodé oslouost) Hodota X ( t) vyadue stav ozorovaéo obetu v ase t Dle ovay áodé vely X ( t) rozlšueme: áodé rocesy se sotým stavy - X ( t) e sotá, áodé rocesy s dsrétím stavy - X ( t) e dsrétí Náodý roces { ( t) X se sotým asem a s dsrétím stavy,,, obvyle azýváme ítací roces, rotože zazameává oet aýc událostí v ase Nec { ( t) X ( ), X e ítací roces Nec avíc latí: dély terval mez výsyty sledovaé událost sou ezávslé áodé vely s exoecálím rozdleím s ustotou λx λe ro x >, f ( x) ro x, de λ > e arametr (tzv tezta omogeío Possoova rocesu) Pa teto roces azveme omogeím Possoovým rocesem, emž ( t) Possoovo rozdleí s arametrem λ t Proces { ( t) X má X azveme Marovovým rocesem, slue-l tzv marovsou vlastost: ro lbovolá t < t < < t < t τ a,,,, I latí: P ( X ( ) X ( t) X ( t ),, X ( t ) ) P X ( τ ) X ( t) ( ) τ, 6

19 V omogeím Marovov rocesu latí, t t,,,,,, ( t + t ) ( t ) ( t ) ( t) ( ) ( t),, t,,,, Prví rovce se azývá Camaova-Kolmogorovova rovce Proces rstu a záu e omogeí Marovv roces { ( t) X se stavy,,, Nec I ozaue možu {,,, } Náodá oslouost { :,,, } Marovv etzec, oud latí P ( X X, X X ) P( X X ) +,, + X se azývá ro lbovolá,,,,, I (marovsá vlastost) Otázy 8 Vysvtlete oem áodý roces a ošte tyy áodýc roces Defute Possov roces 3 Defute Marovv roces 4 Co sou to rocesy rstu a záu? 5 Odvote stacoárí ravdodobost (ravdodobost stav) 6 Vysvtlete oem Marovv etzec 7 Vysvtlete omy: ereduovatelý etzec, erodcý stav, aerodcý stav, trazetí stav, reuretí stav, absorbuící stav 8 K emu slouží fudametálí matce? 7

Markovovy řetězce s diskrétním časem (Discrete Time Markov Chain)

Markovovy řetězce s diskrétním časem (Discrete Time Markov Chain) Stochastcé rocesy Marovovy řetězce s dsrétím časem (Dscrete Tme Marov Cha) Stochastcý roces Stochastcým rocesem {X(t), tr} je moža áhodých velč X(t) závslých a jedom arametru t. Stavový rostor : moža možých

Více

Analytické modely systémů hromadné obsluhy

Analytické modely systémů hromadné obsluhy Aalytcé odely systéů hroadé obsluhy ředěte teore hroadé obsluhy Kedallova lasface - ty SHO: X / Y / c / d / X ty stochastcého rocesu, terý osue říchody Y ty stochastcého rocesu terý osue délu obsluhy c

Více

Pro orientaci v této problematice jsme se seznámili s nkolika novými pojmy:

Pro orientaci v této problematice jsme se seznámili s nkolika novými pojmy: Ig. Marta Ltschmaová Statsta I., cveí 8 LIMITNÍ VTY Lmtí vty jsou tvrzeí, terá jsou dležtá pro pops pravdpodobostích model v pípad rostoucího potu áhodých pous.. ro oretac v této problematce jsme se sezáml

Více

8. Zákony velkých čísel

8. Zákony velkých čísel 8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty

Více

6 VYBRANÁ ROZDLENÍ DISKRÉTNÍ NÁHODNÉ VELIINY

6 VYBRANÁ ROZDLENÍ DISKRÉTNÍ NÁHODNÉ VELIINY 6 VYBRANÁ ROZDLENÍ DISKRÉTNÍ NÁHODNÉ VELIINY Rozdleí áhodé veliiy je edis, terým defiujeme ravdodobost jev, jež lze touto áhodou veliiou osat. Záladím rozdleím oisujícím výbry bez vraceí je hyergeometricé

Více

7 LIMITNÍ VTY. as ke studiu kapitoly: 70 minut. Cíl:

7 LIMITNÍ VTY. as ke studiu kapitoly: 70 minut. Cíl: 7 LIMITNÍ VTY as e studu aptoly: 70 mut Cíl: o prostudováí tohoto odstavce budete umt formulovat a používat lmtí vty aproxmovat já rozdleí rozdleím ormálím - 90 - Výlad: V této aptole adefujeme tvrzeí

Více

Analytická geometrie

Analytická geometrie MATEMATICKÝ ÚSTAV Slezská uverzta Na Rybíčku, 746 0 Opava DENNÍ STUDIUM Aalytcká geometre Téma 3.: Aí zobrazeí Dece 3.. Zobrazeí aího prostoru A do aího prostoru A se azývá aí zobrazeí, estlže má ásleduící

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a

Více

Definice obecné mocniny

Definice obecné mocniny Defiice obecé mociy Zavedeí obecé mociy omocí ity číselé oslouosti lze rovést ěkolika zůsoby Níže uvedeý zůsob využívá k defiici eoeciálí fukce itu V dalším budeme otřebovat ásledující dvě erovosti: Lemma

Více

U. Jestliže lineární zobrazení Df x n n

U. Jestliže lineární zobrazení Df x n n MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o

Více

Budeme 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)

Budeme 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

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru

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

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru

Více

2. TEORIE PRAVDĚPODOBNOSTI

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

Více

4. KRUHOVÁ KONVOLUCE, RYCHLÁ FOURIEROVA TRANSFORMACE (FFT) A SPEKTRÁLNÍ ANALÝZA SIGNÁLŮ

4. KRUHOVÁ KONVOLUCE, RYCHLÁ FOURIEROVA TRANSFORMACE (FFT) A SPEKTRÁLNÍ ANALÝZA SIGNÁLŮ 4. KRUHOVÁ KOVOLUCE, RYCHLÁ FOURIEROVA TRASFORMACE FFT A SEKTRÁLÍ AALÝZA SIGÁLŮ Kruová cylcá ovoluce Ryclá Fourerova trasformace Aplace DFT a aalogové sgály, frevečí aalýza perodcýc aalogovýc sgálů s využtím

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

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

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

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

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

Více

5. Lineární diferenciální rovnice n-tého řádu

5. Lineární diferenciální rovnice n-tého řádu 5 3.3.8 8:44 Josef Herdla lieárí difereciálí rovice -tého řádu 5. Lieárí difereciálí rovice -tého řádu (rovice s ostatími oeficiety) ( ), a,, a (5.) ( ) ( ) y a y a y ay q L[ y] y a y a y a y, q je spojitá

Více

3. Charakteristiky a parametry náhodných veličin

3. Charakteristiky a parametry náhodných veličin 3. Charatersty a parametry áhodýh velč Úolem této aptoly je zavést pomoý aparát, terým budeme dále popsovat pomoí jedoduhýh prostředů áhodé velčy. Taovýmto aparátem jsou tzv. parametry ebo haratersty áhodé

Více

2 Diferenciální počet funkcí více reálných proměnných

2 Diferenciální počet funkcí více reálných proměnných - 6 - Difereciálí počet fucí více proměých Difereciálí počet fucí více reálých proměých 1 Spoitost, limity a parciálí derivace Fuce více reálých proměých Defiice Pod reálou fucí reálých proměých rozumíme

Více

Jednokriteriální rozhodování za rizika a nejistoty

Jednokriteriální rozhodování za rizika a nejistoty Jeokrterálí rozoováí za rzka a estoty U eokrterálíc úlo e vžy pouze eo krtérum optmalty, a to buď maxmalzačí ebo mmalzačí. araty rozoováí sou zaáy mplctě - pomíkam, které musí být splěy (vz úloy leárío

Více

Téma 1: Pravděpodobnost

Téma 1: Pravděpodobnost ravděpodobot Téma : ravděpodobot ředáša - ravděpodobot áhodého evu Náhodý pou a áhodý ev Náhodý pou - aždá čot, eíž výlede eí edozačě urče podmíam, za terých probíhá apř hod otou, měřeí dély, běh a 00

Více

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

Více

Aplikace teorie neuronových sítí

Aplikace teorie neuronových sítí Alace teore euroových sítí Doc. RNDr. Iveta Mrázová CSc. Katedra teoretcé formaty Matematco-fyzálí faulta Uverzty Karlovy v Praze Alace teore euroových sítí Asocatvíamět a restaurace obrazu Doc. RNDr.

Více

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl:

9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl: 9 ÁHODÉ VÝBĚR A JEJICH ZPRACOVÁÍ Čas ke studu katol: 30 mut Cíl: Po rostudováí tohoto odstavce budete rozumět ojmům Základí soubor, oulace, výběr, výběrové šetřeí, výběrová statstka a budete zát základí

Více

1. Přirozená topologie v R n

1. Přirozená topologie v R n MATEMATICKÁ ANALÝZA III předášy M Krupy Zií seestr 999/ Přirozeá topologie v R V prví části tohoto tetu zavádíe přirozeou topologii a ožiě R ejprve jao topologii orovaého prostoru a pa jao topologii součiu

Více

20. Kontingenční tabulky

20. Kontingenční tabulky 0. Kotigečí tabulky 0.1 Úvodí ifomace V axi e velmi častá situace, kdy vyšetřueme aedou dva statistické zaky, kteé sou svou ovahou diskétí kvatitativí( maí řesě staoveý koečý očet všech možostí ); soité

Více

Cílem kapitoly je zvládnutí řešení determinantů čtvercových matic.

Cílem kapitoly je zvládnutí řešení determinantů čtvercových matic. temtk I část I Determty mtc řádu Determty mtc řádu Cíle Cílem ktoly je zvládutí řešeí ermtů čtvercových mtc Defce Determtem (řádu ) čtvercové mtce řádu jejímž rvky j jsou reálá (oř komlexí) čísl zýváme

Více

Rovnice 1.řádu. (taková řešení nazýváme singulární řešení). řeší rovnici (*) na intervalu ( a, b)

Rovnice 1.řádu. (taková řešení nazýváme singulární řešení). řeší rovnici (*) na intervalu ( a, b) Rovce řáu Rovce se separovaým proměým Derecálí rovc tvaru g h * azýváme rovcí se separovaým proměým latí: Nechť g je spojtá uce a tervalu a b h je spojtá a eulová uce a tervalu c Ozačme postupě G a H prmtví

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

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu Směrce /0 Stattcké vyhodocováí dat, verze 4 Verze 4 e hodá e Směrcí /0 verze 3, ouze byla rozšířea o robutí aalýzu. Stattcké metody ro zkoušeí zůoblot Cílem tattcké aalýzy výledků zkoušek ř zkouškách zůoblot

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

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

Digitální učební materiál

Digitální učební materiál Dgtálí učebí materál Číslo projetu CZ..07/.5.00/34.080 Název projetu Zvaltěí výuy prostředctvím ICT Číslo a ázev šabloy líčové atvty III/ Iovace a zvaltěí výuy prostředctvím ICT Příjemce podpory Gymázum,

Více

Náhoda. Pravděpodobnost výhry při sázce na barvu: p = 18/37 = 0,486 Průměrný zisk při n sázkách částky č: - n.č + 2.č.n.p = n.č.

Náhoda. Pravděpodobnost výhry při sázce na barvu: p = 18/37 = 0,486 Průměrný zisk při n sázkách částky č: - n.č + 2.č.n.p = n.č. Náhoda při i hřeh Martigale: Vsadíšřeěme dolar a barvu, terou si vybereš (červeáči čerá) a budeš stále sázet je a i. Roztočíš ruletu a čeáš Poud prohraješ, zdvojásobíš sázu, taže vsadíš příště dolary.

Více

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

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

Více

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

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

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

Statistická rozdělení

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

Více

n 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1

n 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1 3. cvičeí Přílady. (a) (b) (c) ( ) ( 3 ) = Otestujeme itu 3 = 3 = = 0. Je vidět, že posloupost je elesající, tedy z Leibize řada overguje, ( ) Řada overguje podle Leibizova ritéria, ebot je zjevě erostoucí.

Více

Doc. Ing. Dagmar Blatná, CSc.

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

Více

PRAVDĚPODOBNOST A STATISTIKA. Testy hypotéz

PRAVDĚPODOBNOST A STATISTIKA. Testy hypotéz SP3 Tey hypoéz PRAVDĚPODOBNOST A STATISTIKA Tey hypoéz Lbor Žá SP3 Tey hypoéz Lbor Žá Tey hypoéz- úvod Nechť X X e áhodý výběr T X X X áhodý veor ezávlé ložy erý má rozděleí závlé a parameru θ Θ Θ R Ozačme:

Více

2 HODINY. ? Na kolik trojúhelník Ti úhlopíka rozdlí AC lichobžník ABCD? Na dva trojúhelníky ABC, ACD

2 HODINY. ? Na kolik trojúhelník Ti úhlopíka rozdlí AC lichobžník ABCD? Na dva trojúhelníky ABC, ACD K O N S T R U K E L I H O B Ž N Í K U 2 HOINY Než istouíš samotným onstrucím, zoauj si nejdíve vše, co víš o lichobžnících co to vlastn lichobžní je, záladní druhy lichobžní a jejich vlastnosti. ále si

Více

3.3.3 Rovinná soustava sil a momentů sil

3.3.3 Rovinná soustava sil a momentů sil 3.3.3 Rová soustava s a oetů s Předpoady Všechy síy soustavy eží v edé rově. Všechy oety sou oé a tuto rovu. *) Souřadý systé voíe ta, že rova - e totožá s rovou s. y O *) Po.: Sový oet ůžee ahradt dvocí

Více

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem.

HYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem. HYPTEČNÍ ÚVĚR Spláceí úvěru stejým splátkam - kostatí auta ÚLHA 1: Mladý maželský pár s dostačujícím příjmy (tz. a získáí hypotéčího úvěru) se rozhodl postavt s meší rodý domek. Podle předběžé kalkulace

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

Téma 6: Indexy a diference

Téma 6: Indexy a diference dexy a dferece Téma 6: dexy a dferece ředáška 9 dvdálí dexy a dferece Základí ojmy Vedle elemetárího statstckého zracováí dat se hromadé jevy aalyzjí tzv. srováváím růzých kazatelů. Statstcký kazatel -

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

3. část: Teorie hromadné obsluhy. Ing. Michal Dorda, Ph.D.

3. část: Teorie hromadné obsluhy. Ing. Michal Dorda, Ph.D. 3. část: Teorie hromadé obsluhy Ig. Michal Dorda, h.d. Zálady teorie pravděpodobosti Náhodý pous je děj, jehož výslede eí ai při dodržeí všech předepsaých podmíe předem zám. Náhodý jev je výsledem áhodého

Více

c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x),

c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x), a) Vyslovte a dokažte Liouvillovu větu o šaté aroximovatelosti algebraického čísla řádu d b) Defiujte Liouvillovo číslo c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je trascedetí 2 a) Defiujte

Více

ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU

ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU A.Mikš, J.Novák, P. Novák katedra fyziky, Fakulta stavebí ČVUT v Praze Abstrakt Práce se zabývá aalýzou vlivu velikosti umerické

Více

Západočeská univerzita FAKULTA APLIKOVANÝCH VĚD

Západočeská univerzita FAKULTA APLIKOVANÝCH VĚD Záadočesá uverzta FKULT PLIKOVNÝCH VĚD Obsah: Pravděodobostí modelováí očítačových systémů geerováí a využtí áhodých čísel (Mote Carlo metody), matematcé (marovsé) modely 3 Zálady teore systémů hromadé

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA P NOV PRVDĚPODOBNOT TTTK Lbor Žák P NOV Lbor Žák Vícvýběrové tsty - NOV NOV tsty s rovádí s omocí aalýzy roztylů NOV souhré tsty ro víc ěž dva výběry. NOV aramtrcká tstováí charaktrstk z zámých rozdělí

Více

3. cvičení 4ST201 - řešení

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

Více

9 Kombinatorika, teorie pravděpodobnosti a matematická statistika

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

Více

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR

10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR Středí hodoty Artmetcý průměr vážeý ze tříděí Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR Výzam a užtí vážeého artmetcého průměru uážeme a ásledujících příladech Přílad 0 Ve frmě Gama Blatá máme soubor

Více

1. Úvod do základních pojmů teorie pravděpodobnosti

1. Úvod do základních pojmů teorie pravděpodobnosti . Úvod do základích pojmů teore pravděpodobost. Úvodí pojmy Větša exaktích věd zobrazuje své výsledky rgorózě tj. výsledky jsou získáváy a základě přesých formulí a jsou jejch terpretací. Příkladem je

Více

S k l á d á n í s i l

S k l á d á n í s i l S l á d á í s i l Ú o l : Všetřovat rovováhu tří sil, působících a tuhé těleso v jedom bodě. P o t ř e b : Viz sezam v desách u úloh a pracovím stole. Obecá část: Při sládáí soustav ěolia sil působících

Více

2. Vícekriteriální a cílové programování

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

Více

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

Komplexní čísla. Definice komplexních čísel

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

Více

Po prostudování tohoto odstavce budete umt porozumt konstrukci F-pomru rozhodovat se pomocí testu zvaného analýza rozptylu

Po prostudování tohoto odstavce budete umt porozumt konstrukci F-pomru rozhodovat se pomocí testu zvaného analýza rozptylu 0. AOVA Aalýza rozptylu as e studu aptoly: 60 mut Cíl Po prostudováí tohoto odstavce budete umt porozumt ostruc F-pomru rozhodovat se pomocí testu zvaého aalýza rozptylu zostruovat tabulu AOVA provést

Více

. viz věty 1.7 a 1.2 (čísla m a M lze vybrat tak, aby nerovnost platila v R n i R m ). Máme m f x h f x l h f x h f x l h M f x h f x l h

. viz věty 1.7 a 1.2 (čísla m a M lze vybrat tak, aby nerovnost platila v R n i R m ). Máme m f x h f x l h f x h f x l h M f x h f x l h MATEMATICKÁ ANALÝZA III předášky M. Krupky Zií seestr 999/. Derivace prvío řádu V této základí kapitole pojedáváe o dierecovatelosti zobrazeí : U R R (podožia U je vždy otevřeá). Zavádíe ěkolik základíc

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

DISKRÉTNÍ MATEMATIKA II

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

Více

Metodika: Goniometrický tvar komplexního ísla, binomická rovnice

Metodika: Goniometrický tvar komplexního ísla, binomická rovnice ! " #$ % # & ' ( ) * + ), - Idvduálí výuka matematka Vít Ržka, kvte Metodka: Goometrcký tvar komplexího ísla, bomcká rovce Úvod Téma goometrcký tvar komplexího ísla je možé probírat soubž s výkladem pojmu

Více

6.1 Systémy hromadné obsluhy

6.1 Systémy hromadné obsluhy 6. Systémy hromadé obsluhy Proces usoojováí áhodě i hromadě vziajících ožadavů a obsluhu se azývá roces hromadé obsluhy. Předmětem teorie hromadé obsluhy, ědy taé ozačovaé jao teorie frot (z aglicých slov

Více

je hustota pravdpodobnosti nebo pravdpodobnostní funkce náhodného výbru X (X 1, X 2,, X n ). , jako odhad. Nech f ( x;θ)

je hustota pravdpodobnosti nebo pravdpodobnostní funkce náhodného výbru X (X 1, X 2,, X n ). , jako odhad. Nech f ( x;θ) 7. as ke studu: 90 mut Cíl: Na úvod této kaptoly se sezámíte s odlšým pohledem a metodu mamálí vrohodost a dále se pak udete vovat základm Bayesovy dukce. Sezámíte se s pojmy aprorí a aposterorí rozdleí,

Více

Testování statistických hypotéz

Testování statistických hypotéz Testováí statstckých hyotéz Př statstckých šetřeích se často setkáváme s roblémy tohoto druhu () Máme zjstt, zda dva daé vzorky ocházejí z téhož ZS. () Máme rozhodout, zda rozdíly hodot růměrů (res. roztylů)

Více

Kapitola 5 - Matice (nad tělesem)

Kapitola 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

Více

7.Vybrané aplikace optimalizačních modelů

7.Vybrané aplikace optimalizačních modelů 7.Vybraé aplkace optmalzačích modelů V této kaptole se budeme věovat dvěma typům úloh, pro echž řešeí se využívaí optmalzačí prcpy. Jedá se o modely aalýzy obalu dat, které se využívaí pro hodoceí relatví

Více

Hartre-Fock method (HF)

Hartre-Fock method (HF) Cofgurato Iteracto (CI) Coupled Clusters (CC) Perturbato Theory (PT, MP) Electro correlato H Ψ = EΨ Bor-Oppehemer approxmato Model of depedet electros Product wave fucto (Slater determat) MO LCAO Hartre-Fock

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

GEOMETRIE I. Pavel Burda

GEOMETRIE I. Pavel Burda GEOMETRIE I Pavel Burda Obsah Úvod... 4 1. Vektorové prostory... 5. Vektorové prostory se skalárím ásobeím... 9. Afií prostory... 19 4. Afií přímka ( A 1 )... 5 5. Afií rovia (A )... 6 6. Afií prostor

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

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

Více

Alternativní rozdělení. Alternativní rozdělení. Binomické rozdělení. Binomické rozdělení

Alternativní rozdělení. Alternativní rozdělení. Binomické rozdělení. Binomické rozdělení Alternativní rozdělení Alternativní rozdělení Alternativní rozdělení Alternativní rozdělení Náhodná veličina X má alternativní rozdělení s parametrem p, jestliže nabývá hodnot 0 a 1 s pravděpodobnostmi

Více

Obyčejné diferenciální rovnice. Cauchyova úloha Dirichletova úloha

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

Více

Opakování. Metody hodnocení efektivnosti investic. Finanční model. Pravidla pro sestavení CF. Investiční fáze FINANČNÍ MODEL INVESTIČNÍHO ZÁMĚRU

Opakování. Metody hodnocení efektivnosti investic. Finanční model. Pravidla pro sestavení CF. Investiční fáze FINANČNÍ MODEL INVESTIČNÍHO ZÁMĚRU Metody hodoceí efektvost vestc Opakováí Typy vazeb v uzlové síťové grafu K čeu slouží stude využtelost Fačí odel vestčího záěru Časová hodota peěz Metody vyhodoceí Napšte strukturu propočtu Fačí odel FINANČNÍ

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

KONSTRUKCE LICHOBŽNÍKU UŽITÍM MNOŽINY BOD 3 HODINY

KONSTRUKCE LICHOBŽNÍKU UŽITÍM MNOŽINY BOD 3 HODINY KONSTRUKE LIHOBŽNÍKU UŽITÍM MNOŽINY BO 3 HOINY Než istouíš samotným onstucím, zoauj si nejdíe še, co íš o lichobžnících co to lastn lichobžní je, záladní duhy lichobžní a jejich lastnosti. K disozici Ti

Více

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků 1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,

Více

Elektrické přístroje. Přechodné děje při vypínání

Elektrické přístroje. Přechodné děje při vypínání VŠB - Techická uiverzita Ostrava Fakulta elektrotechiky a iformatiky Katedra elektrických strojů a řístrojů Předmět: Elektrické řístroje Protokol č.5 Přechodé děje ři vyíáí Skuia: Datum: Vyracoval: - -

Více

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru.

Soustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru. Soutava mometů Momety (Obecé, cetrálí a ormovaé) Do ytému mometových charatert patří ty ejdůležtější artmetcý průměr (mometová míra úrově) a rozptyl (mometová úroveň varablty). Obecý momet -tého tupě:

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

Více

8. cvičení 4ST201. Obsah: Neparametrické testy. Chí-kvadrát test dobréshody Kontingenční tabulky Analýza rozptylu (ANOVA) Neparametrické testy

8. cvičení 4ST201. Obsah: Neparametrické testy. Chí-kvadrát test dobréshody Kontingenční tabulky Analýza rozptylu (ANOVA) Neparametrické testy cvičící 8. cvičeí 4ST1 Obsah: Neparametricé testy Chí-vadrát test dobréshody Kotigečí tabuly Aalýza rozptylu (ANOVA) Vysoá šola eoomicá 1 VŠE urz 4ST1 Neparametricé testy Neparametricétesty využíváme,

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní

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

Generování dvojrozměrných rozdělení pomocí copulí

Generování dvojrozměrných rozdělení pomocí copulí Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta

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

Náhodným (stochastickým) procesem nazveme zobrazení, které každé hodnotě náhodnou veličinu X ( t)

Náhodným (stochastickým) procesem nazveme zobrazení, které každé hodnotě náhodnou veličinu X ( t) MARKOVOVY PROCESY JAKO APARÁT PRO ŘEŠENÍ SPOLEHLIVOSTI VÍCESTAVOVÝCH SYSTÉMŮ Náhodné rocesy Náhodným (stochastckým) rocesem nazveme zobrazení, které každé hodnotě náhodnou velčnu X ( t). Proměnná t má

Více

Dynamická analýza rámu brdového listu

Dynamická analýza rámu brdového listu Dacá aalýza ráu rovéo lstu MODELOVÁNÍ MECHANICKÝCH SOUSTAV Šo Kovář 0..0 Brový lst 8..0 Brový lst průřez čů. orí če. olí če. Postrace. áě Tp závěsů těe 8..0 Použté ozačeí sol pops jeota sč oefcet tlueí

Více