Příklady k třetímu testu - Matlab
|
|
- Přemysl Bezucha
- před 7 lety
- Počet zobrazení:
Transkript
1 Příklady k třetímu testu - Matlab 18. dubna 2013 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a naprogramujte příklad podobný. Tím se ujistíte, že příkladu rozumíte. Další příklady najdete na stránkách Ivana Nagye nebo Pavly Pecherkové. Učivo: Práce se statistickým balíčkem. Příkazy typu normal_cdf, poisson_rnd a podobně. Generování náhodných čísel s daným rozdělením Vygenerujte deset tisíc čísel s exponenciálním rozdělením s parametrem λ = 2. Čísla nechť jsou v řádkovém vektoru. Vykreslete histogram těchto čísel s 30 sloupci. Zadám do Command Window příkaz hlp a pak volbu 3. Najdeme si nápovědu k exponencálnímu rozdělení - exponential a ke generování náhodných čísel - _rnd. Zejména si všimněte parametrů a v jakém pořadí se píší. lambda - parametr rozdělení r - počet řádků c - počet sloupečků Mohu do Command Window zadat i příkaz pro nápovědu k funkci: help exponential_rnd. Otevřu si editor! X = exponential_ rnd ( 2, 1,10000); % lambda, 1 radek, sloupcu hist (X,30); %30 sloupcu 1
2 Vygenerujte deset tisíc čísel s normálním rozdělením se střední hodnotou 5 a rozptylem 3. Čísla nechť jsou v řádkovém vektoru. Vykreslete histogram těchto čísel s 50 sloupci. Zadám do Comand Window příkaz hlp a pak volbu 3. Najdeme si nápovědu k normálnímu rozdělení - normal a ke generování náhodných čísel - _rnd. Zejména si všimněte parametrů a v jakém pořadí se píší. m - µ - střední hodnota v - ν - rozptyl r - počet řádků c - počet sloupečků Mohu do Command Window zadat i příkaz pro nápovědu k funkci: help normal_rnd. Otevřu si editor! X= normal_rnd (5,3,1,10000); % N(5,3), 1 radek, sloupcu hist (X,50); %50 sloupcu 2
3 Vykreslení grafů hustoty pravděpodobnosti a distribuční funkce Vykreslete hustotu pravděpodobnosti pro exponenciální rozdělení s parametrem λ = 2. Rozsah osy x volte 0 až 18, krok 0,01. Zadám do Comand Window příkaz hlp a pak volbu 3. Najdeme si nápovědu k exponenciálnímu rozdělení - exponential a k výpočtu pravděpodobnostní funkce - _pdf. Zejména si všimněte parametrů a v jakém pořadí se píší. x - vektor hodnot x lambda - parametr rozdělení Mohu do Command Window zadat i příkaz pro nápovědu k funkci: help exponential_pdf. Otevřu si editor! X =0:0.01:18; Y= exponential_pdf (X,2); plot (X,Y); Porovnejte tvar křivky a histogram z prvního příkladu. Vykreslete do jednoho obrázku grafy pravděpodobnostních funkcí pro normální rozdělení: N(0, 1)- normální normované rozdělení - modře N(0, 9)- střední hodnota 0, rozptyl 9, směrodatná odchylka 3 - zeleně N(0, 1 4 )- střední hodnota 0, rozptyl 1 4, směrodatná odchylka fialově N(4, 1)- střední hodnota 2, rozptyl 1, směrodatná odchylka 1 - červeně Rozsah osy x volte -8 až 8, krok 0,01. 3
4 X = -8:0.01:8; Y1= normal_pdf (X,0,1); Y2= normal_pdf (X,0,9); Y3= normal_pdf (X,0,0.25); Y4= normal_pdf (X,4,1); hold on; plot (X,Y1, b ); plot (X,Y2, g ); plot (X,Y3, m ); plot (X,Y4, r ); Na grafu vidíme, jak parametry µ a ν ovlivňují tvar pravděpodobnostní funkce. Vykreslete do jednoho obrázku grafy pravděpodobnostní funkce pro: normální rozdělení N(10, 5) - modře binomické rozdělení se stejnou střední hodnotou a rozptylem Bi(20; 1 2 ) - červenými hvězdičkami. První parametr n v binomickém rozdělení znamená např. počet hodů mincí, druhý parametr p pravděpodobnost hodu jedničky. µ = n.p, σ 2 = ν = n.p. (1 p) Rozsah osy x volte 0 až 20, krok 0,01. X =0:0.01:20; Y1= normal_pdf (X,10,5); Y2= binomial_pdf (X,20,0.5); 4
5 hold on; plot (X,Y1, b ); plot (X,Y2, r* ); Vidíte rozdíl mezi podobnými rozděleními, kde ale jedno patří spojité a druhé diskrétní náhodné veličině. Červené hvězdičky v celých číslech leží téměř na modré křivce. Rozmyslete si, že jde o důsledek centrální limitní věty. Vidíme, že i pro dvacet hodů mincí je centrální limitní věta dobře splněna. Silná čarvená čára dole je nulová pravděpodobnost pro neceločíselné body. - Při házení mincí nemůžeme hodit tři a půl. Vykreslete do jednoho obrázku grafy distribuční funkce pro: normální rozdělení N(10, 5) - modře binomické rozdělení se stejnou střední hodnotou a rozptylem Bi(20; 1 2 ) - červeně První parametr n v binomickém rozdělení znamená např. počet hodů mincí, druhý parametr p pravděpodobnost hodu jedničky. µ = n.p, σ 2 = ν = n.p. (1 p) Rozsah osy x volte 0 až 20, krok 0,01. X =0:0.01:20; Y1= normal_cdf (X,10,5); Y2= binomial_cdf (X,20,0.5); hold on; plot (X,Y1, b ); plot (X,Y2, r ); 5
6 Vidíte rozdíl mezi podobnými rozděleními, kde ale jedno patří spojité a druhé diskrétní náhodné veličině. Výška každého schodu odpovídá hodnotě pravděpodobnostní funkce v tomto bodě. Vykreslete do jednoho obrázku grafy pravděpodobnostní a distribuční funkce pro Poissonovo rozdělení s parametrem λ = 10. Tedy průměrný počet úspěchů (např. projetých aut) za jednotku času je 10. Rozsah osy x volte 0 až 20, krok 0,01. Pravděpodobnostní funkci vykreslete jen pro celočíselné hodnoty. X =0:0.01:20; XX =0:20; Y1= poisson_pdf (XX,10); Y2= poisson_cdf (X,10); hold on; plot (XX,Y1, b* ); plot (X,Y2, r ); Zde vidíme k sobě patřící pravděpodobnostní a distribuční funkci. Výška každého schodu odpovídá hodnotě pravděpodobnostní funkce v tomto bodě. 6
7 Vykreslete do jednoho obrázku grafy pravděpodobnostních funkcí: - pro binomické rozdělení Bi(6, 1 2 ) - (Šest hodů mincí, pravděpodobnost jedničky je 0,5. Střední hodnota je µ = n.p = 3.) - fialové o - pro Poissonovo rozdělení P o(3)- (Střední hodnota je také µ = λ = 3.) - černé + Rozsah osy x volte 0 až 20. Pravděpodobnostní funkce vykreslete jen pro celočíselné hodnoty. X =0:6; XX =0:20; Y1 = binomial_ pdf ( X, 6, 0. 5); % Protoze pri 6 pokusech muzeme v souctu hodit % nejvice 6, musíme mít definiční obor jen do 6!!! % Pozor na to!!! Y2 = poisson_ pdf ( XX, 3); % Zde může jít df obor libovolně daleko. hold on; plot (X,Y1, mo ); plot (XX,Y2, k+ ); Vidíme, že binomické a Poissonovo rozdělení mají odlišný průběh. Poissonovo rozdělení je sice limitou binomického (pro n a p 0, přičemž ovšem zachováváme střední hodnotu stejnou: µ = n.p = λ), avšak použitý parametr p = 0, 5 je příliš velký. Obě rozdělení používáme tehdy, když je výsledek celočíselný. Binomické rozdělení používáme tehdy, když je maximální možná hodnota omezezená. Např. při šesti hodech mincí mohu hodit maximálně šest. 7
8 Poissonovo rozdělení používáme tehdy, když maximální možná hodnota není omezezená.např. na silnici projedou v průměru tři auta za hodinu (µ = λ = 3), ale maximální možný počet projíždějících aut není určen. Vykreslete do jednoho obrázku grafy pravděpodobnostních funkcí: - pro binomické rozdělení Bi(500, 1 20 ) - (500 hodů nepoctivou mincí, pravděpodobnost jedničky je 0,05. Střední hodnota je µ = n.p = 25. Rozptyl σ 2 = ν = n.p. (1 p) = 23, 75) - fialové o - pro Poissonovo rozdělení P o(25)- (Střední hodnota je také µ = λ = 25.) - černé + - pro normální (= Gaussovo) rozdělení se stejnou střední hodnotou a rozptylem: N(25; 23, 75) - modrá čára Rozsah osy x volte 0 až 60. První dvě pravděpodobnostní funkce vykreslete jen pro celočíselné hodnoty. Třetí s krokem 0,01. X =0: 60; % Pro kazdou funkci si pripravime vlastni x XX =0:60; XXX =0:0.01:60; Y1= binomial_pdf (X,500,0.05); Y2= poisson_pdf (XX,25); Y3= normal_pdf (XXX,25,23.75); hold on; plot (X,Y1, mo ); plot (XX,Y2, k+ ); plot (XXX,Y3, b - ); 8
9 Vidíme, že všechna tři rozdělení se krásně překrývají. Poissonovo je podobné binomickému, protože mají stejné střední hodnoty (25) a n je velké (500) a p malé (0,05). Binomické je podobné normálnímu, protože mají stejné střední hodnoty (25) a rozptyl (23,75) a n je velké (500). Je to důsledek Centrální limitní věty. Binomické totiž vzniká součtem alternativních veličin, což je přesně situace z CLV. Kvantily Inteligenční qvocient je definován tak, aby měl normální rozdělení se střední hodnotou 100 a směrodatnou odchylkou 15: N(100, 225). Od jakého IQ začíná nejinteligentnějších deset procent lidí? Hledáme tedy 90% kvantil. Najdeme si nápovědu k rozdělení normal a ke koncovce _inv. X =0.9; Y= normal_inv (X,100,225) % Chybi strednik ĨQ 0,90 = 119, 2 Inteligenční qvocient je definován tak, aby měl normální rozdělení N(100, 225). V jakém rozmezí má IQ 90% obyčejných lidí? Hledáme tedy 5% a 95% kvantil. Mezi nimi je oněch 90% obyčejných lidí. Najdeme si nápovědu k rozdělení normal a ke koncovce _inv. 9
10 X =[0.05,0.95]; Y= normal_inv (X,100,225) % Chybi strednik ĨQ 00,05 = 75, 3 ĨQ 0,95 = 124, 7 Typové příklady k testu Veličina X má exponenciální rozdělení s parametrem λ = 3. Vykreslete do jednoho obrázku příslušnou pravděpodobnostní funkci (modře) a distribuční funkci (červeně). Osu x volte od 0 do 20. Dále spočtěte medián tohoto rozdělení. Medián je vlastně 50% kvantil! X =0:0.01:20; Y= exponential_pdf (X,3); Z= exponential_cdf (X,3); hold on; plot (X,Y, b ); plot (X,Z, r ); Median = exponential_ inv (0.5,3) % Chybi strednik X 0,5 = 2,
11 Vygenerujte hodnot veličiny X 1, která má spojité rovnoměrné rozdělení od 2 do 5. Totéž proveďte pro veličiny X 2 až X 20. Získejte hodnot Z = 20 i=1 X i. Vykreslete histogram veličiny Z s 50 sloupci. Máme na výběr funkci rand nebo uniform_rnd z balíčku. X = uniform_ rnd (2,5,20,10000); % Nahodne cislo od 2 do 5 %20 radku, hodnot % pro kazdou velicinu jeden Z= zeros (1,10000); for i =1:20 Z=Z+X(i,:); end ; hist (Z); Opět hezká ilustrace Centrální limitní věty. Inteligenční qvocient je definován tak, aby měl normální rozdělení N(100, 225). Vykreslete pravděpodobnostní funkci od 50 do 150 a spočtěte pravděpodobnost, že náhodně vybraný člověk bude mít IQ větší než 140. Distribuční funkce nám dá pravděpodobnost, že IQ bude menší než 140. Zbytek do 1 je hledaná hodnota. 11
12 X =50:0.01:150; Y= normal_pdf (X,100,225); plot (X,Y); XX =140; YY= normal_cdf (XX,100,225); Pravdepodobnost =1 - YY % Bez stredniku Pravděpodobnost, že náhodně vybraný člověk bude mít IQ větší než 140, je 0,0038. Hmotnost dospělých žen kmene Navaho má normální rozdělení N(58, 127). Jaká je pravděpodobnost, že náhodně vybraná žena bude mít 1. hmotnost do 60 kg. 2. hmotnost mezi 50 a 70 kg. 3. hmotnost nad 80 kg. 4. Do jaké hodnoty bude hmotnost 10% nejlehčích navažských žen? Spočteme distribuční funkci pro dotazované hmotnosti a příslušný kvantil. Pravdepodobnost1 = normal_ cdf (60,58,127) Pravdepodobnost2 = normal_cdf (70,58,127) - normal_cdf (50,58,127) Pravdepodobnost3 =1 - normal_ cdf (80,58,127) Hmotnost4 = normal_inv (0.1,58,127) % 12
13 2. 61,8 % 3. 2,6 % 4. 43,6 kg 13
Příklady k druhému testu - Matlab
Příklady k druhému testu - Matlab 20. března 2013 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a naprogramujte příklad podobný. Tím se ujistíte, že příkladu
VíceKreslení grafů v Matlabu
Kreslení grafů v Matlabu Pavel Provinský 3. října 2013 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a naprogramujte příklad podobný. Tím se ujistíte, že příkladu
VícePříklady k prvnímu testu - Matlab
Příklady k prvnímu testu - Matlab March 13, 2013 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a naprogramujte příklad podobný. Tím se ujistíte, že příkladu rozumíte.
VíceŘešení: a) Označme f hustotu a F distribuční funkci náhodné veličiny X. Obdobně označme g hustotu a G distribuční funkci náhodné veličiny Y.
VII. Transformace náhodné veličiny. Náhodná veličina X má exponenciální rozdělení Ex(; ) a náhodná veličina Y = X. a) Určete hustotu a distribuční funkci náhodné veličiny Y. b) Vypočtěte E(Y ) a D(Y ).
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 2: Statistika a pravděpodobnost Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 2 Statistika a pravděpodobnost
VíceDomácí úkol DU01_2p MAT 4AE, 4AC, 4AI
Příklad 1: Domácí úkol DU01_p MAT 4AE, 4AC, 4AI Osm spolužáků (Adam, Bára, Cyril, Dan, Eva, Filip, Gábina a Hana) se má seřadit za sebou tak, aby Eva byly první a Dan předposlední. Příklad : V dodávce
VíceCvičení ze statistiky - 6. Filip Děchtěrenko
Cvičení ze statistiky - 6 Filip Děchtěrenko Minule bylo.. Probrali jsme základní charakteristiky pravděpodobnostních modelů a diskrétní modely Tyhle termíny by měly být známé: Distribuční funkce Střední
Více2.7.2 Mocninné funkce se záporným celým mocnitelem
.7. Mocninné funkce se záporným celým mocnitelem Předpoklady: 70 Mocninné funkce se záporným celým mocnitelem: znamená? 3 y = = = = 3 y y y 3 = ; = ; = ;.... Co to Pedagogická poznámka: Nechávám studenty,
VíceP íklady k druhému testu - Matlab
P íklady k druhému testu - Matlab 1. dubna 2014 Instrukce: Projd te si v²echny p íklady. Kaºdý p íklad se snaºte pochopit. Pak vymyslete a naprogramujte p íklad podobný. Tím se ujistíte, ºe p íkladu rozumíte.
Více{ } 9.1.9 Kombinace II. Předpoklady: 9108. =. Vypiš všechny dvoučlenné kombinace sestavené z těchto pěti prvků. Urči počet kombinací pomocí vzorce.
9.1.9 Kombinace II Předpoklady: 9108 Př. 1: Je dána pěti prvková množina: M { a; b; c; d; e} =. Vypiš všechny dvoučlenné kombinace sestavené z těchto pěti prvků. Urči počet kombinací pomocí vzorce. Vypisujeme
Více3.2.4 Podobnost trojúhelníků II
3..4 odobnost trojúhelníků II ředpoklady: 33 ř. 1: Na obrázku jsou nakresleny podobné trojúhelníky. Zapiš jejich podobnost (aby bylo zřejmé, který vrchol prvního trojúhelníku odpovídá vrcholu druhého trojúhelníku).
VíceNěkteré zákony rozdělení pravděpodobnosti. 1. Binomické rozdělení
Přednáška 5/1 Některé zákony rozdělení pravděpodobnosti 1. Binomické rozdělení Předpoklady: (a) pst výskytu jevu A v jediném pokuse P (A) = π, (b) je uskutečněno n pokusů, (c) pokusy jsou nezávislé, tj.
VícePRAVDĚPODOBNOST A STATISTIKA OPAKOVÁNÍ, pro rozpoznávání
PRAVDĚPODOBNOST A STATISTIKA OPAKOVÁNÍ, pro rozpoznávání Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac
Více9.2.5 Sčítání pravděpodobností I
9.2.5 Sčítání pravděpodobností I Předpoklady: 9203 Pedagogická poznámka: Následující problém sice zadávám jako příklad, ale minimálně na začátku s žáky počítám na tabuli. I kvůli tomu, aby jejich úprava
VícePravděpodobnost a statistika: řešené příklady 2014 Tomáš Kroupa
Tomáš Kroupa 1 Kombinatorika Náhodně vybereme 7-místné číslo Jaká je pravděpodobnost, že se v zápise čísla žádná cifra neopakuje? Pečlivě formulujte úlohu v Kolmogorovově modelu pravděpodobnosti Elementární
Více2.8.9 Parametrické rovnice a nerovnice s absolutní hodnotou
.8.9 Parametrické rovnice a nerovnice s absolutní hodnotou Předpoklady: 0,, 806 Pedagogická poznámka: Opět si napíšeme na začátku hodiny na tabuli jednotlivé kroky postupu při řešení rovnic (nerovnic)
Více2.4.11 Nerovnice s absolutní hodnotou
.. Nerovnice s absolutní hodnotou Předpoklady: 06, 09, 0 Pedagogická poznámka: Hlavním záměrem hodiny je, aby si studenti uvědomili, že se neučí nic nového. Pouze používají věci, které dávno znají, na
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:
VíceVyužití EduBase ve výuce 2
B.I.B.S., a. s. Využití EduBase ve výuce 2 Projekt Vzdělávání pedagogů v prostředí cloudu reg. č. CZ.1.07/1.3.00/51.0011 Mgr. Jitka Kominácká, Ph.D. a kol. 2015 1 Obsah 1 Obsah... 2 2 Úvod... 3 3 Aktivita:
VíceV R je jako defaultní generátor použit Mersenne twister, algoritmus navržený dvojicí Matsumoto a Nishimura v roce 1998 [5].
KMI/PRAS: Cvičení 6 (2011) 1 6.1 Generování (pseudo)náhodných čísel Jedna z důležitých součástí statistického zpracování dat je možnost generování (pseudo)náhodných čísel ze zvolené distribuce. Pokud chceme
VíceZákonitosti, vztahy a práce s daty
20mate matematika Jednotlivé kapitoly mají rozsah čtyř stran a každá kapitola je obohacena o rozšiřující učivo. sčítání a odčítání Zákonitosti, vztahy a práce s daty 1 Vyřeš úlohy. a) Součet všech čísel
VíceHodnocení způsobilosti procesu. Řízení jakosti
Hodnocení způsobilosti procesu Řízení jakosti Hodnocení způsobilosti procesu a její cíle Způsobilost procesu je schopnost trvale dosahovat předem stanovená kriteria kvality. Snaha vyjádřit způsobilost
VíceVšechny možné dvojice ze čtyř možností, nezáleží na uspořádání m (všechny výsledky jsou rovnocenné), 6 prvků. m - 5 prvků
9.2.2 Pravděpodobnost Předpoklady: 9201 Pedagogická poznámka: První příklad je opakovací, nemá cenu se s ním zabývat více než pět minut. Př. 1: Osudí obsahuje čtyři barevné koule: bílou, fialovou, zelenou,
VíceTvorba trendové funkce a extrapolace pro roční časové řady
Tvorba trendové funkce a extrapolace pro roční časové řady Příklad: Základem pro analýzu je časová řada živě narozených mezi lety 1970 a 2005. Prvním úkolem je vybrat vhodnou trendovou funkci pro vystižení
VíceFunkce více proměnných
Funkce více proměnných Funkce více proměnných Euklidův prostor Body, souřadnice, vzdálenost bodů Množina bodů, které mají od bodu A stejnou vzdálenost Uzavřený interval, otevřený interval Okolí bodu
VíceCvičení ze statistiky - 2. Filip Děchtěrenko
Cvičení ze statistiky - 2 Filip Děchtěrenko Probrali jsme základní statistiky Tyhle termíny by měly být známé: Populace Výběr Rozsah výběru Četnost Relativní četnost Kumulativní (relativní) četnost Průměr
VíceINŽENÝRSKÁ MATEMATIKA LOKÁLNÍ EXTRÉMY
INŽENÝRSKÁ MATEMATIKA LOKÁLNÍ EXTRÉMY FUNKCÍ DVOU PROMĚNNÝCH Robert Mařík 2. října 2009 Obsah z = x 4 +y 4 4xy + 30..................... 3 z = x 2 y 2 x 2 y 2........................ 18 z = y ln(x 2 +y)..........................
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceAplikované úlohy Solid Edge. SPŠSE a VOŠ Liberec. Ing. Aleš Najman [ÚLOHA 18 TVORBA PLOCH]
Aplikované úlohy Solid Edge SPŠSE a VOŠ Liberec Ing. Aleš Najman [ÚLOHA 18 TVORBA PLOCH] 1 ÚVOD V této kapitole je probírána tématika tvorby ploch pomocí funkcí vysunutí, rotace a tažení. V moderním světě,
Více( ) 2.4.4 Kreslení grafů funkcí metodou dělení definičního oboru I. Předpoklady: 2401, 2208
.. Kreslení grafů funkcí metodou dělení definičního oboru I Předpoklady: 01, 08 Opakování: Pokud jsme při řešení nerovnic potřebovali vynásobit nerovnici výrazem, nemohli jsme postupovat pro všechna čísla
VíceP íklady k prvnímu testu - Scilab
P íklady k prvnímu testu - Scilab 24. b ezna 2014 Instrukce: Projd te si v²echny p íklady. Kaºdý p íklad se snaºte pochopit. Pak vymyslete a naprogramujte p íklad podobný. Tím se ujistíte, ºe p íkladu
Více4.2.7 Voltampérová charakteristika rezistoru a žárovky
4.2.7 Voltampérová charakteristika rezistoru a žárovky Předpoklady: 4205 Pedagogická poznámka: Tuto hodinu učím jako běžnou jednohodinovku s celou třídou. Některé dvojice stihnou naměřit více odporů. Voltampérová
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VíceKIV/ZI Základy informatiky. MS Excel maticové funkce a souhrny
KIV/ZI Základy informatiky MS Excel maticové funkce a souhrny cvičící: Michal Nykl zimní semestr 2012 MS Excel matice (úvod) Vektor: (1D) v = [1, 2, 3, 5, 8, 13] Např.: matice sousednosti Matice: (2D)
Více10.1.13 Asymptoty grafu funkce
.. Asmptot grafu funkce Předpoklad:, Asmptot grafu už známe kreslili jsme si je jako přímk, ke kterým se graf funkce přibližuje. Nakreslení asmptot, pak umožňuje přesnější kreslení grafu. Například u hperbol
VíceModelování pohotovosti systému metodou Monte Carlo Availability modeling by Monte Carlo method
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky Modelování pohotovosti systému metodou Monte Carlo Availability modeling by Monte Carlo method 203 Simona
VícePř. 3: Dláždíme čtverec 12 x 12. a) dlaždice 2 x 3 12 je dělitelné 2 i 3 čtverec 12 x 12 můžeme vydláždit dlaždicemi 2 x 3.
1..20 Dláždění III Předpoklady: 01019 Př. 1: Najdi n ( 84,96), ( 84,96) D. 84 = 4 21 = 2 2 7 96 = 2 = 4 8 = 2 2 2 2 2 D 84,96 = 2 2 = 12 (společné části rozkladů) ( ) n ( 84,96) = 2 2 2 2 2 7 = 672 (nejmenší
Vícea) Slovní úlohy o směsích b) Slovní úlohy o pohybu c) Slovní úlohy o společné práci
9. ročník a) Slovní úlohy o směsích b) Slovní úlohy o pohybu c) Slovní úlohy o společné práci d) Logické slovní úlohy Obecný postup řešení slovní úlohy: 1. Určení neznámých 2. Stanovení dvou vztahů rovnosti
VíceTestování statistických hypotéz. Ing. Michal Dorda, Ph.D. 1
Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Úvodní poznámky Statistickou hypotézou rozumíme hypotézu o populaci (základním souboru) např.: Střední hodnota základního souboru je rovna 00. Střední
Více(a) = (a) = 0. x (a) > 0 a 2 ( pak funkce má v bodě a ostré lokální maximum, resp. ostré lokální minimum. Pokud je. x 2 (a) 2 y (a) f.
I. Funkce dvou a více reálných proměnných 5. Lokální extrémy. Budeme uvažovat funkci f = f(x 1, x 2,..., x n ), která je definovaná v otevřené množině G R n. Řekneme, že funkce f = f(x 1, x 2,..., x n
VíceZvyšování kvality výuky technických oborů
Zvyšování kvality výuky technických oborů Klíčová aktivita IV. Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol Téma IV.. Kvadratické funkce, rovnice a nerovnice
VíceNáhodná 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
VíceBodové odhady parametrů a výstupů
Bodové odhady parametrů a výstupů 26. listopadu 2013 Máme rozdělení s neznámými parametry a chceme odhadnout jeden nebo několik příštích výstupů. Již víme, že úplnou informaci v této situaci nese sdružené
Více( ) 2.5.7 Neúplné kvadratické rovnice. Předpoklady: 020501
..7 Neúplné kvadratické rovnice Předpoklady: Pedagogická poznámka: Tato hodina patří mezi vzácné výjimky, kdy naprostá většina studentů skončí více než pět minut před zvoněním. Nechávám je dělat něco jiného
Více4.6.6 Složený sériový RLC obvod střídavého proudu
4.6.6 Složený sériový LC obvod střídavého proudu Předpoklady: 41, 4605 Minulá hodina: odpor i induktance omezují proud ve střídavém obvodu, nemůžeme je však sčítat normálně, ale musíme použít Pythagorovu
Více2.7.1 Mocninné funkce s přirozeným mocnitelem
.7. Mocninné funkce s přirozeným mocnitelem Předpoklad: 0 Pedagogická poznámka: K následujícím třem hodinám je možné přistoupit dvěma způsob. Já osobně doporučuji postupovat podle učebnice. V takovém případě
Více1 Typografie. 1.1 Rozpal verzálek. Typografie je organizace písma v ploše.
1 Typografie Typografie je organizace písma v ploše. 1.1 Rozpal verzálek vzájemné vyrovnání mezer mezi písmeny tak, aby vzdálenosti mezi písmeny byly opticky stejné, aby bylo slovo, řádek a celý text opticky
VíceStřední škola obchodu, řemesel a služeb Žamberk. Výukový materiál zpracovaný v rámci projektu EU Peníze SŠ
Střední škola obchodu, řemesel a služeb Žamberk Výukový materiál zpracovaný v rámci projektu EU Peníze SŠ Registrační číslo projektu: CZ.1.07/1.5.00/34.0130 Šablona: III/2 Ověřeno ve výuce dne: 7.10.2013
VíceJakub Juránek. 1.64 Určete počet kvádru, jejichž velikosti hran jsou přirozená čísla nejvýše rovná deseti. Kolik je v tomto počtu krychlí?
Jakub Juránek UČO 393110 1.64 Určete počet kvádru, jejichž velikosti hran jsou přirozená čísla nejvýše rovná deseti. Kolik je v tomto počtu krychlí? Kvádr a b c, a, b, c {1, 2,..., 10} a b c = c a b -
VíceProtokol č. 3. Morfologie ležícího kmene
Protokol č. 3 Morfologie ležícího kmene Zadání: Stanovte vhodný analytický tvar morfologické křivky kmene včetně výpočtu parametrů, dále stanovte postupnou a celkovou sbíhavost kmene. Měřené a modelové
VíceSimulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích
Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Nedostatešný popis systému a jeho modelu vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělit fyzickou nebo
VíceSvobodná chebská škola, základní škola a gymnázium s.r.o. Zlomky sčítání a odčítání. Dušan Astaloš. samostatná práce, případně skupinová práce
METODICKÝ LIST DA2 Název tématu: Autor: Předmět: Zlomky sčítání a odčítání Dušan Astaloš Matematika Ročník:. Učebnice: Kapitola, oddíl: Metody výuky: Formy výuky: Cíl výuky: Získané dovednosti: Stručný
Vícehttp://www.zlinskedumy.cz
Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast Autor Ročník 2, 3 Obor Anotace CZ.1.07/1.5.00/34.0514 III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Elektronické obvody, vy_32_inovace_ma_42_06
VícePracovní ukázka vstupního testu DSA 1.
Pracovní ukázka vstupního testu DSA 1. Celkem můžete získat 6 bodů, k úspěšnému vyřešení testu je nutno získat alespoň 4 body. V úloze 1. získáte 1 bod za každou správně určenou hodnotu. V úlohách 2. a
VíceDiskrétní rozdělení Náhodná veličina má diskrétní rozdělení pravděpodobnosti, jestliže existuje seznam hodnot
Rozdělení Náhodná veličina Náhodná veličina je vyjádření výsledku náhodného pokusu číselnou hodnotou. Jde o reálnou funkci definovanou na množině. Rozdělení náhodné veličiny udává jakých hodnot a s jakou
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Diskrétní rozdělení Vilém Vychodil KMI/PRAS, Přednáška 6 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 6) Diskrétní rozdělení Pravděpodobnost a
VíceTeoretická rozdělení
Teoretická rozdělení Diskrétní rozdělení Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Některá teoretická rozdělení diskrétních veličin: Alternativní rozdělení Binomické
VíceMS WORD 2007 Styly a automatické vytvoření obsahu
MS WORD 2007 Styly a automatické vytvoření obsahu Při formátování méně rozsáhlých textů se můžeme spokojit s formátováním použitím dílčích formátovacích funkcí. Tato činnost není sice nijak složitá, ale
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
Více1. Kruh, kružnice. Mezi poloměrem a průměrem kružnice platí vztah : d = 2. r. Zapíšeme k ( S ; r ) Čteme kružnice k je určena středem S a poloměrem r.
Kruh, kružnice, válec 1. Kruh, kružnice 1.1. Základní pojmy Kružnice je množina bodů mající od daného bodu stejnou vzdálenost. Daný bod označujeme jako střed kružnice. Stejnou vzdálenost nazýváme poloměr
VíceDutý plastický trojúhelník by Gianelle
Dutý plastický trojúhelník by Gianelle Připravíme si rokajl dle našeho výběru pro začátek nejlépe dvě barvy jedné velikosti Já používám korálky Miyuki Delica v tmavě červené barvě, matné s AB úpravou na
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
VíceIsingův model. H s J s s h s
Ising Isingův model H s J s s h s i, j Motivován studiem fázových přechodů a kritických jevů Užíva se popis pomocí magnetických veličin i j i i Vlastnosti pomocí partiční sumy počítej: měrné teplo, susceptibilitu
VíceVýsledky testování školy. Druhá celoplošná generální zkouška ověřování výsledků žáků na úrovni 5. a 9. ročníků základní školy. Školní rok 2012/2013
Výsledky testování školy Druhá celoplošná generální zkouška ověřování výsledků žáků na úrovni 5. a 9. ročníků základní školy Školní rok 2012/2013 Základní škola Ústí nad Orlicí, Komenského 11 Termín zkoušky:
VíceVýsledky testování školy. Druhá celoplošná generální zkouška ověřování výsledků žáků na úrovni 5. a 9. ročníků základní školy. Školní rok 2012/2013
Výsledky testování školy Druhá celoplošná generální zkouška ověřování výsledků žáků na úrovni 5. a 9. ročníků základní školy Školní rok 2012/2013 Gymnázium, Šternberk, Horní náměstí 5 Termín zkoušky: 13.
Více2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.
Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.
Více(Auto)korelační funkce. 2. 11. 2015 Statistické vyhodnocování exp. dat M. Čada www.fzu.cz/ ~ cada
(Auto)korelační funkce 1 Náhodné procesy Korelace mezi náhodnými proměnnými má široké uplatnění v elektrotechnické praxi, kde se snažíme o porovnávání dvou signálů, které by měly být stejné. Příkladem
Více1.2.26 Přepočet přes jednotku - podruhé II
1.2.26 Přepočet přes jednotku - podruhé II Předpoklady: 010225 Pedagogická poznámka: První příklad nechávám řešit žáky, pak diskutujeme důvodech dělení. Př. 1: Za 0,85 hodiny zalévání spotřebovalo zavlažovací
VíceNáhodná veličina X má Poissonovo rozdělení se střední hodnotou lambda. Poissonovo rozdělení je definováno jako. P(X=k) = 0,036
Příklad : Statistika A, doc. Kropáč, str. 6, příklad 2 K benzínovému čerpadlu přijíždí průměrně 4 aut za hodinu. Určete pravděpodobnost, že během pěti minut přijede nejvýše jedno auto. Pokus: Zjištění,
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
VíceMendelova zemědělská a lesnická univerzita v Brně Institut celoživotního vzdělávání Fakulta regionálního rozvoje a mezinárodních studií
Mendelova zemědělská a lesnická univerzita v Brně Institut celoživotního vzdělávání Fakulta regionálního rozvoje a mezinárodních studií STATISTIKA pro TZP Modul : Pravděpodobnost a náhodné veličiny Prof
VíceM - Rovnice - lineární a s absolutní hodnotou
Rovnice a jejich ekvivalentní úpravy Co je rovnice Rovnice je matematický zápis rovnosti dvou výrazů. př.: x + 5 = 7x - M - Rovnice - lineární a s absolutní hodnotou Písmeno zapsané v rovnici nazýváme
VíceTento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost.
Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost. Projekt MŠMT ČR Číslo projektu Název projektu školy Klíčová aktivita III/2 EU PENÍZE ŠKOLÁM CZ.1.07/1.4.00/21.2146
VíceSTEREOMETRIE. Vzdálenost bodu od přímky. Mgr. Jakub Němec. VY_32_INOVACE_M3r0113
STEREOMETRIE Vzdálenost bodu od přímky Mgr. Jakub Němec VY_32_INOVACE_M3r0113 VZDÁLENOST BODU OD PŘÍMKY V PROSTORU Při hledání vzdálenosti bodu od geometrického útvaru v prostoru je nutné si vždy úlohu
VícePřednáška 5. Výběrová šetření, Exploratorní analýza
Přednáška 5 Výběrová šetření, Exploratorní analýza Pravděpodobnost vs. statistika Výběrová šetření aneb jak získat výběrový soubor Exploratorní statistika aneb jak popsat výběrový soubor Typy proměnných
VíceUNIVERZITA 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
VíceTabulky Word 2007 - egon. Tabulky, jejich formátování, úprava, změna velikosti
Tabulky Word 2007 - egon Tabulky, jejich formátování, úprava, změna velikosti Jan Málek 26.7.2010 Tabulky Tabulky nám pomáhají v pochopení, jak mezi sebou souvisí určité informace, obohacují vzhled dokumentu
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
VíceÚvod. Analýza závislostí. Přednáška STATISTIKA II - EKONOMETRIE. Jiří Neubauer
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Úvod Předmětem této kapitoly bude zkoumání souvislosti (závislosti) mezi
VícePracovní text a úkoly ke cvičením MF002
Pracovní text a úkoly ke cvičením MF002 Ondřej Pokora, PřF MU, Brno 11. března 2013 1 Brownův pohyb (Wienerův proces) Základním stavebním kamenem simulací náhodných procesů popsaných pomocí stochastických
VíceFAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009
FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009 OBOR: POZEMNÍ STAVBY (S) A. MATEMATIKA TEST. Hladina významnosti testu α při testování nulové hypotézy
VíceDUM téma: KALK Výrobek sestavy
DUM téma: KALK Výrobek sestavy ze sady: 2 tematický okruh sady: Příprava výroby a ruční programování CNC ze šablony: 6 Příprava a zadání projektu Určeno pro : 3 a 4 ročník vzdělávací obor: 23-41-M/01 Strojírenství
VíceUŽITÍ DERIVACÍ, PRŮBĚH FUNKCE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA UŽITÍ DERIVACÍ, PRŮBĚH FUNKCE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakult MENDELU v Brně (LDF) s ohledem na disciplin
Vícealternativní rozdělení Statistika binomické rozdělení bi(n, π)(2)
Statistika (MD360P03Z, MD360P03U) ak. rok 2007/2008 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara 5. listopadu 2007 1(178) binomické rozdělení Poissonovo rozdělení normální rozdělení
VíceČíselné soustavy Ing. M. Kotlíková, Ing. A. Netrvalová Strana 1 (celkem 7) Číselné soustavy
Číselné soustavy Ing. M. Kotlíková, Ing. A. Netrvalová Strana (celkem 7) Polyadické - zobrazené mnohočlenem desítková soustava 3 2 532 = 5 + 3 + 2 + Číselné soustavy Číslice tvořící zápis čísla jsou vlastně
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
Více1 Průběh funkce. Pomůcka pro cvičení: 1. semestr Bc studia Průběh funkce - ruční výpočet
Pomůcka pro cvičení:. semestr Bc studia Průběh funkce - ruční výpočet Průběh funkce balíček: plots Při vyšetřování průběhu funkce využijte dosavadních příkazů z Maple, které znáte. Nové příkazy budou postupně
VíceKapitola 7: Integrál. 1/14
Kapitola 7: Integrál. 1/14 Neurčitý integrál. Definice: Necht f je funkce definovaná na intervalu I. Funkci F definovanou na intervalu I, pro kterou platí F (x) = f (x) x I nazýváme primitivní funkcí k
Více4.5.2 Magnetické pole vodiče s proudem
4.5.2 Magnetické pole vodiče s proudem Předpoklady: 4501 1820 H. Ch. Oersted objevil, že vodič s proudem působí na magnetku elektrický proud vytváří ve svém okolí magnetické pole (dříve nebyly k dispozici
VíceTématické celky { kontrolní otázky.
Tématické celky kontrolní otázky. Základy teorie pravdìpodobnosti..pravdìpodobnostní míra základní pojmy... Vysvìtlete pojem náhody, náhodného pokusu, náhodného jevu a jeho mno- ¾inovou interpretaci. Popi¹te
VícePrognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny
Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Ing. Jana Šenkapoulová VODÁRENSKÁ AKCIOVÁ SPOLEČNOST, a.s. Brno, Soběšická 156, 638 1 Brno ÚVOD Každé rekonstrukci
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VíceBiostatistika a matematické metody epidemiologie- stručné studijní texty
Biostatistika a matematické metody epidemiologie- stručné studijní texty Bohumír Procházka, SZÚ Praha 1 Co můžeme sledovat Pro charakteristiku nebo vlastnost, kterou chceme sledovat zvolíme termín jev.
VícePohyb a klid těles. Průměrnou rychlost pohybu tělesa určíme, když celkovou dráhu dělíme celkovým časem.
Pohyb a klid těles Pohyb chápeme jako změnu polohy určitého tělesa vzhledem k jinému tělesu v závislosti na čase. Dráhu tohoto pohybu označujeme jako trajektorii. Délku trajektorie nazýváme dráha, označuje
VíceZápočtová 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
VícePoznámky k předmětu Aplikovaná statistika, 9.téma
Poznámky k předmětu Aplikovaná statistika, 9téma Princip testování hypotéz, jednovýběrové testy V minulé hodině jsme si ukázali, jak sestavit intervalové odhady pro některé číselné charakteristiky normálního
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
VíceMicrosoft Office. Word styly
Microsoft Office Word styly Karel Dvořák 2011 Styly Používání stylů v textovém editoru přináší několik nesporných výhod. Je to zejména jednoduchá změna vzhledu celého dokumentu. Předem připravené styly
VíceKvantové počítače algoritmy (RSA a faktorizace čísla) http://marble.matfyz.cz
Kvantové počítače algoritmy (RSA a faktorizace čísla) http://marble.matfyz.cz 14. 4. 2004 1. Algoritmus RSA Asymetrické šifrování. Existuje dvojice tajného a veřejného klíče, takže není nutné předat klíč
Více( ) ( ) ( ) 2 ( ) 2.7.16 Rovnice s neznámou pod odmocninou II. Předpoklady: 2715
.7.6 Rovnice s neznámou pod odmocninou II Předpoklady: 75 Př. : Vyřeš rovnici y + + y = 4 y + + y = 4 / ( y + + y ) = ( 4) y + + 4 y + y + 4 y = 6 5y + 4 y + y = 8 5y + 4 y + y = 8 - v tomto stavu nemůžeme
Více