V mnoha pípadech, kdy známe rozdlení náhodné veliiny X, potebujeme urit rozdlení náhodné veliiny Y, která je funkcí X, tzn. Y = h(x).
|
|
- Filip Dostál
- před 9 lety
- Počet zobrazení:
Transkript
1 3. FUNKCE NÁHODNÉ VELIINY as ke studu: 40 mnut Cíl: Po prostudování této kaptol budete umt transformovat náhodnou velnu na náhodnou velnu Y, je l mez tmto náhodným velnam vzájemn jednoznaný vztah VÝKLAD 3.. Funkce náhodné veln V mnoha pípadech, k známe rozdlení náhodné veln, potebujeme urt rozdlení náhodné veln Y, která je funkcí, tzn. Y h(). Je-l funkce h(x) v oboru možných hodnot veln monotónní, pak exstuje nverzní funkce h (), a jde o vzájemn jednoznaný vztah mez a Y. Je-l v takovém pípad h(x) rostoucí, pak pro všechna x > x je >, a dstrbuní funkc veln Y lze psát jako: G() P(Y < ) P[ < h ()] F[h ()] Pro klesající funkc h(x), tzn. pro všechna x > x platí >, je dstrbuní funkce: G() P(Y < ) P[ > h ()] F[h ()] Pro dskrétní náhodnou velnu je pravdpodobnostní funkce dána jako: p Y ( ) p h ( ) Je-l spojtá náhodná velna s hustotou pravdpodobnost f(x), pemž h - () má pro všechna spojtou dervac, pak pro rostoucí funkc h(x) dostaneme hustotu pravdpodobnost () veln Y jako: Podobn pro klesající funkc h(x) dostaneme: dg f ( h ) f ( h ) 6
2 dg f ( h ) f ( h ) Vzhledem k tomu, že v pípad rostoucí funkce h(x) je > 0, zatímco v pípad klesající funkce je < 0, lze oba pedchozí vztah spojt do jednoho: dg f ( h ) f ( h ) Není-l h(x) monotónní funkcí, pak mez a Y neexstuje vzájemn jednoznaný vztah a te an nverzní funkce k h(x). Dstrbuní funkce G() P(Y < ) je v takovém pípad dána pravdpodobností, že náhodná velna nabude hodnot z kteréhokolv ntervalu, pro který Y <. Pak platí: Pro dskrétní náhodnou velnu : G p : h( x ) Pro spojtou náhodnou velnu : G f ( x) h ( x ) Pro pípad dskrétní náhodné veln je pravdpodobnostní funkce vztahem: p p x Y : h( x ) py veln Y dána Nech exstuje konený poet dervace 0 x takových, že ( x ) h. Nech pro každé x exstuje. Pak exstuje hustota pravdpodobnost náhodné veln Y: f ( x ) : h ( x ) x x ešený píklad Nech velna má rovnomrné rozdlení v ntervalu rozdlení má velna t x? ;. Jaké 7
3 f h Hustota pravdpodobnost rovnomrného rozdlení: f ( x) ( x) t x h x arct h d ( arct ) + + Hustota pravdpodobnost veln Y je te: f h ( + ), R Uvedené rozdlení se nazývá Cauchho. Je píkladem rozdlení, které nemá konený rozptl: DY ( + ) ( + ) ( + ) [ ] + ešený píklad Nech velna má normální rozdlení N(0;). Jaké rozdlení má velna x? Pro nezáporná exstuje nverzní funkce h : x ±. x ± Pak hustota pravdpodobnost nezáporné náhodné veln Y je: 0 : ) f ( ± ) ( + ( ) f f e + e ( e 8
4 Jde o hustotu rozdlení χ s jedním stupnm volnost. 3.. Pblžné stanovení charakterstk funkce náhodné veln V prax je nk k dspozc pouze jedná zmená hodnota veln (oad její stední hodnot) a smrodatná odchlka mení σ (daná napíklad udanou chbou mícího pístroje). Pokud je varaní koefcent mnohem menší než jedna oadnout charakterstk veln h(x). Pedpokládejme, že náhodná velna je spojtá. Stední hodnotu náhodné veln Y oadneme na základ vztahu: σ <<<, lze pblžn µ EY h h ( E ) h E + D ( x) f ( x) h( E ) + h ( E ) ( x E ) h( E ) h + ( E ) x E + f ( x ) Rozptl DY lze pak vjádt pblžn z lneárního lenu Talorova rozvoje: DY ( h( x) EY ) f ( x) ( h( x) h( E )) f ( x) D x E Otázk 3.. Nech Yh(). h(x) je monotónní funkce. Naleznte vztah mez hustotou pravdpodobnost náhodné veln Y a hustotou pravdpodobnost náhodné veln. Úloh k ešení 3.. F je dstrbuní funkce náhodné veln, je spojtá a rostoucí. Náhodná velna Y je defnována vztahem: Y F. Urete rozdlení náhodné veln Y (hustotu pravdpodobnost).. Náhodná velna má rovnomrné rozdlení na ntervalu 0 ; 3. Urete rozdlení náhodné veln Y, Y+. 3. Náhodná velna má normální rozdlení N ( µ;σ ) Y, Y e.. Urete rozdlení náhodné veln 9
5 λx 4. Náhodná velna má hustotu pravdpodobnost: náhodné veln Y, Y ln. f x λ e. Urete rozdlení 30
Pravdpodobnost výskytu náhodné veliiny na njakém intervalu urujeme na základ tchto vztah: f(x)
NÁHODNÁ VELIINA Náhodná veliina je veliina, jejíž hodnota je jednoznan urena výsledkem náhodného pokusu (je-li tento výsledek dán reálným íslem). Jde o reálnou funkci definovanou na základním prostoru
Více3 NÁHODNÁ VELIINA. as ke studiu kapitoly: 80 minut. Cíl: Po prostudování tohoto odstavce budete umt
NÁHODNÁ VELIINA as ke studiu kapitoly: 8 minut Cíl: Po prostudování tohoto odstavce budete umt obecn popsat náhodnou veliinu pomocí distribuní funkce charakterizovat diskrétní i spojitou náhodnou veliinu
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceKapitola 2 - Testování hypotéz. Testy dobré shody
Kaptola - Testování hypotéz. Testy dobré shody Dva základní statstcké postupy jsou odhad parametr a testování hypotéz. V mnulé kaptole jsme s ukázal, jak odhadujeme charakterstky základního souboru, v
VíceIV. CVIENÍ ZE STATISTIKY
IV. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data kvantitativní povahy. K tomuto budeme opt používat program Excel 2007 MS Office. 1. Jak mžeme analyzovat kvantitativní
Více2.5. MATICOVÉ ŘEŠENÍ SOUSTAV LINEÁRNÍCH ROVNIC
25 MATICOVÉ ŘEŠENÍ SOUSTAV LINEÁRNÍCH ROVNIC V této kaptole se dozvíte: jak lze obecnou soustavu lneárních rovnc zapsat pomocí matcového počtu; přesnou formulac podmínek řeštelnost soustavy lneárních rovnc
VícePorovnání GUM a metody Monte Carlo
Porovnání GUM a metody Monte Carlo Ing. Tomáš Hajduk Nejstota měření Parametr přřazený k výsledku měření Vymezuje nterval, o němž se s určtou úrovní pravděpodobnost předpokládá, že v něm leží skutečná
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceVII. Limita a spojitost funkce
VII. Limita a spojitost funkce VII.1. Limita funkce Úvodní poznámky: Limita funkce f v bodě c R hodnota a R, k níž se přibližují hodnoty f(x), jestliže x se blíží k hodnotě c; funkce f nemusí být definovaná
VíceSPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI. 7. cvičení
SPOJITÉ ROZDĚLENÍ PRAVDĚPODOBNOSTI 7. cvičení Intenzita poruch Funkce modelující dobu do výskytu události životnost, dobu do poruchy, dobu do relapsu (návratu onemocnění), apod. používáme spolu s distribuční
VíceLineární algebra Petriho sítí
) Notace Lineární algebra Petriho sítí Definice: Neznaená PN je taková tveice Q = P Pre Post kde P = {P P n } je množina míst (konená nenulová) = { m } je množina pechod (konená nenulová) Pre: P {} vstupní
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
VíceMATEMATIKA III V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 7 Rozdělení pravděpodobnosti spojité náhodné veličiny Mgr. Petr Otipka Ostrava 2013 Mgr. Petr Otipka
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
Více0.1 Úvod do matematické analýzy
Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Pojem funkce Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost
VícePRAVDĚPODOBNOST A STATISTIKA. Odhady parametrů Postačující statistiky
PRAVDĚPODOBNOS A SAISIKA Odhady parametrů SP3 Připomenutí pojmů Připomenutí pojmů z S1P a SP2 odhady Nechť X,, je náhodný výběr z rozdělení s distribuční funkcí. 1 X,, X ) ( 1 n Statistika se nazývá bodovým
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
Více= 2x + y, = 2y + x 3. 2x + y = 0, x + 2y = 3,
V. Lokální extrémy. Příklad 1: Určete lokální extrémy zadané funkce. 1. f(x, y) = x 2 + y 2 + xy 3y 2. Definičním oborem funkce je množina Df = R 2 a funkce f má spojité parciální = 2x + y, = 2y + x 3.
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceTepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má
Tepelná kapacta C x = C V = ( ) dq ( ) du Dulong-Pettovo pravdlo: U = 3kT N C V = 3kN x V = T ( ) ds x Tepelná kapacta mřížky Osclátor s kvantovanou energí E n = ( n + 2) hν má střední hodnotu energe (po
Více2 ELEMENTÁRNÍ POET PRAVDPODOBNOSTI. as ke studiu kapitoly: 70 minut. Cíl: Po prostudování této kapitoly budete umt
2 ELEMENTÁRNÍ OET RAVDODOBNOSTI as ke studiu kapitoly: 70 minut Cíl: o prostudování této kapitoly budete umt charakterizovat teorii pravdpodobnosti a matematickou statistiku vysvtlit základní pojmy teorie
Více1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2.
. Spektrální rozklad samoadjungovaných operátorů.. Motvace Vlastní čísla a vlastní vektory symetrcké matce A = A λe = λ λ = λ 3λ + = λ 3+ λ 3 Vlastní čísla jsou λ = 3+, λ = 3. Pro tato vlastní čísla nalezneme
VíceVzorová písemka č. 1 (rok 2015/2016) - řešení
Vzorová písemka č. rok /6 - řešení Pavla Pecherková. května 6 VARIANTA A. Náhodná veličina X je určena hustotou pravděpodobností: máme hustotu { pravděpodobnosti C x pro x ; na intervalu f x jinde jedná
VíceÁ É Č ď ý ý Č Ť ž ý ý ť žž Ž ý ú ž š ý ž ž ž š š š ý Š ť ý ý š ž ž ý ž ž Ň ý ž ť ť ú ž ý š ž š ž ž š ž š ž ý ý šť ý Ý Ú ň ý ý Ý ž ý ý ť ý ž ý ý ž ý ď ý ý š ý ž ú ú ď ý ž š ž ý ž ť ý ý ý ý ý Á ý ď ž š ž
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
VíceR O V N O B Ž N Í K (2 HODINY)
R O V N O B Ž N Í K (2 HODINY)? Co to vlastn rovnobžník je? Na obrázku je dopravní znaka, která íká, že vzdálenost k železninímu pejezdu je 1 m (dva pruhy, jeden pruh pedstavuje vzdálenost 80 m): Pozorn
VíceGYMNÁZIUM CHEB. SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh. Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 2006 Petr NEJTEK, 8.
GYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 006 Petr NEJTEK, 8.A Prohlášení Prohlašujeme, že jsme seminární práci na téma: Grafy funkcí
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceGYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE
GYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE Relace Cheb, 006 Radek HÁJEK Prohlášení Prohlašuji, že jsem seminární práci na téma: Relace vypracoval zcela sám za použití pramen uvedených v piložené bibliograii na poítai
VíceMaticová exponenciála a jiné maticové funkce
Matcová exponencála a jné matcové funkce Motvace: Jž víte, že řešením rovnce y = ay, jsou funkce y(t = c e at, tj exponencály Pro tuto funkc platí, že y(0 = c, tj konstanta c je počáteční podmínka v bodě
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VícePřijímací zkouška na navazující magisterské studium 2017
Přijímací zkouška na navazující magisterské studium 27 Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A Řešení příkladů pečlivě odůvodněte. Věnujte pozornost ověření
VíceRozvrhování na více procesorech
Rozvrhování na více procesorech Rozvrhování na více procesorech je složitjší úloha než na jednom procesoru. Uvažujeme m procesor. Rozlišujeme typy procesor - paralelní nebo dedikované a jejich rychlosti
VíceFunkce s absolutní hodnotou, funkce exponenciální a funkce logaritmická
Variace 1 Funkce s absolutní hodnotou, funkce exponenciální a funkce logaritmická Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VícePRVKY KOVOVÝCH KONSTRUKCÍ
VYSOKÉ UEÍ TECHICKÉ V BR FAKULTA STAVEBÍ PROF. IG. JIDICH MELCHER, DrSc. DOC. IG. MIROSLAV BAJER, CSc. PRVKY KOVOVÝCH KOSTRUKCÍ MODUL BO02-M07 AVRHOVÁÍ OCELOVÝCH KOSTRUKCÍ A MEZÍ STAV ÚAVY STUDIJÍ OPORY
VíceJednoduché cykly 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45.
Jednoduché cykly Tento oddíl obsahuje úlohy na první procvičení práce s cykly. Při řešení každé ze zde uvedených úloh stačí použít vedle podmíněných příkazů jen jediný cyklus. Nepotřebujeme používat ani
Vícedq T dq ds = definice entropie T Entropie Pi pohledu na Clausiv integrál pro vratné cykly :
Entropie Pi pohledu na Clausiv integrál pro vratné cykly : si díve i pozdji jist uvdomíme, že nulová hodnota integrálu njaké veliiny pi kruhovém termodynamickém procesu je základním znakem toho, že se
VíceNázev školy. Moravské gymnázium Brno s.r.o. Mgr. Marie Chadimová Mgr. Věra Jeřábková. Autor. Matematika. Funkce. Vlastnosti funkce. Text a příklady.
Číslo projektu CZ.1.07/1.5.00/34.0743 Název škol Moravské gmnázium Brno s.r.o. Autor Tematická oblast Mgr. Marie Chadimová Mgr. Věra Jeřábková Matematika. Funkce. Vlastnosti funkce. Tet a příklad. Ročník.
VíceASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ
ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ Bc. Jtka Hanousková 1 Abstrakt: Příspěvek se zabývá postačujícím podmínkam pro konzstenc odhadů s mnmální Kolmogorovskou vzdáleností
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
Více1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST
1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST Kombinatorické pravidlo o souinu Poet všech uspoádaných k-tic, jejichž první len lze vybrat n 1 zpsoby, druhý len po výbru prvního lenu n 2 zpsoby atd. až k-tý
VíceOčekávaný výstup Pracovní list se skládá ze dvou částí teoretické, kde si žák připomene vlastnosti funkcí a praktické, kde tyto funkce určuje.
Číslo projektu Škola Autor Číslo materiálu Název Téma hodiny Předmět Ročník/y/ Anotace CZ.1.07/1.5.00/34.0394 Střední odborná škola a Střední odborné učiliště, Hustopeče, Masarykovo nám. 1 Mgr. Renata
Více1 Posloupnosti a řady.
1 Posloupnosti a řady. 1.1 Posloupnosti reálných čísel. Definice 1.1: Posloupností reálných čísel nazýváme zobrazení f množiny N všech přirozených čísel do množiny R všech reálných čísel. Pokud nemůže
VíceExponenciální a logaritmická funkce
Variace 1 Exponenciální a logaritmická funkce Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Exponenciální
VícePŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU
PŘEDNÁŠKA 9 KŘIVKOVÝ A PLOŠNÝ INTEGRÁL 1. DRUHU 6.1 Křivkový integrál 1. druhu Definice 1. Množina R n se nazývá prostá regulární křivka v R n právě tehdy, když existuje vzájemně jednoznačné zobrazení
VíceFunkce, elementární funkce.
Kapitola 2 Funkce, elementární funkce. V této kapitole si se budeme věnovat studiu základních vlastností funkcí jako je definiční obor, obor hodnot. Připomeneme si pojmy sudá, lichá, rostoucí, klesající.
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
Víceanalytické geometrie v prostoru s počátkem 18. stol.
4.. Funkce více proměnných, definice, vlastnosti Funkce více proměnných Funkce více proměnných se v matematice začal používat v rámci rozvoje analtické geometrie v prostoru s počátkem 8. stol. I v sami
VíceSPOLEHLIVOST KONSTRUKCÍ
VYSOKÉ UENÍ TECHNICKÉ V BRN FAKULTA STAVEBNÍ Prof. Ing. DRAHOMÍR NOVÁK, DrSc. SPOLEHLIVOST KONSTRUKCÍ MODUL P01 PRVODCE PEDMTEM CD04, CD06 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA
VíceNumerická matematika 1. t = D u. x 2 (1) tato rovnice určuje chování funkce u(t, x), která závisí na dvou proměnných. První
Numercká matematka 1 Parabolcké rovnce Budeme se zabývat rovncí t = D u x (1) tato rovnce určuje chování funkce u(t, x), která závsí na dvou proměnných. První proměnná t mívá význam času, druhá x bývá
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
Více2 ELEMENTÁRNÍ POET PRAVDPODOBNOSTI. as ke studiu kapitoly: 70 minut. Cíl: Po prostudování této kapitoly budete umt
2 ELEMENTÁRNÍ OET RAVDODOBNOSTI as ke studu kaptoly: 70 mnut Cíl: o prostudování této kaptoly budete umt charakterzovat teor pravdpodobnost a matematckou statstku vysvtlt základní pojmy teore pravdpodobnost
VíceTeoretické základy vakuové techniky
Vakuová technika Teoretické základy vakuové techniky tlak plynu tepeln! pohyb molekul st"ední volná dráha molekul proud#ní plynu vakuová vodivost $erpání plyn% ze systém% S klesajícím tlakem se chování
VíceNávod k obsluze a montáži
Návod k obsluze a montáži Trojfázové relé pro monitorování napájení sít, ada CM Pokyn: tento návod k obsluze a montáži neobsahuje všechny podrobné informace ke všem typm této výrobkové ady a nebere v úvahu
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
Víceijímací ízení ve šk. roce 2012/2013.
Stední škola technická a obchodní, Olomouc, Kosinova 4 Kosinova 4, 772 00 Olomouc,tel.: 585 220 663, fax: 585 223 576, ssto@kosinka.com ijímací ízení ve šk. roce 2012/2013. Pro školní rok 2013/2014 budeme
Více1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.
2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceJiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace
Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu
VíceNáhodná veličina. Michal Fusek. 10. přednáška z ESMAT. Ústav matematiky FEKT VUT, Michal Fusek
Náhodná veličina Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 10. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 71 Obsah 1 Náhodná veličina 2 Diskrétní náhodná veličina 3
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VícePřednáška č. 11 Analýza rozptylu při dvojném třídění
Přednáška č. Analýza roztlu ř dvojném třídění Ve většně říadů v rax výsledk exermentu, rozboru závsí na více faktorech. Př této analýze se osuzují výsledk náhodných okusů (exerment nebo soubor získané
Vícey = 0, ,19716x.
Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému
VíceHledáme lokální extrémy funkce vzhledem k množině, která je popsána jednou či několika rovnicemi, vazebními podmínkami. Pokud jsou podmínky
6. Vázané a absolutní extrémy. 01-a3b/6abs.tex Hledáme lokální extrémy funkce vzhledem k množině, která je popsána jednou či několika rovnicemi, vazebními podmínkami. Pokud jsou podmínky jednoduché, vyřešíme
Více2. Vlastnosti elementárních funkcí, složené, inverzní a cyklometrické funkce,
. Určete vlastnosti funkcí: (i) f : y = x (ii) f : y = x 4 (iii) f : y = cotgx (iv) f 4 : y = arccosx (v) f 5 : y = 4 x (vi) f 6 : y = ( 4 )x (vii) f 7 : y = lnx (viii) f 8 : y = x. Uveďte příklad: (i)
VíceJednotlivé mezivýsledky, získané v prbhu analýzy rozptylu, jsou prbžn a systematicky zaznamenávány v tabulce ANOVA. Prmrný tverec. volnosti SS B.
Ing. Martna Ltschmannová Statsta I., cvení ANOVA Rozšíením dvouvýbrových test pro stední hodnoty je analýza rozptylu nebol ANOVA, terá umožuje srovnávat nol stedních hodnot nezávslých náhodných výbr. Analýza
VíceČísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.
Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný
Více8. Normální rozdělení
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá
Víceení na modelu vedení nn (Distribuce Elektrické Energie - BDEE)
FAKULTA ELEKTROTECHNIKY A KOMUNIKANÍCH TECHNOLOGIÍ VYSOKÉ UENÍ TECHNICKÉ V BRN ení na modelu vedení nn (Dstrbuce Elektrcké Energe - BDEE) Autor textu: Ing. Martn Paar, Ph.D. Ing. Jan Varmuža Kvten 2013
VíceSpojitost a limita funkce
Spojitost a ita funkce Okolí bodu Značení: a R ε > 0 označujeme O ε (a) = (a ε, a + ε) ε-ové okolí bodu a O + ε (a) = a, a + ε) pravé okolí, O ε (a) = (a ε, a levé okolí P ε (a) = O ε (a) \ {a} x a ε-ové
Více7. ZÁKLADNÍ TYPY DYNAMICKÝCH SYSTÉMŮ
7. ZÁKADNÍ TYPY DYNAMICKÝCH SYSTÉMŮ 7.. SPOJITÉ SYSTÉMY Téměř všechny fyzálně realzovatelné spojté lneární systémy (romě systémů s dopravním zpožděním lze vytvořt z prvů tří typů: proporconálních členů
VíceNávod k obsluze. Hoval CZ s.r.o. Republikánská 45 31204 Plzeň tel/fax: (+420) 377 261 002, (+420) 377 266 023 info@hoval.cz www.hoval.
CZ Návod k obsluze Kotel pro spalování oleje Uno-3 / Mega-3 / Max-3 / Cosmo / ST-plus Kotel pro spalování plynu CompactGas (1000-2800) / Cosmo alufer / ST-plus alufer Hoval CZ s.r.o. Republkánská 45 31204
VíceMatematika IV, Numerické metody
Interaktvní sbírka příkladů pro předmět Matematka IV, Numercké metody Josef Dalík, Veronka Chrastnová, Oto Přbyl, Hana Šafářová, Pavel Špaček Vysoké učení techncké v Brně, Fakulta stavební Ústav matematky
VíceMOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD
XV. konference absolventů studa technckého znalectví s meznárodní účastí MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD Zdeněk Mrázek 1 1. Ř ešení stř etu u fngovaných
Víceh = 0, obr. 7. Definice Funkce f je ohraničená shora, jestliže x Df Funkce f je ohraničená zdola, jestliže x Df d R
.4. Cíle V této kapitole jsou deinován nejdůležitější pojm týkající se vlastností unkcí. Při dalším studiu budou tto vlastnosti často používán. Je proto nutné si jejich deinice dobře zapamatovat. Deinice.4..
VíceProjektovéízení a strategický management - východiska programového financování - IPVZ, 2008
Projektovéízení a strategický management - východiska programového financování - IPVZ, 2008 Programové financování Cílem je dosažení pedem definovaných cíl Zpravidla pedstavují soubor projekt Projekt ízení
VícePřednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení
VI Přednáška Další rozdělení SNP Limitní věty Speciální typy rozdělení Rovnoměrné rozdělení R(a,b) Příklad Obejít celý areál trvá strážnému 30 minut. Jaká je pravděpodobnost, že u vrátnice budete čekat
VíceNumerická matematika A
Numercká matematka A 5615 A1 Máme dánu soustava lneárních rovnc tvaru AX = B, kde 4 1 A = 1 4 1, B = 1 a Zapíšeme soustavu rovnc AX = B ve tvaru upravíme a následně (L + D + P X = B, DX = (L + P X + B,
VíceIII. CVIENÍ ZE STATISTIKY
III. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data pomocí chí-kvadrát testu, korelaní a regresní analýzy. K tomuto budeme používat program Excel 2007 MS Office,
VíceLimita posloupnosti, limita funkce, spojitost. May 26, 2018
Limita posloupnosti, limita funkce, spojitost May 26, 2018 Definice (Okolí bodu) Okolím bodu a R (také ε- okolím) rozumíme množinu U(a, ε) = {x R; x a < ε} = (a ε, a + ε), bod a se nazývá střed okolí a
Víceč č ň Ž ť ň Ž č Í č Ž Í č Í ň č ň Ž č č Ď ň Í Š č ň č Ž ň ň ň ň ň č Ž č ť Ů č ň ň č Í č ň Ó č č ň č Í č č ň Ď ň č č ň ň Í č č č Ž Ž č Ž Ž ň Ž ň ň Ó č ň ň Ž č č č ň ď Ž ň Íč ť č Ů Ž č č č Í ň Í ň č č ň
VíceMATEMATICKÁ STATISTIKA
MATEMATICKÁ STATISTIKA 1. Úvod. Matematická statistika se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného procesu, se snažíme popsat
Vícedx se nazývá diferenciál funkce f ( x )
6 Výklad Definice 6 Nechť je 0 vnitřním bodem definičního oboru D f funkce f ( ) Funkce proměnné d = 0 definovaná vztahem df ( 0) = f ( 0) d se nazývá diferenciál funkce f ( ) v bodě 0, jestliže platí
VíceEXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH
EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH ÚLOHY ŘEŠITELNÉ BEZ VĚTY O MULTIPLIKÁTORECH Nalezněte absolutní extrémy funkce f na množině M. 1. f(x y) = x + y; M = {x y R 2 ; x 2 + y 2 1} 2. f(x y) = e x ; M = {x y R
Více2. Posouzení efektivnosti investice do malé vtrné elektrárny
2. Posouzení efektvnost nvestce do malé vtrné elektrárny Cíle úlohy: Posoudt ekonomckou výhodnost proektu malé vtrné elektrárny pomocí základních metod hodnocení efektvnost nvestních proekt ako sou metoda
VícePříklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7
Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku
VíceMatematická analýza pro informatiky I.
Matematická analýza pro informatiky I. 2. přednáška Jan Tomeček tomecek@inf.upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci 17. února 2010 Jan Tomeček, tomecek@inf.upol.cz
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
VíceOrganizace. Zápočet: test týden semestru (pátek) bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část
Matematika I 1/15 2/15 Organizace Zápočet: test 6. + 11. týden semestru (pátek) 80 bodů 50 79 bodů souhrnný test (1 pokus) Zkouška: písemná část ( 50 bodů), ústní část www.vscht.cz/mat Výuka www.vscht.cz/mat/jana.nemcova
Více13) 1. Číselné obory 1. 1, 3
1. Číselné obory 1. 0 1 4 3 4 5 6 1 7 6 2. 1 3 0 1 2 3 4 3. 4; 4. C; 5. C; 6. E; 7. A) 104/25; B) 118/21; C) 18/5; 8. 200; 9. 1,056 10 11 ; 10. 2,3472 10 26 ; 11. A) {1; 2; 3; 4; 5; 6}; B) {-7; -6; -5;
Více