x j hodnota štatistického znaku x - aritmetický priemer ni absolútna početnosť m počet tried hšt ti ti kéh m počet tried hšt ti ti kéh
|
|
- Σήθι Κόρακας
- 7 χρόνια πριν
- Προβολές:
Transcript
1 4. Bodový odhad Pricíp bodového odhadu spočíva v odhade ezámych parametrov (stredej hodoty, rozptylu, smerodajej odchýlky, atď.) prostredíctvom výberových charakteristík, ktoré sú reprezetovaé jedým číslom (bodom). POJMY Základý súbor Výberový súbor Výberové skúmaie Parametre základého súboru Výberové charakteristiky Estimátor Výberový priemer Výberový rozptyl Výberová smerodajá odchýlka Výberový podiel Vlastosti bodového odhadu VZORCE Odhad stredej hodoty pomocou výberového priemeru est μ = x x = j= x j kde: zaku x i hodota štatistického x - aritmetický priemer i absolúta početosť m počet tried hšt ti ti kéh Odhad rozptylu pomocou výberového rozptylu kde: x i hodota štatistického est σ = s zaku x - aritmetický priemer (x i x) i= i absolúta početosť s = m počet tried hšt ti ti kéh Odhad smerodajej odchýlky pomocou výberovej smerodajej odchýlky est σ = s s = ( xi x) i= kde: zaku x j hodota štatistického x - aritmetický priemer hšt ti ti kéh Odhad podielu pomocou výberového podielu est π = p p = kde: zaku x j hodota štatistického x - aritmetický priemer hšt ti ti kéh
2 FUNKCIE V EXCELI = RANDBETWEEN (dolá hraica, horá hraica) = AVERAGE (číslo, číslo,...) = VAR (číslo, číslo,...) = STDEV (číslo, číslo,...) RIEŠENÝ PRÍKLAD Úloha: Uskutočiť výberové skúmaie, pričom základým súborom ostáva súbor 9 doteraz aalyzovaých poľohospodárskych podikov. Z výberového súboru áslede vypočítať výberové charakteristiky, ktoré budú bodovým odhadom parametrov celého základé súboru. Zadaie: Vytvorte áhodým spôsobom výberový súbor s rozsahom 0 štatistických jedotiek, z ktorého vypočítajte výberové charakteristiky. Aalýzy realizujte a štatistickom zaku priemerý mesačý zárobok. Na základe výberového súboru urobte odhad podielu družstiev v skúmaom súbore. Riešeie: Prvým zadaím je vytvoriť výberový súbor. Budeme vychádzať z jedoduchého áhodého výberu, tz., že zo základého súboru 9 poľohospodárskych podikov áhode vyberieme 0 podikov, ktoré budú tvoriť výberový súbor. Pri vytváraí je možé využiť matematickú fukciu RANDBETWEEN (slide 4.), ktorá po zadaé miimálej () a maximálej (9) hodoty áhode ageeruje číslo. Po skopírovaí tejto hodoty do ďalších buiek (=0, t.j. musíme akopírovať ešte 9 ďalších hodôt) dostávame jedotky výberového súboru. Slide 4. Nageerovaé hodoty vo výberovom súbore predstavujú čísla podikov, u ktorých budeme skúmať priemeré mesačé zárobky.
3 TP Čísla, ktoré sme získali, predstavujú poradové čísla podikov, a základe ktorých vyberieme podiky do výberového súboru. Vytvoreý výberový súbor vyzerá potom asledove: Tabuľka : Výberový súbor priemerých mesačých zárobkov za rok 005 Po vytvoreí súboru môžeme pristúpiť k výpočtu výberových charakteristík. Vychádzame z malého rozsahu hodôt (0), t.j. údaje ie je potrebé triediť. Pri výpočte využijeme fukcie, ktoré ám Excel poúka. Výberový priemer Použijeme fukciu AVERAGE. Hodota výberového priemeru sa rová 544,6. Iterpretácie uvedieme opäť v závere po dopočítaí ostatých výberových charakteristík. Výberový rozptyl Pri výpočte by bolomožé vypočítať charakteristiky prostredíctvom vzorcov alebo využiť Data Aalysis/Summary Statistics (kapitola ).
4 Na výpočet tejto výberovej charakteristiky slúži fukcia VAR. Výsledá hodota je ,6. Výberová smerodajá odchýlka Smerodajú odchýlku by bolo možé dopočítať prostredíctvom dvoch fukcií. Využitím fukcie SQRT, t.j. odmocili by sme výberový rozptyl alebo pomocou fukcie STDEV. Výberová smerodajá odchýlka sa rová 3 553,69. Výberový podiel Posledou úlohou v rámci bodových odhadov bolo a základe výberového súboru odhadúť podiel družstiev v celom základom súbore, ktorý určíme a základe relatívej početosti. V súbore máme 0 () podikov, z ich je 8 () družstiev. Bodový odhad vypočítame ako 8/0=0,4, t.j. 40%. Iterpretácia výsledkov: Pri iterpretácii vychádzame z výsledkov, ktoré sme vypočítali z výberového súboru s cieľom robiť závery a celý základý súbor. Čiže a základe výberového priemeru odhadujeme, že priemeré mesačé zárobky vo všetkých poľohospodárskych podikoch (základý súbor) v roku 005 boli 544,6 Sk. Odhaduje, že variabilita v základom súbore meraá
5 rozptylom bola ,6 Sk, t.j. priemeré mesačé zárobky pracovíkov poľohospodárskych podikov kolísali v roku 005 ± 3 553,69 Sk od priemeru. Vychádzajúc z výberového podielu odhadujeme, že z celkového počtu 9 poľohospodárskych podikov tvorili v roku 005 družstvá 40% podikov. Výhodou bodového odhadu je, že výsledý odhad ezámeho parametra je tvoreý jedou hodotou. Keďže však bol výberový súbor vytváraý áhodým spôsobom, tak aj výberové charakteristiky sú vlaste áhodé premeé. Keby sme z toho istého základého súboru vytvorili ďalší výberový súbor áhodým spôsobom, je vysoko pravdepodobé, že v ovom výberovom súbore by sa achádzali ié štatistické jedotky, t.j. pri odhade by sme sa dopracovali k iým hodotám výberových charakteristík. Z uvedeého vyplýva, že bodový odhad je síce presý (výsledkom je jedo číslo), ale málo spoľahlivý. Z tohto dôvodu sa častejšie využívajú itervalové odhady. 4. Itervalový odhad Ako už bolo vyššie spomeuté výhodou itervalových odhadov je ich spoľahlivosť. Podstata itervalového odhadu spočíva v určeí hraíc itervalu spoľahlivosti pri zadaej pravdepodobosti. POJMY Parametre základého súboru Výberové charakteristiky Spoľahlivosť odhadu Koeficiet spoľahlivosti Riziko odhadu Iterval spoľahlivosti Prípustá chyba Normovaé ormále rozdeleie Studetovo t- rozdeleie chí kvadrát rozdeleie VZORCE
6 Iterval spoľahlivosti pre stredú hodotu: >30 Px ( Δ μ x+δ ) = α σ Δ= u α / Iterval spoľahlivosti pre stredú hodotu: 30 Px ( Δ μ x+δ ) = α Δ= t α s kde: ZS kde: x - výberový priemer Δ - prípustá chyba u α /- kvatil ormovaého ormáleho rozdeleia σ smerodajá odchýlka x - výberový priemer Δ - prípustá chyba t α - kvatil Studetovho t- rozdeleia s výberová smerodajá Iterval spoľahlivosti pre rozptyl ( ) s ( ) s P σ α = χα/ χα/ kde: χ α /- kvatil chí kvadrát rozdeleia χα /- kvatil chí kvadrát rozdeleia s výberový rozptyl Iterval spoľahlivosti pre smerodajú odchýlku P ( ) s ( ) s σ = α χα/ χ α/ Iterval spoľahlivosti pre podiel kde: χ α /- kvatil chí kvadrát rozdeleia χα /- kvatil chí kvadrát rozdeleia s výberový rozptyl 9 Pre veľké výbery ak platí vzťah: > kde: p - výberový podiel p.( p) u α /- kvatil ormovaého p( p) p( p) ormáleho rozdeleia P( p u α/. π p+ u α/. ) = α π odhadovaý podiel ZS rozsah výberového súboru 9 Pre malé výbery ak eplatí vzťah: > p.( p) kde: - rozsah výberového súboru Využitím Fischerovho F rozdeleia - početosť výskytu skúmaého p d /( [ + ).( pd) ] = F( α /,( zaku + ),) = pd - dolá hraica itervalu spoľahlivosti p h horá hraica itervalu spoľahlivosti F( α /,( + ), ) - kvatil Fischerovho rozdelaia s príslušými stupňami
7 [ + h ] = ) p/( ).( p) F α + h ( /,( ), Rozsah výberového súboru kde: rozsah výberového súboru σ = u α / u α /- kvatil ormovaého Δ ormáleho rozdeleia π ( π ) = u α / π odhad podielu pomocou Δ p FUNKCIE V EXCELI = AVERAGE (číslo, číslo,...) = VAR (číslo, číslo,...) = STDEV (číslo, číslo,...) = CONFIDENCE (alfa, smerodajá odchýlka, rozsah výberového súboru) = NORMSINV (pravdepodobosť) = TINV (pravdepodobosť, stupe voľosti) = CHIINV (pravdepodobosť, stupe voľosti) = FIINV (pravdepodobosť, stupe voľosti, stupe voľosti) RIEŠENÝ PRÍKLAD Úloha: Vychádzajúc z výberových charakteristík urobiť itervalový odhad, a základe ktorého odhademe ezáme parametrov celého základé súboru pri zadaej spoľahlivosti. Zadaie: Vypočítajte: a) 95% a 99% iterval spoľahlivosti pre stredú hodotu, rozptyl a smerodajú odchýlku priemerých mesačých zárobkov. b) Určite v akých hraiciach sa bude pohybovať podiel družstiev z celkového počtu podikov pri 95% a 99% pravdepodobosti. Riešeie: Pri určovaí itervalu spoľahlivosti je potrebé vypočítať hraice itervalu, v ktorých sa bude ezámy parameter pohybovať s vopred staoveou pravdepodobosťou. V ašom príklade chceme odhadúť hraice itervalov s 95%, resp. 99% spoľahlivosťou. Iterval spoľahlivosti pre stredú hodotu Iterval spoľahlivosti pre stredú hodotu sa určí, keď k bodovému odhadu stredej hodoty (výberovému priemeru) pričítame (výpočet horej hraice), resp. odčítame (výpočet dolej hraice) prípustú chybu (delta). Prípustá chyba teda predstavuje polovicu šírky itervalu u α / spoľahlivosti a jej veľkosť je závislá a zvoleej spoľahlivosti (, t α ), variabilite základého súboru (σ ) a rozsahu výberového súboru ( ). Opäť je možé vypočítať prípustú chybu buď mechaicky, prostredíctvom vzorca alebo pomocou fukcie.
8 a) výpočet pomocou vzorca Do vzorca pre výpočet prípustej chyby potrebuje pozať kritickú hodotu zámeho teoretického rozdeleia, ktorú určíme prostredíctvom fukcie. Keďže rozsah výberového súboru je meší ako 30 (=0), budeme pri výpočte vychádzať zo Studetovho t-rozdeleia (fukcie TINV). Prvý parameter fukcie predstavuje zvoleú pravdepodobosť (v prípade fukcie TINV sa pravdepodobosť rová α 3 ) a druhý parameter je parametrom Studetovho t-rozdeleia, ktorý sa určí ako. b) výpočet pomocou fukcie Na výpočet prípustej chyby slúži v Exceli fukcia CONFIDENCE. Túto fukcie je možé použiť le vtedy, ak je záma variabilita základého súboru, resp. ak je 30, t.j. ak vychádzame z ormovaého ormáleho rozdeleia. Vychádzajúc z údajov v príklade by použitie fukcie vyzeralo asledove: 3 Využitie fukcie prezetujeme pri 95% spoľahlivosti (alfa=0,05). Rovakým spôsobom by sme postupovali aj pri 99 % spoľahlivosti, čiže alfa by sa rovala 0,0.
9 Parametrami fukcie sú hodoty: α, σ = s,. Ďalej je do vzťahu potrebé pozať variabilitu základého súboru. Keďže vychádzame z predpokladu, že základý súbor epozáme, odhademe jeho variabilitu a základe bodového odhadu ( estσ = s = 3 553,69 ). Už máme určeé všetky hodoty potrebé do vzťahu, je teda možé dopočítať výsledú hodotu prípustej chyby ako aj hraice itervalu spoľahlivosti. Výsledé hodoty sú uvedeé vo výstupe 4... Výsledky budú iterpretovaé súhre po dopočítaí ostatých itervalov spoľahlivosti. Iterval spoľahlivosti pre rozptyl a smerodajú odchýlku Pri itervale spoľahlivosti pre rozptyl vychádzame z χ rozdeleia. Keďže daé rozdeleie je asymetrické, je potrebé vypočítať dva kvatily pre pravdepodobosť α / ako aj α /. Na výpočet použijeme fukciu CHIINV 4. 4 Fukcia CHIINV je prezetovaá le pre pravdepodobosť α /. Ekvivaletý postup by bol aj v prípade pravdepodobosti α /
10 Ako parametre zadávame hodoty pravdepodobosti ( α /, resp. α /) a podobe ako pri Studetovom t-rozdeleí druhým parametrom sú stupe voľosti ( ). Okrem ich je potrebé do vzťahu dopliť ešte hodotu výberového rozptylu a rozsahu výberového súboru a dopočítať horú a dolú hraicu itervalu spoľahlivosti. Keďže rozptyl ie je možé iterpretovať, hraice itervalu spoľahlivosti pre smerodajú odchýlku vypočítame odmoceím hraíc itervalu spoľahlivosti pre rozptyl. Iterval spoľahlivosti pre podiel Pri výpočte vychádzame z biomického rozdeleia, ktoré za určitých podmieok je možé aproximovať ormálym rozdeleím. Pri praktických výpočtoch je postačujúcou podmiekou spleie asledujúcej erovosti: > 9. V takomto prípade vychádzame p( p) z ormovaého ormáleho rozdeleia a výpočet hodoty fukcie NORMSINV(- /, µ, ). u α / realizujeme pomocou Pri overovaí ormality sme zistili, že ie je spleá potrebá podmieky aproximácie (0<37,5), preto pri výpočte budeme vychádzať z Fisherovho F rozdeleia. Kvatily Fischerovho rozdeleia určíme pomocou fukcie FINV.
11 Okrem pravdepodobosti ( α /, resp. α /), ďalšími parametrami fukcie sú stupe voľosti. Stupe voľosti sa vypočítajú ako *( + ) a stupe voľosti ako *. Itervaly spoľahlivosti ( p, p ) pre podiel dostaeme potom riešeím sústavy dvoch rovíc, ktoré sú uvedeé v časti VZORCE. d h Vypočítaé itervaly spoľahlivosti pre stredú hodotu, rozptyl, smerodajú odchýlku a podiel sú uvedeé v asledovom výstupe. Výstup 4.: Výpočet itervalov spoľahlivosti INTERVALOVÝ ODHAD: STREDNEJ HODNOTY ROZPTYLU -α 0,95 0,99 -α 0,95 0,99 α 0,05 0,0 α 0,05 0,0 t,09,86 χ α/ 8,9 6,84 delta 663,8 73,38 χ α/ 3,85 38,58 DH 9 88,44 9 7,4 DH , ,85 HH 3 07, ,00 HH , ,55 SMERODAJNEJ ODCHÝLKY PODIELU -α 0,95 0,99 -α 0,95 0,99 α 0,05 0,0 α 0,05 0,0 DH 70,55 493,80 aproximácia 37,50 ie je možá HH 5 90,4 5 9,09 odhad pomocou Fischerovho F rozdeleia 0 8 =N- F -α/ 0,40 0,9 F α/,36 3, DH *pd/((8+)*(-pd))=0,5 *pd/((8+)*(-pd))=0,50 pd 0,3 0,8 HH *ph/((8+)*(-ph))=,36 *ph/((8+)*(-ph))=3, ph 0,64 0,70
12 Iterpretácia výsledkov: Na základe itervalu spoľahlivosti pre stredú hodotu odhadujeme, že priemeré mesačé zárobky pracovíkov sa vo všetkých aalyzovaých podikoch (9) budú pohybovať v itervale od 9 88,44 Sk do 3 07,80 Sk pri 95% pravdepodobosti (spoľahlivosti), resp. v itervale od 9 7,4 Sk po 3 88 Sk pri 99% pravdepodobosti. Odhadujeme ďalej, že variabilita v celom súbore (9 podikov) meraá rozptylom bude v itervale od ,79 Sk do ,07 Sk pri 95% spoľahlivosti, resp. od ,85Sk do ,55 Sk pri 99% spoľahlivosti. Odhadujeme, že kolísaie priemerých mesačých zárobkov pracovíkov v celom súbore meraé smerodajou odchýlkou sa bude pohybovať v itervale od 70,55 Sk do 5 90,4 Sk (95% pravdepodobosť), resp. od 493,80 Sk do 5 9,09 Sk (99% pravdepodobosť). Vychádzajúc z výberového podielu odhadujeme, že podiel družstiev v celom súbore sa bude achádzať v itervale od 3% do 64% pri spoľahlivosti 95%, resp. v itervale od 8% do 70% pri spoľahlivosti 99%. Hoci je pri itervalových odhadoch zaručeá vyššia spoľahlivosť, ich evýhodou je to, že pozáme le iterval, v rámci ktorého sa bude odhadovaý parameter pohybovať, t.j. epozáme prese ktorá hodota v rámci eho to bude. Dokoca pri zvyšovaí spoľahlivosti (z 95% a 99%), ako je možé vidieť aj z výpočtov, sa itervaly spoľahlivosti rozširujú, čo je pochopiteľé, pretože plocha pod krivkou predstavuje už 99%, t.j. dolá hraica sa zíži a horá hraica zvýši. Na druhej strae sa však pri zvyšovaí spoľahlivosti zižuje presosť odhadov. Keďže itervalový odhad je závislý iele od zvoleej spoľahlivosti, ale aj od ďalších hodôt (rozsahu výberového súboru, variability základého súboru), je vhodé zvyšovať presosť itervalového odhadu práve cez tieto hodoty.
2.1 Charakteristiky polohy
2 POPISNÉ CHARAKTERISTIKY Výsledkom prvého kroku spracovaia štatistických údajov je usporiadaie aalyzovaých hodôt do kotigečých alebo frekvečých tabuliek. Častokrát, predovšetkým pri porovávaí viacerých
Διαβάστε περισσότεραRegresná analýza x, x,..., x
Regresá aalýza Základé pojmy Regresá aalýza skúma fukčý vzťah (priebeh závislosti), podľa ktorého sa meí závisle premeá Y pri zmeách ezávislých veličí x, x,..., x k. x = ( x, x,..., x ) i i i i T Y = (Y,
Διαβάστε περισσότεραPravdepodobnosť a štatistika
Prírodovedecká fakulta UPJŠ Košice Pravdepodobosť a štatistika pozámky z predášok letého semestra predmetu Pravdepodobosť a štatistika predáša: RDr. Valéria Skřiváková, CSc. Verzia. júla 003 : Zostavil
Διαβάστε περισσότερα3. prednáška. Komplexné čísla
3. predáška Komplexé čísla Úvodé pozámky Vieme, že existujú také kvadratické rovice, ktoré emajú riešeie v obore reálych čísel. Študujme kvadratickú rovicu x x + 5 = 0 Použitím štadardej formule pre výpočet
Διαβάστε περισσότεραPravdepodobnosť a štatistika
Prírodovedecká fakulta UPJŠ Košice Pravdepodobosť a štatistika ( pozámky z predášok letého semestra predmetu Pravdepodobosť a štatistika predáša: RNDr. Valéria Skřiváková, CSc. Verzia. júla 003 : Zostavil
Διαβάστε περισσότερα1 Koeficient kovariancie
Koreláciou rozumieme vzájomý lieáry vz tah závislos t) dvoch áhodých premeých X a Y 1. Teto vz tah môˇze by t priamy tj. s rastúcimi hodotami jedej premeej rastú hodoty druhej premeej a aopak alebo epriamy
Διαβάστε περισσότεραKATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita
132 1 Absolútna chyba: ) = - skut absolútna ochýlka: ) ' = - spr. relatívna chyba: alebo Chyby (ochýlky): M systematické, M náhoné, M hrubé. Korekcia: k = spr - = - Î' pomerná korekcia: Správna honota:
Διαβάστε περισσότεραZNAKY. Ordinálne znaky = možno usporiadať, ale nie je podstatná veľkosť rozdielu!
ZNAKY Merateľé = kvatitatíve Majú veľkosť = ordiále Počítateľé = kvalitatíve Bez veľkosti = omiále Číselé charakteristiky (veľkosť, premelivosť, tvar rozdeleia) = možo odhadovať itervalovým odhadom a testovať
Διαβάστε περισσότεραStart. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop
1) Vytvorte algoritmus (vývojový diagram) na výpočet obvodu kruhu. O=2xπxr ; S=πxrxr Vstup r O = 2*π*r S = π*r*r Vystup O, S 2) Vytvorte algoritmus (vývojový diagram) na výpočet celkovej ceny výrobku s
Διαβάστε περισσότεραZáklady matematickej štatistiky
1. Náhodný výber, výberové momenty a odhad parametrov Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. mája 2015 1 Náhodný výber 2 Výberové momenty 3 Odhady parametrov
Διαβάστε περισσότεραMatematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad
Matematika 3-13. prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Erika Škrabul áková F BERG, TU Košice 15. 12. 2015 Erika Škrabul áková (TUKE) Taylorov
Διαβάστε περισσότεραODHAD HODNOTY BYTU NA PODKLADE PONUKOVÝCH CIEN
ODHAD HODNOTY BYTU NA PODKLADE PONUKOVÝCH CIEN Mila Nič Abstrakt Základe vzťahy zo štatistiky. Základý súbor údajov a výbery z tohoto súboru. Číselé a grafické vyhodoteie výberu údajov s využitím programu
Διαβάστε περισσότεραCvičenie č. 4,5 Limita funkcie
Cvičenie č. 4,5 Limita funkcie Definícia ity Limita funkcie (vlastná vo vlastnom bode) Nech funkcia f je definovaná na nejakom okolí U( ) bodu. Hovoríme, že funkcia f má v bode itu rovnú A, ak ( ε > )(
Διαβάστε περισσότερα2.4 OPAKOVATEĽNOSŤ A REPRODUKOVATEĽNOSŤ NORMOVANÝCH SKÚŠOK A VYJADRENIE NEISTÔT MERANÍ
.4 OPAKOVATEĽNOSŤ A REPRODUKOVATEĽNOSŤ NORMOVANÝCH SKÚŠOK A VYJADRENIE NEISTÔT MERANÍ Normovaé metódy okrem kompletých postpov popisjú aj spôsob spracovaia a vyhodoteia výsledkov meraia. Pri dodržaí podmieok
Διαβάστε περισσότεραMatematika Funkcia viac premenných, Parciálne derivácie
Matematika 2-01 Funkcia viac premenných, Parciálne derivácie Euklidovská metrika na množine R n všetkých usporiadaných n-íc reálnych čísel je reálna funkcia ρ: R n R n R definovaná nasledovne: Ak X = x
Διαβάστε περισσότεραZÁKLADNÉ ŠTATISTICKÉ METÓDY
TECHNICKÁ UNIVERZITA V KOŠICIACH S T R O J N Í C K A F A K U L T A ZÁKLADNÉ ŠTATISTICKÉ METÓDY Duša Kežo, Miriam Adrejiová, Gabriela Ižaríková 2011 RECENZOVALI: prof. RNDr. Marti Bača, CSc. prof. RNDr.
Διαβάστε περισσότεραZáklady metodológie vedy I. 9. prednáška
Základy metodológie vedy I. 9. prednáška Triedenie dát: Triedny znak - x i Absolútna početnosť n i (súčet všetkých absolútnych početností sa rovná rozsahu súboru n) ni fi = Relatívna početnosť fi n (relatívna
Διαβάστε περισσότερα2 ODHADY PARAMETROV ZÁKLADNÉHO SÚBORU
ODHADY PARAMETROV ZÁKLADNÉHO SÚBOR.1 Bodové odhady Každý záko rozdeleia pravdepodobosti diskrétej aj spojitej áhodej premeej závisí od jedého alebo viacerých parametrov. V praxi často hľadáme vhodý pravdepodobostý
Διαβάστε περισσότεραM6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou
M6: Model Hydraulický ytém dvoch záobníkov kvapaliny interakciou Úlohy:. Zotavte matematický popi modelu Hydraulický ytém. Vytvorte imulačný model v jazyku: a. Matlab b. imulink 3. Linearizujte nelineárny
Διαβάστε περισσότεραChí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky
Chí kvadrát test dobrej zhody Metódy riešenia úloh z pravdepodobnosti a štatistiky www.iam.fmph.uniba.sk/institute/stehlikova Test dobrej zhody I. Chceme overiť, či naše dáta pochádzajú z konkrétneho pravdep.
Διαβάστε περισσότεραMotivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010.
14. decembra 2010 Rie²enie sústav Plocha rovnobeºníka Objem rovnobeºnostena Rie²enie sústav Príklad a 11 x 1 + a 12 x 2 = c 1 a 21 x 1 + a 22 x 2 = c 2 Dostaneme: x 1 = c 1a 22 c 2 a 12 a 11 a 22 a 12
Διαβάστε περισσότερα1. Limita, spojitost a diferenciálny počet funkcie jednej premennej
. Limita, spojitost a diferenciálny počet funkcie jednej premennej Definícia.: Hromadný bod a R množiny A R: v každom jeho okolí leží aspoň jeden bod z množiny A, ktorý je rôzny od bodu a Zadanie množiny
Διαβάστε περισσότεραObvod a obsah štvoruholníka
Obvod a štvoruholníka D. Štyri body roviny z ktorých žiadne tri nie sú kolineárne (neležia na jednej priamke) tvoria jeden štvoruholník. Tie body (A, B, C, D) sú vrcholy štvoruholníka. strany štvoruholníka
Διαβάστε περισσότεραEkvačná a kvantifikačná logika
a kvantifikačná 3. prednáška (6. 10. 004) Prehľad 1 1 (dokončenie) ekvačných tabliel Formula A je ekvačne dokázateľná z množiny axióm T (T i A) práve vtedy, keď existuje uzavreté tablo pre cieľ A ekvačných
Διαβάστε περισσότεραKomplexné čísla, Diskrétna Fourierova transformácia 1
Komplexné čísla, Diskrétna Fourierova transformácia Komplexné čísla C - množina všetkých komplexných čísel komplexné číslo: z = a + bi, kde a, b R, i - imaginárna jednotka i =, t.j. i =. komplexne združené
Διαβάστε περισσότεραARMA modely čast 2: moving average modely (MA)
ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2014/2015 ARMA modely časť 2: moving average modely(ma) p.1/24 V. Moving average proces prvého rádu - MA(1) ARMA modely
Διαβάστε περισσότεραTomáš Madaras Prvočísla
Prvočísla Tomáš Madaras 2011 Definícia Nech a Z. Čísla 1, 1, a, a sa nazývajú triviálne delitele čísla a. Cele číslo a / {0, 1, 1} sa nazýva prvočíslo, ak má iba triviálne delitele; ak má aj iné delitele,
Διαβάστε περισσότερα6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu
6 Limita funkcie 6 Myšlienka ity, interval bez bodu Intuitívna myšlienka ity je prirodzená, ale definovať presne pojem ity je značne obtiažne Nech f je funkcia a nech a je reálne číslo Čo znamená zápis
Διαβάστε περισσότεραJednotkový koreň (unit root), diferencovanie časového radu, unit root testy
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2012/2013 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18
Διαβάστε περισσότεραGoniometrické rovnice a nerovnice. Základné goniometrické rovnice
Goniometrické rovnice a nerovnice Definícia: Rovnice (nerovnice) obsahujúce neznámu x alebo výrazy s neznámou x ako argumenty jednej alebo niekoľkých goniometrických funkcií nazývame goniometrickými rovnicami
Διαβάστε περισσότερα7. FUNKCIE POJEM FUNKCIE
7. FUNKCIE POJEM FUNKCIE Funkcia f reálnej premennej je : - každé zobrazenie f v množine všetkých reálnych čísel; - množina f všetkých usporiadaných dvojíc[,y] R R pre ktorú platí: ku každému R eistuje
Διαβάστε περισσότερα2 Chyby a neistoty merania, zápis výsledku merania
2 Chyby a neistoty merania, zápis výsledku merania Akej chyby sa môžeme dopustiť pri meraní na stopkách? Ako určíme ich presnosť? Základné pojmy: chyba merania, hrubé chyby, systematické chyby, náhodné
Διαβάστε περισσότεραSpojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana.
Spojité rozdelenia pravdepodobnosti Pomôcka k predmetu PaŠ Strana z 7 RNDr. Aleš Kozubík, PhD. 6. marca 3 Zoznam obrázkov Rovnomerné rozdelenie Ro (a, b). Definícia.........................................
Διαβάστε περισσότερα1 Prevod miestneho stredného slnečného času LMT 1 na iný miestny stredný slnečný čas LMT 2
1 Prevod miestneho stredného slnečného času LMT 1 na iný miestny stredný slnečný čas LMT 2 Rozdiel LMT medzi dvoma miestami sa rovná rozdielu ich zemepisných dĺžok. Pre prevod miestnych časov platí, že
Διαβάστε περισσότερα1. písomná práca z matematiky Skupina A
1. písomná práca z matematiky Skupina A 1. Vypočítajte : a) 84º 56 + 32º 38 = b) 140º 53º 24 = c) 55º 12 : 2 = 2. Vypočítajte zvyšné uhly na obrázku : β γ α = 35 12 δ a b 3. Znázornite na číselnej osi
Διαβάστε περισσότεραMIDTERM (A) riešenia a bodovanie
MIDTERM (A) riešenia a bodovanie 1. (7b) Nech vzhl adom na štandardnú karteziánsku sústavu súradníc S 1 := O, e 1, e 2 majú bod P a vektory u, v súradnice P = [0, 1], u = e 1, v = 2 e 2. Aký predpis bude
Διαβάστε περισσότεραIntegrovanie racionálnych funkcií
Integrovanie racionálnych funkcií Tomáš Madaras 2009-20 Z teórie funkcií už vieme, že každá racionálna funkcia (t.j. podiel dvoch polynomických funkcií) sa dá zapísať ako súčet polynomickej funkcie a funkcie
Διαβάστε περισσότεραModerné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A
M A T E M A T I K A PRACOVNÝ ZOŠIT II. ROČNÍK Mgr. Agnesa Balážová Obchodná akadémia, Akademika Hronca 8, Rožňava PRACOVNÝ LIST 1 Urč typ kvadratickej rovnice : 1. x 2 3x = 0... 2. 3x 2 = - 2... 3. -4x
Διαβάστε περισσότεραIng. Andrej Trnka, PhD. Základné štatistické metódy marketingového výskumu
Ing. Andrej Trnka, PhD. Základné štatistické metódy marketingového výskumu 2016 Základné štatistické metódy marketingového výskumu Autor: Recenzenti: Ing. Andrej Trnka, PhD. prof. Ing. Pavol Tanuška, PhD.
Διαβάστε περισσότεραÚvod do lineárnej algebry. Monika Molnárová Prednášky
Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 3 17 marca 2006 4 24 marca 2006 c RNDr Monika Molnárová, PhD Obsah 2 Sústavy lineárnych rovníc 25 21 Riešenie sústavy lineárnych rovníc
Διαβάστε περισσότεραUrčite vybrané antropometrické parametre vašej skupiny so základným (*úplným) štatistickým vyhodnotením.
Priezvisko a meno študenta: 216_Antropometria.xlsx/Pracovný postup Študijná skupina: Ročník štúdia: Antropometria Cieľ: Určite vybrané antropometrické parametre vašej skupiny so základným (*úplným) štatistickým
Διαβάστε περισσότερα,Zohrievanie vody indukčným varičom bez pokrievky,
Farba skupiny: zelená Označenie úlohy:,zohrievanie vody indukčným varičom bez pokrievky, Úloha: Zistiť, ako závisí účinnosť zohrievania vody na indukčnom variči od priemeru použitého hrnca. Hypotéza: Účinnosť
Διαβάστε περισσότεραObsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8
Obsah 1 Číselné obory 7 1.1 Reálne čísla a ich základné vlastnosti............................ 7 1.1.1 Komplexné čísla................................... 8 1.2 Číselné množiny.......................................
Διαβάστε περισσότεραRozsah hodnotenia a spôsob výpočtu energetickej účinnosti rozvodu tepla
Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti príloha č. 7 k vyhláške č. 428/2010 Názov prevádzkovateľa verejného : Spravbytkomfort a.s. Prešov Adresa: IČO: Volgogradská 88, 080 01 Prešov 31718523
Διαβάστε περισσότεραMetódy spracovania experimentálnych výsledkov Autor pôvodného textu: Peter Ballo
Spracovae výsledkov Metódy spracovaa epermetálych výsledkov Autor pôvodého tetu: Peter Ballo Každé merae je zaťažeé chybam, ktoré sú zapríčeé edokoalosťou ašch pozorovacích schopostí, epresosťou prístrojov,
Διαβάστε περισσότεραCvičenia zo ŠTATISTIKY v Exceli Kurz IPA-Slovakia, september 2008, VYHNE
Cvičenia zo ŠTATISTIKY v Exceli Kurz IPA-Slovakia, september 2008, VYHNE doc. RNDr. Štefan PEŠKO, CSc. stefan.pesko@fri.uniza.sk, http://frcatel.fri.uniza.sk/pesko/ Katedra matematických metód, Fakulta
Διαβάστε περισσότεραx x x2 n
Reálne symetrické matice Skalárny súčin v R n. Pripomeniem, že pre vektory u = u, u, u, v = v, v, v R platí. dĺžka vektora u je u = u + u + u,. ak sú oba vektory nenulové a zvierajú neorientovaný uhol
Διαβάστε περισσότερα7 Derivácia funkcie. 7.1 Motivácia k derivácii
Híc, P Pokorný, M: Matematika pre informatikov a prírodné vedy 7 Derivácia funkcie 7 Motivácia k derivácii S využitím derivácií sa stretávame veľmi často v matematike, geometrii, fyzike, či v rôznych technických
Διαβάστε περισσότεραAnalýza vlastností funkcií mierky a waveletov v ortogonálnom prípade. - funkcia mierky a wavelet spĺňajúca relácie zmeny rozlíšenia
Aalýza vlastostí fucií miery a waveletov v ortogoálom prípade Ozačeie: ϕ ( t), ψ ( t) - fucia miery a wavelet spĺňajúca relácie zmey rozlíšeia h ( ), g ( ) - zjedodušeé ozačeie oeficietov pre zmeu rozlíšeia
Διαβάστε περισσότεραNumerické metódy Učebný text pre bakalárske štúdium
Imrich Pokorný Numerické metódy Učebný text pre bakalárske štúdium Strana 1 z 48 1 Nepresnosť numerického riešenia úloh 4 1.1 Zdroje chýb a ich klasifikácia................... 4 1.2 Základné pojmy odhadu
Διαβάστε περισσότεραPríručka ku kurzu SPÔSOBILOSŤ PROCESU
E+6 E+5 E+ E+ E+ E+ E+ E- Príručka ku kurzu SPÔSOBILOSŤ PROCESU E- E- E- E-5 E-6 E-7 E-8,5,7,9,,,5,7,9,,,5 ÚVOD Z noriem a inej literatúry je známych mnoho postupov, ako stanoviť spôsobilosť procesu. Existuje
Διαβάστε περισσότεραHANA LAURINCOVÁ KLASICKÝ VS. NEPARAMETRICKÝ PRÍSTUP Štatistika Poistná matematika
UNIVERZITA KOMENSKÉHO, BRATISLAVA FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY KATEDRA POISTNEJ MATEMATIKY A ŠTATISTIKY PARCIÁLNA A MNOHONÁSOBNÁ KORELÁCIA: KLASICKÝ VS. NEPARAMETRICKÝ PRÍSTUP (Bakalárska práca)
Διαβάστε περισσότεραCHÉMIA Ing. Iveta Bruončová
Výpočet hmotnostného zlomku, látkovej koncentrácie, výpočty zamerané na zloženie roztokov CHÉMIA Ing. Iveta Bruončová Moderné vzdelávanie pre vedomostnú spoločnosť/projekt je spolufinancovaný zo zdrojov
Διαβάστε περισσότεραUČEBNÉ TEXTY. Pracovný zošit č.2. Moderné vzdelávanie pre vedomostnú spoločnosť Elektrotechnické merania. Ing. Alžbeta Kršňáková
Stredná priemyselná škola dopravná, Sokolská 911/94, 960 01 Zvolen Kód ITMS projektu: 26110130667 Názov projektu: Zvyšovanie flexibility absolventov v oblasti dopravy UČEBNÉ TEXTY Pracovný zošit č.2 Vzdelávacia
Διαβάστε περισσότερα3. Striedavé prúdy. Sínusoida
. Striedavé prúdy VZNIK: Striedavý elektrický prúd prechádza obvodom, ktorý je pripojený na zdroj striedavého napätia. Striedavé napätie vyrába synchrónny generátor, kde na koncoch rotorového vinutia sa
Διαβάστε περισσότεραUniverzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCA
Uiverzita Karlova v Praze Matematicko-fyzikálí fakulta DIPLOMOVÁ PRÁCA Vladislav Gajdošík Kozistecia a asymptotická reprezetácia odhadu LWS Katedra pravděpodobosti a matematické statistiky Vedúci diplomovej
Διαβάστε περισσότεραLogaritmus operácie s logaritmami, dekadický a prirodzený logaritmus
KrAv11-T List 1 Logaritmus operácie s logaritmami, dekadický a prirodzený logaritmus RNDr. Jana Krajčiová, PhD. U: Najprv si zopakujme, ako znie definícia logaritmu. Ž: Ja si pamätám, že logaritmus súvisí
Διαβάστε περισσότεραGramatická indukcia a jej využitie
a jej využitie KAI FMFI UK 29. Marec 2010 a jej využitie Prehľad Teória formálnych jazykov 1 Teória formálnych jazykov 2 3 a jej využitie Na počiatku bolo slovo. A slovo... a jej využitie Definícia (Slovo)
Διαβάστε περισσότεραUNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY TEÓRIA FOURIEROVÝCH RADOV
UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY TEÓRIA FOURIEROVÝCH RADOV Bratislava Marti Varísky UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY
Διαβάστε περισσότεραRozdiely vo vnútornej štruktúre údajov = tvarové charakteristiky
Veľkosť Varablta Rozdelene 0 00 80 n 60 40 0 0 0 4 6 8 Tredy 0 Rozdely vo vnútornej štruktúre údajov = tvarové charakterstky I CHARAKTERISTIKY PREMELIVOSTI Artmetcký premer Vzťahy pre výpočet artmetckého
Διαβάστε περισσότεραPríklady na precvičovanie číselné rady a kritériá ich konvergencie a divergencie
Príklady a precvičovaie číselé rady a kritériá ich kovergecie a divergecie Ústredým problémom teórie reálych číselých radov je vyšetrovaie ich kovergecie, resp divergecie Ak {a } = je daá postuposť reálych
Διαβάστε περισσότεραVYHODNOCOVANIE CHYBY MERANIA
YHODNOCOANIE CHYBY MERANIA doc RNDr Drahoslav ajda, CSc Ceľom meraa je pozať skutočú hodotu fyzkálej velčy Avšak pr meraí akejkoľvek fyzkálej velčy sa dopúšťame epresost, takže výsledok meraa sa líš od
Διαβάστε περισσότεραReprezentácia dát. Ing. Martin Mariš, Katedra regionalistiky a rozvoja vidieka, SPU, NITRA
Reprezentácia dát Ing. Martin Mariš, Katedra regionalistiky a rozvoja vidieka, SPU, NITRA slovným opisom grafickým zobrazením Typy grafov a ich použitie Najčastejšie používané typy grafov: čiarový graf
Διαβάστε περισσότεραJednotkový koreň (unit root), diferencovanie časového radu, unit root testy
Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/27
Διαβάστε περισσότεραDeliteľnosť a znaky deliteľnosti
Deliteľnosť a znaky deliteľnosti Medzi základné pojmy v aritmetike celých čísel patrí aj pojem deliteľnosť. Najprv si povieme, čo znamená, že celé číslo a delí celé číslo b a ako to zapisujeme. Nech a
Διαβάστε περισσότεραMatematika 2. časť: Analytická geometria
Matematika 2 časť: Analytická geometria RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk Súradnicové
Διαβάστε περισσότεραMetódy vol nej optimalizácie
Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/28 Motivácia k metódam vol nej optimalizácie APLIKÁCIE p. 2/28 II 1. PRÍKLAD: Lineárna regresia - metóda najmenších štvorcov Na základe dostupných
Διαβάστε περισσότεραOdporníky. 1. Príklad1. TESLA TR
Odporníky Úloha cvičenia: 1.Zistite technické údaje odporníkov pomocou katalógov 2.Zistite menovitú hodnotu odporníkov označených farebným kódom Schématická značka: 1. Príklad1. TESLA TR 163 200 ±1% L
Διαβάστε περισσότεραARMA modely čast 2: moving average modely (MA)
ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 ARMA modely časť 2: moving average modely(ma) p.1/25 V. Moving average proces prvého rádu - MA(1) ARMA modely
Διαβάστε περισσότεραNávrh vzduchotesnosti pre detaily napojení
Výpočet lineárneho stratového súčiniteľa tepelného mosta vzťahujúceho sa k vonkajším rozmerom: Ψ e podľa STN EN ISO 10211 Návrh vzduchotesnosti pre detaily napojení Objednávateľ: Ing. Natália Voltmannová
Διαβάστε περισσότεραMetodicko pedagogické centrum. Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH ZAMESTNANCOV K INKLÚZII MARGINALIZOVANÝCH RÓMSKYCH KOMUNÍT
Moderné vzdelávanie pre vedomostnú spoločnosť / Projekt je spolufinancovaný zo zdrojov EÚ Kód ITMS: 26130130051 číslo zmluvy: OPV/24/2011 Metodicko pedagogické centrum Národný projekt VZDELÁVANÍM PEDAGOGICKÝCH
Διαβάστε περισσότεραŠtatistické riadenie procesov Regulačné diagramy 3-1
Charakteristika Štatistické riadenie procesov Regulačné diagramy 3-1 3 Regulačné diagramy Cieľ kapitoly Po preštudovaní tejto kapitoly budete vedieť: čo je to regulačný diagram, aké je jeho teoretické
Διαβάστε περισσότεραPrognózovanie OBSAH PREDNÁŠKY
Progózovaie OBSAH PREDNÁŠKY Progózovaie cieľ, postup, klasifikácia metód Kvatitatíve metódy Rôze typy priemerov, lieára regresia, metóda harmoických váh Kvalitatíve metódy Odhad predajcov, skupiový posudok,
Διαβάστε περισσότερα6. Mocniny a odmocniny
6 Moci odoci Číslo zýve oceec (leo zákld oci), s zýv ociteľ (leo epoet) Číslo s zýv -tá oci čísl Moci s piodzeý epoeto pe ľuovoľé eále číslo pe kždé piodzeé číslo je v ožie eálch čísel defiová -tá oci
Διαβάστε περισσότεραPRIEMER DROTU d = 0,4-6,3 mm
PRUŽINY PRUŽINY SKRUTNÉ PRUŽINY VIAC AKO 200 RUHOV SKRUTNÝCH PRUŽÍN PRIEMER ROTU d = 0,4-6,3 mm èíslo 3.0 22.8.2008 8:28:57 22.8.2008 8:28:58 PRUŽINY SKRUTNÉ PRUŽINY TECHNICKÉ PARAMETRE h d L S Legenda
Διαβάστε περισσότεραZložené funkcie a substitúcia
3. kapitola Zložené funkcie a substitúcia Doteraz sme sa pri funkciách stretli len so závislosťami medzi dvoma premennými. Napríklad vzťah y=x 2 nám hovoril, ako závisí premenná y od premennej x. V praxi
Διαβάστε περισσότεραRIEŠENIE WHEATSONOVHO MOSTÍKA
SNÁ PMYSLNÁ ŠKOL LKONKÁ V PŠŤNO KOMPLXNÁ PÁ Č. / ŠN WSONOVO MOSÍK Piešťany, október 00 utor : Marek eteš. Komplexná práca č. / Strana č. / Obsah:. eoretický rozbor Wheatsonovho mostíka. eoretický rozbor
Διαβάστε περισσότεραŠTATISTICKÉ METÓDY VPRAXI
TECHNICKÁ UNIVERZITA V KOŠICIACH Strojnícka fakulta ŠTATISTICKÉ METÓDY VPRAXI Miriam Andrejiová Edícia vedeckej a odbornej literatúry Košice 2016 Technická univerzita v Košiciach, Strojnícka fakulta Miriam
Διαβάστε περισσότεραVeľkosť výberového súboru
Veľkosť výberového súboru Podľa Kah,H.A., Sempos,C.T.: Statistical Methods i Epidemiology. Oxford Uiv. Press, 1989 spracoval Doc. MUDr. Marti Rusák, CSc Často sa pýtame, aký veľký súbor potrebujem a preukázaie
Διαβάστε περισσότεραPREHĽAD ÚDAJOV. 1. Početnosť
PREHĽAD ÚDAJOV 1. Početnosť. Miery centrálnej tendencie a. Aritmetický priemer b. Medián c. Modus 3. Miery rozptylu a. Tvar b. Rozdelenie, rozloženie údajov c. Rozsah d. Rozptyl - variancia e. Smerodatná
Διαβάστε περισσότερα1 lim. Analýza výstupných dát simulácie Odhad neznámej strednej hodnoty
V. Solá, KIVT FEI STU Bratslava 6 : Aalýza výstupých dát smuláce Odhad ezámej stredej hodot Cetrála lmtá veta CLV: Nech,,... sú IID áhodé premeé so stredou hodotou µ a koeou dsperzou σ. Potom x R platí:
Διαβάστε περισσότεραMOSTÍKOVÁ METÓDA 1.ÚLOHA: 2.OPIS MERANÉHO PREDMETU: 3.TEORETICKÝ ROZBOR: 4.SCHÉMA ZAPOJENIA:
1.ÚLOHA: MOSTÍKOVÁ METÓDA a, Odmerajte odpory predložených rezistorou pomocou Wheastonovho mostíka. b, Odmerajte odpory predložených rezistorou pomocou Mostíka ICOMET. c, Odmerajte odpory predložených
Διαβάστε περισσότεραMargita Vajsáblová. ρ priemetňa, s smer premietania. Súradnicová sústava (O, x, y, z ) (O a, x a, y a, z a )
Mrgit Váblová Váblová, M: Dekriptívn geometri pre GK 101 Zákldné pom v onometrii Váblová, M: Dekriptívn geometri pre GK 102 Definíci 1: onometri e rovnobežné premietnie bodov Ε 3 polu prvouhlým úrdnicovým
Διαβάστε περισσότεραREZISTORY. Rezistory (súčiastky) sú pasívne prvky. Používajú sa vo všetkých elektrických
REZISTORY Rezistory (súčiastky) sú pasívne prvky. Používajú sa vo všetkých elektrických obvodoch. Základnou vlastnosťou rezistora je jeho odpor. Odpor je fyzikálna vlastnosť, ktorá je daná štruktúrou materiálu
Διαβάστε περισσότεραPrechod z 2D do 3D. Martin Florek 3. marca 2009
Počítačová grafika 2 Prechod z 2D do 3D Martin Florek florek@sccg.sk FMFI UK 3. marca 2009 Prechod z 2D do 3D Čo to znamená? Ako zobraziť? Súradnicové systémy Čo to znamená? Ako zobraziť? tretia súradnica
Διαβάστε περισσότεραHASLIM112V, HASLIM123V, HASLIM136V HASLIM112Z, HASLIM123Z, HASLIM136Z HASLIM112S, HASLIM123S, HASLIM136S
PROUKTOVÝ LIST HKL SLIM č. sklad. karty / obj. číslo: HSLIM112V, HSLIM123V, HSLIM136V HSLIM112Z, HSLIM123Z, HSLIM136Z HSLIM112S, HSLIM123S, HSLIM136S fakturačný názov výrobku: HKL SLIMv 1,2kW HKL SLIMv
Διαβάστε περισσότεραŽivot vedca krajší od vysnívaného... s prírodou na hladine α R-P-R
Život vedca krajší od vysnívaného... s prírodou na hladine α R-P-R Ako nadprirodzené stretnutie s murárikom červenokrídlym naformátovalo môj profesijný i súkromný život... Osudové stretnutie s murárikom
Διαβάστε περισσότεραPolynómy, algebraické rovnice, korene a rozklad racionálnej funkcie. priesvitka 1
Polyómy, algebraické rovice, koree a rozklad racioálej fukcie priesvitka Polyómy Defiícia: Polyóm -tého stupňa premeej x (komplexej) je defiovaý vzťahom k P( x) = a0 + ax+ ax +... + ax = akx kde a0, a,...,
Διαβάστε περισσότεραFUNKCIE N REÁLNYCH PREMENNÝCH
FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITY KOMENSKÉHO V BRATISLAVE FUNKCIE N REÁLNYCH PREMENNÝCH RNDr. Kristína Rostás, PhD. PREDMET: Matematická analýza ) 2010/2011 1. DEFINÍCIA REÁLNEJ FUNKCIE
Διαβάστε περισσότεραHarmonizované technické špecifikácie Trieda GP - CS lv EN Pevnosť v tlaku 6 N/mm² EN Prídržnosť
Baumit Prednástrek / Vorspritzer Vyhlásenie o parametroch č.: 01-BSK- Prednástrek / Vorspritzer 1. Jedinečný identifikačný kód typu a výrobku: Baumit Prednástrek / Vorspritzer 2. Typ, číslo výrobnej dávky
Διαβάστε περισσότεραMONITOR 9 (2007) riešenia úloh testu z matematiky
MONITOR 9 (007) riešenia úloh testu z matematiky Autormi nasledujúcich riešení sú pracovníci spoločnosti EXAM testing Nejde teda o oficiálne riešenia, ktoré môže vydať ia Štátny pedagogický ústav (wwwstatpedusk)
Διαβάστε περισσότερα24. Základné spôsoby zobrazovania priestoru do roviny
24. Základné spôsoby zobrazovania priestoru do roviny Voľné rovnobežné premietanie Presné metódy zobrazenia trojrozmerného priestoru do dvojrozmernej roviny skúma samostatná matematická disciplína, ktorá
Διαβάστε περισσότεραMatematická štatistika
Matematcká štatstka Trochu hstóre: Starovek sčítae ľudu a majetku (vojeské a daňové účely) Egypt, Čía, Mezopotáma Stredovek vzk a kosoldáca ových štátov zsťovae geografckých údajov, hospodársky a poltcký
Διαβάστε περισσότεραVLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR. Michal Zajac. 3 T b 1 = T b 2 = = = 2b
VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR Michal Zajac Vlastné čísla a vlastné vektory Pripomeňme najprv, že lineárny operátor T : L L je vzhl adom na bázu B = {b 1, b 2,, b n } lineárneho priestoru L určený
Διαβάστε περισσότεραMotivácia pojmu derivácia
Derivácia funkcie Motivácia pojmu derivácia Zaujíma nás priemerná intenzita zmeny nejakej veličiny (dráhy, rastu populácie, veľkosti elektrického náboja, hmotnosti), vzhľadom na inú veličinu (čas, dĺžka)
Διαβάστε περισσότεραTeória pravdepodobnosti
2. Podmienená pravdepodobnosť Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 23. februára 2015 1 Pojem podmienenej pravdepodobnosti 2 Nezávislosť náhodných udalostí
Διαβάστε περισσότεραVyužitie programu Microsoft Excel pri ekonometrickom modelovaní
Využitie programu Microsoft Excel pri ekonometrickom modelovaní Martin Lukáčik, Adriana Lukáčiková, Karol Szomolányi Aplikovanú ekonometriu, najmä odhad parametrov modelu a testovanie predpokladov si už
Διαβάστε περισσότεραHypotézy a intervaly spoľahlivosti stručná teória a vzorce
Hypoézy a inervaly spoľahlivosi srčná eória a vzorce Obsah Úvod Základný a výberový súbor... Overovanie hypoéz... 3 Posp pri overovaní hypoézy... 4 súbor: Tes o rozpyle σ : Porovnanie σ s číslom... 6 súbor:
Διαβάστε περισσότερα1. Komplexné čísla. Doteraz ste pracovali s číslami, ktoré pochádzali z nasledovných množín:
1. Komplexné čísla Po preštudovaní danej kapitoly by ste mali byť shopní: poznať použitie a význam komplexnýh čísel v elektrikýh obvodoh rozumieť pojmom reálna a imaginárna časť, imaginárna jednotka, veľkosť,
Διαβάστε περισσότεραPriamkové plochy. Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava
Priamkové plochy Priamkové plochy Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava Priamkové plochy rozdeľujeme na: Rozvinuteľné
Διαβάστε περισσότερα