4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
|
|
- Matyáš Kopecký
- před 6 lety
- Počet zobrazení:
Transkript
1 A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné, aby hodnota distribuční funkce veličiny X v bodě 1 byla rovna 0,5, (F(1)=0,5) a současně v bodě 2 byla rovna 0,3, (f(2)=0,3)? a) ano b) ne c) nelze rozhodnout 3. Náhodná veličina X má distribuční funkci F(x)=0 pro x 0, F(x)=(6x-x²)/9 pro x (0,3), F(x)=1 pro x 3. Stanovte pravděpodobnost, že X nabývá hodnot, mezi 1 a 2 (P(x)=(1,2))). a) 1/3 b) 6/9 c) 6/9 4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k? a) 1/3 b) ¼ c) ½ 5. Veličiny X a Y nejsou korelovány (p(x,y)=0). Jsou tyto veličiny staticky závislé? a) Ano b) Ne c) Nelze rozhodnout 6. Mějme tři pozorování dvojici náhodných veličin X a Y zapsané v tabulce vpravo. Pozorování naznačují, že veličiny jsou: a) Statisticky závislé s pozitivním korelačním koeficientem b) Statisticky závislé s negativním korelačním koeficientem c) Statisticky nezávislé X Y 0,5 11,4 1,8 8,2-2 16,9 7. Jaké je hodnota variačního koeficientu náhodné veličiny X, COV(X), jestliže její střední hodnota µ(x)=6 a směrodatná odchylka G(x)=3. a) 3 b) ½ c) 2
2 8. Která z následujících funkcí je rozdělovací funkcí náhodné veličiny X na obrázku? x <a,b) a) F(x)= { 0 x <a,b) f(x) x (a,b> b) F(x)= { 0 x (a,b> c) F(x)= { 0 x (a,b> x (a,b> 0 a b x 9. Dvouparametrické lognormální rozdělení: a) Je omezená zleva hodnotou x=0 b) Je omezená z obou stran c) Neni omezena ani zleva ani zprava 10. Pravděpodobnost poruchy je vyjádřena jako (f(x) sdružená rozdělovací funkce, F(X) je sdružená distribuční funkce, g(x) je funkce mezního stavu). a) g(x) 0 f(x) dx b) g(x) 0 F(X) dx c) g(x) 0 f(x) dx d) g(x) 0 F(X) dx 11. Při rezervě spolehlivosti vyjádřené jako Z=R-E lze pravděpodobnost poruchy vyjádřit jako (f je rozdělovací funkce, F je distribuční funkce) a) fe(x) FR(x) dx b) fe(x) FR(x) dx c) FE(x) fr(x) dx d) FE(x) fr(x) dx 12. Stanovte Cornellův index spolehlivosti, znáte-li střední hodnotu µz=10 a směrodatnou odchylku βz=2, rezervy spolehlivosti. a) 0,2 b) 3 c) Index spolehlivosti podle Hasoféra a Linda je definován jako: a) Vzdálenost mezi návrhovým bodem P a bodem s největší hodnotou sdružení hustoty pravděpodobnosti v prostoru původních náhodných veličin
3 b) Vzdálenost mezi návrhovým bodem P a počátkem soustavy souřadnic v prostoru původních náhodných veličin c) Vzdálenost mezi návrhovým bodem P a počátkem soustavy souřadnic v prostoru náhodných veličin transformovaných na normální nekorelované veličiny 14. Aproximační metoda ve standardizovaném prostoru hranici poruchy (g(x)=0) její hodnotu v návrhovém bodě má zkratku. a) LHS b) FORM c) SORM 15. Z indexu spolehlivosti β lze pravděpodobnost poruchy vyjádřit pomocí vztahu ( fí je rozdělovací, φ je distribuční funkce normální rozdělení). a) Pf= fí (β) b) Pf= fí (-β) c) Pf= φ (β) d) Pf= φ (-β) 16. Metoda Simulated annealing (simulované žíhání) je: a) Pravděpodobní metoda pro určení korelačních koeficientů při citlivostní analýze b) Optimalizační metoda pro zavedení statistické závislosti v rámci simulačních metod c) Neparametrická metoda vhodná ke stanovení potřebného počtu simulací u metody LHS 17. Cornellův index spolehlivosti vede na dobrý odhad pravděpodobnosti poruchy jestliže: a) Je rozdělení rezervy spolehlivosti blízko normálnímu rozdělení b) Jsou všechny vstupní veličiny statisticky nezávislé a normálně rozdělené c) Jestliže je rozdělení rezervy spolehlivosti symetrické 18. Při použití metody Monte Carlo simulací k odhadu pravděpodobnosti poruchy 0,0001 je variační koeficient CoV odhadu pravděpodobnosti poruchy roven: a) 0,2 b) ½ c) ¼ 19. U simulační metody Importace sampling jsou realizace náhodné veličiny X generovány podle: a) Proměnné účelově vytvořené distribuční funkce Hi (X), která je pro každou realizaci i proměnná b) Skutečné distribuční funkce veličiny X c) Proměnné účelově vytvořené distribuční funkce A nebo C 20. Jaká je pravděpodobnost poruchy sériového systému na obrázku? Pravděpodobnosti poruchy jednotlivých částí jsou pf1, pf2, pf3. a) 0,192 b) 0,096 c) 0,808 Pf1=0,4 Pf2=0,2 Pf3=0,6
4 B 1. Rozdělovací funkce náhodné veličiny X je pro libovolné X>5 rovna 0. Jaká je hodnota distribuční funkce této veličiny v bodě 10? a) 0 b) 0.5 c) 1 2. Je možné, aby hodnota rozdělovací funkce (hustoty pravděpodobnosti) veličiny X v bodě 1 byla rovna 0.2 (f)1) = 0.2) a současně v bodě 2 byla rovna 1.8 (f(2) = 1.8)? a) Ano b) Ne c) Nelze rozhodnout 3. Náhodná veličina X má distribuční funkci F(x)= 0 pro X 10, F(x) = (x²-20x+100)/25 pro z (10, 15) a F(x) = 1 pro X 15.Stanovte pravděpodobnost, že X nabývá hodnot mezi 12 a 14 (P(X (12, 14))) a) 20/25 b) 12/25 c) 6/25 4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k? a) 2/3 b) ¼ c) ½ 5. Mějme tři pozorování dvojice náhodných veličin X a Y zapsané v tabulce vpravo. Pozorování naznačují, že veličiny jsou: a) Statisticky závislé s pozitivním korelačním koeficientem b) Statisticky závislé s negativním korelačním koeficientem c) Statisticky nezávislé 6. Veličiny X a Y nejsou korelovány (p(x,y) =0). Jsou tyto veličiny statisticky závislé? a) Nelze rozhodnout b) Ne c) Ano X Y 2,2-8,9 10,8 0,2 7,6-2,9
5 7. Jaké je hodnota variačního koeficientu náhodné veličiny X, COV(X), jestliže její střední hodnota µ(x)=9 a směrodatná odchylka G(x)=3. d) 3 e) 1/3 f) 6 8. Která z následujících funkcí je rozdělovací funkcí náhodné veličiny X na obrázku? x <a,b) b) F(x)= { 0 x <a,b) b) F(x)= { 0 x (a,b> x (a,b> f(x) b) F(x)= { 0 x (a,b> x (a,b> 0 a b x 9. Normální rozdělení: a) Je omezená zleva hodnotot x=0 b) Je omezená z obou stran c) Neni omezena ani zleva ani zprava 10. Při rezervě spolehlivosti vyjádřené jako Z=R-E lze pravděpodobnost poruchy vyjádřit jako (f je rozdělovací funkce, F je distribuční funkce) a) R>E FE(x) fr(x) dx b) FE(x) fr(x) dx c) E>R fe(x) FR(x) dx d) fe(x) FR(x) dx 11. Pravděpodobnost poruchy je vyjádřena jako (f(x) sdružená rozdělovací funkce, F(X) je sdružená distribuční funkce, g(x) je funkce mezního stavu). a) g(x) 0 f(x) dx b) g(x) 0 f(x) dx c) g(x) 0 F(X) dx d) g(x) 0 F(X) dx
6 12. Stanovte Cornellův index spolehlivosti, znáte-li střední hodnotu µz=8 a směrodatnou odchylku βz=4, rezervy spolehlivosti. a) ½ b) 2 c) Index spolehlivosti podle Hasoféra a Linda je definován jako: a) Vzdálenost mezi návrhovým bodem P a bodem s největší hodnotou sdružení hustoty pravděpodobnosti v prostoru původních náhodných veličin b) Vzdálenost mezi návrhovým bodem P a počátkem soustavy souřadnic v prostoru náhodných veličin transformovaných na normální nekorelované veličiny c) Vzdálenost mezi návrhovým bodem P a počátkem soustavy souřadnic v prostoru původních náhodných veličin 15. Z indexu spolehlivosti β lze pravděpodobnost poruchy vyjádřit pomocí vztahu ( fí je rozdělovací, φ je distribuční funkce normální rozdělení). a) Pf=1- φ (β) b) Pf=1- fí (β) c) Pf=1- φ (-β) d) Pf=1- fí (-β) 16. Cornellův index spolehlivosti vede na dobrý odhad pravděpodobnosti poruchy jestliže: a) Jsou všechny vstupní veličiny statisticky nezávislé a normálně rozdělené b) Je rozdělení rezervy spolehlivosti blízko normálnímu rozdělení c) Jestliže je rozdělení rezervy spolehlivosti symetrické 17. U simulační metody Importace sampling jsou realizace náhodné veličiny X generovány podle: a) Proměnné účelově vytvořené distribuční funkce b) proměnné účelově vytvořené distribuční funkce Hi (X), která je pro každou realizaci i odlišná c) Skutečné distribuční funkce veličiny X 18. Při použití metody Monte Carlo 1000 simulací k odhadu pravděpodobnosti poruchy 0,004 je variační koeficient CoV odhadu pravděpodobnosti poruchy roven: a) 1/2 b) 1/4 d) 0,2
7 19. Metoda Simulated annealing (simulované žíhání) je: a) Optimalizační metoda pro zavedení statistické závislosti v rámci simulačních metod b) Numetrická metoda vhodná ke stanovení potřebného počtu simulací u metody LHS c) Gradientní metoda pro určení korelačních koeficientů při citlivostní analýze 20. Jaká je pravděpodobnost poruchy sériového systému na obrázku? Pravděpodobnosti poruchy jednotlivých částí jsou pf1, pf2, pf3. a) 0,496 b) 0,006 c) 0,8304 Pf1=0,3 Pf2=0,2 Pf3=0,9 21. Cornellův index spolehlivosti je definován jako: a) -R c) = /Z 22. Neparametrická pořadová statistická korelace se používá pro: a) Citlivostní analýzu b) Odhad kvality dat c) Výpočet indexu spolehlivosti
8 A 1. Pravděpodobnost poruchy je vyjádřena jako (f je hustota pravděpodobnosti a g je funkce mezního stavu): b) p f f ( x) dx g( x) 0 2. Importace sampling je metoda pro: a) Zavedení statistické závislosti v rámci statistické simulace typu Monte Carlo b) Odhad teoretické pravděpodobnosti poruchy c) Stratifikovanou simulací oblasti poruchy 3. Rezerva spolehlivosti je vyjádřena jako (E je účinek zařízení,r je únosnost odolnosti). a) Z = E - R b) Z = R - E c) Z = R I E 4. Při použití metody Monte Carlo simulací k odhadu pravděpodobnosti u poruchy 1.0 E-6, variační koeficientcov odhadu je definován jako a) 0.1 b) 0.6 c) Cornellův index spolehlivosti je definován jako a) β = E R b) β = Z /σz c) β = σz /Z 6. Neparametrická pořadová statistická korelace se používá pro: a) Citlivostní analýzu b) Odhad kvality dat c) Výpočet indexu spolehlivosti 7. Metoda Simulated annealing (simulované žíhání) je metoda pro : a) Odhad pravděpodobnosti poruchy b) Stratifikovanou simulaci typu Monte Carlo c) Zavedení statistické závislosti v rámci simulačních metod za použití stochastické optimalizace
9 8. Index spolehlivosti beta pro mezní stavy únosnosti podle Eurocodu 1 má hodnotu: a) 3. b) 4.7 c) Pravděpodobnost poruchy je vyjádřena jako: a) P1 = Φ(-β) b) P1 = Φ(β) c) P1 = Φ(0)β 10. FORM je: a) Simulační metoda b) Aproximační metoda c) Hybridní metoda 11. Riziko je definováno jako: a) Index spolehlivosti x očekávaná škoda b) Index rizika x očekávaná škoda c) Pravděpodobnost poruchy x očekávaná škoda 12. Normální rozdělení pravděpodobnosti je rozdělení: a) Dvouparametrické b) Tříparametrické c) Hybridní 13. Index spolehlivosti je: a) Nejdelší vzdálenost mezi počátkem souřadnic a tzv. návrhovým bodem b) Nejkratší vzdálenost mezi počátkem souřadnic a tzv. návrhovým bodem c) Nejkratší vzdálenost mezi počátkem souřadnic a tzv. bodem poruchy 14. Statistická závislost mezi 2 náhodnými veličinami je popsána: a) Korelačním koeficientem z intervalu (0,1) b) Korelačním koeficientem z intervalu (0,-1) c) Korelačním koeficientem z intervalu (-1,1) 15. Pravděpodobnost poruchy paralelního systému se 2 prvky, s pravděpodobnostmi poruchy pf1 a pf2 se získá: a) Součtem těchto pravděpodobností b) Rozdílem těchto pravděpodobností c) Násobením těchto pravděpodobností
10 B 1. Pravděpodobnost poruchy je vyjádřena jako (f je hustota pravděpodobnosti a g je funkce mezního stavu): a) p f f ( g) dx g( x) 0 2. Latin Hypercube Sampling je metoda pro: a) Zavedení statistické závislosti v rámci statistické simulace typu Monte Carlo b) Stratifikovanou simulací typu Monte Carlo pro snížení počtu simulací c) Stratifikovanou simulací oblasti poruchy 3. Rezerva spolehlivosti je vyjádřena jako (E je účinek zařízení,r je únosnost odolnosti a) Z = (R-E)I R b) Z = R - E c) Z = R I E 4. Při použití metody Monte Carlo simulací k odhadu pravděpodobnostiu poruchy 1.0 E-6, variační koeficientcov odhadu je definován jako a) 0.1 b) 0.6 c) Hasofer Lindův index spolehlivosti je definován jako : a) Nejdelší vzdálenost počátku souřadnic a návrhového bodu b) Nejkratší vzdálenost počátku souřadnic a návrhového bodu c) Převrácená hodnota pravděpodobnosti poruchy 6. Kendallovo tau je měřítkem pro: a) Neparametrickou pořadovou korelaci b) Odhad kvality dat c) Výpočet indexu spolehlivosti 7. Metoda Simulated annealing (simulované žíhání) je metoda pro : a) Odhad pravděpodobnosti poruchy b) Stratifikovanou simulaci typu Monte Carlo c) Zavedení statistické závislosti v rámci simulačních metod za použití stochastické optimalizace
11 8. Index spolehlivosti beta pro mezní stavy únosnosti podle Eurocodu 1 má hodnotu: a) 3. b) 4.7 c) Spolehlivost je vyjádřena jako: a) 1- P1 b) Pf = Φ(-β) c) β 10. FORM je: a) Simulační metoda b) Aproximační metoda c) Hybridní metoda 11. Riziko je definováno jako: a) Index spolehlivosti x očekávaná škoda b) Index rizika x očekávaná škoda c) Pravděpodobnost poruchy x očekávaná škoda 12. Lognormální rozdělení pravděpodobností je rozdělení: a) Dvouparametrické b) Dvouparametrické nebo tříparametrické c) Hybridní 13. Indexu spolehlivosti 4.7 odpovídá pravděpodobností poruchy: a) b) c) Statistická závislost mezi 2 náhodnými veličinami je popsána: a) Korelačním maticí řádu 4x4 b) Korelačním koeficientem z intervalu (0,-1) c) Korelačním koeficientem z intervalu (-1,1) 15. Pravděpodobnost poruchy sériového systému se 2 prvky, s pravděpodobnostmi poruchy pf1 a pf2 se získá: d) Součtem těchto pravděpodobností e) Rozdílem těchto pravděpodobností f) Násobením těchto pravděpodobností
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 5 Aproximační techniky 2012 Spolehlivost
VíceTéma 4: Stratifikované a pokročilé simulační metody
0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceTéma 3 Metoda LHS, programový systém Atena-Sara-Freet
Spolehlivost a bezpečnost staveb, 4.ročník bakalářského studia Téma 3 Metoda LHS, programový systém Atena-Sara-Freet Parametrická rozdělení Metoda Latin Hypercube Sampling (LHS) aplikovaná v programu Freet
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
VíceTéma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
VíceSystém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška
Systém rizikové analýzy při sta4ckém návrhu podzemního díla Jan Pruška Definice spolehlivos. Spolehlivost = schopnost systému (konstrukce) zachovávat požadované vlastnos4 po celou dobu životnos4 = pravděpodobnost,
VíceCvičení 3. Posudek únosnosti ohýbaného prutu. Software FREET Simulace metodou Monte Carlo Simulace metodou LHS
Spolehlivost a bezpečnost staveb, 4. ročník bakalářského studia (všechny obory) Cvičení 3 Posudek únosnosti ohýbaného prutu Software FREET Simulace metodou Monte Carlo Simulace metodou LHS Katedra stavební
VíceCvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS
Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 9 Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET Software FREET Simulace metodou LHS
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 4: FReET úvod
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 4: FReET úvod Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 4 FReET - úvod 2012 Spolehlivost konstrukcí, Drahomír
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
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceTéma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká
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
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceTéma 10: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 10: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
VíceSimulace. Simulace dat. Parametry
Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
Více7. 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,
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.
VíceKatedra geotechniky a podzemního stavitelství
Katedra geotechniky a podzemního stavitelství Modelování v geotechnice Stochastické modelování (prezentace pro výuku předmětu Modelování v geotechnice) doc. RNDr. Eva Hrubešová, Ph.D. Inovace studijního
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
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. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2015
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 05 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceTéma 5: Přímý Optimalizovaný Pravděpodobnostní Výpočet POPV
Téma 5: Přímý Optimalizovaný Pravděpodobnostní Výpočet POPV Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Budeme předpokládat, že X a Y jsou kvalitativní náhodné veličiny, obor hodnot X obsahuje r hodnot (kategorií,
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
VíceVLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST KONSTRUKCE
IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie 25 23.až 24.4.2003 Dům techniky Ostrava ISBN 80-02-055-7 VLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
Více6.1 Normální (Gaussovo) rozdělení
6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů
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
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
VícePRAVDĚPODOBNOSTNÍ ANALÝZA SPOLEHLIVOSTI A ŽIVOTNOSTI ŽELEZOBETONOVÝCH MOSTŮ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STAVEBNÍ ÚSTAV STAVEBNÍ MECHANIKY FACULTY OF CIVIL ENGINEERING INSTITUTE OF STRUCTURAL MECHANICS PRAVDĚPODOBNOSTNÍ ANALÝZA SPOLEHLIVOSTI
VíceTéma 3: Metoda Monte Carlo
y Náhodná proměnná D Téma 3: Metoda Monte Carlo Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia 1,0 1,00 0,80 0,60 0,40 0,0 0,00 0,00 0,0 0,40 0,60 0,80 1,00
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 =
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
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
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
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
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
VíceČasové rezervy. Celková rezerva činnosti
Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
Vícespolehlivosti stavebních nosných konstrukcí
Principy posuzování spolehlivosti stavebních nosných konstrukcí Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Ing. Martin Krejsa, Ph.D. Katedra stavební mechaniky Fakulta stavební Vysoká
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
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
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
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VíceŘEŠENÉ ÚLOHY Z OBLASTI SPOLEHLIVOSTI STAVEBNÍCH KONSTRUKCÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ ŘEŠENÉ ÚLOHY Z OBLASTI SPOLEHLIVOSTI STAVEBNÍCH KONSTRUKCÍ Václav Sadílek Jiří Doležel Miroslav Vořechovský BRNO 21 (16. března 211) PODĚKOVÁNÍ Skripta vznikla
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu
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
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
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.
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceZáklady 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
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VícePosouzení únosnosti plošného základu část 2 Ověření spolehlivosti návrhu plně pravděpodobnostní metodou
40 STAVEBNÍ OBZOR 2/2012 Posouzení únosnosti plošného základu část 2 Ověření spolehlivosti návrhu plně pravděpodobnostní metodou doc. Ing. Miroslav VOŘECHOVSKÝ, Ph.D. doc. Ing. Lumír MIČA, Ph.D. Ing. Jiří
VíceÚvod 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
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
Více24.11.2009 Václav Jirchář, ZTGB
24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceAKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 207 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceZápočtová písemka z Matematiky III (BA04) skupina A
skupina A 0 pro x < 1, ae x pro x 1, ), Pravděpodobnost P (X ) a P (X =.). E (X) a E ( X 1). Hustotu transformované náhodné veličiny Y = (X + 1). F(x) = x 3 pro x (0, 9), Hustotu f(x). Pravděpodobnost
VíceNormální rozložení a odvozená rozložení
I Normální rozložení a odvozená rozložení I.I Normální rozložení Data, se kterými pracujeme, pocházejí z různých rozložení. Mohou být vychýlena (doleva popř. doprava, nebo v nich není na první pohled vidět
VíceNÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
Víceteorie elektronických obvodů Jiří Petržela citlivostní a toleranční analýza
Jiří Petržela citlivostní a toleranční analýza motivace pasivní prvky obvodů jsou prodávány v sortimentních řadách hodnotu konkrétního prvku neznáme, zjistíme měřením s jistotou známe pouze interval, ve
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
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
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceNové úpravy simulační metody Latin Hypercube Sampling
Nové úpravy simulační metody Latin Hypercube Sampling a možnosti využití Miroslav Vořechovský 1 Abstract A new technique is proposed to improve the performance of Latin hypercube sampling. To reduce error
VíceMOŽNOSTI A VYLEPŠENÍ SIMULAČNÍ METODY LHS LIMITATIONS OF AND IMPROVEMENTS TO LHS
MOŽNOSTI A VYLEPŠENÍ SIMULAČNÍ METODY LHS Abstract LIMITATIONS OF AND IMPROVEMENTS TO LHS Miroslav Vořechovský 1 A new technique is proposed to improve the performance of Latin hypercube sampling. To reduce
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
Více2. Směrná úroveň spolehlivosti 3. Návaznost na současné předpisy 2. Ověření spolehlivosti požadované úřady, vlastníkem, pojišťovnami
Hodnocení existujících konstrukcí Zásady hodnocení podle ISO a TS DG6P0M050 Optimalizace sledování a hodnocení. Hodnocení musí vycházet ze skutečného stavu konstrukce, nutno ověřit průzkumem stavu objektu,
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 8: Normové předpisy
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 8: Normové předpisy Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 8 Normové předpisy 2012 Spolehlivost konstrukcí,
VíceCvičení 2. Vyjádření náhodně proměnných veličin, Posudek spolehlivosti metodou SBRA, Posudek metodou LHS.
Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Cvičení 2 Vyjádření náhodně proměnných veličin, Posudek spolehlivosti metodou SBRA, Posudek metodou LHS. Zpracování naměřených dat Tvorba
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
Více