Charakterizují kvantitativně vlastnosti předmětů a jevů.
|
|
- Magdalena Sedláková
- před 7 lety
- Počet zobrazení:
Transkript
1 Měřicí aparatura 1 / 34
2 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost vyjádřena v násobcích dobře definované jednotky Podle počtu složek: Skalární pouze velikost (hmotnost délka, čas) vektorové velikost a směr (rychlost, síla, hybnost) Tenzorové matice NxN (tenzor napětí) 2 / 34
3 Fyzikální veličiny Hodnotu dané fyzikální veličiny X uvádíme VŽDY: X=velikost [jednotka] Samostatně nemá ani jedno smysl. Jednotky - reprodukovatelné veličiny určené na základě standardizace. Různé standardy: SI - mezinárodní soustava jednotek (1960) [m], [kg], [s], [A], [K], [Cd], [mol] CGS - zavedena 1832 Gaussem, vše se vyjadřuje pomocí [cm], [g], [s] 3 / 34
4 Jednotky fyzikálních veličin Jednotky - reprodukovatelné veličiny určené na základě standardizace. Požadavky na standard: Neporušitelnost Stálost v čase a prostoru Dostupnost Totožnost Standard lze definovat Prototypem (např. prototyp kilogramu)- může se čase měnit Měřícím postupem-reprodukovatelné (s určitou chybou) 4 / 34
5 Soustava jednotek SI mezinárodní soustava jednotek (1960) tzv. metrický systém Jednotky: Základní Doplňkové Odvozené Násobky a díly 5 / 34
6 Soustava jednotek SI 6 / 34
7 Soustava jednotek SI 7 / 34
8 Soustava jednotek SI 8 / 34
9 Měření a nejistota chyba... nejistota versus nepřesnost Měřená veličina X: x 0 - skutečná hodnota (nám neznámá) x - hodnota zjištěná měřením (náš odhad reality) skutečná (absolutní) chyba měření ɛ = x x 0 relativní chyba měření δ = ɛ x 0 = x x 0 x 0 Při fyzikálním měření se snažíme určit co nejpravděpodobnější hodnotu měřené veličiny a pravděpodobnou hodnotu chyby. 9 / 34
10 Chyby měření 1. Chyby hrubé: např. omyl pozorovatele, měření zatížené touto chybou je nutné nebrat do úvahy, lze je rozeznat a z výsledku měření odstranit příčiny hrubých chyb : nedokonalost, nepřesnost měřicích přístrojů, nespolehlivost smyslů vliv okolí na měření, Chyby systematické: vyskytují se pravidelně, jsou dány např. povahou metody odstranění: dokonalejší přístroj, změna měřící metody, korekce měření,... snaha potlačit je pod míru přesnosti měření příklady : vážení ve vzduchu - pro látky řidší než závaží dostaneme menší váhu, pro látky hustší než závaží větší váhu kvůli vztlaku vzduchu měření napětí voltmetrem - dostaneme hodnoty menší než skutečné, protože vnitřní odpor voltmetru není nekonečně velký 10 / 34
11 Chyby měření 3.chyby náhodné(nahodilé, statistické): vznikají působením náhodných vlivů, které z výsledku nelze vyloučit. hlavní oblast pro statistické zpracování dat 40x zmerena delka 12 příklad: opakované měření délky delka[cm] 11 / 34
12 Vizuální představa střelba do terče: 12 / 34
13 Vizuální představa střelba do terče: 13 / 34
14 Chyby měření a interpretace výsledků Příklad: Teoretické předpovědi pro veličinu X jsou 0 nebo 5. Dva nezávislé experimenty A a B změřily x = 0.5 a x = 3.7. Interpretace výsledků závisí na chybách měření... X 10 experiment A experiment B 5 0 Chyby měření jsou nezbytné pro fyzikální interpretaci výsledků. 14 / 34
15 Pravděpodobnost - připomenutí Pro náhodnou diskrétní proměnnou: Pravděpodobnost P (A) jevu A je P (A) = počet možností kdy nastane A počet všech možných výsledků Příklad: házení mincí, nebo kostkou. 15 / 34
16 Pravděpodobnost - připomenutí Pro náhodnou spojitou proměnnou: Pravděpodobnost popsána hustotou pravděpodobnosti f(x) - spojitá funkce s f(x)dx = 1. Pravděpodobnost jevu A : x 1 < x < x 2 je pak dána plochou pod křivkou f(x): x 2 P (A) = f(x)dx x 1 16 / 34
17 Střední hodnota a rozptyl Dvě nejzákladnější charakteristiky rozdělení náhodné veličiny jsou Střední hodnota: diskrétní proměnná µ = i P (X i)x i Rozptyl(charakterizace šířky): diskrétní proměnná σ 2 = i P (X i)(x i µ) 2 spojitá proměnná µ = xf(x)dx spojitá proměnná σ 2 = (x µ) 2 f(x)dx 17 / 34
18 Opakovaná měření - odhad střední hodnoty Každé měření je zatíženo náhodnými fluktuacemi. Většinou neznáme konkrétní rozdělení f(x). Můžeme ale předpokládat, že měření fluktuují v průměru okolo hledané hodnoty x 0 s nějakým rozptylem σ 2. Předpoklad: chceme určit správnou hodnotu měřené veličiny x měření je zatíženo pouze náhodnými chybami (ne hrubými a systematickými) tj. velkým množství nezávislých odchylek od správné hodnoty měřené veličiny, přičemž jednotlivé odchylky jsou se stejnou pravděpodobností kladné nebo záporné. Postup: provedeme několik měření x 1, x 2, x 3,..., x n Ze změřených dat odhadneme nejpravděpodobnější hodnotu měřené veličiny jako aritmetický výběrový průměr x zmerena delka x = x1 + x2 + + xn n Jak přesně jsme určili x? = 1 n n x i i= / delka[cm]
19 Opakovaná měření - rozptyl jednotlivých měření Míru fluktuace jednotlivých měření lze vyjádřit pomocí směrodatné odchylky jednoho měření n (x i x) 2 i=1 σ = n 1 odhad rozptylu rozdělení měření z naměřených dat σ - míra reprodukovatelnosti měření Pozor: σ nám říká, jak moc se nám při měření klepe ruka. Nikoliv jak přesně jsme určili průměr x. K tomu potřebujeme / 34
20 Centrální limitní věta Motivace: Pokud bychom provedli nezávisle vícekrát celé měření průměru, jak bude vypadat rozdělení x? A hlavně, jaká bude jeho šířka? Centrální limitní věta - ve zjednodušeném znění: Pokud provedeme n měření z neznámého rozdělení, které má průměr µ rozptyl σ 2. Potom aritmetický průměr x z tohoto výběru bude konvergovat ke Gaussovu(Normálnímu) rozdělení: s parametry f(x) = N(µ 0, σ 0) = (x µ 1 0 ) 2 2σ e 0 2 σ 0 2π µ 0 = µ, σ 2 0 = σ2 n σ0 = σ n 20 / 34
21 Centrální limitní věta avg of 1 normal r.v. [ 1,1] avg of 2 normal r.v. [ 1,1] avg of 3 normal r.v. [ 1,1] f(x) 0.5 f(x) 1 f(x) X X X avg of 4 normal r.v. [ 1,1] avg of 8 normal r.v. [ 1,1] avg of 15 normal r.v. [ 1,1] f(x) f(x) f(x) X X X 21 / 34
22 Centrální limitní věta sum of 1 exponential r.v. with la=2 sum of 2 exponential r.v. with la=2 sum of 4 exponential r.v. with la=2 X X X sum of 10 exponential r.v. with la=2 sum of 30 exponential r.v. with la=2 sum of 60 exponential r.v. with la=2 X X X / 34
23 Odhad chyby měření Míru přesnosti stanovení výsledku měření určuje střední kvadratická chyba aritmetického průměru: n (x i x) 2 n i=1 σ 0 = = 1 (x i x) 2 i=1 = σ n(n 1) n n 1 n při cca n > 30 lze nahradit n (x i x) 2 i=1 σ 0 = n 2 = 1 n (x i x) n 2 i=1 Přesnost měření (určení průměru) lze tedy zlepšit: Snížením rozptylu jednotlivých měření σ - lepší kontrola reprodukovatelnost: snížení šumu, lepší přístroj,... Zvýšením počtu měření n - na desetinásobné zpřesnění experimentu potřebujeme stonásobně zvýšit statistiku 23 / 34
24 Postup zpracování přímých měření
25 Postup zpracování přímých měření
26 Postup zpracování přímých měření
27 měření délky objektu Příklad
28 měření délky objektu Příklad
29 0 = 1 n 1 p i
30
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
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
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
VíceEXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,
VícePosouzení přesnosti měření
Přesnost měření Posouzení přesnosti měření Hodnotu kvantitativně popsaného parametru jakéhokoliv objektu zjistíme jedině měřením. Reálné měření má vždy omezenou přesnost V minulosti sloužila k posouzení
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
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
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
VíceFluktuace 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
VíceChyby a neurčitosti měření
Radioelektronická měření (MREM) Chyby a neurčitosti měření 10. přednáška Jiří Dřínovský Ústav radioelektroniky FEKT VUT v Brně Základní pojmy Měření je souhrn činností s cílem určit hodnotu měřené veličiny
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Podmínky získání zápočtu: Podmínkou pro získání zápočtu je účast na cvičeních (maximálně tři absence) a úspěšné splnění jednoho písemného testu alespoň na 50 % max. počtu
VíceVYSOKONAPĚŤOVÉ 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
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Literatura: Novák, R. Úvod do teorie měření. Ústí nad Labem: UJEP, 2003 Sprušil, B., Zieleniecová, P.: Úvod do teorie fyzikálních měření. Praha: SPN, 1985 Brož, J. a kol.
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.
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Program semináře 1. Základní pojmy - metody měření, druhy chyb, počítání s neúplnými čísly, zaokrouhlování 2. Chyby přímých měření - aritmetický průměr a směrodatná odchylka,
VíceSYLABUS PŘEDNÁŠKY 11 Z GEODÉZIE 1 (Hodnocení přesnosti měření a vytyčování) 1. ročník bakalářského studia studijní program G studijní obor G
SYLABUS PŘEDNÁŠKY 11 Z GEODÉZIE 1 (Hodnocení přesnosti měření a vytyčování) 1 ročník bakalářského studia studijní program G studijní obor G doc Ing Jaromír Procházka CSc s využitím přednášky doc Ing Martina
VíceZákony hromadění chyb.
Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky
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
VíceMˇ eˇren ı ˇ cetnost ı (Poissonovo rozdˇ elen ı) 1 / 56
Měření četností (Poissonovo rozdělení) 1 / 56 Měření četností (Poissonovo rozdělení) Motivace: měření aktivity zdroje Geiger-Müllerův čítac: aktivita: 1 Bq = 1 částice / 1 s = s 1 Jaká je přesnost měření?
VíceCvičení ze statistiky - 7. Filip Děchtěrenko
Cvičení ze statistiky - 7 Filip Děchtěrenko Minule bylo.. Probrali jsme spojité modely Tyhle termíny by měly být známé: Rovnoměrné rozdělení Střední hodnota Mccalova transformace Normální rozdělení Přehled
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceO z n a č e n í m a t e r i á l u : V Y _ 3 2 _ I N O V A C E _ S T E I V _ F Y Z I K A 1 _ 0 7. o d c h y l k a
O z n a č e n í m a t e r i á l u : V Y _ 3 2 _ I N O V A C E _ S T E I V _ F Y Z I K A 1 _ 0 7 N á z e v m a t e r i á l u : F y z i k á l n í m ě ř e n í T e m a t i c k á o b l a s t : F y z i k a 1.
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
Více1 Rozptyl a kovariance
Rozptyl a kovariance Nechť X je náhodná veličina s konečnou střední hodnotou EX Potom rozptyl náhodné veličiny X definujeme jako: DX E(X EX, pokud střední hodnota na pravé straně existuje Podobně jako
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
VíceMěřicí přístroje a měřicí metody
Měřicí přístroje a měřicí metody Základní elektrické veličiny určují kvalitativně i kvantitativně stav elektrických obvodů a objektů. Neelektrické fyzikální veličiny lze převést na elektrické veličiny
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceCvičení 10. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.
10 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické
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
Více2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi,
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
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceMATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ
MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),
VíceZABEZPEČENÍ KVALITY V LABORATOŘI
ZABEZPEČENÍ KVALITY V LABORATOŘI David MILDE, 2014-2017 QUALITY KVALITA (JAKOST) Kvalita = soubor znaků a charakteristik výrobku či služby, který může uspokojit určitou potřebu. Kvalita v laboratoři=výsledky,které:
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
VíceStatistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Teorie odhadu statistická indukce Intervalový odhad µ, σ 2 a π Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika
Vícepopulace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.
Populace a Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 2012 1 populace soubor jednotek, o jejichž vlastnostech bychom
VíceIntervalové Odhady Parametrů
Parametrů Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceZÁKLADY FYZIKÁLNÍCH MĚŘENÍ FJFI ČVUT V PRAZE. Úloha 5: Měření tíhového zrychlení
ZÁKLADY FYZIKÁLNÍCH MĚŘENÍ FJFI ČVUT V PRAZE Datum měření: číslo skupiny: Spolupracovali: 1 Úvod 1.1 Pracovní úkoly [1] Úloha 5: Měření tíhového zrychlení Jméno: Ročník, kruh: Klasifikace: 1. V domácí
VíceRekonstrukce diskrétního rozdělení psti metodou maximální entropie
Rekonstrukce diskrétního rozdělení psti metodou maximální entropie Příklad Lze nalézt četnosti nepozorovaných stavů tak, abychom si vymýšleli co nejméně? Nechť n i, i = 1, 2,..., N jsou známé (absolutní)
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
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
VíceTechnický experiment, příprava, provedení, hodnocení výsledků
Technický experiment, příprava, provedení, hodnocení výsledků 1 Katedra stavebních hmot a hornického stavitelství VŠB - Technická univerzita Ostrava 8. 3. 2012 Experiment Experiment se snaží získat potřebné
VíceTest 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
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
VíceOddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK
Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK PRAKTIKUM I. úloha č. 4 Název: Určení závislosti povrchového napětí na koncentraci povrchově aktivní látky Pracoval: Jakub Michálek
VíceÚvod do teorie měření. Eva Hejnová
Úvod do teorie měření Eva Hejnová Literatura: Novák, R. Úvod do teorie měření. Ústí nad Labem: UJEP, 2003 Sprušil, B., Zieleniecová, P.: Úvod do teorie fyzikálních měření. Praha: SPN, 1985 Brož, J. a kol.
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceFyzikální 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
VíceLimitní věty teorie pravděpodobnosti. 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 Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceStatistika. Diskrétní data. Spojitá data. Charakteristiky polohy. Charakteristiky variability
I Přednáška Statistika Diskrétní data Spojitá data Charakteristiky polohy Charakteristiky variability Statistika deskriptivní statistika ˆ induktivní statistika populace (základní soubor) ˆ výběr parametry
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
VíceZákladní terminologické pojmy (Mezinárodní metrologický slovník VIM3)
Základní terminologické pojmy (Mezinárodní metrologický slovník VIM3) Přesnost a správnost v metrologii V běžné řeči zaměnitelné pojmy. V metrologii a chemii ne! Anglický termín Measurement trueness Measurement
VíceResolution, Accuracy, Precision, Trueness
Věra Fišerová 26.11.2013 Resolution, Accuracy, Precision, Trueness Při skenování se používá mnoho pojmů.. Shodnost měření, rozlišení, pravdivost měření, přesnost, opakovatelnost, nejistota měření, chyba
VíceLaboratorní práce č. 1: Měření délky
Přírodní vědy moderně a interaktivně FYZIKA 3. ročník šestiletého a 1. ročník čtyřletého studia Laboratorní práce č. 1: Měření délky G Gymnázium Hranice Přírodní vědy moderně a interaktivně FYZIKA 3.
VíceLiteratura Elektrická měření - Přístroje a metody, Metrologie Elektrotechnická měření - měřící přístroje
Měření Literatura Haasz Vladimír, Sedláček Miloš: Elektrická měření - Přístroje a metody, nakladatelství ČVUT, 2005, ISBN 80-01-02731-7 Boháček Jaroslav: Metrologie, nakladatelství ČVUT, 2013, ISBN 978-80-01-04839-9
VíceROZDĚLENÍ NÁHODNÝCH VELIČIN
ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceTest 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
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceInferenční 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
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
VíceÚSTAV 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.
VíceStochastické signály (opáčko)
Stochastické signály (opáčko) Stochastický signál nemůžeme popsat rovnicí, ale pomocí sady parametrů. Hodit se bude statistika a pravděpodobnost (umíte). Tohle je jen miniminiminiopáčko, později probereme
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceCW01 - Teorie měření a regulace
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2014/2015 2.p-1a.mt 2014 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace
VíceStanovení akustického výkonu Nejistoty měření. Ing. Miroslav Kučera, Ph.D.
Stanovení akustického výkonu Nejistoty měření Ing. Miroslav Kučera, Ph.D. Využití měření intenzity zvuku pro stanovení akustického výkonu klapek? Výhody: 1) přímé stanovení akustického výkonu zvláště při
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
Více3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT
PROKAZOVÁNÍ SHODY VÝROBKŮ část 3, díl 8, kapitola 4, str. 1 3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT Vyjadřování standardní kombinované nejistoty výsledku zkoušky Výsledek zkoušky se vyjadřuje v
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VíceDiskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz 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
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
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
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceÚVOD DO TEORIE ODHADU. Martina Litschmannová
ÚVOD DO TEORIE ODHADU Martina Litschmannová Obsah lekce Výběrové charakteristiky parametry populace vs. výběrové charakteristiky limitní věty další rozdělení pravděpodobnosti (Chí-kvadrát (Pearsonovo),
VíceMatematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace
Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední
VíceNěkdy 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.
VícePravděpodobnostní rozdělení
Náhodná proměnná Pravděpodobnostní rozdělení Základy logiky a matematiky, ISS FSV UK Martin Štrobl Tento pomocný materiál neobsahuje všechnu látku k danému tématu, pouze se zaměřuje na pochopení důležitých
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
Více676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368
Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540
VíceBuffonova jehla. Jiří Zelenka. Gymnázium Zikmunda Wintra Rakovník
Buffonova jehla Jiří Zelenka Gymnázium Zikmunda Wintra Rakovník jirka-zelenka@centrum.cz Abstrakt Zaměřil jsem se na konstantu π. K určení hodnoty jsem použil matematický experiment nazývaný Buffonova
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
Více