ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE

Rozměr: px
Začít zobrazení ze stránky:

Download "ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE"

Transkript

1 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE Praha 8 Pavel Třasák

2 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ KATEDRA SPECIÁLNÍ GEODÉZIE DIPLOMOVÁ PRÁCE GEOMETRICKÁ PŘESNOST VE VÝSTAVBĚ OVĚŘOVÁNÍ PODKLADŮ PRO STATISTICKOU PŘEJÍMKU Praha 8 Pavel Třasák

3 Prohlášeí Čestě prohlašuj, že jsem dplomovou prác vypracoval samostatě a použl je uvedeých prameů a lteratury. V Praze de 9. prosce 8 Podps

4 Poděkováí Děkuj vedoucímu mé dplomové práce Doc. Ig. Vladmíru Vorlov, CSc. za ceé rady, přpomíky a čas, který věoval mé prác. V Praze de 9. prosce 8

5 Abstrakt Dplomová práce se zabývá problematkou statstckých přejímek srováváím v oblast kotroly geometrcké přesost stavebích objektů. Sahou této práce je popsat vlv působeí leárí a harmocké korelačí závslost přejímaých dat a statstckou přejímku srováváím. Přejímaá data jsou reprezetováa modelovým soubory skutečých výškových odchylek krytu vozovky pozemí komukace. Základem této práce je volba a výpočet vhodé statstcké přejímky srováváím, tvorba a statstcká přejímka modelových souborů, zaváděí leárí a harmocké korelačí závslost do modelových souborů a statstcká přejímka korelovaých modelových souborů. Abstract Dploma thess deals wth problems of samplg spectos by attrbutes from doma of cotrol of geometrc accuracy buldg. The am of ths thess s descrpto of samplg specto by attrbutes wth learly ad harmoously correlatve data. Model sets of real devatos of measured alttudes o road surface represets the samplg data. The bases of the work are: choce ad calculato of sutable samplg specto by attrbutes, creato ad samplg specto of the model sets, jecto of lear ad harmoc correlato to the model sets ad samplg specto of correlatve model sets.

6 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavebí Thákurova 7, 66 9 Praha 6 ZADÁNÍ DIPLOMOVÉ PRÁCE studjí program: Geodéze a kartografe studjí obor: Geodéze a kartografe akademcký rok: 8/9 Jméo a příjmeí dplomata: Zadávající katedra: Vedoucí dplomové práce: Název dplomové práce: Název dplomové práce v aglckém jazyce Pavel Třasák K54 - Katedra specálí geodéze Doc. Ig. Vladmír Vorel, CSc. Geometrcká přesost ve výstavbě. Ověřováí předpokladů pro statstckou přejímku. Geometrc accuracy buldg. Testg of codtos for samplg specto. Rámcový obsah dplomové práce: Ověřeí použtelost ČSN př statstcké přejímce srováváím. Datum zadáí dplomové práce:..8 Termí odevzdáí: 9..8 Neodevzdá-l studet dplomovou prác včas, je pove tuto skutečost předem písemě zdůvodt, pokud bude omluva (předaá prostředctvím stud. odd.) děkaem uzáa, určí děka studetov áhradí termí koáí státí závěrečé zkoušky (zůstávají termíy SZZ). Pokud tuto skutečost řádě eomluví, ebo omluva ebude děkaem uzáa, určí děka studetov termí pro opakováí státí závěrečé zkoušky, SZZ je možé opakovat pouze jedou. (SZŘ čl, odst. 3, 4.) Dplomat bere a vědomí, že je pove vypracovat dplomovou prác samostatě, bez czí pomoc, s výjmkou poskytutých kozultací. Sezam použté lteratury, jých prameů a jme kozultatů je třeba uvést v dplomové prác vedoucí dplomové práce vedoucí katedry Zadáí dplomové práce převzal de: dplomat Formulář uto vyhotovt ve 3 výtscích katedra, studet, studjí odd. (zašle katedra) Nejpozděj do koce. týde výuky v semestru odešle katedra kop zadáí DP a studjí odděleí a provede záps údajů do formačího systému fakulty KOS. (Směrce děkaa pro realzac stud. programů a SZZ a FSv ČVUT čl. 5, odst. 7)

7 Obsah Úvod... 8 Statstcká přejímka.... Základí pops statstcké přejímky.... Výběr statstcké přejímky srováváím....3 Přejímací plá Typ přejímacího pláu Výpočet přejímacího pláu Volba přejímacích pláů Prováděí statstcké přejímky srováváím Tvorba a přejímka modelových dat Pops modelového souboru, specfkace jedotky Tvorba modelového souboru Vstupí parametry pro tvorbu modelovaého souboru Postup tvorby modelového souboru Pops vytvořeých modelových souborů Statstcká přejímka modelových souborů Problém árůstu počtu vadých výrobků př přejímce celých příčých řezů Vlv velkost souboru a statstckou přejímku srováváím Vlv hlady výzamost a statstckou přejímku srováváím Nevhodost volby hlady výzamost α % Korelačí aalýza Základí pops korelace Koefcet korelace Koefcet leárí korelace Koefcet harmocké korelace Harmocká regresí aalýza Testováí koefcetu korelace Zavedeí korelačí závslost do modelových souborů Vzk leárí korelačí závslost Vzk harmocké korelačí závslost Tvorba souborů korelovaých dat

8 5.3. Pops leárě korelovaých modelových souborů Pops harmocky korelovaých modelových souborů Statstcká přejímka korelovaých modelových souborů Statstcká přejímka leárě korelovaých dat Vlv velkost počátečí systematcké odchylky a statstckou přejímku Statstcká přejímka harmocky korelovaých dat Vlv délky harmocké vly a statstckou přejímku Vlv fázového posuu harmocké vly a statstckou přejímku Vyhodoceí výsledků statstcké přejímky korelovaých dat Zpracováí vzorového modelového souboru Tvorba vzorového modelového souboru Statstcká přejímka vzorového modelového souboru Zaváděí korelačí závslost dat do modelového souboru Zaváděí leárí korelačí závslost dat do vzorového modelového souboru Zaváděí harmocké korelačí závslost dat do vzorového modelového souboru Statstcká přejímka vzorového korelovaého souboru Dávkové zpracováí Dávkové zpracováí statstcké přejímky modelového souboru Dávkové zavedeí korelačí závslost a zpracováí statstcké přejímky korelovaých modelových souborů Pops vytvořeých dat Blace Ozačeí výpočetích výstupů Výpočetí protokoly Grafcké výstupy Struktura dat uložeých a přložeém CD dsku Závěr...7 Sezam použté lteratury Sezam příloh

9 Úvod Dplomová práce svým tématem spadá do žeýrské geodéze a to do oblast kotroly geometrcké přesost stavebích objektů. Sahou této práce je popsat vlv působeí korelačí závslost přejímaých dat a statstckou přejímku srováváím. Práce se ejprve zaobírá obecou problematkou statstckých přejímek a užtí statstcké přejímky př kotrole jakost stavebích objektů. Statstcké přejímky jsou zde obecě zastoupey bezopravou statstckou přejímkou jedím výběrem jedotlvého souboru. Výsledky určeé př řešeí statstckých přejímek jsou porováváy s hodotam uvedeým v ormách ČSN 54 [] a ČSN 73-6 []. Př statstcké přejímce je užto devít růzě účých přejímacích pláů. Další část dplomové práce je věováa tvorbě a statstcké přejímce modelových dat. Modelová data jsou uměle vytvářea tak, aby co ejlépe odpovídala skutečým měřeým hodotám geometrckého parametru stavebího objektu. Kotrolovaým geometrckým parametrem stavebího objektu je zvolea skutečá výšková odchylka krytu vozovky pozemí komukace. Přejímaé soubory jsou tedy reprezetováy modelovým soubory skutečých výškových odchylek krytu vozovky pozemí komukace. U modelových souborů je studová vlv velkost souboru a vlv hlady výzamost souboru a statstckou přejímku. Na základě výsledků provedeých statstckých přejímek modelových souborů je vybrá jede modelový soubor, do kterého je uměle zaváděa růzě slá leárí a harmocká korelačí závslost. Vzklé korelovaé modelové soubory jsou podrobováy růzě účým statstckým přejímkám. U leárě korelovaých souborů je studová vlv velkost počátečí leárí systematcké odchylky a statstckou přejímku. U harmocky korelovaých souborů je zkoumá vlv délky a fázového posuutí harmocké vly (vly defující harmockou korelačí závslost dat v souboru) a statstckou přejímku. Cílem veškerého testováí je pops reakce růzě účých statstckých přejímek a měící se míru leárí č harmocké korelačí závslost přejímaých dat. 8

10 Tabulky, obrázky a rovce zde uváděé jsou číslováy v rámc jedotlvých kaptol. Tety výpočetích protokolů a popsy grafckých výstupů vytvářeých v prostředí Matlab ejsou opatřey dakrtckým zaméky. 9

11 Statstcká přejímka Veškerá symbolka a ázvosloví spojeé s problematkou statstckých přejímek jsou v této dplomové prác uváděy v souladu s ormou ČSN 54 [] a s kometářem k této ormě [3]. Prví část této kaptoly (až po odst..3.) je věováa obecé problematce statstckých přejímek, která eí vázáa pouze a oblast kotroly geometrcké přesost stavebích objektů.. Základí pops statstcké přejímky Statstcká přejímka je kotrolí metoda užívaá př kotrole jakost výroby. Prcp metody vychází z teore pravděpodobost a jeho podstatou je kotrola jakost výrobího celku a základě posouzeí výsledků kotroly jedoho č více áhodých výběrů z toho výrobího celku. Kotrolovaý výrobí celek je ozačová jako přejímaý soubor a je tvoře pouze výrobky téhož druhu a velkost, které byly vyrobey v rámc jedé výrobí dávky za stejých výrobích podmíek. Výsledkem statstcké přejímky je přjetí č zamítutí přejímaého souboru, tj. potvrzeí č vyvráceí jakost daé výroby. Přjetí přejímaého souboru vychází z kvaltatvího vyhověí kotrolovaého výběru staoveému přejímacímu krtéru. Přejímací krtérum je ejčastěj defováo jako ejvyšší přípustý počet vadých výrobků obsažeých ve výběru o určtém rozsahu. Přejímací krtérum spolu s rozsahem výběru tvoří tzv. přejímací plá. Z hledska způsobu kotroly jakost přejímaého souboru je možo statstckou přejímku rozdělt a statstckou přejímku srováváím a statstckou přejímku měřeím. Statstcká přejímka srováváím zahruje výběr jedotlvých výrobků z přejímaého souboru a posouzeí zda tyto výrobky odpovídají staoveým jakostím požadavkům (tříděí vybraých výrobků a dobré a vadé). Př statstcké přejímce měřeím jsou využíváy výsledky přímého měřeí určté sledovaé vlastost u vybraých výrobků a a základě těchto měřeých výsledků jsou určováy příslušé kvaltatví ukazatele přejímaého souboru. Tato dplomová práce se dále podroběj věuje pouze statstcké přejímce srováváím.

12 . Výběr statstcké přejímky srováváím Statstckou přejímku srováváím je dále možo člet [] z hledska typu poskytovaé záruky a statstckou přejímku jedotlvého souboru č a statstckou přejímku více souborů tvořících sér, z hledska postupu př zamítutí přejímaého souboru a statstckou přejímku opravou č statstckou přejímku bezopravou a dále dle počtu prováděých áhodých výběrů a statstckou přejímku jedím, dvojím č ěkolkerým výběrem. Z důvodu co ejjedodušší možé prezetace uváděých výsledků a usaděí prováděých výpočtů byla pro výzkum vlvu korelace přejímaých dat a statstckou přejímku zvolea bezopravá statstcká přejímka srováváím jedotlvého souboru jedím výběrem. Př této statstcké přejímce je pouze z jedého přejímaého souboru vybírá jedý áhodý výběr, u ěhož je prováděo tříděí vybraých výrobků a dobré a vadé. Je-l teto přejímaý soubor a základě výsledků kotrolovaého výběru zamítut, jž dále se etřídí a eprovádí se u ěho výměa vadých výrobků..3 Přejímací plá.3. Typ přejímacího pláu Jak jž bylo uvedeo v odst.., je přejímací plá tvoře přejímacím krtérem a rozsahem výběru. Každý přejímací plá lze staovt a základě předem požadovaé účost statstcké přejímky a to vždy pro příslušý druh statstcké přejímky. V tomto případě je vole bezopravý přejímací plá jedím výběrem ověřující jakost jedotlvého souboru. Zvoleý přejímací plá zajšťuje, že kotrolou ebude pozastave jedotlvý soubor obsahující P % vadých výrobků a současě že ebude převzat jedotlvý soubor obsahující P % vadých výrobků. Př prováděé statstcké přejímce jsou přpouštěa možá rzka evhodého přjetí č zamítutí přejímaého souboru. Je to rzko dodavatele α, které představuje pravděpodobost pozastaveí jedotlvého souboru obsahujícího P % vadých výrobků a rzko odběratele β, které určuje pravděpodobost převzetí jedotlvého souboru obsahujícího P % vadých výrobků. Rzko dodavatele odběratele je obvykle shodě astavováo a

13 hodotu α β 5%. Hodoty P a P představují tzv. přípusté a epřípusté proceto vadých výrobků v přejímaém souboru. Bezopravý přejímací plá jedím výběrem ověřující jakost jedotlvého souboru je v ormě ČSN 54 [] ozačová jako bezopravý přejímací plá ( ) P, P a je tvoře rozsahem výběru a ejvyšším přípustým počtem vadých výrobků obsažeých ve výběru c. Obr.. Operatví charakterstka ( α β 5% ).3. Výpočet přejímacího pláu Pro možost vyjádřeí účost přejímacího pláu je využíváo křvky, která popsuje pravděpodobost přjetí přejímaého souboru v závslost a měícím se možství vadých výrobků v přejímaém souboru. Tato křvka je ozačováa jako operatví charakterstka. Na základě počtu pravděpodobost vadých výrobků v souboru lze pro každý přejímací plá staovt aalytcký tvar operatví charakterstky. Každému přejímacímu pláu přísluší právě jeda operatví charakterstka. Př výpočtu operatví charakterstky pro bezopravý přejímací plá jedím výběrem ověřující jakost jedotlvého souboru je vycházeo ze vztahu pro podmíěou pravděpodobost P ( p, ) ;, že ve výběru rozsahu bude alezeo právě vadých výrobků, jestlže v souboru o rozsahu N je podíl vadých výrobků p

14 N p q ( ) P p;,. (.) N Velča q ve výše uvedeém vztahu představuje tzv. podíl dobrých výrobků v souboru, který je doplňkem k podílu vadých výrobků v souboru p a je rove Podíl vadých výrobků v souboru p se určí dle vztahu q p. (.) V p, (.3) N kde V je počet vadých výrobků v souboru a N je velkost souboru. Součtem pravděpodobostí P ( p, ) je možé určt hodotu pravděpodobost P ( p;, c) ; pro jedotlvé počty vadých výrobků, že ve výběru rozsahu alezeme c ebo méě vadých výrobků, jestlže v souboru o rozsahu N je podíl vadých výrobků p P N p q c ;. (.4) N ( p, c) Je-l splěa podmíka N <., (.5) je možé hypergeometrcké rozděleí pravděpodobost, ze kterého pocházejí pravděpodobost P a P, apromovat bomckým rozděleím pravděpodobost. V tomto případě tedy platí P P ;, (.6) ( p ) p q, c ; p q. (.7) ( p, c) 3

15 Kombačí číslo uvedeé v předchozích vztazích je rovo ( )( ) K ( ) +!. (.8) Operatví charakterstka pro bezopravý přejímací plá jedím výběrem ověřující jakost jedotlvého souboru je tedy L ( p, c) P ( p;, c) P ( p;, ) c ;. (.9) Př výpočtu bezopravého přejímacího pláu ( ) P, P je předem avržeo přípusté a epřípusté proceto vadých výrobků v souboru P a P a rzko odběratele a dodavatele α a β (ve všech případech přejímacích pláů řešeých v této dplomové prác jsou rzka odběratele a dodavatele astavea a hodotu α β 5% ). Na základě těchto vstupích velč je vypočte odpovídající rozsah výběru a ejvyšší přípustý počet vadých výrobků obsažeých ve výběru c. Př výpočtu přejímacích pláů ebylo využto přpraveých tabulek (vz apř. ČSN 54, tab. I), ve kterých jsou hodoty přejímacích pláů tabelováy, ale bylo využto vlastího výpočetího postupu. V prvím kroku byla vypočtea operatví charakterstka odpovídající zadaému přípustému procetu vadých výrobků v souboru P a to pro všechy možé kombace N, a c N, L L L ( P ; N, ) L( P ; N, ) L L( P ; N, N ) L( P ; N, N) ( P ; N, ) L( P ; N, ) L L( P ; N, N ) M M M ( ) ( ) P ;, L P ;,. (.) Stejý výpočet byl provede pro operatví charakterstku odpovídající zadaému epřípustému procetu vadých výrobků v souboru P L L L ( P ; N, ) L( P ; N, ) L L( P ; N, N ) L( P ; N, N) ( P ; N, ) L( P ; N, ) L L( P ; N, N ) M M M ( ) ( ) P ;, L P ;,. (.) 4

16 Výsledý přejímací plá (výsledý rozsah výběru a přejímací krtérum c) byl získá výběrem operatvích charakterstk, které splňují výběrové krtérum m [ ( P;, c) α ] + [ L( P ; c) β ] L. (.), Z důvodu utého zaokrouhleí vypočteého rozsahu výběru a ejvyššího přípustého počtu vadých výrobků obsažeých ve výběru c a celá čísla eí možé určt přejímací plá, který přesě odpovídá astaveým hodotám rzka dodavatele a odběratele α β 5%. Pro každý vypočteý přejímací plá je tedy uté zovu určt ové hodoty rzka dodavatele a odběratele α β & 5%. Nové hodoty daých rzk je možo určt pomocí vypočteé operatví charakterstky pro výsledý rozsah výběru a přejímací krtérum c.3.3 Volba přejímacích pláů [ L( P ;, )] α c, (.3) ( P ;, ) β L c. (.4) Veškeré přejímací pláy užívaé pro výzkum vlvu korelace přejímaých dat a statstckou přejímku srováváím jsou voley tak, aby co ejlépe odpovídaly statstckým přejímkám běžě prováděým př kotrole geometrcké přesost ve výstavbě. Tab.. Zvoleé bezopravé přejímací pláy ( P, P ) P P α β c Jak je patro z výše uvedeé tabulky., bylo pro prováděí statstcké přejímky srováváím zvoleo celkem 9 bezopravých přejímacích pláů ( P, P ). Rzka odběratele a dodavatele byla u přejímacích pláů astavea a běžé 5

17 hodoty α β 5%. Hodoty přípustého a epřípustého proceta vadých výrobků v souboru P a P u přejímacích pláů až 6 byly převzaty z ormy ČSN 73-6 []. Z důvodu zamýšleého výzkumu vlvu korelace přejímaých dat a méě účou statstckou přejímku byla původí šestce přejímacích pláů rozšířea o 3 méě účé bezopravé přejímací pláy č. 7, 8 a 9. Proceto prjatyvh souboru Operatv chrakterstka Proceto vadych vyrobku v souboru Obr.. Průběh operatví charakterstky pro zvoleé přejímací pláy Př porováí vypočteých přejímacích pláů s přejímacím pláy uvedeým v ormě ČSN 73-6 [] (tabulka ) byly mez příslušým hodotam a c zjštěy určté rozdíly (vz tab..). Tyto rozdíly jsou pravděpodobě zapříčěy odlšým postupem výpočtu přejímacích pláů (apř. možým zaokrouhleím dílčích výsledků př výpočtu č volbou jého krtéra př výběru operatvích charakterstk). Pro kotrolu správost vlastích výpočtů bylo provedeo porováí ově určeých rzk odběratele a dodavatele (vz rovce.3,.4) u vlastích přejímacích pláů a přejímacích pláů daých ormou. Tab.. Porováí zvoleých přejímacích pláů Vlastí vypočteé přejímací pláy Přejímací pláy daé ormou [] c α β α β c

18 .4 Prováděí statstcké přejímky srováváím Bezopravé statstcké přejímky srováváím jedím výběrem ověřující jakost jedotlvého souboru jsou v této dplomové prác prováděy dle ásledujícího postupu: a/ Specfkace přejímaého souboru Základím specfkem přejímaého souboru je velkost souboru N a předem staoveá jedotka (výrobek). Blžší pops přejímaých modelových souborů (včetě specfkace jedotky) je uvede v kaptole 3. b/ Specfkace vadého výrobku Za vadý je považová takový výrobek, jehož určtá kvaltatví vlastost edosahuje staoveého jakostího krtéra. V případě prováděých statstckých přejímek je za vadý výrobek považováa skutečá odchylka geometrckého parametru, jejíž velkost je vetší ež staoveá mezí odchylka geometrckého parametru. c/ Specfkace požadavků jakost přejímaého souboru Požadavky a jakost přejímaého souboru jsou u bezopravých přejímek jedím výběrem ověřující jakost jedotlvého souboru staovey přípustým a epřípustým procetem vadých výrobků v souboru P, P a hodotam rzk dodavatele a odběratele α β 5%. d/ Výpočet přejímacího pláu Výpočet přejímacího pláu zahruje určeí rozsahu výběru a ejvyššího přípustého počtu vadých výrobků obsažeých ve výběru c a ový výpočet příslušých rzk dodavatele a odběratele α β & 5%. e/ Výběr jedotlvých výrobků z přejímaého souboru Veškeré výběry vzorků z přejímaých souborů byly provedey pomocí geerátoru pseudoáhodých čísel. Kokrétě bylo použto multplkatvího kogruetího geerátoru [4] používaého v prostředí Matlab, ve kterém byly prováděy veškeré výpočty. 7

19 f/ Kotrola vybraých výrobků Jedotlvé vybraé výrobky (skutečé odchylky geometrckého parametru) jsou porováváy s příslušým jakostím krtérem (s mezí odchylkou geometrckého parametru). g/ Rozhodutí o přjetí č zamítutí přejímaého souboru Celkový počet vadých výrobků ve výběru (počet vybraých skutečých odchylek geometrckého parametru přesahujících mezí odchylku geometrckého parametru) je porová s ejvyšším přípustým počtem vadých výrobků obsažeých ve výběru c. Překročí-l celkový počet vadých výrobků ve výběru ejvyšší přípustý počet vadých výrobků c, je přejímaý soubor zamítut. V opačém případě je přejímaý soubor přjat. Př výpočtech prováděých v této dplomové prác jsou jedotlvé přejímaé soubory přejímáy celkově krát. Z deset rozhodutí o přjetí č zamítutí souboru je určeo celkové proceto přjetí daého souboru. 8

20 3 Tvorba a přejímka modelových dat 3. Pops modelového souboru, specfkace jedotky Modelové soubory, a kterých je zkoumá vlv korelovaých dat a statstckou přejímku srováváím, jsou vytvořey tak, aby co ejvěrěj popsovaly soubory přejímaé př kotrole geometrcké přesost ve výstavbě. Kokrétě je vole případ přejímky souboru skutečých výškových odchylek krytu vozovek pozemích komukací [5]. Skutečé výškové odchylky představují rozdíl mez hodotam admořských výšek krytu vozovky určeým kotrolím měřeím a daým projektem. Skutečé výškové odchylky jsou v souboru čleěy do jedotlvých příčých řezů pozemí komukace. Idetfkátorem každého příčého řezu je jeho stačeí. Pro defc jedotky (výrobku) byly zvoley dva postupy: a/ Jedotka je tvořea skupou skutečých výškových odchylek obsažeých v jedom příčém řezu pozemí komukace. Za vadou je jedotka považováa v případě, kdy velkost jedé č více skutečých výškových odchylek v příčém řezu přesáhe příslušou mezí odchylku ve výšce. b/ Jedotka je tvořea jedou skutečou výškovou odchylkou z přejímaého souboru. Za vadou je jedotka považováa tehdy, je-l velkost daé skutečé výškové odchylky větší ež velkost mezí odchylky ve výšce. V oblast kotroly geometrcké přesost ve výstavbě jsou skutečé odchylky geometrckého parametru (v tomto případě skutečé výškové odchylky) začey symbolem δ. 3. Tvorba modelového souboru Na modelový soubor jsou kladey požadavky [6], jejchž dodržeí je ezbyté pro řádý průběh statstcké přejímky srováváím. Je uté, aby přejímaý modelový soubor pocházel z ormálího rozděleí, eobsahoval odlehlé hodoty, ebyl ovlvě systematckou odchylkou a aby byla zajštěa jeho homogeta. 9

21 3.. Vstupí parametry pro tvorbu modelovaého souboru Veškeré dále uváděé parametry jsou vstupím parametry, které jedozačě defují a popsují modelový soubor. Pops modelového souboru představuje přesý pops polohy jedotlvých skutečých odchylek a defc jejch velkost. Vstupím parametry pro tvorbu modelového souboru jsou: a/ Stačeí prvího příčého řezu Z důvodu zjedodušeí popsu přejímaého souboru je počátečí stačeí astavováo a m. b/ Vzdáleost příčých řezů U všech přejímaých souborů je vzdáleost příčých řezů astavováa a obvyklou hodotu m. c/ Počet příčých řezů S počtem příčých řezů je přímo spojea celková velkost souboru N. Z důvodu možého výzkumu vlvu velkost přejímaého souboru N a statstckou přejímku srováváím byl počet příčých řezů u modelových souborů postupě astavová a hodoty 5,,, 4 a. d/ Počet skutečých výškových odchylek v příčém řezu Počet kotrolě měřeých míst v příčém řezu závsí a typu pozemí komukace (šířce a počtu jízdích pruhů). Ve všech modelových souborech vytvořeých v této dplomové prác je počet skutečých výškových odchylek rove 5. Rozmístěí skutečých odchylek v rámc jedoho příčého řezu eí určováo, eboť vlv korelovaých dat a statstckou přejímku je zkoumá pouze v podélém směru (předpoklad korelačí závslost pouze mez celým příčým řezy). e/ Mezí odchylka ve výšce Od velkost mezí odchylky se přímo odvíjí velkost skutečých odchylek v modelovém souboru. Hodota mezí odchylky ve výšce je astavea dle TKP staveb pozemích komukací [7] (kaptola Dodržeí výšek) a hodotu ± mm.

22 f/ Hlada výzamost Hladou výzamost se rozumí pravděpodobost, že se v modelovém souboru vyskyte skutečá výšková odchylka, jejíž velkost přesáhe hodotu daé mezí odchylky ve výšce. Hlada výzamostí je důležtým ukazatelem přesost výroby modelového souboru. V oblast kotroly geometrcké přesost stavebích objektů je hlada výzamost staovea dle ormy ČSN 73 5 [8] α %. Z důvodu možého zkoumáí vlvu velkost hlady výzamost a statstckou přejímku srováváím byla tato hlada u modelových souborů astavováa [ %, 5%, 5%, % ] α. Př užtí ormovaého ormálího rozděleí pravděpodobost N (,) je možé hladu výzamost α popsat jako plochu pod Gaussovou křvkou vymezeou mmo terval u, + u. p p 3.. Postup tvorby modelového souboru Obr. 3. Hlada výzamost Př tvorbě modelového souboru je ejprve uté staovt směrodatou odchylku souboru, která popsuje určtou míru rozptýleí jedotlvých skutečých odchylek v souboru kolem jejch středí hodoty. Směrodatou odchylku modelového souboru σ je možé určt a základě zadávaých hodot mezí odchylky ve výšce δ a hlady výzamost α σ. (3.) u P

23 Hodota u p ozačuje tzv. ormovaou áhodou velču ormálího rozděleí odpovídající hladě výzamost α. Tuto velču je možé určt z dstrbučí fukce ormovaého ormálího rozděleí áhodé velčy u [9] p + u p u Φ ( u;,) e du π u p ( p;,), (3.) u p Φ, (3.3) p ( α ). (3.4) Velča p v tomto případě představuje pravděpodobost, že se v modelovém souboru vyskyte skutečá výšková odchylka, jejíž velkost epřesáhe mezí odchylku ve výšce. V tabulce 3. jsou uvedey výsledé hodoty ormovaých áhodých velč ormálího rozděleí u p a směrodaté odchylky σ, které odpovídají souborům s mezí odchylkou ve výšce [.,.,.5,.] α. δ mm a hladou výzamost Tab. 3. Směrodaté odchylky modelových souborů δ α σ u p Další charakterstkou, jejíž zalost je utá pro tvorbu modelového souboru, je středí hodota souboru. Středí hodota popsuje určtou průměrou hodotu skutečých výškových odchylek v modelovém souboru. V tomto případě je středí hodota souboru výškových odchylek δ δ vyjádřea artmetckým průměrem všech skutečých N δ. (3.5) N

24 Výběrový modelový soubor skutečých odchylek odpovídá základímu souboru, jehož středí hodota je rova. Celková velkost modelového souboru N je určea ze zámého počtu příčých řezů v souboru a počtu skutečých odchylek v jedom řezu. K tvorbě modelového souboru bylo využto geerátoru pseudoáhodých čísel (multplkatvího kogruetího geerátoru [4] používaého v prostředí Matlab). Pomocí tohoto geerátoru byla vytvořea moža N reálých čísel z ormovaého ormálího rozděleí N (,). Přeásobeím jedotlvých hodot z této možy příslušou směrodatou odchylkou σ je získá soubor z ormálího rozděleí N (, σ ). Takto vzklý modelový soubor skutečých výškových odchylek odpovídá základímu souboru z ormálího rozděleí, jehož středí hodota je rova a ve kterém je přesě α % skutečých výškových odchylek větších ež mezí odchylka ve výšce. Posledím krokem př tvorbě modelového souboru je roztříděí jedotlvých skutečých výškových odchylek do příčých řezů a přřazeí jedotlvým příčým řezům jejch stačeí Pops vytvořeých modelových souborů Pro možost posouzeí vlvu velkost souboru N a statstckou přejímku srováváím bylo vytvořeo celkem 5 modelových souborů o velkostech 5, 5,, a 5 skutečých výškových odchylek. Hlada výzamost je u těchto souborů volea %. Přejímaé soubory jsou ozačey popsým čísly až 5. Pro možost posouzeí vlvu velkost hlady výzamost α a statstckou přejímku modelového souboru byly vytvořey celkem 4 modelové soubory. U těchto souborů byla hlada výzamost astavea a hladu %, 5 %, % a %. Velkost souborů byla volea N 5. Přejímaé soubory jsou ozačey popsým čísly 6 až 9. Základí formace o vytvořeých modelových souborech jsou uvedey v tabulce 3.. 3

25 Tab. 3. Základí charakterstky modelových souborů l δ α σ δ ma + δ ma δ N [m] Uváděá délka l popsuje vzdáleost mez prvím a posledím příčým řezem v modelovém souboru. Velčy ma + a ma δ představují hodoty mamálí kladé a mamálí záporé skutečé výškové odchylky v modelovém souboru. U každého modelového souboru byla provedea kotrola ověřující kvaltu správost jeho výroby. Tato jedoduchá kotrola spočívá ve vytvořeí hstogramu absolutích četostí modelového souboru a ve vzuálím porováí tohoto hstogramu s teoretckým průběhem ormálího rozděleí modelového souboru. Na íže uvedeém obrázku 3. je zobrazea ukázka kotroly modelového souboru. Normalta modeloveho souboru skutecych odchylek (vyberova smerodata odchylka: 5.mm, hlada vyzamost:.5) Absolut cetost [] Obr. 3. Ověřeí ormalty modelového souboru číslo 7 4

26 Červeě ozačeé oblast a obr. 3. ozačují hladu výzamost, tj. oblast, ve které se alézají skutečé výškové odchylky přesahující mezí odchylku ve výšce (v tomto případě ± mm ). Zeleá oblast ozačuje pravděpodobost p α. Podrobé formace o modelových souborech jsou spolu s grafckým výstupy uvedey v Příloze č.. Z důvodu velkého možství výstupích dat jsou veškeré výpočetí protokoly, data souborů skutečých výškových odchylek a podrobé grafcké výstupy uváděy pouze a přložeém CD dsku. 3.3 Statstcká přejímka modelových souborů 3.3. Problém árůstu počtu vadých výrobků př přejímce celých příčých řezů Jak bylo jž uvedeo v odst. 3., bylo pro defc jedotky (výrobku) v přejímaém souboru užto dvou postupů. V případě volby jedotky, kterou tvoří celý příčý řez vozovky smulovaé pozemí komukace, se vyskytl problém. Teto problém vedl k zamítutí tohoto způsobu volby jedotky pro přejímku modelových souborů. Základ celého problému vyplývá ze samoté defce modelového souboru. Modelový soubor o určtém celkovém počtu skutečých výškových odchylek N je vytváře tak, aby odpovídal základímu souboru, ve kterém přesě α % skutečých výškových odchylek přesáhe mezí odchylku ve výšce. Je-l za jedotku vybrá příčý řez o m počtu skutečých výškových odchylek, klese celkový počet jedotek v souboru m krát. Je-l ovšem za vadý považová každý příčý řez, ve kterém přesáhe jedá výšková odchylka mezí odchylku ve výšce, zůstává počet vadých jedotek v souboru stejý. Z této úvahy vyplývá, že př užtí jedotky jako příčého řezu o m počtu skutečých výškových odchylek stoupe počet vadých výrobků v základím souboru m krát. Takto vzklý soubor je zcela v rozporu s použtím staoveých přejímacích pláů. V tabulce 3.3 jsou uvedey údaje o počtu vadých výrobků ve vytvořeých modelových souborech. 5

27 Jedotka Tab. 3.3 Nárůst vadých výrobků v modelových souborech Skutečá výšková odchylka N v Příčý řez 5 skutečých výškových odchylek α α N V Nárůst Velča v představuje v tabulce 3.3 počet vadých výrobků ve vytvořeých modelových souborech. Velča α popsuje procetuálí výskyt vadých výrobků v modelových souborech. Tato hodota se u modelových souborů, kde jedotkou je jeda skutečá výšková odchylka, blíží zadávaé teoretcké hladě výzamost α. Pro veškeré dále prováděé statstcké přejímky srováváím je voleou jedotkou (výrobkem) skutečá výšková odchylka odpovídající jedomu kotrolě měřeému místu a vozovce pozemí komukace Vlv velkost souboru a statstckou přejímku srováváím Vlv velkost přejímaého souboru a statstckou přejímku je zkoumá a pětc modelových souborů ozačovaých popsým čísly až 5 (vz odst. 3..3). Na každý z těchto modelových souborů je užto devít statstckých přejímek srováváím s rozdílou mírou účost (s rozdílým přejímacím pláem, vz odst..3.3). Každá statstcká přejímka je pro jedotlvé modelové soubory opakováa krát a z celkového počtu přjetí každého přejímaého souboru je určeo výsledé proceto přjetí souboru. Výsledkem celého prováděého testováí je vytvořeí pět sloupcových grafů, které popsují přjetí jedotlvých modelových souborů (soubory číslo až 5) a dále vytvořeí celkové blačí tabulky 3.4, ve které jsou uvedea výsledá proceta přjetí přejímaých souborů pro jedotlvé přejímací pláy. Pro ukázku je a íže uvedeém obrázku 3.3 zobraze sloupcový graf procetuálího přjetí modelového souboru číslo. 6

28 Procetual vyjadrej prjet prejmacch plau ekorelovaa data 8 Prjet plau Prejmac pla (pocet opakova prejmky: ) Obr. 3.3 Procetuálí přjetí modelového souboru číslo Tab. 3.4 Procetuálí přjetí modelových souborů číslo až 5 Přjetí souboru N Podrobé výsledé formace o přejímkách modelových souborů číslo až 5 (zobrazeí sloupcových grafů procetuálího přjetí modelových souborů) jsou uvedey v Příloze č.. Podrobé formace o jedotlvých prováděých přejímkách (přejímací a blačí protokoly) jsou z důvodu velkého možství dat uváděy pouze a přložeém CD dsku. Z tabulky 3.4 vyplývá, že přjetí jedotlvých modelových souborů (s rozdílým velkostm) je pro všechy přejímací pláy téměř totožé. Drobé rozdíly v přjetí modelových souborů jsou způsobey malým počtem opakováí statstckých přejímek. Z těchto výsledků tedy vyplývá, že velkost přejímaého souboru emá a statstckou přejímku srováváím (přesěj a bezopravou statstckou přejímku jedím výběrem jedotlvého souboru) podstatý vlv. Př vyhodocováí je ovšem uté brát zřetel a poměr velkost souboru N a rozsahu áhodého výběru. Neí-l velkost souboru N větší ež čtyřásobek rozsahu 7

29 výběru, eí možé přesě zaručt určeou velkost rzk dodavatele a odběratele α β & 5% []. Velkost rzka dodavatele a odběratele v tomto případě klesá Vlv hlady výzamost a statstckou přejímku srováváím Vlv hlady výzamost a statstckou přejímku srováváím je zkoumá a čtveřc modelových souborů ozačovaých popsým čísly 6 až 9 (vz odst. 3..3). Na každý z těchto modelových souborů je užto 9 statstckých přejímek srováváím s rozdílou mírou účost (s rozdílým přejímacím pláem, vz odst..3.3). Každá statstcká přejímka je pro modelový soubor opakováa krát a z celkového počtu přjetí přejímaého souboru je určeo výsledé proceto přjetí souboru. Výsledkem celého prováděého testováí je vytvořeí čtyř sloupcových grafů, které popsují přjetí jedotlvých modelových souborů (číslo 6 až 9) a dále vytvořeí celkové blačí tabulky 3.5, ve které jsou uvedea výsledá proceta přjetí přejímaých souborů pro jedotlvé přejímací pláy. Tab. 3.5 Procetuálí přjetí modelových souborů číslo 6 až 9 Přjetí souboru α Podrobé výsledé formace o přejímkách modelových souborů číslo 6 až 9 (zobrazeí sloupcových grafů procetuálího přjetí modelových souborů) jsou uvedey v Příloze č. 3. Podrobé formace o jedotlvých prováděých přejímkách (přejímací a blačí protokoly) jsou z důvodu velkého možství dat uváděy pouze a přložeém CD dsku. Z výsledků statstckých přejímek provedeých a čtveřc modelových souborů číslo 6 až 9 vyplývá, že přjetí č zamítutí přejímaého souboru je hladou výzamost souboru α velm ovlvěo. Př výzkumu vlvu korelovaých dat a statstckou přejímku je do modelových souborů vášea růzě korelačí fukčí závslost. Zaváděím této závslost velkost skutečých výškových odchylek v modelových souborech postupě roste a 8

30 kvalta modelových souborů klesá. Je tedy uté, aby původí modelová data co ejlépe vyhověla všem přejímacím pláům. Na základě těchto požadavků byl pro další výpočty zvole modelový soubor číslo 9, u kterého je hlada výzamost rova % Nevhodost volby hlady výzamost α % Př výpočtech statstckých přejímek modelových souborů bylo zjštěo, že pro modelové soubory s hladou výzamost α % jsou přejímací pláy číslo až 5 zcela evhodé. Př užtí přejímacích pláů až 4 byly výše zmíěé modelové soubory ve všech případech zamítuty. Přejímacímu pláu číslo 5 vyhovělo v průměru pouze 5% výše zmíěých modelových souborů. Norma ČSN 73 5 [8] avrhuje hladu výzamost α % pro užtí v oblast kotroly geometrcké přesost ve výstavbě. Přejímací pláy číslo až 5 jsou převzaty z ormy ČSN 73-6 [] (Tabulka ). Z uvedeých pozatků tedy vyplývá, že orma ČSN 73 5 [8] a orma ČSN 73-6 jsou ve vzájemém rozporu. 9

31 4 Korelačí aalýza 4. Základí pops korelace Obecý výzam korelace je možé vyjádřt jako vzájemý vztah č souvztažost mez dvěma procesy ebo velčam. V oblast statstky je korelací míě vzájemý vztah mez dvěma řadam s odpovídajících hodot velč a y. Sahou této dplomové práce je pops vlvu vzájemé závslost určtých měřeých hodot geometrckého parametru stavebího objektu a statstckou přejímku srováváím. Kotrolovaým geometrckým parametrem stavebího objektu byla zvolea skutečá výšková odchylka krytu vozovky pozemí komukace (vz kap. 3). Cílem práce je tedy pops vlvu vzájemé korelačí závslost skutečých výškových odchylek krytu vozovky pozemí komukace a statstckou přejímku srováváím. Předpokládaá korelačí závslost skutečých výškových odchylek krytu vozovky vychází ze samotého pracovího postupu výrobího procesu. Př výrobě krytu vozovky je využíváo stavebího stroje, tzv. fšeru. Kryt vozovky je aáše v celé šířce jízdích pruhů, a to postupě v podélém směru pozemí komukace. Na základě výrobího procesu je tedy uvažová vzk vzájemé závslost skutečých výškových odchylek pouze v podélém směru. Je tedy předpokládáo, že skutečé výškové odchylky jsou v rámc jedotlvých příčých řezů vzájemě ezávslé a závslost vzká pouze mez celým příčým řezy krytu vozovky pozemí komukace. Chyba v uložeí krytu vozovky v místě zkoumaého příčého řezu se projeví v sousedích příčých řezech. A B C Obr. 4. Závslost skutečých výškových odchylek krytu vozovky Na obrázku 4. je schématcky zobrazea vzájemá závslost výšky krytu vozovky v podélém směru pozemí komukace. V část A je zobraze kryt vozovky bez korelačí závslost v podélém směru komukace. V část B a C je 3

32 zázorěa leárí a harmocká korelačí závslost výšky krytu vozovky v podélém směru komukace. Na základě výše uvedeých předpokladů je zkoumáa korelačí závslost mez skutečým výškovým odchylkam krytu vozovky pozemí komukace (velča y) a stačeím příčých řezů (velča ), které popsuje polohu jedotlvých skutečých výškových odchylek v rámc podélé osy komukace. V této prác je uvažováa leárí a harmocká korelačí závslost výšky krytu vozovky pozemí komukace. V prvím případě je modelováa stuace, kdy je fšer ovlvě leárí systematckou odchylkou, která způsobuje jeho postupé rovoměré odkláěí od správé polohy. Skutečý průběh velety pozemí komukace se od projektovaého průběhu postupě odkláí. Leárí systematcká odchylka je modelováa pomocí leárí fukce. Skutečý průběh velety komukace Projektovaý průběh velety komukace Obr. 4. Vlv leárí závslost výšky krytu vozovky pozemí komukace Ve druhém případě je modelováa stuace, kdy je fšer ovlvě harmockou systematckou odchylkou, která způsobuje jeho harmocky se měící kolísavý odklo od správé polohy. Skutečá poloha velety pozemí komukace oscluje kolem polohy projektovaé. Harmocká systematcká odchylka je modelováa pomocí harmocké fukce. Skutečý průběh velety komukace Projektovaý průběh velety komukace Obr. 4.3 Vlv harmocké závslost výšky krytu vozovky pozemí komukace Jsou-l jedotlvé korelovaé hodoty velč a y vyesey do společého bodového grafu, vytvářejí svým seskupeím plošý útvar, tzv. korelačí pole []. 3

33 4. Koefcet korelace Míru korelace mez dvěma velčam ( a y) je možé ejsáze popsat pomocí koefcetu korelace. Teto koefcet může abývat hodoty z tervalu,. Blíží-l se koefcet korelace hračím hodotám r ±, je míra korelace mez zkoumaým velčam velm vysoká. Je-l koefcet korelace rove r ±, je možo hovořt o fukčí závslost mez oběma velčam. Je-l hodota koefcetu korelace blízká č rová, eí mez zkoumaým velčam prokázáa žádá korelačí závslost. 4.. Koefcet leárí korelace Koefcet leárí korelace, který popsuje korelac velč a y, je defová jako odmoca z podílu směrc dvou regresích přímek y + Ay B y, A y + B, (4.) které splňují podmíku metody ejmeších čtverců (dále je MNČ) v y m, v m. (4.) Prcp této defce vychází ze skutečost, že jsou-l zkoumaé velčy leárě fukčě závslé, jsou všechy body korelačího pole dokoale seřazey do přímky. V tomto případě mají obě regresí přímky stejý průběh a jejch směrce (vztažeé ke stejé ose) jsou totožé. Podíl těchto směrc je rove. V případě zcela ezávslých velč jsou regresí přímky a sebe kolmé a jsou rovoběžé s osam a y. Podíl těchto směrc (vztažeých ke stejé ose) je rove. Rovce oprav mají tvar v y A + B y, v A + B. (4.3) y y Dále uváděé vztahy popsují výpočet vyrovávací přímky pro velču y, a to pro případ vyrováí možy hodot o souřadcích [, y ]. Normálí rovce [] pro vyrovávací přímku je možé vyjádřt pomocí matcového vztahu 3

34 33 { M L L M M L L L A X A A T y y T y y y B A, (4.4) kde A je Jacobho matce (matce parcálích dervací jedotlvých hodot dle jedotlvých ezámých), X vektor ezámých a L tzv. vektor redukovaých měřeí. Po vyásobeí výše uvedeých matc je možo zapsat { L A X A A T y y T y y B A. (4.5) Vektor ezámých lze potom určt ze vztahu ( ) L A A A X T T, (4.6) kde verzí matce je určováa pomocí determatu a matce subdetermatů y y y y B A.. (4.7) Výsledá směrce regresí přímky je tedy rova y y y A. (4.8) Teto vztah je možé zjedodušt redukcí jedotlvých souřadc k těžšt možy bodů [ ] y,. Hodota směrce přímky se traslací počátku soustavy ezměí a pro redukovaé souřadce platí y y. (4.9)

35 34 Po zjedodušeí tedy platí y y y A. (4.) Totožým postupem je možé určt směrc regresí přímky pro velču y y y y A. (4.) Př výpočtu koefcetu korelace je uté zajstt, aby obě směrce byly vztažeé ke stejé ose. Je tedy uté pro jedu směrc určt její doplěk do pravého úhlu A α tg, (4.) ( ) y A A cotg 9 tg α α. (4.3) Jak jž bylo výše uvedeo, je koefcet leárí korelace rove odmocě z podílu směrc regresích přímek y y y y y y y A A A A r. (4.4) Rozšířeím tohoto výrazu o

36 35 je možé vztah pro výpočet koefcetu leárí korelace vyjádřt pomocí výběrové kovarace y s a výběrových směrodatých odchylek s a y s y y s s s r. (4.5) 4.. Koefcet harmocké korelace Př odvozeí vztahu pro výpočet koefcetu korelace harmocké fukce je vycházeo z rovce regresí přímky zapsaé pomocí souřadc redukovaých k těžšt korelačího pole y B y A y +, (4.6) y y. (4.7) Redukovaé souřadce jsou rovy, y y y. (4.8) Pomocí rovce 4.7 je možé zapsat rovc -té opravy (vz rovce 4.3) jako y y y v. (4.9) Umocěím a sumací výše uvedeé rovce a vyjádřeím redukovaých souřadc dle rovc 4.8 lze popsat vztah pro součet čtverců oprav y y y y y v. (4.)

37 Teto výraz je možé zavést do rovce 4.4 a vyjádřt tak obecý vztah pro výpočet koefcetu korelace [] r vy v. (4.) y y Takto určeý koefcet korelace umožňuje pops eleárí korelačí závslost, tj. harmocké korelačí závslost. Nevýhodou užtí výše uvedeého vztahu je utost určeí regresí harmocké křvky, pomocí které jsou určováy hodoty oprav (hodoty odchylek jedotlvých bodů od regresí křvky ve směru osy č y) Harmocká regresí aalýza Prcpem harmocké regresí aalýzy je proložeí harmocké křvky možou rových bodů o souřadcích [, y ]. Harmocká křvka je defováa harmockou fukcí π y A + B + C s + D, (4.) λ kde kostaty A, B, C a D představují polohu harmocké křvky a ose y, sklo osy harmocké křvky vzhledem k ose (leárí vlv), velkost ampltudy harmocké vly a posu počátku harmocké vly vzhledem k ose y (fázové posuutí). Kostata λ popsuje délku harmocké vly. Harmocká regresí aalýza je řešea metodou vyrováí měřeí zprostředkujících dle podmíky MNČ (vz rovce 4.). Vyrovávaým ezámým je čtveřce hodot A, B, C a D. Délka harmocké vly λ do vyrováí vstupuje pouze jako kostata, kterou je uté před výpočtem vhodě avolt. Rovc oprav je možé vyjádřt ve tvaru π v A + B + C s + D y. (4.3) λ 36

38 37 Teto eleárí vztah je uté learzovat (rovce apromovat Taylorovým polyomem). Learzovaé rovce oprav lze matcově zapsat jako L X A v + d, (4.4) 443 M M M M M L X A v y y y y y y D C B A D C D D C D D C D d d d d d cos s cos s cos s λ π λ π λ π λ π λ π λ π, (4.5) kde v je vektor oprav, A je Jacobho matce (matce parcálích dervací jedotlvých hodot dle jedotlvých ezámých), dx je vektor přírůstků jedotlvých ezámých a L je tzv. vektor redukovaých měřeí. Hodoty y jsou přblžé hodoty souřadc y jedotlvých bodů regresí křvky D C B A y s λ π. (4.6) Zavedeím podmíky MNČ je možé určt ormálí rovce a vztah pro výpočet vektoru přírůstků ezámých ( ) L A A A X T T d. (4.7) Vyrovaé hodoty ezámých jsou získáy přčteím určeých přírůstků k počátečím přblžě voleým hodotám ezámých X X X d +, (4.8) + D C B A D C B A D C B A d d d d. (4.9) Z důvodu dosažeí dostatečě přesých vyrovaých hodot ezámých je uté celý výpočet opakovat. V každém ovém teračím kroku jsou za přblžé hodoty ezámých dosazováy vyrovaé hodoty ezámých z předchozího

39 kroku. Na závěr výpočtu jsou dle rovce 4.4 určey hodoty oprav, které ásledě vstupují do výpočtu koefcetu harmocké korelace (rov. 4.) Testováí koefcetu korelace Pro ověřeí výzamost určeého koefcetu korelace je užto testu o estec koefcetu korelace ρ v základím souboru []. Př tomto testu je ověřováo, zda koefcet korelace r z výběru o rozsahu odpovídá základímu souboru s koefcetem korelace ρ. Nulová a alteratví hypotéza je tedy H H : ρ, : ρ. (4.3) Testovacím krterem je velča r t. (4.3) r Nulová hypotéza o estec ulového koefcetu korelace v základím souboru je zamítuta př t > t α /, kde t je krtcká hodota odpovídající pro příslušou α / hladu výzamost α Studetovu t-rozděleí s stup volost. Př vlastím prováděém testováí byla hledáa hlada výzamost α, př které by astala rovost t t α /. (4.3) Výsledky prováděého testovaí jsou součástí výpočetích protokolů o zaváděí leárí č harmocké závslost do souborů modelových dat. 38

40 5 Zavedeí korelačí závslost do modelových souborů Pro možost zkoumáí vlvu korelace přejímaých dat a statstckou přejímku srováváím je uté do modelových souborů (vz kap. 3) vést určtou korelačí závslost. Tato korelačí závslost je zaváděa pomocí změy velkost skutečých výškových odchylek v jedotlvých příčých řezech krytu vozovky pozemí komukace. Míra zaváděé korelačí závslost je postupě astavováa tak, aby vypočteý koefcet korelace modelovaého souboru odpovídal hodotám [.,.,.3,...,.9] r. Jak jž bylo uvedeo v odst. 4., je korelačí závslost v souboru výškových odchylek krytu vozovky pozemí komukace uvažováa pouze v podélém směru (ve směru výroby krytu vozovky). Skutečé výškové odchylky jsou v rámc jedotlvých příčých řezu vzájemě ezávslé a předpokládaá závslost vzká pouze mez celým příčým řezy. Z těchto důvodů jsou velkost skutečých výškových odchylek v rámc jedotlvých příčých řezů měěy kostatě. + Kotrolě měřeá místa Změa velkost skutečých výškových odchylek v příčém řezu Obr. 5. Změa velkost skutečých výškových odchylek v modelovém souboru 5. Vzk leárí korelačí závslost Míra leárí korelačí závslost dat v modelovém souboru skutečých odchylek závsí a velkost leárí systematcké odchylky daého souboru. Leárí systematcká odchylka je reprezetovaá směrcí regresí přímky. Z těchto pozatků tedy vyplývá, že míra leárí korelačí závslost modelového souboru skutečých odchylek přímo závsí a sklou regresí přímky proložeé modelovým daty. Cíleou změou velkost skutečých výškových odchylek lze sado mět 39

41 sklo regresí přímky v modelovém souboru, a tak do modelového souboru vášet leárí korelačí závslost. Velkost leárí systematcké odchylky, která je utá k dosažeí příslušé míry korelace dat v modelovém souboru, přímo závsí a velkost směrodaté odchylky tohoto souboru (vz odst. 3..), tj. a přesost jeho výroby. Jelkož je velkost směrodaté odchylky v modelovém souboru pevě staovea (vz odst ), eí její vlv a utou velkost leárí systematcké odchylky dále zkoumá. Př zaváděí leárí korelačí závslost do modelového souboru je využíváo metody umercké matematky, metody půleí tervalu. Pomocí této metody je možé a základě vstupího koefcetu leárí korelace určt přesé změy velkost skutečých výškových odchylek v modelovém souboru. Změou velkost skutečých výškových odchylek je do modelového souboru vesea leárí korelačí závslost dat, která přesě odpovídá zadaému koefcetu korelace. Př užtí metody půleí tervalu je postupováo dle ásledujícího postupu: a/ Určeí koefcetu korelace a směrce regresí přímky původích dat Určeí směrce regresí přímky A a koefcetu leárí korelace r původího ekorelovaého modelového souboru. Zadávaý koefcet korelace r Z musí splňovat podmíku r r. Z < b/ Určeí ma. koefcetu korelace a ma. směrce přímky posuů Rovc přímky, dle které jsou vypočtey změy velkost skutečých odchylek, lze zapsat ve tvaru ( s s ) B p A3 +. (5.) Hodota p představuje posu skutečých výškových odchylek v příčém řezu se stačeím s. Hodota B popsuje posu skutečých výškových odchylek v prvím příčém řezu se stačeím s. Směrce A 3 je volea tak, aby změěý modelový soubor odpovídal mamálímu koefcetu leárí korelace r 3 &. 4

42 c/ Určeí průměrého koefcetu korelace a průměré směrce přímky posuů Hodota průměré směrce přímky defující změu velkost skutečých výškových odchylek v souboru je určea artmetckým průměrem A A + A3. (5.) Dle vztahu ( s s ) B p A + (5.3) jsou určey ové posuy skutečých výškových odchylek v modelovém souboru. Pro ově vzklý soubor posuutých skutečých odchylek je vypočtea hodota koefcetu korelace r. d/ Posouzeí zadávaého koefcetu korelace Je-l zvoleý koefcet leárí korelace r Z rove ěkterému z vypočteých koefcetů ( r, r, r 3 ), je výpočet zastave. Výsledkem jsou posuy skutečých výškových odchylek odpovídající příslušému koefcetu korelace. V opačém případě je provedea změa vstupích parametrů r r > r Z < r Z A 3 A A A (5.4) a výpočet je opaková. Opakováí výpočtu je prováděo až do aplěí zvoleé vstupí podmíky ( r rz ) a alezeí výsledých posuů skutečých odchylek, které korespodují se zadaým koefcetem korelace. 5. Vzk harmocké korelačí závslost Míra harmocké korelačí závslost dat v modelovém souboru skutečých odchylek závsí a velkost harmocké systematcké odchylky daého souboru. Harmocká systematcká odchylka je reprezetovaá regresí harmockou křvkou, která je defováa harmockou fukcí (vz rov. 4.). Harmocká korelačí závslost je, jako v případě leárí korelačí závslost, zaváděa změou velkost skutečých výškových odchylek v modelovém souboru. Pro usaděí výpočtu jsou př zaváděí harmocké korelačí závslost do modelových souborů astavey ásledující zjedodušující předpoklady: 4

43 a/ Na modelová data epůsobí počátečí systematcká odchylka, A b/ Neí uvažová vlv leárí systematcké odchylky, B c/ Harmocká křvka eí vůč počátku souboru fázově posuuta, D Př dodržeí těchto podmíek je možé harmockou fukc vyjádřt vztahem π y C s. (5.5) λ Jak bylo jž uvedeo v odst. 4..3, délka harmocké vly λ vstupuje do výpočtů pouze jako voleá kostata. Z toho tedy vyplývá, že zaváděí harmocké korelačí závslost do souboru modelových dat je řízeo pouze změou velkost ampltudy harmocké vly, dle které jsou určováy změy velkost skutečých výškových odchylek v modelovém souboru. Stejě jako v případě leárí korelačí závslost, je velkost harmocké systematcké odchylky, která je utá k dosažeí příslušé míry korelace dat v modelovém souboru, přímo závslá a velkost směrodaté odchylky modelového souboru (vz odst. 3..). Jelkož je velkost směrodaté odchylky v modelovém souboru pevě staovea (vz odst ), eí její vlv a utou velkost harmocké systematcké odchylky dále zkoumá. Velkost ampltudy harmocké vly, která odpovídá zadávaému koefcetu harmocké korelace, je určováa pomocí umercké metody půleí tervalu. Př užtí metody půleí tervalu je postupováo dle ásledujícího postupu: a/ Určeí koefcetu korelace a ampltudy harmocké vly původích dat Určeí ampltudy harmocké regresí křvky C a koefcetu harmocké korelace r původího ekorelovaého modelového souboru. Zadávaý koefcet korelace r Z musí splňovat podmíku r r Z. < b/ Určeí ma. koefcetu korelace a ma. ampltudy harmocké vly Změa velkost skutečých výškových odchylek je určea vztahem p π C s ( s s ). (5.6) λ 3 4

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

a další charakteristikou je četnost výběrového souboru n.

a další charakteristikou je četnost výběrového souboru n. Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

Testování statistických hypotéz

Testování statistických hypotéz Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím

Více

Generování dvojrozměrných rozdělení pomocí copulí

Generování dvojrozměrných rozdělení pomocí copulí Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

VY_52_INOVACE_J 05 01

VY_52_INOVACE_J 05 01 Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ

VYSOCE PŘESNÉ METODY OBRÁBĚNÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

Téma 11 Prostorová soustava sil

Téma 11 Prostorová soustava sil Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

Úvod do teorie měření

Úvod do teorie měření Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

Úvod do korelační a regresní analýzy

Úvod do korelační a regresní analýzy Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ

UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ 3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,

Více

8 NELINEÁRNÍ REGRESNÍ MODELY

8 NELINEÁRNÍ REGRESNÍ MODELY 8 NELINEÁRNÍ REGRESNÍ MODELY 8 Tvorba eleárího regresího modelu Postup tvorby eleárího regresího modelu se dá rozčlet do těchto kroků: Návrh regresího modelu Obvykle se jako eleárí regresí model používá

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů SP4 Přpomeutí pojmů Pravděpodobost Náhodý jev: - základí prostor - elemetárí áhodý jev A - áhodý jev, - emožý jev, jstý jev podjev opačý

Více

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

jsou varianty znaku) b) při intervalovém třídění (hodnoty x Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém

Více

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č.

T e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č. Evropská federace árodích asocací měřcích, zkušebích a aalytckých laboratoří Techcká zpráva č. /006 Srpe 006 Poky pro vyhodoceí ejstoty měřeí výsledků kvattatvích zkoušek T e c h c k á z p r á v a EUROLAB

Více

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou

LABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:

Více

12. Neparametrické hypotézy

12. Neparametrické hypotézy . Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,

Více

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2

PRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2 SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou

Více

Náhodný výběr 1. Náhodný výběr

Náhodný výběr 1. Náhodný výběr Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti

Více

11. Popisná statistika

11. Popisná statistika . Popsá statstka.. Pozámka: Př statstckém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákotost, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme statstcké jedotky. Př

Více

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)

ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

Více

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky). Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké

Více

IV. MKP vynucené kmitání

IV. MKP vynucené kmitání Jří Máca - katedra mechaky - B35 - tel. 435 4500 maca@fsv.cvut.cz IV. MKP vyuceé kmtáí. Rovce vyuceého kmtáí. Modálí aalýza rozklad do vlastích tvarů 3. Přímá tegrace pohybových rovc 3. Metoda cetrálích

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).

Správnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13). 37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

Pravděpodobnostní modely

Pravděpodobnostní modely Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou

14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou 4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,

Více

Téma 2 Přímková a rovinná soustava sil

Téma 2 Přímková a rovinná soustava sil Stavebí statka,.ročík bakalářského studa Téma 2 Přímková a rová soustava sl Přímková soustava sl ový svazek sl Statcký momet síly k bodu a dvojce sl v rově Obecá rová soustava sl ová soustava rovoběžých

Více

SP2 Korelační analýza. Korelační analýza. Libor Žák

SP2 Korelační analýza. Korelační analýza. Libor Žák Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet

Více

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2 Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z

Více

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL

1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí

Více

APLIKOVANÁ STATISTIKA

APLIKOVANÁ STATISTIKA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4

Více

Intervalové odhady parametrů některých rozdělení.

Intervalové odhady parametrů některých rozdělení. 4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

Obsah. skentest. 1. Úvod. 2. Metoda výpočtu Základní pojmy

Obsah. skentest. 1. Úvod. 2. Metoda výpočtu Základní pojmy Obsah sketest 1. ÚVOD... 1 2. METODA VÝPOČTU... 1 2.1. ZÁKLADNÍ POJMY... 1 2.2. SOUŘADNICOVÉ SYSTÉMY... 2 2.3. PŘÍPRAVEK... 3 2.4. POSTUP VÝPOČTU... 4 3. PROGRAM SKENTEST... 5 3.1. VSTUPNÍ SOUBOR... 5

Více

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz:

Test dobré shody se používá nejčastěji pro ověřování těchto hypotéz: Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám

Více

Teorie chyb a vyrovnávací počet. Obsah:

Teorie chyb a vyrovnávací počet. Obsah: Teorie chyb a vyrovávací počet Obsah: Testováí statistických hypotéz.... Ověřováí hypotézy o středí hodotě základího souboru s orálí rozděleí... 4. Ověřováí hypotézy o rozptylu v základí souboru s orálí

Více

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.

odhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti. 10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé

Více

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.

Mezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby. ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém

Více

2. Náhodná veličina. je konečná nebo spočetná množina;

2. Náhodná veličina. je konečná nebo spočetná množina; . Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité

Více

Geodézie 3 (154GD3) Téma č. 9: Hodnocení a rozbory přesnosti výškových měření.

Geodézie 3 (154GD3) Téma č. 9: Hodnocení a rozbory přesnosti výškových měření. Geodéze 3 (54GD3) Téma č. 9: Úvod o měřeí obecě. V geodéz měříme především déky, úhy, a dáe také apř. čas, vekost síy tíže apod. Výsedek měřeí je charakterzová čísem, závsým též a vobě jedotek. Ze zkušeost

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

S1P Popisná statistika. Popisná statistika. Libor Žák

S1P Popisná statistika. Popisná statistika. Libor Žák SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk

Více

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesné výchovy UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM PEDAGOGICKÁ FAKULTA Katedra tělesé výchovy VYBRANÉ NEPARAMETRICKÉ STATISTICKÉ POSTUPY V ANTROPOMOTORICE Zdeěk Havel Davd Chlář 0 VYBRANÉ NEPARAMETRICKÉ

Více

Optimalizace portfolia

Optimalizace portfolia Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí

Více

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu

Cvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý

Více

Metody statistické analýzy. doc. Ing. Dagmar Blatná, CSc.

Metody statistické analýzy. doc. Ing. Dagmar Blatná, CSc. Metody statstcké aalýzy doc. Ig. Dagmar Blatá, CSc. Bakoví sttut vysoká škola, a.s. Praha 0 METODY STATISTICKÉ ANALÝZY Autor: Recezet: Vydal: Tsk: Vydáí: doc. Ig. Dagmar Blatá, CSc. doc. Ig. Jří Trešl,

Více

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě Rekostrukce vodovodích řadů ve vztahu ke spolehlvost vodovodí sítě Ig. Jaa Šekapoulová Vodáreská akcová společost, a.s. Bro. ÚVOD V oha lokaltách České republky je v současost aktuálí problée zastaralá

Více

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů

PODNIKOVÁ EKONOMIKA 3. Cena cenných papírů Semárky, předášky, bakalářky, testy - ekoome, ace, účetctví, ačí trhy, maagemet, právo, hstore... PODNIKOVÁ EKONOMIKA 3. Cea ceých papírů Ceé papíry jsou jedím ze způsobů, jak podk může získat potřebý

Více

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat

14. Korelace Teoretické základy korelace Způsoby měření závislostí pro různé typy dat 4. Korelace 4. Teoretcké základy korelace 4. Způsoby měřeí závslostí pro růzé typy dat Př prác se statstckým údaj se velm často setkáváme s daty, která jsou tvořea dvojcem, trojcem hodot. Složky takovýchto

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí

Více

V. Normální rozdělení

V. Normální rozdělení V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,

Více

Statistická analýza dat

Statistická analýza dat INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Statstcká aalýza dat Učebí texty k semář Autor: Prof. RNDr. Mla Melou, DrSc. Datum: 5.. 011 Cetrum pro rozvoj výzkumu pokročlých řídcích a sezorckých techologí CZ.1.07/.3.00/09.0031

Více

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ

MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ PŘÍSPĚVKY THE SCIENCE FOR POPULATION PROTECTION 0/008 MOŽNOSTI STATISTICKÉHO POSOUZENÍ KVANTITATIVNÍCH VÝSLEDKŮ POŽÁRNÍCH ZKOUŠEK PRO POTŘEBY CERTIFIKACE A POSUZOVÁNÍ SHODY VÝROBKŮ STATISTICAL ASSESSMENT

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost a aplikovaná statistika Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,

Více

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky

i 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,

Více

Zhodnocení přesnosti měření

Zhodnocení přesnosti měření Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

ZÁKLADY STAVEBNÍ MECHANIKY

ZÁKLADY STAVEBNÍ MECHANIKY VYSOKÉ UČENÍ TECHNICKÉ V BNĚ AKULTA STAVEBNÍ ING. JIŘÍ KYTÝ, CSc. ING. ZBYNĚK KEŠNE, CSc. ING. OSTISLAV ZÍDEK ING. ZBYNĚK VLK ZÁKLADY STAVEBNÍ ECHANIKY ODUL BD0-O SILOVÉ SOUSTAVY STUDIJNÍ OPOY PO STUDIJNÍ

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresí a korelačí aalýza Závslost příčá (kauzálí). Závslostí pevou se ozačuje případ, kdy výskytu jedoho jevu utě odpovídá výskyt druhé jevu (a často aopak). Z pravděpodobostího hledska jde o vztah, který

Více

Digitální učební materiál

Digitální učební materiál Dgtálí učebí materál Číslo projetu CZ..07/.5.00/34.080 Název projetu Zvaltěí výuy prostředctvím ICT Číslo a ázev šabloy líčové atvty III/ Iovace a zvaltěí výuy prostředctvím ICT Příjemce podpory Gymázum,

Více

P2: Statistické zpracování dat

P2: Statistické zpracování dat P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu

Více

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady

PRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc

Více

8. Analýza rozptylu.

8. Analýza rozptylu. 8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,

Více

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.

Přednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs. Předáška V. Úvod do teore odhadu Pojmy a prcpy teore odhadu Nestraé odhady Metoda mamálí věrohodost Průměr vs. medá Opakováí výběrová dstrbučí fukce Sestrojíme výběrovou dstrbučí fukc pro výšku a váhu

Více

Statistika - vícerozměrné metody

Statistika - vícerozměrné metody Statstka - vícerozměré metody Mgr. Mart Sebera, Ph.D. Katedra kezologe Masarykova uverzta Fakulta sportovích studí Bro 0 Obsah Obsah... Sezam obrázků... 4 Sezam tabulek... 4 Úvod... 6 Pojmy... 7 Náhodé

Více