Statistická zpráva zkoušek leteckých motorů
|
|
- František Tichý
- před 5 lety
- Počet zobrazení:
Transkript
1 Statistická zpráva zkoušek leteckých motorů Zpráva o zkoumání reakcí parametrů motorů na prováděné změny GE AVIATION CHZECH May, Autor: Milan Zapach
2 Problematika zkoušek motorů Po smontování je zapotřebí každý letecký motor vyzkoušet, aby se ověřilo, jestli se pohybují všechny sledované parametry ve správných mezích. Během zkoušky jsou jednotlivé sledované parametry zaznamenávány pro následné vyhodnocení. Při zaznamenávání parametrů se sledují jejich hodnoty na dvou rozdílných režimech. Při nevyhovujících hodnotách některého parametru je možné provést úpravy určitých součástí, které tento parametr ovlivňují. Díky komplikovanosti systému je vždy možnost různé reakce na danou změnu. Úkolem mého vyšetřování je zkontrolovat, jestli se úpravy jednotlivých součástí chovají ve správném smyslu a jestli jejich změny odpovídají teoreticky stanoveným změnám hodnot. Zkoumání parametrů motoru M E a E- Statistika byla provedena ze souboru dat získaných z výsledků ze zkušeben. Soubor dat sestává z výkonových parametrů měřených při zkouškách, znaků identifikujících motor a hodnot nastavení určitých součástí či vůlí. Veškeré prováděné statistické operace a grafy jsou za pomoci programu MINITAB a Microsoft Excel. Otáčky a jejich změny Otáčky motoru jsou jednou z klíčových hodnot snímaných na motoru. U turbínových motorů se otáčky měří v procentech jmenovitého výkonu. Jmenovitý výkon je hodnota výkonu v daných jednotkách vyvinutá motorem (motor musí být na tento výkon navržený). Porovnávání režimů MVV a MTV Otáčky motoru jsou snímány a uváděny v *%+ jmenovitého výkonu. Jsou dva základní režimy pro jejich hodnocení. První je režim maximálního vzletového výkonu (MVV) a druhý je režim maximálního trvalého výkonu (MTV). Reakce obou režimů a následná změna hodnot je na sobě závislá a v ideálním případě by měla být lineární a splývající s osou.ho a.ho kvadrantu souřadnicového systému. V práci se dále zabývám porovnáním dvou typů základních součástek a jejich vlivu na tyto změny. Starší typ součástky označím jako (S) a nový typ jako (S).
3 Frequency MTV Změna otáček s S a S,,8,,,, -, -,, -,,, -, y =,97x -,9 R² =,88 y =,9x -,7 R² =,9 S S osa Lineární (S) Lineární (S) -, -,8 -, MVV Starší typ součástky (S) Median: -, Stední hodnota: -,9 Korelace mezi oběma režimy je: Correlation of MVV and MTV =,9; Daná korelace nám určuje možnost popsání daného problému lineární funkcí. P-Value =, Výsledek lineární regrese je: The regression equation is MTV = -, +,9 MVV S přesností: R-Sq = 8,% Danou rovnici z regresní analýzy je možné s vysokou přesností použít pro přepočítávání jednoho režimu na druhý a následnou kontrolu Histogram (with Normal Curve) of os_mvv Mean -,9 StDev, N 7 -,8 -,, os_mvv,,8
4 Frequency Frequency Histogram (with Normal Curve) of os_mtv Mean -,9 StDev, N 7 -,8 -,, os_mtv, Nový typ součástky (S) Median: -, Střední hodnota: -,9 Korelace mezi oběma režimy je: Correlation of MVV and MTV =,9;Daná korelace nám určuje možnost popsání daného problému lineární funkcí. P-Value =, Výsledek lineární regrese je: The regression equation is MTV = -,7 +,9 MVV S přesností: R-Sq = 9,% Histogram (with Normal Curve) of os_mvv Mean -,78 StDev,8 N -, -,8 -,, os_mvv,,8
5 Frequency Histogram (with Normal Curve) of os_mtv Mean -,9 StDev, N -, -,8 -, os_mtv,, Nový typ součástky vykazuje vyšší přesnost lineární regrese a také vyšší korelaci, je proto velmi pravděpodobné, že motor s touto součástkou má závislost mezi oběma režimy vyšší a je možné ji popsat rovnicí vyplývající z lineární regrese. Pro nás je také pozitivní, že případné reakce motoru na naše zásahy z hlediska otáček budou lépe předpokládatelné a známé (nebudou se nám po změně režimy rozcházet ). Z histogramů je ovšem patrné, že součástka S má lepší rozdělení četností na trvalém režimu a součástka S zase na trvalém. Vztah otáček a jiných parametrů Jednotlivé změny hodnot otáček a jiných parametrů mohou být na sobě závislé a to ve správném i špatném směru. Je dobré si tyto vztahy ověřit a případné závislosti odhalit. Velkým rizikem jsou opačné závislosti, kdy zlepšení jedné hodnoty nám zhoršuje druhou. Pro lepší prozkoumání již zkoumaných dvou typů součástek je dobré rozdělit si je ještě v kombinaci s dalšími dvěma verzemi sousední součástky. Tyto dvě součástky se ovlivňují významným způsobem. Jsou proto vytvořeny dvojce kombinací (S;S),(S;S),(S;S),(S;S). Pro jednodušší orientaci jsou dále označené kombinace pojmenované písmeny abecedy. Vztah otáček a stlačení Varianta Korelace P-value Lineární regrese Spolehlivost LR A -,,7 O_A = -, -,7 st_a,% B -,,8 O_B = -, -, st_b,% C -,8, O_C =,9 -, st_c 9,% D -,7, O_D = -, -,8 st_d,% Z výše uvedené tabulky je patrné, že vztah obou zkoumaných parametrů je protichůdný. Snižování jednoho nám zvyšuje druhý a naopak. První dvě varianty mají slabou korelaci, což nám napovídá, že rozložení hodnot není vhodné popisovat lineární funkcí a z lineární regrese můžeme říci, že pouze % hodnot dokážeme touto funkcí popsat. Naproti tomu varianty C a D mají korelace už dosti vysoké a lineární regrese zejména u varianty D má i dost velkou spolehlivost.
6 změna otáček Závislost otáček na stlačení,,8,,, A B C D Lineární (A), -, -, -,,,,,, -, Lineární (B) Lineární (C) Lineární (D) -, -, -,8 -, změna stlačení R² =,9 R² =,97 R² =, R² =, Graf zpracovávaných hodnot Vztah otáček a teploty Varianta Korelace P-value Lineární regrese Spolehlivost LR A -,,8 O_A = -,97 -, tep_a,% B -,9,89 O_B = -,89 -,8 tep_b 8,% C -,,97 O_C = -,8 -,7 tep_c,% D -,,88 O_D = -,7 -, tep_d,% Vztah mezi otáčkami a teplotou je pro mojí další analýzu zanedbatelný. V případě A a C je korelace prakticky nevýznamná a u varianty B a D je nízká. Přesnosti rovnic lineární regrese jsou velmi nízké.
7 Změna otáček Závislost otáček na teplotě,,8,,,, -, -, -, -,, -,,, -, -, -,8 -, Změna teploty A B C D R² =, R² =,8 R² =, R² =, Lineární (A) Lineární (B) Lineární (C) Lineární (D) Z grafu vyplívá, že u každé sady bodů alespoň jeden bod byl mimo normální meze a posunul chování celé sady nevyhovujícím směrem. Tyto nevyhovující body se projevily takto výrazně až v tomto kroku. Jejich odstranění by zlepšilo analýzu, ale omezilo by ještě více zkrácený soubor dostupných dat. Při bližší analýze bude tento krok následovat. Nyní však postačí konstatování, že vztah mezi veličinami existuje, ale je ovlivněn některými výjimečnými body. Z grafu je ovšem patrné, že varianta C a D je v tomto ohledu lepší než první dvě varianty. Reakce otáček na prováděné úpravy Nyní se pokusím rozebrat pár případů změny parametrů za pomoci úpravy součástek. Všeobecně máme v takovém případě možnost upravit míru V, velikost součástky X, velikost součástky Y a tím rozdíl mezi součástkami X a Y, který je Z Změna otáček se změnou Z Součástka S(varianty A a B) Korelace pro situaci A je: Pearson correlation of O_A and Za = -,9 P-Value =,7 Výsledek lineární regrese: O_A =,7 -,7 Za S přesností :,% Korelace pro situaci B je:
8 Rozdíl otáček Pearson correlation of O_B and Zb = -,9 P-Value =,7 Výsledek lineární regrese: O_A = -,98 -, Zb S přesností:,%,8 Varianta A a B,,,, , -, A B Lineární (A) Lineární (B) -, -,8 -, změna rozdílu Z R² =, R² =, Součástka S (varianta C a D) Korelace pro situaci C je: Pearson correlation of o 9.F and G-VnF = -,7 P-Value =,89 Výsledek lineární regrese: O_C = -, -,8 Zc S přesností:,% Korelace pro situaci D je: Pearson correlation of o 9.D and G-VnD = -,7 P-Value =, Výsledek lineární regrese: O_D = -,88 -,7 Zd S přesností:,% 7
9 Změna otáček Varianta C a D,,8,,,, , -, -, -,8 -, změna rozdílu Z C D Lineární (C) Lineární (D) R² =, R² =, Z obou přiložených grafů je patrné, že součástka S má obecně lepší průběh reakce otáček na změnu Z. Z tohoto pohledu vychází varianta D nejlépe. Body změn se pohybují ve velmi úzkém pásu. Je zde pouze jeden bod, který se vymyká. Varianta C má již široký pás hodnot v grafu. Varianty A a B opravdu odpovídají své korelaci. Změna otáček se změnou X Varianty A a B Korelace pro variantu A: Pearson correlation of O_A and Xa = -,9 P-Value =, Výsledek lineární regrese: O_A = -,7 -,9 Xa S přesností: 8,% Korelace pro variantu B: Pearson correlation of O_B and Xb = -, P-Value =,9 Výsledek lineární regrese: O_B = -, -, Xb S přesností:,% Varianty C a D Korelace pro variantu C: Pearson correlation of O_C and Xc = -, P-Value =, Výsledek lineární regrese: O_C = -,8 -, Xc S přesností: 9,9% Korelace pro variantu D: Pearson correlation of O_D and Xd = -,8 P-Value =, Výsledek lineární regrese: O_D = -,98 -,9 Xd S přesností:,% 8
10 Změny otáček se změnou Y Varianty A a B Korelace pro variantu A: Pearson correlation of O_A and Ya =, P-Value =, Výsledek lineární regrese: O_A =,78 +,77 Ya S přesností:,7% Korelace pro variantu B: Pearson correlation of O_B and Yb =,7 P-Value =,7 Výsledek lineární regrese: O_B = -,9 +, Yb S přesností:,7% Varianty C a D Korelace pro variantu C: Pearson correlation of O_C and Yc =,7 P-Value =,9 Výsledek lineární regrese: O_C = -,88 +,9 Yc S přesností:,% Korelace pro variantu D: Pearson correlation of o 9.D and zvtnd =,8 P-Value =, Výsledek lineární regrese: O_D =,898 +, Xd S přesností: 7,7% Z výsledků korelací a regrese je patrné, že při změně součásti X se varianty A a C dají lépe předvídat. Pro součást Y je situace naprosto odlišná. Pouze D má vysokou korelaci a nejvyšší přesnost lineární regrese. Zkoumání jednotlivých změn je ale zatím velmi zavádějící při absenci přepočtu vzájemného vlivu. Reakce otáček na všechny změny součástí Ve zpracovávaných hodnotách bylo velmi problematické stvořit histogram četností. Proto jsem vytvořil ještě dva soubory hodnot. Tyto hodnoty reflektují, jak se zachoval motor při všech provedených změnách. Hodnoty změn byli teoreticky přepočítány a výsledky byly porovnány s reálnými změnami. Z takto získaných hodnot jsem připravil dva histogramy četností, které vyjadřují četnosti reakcí na úpravy. Ohodnocení reakcí je v přiložené tabulce níže. reaguje více reaguje správně reaguje méně nereaguje reaguje opačně
11 Frequency Frequency Součástka S Histogram (with Normal Curve) of S_MVV 9 8 Mean,8 StDev,9 N 7 7 S_MVV Histogram (with Normal Curve) of S_MTV 9 8 Mean, StDev,9 N 7 7 S_MTV
12 Frequency Frequency Součást S Histogram (with Normal Curve) of S_MVV Mean,7 StDev,7 N 8 - S_MVV Histogram (with Normal Curve) of S_MTV Mean,8 StDev,79 N 8 - S_MTV
13 Ideální případ je prezentovaný sloupcem č.. Z histogramů je patrné, že motory se součástkou S reagují na provedené změny lépe a adekvátněji, než motory se součástkou S. To ale neznamená, že součástka S je horší. Jelikož byly provedené změny pouze na základě stejného teoretického předpokladu, je pravděpodobné, že platí pro obě součástky odlišné pravidla pro úpravy. U obou součástek je ale nutné eliminovat určité chování motoru (sloupec ). Závěr Na základě této analýzy je možné prohlásit, že z hlediska změn součástí motorů a reakce parametrů motoru na tyto změny je možné považovat součástku S za lepší. Součást S má obecně nižší korelace a předvídání reakcí motorů s touto součástí je daleko těžší než v druhém případě. Výstupy z histogramů četností by mohli svědčit o opaku, ale berme na vědomí, že zavedením nové součástky do provozu pouze nevyhovují změny starým teoretickým předpokladům. Je potřeba pouze přepočítat teoretické hodnoty a průběhy podle sebraných dat z nové součásti. Objevily se také směry, kterými by se měla další analýza ubírat či které hodnoty je potřeba ještě rozšířit. Varianta A byla v analýze uvedena pro úplnost, ale počet záznamů této varianty byl velmi nízký. Proto není dobré tuto variantu výrazněji uvažovat.
JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VíceKorelace. Komentované řešení pomocí MS Excel
Korelace Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A2:B84 (viz. obrázek) Prvotní představu o tvaru a síle závislosti docházky a počtu bodů nám poskytne
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceZhodnocení dopadů inovace na studijní výsledky
Zhodnocení dopadů inovace na studijní výsledky Zpracoval: doc. Ing. Josef Weigel, CSc. hlavní řešitel projektu Hodnocené studijní programy: - Bakalářský studijní program Geodézie a kartografie v prezenční
VíceNárodníinformačnístředisko pro podporu jakosti
Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov
VíceTesty nezávislosti kardinálních veličin
Testy nezávislosti kardinálních veličin Komentované řešení pomocí programu R Ústav matematiky Fakulta chemicko inženýrská Vysoká škola chemicko-technologická v Praze Načtení vstupních dat Vstupní data
VíceMěření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
VíceAnalytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality RNDr. Alena Mikušková FN Brno Pracoviště dětské medicíny, OKB amikuskova@fnbrno.cz Analytické znaky laboratorní metody
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceKORELACE. Komentované řešení pomocí programu Statistica
KORELACE Komentované řešení pomocí programu Statistica Vstupní data I Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
VíceCharlesův zákon (pt závislost)
Charlesův zákon (pt závislost) V této úloze pomocí čidla tlaku plynu GPS-BTA a teploměru TMP-BTA (nebo čidla Go!Temp) objevíme součást stavové rovnice ideálního plynu Charlesův zákon popisující izochorický
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VícePopisná statistika. Komentované řešení pomocí MS Excel
Popisná statistika Komentované řešení pomocí MS Excel Vstupní data Máme k dispozici data o počtech bodů z 1. a 2. zápočtového testu z Matematiky I v zimním semestru 2015/2016 a to za všech 762 studentů,
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
VíceHODNOCENÍ ROZDÍLNÝCH REŽIMŮ PŘI PROCESU SPALOVÁNÍ
HODNOCENÍ ROZDÍLNÝCH REŽIMŮ PŘI PROCESU SPALOVÁNÍ Radim Paluska, Miroslav Kyjovský V tomto příspěvku jsou uvedeny poznatky vyplývající ze zkoušek provedených za účelem vyhodnocení rozdílných režimů při
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. FAKULTA STROJNÍHO INŽENÝRSTVÍ Ústav materiálového inženýrství - odbor slévárenství
1 PŘÍLOHA KE KAPITOLE 11 2 Seznam příloh ke kapitole 11 Podkapitola 11.2. Přilité tyče: Graf 1 Graf 2 Graf 3 Graf 4 Graf 5 Graf 6 Graf 7 Graf 8 Graf 9 Graf 1 Graf 11 Rychlost šíření ultrazvuku vs. pořadí
VíceAplikovaná statistika v R - cvičení 2
Aplikovaná statistika v R - cvičení 2 Filip Děchtěrenko Matematicko-fyzikální fakulta filip.dechterenko@gmail.com 5.6.2014 Filip Děchtěrenko (MFF UK) Aplikovaná statistika v R 5.6.2014 1 / 18 Přehled Rkových
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceŠkody zvěří na lesních porostech
Škody zvěří na lesních porostech Odhady zastoupení jedinců poškozených zvěří byly získány na základě dat pozemního šetření druhého cyklu Národní inventarizace lesů. Šetření bylo provedeno na počtu 7 772
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium chemometrie na téma Statistické zpracování dat Semestrální práce ze 6. soustředění Předmět: 3.3 Tvorba nelineárních
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceSemestrální práce z předmětu Pravděpodobnost, statistika a teorie informace
České vysoké učení technické v Praze Fakulta elektrotechnická Semestrální práce z předmětu Pravděpodobnost, statistika a teorie informace Životnost LED diod Autor: Joel Matějka Praha, 2012 Obsah 1 Úvod
VícePOPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica
POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica Program Statistica I Statistica je velmi podobná Excelu. Na základní úrovni je to klikací program určený ke statistickému zpracování dat.
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality STATISTICKÁ REGULACE POMOCÍ VÝBĚROVÝCH PRŮMĚRŮ Z NENORMÁLNĚ ROZDĚLENÝCH DAT Ing. Jan Král, RNDr. Jiří Michálek, CSc., Ing. Josef Křepela Duben, 20 Co je
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 9. Korelační analýza Mgr. David Fiedor 20. dubna 2015 Analýza závislostí v řadě geografických disciplín studujeme jevy, u kterých vyšetřujeme nikoliv pouze jednu vlastnost
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie na téma Využití tabulkového procesoru jako laboratorního deníku Vedoucí licenčního studia Prof.
VíceDesign of experiment Návrh experimentu
Design of experiment Návrh experimentu 19.7.2010 Co je to experiment Co je to experiment DOE SixSigma Proč se zabývat návrhem experimentu? Motivační příklad Klasický návrh DOE návrh experimentu Znalost
VíceNázev DUM: VY_32_INOVACE_2B_15_Základy_práce_v_tabulkovém_editoru_EXCEL_2007
Název školy: Základní škola a Mateřská škola Žalany Číslo projektu: CZ. 1.07/1.4.00/21.3210 Téma sady: Informatika pro sedmý až osmý ročník Název DUM: VY_32_INOVACE_2B_15_Základy_práce_v_tabulkovém_editoru_EXCEL_2007
VícePRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)
PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA) Reprezentativní náhodný výběr: 1. Prvky výběru x i jsou vzájemně nezávislé. 2. Výběr je homogenní, tj. všechna x i jsou ze stejného
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Ekonomická fakulta Semestrální práce z předmětu Statistický rozbor dat z dotazníkového šetření Jméno: Lucie Krechlerová, Karel Kozma, René Dubský, David Drobík Ročník: 2015/2016
VíceNumerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky
Konference ANSYS 2009 Numerické řešení proudění stupněm experimentální vzduchové turbíny a budících sil na lopatky J. Štěch Západočeská univerzita v Plzni, Katedra energetických strojů a zařízení jstech@kke.zcu.cz
VíceUNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, 532 10 Pardubice 15. licenční studium INTERAKTIVNÍ STATISTICKÁ ANALÝZA DAT Semestrální práce ANOVA 2015
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceINTEGROVANÁ STŘEDNÍ ŠKOLA TECHNICKÁ BENEŠOV. Černoleská 1997, Benešov. Elektrická měření. Tematický okruh. Měření elektrických veličin.
Číslo projektu CZ.107/1.5.00/34.0425 Název školy INTEGROVANÁ STŘEDNÍ ŠKOLA TECHNICKÁ BENEŠOV Černoleská 1997, 256 01 Benešov Předmět Elektrická měření Tematický okruh Měření elektrických veličin Téma Měření
VíceKorelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza
Korelační a regresní analýza 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza Pearsonův korelační koeficient u intervalových a poměrových dat můžeme jako
Více5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně
VíceModel pro simulaci staví na výpočtu hrubého domácího produktu výdajovou metodou:
Model vývoje HDP ČR Definice problému Očekávaný vývoj hrubého domácího produktu jakožto základní makroekonomické veličiny ovlivňuje chování tržních subjektů, které v důsledku očekávání modulují své chování
VíceStatgraphics v. 5.0 STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA. Martina Litschmannová 1. Typ proměnné. Požadovaný typ analýzy
Dichotomická proměnná (0-1) Spojitá proměnná STATISTICKÁ INDUKCE PRO JEDNOROZMĚRNÁ DATA Typ proměnné Požadovaný typ analýzy Ověření variability Předpoklady Testy, resp. intervalové odhad Test o rozptylu
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VíceSOUHRNNÁ ZPRÁVA PRO ŠKOLU Maturita nanečisto 2007 Výsledky zkoušek společné a profilové části maturitní zkoušky
SOUHRNNÁ ZPRÁVA PRO ŠKOLU Maturita nanečisto 2007 Výsledky zkoušek společné a profilové části maturitní zkoušky Kód školy: Název školy: U 066 RED IZO: 600011216 Gymnázium, příspěvková organizace Souhrnné
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Vedoucí studia a odborný garant: Prof. RNDr. Milan Meloun, DrSc. Vyučující: Prof. RNDr. Milan Meloun, DrSc. Autor práce: ANDRII
Více{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků
Příklad: Test nezávislosti kategoriálních znaků Určete na hladině významnosti 5 % na základě dat zjištěných v rámci dotazníkového šetření ve Šluknově, zda existuje závislost mezi pohlavím respondenta a
VíceVybrané praktické aplikace statistické regulace procesu
ČSJ, OSSM Praha, 19. 4. 2012 Vybrané praktické aplikace statistické regulace procesu Prof. Ing. Darja Noskievičová, CSc. Katedra kontroly a řízení jakosti Fakulta metalurgie a materiálového inženýrství
VíceKategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1
Kategorická data METODOLOGICKÝ PROSEMINÁŘ II TÝDEN 7 4. DUBNA 2018 4. dubna 2018 Lukáš Hájek, Karel Höfer Metodologický proseminář II 1 Typy proměnných nominální (nominal) o dvou hodnotách lze říci pouze
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceRanní úvahy o statistice
Ranní úvahy o statistice Neúplný návod ke čtení statistických výsledků Dušan Merta květen 2016 Co nás čeká 1 Základní pojmy 2 Testování hypotéz 3 Confidence interval 4 Odds ratio 2 / 26 Základní pojmy
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VícePorovnání dvou výběrů
Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
VíceZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ ÚDAJŮ 5. hodina , zapsala Veronika Vinklátová Revize zápisu Martin Holub,
ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ ÚDAJŮ 5. hodina - 22. 3. 2018, zapsala Revize zápisu Martin Holub, 27. 3. 2018 I. Frekvenční tabulky opakování z minulé hodiny Frekvenční tabulka je nejzákladnější nástroj
Více4. Zpracování číselných dat
4. Zpracování číselných dat 4.1 Jednoduché hodnocení dat 4.2 Začlenění dat do písemné práce Zásady zpracování vědecké práce pro obory BOZO, PÚPN, LS 2011 4.1 Hodnocení číselných dat Popisná data: střední
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceVybrané statistické metody. Simulace pokladen supermarketu Albert na Spojovací
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE, Fakulta dopravní Ústav aplikované matematiky K611 Vybrané statistické metody Simulace pokladen supermarketu Albert na Spojovací 1 85 Jakub Ondřich 2010/2011 85101910/0040
VíceZLOMKY. Standardy: M-9-1-01 CELÁ A RACIONÁLNÍ ČÍSLA. Záporná celá čísla Racionální čísla Absolutní hodnota Početní operace s racionálními čísly
a algoritmů matematického aparátu Vyjádří a zapíše část celku. Znázorňuje zlomky na číselné ose, převádí zlomky na des. čísla a naopak. Zapisuje nepravé zlomky ve tvaru smíšeného čísla. ZLOMKY Pojem zlomku,
VíceSTATISTICKÉ PARAMETRY OCELÍ POUŽÍVANÝCH NA STAVBU OCELOVÝCH KONSTRUKCÍ
STATISTICKÉ PARAMETRY OCELÍ POUŽÍVANÝCH NA STAVBU OCELOVÝCH KONSTRUKCÍ Lubomír ROZLÍVKA, Ing., CSc., IOK s.r.o., Frýdek-Místek, tel./fax: 555 557 529, mail: rozlivka@iok.cz Miroslav FAJKUS, Ing., IOK s.r.o.,
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceZKUŠEBNÍ PROTOKOLY. B1M15PPE / část elektrické stroje cvičení 1
ZKUŠEBNÍ PROTOKOLY B1M15PPE / část elektrické stroje cvičení 1 1) Typy testů 2) Zkušební laboratoře 3) Dokumenty 4) Protokoly o školních měřeních 2/ N TYPY TESTŮ PROTOTYPOVÉ TESTY (TYPOVÁ ZKOUŠKA) KUSOVÉ
VíceIntervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr
StatSoft Intervalový odhad Dnes se budeme zabývat neodmyslitelnou součástí statistiky a to intervaly v nejrůznějších podobách. Toto téma je také úzce spojeno s tématem testování hypotéz, a tedy plynule
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
VíceS E M E S T R Á L N Í
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie S E M E S T R Á L N Í P R Á C E Licenční studium Statistické zpracování dat při managementu jakosti Předmět ANOVA analýza rozptylu
VíceStatSoft Jak poznat vliv faktorů vizuálně
StatSoft Jak poznat vliv faktorů vizuálně V tomto článku bychom se rádi věnovali otázce, jak poznat již z grafického náhledu vztahy a závislosti v analýze rozptylu. Pomocí následujících grafických zobrazení
VíceHodnocení vlastností materiálů podle ČSN EN 1990, přílohy D
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Milan Holický Kloknerův ústav ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady -
VíceTvorba grafů v programu ORIGIN
LICENČNÍ STUDIUM GALILEO STATISTICKÉ ZPRACOVÁNÍ DAT SEMESTRÁLNÍ PRÁCE Tvorba grafů v programu ORIGIN doc.dr.ing.vladimír Pata Univerzita Tomáše Bati ve Zlíně Fakulta technologická Ústav výrobních technologií
VíceRenáta Bednárová STATISTIKA PRO EKONOMY
Renáta Bednárová STATISTIKA PRO EKONOMY ZÁKLADNÍ STATISTICKÉ POJMY Statistika Statistický soubor Statistická jednotky Statistický znak STATISTIKA Vědní obor, který se zabývá hromadnými jevy Hromadné jevy
VíceLINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
VíceRomové a soužití s nimi očima české veřejnosti duben 2014
ov14014 TISKOVÁ ZPRÁVA Centrum pro výzkum veřejného mínění Sociologický ústav AV ČR, v.v.i. Jilská 1, Praha 1 Tel.: 286 840 9 E-mail: milan.tucek@soc.cas.cz Romové a soužití s nimi očima české veřejnosti
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipa.cz Pravděpodobnost a matematická statistika 2010 1.týden 20.09.-24.09. Data, tp dat, variabilita, frekvenční analýza histogram,
Více31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě
31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty
VíceV předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení
VíceSedm základních nástrojů řízení jakosti
Sedm základních nástrojů řízení jakosti Není nic tak naprosto zbytečného, jako když se dobře dělá něco, co by se nemělo dělat vůbec. Peter Drucker Kontrolní tabulky Vývojové diagramy Histogramy Diagramy
VíceStatistika. cílem je zjednodušit nějaká data tak, abychom se v nich lépe vyznali důsledkem je ztráta informací!
Statistika aneb známe tři druhy lži: úmyslná neúmyslná statistika Statistika je metoda, jak vyjádřit nejistá data s přesností na setinu procenta. den..00..00 3..00..00..00..00..00..00..00..00..00..00 3..00..00..00..00..00..00..00
VíceMetodologie pro Informační studia a knihovnictví 2
Metodologie pro Informační studia a knihovnictví 2 Modul 5: Popis nekategorizovaných dat Co se dozvíte v tomto modulu? Kdy používat modus, průměr a medián. Co je to směrodatná odchylka. Jak popsat distribuci
VíceObsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
VíceKanonická korelační analýza
Kanonická korelační analýza Kanonická korelační analýza je vícerozměrná metoda, která se používá ke zkoumání závislosti mezi dvěma skupinami proměnných. První ze skupin se považuje za soubor nezávisle
VíceDvouvýběrové a párové testy. Komentované řešení pomocí MS Excel
Dvouvýběrové a párové testy Komentované řešení pomocí MS Excel Úloha A) koncentrace glukózy v krvi V této části posoudíme pomocí párového testu, zda nový lék prokazatelně snižuje koncentraci glukózy v
VíceProcentová část
2..2 Procentová část Předpoklady: 02024 Pedagogická poznámka: Pokud je ve třídě větší množství slabších žáků, je zřejmě výhodnější, dát příklad jen rychlejší části třídy, tu pak nechat pracovat na dalších
VíceExperimentáln. lní toků ve VK EMO. XXX. Dny radiační ochrany Liptovský Ján 10.11.-14.11.2008 Petr Okruhlica, Miroslav Mrtvý, Zdenek Kopecký. www.vf.
Experimentáln lní měření průtok toků ve VK EMO XXX. Dny radiační ochrany Liptovský Ján 10.11.-14.11.2008 Petr Okruhlica, Miroslav Mrtvý, Zdenek Kopecký Systém měření průtoku EMO Měření ve ventilačním komíně
VíceCtislav Fiala: Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb
16 Optimální hodnoty svázaných energií stropních konstrukcí (Graf. 6) zde je rozdíl materiálových konstant, tedy svázaných energií v 1 kg materiálu vložek nejmarkantnější, u polystyrénu je téměř 40krát
VíceMetody sociálních výzkumů. Velmi skromný úvod do statistiky. Motto: Jsou tři druhy lži-lež prostá, lež odsouzeníhodná a statistika.
Metody sociálních výzkumů Velmi skromný úvod do statistiky. Motto: Jsou tři druhy lži-lež prostá, lež odsouzeníhodná a statistika. Statistika Význam slova-vychází ze slova stát, s jeho administrativou
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
VíceSTATISTICAL DESIGN OF EXPERIMENT FOR SOLDER JOINTS QUALITY EVALUATION STATISTICKÉ PLÁNOVÁNÍ EXPERIMENTŮ PRO ÚČELY VYHODNOCOVÁNÍ KVALITY PÁJENÝCH SPOJŮ
STATISTICAL DESIGN OF EXPERIMENT FOR SOLDER JOINTS QUALITY EVALUATION STATISTICKÉ PLÁNOVÁNÍ EXPERIMENTŮ PRO ÚČELY VYHODNOCOVÁNÍ KVALITY PÁJENÝCH SPOJŮ Bc. Radim Havlásek Magisterský studijní program, Fakulta
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více