Matematické modelování dopravního proudu

Rozměr: px
Začít zobrazení ze stránky:

Download "Matematické modelování dopravního proudu"

Transkript

1 Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení se s matematickým popisem dopravního proudu, Zpracování dat s dopravních měření a vytvoření jednoduchých matematických modelů různých dopravních situacích. 1 Úvod V této práci se zabýváme studiem základních matematických a fyzikálních vlastností souboru vozidel pohybujících se uvnitř rozsáhlého dopravního systému. V projektu byla použita data naměřená na evropských silnic pomocí magnetických indukčních smyček. Cílem bylo vlastnosti souboru teoreticky popsat, navrhnout a poté testovat jednoduchý matematický dopravní model a jeho výsledky porovnat se skutečným dopravním systémem. 2 Zpracování fyzikálních měření Pro obecnější představu o naměřených datech používáme aritmetický průměr z naměřených dat. Samotná průměrná hodnota jevu není ovšem dostatečným popisem. Proto zavádíme tzv. průměrnou odchylku. Která nám popisuje jak se moc se jednotlivé údaje lišily od vypočítaného průměru. Tedy uvádí jak moc se měřené hodnoty jednotlivých vozidel od sebe navzájem liší. Data s kterými jsme pracovali nám udávala přímo délku vozidel, jejich rychlost a čas průniku předního nárazníku vozidla měřícím bodem. Ostatní veličiny bylo nutné dopočítat. 3 Zkoumané jevy 3.1 Lokální charakteristiky Lokální charakteristiky dopravního proudu jsou veličiny, kterými lze popsat každé jednotlivé vozidlo zvlášť Délka vozidel v - Délka vozidel byla v naměřených datech, nebylo třeba ji jinak získávat

2 Průměrná délka vozidel - - udává součet délek l všech vozidel vydělený jejich počtem N Průměrná odchylka od průměrné délky vozidel - - je součet všech absolutních hodnot rozdílů délek l jednotlivých vozidel a průměrné délky vozidel vydělený počtem vozidel N Rychlost vozidel v - Rychlost vozidel byla také v naměřených datech, nebylo ji tedy třeba dopočítávat Průměrná rychlost vozidel - - je součet rychlostí v všech vozidel vydělený jejich počtem N Průměrná odchylka od průměrné rychlosti vozidel - - je součet všech absolutních hodnot rozdílů rychlostí v jednotlivých vozidel a průměrné rychlosti vozidel vydělený počtem vozidel N Časový odstup mezi i-tým a (i-1)-tým vozidlem - - Určíme tak, že od času, kdy bylo i-té vozidlo zaznamenáno detektorem, odečteme čas, kdy bylo vozidlo i-1 zaznamenáno detektorem, ovšem musíme ještě odečíst čas, za který vozidlo i-1 ujede vzdálenost rovnou své délce (tedy kdy zadní část vozidla projede detektorem) - jeho délku vydělíme jeho rychlostí. Je zde ovšem nutný převod jednotek z km/h na m/s (děleno 3,6). Pozn. t 1 časový odstup mezi předním nárazníkem druhého vozidla a zadním nárazníkem prvního vozidla t 2 časový odstup mezi předním nárazníkem třetího vozidla a zadním nárazníkem druhého vozidla

3 Průměrná hodnota časových odstupů mezi vozidly - - Určíme tak, že sečteme všechny časové odstupy mezi vozidly (začínáme od druhého vozidla, protože časových odstupů je o jeden méně než vozidel a prvním vozidlem, které před sebou má časový odstup od jiného vozidla, je druhé vozidlo). Součet časových odstupů vydělíme počtem měření N-1, protože s měřením časových odstupů začínáme u druhého vozidla a končíme u N-tého Průměrná odchylka časových odstupů mezi vozidly - Představuje průměrnou hodnotu absolutních rozdílů, kterou určíme sečtením všech absolutních rozdílů časového odstupu a průměrného časového odstupu. Součet vydělíme počtem měření, tzn. : tzn. : Čistá vzdálenost mezi vozidly - r i Určíme použitím předchozího výpočtu časového odstupu mezi i-tým a i-1-tým vozidlem. Tento vynásobíme rychlostí i-tého vozidla, kterou převedeme na z km/h na m/s. Pozn. r 1 vzdálenost mezi předním nárazníkem druhého vozidla a zadním nárazníkem prvního vozidla r 2 vzdálenost mezi předním nárazníkem třetího vozidla a zadním nárazníkem druhého vozidla Průměrná čistá vzdálenost mezi vozidly - Podobně jako u průměrné hodnoty časových odstupů - sečteme všechny čisté vzdálenosti mezi vozidly r i a vydělíme počtem měření N-1.

4 Pozn. čistá vzdálenost vzdálenost mezi zadním nárazníkem vozidla a předním nárazníkem vozidla jedoucího za ním Průměrná odchylka čistých vzdáleností mezi vozidly - Určíme ji tak, že sečteme všechny absolutní hodnoty rozdílů čistých vzdáleností r i a průměrnéčisté vzdálenost mezi vozidly a zase vydělíme počtem měření, tzn. : 3.2 Globální charakteristiky dopravního proudu Globální charakteristiky dopravního proudu jsou veličiny, kterými nelze popsat každé jednotlivé vozidlo zvlášť. Vztahují se pouze k většímu souboru dat Hustota provozu - je definována vztahem kde L označuje délku komunikace a N počet vozidel na komunikaci udává tedy počet vozidel na kilometr jednotka veh/km (z angličtiny vehicle vozidlo) Z nám známých veličin (délka vozidel, rychlost vozidel, rozestupy mezi vozidly, počet vozidel) vytvoříme vzorec pro výpočet hustoty provozu tak, že počet vozidel N vydělíme součtem délek všech vozidel a rozestupů všech vozidel (viz dříve). Hodnoty rychlosti jsou zadány v jednotkách km/ h, délky vozidel a rozestupů mezi nimi jsou zadány v metrech. Abychom získali výsledek v jednotkách veh/km, provedeme převod jednotek. Vzorec: Dopravní tok - J je definován vztahem kde T představuje dobu (v hodinách), po níž detektor zaznamenával průjezdy a N počet vozidel, které za uvedenou dobu detektor zaznamenal udává tedy počet vozidel, které projedou vybraným místem za hodinu jednotka veh/h Se zadanými veličinami vytvoříme vzorec pro výpočet dopravního toku tak, že počet vozidel N vydělíme celkovým časem měření, tj. rozdíl času příjezdu posledního vozidla a času příjezdu prvního vozidla (t N -t 1 ). Jelikož čas měření je zadán v sekundách, je ve vzorci navíc převod jednotek ze sekund na hodiny, aby výslednou jednotkou bylo veh/h. Vzorec:

5 4 Grafické zpracování měření - pro zobrazení naměřených dat používáme histogramu, kdy na hodnoty jednotlivých jevů (rychlost a délka vozidel) jsou zobrazeni na vodorovné ose a absolutní četnost (počet vozidel), relativní četnost (absolutní četnost podělená počtem vozidel), nebo hustota pravděpodobnosti (viz níže) jsou naneseny na svislou osu. Výška jednotlivých sloupců je úměrná počtu případů, kdy hodnota zkoumané veličiny spadá do příslušné kategorie (intervalu) na ose x. Tuto šířku sloupce označujeme d v. Při zobrazení absolutní četnosti, relativní četnosti a hustoty pravděpodobnosti v histogramu vzniknou tvarově stejné grafy, ale s různým měřítkem. d V Obr. 1: Histogram rozdělení počtu vozidel (absolutní četmost) v závislosti na jejich rychlosti, d v = 0,4 km/h 4.1 Absolutní četnost - počet vozidel součet absolutních četností je roven počtu vozidel 4.2 Relativní četnost - rč i je podílem absolutní četnosti a celkového počtu vozidel. Platí: (Jedná se o tzv. normovací podmínku.) tzn. rč i є <0,1> - tzn. pravděpodobnost vyjádřená v procentech nabývá hodnot 0% - 100%. 4.3 Hustota pravděpodobnosti odpovídá podílu relativní četnost rč i a d v. Hustota pravděpodobnosti hp i definujeme vzorcem. Normalizace pravděpodobnosti: a zároveň, tzn. - pravděpodobnost, že rychlost vozidla bude v rozmezí od nuly do nekonečna je rovna 100%

6 Obr. 1: Histogram rozdělení počtu (absolutní četnost) vozidel v závislosti na jejich rychlosti, d v = 0,4 km/h Obr. 2: Histogram hustoty pravděpodobnosti jednotlivých kategorií rychlosti, d v = 0,4 km/h

7 5 Buněčný dopravní model - buněčný dopravní model spočívá v tom, že silnici rozdělíme do jakýchsi buněk, do každé buňky lze umístit právě jedno vozidlo (tedy ne dvě, ale ani část vozidla vozidlo musí být v buňce celé). Dále je určena nějaká maximální rychlost rychlost jedna znamená v příštím kroku posunutí vozidla o jednu buňku vpřed. Pohyb v modelu se provádí pomocí následujícího postupu: 1. pokud je aktuální rychlost menší než maximální zvýší se rychlost o jedna 2. zjistí se počet volných buněk před vozidlem (tj. pozice předcházejícího vozidla pozice aktuálního vozidla) 3. pokud je rychlost větší než tato mezera je snížena na velikost této mezery 4. následuje pohyb všech vozidel s nastavenou rychlostí - toto celé se opakuje - dále umisťujeme mezi krok 3 a 4 tzv. náhodný faktor tj., že rychlost vozidla se s 50% pravděpodobností sníží o jedna Po rozjetí modelu se nastaví určitá buňka jako detektor a zaznamenává průjezdy vozidel za urřitý počet kroků. Tím lze vypočítat dopravní tok. S naměřených dopravních toků přiřazených k hustotě dopravy (záleží na počtu vozů umístěných do modelu) sestavíme graf. Obr. 3: Graf závislosti Dopravního toku na hustotě. (Tok počet vozidel za jeden krok, Hustota počet vozidel dělený počtem buněk) 6 Shrnutí Naše modely jeví mnoho podobných rysů skutečným měřením. Hodláme dále pokračovat v této práci a navrhnout další modely popisující i složitější situace např. dvouproudá silnice, křižovatka, silnice s možností předjíždění a další.

8 Poděkování - vedoucímu práce Mgr. Milanovi Krbálkovi, Ph.D. - učiteli matematiky RNDr. Stanislavovi Mácovi - Fakultě jaderné a fyzikálně inženýrské ČVUT

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

Náhodné chyby přímých měření

Náhodné 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.

Více

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy

Více

Protokol č. 1. Tloušťková struktura. Zadání:

Protokol č. 1. Tloušťková struktura. Zadání: Protokol č. 1 Tloušťková struktura Zadání: Pro zadané výčetní tloušťky (v cm) vypočítejte statistické charakteristiky a slovně interpretujte základní statistické vlastnosti tohoto souboru tloušťek. Dále

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 20. 8. 2012 Číslo DUM: VY_32_INOVACE_16_FY_A

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 20. 8. 2012 Číslo DUM: VY_32_INOVACE_16_FY_A Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 20. 8. 2012 Číslo DUM: VY_32_INOVACE_16_FY_A Ročník: I. Fyzika Vzdělávací oblast: Přírodovědné vzdělávání Vzdělávací obor: Fyzika Tematický okruh: Mechanika

Více

Buffonova jehla. Jiří Zelenka. Gymnázium Zikmunda Wintra Rakovník

Buffonova 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

Více

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník a oktáva 3 hodiny týdně PC a dataprojektor, učebnice

Více

Teorie náhodných matic aneb tak trochu jiná statistika

Teorie náhodných matic aneb tak trochu jiná statistika Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava

Více

Detekce interakčních sil v proudu vozidel

Detekce interakčních sil v proudu vozidel Detekce interakčních sil v proudu vozidel (ANEB OBECNĚJŠÍ POHLED NA POJEM VZDÁLENOSTI V MATEMATICE) Doc. Mgr. Milan Krbálek, Ph.D. Katedra matematiky Fakulta jaderná a fyzikálně inženýrská České vysoké

Více

Náhodné (statistické) chyby přímých měření

Náhodné (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

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

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III Vysoká škola báňská - Technická univerzita Ostrava 27. listopadu 2017 Typy statistických znaků (proměnných) Typy proměnných: Kvalitativní proměnná (kategoriální, slovní,... ) Kvantitativní proměnná (numerická,

Více

23. Matematická statistika

23. Matematická statistika Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/03.0009 23. Matematická statistika Statistika je věda, která se snaží zkoumat reálná data a s pomocí teorii pravděpodobnosti

Více

Statistika. pro žáky 8. ročníku. úterý, 26. března 13

Statistika. pro žáky 8. ročníku. úterý, 26. března 13 Statistika pro žáky 8. ročníku Co je to statistika? Statistika je věda, která se snaží zkoumat reálná data a přibližuje nám zkoumaný jev a zákonitosti s ním spojené. Co nám statistika přináší? Co nám statistika

Více

Seriál II.II Vektory. Výfučtení: Vektory

Seriál II.II Vektory. Výfučtení: Vektory Výfučtení: Vektory Abychom zcela vyjádřili veličiny jako hmotnost, teplo či náboj, stačí nám k tomu jediné číslo (s příslušnou jednotkou). Říkáme jim skalární veličiny. Běžně se však setkáváme i s veličinami,

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

POHYB TĚLESA. Mgr. Jan Ptáčník - GJVJ - Fyzika - Sekunda

POHYB TĚLESA. Mgr. Jan Ptáčník - GJVJ - Fyzika - Sekunda POHYB TĚLESA Mgr. Jan Ptáčník - GJVJ - Fyzika - Sekunda Pohyb Pohyb = změna polohy tělesa vůči jinému tělesu. Neexistuje absolutní klid. Pohyb i klid jsou relativní. Záleží na volbě vztažného tělesa. Spojením

Více

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi

Více

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

Chyby měření 210DPSM

Chyby 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

Více

Měření odporu ohmovou metodou

Měření odporu ohmovou metodou ěření odporu ohmovou metodou Teoretický rozbor: ýpočet a S Pro velikost platí: Pro malé odpory: mpérmetr však neměří pouze proud zátěže ale proud, který je dán součtem proudu zátěže a proudu tekoucího

Více

Matematická statistika

Matematická statistika Matematická statistika Daniel Husek Gymnázium Rožnov pod Radhoštěm, 8. A8 Dne 12. 12. 2010 v Rožnově pod Radhoštěm Osnova Strana 1) Úvod 3 2) Historie matematické statistiky 4 3) Základní pojmy matematické

Více

Laboratorní práce č. 1: Měření délky

Laboratorní 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.

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

Náhodná 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 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

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

UKAZATELÉ VARIABILITY

UKAZATELÉ VARIABILITY UKAZATELÉ VARIABILITY VÝZNAM Porovnejte známky dvou studentek ze stejného předmětu: Studentka A: Studentka B: Oba soubory mají stejný rozsah hodnoty, ale liší se známky studentky A jsou vyrovnanější, jsou

Více

Pohyb tělesa (5. část)

Pohyb tělesa (5. část) Pohyb tělesa (5. část) A) Co už víme o pohybu tělesa?: Pohyb tělesa se definuje jako změna jeho polohy vzhledem k jinému tělesu. O pohybu tělesa má smysl hovořit jedině v souvislosti s polohou jiných těles.

Více

Měření zrychlení volného pádu

Měření zrychlení volného pádu Měření zrychlení volného pádu Online: http://www.sclpx.eu/lab1r.php?exp=10 Pro tento experiment si nejprve musíme vyrobit hřeben se dvěma zuby, které budou mít stejnou šířku (např. 1 cm) a budou umístěny

Více

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy: Opakování středoškolské matematiky Slovo úvodem: Tato pomůcka je určena zejména těm studentům presenčního i kombinovaného studia na VŠFS, kteří na středních školách neprošli dostatečnou průpravou z matematiky

Více

Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1

Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1 Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA 2018 4. dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1 Typy proměnných nominální (nominal) o dvou hodnotách lze říci pouze

Více

2. Bodové a intervalové rozložení četností

2. Bodové a intervalové rozložení četností . Bodové a intervalové rozložení četností (Jak získat informace z datového souboru?) Po prostudování této kapitoly budete umět: konstruovat diagramy znázorňující rozložení četností vytvářet tabulky četností

Více

Časové řady - Cvičení

Časové řady - Cvičení Časové řady - Cvičení Příklad 2: Zobrazte měsíční časovou řadu míry nezaměstnanosti v obci Rybitví za roky 2005-2010. Příslušná data naleznete v souboru cas_rada.xlsx. Řešení: 1. Pro transformaci dat do

Více

37. PARABOLA V ANALYTICKÉ GEOMETRII

37. PARABOLA V ANALYTICKÉ GEOMETRII 37.. Napiš rovnici paraboly, která má osu rovnoběžnou s osou y a prochází body A 0; 60, B 4; 8, C 8;36. 0m p60n 4m p8n 8m p36n m p pn 0 6 8 6 mm p pn 64 6 7 3 mm p pn 6 8m64 p 3 64 6m9 p Je-li osa rovnoběžná

Více

POSOUZENÍ NAVRŽENÝCH VARIANT (provést pro obě varianty!!!) 1. Ovlivňující veličiny a) podélný sklon a jízdní rychlost vj [km/h]: podle velikosti a

POSOUZENÍ NAVRŽENÝCH VARIANT (provést pro obě varianty!!!) 1. Ovlivňující veličiny a) podélný sklon a jízdní rychlost vj [km/h]: podle velikosti a POSOUZENÍ NAVRŽENÝCH VARIANT (provést pro obě varianty!!!) 1. Ovlivňující veličiny a) podélný sklon a jízdní rychlost vj [km/h]: podle velikosti a délky na sebe navazujících úseků s konstantním podélným

Více

František Hudek. květen 2012

František Hudek. květen 2012 VY_32_INOVACE_FH06 Jméno autora výukového materiálu Datum (období), ve kterém byl VM vytvořen Ročník, pro který je VM určen Vzdělávací oblast, obor, okruh, téma Anotace František Hudek květen 2012 8. ročník

Více

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

MATEMATICKÁ 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

Více

VZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C)

VZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C) VZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C) max. 3 body 1 Zjistěte, zda vektor u je lineární kombinací vektorů a, b, je-li u = ( 8; 4; 3), a = ( 1; 2; 3), b = (2; 0; 1). Pokud ano, zapište tuto lineární kombinaci.

Více

MATURITNÍ TÉMATA Z MATEMATIKY

MATURITNÍ TÉMATA Z MATEMATIKY MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické

Více

Lineární funkce, rovnice a nerovnice 4 lineární nerovnice

Lineární funkce, rovnice a nerovnice 4 lineární nerovnice Lineární funkce, rovnice a nerovnice 4 lineární nerovnice 4.1 ekvivalentní úpravy Při řešení lineárních nerovnic používáme ekvivalentní úpravy (tyto úpravy nijak neovlivní výsledek řešení). Jsou to především

Více

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: geometrická posloupnost, geometrická

Více

3. Celá čísla. 3.1. Vymezení pojmu celé číslo. 3.2. Zobrazení celého čísla na číselné ose

3. Celá čísla. 3.1. Vymezení pojmu celé číslo. 3.2. Zobrazení celého čísla na číselné ose 3. Celá čísla 6. ročník 3. Celá čísla 3.1. Vymezení pojmu celé číslo Ve své dosavadní praxi jste se setkávali pouze s přirozenými čísly. Tato čísla určovala konkrétní počet (6 jablek, 7 kilogramů jablek,

Více

Semestrální projekt. Vyhodnocení přesnosti sebelokalizace VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií

Semestrální projekt. Vyhodnocení přesnosti sebelokalizace VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Semestrální projekt Vyhodnocení přesnosti sebelokalizace Vedoucí práce: Ing. Tomáš Jílek Vypracovali: Michaela Homzová,

Více

MĚŘENÍ FYZIKÁLNÍCH VELIČIN. m = 15 kg. Porovnávání a měření. Soustava SI (zkratka z francouzského Le Système International d'unités)

MĚŘENÍ FYZIKÁLNÍCH VELIČIN. m = 15 kg. Porovnávání a měření. Soustava SI (zkratka z francouzského Le Système International d'unités) MĚŘENÍ FYZIKÁLNÍCH VELIČIN Porovnávání a měření Při zkoumání světa kolem nás porovnáváme různé vlastnosti těles např. barvu, tvar, délku, tvrdost, stlačitelnost, teplotu, hmotnost, objem,. Často se však

Více

2. Numerické výpočty. 1. Numerická derivace funkce

2. Numerické výpočty. 1. Numerická derivace funkce 2. Numerické výpočty Excel je poměrně pohodlný nástroj na provádění různých numerických výpočtů. V příkladu si ukážeme možnosti výpočtu a zobrazení diferenciálních charakteristik analytické funkce, přičemž

Více

Základy teorie pravděpodobnosti

Základy teorie pravděpodobnosti Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie

Více

Mˇeˇren ı vlastn ı indukˇcnosti Ondˇrej ˇ Sika

Mˇeˇren ı vlastn ı indukˇcnosti Ondˇrej ˇ Sika Obsah 1 Zadání 3 2 Teoretický úvod 3 2.1 Indukčnost.................................. 3 2.2 Indukčnost cívky.............................. 3 2.3 Vlastní indukčnost............................. 3 2.4 Statická

Více

Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/ Lineární rovnice

Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/ Lineární rovnice 2. Lineární rovnice označuje rovnici o jedné neznámé, ve které neznámá vystupuje pouze v první mocnině. V základním tvaru vypadá následovně: ax + b = 0, a 0 Zde jsou a a b nějaká reálná čísla, tzv. koeficienty

Více

Vektory I. Předpoklady: Pedagogická poznámka: První příklad je řešení domácího úkolu z minulé hodiny.

Vektory I. Předpoklady: Pedagogická poznámka: První příklad je řešení domácího úkolu z minulé hodiny. 1.1.5 Vektory I Předpoklady: 01014 Pedagogická poznámka: První příklad je řešení domácího úkolu z minulé hodiny. Pedagogická poznámka: V první části hodiny je třeba postupovat poměrně rychle, aby ještě

Více

Praktická statistika. Petr Ponížil Eva Kutálková

Praktická 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

Více

Numerické metody zpracování výsledků

Numerické metody zpracování výsledků Numerické metody zpracování výsledků Měření fyzikální veličiny provádíme obvykle tak, že měříme hodnoty y jedné fyzikální veličiny při určitých hodnotách x druhé veličiny, na které měřená veličina závisí.

Více

Rozšiřování = vynásobení čitatele i jmenovatele stejným číslem různým od nuly

Rozšiřování = vynásobení čitatele i jmenovatele stejným číslem různým od nuly Rozšiřování a krácení zlomků Rozšiřování vynásobení čitatele i jmenovatele stejným číslem různým od nuly rozšířený zlomek vznikl tak, že jsme čitatel i jmenovatel původního zlomku vynásobili číslem rozšířený

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

Pokud není uvedeno jinak, uvedený materiál je z vlastních zdrojů autora

Pokud není uvedeno jinak, uvedený materiál je z vlastních zdrojů autora Číslo projektu Číslo materiálu Název školy Autor Název Téma hodiny Předmět Ročník /y/ CZ.1.07/1.5.00/34.0394 VY_3_INOVACE_EM_.0_měření kmitočtové charakteristiky zesilovače Střední odborná škola a Střední

Více

Data v počítači. Informační data. Logické hodnoty. Znakové hodnoty

Data v počítači. Informační data. Logické hodnoty. Znakové hodnoty Data v počítači Informační data (elementární datové typy) Logické hodnoty Znaky Čísla v pevné řádové čárce (celá čísla) v pohyblivé (plovoucí) řád. čárce (reálná čísla) Povelová data (instrukce programu)

Více

ZAPOJENÍ REZISTORŮ VEDLE SEBE

ZAPOJENÍ REZISTORŮ VEDLE SEBE ZAPOJENÍ REZISTORŮ VEDLE SEBE Vzdělávací předmět: Fyzika Tematický celek dle RVP: Elektromagnetické a světelné děje Tematická oblast: Elektrické jevy Cílová skupina: Žák 8. ročníku základní školy Cílem

Více

1 _ 2 _ 3 _ 2 4 _ 3 5 _ 4 7 _ 6 8 _

1 _ 2 _ 3 _ 2 4 _ 3 5 _ 4 7 _ 6 8 _ Obsah: 1 _ Značky a jednotky fyzikálních veličin 2 _ Převody jednotek 3 _ Pohyb tělesa... 2 4 _ Druhy pohybů... 3 5 _ Rychlost rovnoměrného pohybu... 4 7 _ Výpočet času... 6 8 _ Pracovní list: ČTENÍ Z

Více

Protokol č. 5. Vytyčovací údaje zkusných ploch

Protokol č. 5. Vytyčovací údaje zkusných ploch Protokol č. 5 Vytyčovací údaje zkusných ploch Zadání: Ve vybraném porostu bylo prováděno zjišťování zásob za použití reprezentativní metody kruhových zkusných ploch. Na těchto zkusných plochách byl zjišťován

Více

Základy statistiky pro obor Kadeřník

Základy statistiky pro obor Kadeřník Variace 1 Základy statistiky pro obor Kadeřník Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz 1. Aritmetický průměr

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

V roce 1998 se v Liberci oženili muži a vdaly ženy v jednotlivých věkových skupinách v následujících počtech:

V roce 1998 se v Liberci oženili muži a vdaly ženy v jednotlivých věkových skupinách v následujících počtech: Příklad 1 V roce 1998 se v Liberci oženili muži a vdaly ženy v jednotlivých věkových skupinách v následujících počtech: Skupina Počet ženichů Počet nevěst 15-19 let 11 30 20-24 let 166 272 25-29 let 191

Více

Fyzikální praktikum FJFI ČVUT v Praze

Fyzikální praktikum FJFI ČVUT v Praze Fyzikální praktikum FJFI ČVUT v Praze Úloha 6: Geometrická optika Datum měření: 8. 4. 2016 Doba vypracovávání: 10 hodin Skupina: 1, pátek 7:30 Vypracoval: Tadeáš Kmenta Klasifikace: 1 Zadání 1. DÚ: V přípravě

Více

pracovní list studenta Kombinatorika, pravděpodobnost, základy statistiky Jak jsou vysocí? Mirek Kubera

pracovní list studenta Kombinatorika, pravděpodobnost, základy statistiky Jak jsou vysocí? Mirek Kubera Výstup RVP: Klíčová slova: pracovní list studenta Kombinatorika, pravděpodobnost, základy statistiky Mirek Kubera žák diskutuje a kriticky zhodnotí statistické informace a daná statistická sdělení, volí

Více

TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY

TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají

Více

Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel

Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014 1. Obor reálných čísel - obor přirozených, celých, racionálních a reálných čísel - vlastnosti operací (sčítání, odčítání, násobení, dělení) -

Více

1. Pojem celé číslo. 2. Zobrazení celých čísel. Číselná osa :

1. Pojem celé číslo. 2. Zobrazení celých čísel. Číselná osa : C e l á č í s l a 1. Pojem celé číslo Ve své dosavadní praxi jste se setkávali pouze s přirozenými čísly. Tato čísla určovala konkrétní počet (6 jablek, 7 kilogramů jablek, 8 korun apod). Desetinná čísla

Více

EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek

EXPERIMENTÁLNÍ 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,

Více

Charakteristika datového souboru

Charakteristika 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

Více

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream

Více

Základní vzorce a funkce v tabulkovém procesoru

Základní vzorce a funkce v tabulkovém procesoru Základní vzorce a funkce v tabulkovém procesoru Na tabulkovém programu je asi nejzajímavější práce se vzorci a funkcemi. Když jednou nastavíte, jak se mají dané údaje zpracovávat (některé buňky sečíst,

Více

Minimální hodnota. Tabulka 11

Minimální hodnota. Tabulka 11 PŘÍLOHA č.1 Výsledné hodnoty Výsledky - ženy (SOŠ i SOU, maturitní i učební obory) Aritmetický průměr Maximální hodnota Minimální hodnota Medián Modus Rozptyl Směrodatná odchylka SOM 0,49 2,00 0,00 0,33

Více

1.1.24 Skaláry a vektory

1.1.24 Skaláry a vektory 1.1.4 Skaláry a vektory Předpoklady: 113 Př. 1: Vyřeš následující příklady: a) Na stole je položeno závaží o hmotnosti kg. Na závaží působí gravitační síla Země o velikosti 0 N a tlaková síla od stolu

Více

Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost

Více

GRAF 1: a) O jaký pohyb se jedná? b) Jakou rychlostí se automobil pohyboval? c) Vyjádři tuto rychlost v km/h. d) Jakou dráhu ujede automobil za 4 s?

GRAF 1: a) O jaký pohyb se jedná? b) Jakou rychlostí se automobil pohyboval? c) Vyjádři tuto rychlost v km/h. d) Jakou dráhu ujede automobil za 4 s? GRAF 1: s (m) a) O jaký pohyb se jedná? b) Jakou rychlostí se automobil pohyboval? c) Vyjádři tuto rychlost v km/h. d) Jakou dráhu ujede automobil za 4 s? e) Jakou dráhu ujede automobil za 5 s? f) Za jak

Více

STATISTIKA 1. Adam Čabla Katedra statistiky a pravděpodobnosti VŠE

STATISTIKA 1. Adam Čabla Katedra statistiky a pravděpodobnosti VŠE STATISTIKA 1 Adam Čabla Katedra statistiky a pravděpodobnosti VŠE KONTAKTY WWW: sites.google.com/site/adamcabla E-mail: adam.cabla@vse.cz Telefon: 777 701 783 NB367 na VŠE, konzultační hodiny: Pondělí

Více

Lineární funkce, rovnice a nerovnice 3 Soustavy lineárních rovnic

Lineární funkce, rovnice a nerovnice 3 Soustavy lineárních rovnic Lineární funkce, rovnice a nerovnice Soustavy lineárních rovnic motivace Využívají se napřklad při analytickém vyšetřování vzájemné polohy dvou přímek v rovině a prostoru. Při řešení některých slovních

Více

Písemná práce k modulu Statistika

Písemná práce k modulu Statistika The Nottingham Trent University B.I.B.S., a. s. Brno BA (Hons) in Business Management Písemná práce k modulu Statistika Číslo zadání: 144 Autor: Zdeněk Fekar Ročník: II., 2005/2006 1 Prohlašuji, že jsem

Více

Audit bezpečnosti pozemních komunikací. Místo pro přecházení, silnice I/35, křižovatka se silnicí III/01873 u Hrachovce

Audit bezpečnosti pozemních komunikací. Místo pro přecházení, silnice I/35, křižovatka se silnicí III/01873 u Hrachovce Audit bezpečnosti pozemních komunikací Místo pro přecházení, silnice I/35, křižovatka se silnicí III/01873 u Hrachovce únor 2014 OBSAH Obsah... 2 1. ÚVOD... 3 1.1. Identifikace zhotovitele... 3 1.2. Obsah

Více

Lineární rovnice. Rovnice o jedné neznámé. Rovnice o jedné neznámé x je zápis ve tvaru L(x) = P(x), kde obě strany tvoří výrazy s jednou neznámou x.

Lineární rovnice. Rovnice o jedné neznámé. Rovnice o jedné neznámé x je zápis ve tvaru L(x) = P(x), kde obě strany tvoří výrazy s jednou neznámou x. Lineární rovnice Rovnice je zápis rovnosti mezi dvěma algebraickými výrazy, které obsahují alespoň jednu proměnnou, kterou nazýváme neznámá. Rovnice má levou stranu L a pravou stranu P. Rovnost pak zapisujeme

Více

SOUBOR OTÁZEK. 8. ročník

SOUBOR OTÁZEK. 8. ročník SOUBOR OTÁZEK 8. ročník 2016 Mezinárodní matematická soutěž Pangea v Evropě Název země Počet registrovaných účastníků Název země Počet registrovaných účastníků 1 Německo 147 000 10 Dánsko 5 068 2 Polsko

Více

ZÁKLADY FYZIKÁLNÍCH MĚŘENÍ FJFI ČVUT V PRAZE. Úloha 5: Měření tíhového zrychlení

ZÁKLADY 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

Více

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Studentská 2 461 17 Liberec 1 SEMESTRÁLNÍ PRÁCE STATISTICKÝ ROZBOR DAT Z DOTAZNÍKOVÝCH ŠETŘENÍ Gabriela Dlasková, Veronika Bukovinská Sára Kroupová, Dagmar

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 9

VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 9 UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY VYBRANÉ STATĚ Z PROCESNÍHO INŢENÝRSTVÍ cvičení 9 Nestacionární vedení tepla v rovinné stěně Hana Charvátová, Dagmar Janáčová Zlín 2013 Tento

Více

5.1 Definice, zákonné měřící jednotky.

5.1 Definice, zákonné měřící jednotky. 5. Měření délek. 5.1 Definice, zákonné měřící jednotky. 5.2 Měření délek pásmem. 5.3 Optické měření délek. 5.3.1 Paralaktické měření délek. 5.3.2 Ryskový dálkoměr. 5.4 Elektrooptické měření délek. 5.4.1

Více

PŘEPOČET VÝSLEDKŮ ZÁKLADNÍ A VYŠŠÍ ÚROVNĚ OBTÍŽNOSTI DIDAKTICKÝCH TESTŮ DLE PRAVDĚPODOBNOSTNÍHO MODELU INDEX 11

PŘEPOČET VÝSLEDKŮ ZÁKLADNÍ A VYŠŠÍ ÚROVNĚ OBTÍŽNOSTI DIDAKTICKÝCH TESTŮ DLE PRAVDĚPODOBNOSTNÍHO MODELU INDEX 11 PŘEPOČET VÝSLEDKŮ ZÁKLADNÍ A VYŠŠÍ ÚROVNĚ OBTÍŽNOSTI DIDAKTICKÝCH TESTŮ DLE PRAVDĚPODOBNOSTNÍHO MODELU INDEX 11 PRO PŘEDMĚTY: ČESKÝ JAZYK A LITERATURA MATEMATIKA ANGLICKÝ JAZYK Jak bych dopadl, kdybych

Více

Kontrola: Sečteme-li sloupec,,četnost výskytu musí nám vyjít hodnota rozsahu souboru (našich 20 žáků)

Kontrola: Sečteme-li sloupec,,četnost výskytu musí nám vyjít hodnota rozsahu souboru (našich 20 žáků) Základní výpočty pro MPPZ Teorie Aritmetický průměr = součet hodnot znaku zjištěných u všech jednotek souboru, dělený počtem všech jednotek souboru Modus = hodnota souboru s nejvyšší četností Medián =

Více

Rovnoměrný pohyb II

Rovnoměrný pohyb II 2.2.12 Rovnoměrný pohyb II Předpoklady: 020210 Pomůcky: Př. 1: Jakou vzdálenost urazí za pět minut automobil jedoucí rychlostí 85 km/h? 5 t = 5min = h, v = 85 km/h 5 s = vt = 85 km = 7,1 km Automobil jedoucí

Více

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:

Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy: Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je

Více

4 Kriteriální matice a hodnocení variant

4 Kriteriální matice a hodnocení variant 4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té

Více

SILOVÉ PŮSOBENÍ MAGNETICKÉHO POLE

SILOVÉ PŮSOBENÍ MAGNETICKÉHO POLE Experiment P-17 SILOVÉ PŮSOBENÍ MAGNETICKÉHO POLE CÍL EXPERIMENTU Studium základních vlastností magnetu. Sledování změny silového působení magnetického pole magnetu na vzdálenosti. MODULY A SENZORY PC

Více

Průměr je ve statistice často používaná hodnota, která se počítá jako aritmetický průměr hodnot.

Průměr je ve statistice často používaná hodnota, která se počítá jako aritmetický průměr hodnot. Průměr Průměr je ve statistice často používaná hodnota, která se počítá jako aritmetický průměr hodnot. Co je to průměr # Průměrem se rozumí klasický aritmetický průměr sledovaných hodnot. Můžeme si pro

Více

Renáta Bednárová STATISTIKA PRO EKONOMY

Renáta Bednárová STATISTIKA PRO EKONOMY Renáta Bednárová STATISTIKA PRO EKONOMY ZÁKLADNÍ STATISTICKÉ POJMY Statistika Statistický soubor Statistická jednotky Statistický znak STATISTIKA Vědní obor, který se zabývá hromadnými jevy Hromadné jevy

Více

1. OBSAH, METODY A VÝZNAM FYZIKY -

1. OBSAH, METODY A VÝZNAM FYZIKY - IUVENTAS - SOUKROMÉ GYMNÁZIUM A STŘEDNÍ ODBORNÁ ŠKOLA 1. OBSAH, METODY A VÝZNAM FYZIKY - STUDIJNÍ TEXTY Frolíková Martina Augustynek Martin Adamec Ondřej OSTRAVA 2006 Budeme rádi, když nám jakékoliv případné

Více

Nápovědy k numerickému myšlení TSP MU

Nápovědy k numerickému myšlení TSP MU Nápovědy k numerickému myšlení TSP MU Numerické myšlení 2011/var. 01 26. Ciferné součty čísel v každém z kruhů mají tutéž hodnotu. Pozor, hledáme číslo, které se nehodí na místo otazníku. Jedná se o dvě

Více