Taguciho metody. Řízení jakosti LS 2011/2012

Rozměr: px
Začít zobrazení ze stránky:

Download "Taguciho metody. Řízení jakosti LS 2011/2012"

Transkript

1 Taguciho metody Řízení jakosti LS 2011/2012

2 Genichi Taguchi (*1924) Japonský inženýr, který se snažil najít cestu ke zlepšení kvality ve svém podniku vytvořením vlastních postupů. Pomocí tzv. ztrátové funkci vyjádřil náklady na nekvalitu. ŘÍZENÍ JAKOSTI

3 Taguciho nový přístup ke kvalitě Podle Taguchiho nejsou výrobky, které se pohybují v mezích tolerance, stejně kvalitní a bezeztrátové. Jakákoli odchylka od T je projevem nekvality a přináší odběrateli finanční ztráty. Ty jsou tím větší, čím větší je odchylka od T. Taguchi nazývá tuto ztrátu ztrátou za nekvalitu v rámci tolerance. Toto je zcela nový pohled na kvalitu a nekvalitu.

4 Předpoklady U každého výrobku je sledována určitá char. (rozměr, váha ), podle které posuzujeme jeho kvalitu Tato char. má stanovenou opt. hodnotu T Nekvalita se projevuje odchylkami od T Jakákoliv odchylka od T představuje určitou ztrátu, která se projeví u odběratele zvýšenými náklady na provoz, údržbu, ekologii apod.

5 Zadání příkladu č. 1 Nakreslete, popište a sestavte Taguciho ztrátovou funkci, pokud je ztráta při překročení tolerance 5 000,- Kč. Parametry výrobního procesu jsou: LSL = 150 USL = 200 T = 175 σ= 4 ŘÍZENÍ JAKOSTI

6 L(Y) ztráta L(y) = k.(y-t) 2 A = k.d 2 A k = A/d 2 T-d T T+d Y d tolerance A ztráta, kterou přinese překročení tolerance T cílová hodnota L(y) ztráta způsobená odchylkou od T k konstanta Y-skutečně dosažená úroveň sledovaného parametru kvality UCL horní hranice LCL dolní hranice ČÍM VÍC SE ODCHYLUJEME (NAPRAVO ČI NALEVO) OD CÍLOVÉ HODNOTY, TÍM VĚTŠÍ JE ZTRÁTA Podle teorie pravděpodobnosti je Y náhodná proměnná, která má v zavedené výrobě obvykle normální rozdělení. Může mít ale i jiný typ rozdělení, např. rovnoměrné. To, jak jsou rozděleny hodnoty ztrátové funkce, významně ovlivňuje ztrátu u odběratele L(Y).

7 Definiční rovnice L(y) = k.(y T) 2 Řešení příkladu č. 1 L(y) = A/d 2.(Y-T) 2 Rovnice pro výpočet konstanty k (známe A a d) A = k.d = k k = 8 Taguciho ztrátová funkce pro tento příklad: L(y) = 8.(Y-175) 2

8 Zadání příkladu 2 Za použití Taguciho standardizované funkce vypočítej ztrátu z nedodržení cílové hodnoty při parametrech: LSL = 150 USL = 200 T = 175 A = 5000 Y = 205 ŘÍZENÍ JAKOSTI

9 Standardizovaná ztrátová funkce Z důvodu odstranění konstanty k, lze upravit vzorec na standardizovaný tvar Konstanta A = 1 Pro Y = LSL SL(Y) = 1 Pro Y = USL SL(Y) = 1 SL( y) 2 x Y T USLLSL 2 2

10 Řešení příkladu č. 2 SL( y) 2 2 xy T USLLSL 2 SL(y) = 1,44 Pro Y >USL SL(Y) > 1 Byla překročena hranice tolerance USL, ztráta z nedodržení cílové hodnoty je 5000 Kč.

11 Výpočet nákladů na nekvalitu Použití Taguchiho metod nevyžaduje splnění normality dat, ztráty za nekvalitu vyjadřuje navíc také finančně. Bylo vytvořeno velké množství různých aplikací: - pro kontrolu 100% výrobků, - pro kontrolu po n-výrobcích, - pro měření nákladů na jakost atributů. ŘÍZENÍ JAKOSTI

12 Kontrola všech výrobků L Q R A 2 d s 2 0 L Celkové náklady na jakost na 1 ks Q (roční) náklady na 100 % kontrolu R (roční) produkce v kusech d funkční tolerance A ztráta při překročení tolerance d

13 Zadání příkladu č. 3 Náklady na 100 % automatickou kontrolu jsou Kč ročně. Roční produkce činí kusů, tolerance je 9 a její překročení stojí 5 Kč. Určete celkové náklady na jakost.

14 Řešení příkladu 1

15 L Kontrola po n-výrobcích 2 2 B C A D 1 2. A D.. n z A. s m n u 3 u 2 d d d A ztráta při překročení tolerance d B cena kontroly (jednoho) výrobku C cena opravy stroje (linky) n kontrolní interval u prům. počet výrobků mezi opravami d funkční tolerance D výrobní tolerance z počet výrobků zhotovených během kontroly (z=n/60*doba kontroly)

16 2 2 B C A D 1 2. A D.. n z A. 2 2 s 2 m n u 3 u 2 d d d Cena kontroly za kus Cena opravy za kus Ztráty způsobené nepřesností výroby Ztráty za zmetky Ztráty způsobené nepřesností měření

17 Optimální hodnoty n 2. u. B A * 0. d D 0 Optimální kontrolní interval D 2 3. C.. * 4 0 D u A. 0 d 2 Optimální výrobní tolerance

18 Průměrný počet výrobků mezi dvěma poruchami (opravami) u *2 D. u D 2 0 0

19 Náklady na jakost při optimálních parametrech n * a D * L *2 *2 * B C A D A D n 1 A... z. * u 3 u 2 n d d d s 2 m Jak často kontrolovat? S jakou přesností kontrolovat?

20 Snižování nákladů na jakost Nedá se obecně říci, jaké hodnoty parametrů jsou optimální: Např. snižováním B (cena kontroly) nemusí být přínosem Stejně tak prodloužení kontrolního intervalu a tedy snížení počtu kontrol, nevede automaticky k úsporám Rozhodující jsou celkové náklady na jakost!

21 Snižování nákladů na jakost A (ztráta při překročení tolerance), u (prům. počet výrobků mezi opravami) lze ovlivnit v přímé výrobě B (cena kontroly), z (počet výrobků zhotovených během kontroly), s m (nepřesnost měření) lze ovlivnit v procesu kontroly C (cena opravy) lze ovlivnit v průběhu oprav

22 Neměřitelné charakteristiky kvality Tzv. atribut Např. kontrola montáže čalounění do automobilů, lepení etiket na láhve atp. L B C n 1 A z. A. n u 2 u u

23 Zadání příkladu 4 S užitím Taguciho metod vypočítejte optimální kontrolní interval při těchto parametrech: cena za zmetek (A) = 5 Kč, cena kontroly (B) je 25 Kč, cena opravy (C) = 800 Kč, počet vyrobených jednotek označených jako vadných běhemkontroly (z) = 50 ks, kontrolní interval (n)= 1000 ks, průměrný interval mezi poruchami (u) = ks. ŘÍZENÍ JAKOSTI n * 2. u z. B A C / u

24 Řešení příkladu č. 4 Jedná se o neměřitelné charakteristiky kvality, není stanovena d a D. n * 2. u z. B A C / u n 2( ) * Optimální kontrolní interval je po 320 ks A ztráta při překročení tolerance d B cena kontroly (jednoho) výrobku C cena opravy stroje (linky) n kontrolní interval u prům. počet výrobků mezi opravami z počet výrobků zhotovených během kontroly (z=n/60*doba kontroly)

Taguciho metody. Řízení jakosti

Taguciho metody. Řízení jakosti Taguciho metody Řízení jakosti Genichi Taguchi (*194) Japonský inženýr, který se snažil najít cestu ke zlepšení kvality ve svém podniku vytvořením vlastních postupů. Pomocí tzv. ztrátové funkci vyjádřil

Více

Tošenovský J. Katedra řízení jakosti, Fakulta metalurgie a materiálového inženýrství, VŠB-TU Ostrava, Česká republika

Tošenovský J. Katedra řízení jakosti, Fakulta metalurgie a materiálového inženýrství, VŠB-TU Ostrava, Česká republika VIACROZMERNÝ INDEX SPÔSOBILOSTI A STRATOVÁ FUNKCIA Tošenovský J. Katedra řízení jakosti, Fakulta metalurgie a materiálového inženýrství, VŠB-TU Ostrava, Česká republika A MULTIVARIATE INDEX AND LOSS FUNCTION

Více

Statistické řízení jakosti - regulace procesu měřením a srovnáváním

Statistické řízení jakosti - regulace procesu měřením a srovnáváním Statistické řízení jakosti - regulace procesu měřením a srovnáváním Statistická regulace výrobního procesu (SPC) SPC = Statistical Process Control preventivní nástroj řízení jakosti, který na základě včasného

Více

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový

Více

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

Regulační diagramy (RD)

Regulační diagramy (RD) Regulační diagramy (RD) Control Charts Patří k základním nástrojům vnitřní QC laboratoře či výrobního procesu (grafická pomůcka). Pomocí RD lze dlouhodobě sledovat stabilitu (chemického) měřícího systému.

Více

Statistické řízení jakosti. Deming: Klíč k jakosti je v pochopení variability procesu.

Statistické řízení jakosti. Deming: Klíč k jakosti je v pochopení variability procesu. Statistické řízení jakosti Deming: Klíč k jakosti je v pochopení variability procesu. SŘJ Statistická regulace výrobního procesu Statistická přejímka jakosti měřením srovnáváním měřením srovnáváním - X

Více

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Nestandardní regulační diagramy J.Křepela, J.Michálek REGULAČNÍ DIAGRAM PRO VŠECHNY INDIVIDUÁLNÍ HODNOTY xi V PODSKUPINĚ V praxi se někdy setkáváme s požadavkem

Více

5. Jev B je částí jebu A. Co můžeme říct o podmíněné pravděpodobnosti? (1b)

5. Jev B je částí jebu A. Co můžeme říct o podmíněné pravděpodobnosti? (1b) TEST 3 1. U pacienta je podozření na jednu ze čtyř, navzájem se vylučujících nemocí. Pravděpodobnost výskytu těchto nemocí je 0,1, 0,2, 0,4 a 0,3. Laboratorní zkouška je v případě první nemoci pozitivní

Více

Zápočtová písemka z Matematiky III (BA04) skupina A

Zápočtová písemka z Matematiky III (BA04) skupina A skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost

Více

Detailní porozumění podstatě měření

Detailní porozumění podstatě měření Nejistoty Účel Zjištění intervalu hodnot okolo výsledku měření, který lze přiřadit k hodnotě měřené veličiny Nejčastěji X X [%] X U X U [%] V roce 1990 byl vydán dokument WECC 19/90, který představoval

Více

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI Elektronická sbírka příkladů k předmětům zaměřeným na aplikovanou statistiku

Více

Vzorová písemka č. 1 (rok 2015/2016) - řešení

Vzorová 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

Více

Oběžný majetek. Peníze Materiál Nedokončená výroba Hotové výrobky Pohledávky Peníze. Plánování a normování materiálových zásob.

Oběžný majetek. Peníze Materiál Nedokončená výroba Hotové výrobky Pohledávky Peníze. Plánování a normování materiálových zásob. Součástí oběžného majetku jsou: zásoby oběžný finanční majetek pohledávky Oběžný majetek Charakteristickým rysem oběžného majetku je jednorázová spotřeba, v procesu výroby mění svoji formu. Tato změna

Více

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor Management jakosti Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management jakosti" školní rok 2013/2014 Integrované systémy managementu A 1. Koncepce a principy integrovaných

Více

k DUM 08. pdf ze šablony 1_šablona_automatizační_technika_I 03 tematický okruh sady: regulátor

k DUM 08. pdf ze šablony 1_šablona_automatizační_technika_I 03 tematický okruh sady: regulátor METODICKÝ LIST k DUM 08. pdf ze šablony 1_šablona_automatizační_technika_I 03 tematický okruh sady: regulátor Téma DUM: spojitá regulace test 1 Anotace: Digitální učební materiál DUM - slouží k výuce regulátorů

Více

Mateřská škola a Základní škola při dětské léčebně, Křetín 12

Mateřská škola a Základní škola při dětské léčebně, Křetín 12 Mateřská škola a Základní škola při dětské léčebně, Křetín 12 Autor: Mgr. Miroslav Páteček Vytvořeno: červen 2012 Klíčová slova: Matematika a její aplikace Podobnost, funkce, goniometrické funkce, lomený

Více

Různé metody manažerství kvality. Práce č.12: Výpočet PPM a způsobilost procesů

Různé metody manažerství kvality. Práce č.12: Výpočet PPM a způsobilost procesů - Různé metody manažerství kvality - Práce č.12: Výpočet PPM a způsobilost procesů Datum: 02-12-2018 Martin Bažant Obsah Obsah... 2 1 Úvod... 3 2 Způsobilost procesů... 3 3 Výpočet PPM... 7 3.1 Základní

Více

Národní informační středisko pro podporu jakosti

Národní informační středisko pro podporu jakosti Národní informační středisko pro podporu jakosti 1 METODA KUMULOVANÝCH SOUČTŮ C U S U M metoda: tabulkový (lineární) CUSUM RNDr. Jiří Michálek, CSc., Ing. Antonie Poskočilová 2 Základem SPC jsou Shewhartovy

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)* Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná

Více

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2Management

Více

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,

Více

Náhodná veličina a rozdělení pravděpodobnosti

Náhodná veličina a rozdělení pravděpodobnosti 3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro

Více

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY 4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY Průvodce studiem V této kapitole se seznámíte se základními typy rozložení diskrétní náhodné veličiny. Vašim úkolem by neměla být

Více

Časové rezervy. Celková rezerva činnosti

Časové rezervy. Celková rezerva činnosti Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že

Více

Řešení. Označme po řadě F (z) Odtud plyne, že

Řešení. 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

Více

MATEMATIKA III V PŘÍKLADECH

MATEMATIKA 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

Více

1. Základy teorie přenosu informací

1. Základy teorie přenosu informací 1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.

Více

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami. 3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její

Více

Sedm základních nástrojů řízení jakosti

Sedm základních nástrojů řízení jakosti Sedm základních nástrojů řízení jakosti Není nic tak naprosto zbytečného, jako když se dobře dělá něco, co by se nemělo dělat vůbec. Peter Drucker Kontrolní tabulky Vývojové diagramy Histogramy Diagramy

Více

Fyzikální praktikum I

Fyzikální praktikum I Kabinet výuky obecné fyziky, UK MFF Fyzikální praktikum I Úloha č. II Název úlohy: Studium harmonických kmitů mechanického oscilátoru Jméno: Ondřej Skácel Obor: FOF Datum měření: 2.3.2015 Datum odevzdání:...

Více

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management kvality"

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor Management kvality Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management kvality" školní rok 2016/2017 Integrované systémy managementu A 1. Koncepce a principy integrovaných

Více

Aplikace při posuzování inv. projektů

Aplikace při posuzování inv. projektů Aplikace při posuzování inv. projektů Pokročilé metody investiční analýzy Výpočet bodu zvratu Citlivostní analýza Analýzy scénářů Statistické simulace Reálné opce Analýza stochastických procesů Příklad

Více

Zápočtová práce STATISTIKA I

Zápočtová práce STATISTIKA I Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru

Více

Induktivní statistika. z-skóry pravděpodobnost

Induktivní statistika. z-skóry pravděpodobnost Induktivní statistika z-skóry pravděpodobnost normální rozdělení Z-skóry umožňují najít a popsat pozici každé hodnoty v rámci rozdělení hodnot a také srovnávání hodnot pocházejících z měření na rozdílných

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality 1 STATISTICKÉ PŘEJÍMKY CHYBY PŘI APLIKACI A JEJICH DŮSLEDKY Ing. Vratislav Horálek, DrSc. 2 A. NEPOCHOPENÍ VLASTNÍHO CÍLE STATISTICKÉ PŘEJÍMKY (STP) STP

Více

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

X = 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

Více

Půjčka 200,000 Kč 75000 Úrok 6% Rok

Půjčka 200,000 Kč 75000 Úrok 6% Rok Půjčka 200,000 Kč 75000 Úrok 6% Sazba 3% Doba splátek 60 1 Splátka/částka 1500 2 3 Funkce Platba -3,867 Kč 231,994 Kč 4 Budhodnota 96,970 Kč 90,000 Kč 5 Počet období 220.2713073 330,407 Kč 6 Úroková míra

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality NOVÁ ŘADA NOREM ČSN ISO 3951 Statistické přejímky měřením (ČSN ISO 3951-1 a ČSN ISO 3951-2) Ing. Vratislav Horálek, DrSc. Leden 2011 1. Normy ČSN ISO řady

Více

tazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve

tazatel 1 2 3 4 5 6 7 8 Průměr ve 15 250 18 745 21 645 25 754 28 455 32 254 21 675 35 500 Počet 110 125 100 175 200 215 200 55 respondentů Rozptyl ve Příklady k procvičení k průběžnému testu: 1) Při zpracování studie o průměrné výši měsíčních příjmů v České republice jsme získali data celkem od 8 tazatelů. Každý z těchto pěti souborů dat obsahoval odlišný

Více

dx se nazývá diferenciál funkce f ( x )

dx 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

Více

PRINCIPY ZABEZPEČENÍ KVALITY

PRINCIPY ZABEZPEČENÍ KVALITY (c) David MILDE, 2013 PRINCIPY ZABEZPEČENÍ KVALITY POUŽÍVANÁ OPATŘENÍ QA/QC Interní opatření (uvnitř laboratoře): pravidelná analýza kontrolních vzorků a CRM, sledování slepých postupů a možných kontaminací,

Více

III. STRUKTURA A VLASTNOSTI PLYNŮ

III. STRUKTURA A VLASTNOSTI PLYNŮ III. STRUKTURA A VLASTNOSTI PLYNŮ 3.1 Ideální plyn a) ideální plyn model, předpoklady: 1. rozměry molekul malé (ve srovnání se střední vzdáleností molekul). molekuly na sebe navzálem silově nepůsobí (mimo

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n

Více

Regulační diagramy (Control charts, Shewhart s diagrams)

Regulační diagramy (Control charts, Shewhart s diagrams) Regulační diagramy (Control charts, Shewhart s diagrams) diagram spolu s horní nebo/a dolní í, do kterého se zakreslují hodnoty nějakého statistického ukazatele pro řadu výběrů nebo podskupin, obvykle

Více

MATEMATIKA III V PŘÍKLADECH

MATEMATIKA III V PŘÍKLADECH VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA III V PŘÍKLADECH Cvičení 6 Rozdělení pravděpodobnosti diskrétní náhodné veličiny Mgr. Petr Otipka Ostrava 013 Mgr. Petr Otipka

Více

Použitý rezistor (jmenovitá hodnota): R1 = 270 kω je přesný metalizovaný rezistor s přesností ± 0,1%.

Použitý rezistor (jmenovitá hodnota): R1 = 270 kω je přesný metalizovaný rezistor s přesností ± 0,1%. Laboratorní úloha Snímač teploty R je zapojený podle schema na Obr. 1. Snímač je termistor typ B57164K [] se jmenovitým odporem pro teplotu 5 C R 5 00 Ω ± 10 %. Závislost odporu termistoru na teplotě je

Více

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2Management

Více

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI SPŠ na Proseku 4-1 Ing. A. Styblíková, Ing. L. Procházka - pevně stanovený soubor grafických technik napomáhajících při řešení problémů s kvalitou - jedná se o 7 nástrojů

Více

Příklad 81b. Předpokládejme, že výška chlapců ve věku 9,5 až 10 roků má normální rozdělení N(mi;sig2)

Příklad 81b. Předpokládejme, že výška chlapců ve věku 9,5 až 10 roků má normální rozdělení N(mi;sig2) Příklad 1. Za předpokladu, že výška dětí ve věku 10 let má normální rozdělení s rozptylem 38, určete pravostranný 99% interval spolehlivosti, ve kterém bude ležet neznámá střední hodnota výšky dětí, jestliže

Více

TEST 1 (40 bodů) (9 4)! 2. Nejméně kolikrát musíme hodit kostkou, abychom měli alespoň 80% pravděpodobnost, že padne alespoň jedna šestka?

TEST 1 (40 bodů) (9 4)! 2. Nejméně kolikrát musíme hodit kostkou, abychom měli alespoň 80% pravděpodobnost, že padne alespoň jedna šestka? TEST (40 bodů) Jméno:. Pin karty se skládá ze čtyř náhodně vybraných číslic až 9, z nichž se žádné neopakuje. Jaká je pravděpodobnost, že všechny čtyři číslice budou liché? podíl všech možností,jak vybrat

Více

Finanční hospodaření podniku

Finanční hospodaření podniku Finanční hospodaření podniku Náklady podniku Náklady představují v peněžním vyjádření hodnotu vynaložených hospodářských prostředků (spotřebovaného oběžného majetku, opotřebovaného investičního majetku)

Více

Statistika pro geografy

Statistika pro geografy Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických

Více

Cvičná bakalářská zkouška, 1. varianta

Cvičná bakalářská zkouška, 1. varianta jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární

Více

Střední průmyslová škola elektrotechnická a informačních technologií Brno

Střední průmyslová škola elektrotechnická a informačních technologií Brno Střední průmyslová škola elektrotechnická a informačních technologií Brno Číslo a název projektu: CZ.1.7/1.5./34.521 Investice do vzdělání nesou nejvyšší úrok Autor: Ing. Bohumír Jánoš Tematická sada:

Více

Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí

Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola

Více

zení jakosti Doc. Ing. Pavel Mach, CSc. mach@fel.cvut.cz katedra elektrotechnologie místnost 141

zení jakosti Doc. Ing. Pavel Mach, CSc. mach@fel.cvut.cz katedra elektrotechnologie místnost 141 Komplexnířízen zení jakosti Doc. Ing. Pavel Mach, CSc. mach@fel.cvut.cz katedra elektrotechnologie místnost 141 1 Základní literatura Tošenovský, J., Noskievičová, D. Statistické metody pro zlepšování

Více

SW podpora při řešení projektů s aplikací statistických metod

SW podpora při řešení projektů s aplikací statistických metod SW podpora při řešení projektů s aplikací statistických metod Jan Král, Josef Křepela Úvod Uplatňování statistických metod vyžaduje počítačovou podporu. V současné době je rozšiřována řada vynikajících

Více

MÍRY ZÁVISLOSTI (KORELACE A REGRESE)

MÍRY ZÁVISLOSTI (KORELACE A REGRESE) zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky

Více

2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz).

2. Friesl, M.: Posbírané příklady z pravděpodobnosti a statistiky. Internetový zdroj (viz odkaz). 1 Cvičení z předmětu KMA/PST1 Pro získání zápočtu je nutno mimo docházky (max. 3 absence) uspět minimálně ve dvou ze tří písemek, které budou v průběhu semestru napsány. Součástí třetí písemky bude též

Více

Časové řady. Ing. Michal Dorda, Ph.D.

Časové řady. Ing. Michal Dorda, Ph.D. Ing. Michal Dorda, Ph.D. Př. :V tabulce je uveden počet nehod na pozemních komunikacích v Ostravském kraji, které nastaly v jednotlivých měsících roku 009. Očistěte tuto časovou řadu od vlivu kalendářních

Více

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného

Více

Příklady modelů lineárního programování

Příklady modelů lineárního programování Příklady modelů lineárního programování Příklad 1 Optimalizace výroby konzerv. Podnik vyrábí nějaký výrobek, který prodává v 1 kg a 2 kg konzervách, přičemž se řídí podle následujících velmi zjednodušených

Více

LEPENÉ SPOJE. 1, Podstata lepícího procesu

LEPENÉ SPOJE. 1, Podstata lepícího procesu LEPENÉ SPOJE Nárůst požadavků na technickou úroveň konstrukcí se projevuje v poslední době intenzivně i v oblasti spojování materiálů, kde lepení je často jedinou spojovací metodou, která nenarušuje vlastnosti

Více

T = HMR DMR T = ES - EI

T = HMR DMR T = ES - EI Tolerování rozměrů Skutečné rozměry vyrobené součásti se vždy liší od jmenovitých rozměrů udaných na výkrese kótami. Aby bylo dosaženo souladu mezi požadavky konstrukce a výrobou, zavádí se tolerování

Více

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)

You created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com) Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik

Více

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou

Více

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Odhady parametrů základního souboru Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Motivační příklad Mám průměrné roční teploty vzduchu z 8 stanic

Více

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných

Více

5. Odhady parametrů. KGG/STG Zimní semestr

5. Odhady parametrů. KGG/STG Zimní semestr Základní soubor Výběr, výběrový (statistický) soubor Náhodný výběr Princip Odhad neznámých parametrů základního souboru na základz kladě charakteristik výběru. Přecházíme z části na celek, zevšeobec eobecňujeme

Více

Fluktuace termodynamických veličin

Fluktuace termodynamických veličin Kvantová a statistická fyzika (Termodynamika a statistická fyzika Fluktuace termodynamických veličin Fluktuace jsou odchylky hodnot fyzikálních veličin od svých středních (rovnovážných hodnot. Mají původ

Více

LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica

LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná

Více

Číselné charakteristiky

Číselné charakteristiky . Číselné charakteristiky statistických dat Průměrný statistik se během svého života ožení s 1,75 ženami, které se ho snaží vytáhnout večer do společnosti,5 x týdně, ale pouze s 50% úspěchem. W. F. Miksch

Více

Sigma Metric: yes or no?

Sigma Metric: yes or no? MPRA Munich Personal RePEc Archive Sigma Metric: yes or no? Filip Tošenovský VŠB-TU Ostrava 8. September 2007 Online at http://mpra.ub.uni-muenchen.de/12290/ MPRA Paper No. 12290, posted 22. December 2008

Více

ŘÍZENÍ JAKOSTI. Ing. Eva Šlaichová, Ph.D. eva.slaichova@tul.cz Budova H 6. patro Tel.: 48 535 2353 Konzultační hodiny: ST 10:40 12:10 nebo dle dohody

ŘÍZENÍ JAKOSTI. Ing. Eva Šlaichová, Ph.D. eva.slaichova@tul.cz Budova H 6. patro Tel.: 48 535 2353 Konzultační hodiny: ST 10:40 12:10 nebo dle dohody ŘÍZENÍ JAKOSTI Ing. Eva Šlaichová, Ph.D. eva.slaichova@tul.cz Budova H 6. patro Tel.: 48 535 2353 Konzultační hodiny: ST 10:40 12:10 nebo dle dohody Sylabus předmětu Úvod do problematiky. Vymezení pojmů.

Více

Přednáška č.9 VÝROBNÍ ČINNOST PODNIKU. 18.11.2008 doc. Ing. Roman ZámeZ

Přednáška č.9 VÝROBNÍ ČINNOST PODNIKU. 18.11.2008 doc. Ing. Roman ZámeZ Přednáška č.9 VÝROBNÍ ČINNOST PODNIKU 18.11.2008 doc. Ing. Roman ZámeZ mečník, PhD. 1 Osnova přednášky 1. POJETÍ A ČLENĚNÍ VÝROBY 2. ŘÍZENÍ A PLÁNOV NOVÁNÍ VÝROBY 3. PRODUKČNÍ FUNKCE 4. VÝROBNÍ KAPACITA

Více

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet? Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.

Více

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Základy teorie pravděpodobnosti Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel. Poznámka: Výsledek pokusu není předem znám (výsledek

Více

Stanovení hloubky karbonatace v čase t

Stanovení hloubky karbonatace v čase t 1. Zadání Optimalizace bezpečnosti a životnosti existujících mostů Stanovení hloubky karbonatace v čase t Předložený výpočetní produkt je aplikací teoretických postupů popsané v navrhované certifikované

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 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

Více

LEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR

LEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR LEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR Ve většině případů pracujeme s výběrovým souborem a výběrové výsledky zobecňujeme na základní soubor. Smysluplné

Více

MODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD.

MODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD. MODELY ROZDĚLENÝCH ZPOŽDĚNÍ. FRIEDMANOVA SPOTŘEBNÍ FUNKCE A PERMANENTNÍ DŮCHOD. V tomto textu bude nejprve vysvětleno, co jsou to modely rozdělených zpoždění a jak se dělí. Pak se zaměříme na Friedmanovu

Více

Fyzikální korespondenční seminář MFF UK

Fyzikální korespondenční seminář MFF UK Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná

Více

KVALITA DAT POUŽITÁ APLIKACE. Správnost výsledku použití GIS ovlivňuje:

KVALITA DAT POUŽITÁ APLIKACE. Správnost výsledku použití GIS ovlivňuje: KVALITA DAT Správnost výsledku použití GIS ovlivňuje: POUŽITÁ APLIKACE Kvalita dat v databázi Kvalita modelu, tj. teoretického popisu krajinných objektů a jevů Způsob použití funkcí GIS při přepisu modelu

Více

VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření

VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ. #2 Nejistoty měření VYSOKONAPĚŤOVÉ ZKUŠEBNICTVÍ # Nejistoty měření Přesnost měření Klasický způsob vyjádření přesnosti měření chyba měření: Absolutní chyba X = X M X(S) Relativní chyba δ X = X(M) X(S) - X(M) je naměřená hodnota

Více

Logaritmus, logaritmická funkce, log. Rovnice a nerovnice. 3 d) je roven číslu: c) -1 d) 0 e) 3 c) je roven číslu: b) -1 c) 0 d) 1 e)

Logaritmus, logaritmická funkce, log. Rovnice a nerovnice. 3 d) je roven číslu: c) -1 d) 0 e) 3 c) je roven číslu: b) -1 c) 0 d) 1 e) Logaritmus, logaritmická funkce, log. Rovnice a nerovnice ) Výraz log log +log není správná 0 - žádná z předchozích odpovědí ) Číslo log 8 6 je rovno číslu: ) Výraz log log +log - 0 ) Číslo log 6 6 je

Více

Úvod do problematiky měření

Úvod do problematiky měření 1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek

Více

1.1 Využití tabulkového procesoru jako laboratorního deníku. 1.3 Systém jakosti a počítačová kontrola jakosti

1.1 Využití tabulkového procesoru jako laboratorního deníku. 1.3 Systém jakosti a počítačová kontrola jakosti Semestrální práce Strana 1 Semestrální práce 1.1 Využití tabulkového procesoru jako laboratorního deníku 1.3 Systém jakosti a počítačová kontrola jakosti Ing. Ján Lengyel, CSc. Centrální analytická laboratoř

Více

Ukázka závěrečného testu

Ukázka závěrečného testu Okruhy otázek pro závěrečný test ) Vlastnosti funkce ) Graf funkce ) Definiční obor funkce ) imita funkce ) Derivace funkce 6) Užití derivace 7) Matice 8) Řešení soustavy lineárních rovnic 9) Určitý integrál

Více

Matematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené

Matematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené 2. 3. 2018 Matematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené mn. M E n. Zapište a načrtněte množinu D, ve které

Více

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 2: Pravděpodobnostní vyjádření náhodných veličin 0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování

Více

0.1 Úvod do matematické analýzy

0.1 Úvod do matematické analýzy Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Limita a spojitost funkce Lineární funkce Lineární funkce je jedna z nejjednodušších a možná i nejpoužívanějších funkcí. f(x) = kx + q D(f)

Více