Matematické modelování dopravního proudu
|
|
- Jindřich Bláha
- před 9 lety
- Počet zobrazení:
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 Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
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.
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
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
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
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
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
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
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
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
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
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
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
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,
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
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
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,
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
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
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
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,
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
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
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
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.
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
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
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
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
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.
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
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
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
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
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
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
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
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
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
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.
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
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
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
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,
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,
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
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
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
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
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
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
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
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.
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
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,
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
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)
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
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
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
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
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.
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
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
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
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
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) -
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
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,
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
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
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,
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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 =
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
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
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
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
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
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
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
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