CITLIVOSTNÍ ANALÝZA JAKO NÁSTROJ PRO VERIFIKACI CFD MODELU A OPTIMALIZACI KONKRÉTNÍHO PRVKU
|
|
- Jaroslav Matoušek
- před 8 lety
- Počet zobrazení:
Transkript
1 Simulace budov a techniky prostředí konference IBPSA-CZ Praha, 7. listopadu 2006 CITLIVOSTNÍ ANALÝZA JAKO NÁSTROJ PRO VERIFIKACI CFD MODELU A OPTIMALIZACI KONKRÉTNÍHO PRVKU Ondřej Hojer 1, Jiří Bašta 1, Jan Hensen 2 1 Ústav techniky prostředí, Fakulta strojní, ČVUT v Praze ondrej.hojer@fs.cvut.cz, jiri.basta@fs.cvut.cz 2 Building Physics & Systems, Technische Universiteit Eindhoven ABSTRAKT V článku je ukázáno využití citlivostní analýzy na příkladu nejprve jednoduchého modelu přenosu tepla radiací a následně složitějšího případu, tvořeného kombinací programů Gambit Fluent. K této analýze byl použit software Simlab, který plně vyhovuje všem požadavkům a je doporučován v celé řadě prací zabývajících se touto tématikou. Na obou příkladech je detailně popsáno nastavení Simlabu a jsou uvedena základní doporučení pro praktické použití. V závěru je také jeden odstavec věnovaný použití citlivostní analýzy jako nástroje k verifikaci konkrétního CFD modelu a jsou zde diskutovány další možnosti využití. ÚVOD Citlivostní analýza je nástroj, který určuje závislost výstupních parametrů na parametrech vstupních. Jedná se o velmi cennou pomůcku hlavně pro optimalizační postupy, neboť umožňuje mimo jiné určit pořadí důležitosti jednotlivých vstupních veličin a tedy dále se pak při optimalizaci soustředit pouze na ty nejdůležitější veličiny. Velmi často se může stát, že jsme při práci postaveni před problém optimalizace prvku, výpočetního postupu nebo metody. To si většinou žádá důkladnou analýzu celého systému, zjištění vzájemných vazeb a závislostí. V neposlední řadě i zhodnocení jak je výsledek citlivý na vstupy. A právě k tomuto účelu slouží citlivostní analýza. Citlivostní analýza je obecně určena ke zjišťování působení změn vstupních parametrů modelu na výsledné hodnoty (výsledky) tohoto modelu. Používá se ze tří základních důvodů: 1. porozumění spolehlivosti výsledků; 2. rozpoznání nejlepší regulovatelnosti systému; 3. detailnější zaměření budoucích experimentů. Citlivostní analýza má celou řadu velmi zajímavých a hlavně užitečných využití. Dále v článku se však budeme zabývat pouze její aplikací v oboru techniky prostředí, konkrétně jejím využitím jako pomůcky pro verifikaci a optimalizaci. SIMLAB Jedná se o program, který je navržený pro zjišťování nejistot a citlivostí modelu metodou Monte Carlo. Celý postup můžeme rozdělit na tři postupné kroky přípravná fáze (pre-processing), vlastní model systému a analýza získaných výsledků (post-processing) viz obr. 1. Obr. 1 Postup výpočtu v programu Simlab V přípravné fázi vkládáme do Simlabu vstupní parametry, jejich střední hodnoty a standardní odchylky. Zadáváme jejich statistická rozdělení (normální, exponenciální, gama nebo jiná další) a volíme tzv. vzorkovací metodu. Vzorkovací metodou je myšleno vytvoření matice MxN, kde pro každou z M vstupních proměnných vygeneruje Simlab N náhodných hodnot podle předchozího nastavení. Pak je zapíše do externího souboru. V druhé fázi je třeba zadat, zda je model interní (je-li ho možné popsat jednoduchou rovnicí pomocí dříve zadaných parametrů a konstant) a nebo externí, kdy navzorkovaná vstupní data budou vložena do nějakého jiného programu, který provede výpočty. Výhodou je, že tento externí program (model) může být naprosto libovolný (např. Matlab, Excel, IES, Energy+ nebo Fluent). Uvnitř zvoleného modelu tedy proběhne N potřebných výpočtů (cyklů) a výstupy musí být poté opět zpětně uloženy do souboru se specifickou strukturou, aby byl Simlab schopen tyto hodnoty znovu použít. Slovem cyklus budeme tedy dále označovat jeden výpočet modelu, kde jsou jako vstupní veličiny zadány hodnoty příslušného řádku matice vstupních veličin.
2 A konečně poslední, třetí fáze provádí vlastní vyhodnocení a to analýzu nejistoty (určující nejistotu v předpokladech, které model poskytuje) a analýzu citlivostní, hodnotící vztah mezi nejistotami nezávislých vstupních parametrů a nejistotami závislých výstupních parametrů. Obě obsahují celou řadu výstupů a to jak grafických tak i tabelovaných. PŘÍKLAD POUŽITÍ Použití výše uvedeného postupu bude ukázáno na jednoduchém příkladu - přestupu tepla sáláním mezi dvěma přesně definovanými povrchy. Situace je zobrazena na obr. 2. Destička na podlaze je umístěna 0,1 m od počátku jak ve směru x tak y. Další technický popis je následující: rozměry prostoru (1 x 1 x 1) m sálající ploška S 1 = 0,0138 m 2 ploška na podlaze t 1 = 350 C e 1 = 0,90 (0,1 x 0,1) m t 2 = 10 C e 2 = 0,85 Obr. 2 Situace pro příklad přenosu tepla radiací s využitím citlivostní analýzy v Simlabu Na popis tohoto problému bude stačit jednoduchá rovnice pro přestup tepla sáláním mezi dvěma povrchy Q 4 4 [ T ] = σ ε ε ϕ (1) S T2 Hodnotu všech veličin až na poměr osálání již známe, nicméně ten je možné snadno zjistit nebo vypočítat. V dalším kroku určíme nejistotu všech parametrů. Pro tento příklad bude zvolena pro všechny hodnoty relativní nejistota 5 %. Všechny parametry i s příslušnými standardními odchylkami jsou shrnuté v tabulce 1. Pro všechny tyto parametry byla zvolena vzorkovací metoda Random [3] a pro první přiblížení 100 cyklů. Manuál Simlabu udává, že počet cyklů by rozhodně neměl být menší než 1,5 násobek počtu proměnných (1,5 x M). Doporučuje hodnotu 10 x počet proměnných. Jak se však dále ukáže, ani tato hodnota není k dosažení správných hodnot dostačující. Statistické rozdělení bylo u všech hodnot zvoleno normální. Tab. 1. Hodnoty parametrů a jejich nejistot pro příklad přestupu tepla radiací Parametry Střední Standardní hodnota odchylka e 1 [-] 0,90 ± 0,05 e 2 [-] 0,85 ± 0,04 S 1 [m 2 ] 0,0138 ± 0,0007 T 1 [K] 623 ± 31 T 2 [K] 283 ± 14 f 12 [-] 0,0029 ± 0,0002 s [W.m -2.K -4 ] 5, Když je popis systému jednoduchý jako v tomto případě, je výhodné využít interního modelu Simlabu a rovnici (1) vytvořit pomocí kalkulačky uvnitř Simlabu. Neobjevují se žádné komplikace s výstupními ani vstupními soubory a celý výpočet je tak velmi zrychlený a snadno opakovatelný pro libovolný počet cyklů. Jak je patrné z tabulky 2, analýza byla současně provedena několika technikami a tedy hodnocena několika různými citlivostními indexy (PEAR, SPEA, PCC, PRCC, SRC, SRRC a Smirnov). Rozdíl mezi jednotlivými citlivostními indexy spočívá ve způsobu jejich vyhodnocení. PEAR a SPEA jsou založeny na vyhodnocení bodových diagramů (scatterplot) závislé na každé jednotlivé nezávislé proměnné, kde PEAR je pro hodnocení lineárních modelů, zatímco SPEA se používá pro hodnocení nelineárních. Další hodnotící index využívá k řešení regresní analýzu. Měřítkem citlivosti jsou standardizované regresní koeficienty SRC. Používá se metoda lineární regrese. PCC neboli částečné korelační koeficienty jsou založeny na základech korelace a částečné korelace. Udávají váhu jednotlivých vstupů na výstupu bez uvažování jakékoli vazby s jiným vstupem. Regresní analýza často nepracuje spolehlivě, pokud vztah mezi vstupními proměnnými není lineární. V tomto případě je vhodné použít transformované indexy PRCC nebo SRRC. Transformace spočívá v nahrazení vlastních dat jejich pořadím (nejnižší hodnotě přiřadit číslo 1, atd.). Regresní analýza je pak provedena na těchto transformovaných hodnotách. Podle různých indexů lze tedy dojít k různým závěrům a je hlavně na autorovi analýzy, aby byl schopen zvolit vhodnou techniku, podle které případ vyhodnotí. Na základě hodnocení výhod a nevýhod jednotlivých indexů, jak jsou rozepsány v manuálu Simlabu [3] bylo zvoleno pro tento případ hodnocení indexem SRC. Podle absolutní velikosti hodnot v jednotlivých řádcích vidíme, že výsledek Q12 je nejvíce citlivý na T1, to znamená teplotu sálající plošky 1. Takový výsledek se vzhledem k charakteru rovnice (1) dal předpokládat.
3 Tab. 2 Výsledky první analýzy přestupu tepla radiací pro 100 cyklů Tab. 3 Výsledky první analýzy přestupu tepla radiací pro cyklů Další pořadí ovšem na první pohled nemusí být tak jasné a zde nám právě mohou pomoci výsledky zpracovávané analýzy. Z výsledků vidíme, že následuje poměr osálání f 12, sálající plocha S 1, emisivita této plochy e 1, emisivita přijímající plochy e 2 a nakonec teplota přijímající plochy T 2. Rozdílná hodnota indexů SRC u T 1 a T 2 je způsobena jejich rozdílnou absolutní hodnotou a nejistotou. Záporná hodnota vyjadřuje, že při zvyšování hodnoty T 2, klesá výsledná hodnota Q 12. Co je na těchto výsledcích na první pohled zarážející, je nestejný citlivostní index u e 1 a e 2. V rovnici stojí na stejné úrovni, mají téměř stejnou střední hodnotu a standardní odchylku a přesto je zde relativně velký rozdíl. Další zvláštností bylo červené (tmavé) pozadí za všemi hodnotami u SRC, které vyjadřuje, že hodnoty neprošly tzv. Čebyševovým testem významnosti. Zelené (světlejší) pozadí znamená, že hodnoty testem prošly a bílé pozadí znamená, že test nebylo možné provést. Podle tohoto testu bychom vlastně neměli žádnou z hodnot u SRC indexu považovat za relevantní (statisticky významnou). U jiných hodnotících indexů byla situace obdobná a tak bylo třeba hledat jiné řešení. Nakonec se ukázalo, že výsledek se značně zlepší, pokud provedeme úpravu nastavení Simlabu ve smyslu navýšení počtu cyklů (výpočtů modelu). V tomto případě bylo zvoleno 65000, aby byl výsledný rozdíl co nejvýraznější. Pokud se nyní podíváme na výsledky (tab. 3), zjišťujeme, že SRC u e 2 se srovnal s e 1, S 1 a f 12 a i Čebyševův test dopadl mnohem lépe. T 2 sice stále nevyhovuje, ale pro nás to jen znamená, že tuto proměnnou nebudeme ze statistického hlediska považovat pro hodnotu Q 12 ani její nejistotu za významnou. Na základě tohoto příkladu můžeme shrnout, že je třeba: 1. vždy velmi uvážlivě vybírat, jaký citlivostní index zvolíme pro hodnocení; 2. dávat pozor na závislost výsledků na počtu cyklů; 3. zvážit, jak velká nepřesnost může vzniknout, pokud výsledek neprojde Čebyševovým testem. K dokreslení možností, které Simlab nabízí, je zajímavé se ještě v obou případech podívat na analýzu nejistoty, tedy v jakých mezích se pohybují výstupní hodnoty. Z obr. 3 a 4 je stejně jako u citlivostní analýzy na první pohled zřejmý vliv počtu cyklů na celkové rozložení výsledných hodnot. Výhodou zejména u složitějších systémů je, že výsledky analýzy mohou být také zobrazeny ve formě statistických hodnot charakterizujících rozdělení závislé veličiny jako jsou střední hodnota, rozptyl, standardní odchylka a další. Pro obr. 3 a 4 bude uvedena střední hodnota se standardní odchylkou pod každým z obrázků v popisu. Výsledky i přes rozdílnost obou obrázků vykazují překvapivě velmi dobrou shodu. Můžeme konstatovat, že tabelární výstupy analýzy nejistoty se na rozdíl od grafických s narůstajícím počtem cyklů téměř nemění Obr. 3 Zobrazení frekvenční distribuční funkce závislé veličiny při 100 cyklech, osa x hodnota přeneseného výkonu [W], osa y četnost výskytu Q 12 = (0,26 ± 0,06) W Obr. 4 Zobrazení frekvenční distribuční funkce závislé veličiny při cyklech, osa x hodnota přeneseného výkonu [W], osa y četnost výskytu Q 12 = (0,25 ± 0,06) W
4 CFD APLIKACE Až dosud jsme se zabývali pouze jednoduchým využitím citlivostní analýzy v příkladu, který byl snadno popsatelný. V praxi se však s takovými příklady téměř nesetkáme a vždy se jedná o model daleko složitější, málokdy popsatelný jednoduchými rovnicemi. A právě na takové případy lze využít externí model. V našem případě budeme hovořit o modelu vytvořeném pro simulační prostředí CFD (Gambit Fluent). Jedná se o stejný případ jako je na obr. 1 s tím rozdílem, že přichází v úvahu více parametrů (tab. 4). Tab. 4 Hodnoty parametrů a jejich nejistot pro případ citlivostní analýzy programem Simlab s externím modelem pro CFD Parametry Popis Hodnota Odchylka* a [m] b [m] h [m] a [ ] b [ ] e 1 [-] e 2 [-] e o [-] e p [-] T 1 [K] T 2 [K] *hodnoty standardních odchylek Šířka sálající plošky 0,069 ± 0,004 Délka sálající plošky 0,20 ± 0,01 Hloubka 0,080 ± 0,004 Úhel podélného 45 ± 2 Úhel příčného 45 ± 2 Emisivita destičky 0,90 ± 0,05 Emisivita 0,40 ± 0,02 Emisivita stěn a stropu 0,85 ± 0,04 Emisivita podlahy 0,85 ± 0,04 Povrchová teplota destiček 1173 ± 59 Povrchová teplota podlahy 283 ± 14 Cílem celé analýzy je stanovení citlivostních indexů jednotlivých parametrů při přestupu tepla sáláním v uzavřeném prostoru z povrchu keramické destičky světlého plynového zářiče na plošku na podlaze. Jelikož se nacházíme zatím pouze na začátku této analýzy, byla zvolena pro první přiblížení mnohá zjednodušení, aby bylo dosaženo rychlé konvergence výsledků (při dlouhém výpočtu by nebylo možné provést takový počet cyklů, jaký by byl potřeba). Zejména se jednalo o: 1. zjednodušení modelu (geometrické i fyzikální hledisko); 2. snížení počtu parametrů (ne všechny ovlivňující hodnoty byly uvažovány jako parametry); 3. odhad nejistot u všech parametrů na stejnou relativní hodnotu. Obr. 5 Schéma externího modelu citlivostní analýzy pro program Simlab a simulační prostředí CFD Externí model (obr. 5) se skládá ze tří základních prvků, programů Simlab 2.2, Gambit 2.3 a Fluent 6.2. Začátek postupu je stejný jako v případě prvního příkladu. Parametry se zadají do Simlabu (1). Ten podle nastavení připraví matici MxN a zapíše ji do externího souboru (2); v tomto případě byla využita možnost propojení s Excelem. Simlab vytvoří v zadaném souboru list se jménem Inputs a čeká do té doby, než bude soubor uložen a Excel uzavřen. Předpokládá přitom, že se ve stejném souboru v listu nazvaném Outputs objeví sloupec začínající jménem závislé proměnné a seznamem výsledných hodnot odpovídajících počtu cyklů N. Hodnoty z listu Inputs jsou mezitím vloženy do vstupního souboru pro Gambit, tzv. žurnálu a současně skriptu generujícím žurnál pro Fluent. Je spuštěn proces generace sítě (mesh) pro všech N kombinací vstupních hodnot (3) a zároveň vytvořen žurnál pro Fluent. Fluent je spuštěn, postupně si načítá jednotlivé soubory s hotovou sítí (4) a zapisuje po konvergenci každého případu hledané hodnoty dopadajícího radiačního toku do dalšího souboru (5). Výsledky jsou opět načteny do původního Excel souboru do listu Outputs a Excel se zavírá. Tímto krokem se opět dostáváme zpět k Simlabu, který si načte potřebné hodnoty (6) a celý výsledek vyhodnotí (7), jako tomu bylo v jednoduchém případě. Pokud se nyní opět podíváme na schéma celého externího modelu (obr. 5), můžeme si vytvořit představu, jaký může být rozdíl mezi jednoduchým interním modelem a modelem externím. Aby bylo možné zahrnout všechny parametry do úvahy, bylo třeba na různých úrovních modelu vyřešit celou řadu problémů. První problém se objevil s generováním velkého množství souborů se sítí v Gambitu s rozdílnými rozměry sálající destičky a rozměry reflektorů. Tento problém byl vyřešen vytvořením žurnálu, který postupně v každém cyklu načte příslušné rozměry a podle nich vytvoří síť. Pouhou změnou počtu cyklů pak lze generovat těchto souborů libovolný počet. Další problém se objevil při snaze zahrnout do analýzy jiné proměnné, které nebylo možné vložit do Gambitu
5 (emisivity, teploty). Snaha vytvořit žurnál do Fluentu podobným způsobem jako do Gambitu selhala a tak bylo třeba nalézt jinou cestu. Nakonec se podařilo vytvořit skript, který Fluent žurnál vytvoří sám. Podobně jako v případě Gambitu pozdější změna počtu cyklů je již velice snadnou záležitostí. VÝSLEDKY Z výsledků prvního přiblížení, jak je vidět v tabulce 6, si již můžeme vytvořit představu, které veličiny jsou pro systém více důležité a které méně. Například váha některých veličin jako je emisivita e 1, emisivita okolních stěn a stropu e o, ale i úhel nastavení příčného b se zdá být zanedbatelný. Naopak podle očekávání největší vliv má teplota povrchu 1, rozměry sálající destičky a a b, úhel podélného a a překvapivě i teplota povrchu 2, jejíž vliv jsme v prvním příkladu mohli zanedbat. Zůstává ještě několik otázek, které je třeba vyřešit. Například jak je možné, že SRC u T 2 je v tomto případě najednou kladné, když by mělo mít stejně jako v prvním příkladu záporný vliv? Nebo z jakého důvodu jsou různá znaménka u úhlů nastavení a a b? Je samozřejmě možné, že zvýšením počtu cyklů se ještě výsledek nějakým směrem posune, ale jak jsme viděli u prvního příkladu, posun nemůžeme očekávat v řádu desetin, ale spíše setin. Hlavně předpokládáme zvýšení počtu hodnot, které projdou Čebyševovým testem, protože podle těchto výsledků žádná z SRC tímto testem neprošla. Tab. 5 Výsledky citlivostní analýzy prvního přiblížení pro 110 cyklů s programem Simlab a externím modelem v CFD Kromě výsledků z citlivostní analýzy je také zajímavé se podívat na výsledné rozložení dopadajícího sálavého toku jednoho ze 110 případů (obr. 6). Místo, ve kterém snímáme hodnotící veličinu, je zde na první pohled velice dobře patrné a lze si i velice snadno vytvořit představu o rozložení sálavého toku v oblasti pod zářičem. Absolutní hodnoty nejsou důležité, neboť se nejedná o reálný případ, ale pouze modelový. Výhoda Fluentu jako externího modelu spočívá v širokých možnostech výběru vstupních a výstupních parametrů. Nemusí se dokonce jednat pouze o analýzu jedné závislé proměnné, ale takových proměnných může být v rámci jednoho výpočtu hned několik. Obr. 6 Schéma externího modelu citlivostní analýzy pro program Simlab a simulační prostředí CFD VERIFIKACE MODELU V průběhu řešení byla citlivostní analýza použita zároveň pro verifikaci CFD modelu. Bylo třeba určit optimální nastavení tzv. parametrů relaxace (under-relaxation factors URF), jejichž hodnota značně ovlivňuje rychlost konvergence. Jako proměnné byly tedy zvoleny tyto URF a za výstupní hodnotu číslo iterace při které dojde ke konvergenci. Jako měřítko konvergence byla brána v úvahu pouze konvergenční kritéria, nikoli další ukazatele jako např. výsledná tepelná bilance nebo průběh sledované veličiny. Důvodem bylo, že je ve Fluentu možné automaticky ukončit výpočet, pokud tento konvergenční ukazatel dosáhne konkrétní hodnoty. U ostatních ukazatelů by automatické ukončení výpočtu po dosažení určité hodnoty bylo jen velmi těžko proveditelné. Výsledkem bylo pořadí citlivosti jednotlivých faktorů. Jednalo se však pouze o pomocnou informaci, neboť právě u URF platí, že jejich citlivost není lineární. Na tento problém je třeba si dát pozor u každého analyzovaného systému a v žádném případě závěry automaticky nezobecňovat. Vždy záleží na tom, jaká hodnota parametru bude pro analýzu zvolena. Nicméně alespoň z hlediska získání představy o chování celého systému byla tato informace velmi cenná. Podobné analýzy by se dalo využít například pro zjištění vlivu různých okrajových podmínek na konvergenci řešení nebo na výslednou tepelnou bilanci. Aplikací je celá řada a určitě v mnoha případech vhodnějších než velmi rozšířená metoda pokus omyl. ZÁVĚR Hlavním výstupem je zdokumentování postupu, který umožňuje aplikovat citlivostní analýzu v programu Simlab s využitím simulačního prostředí Gambit Fluent. Z uvedených případů vyplývá, že
6 uplatnění citlivostí analýzy s výše zmíněným simulačním prostředím je limitované velikostí modelu. Vzhledem k velkému množství cyklů výpočtu, které jsou nutné, je často problematické dosáhnout konvergence v rozumně krátkou dobu. Citlivostní analýza z toho důvodu není prakticky použitelná pro komplikované modely. Naproti tomu má celou řadu výhod a ani její použití se simulačním prostředím CFD by nemělo být v inženýrské praxi opomíjeno. V další fázi se předpokládá, jak již bylo konstatováno výše, rozšíření nejdříve počtu cyklů a následně zahrnutí rovnic popisujících proudění do výpočtu Fluentu. Očekává se, že bude poté možné výsledky lépe zobecnit a stanovit absolutní citlivostní stupnici pro ovlivňující parametry přestupu tepla od světlého plynového zářiče. Výsledky analýzy poté budou uplatněny pro optimalizaci světlého plynového zářiče a jeho geometrie sálání. t 1 t 2 T 1 povrchová teplota sálajícího povrchu [ C] povrchová teplota přijímajícího povrchu [ C] absolutní povrchová teplota sálajícího povrchu [K] T 2 absolutní povrchová teplota přijímacího povrchu [K] PODĚKOVÁNÍ Tento článek byl podpořen z výzkumného záměru MSM Technika životního prostředí. LITERATURA [1] Ferson S., Tucker T.: Sensitivity in risk analyses with uncertain numbers. Sandia National Laboratories. SAND Setauket, New York [2] Saltelli A. Tarantola S., Campolongo, F. and Ratto, M.: Sensitivity Analysis in Practice. A Guide to Assessing Scientific Models, John Wiley & Sons publishers [3] Simlab 2.2 Software and Reference manual. Dostupné na URL adrese < [4] Fluent 6.2 Software and Manual. Dostupné na URL adrese < fluent/index.htm> [5] Gambit 2.3 Software and Manual. Dostupné na URL adrese < gambit/index.htm> PŘEHLED OZNAČENÍ a šířka sálající plošky [m] b délka sálající plošky [m] h hloubka [m] S 1 plocha sálající plošky [m 2 ] a úhel nastavení podélného [ ] b úhel nastavení příčného [ ] e 1 emisivita destičky [-] e 2 emisivita plechu [-] e o emisivita okolních stěn a stropu [-] e p emisivita podlahy [-] f 12 poměr osálání mezi povrchy 1 a 2 [-] s Stefan Bolzmanova konstanta [W m 2 K 4 ]
MRT Analysis. Copyright 2005 by VZTech. Ing. Vladimír Zmrhal, Ph.D. Organizace:
MRT Analysis Autor: Organizace: E-mail: Web: České vysoké učení tecnické v Praze Fakulta strojní Ústav techniky prostředí Vladimir.Zmrhal@fs.cvut.cz http://www.fs.cvut.cz/cz/u216/people.html Copyright
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
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceOPERATIVNÍ TEPLOTA V PROSTORU S CHLADICÍM STROPEM
ANOTACE OPERATIVNÍ TEPLOTA V PROSTORU S CHLADICÍM STROPEM Ing. Vladimír Zmrhal, Ph.D. ČVUT v Praze, Fakulta strojní, Ústav techniky prostředí Technická 4, 66 7 Praha 6 Vladimir.Zmrhal@fs.cvut.cz Pro hodnocení
VíceSOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404
SOLVER UŽIVATELSKÁ PŘÍRUČKA Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 1. Solver Program Solver slouží pro vyhodnocení experimentálně naměřených dat. Základem
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
VíceINOVACE ODBORNÉHO VZDĚLÁVÁNÍ NA STŘEDNÍCH ŠKOLÁCH ZAMĚŘENÉ NA VYUŽÍVÁNÍ ENERGETICKÝCH ZDROJŮ PRO 21. STOLETÍ A NA JEJICH DOPAD NA ŽIVOTNÍ PROSTŘEDÍ
INOVACE ODBORNÉHO VZDĚLÁVÁNÍ NA STŘEDNÍCH ŠKOLÁCH ZAMĚŘENÉ NA VYUŽÍVÁNÍ ENERGETICKÝCH ZDROJŮ PRO 21. STOLETÍ A NA JEJICH DOPAD NA ŽIVOTNÍ PROSTŘEDÍ CZ.1.07/1.1.00/08.0010 NUMERICKÉ SIMULACE ING. KATEŘINA
VíceSimulace. Simulace dat. Parametry
Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,
VíceVliv prosklených ploch na vnitřní pohodu prostředí
Vliv prosklených ploch na vnitřní pohodu prostředí Jiří Ježek 1, Jan Schwarzer 2 1 Oknotherm spol. s r.o. 2 ČVUT v Praze, Fakulta strojní, Ústav techniky prostředí Abstrakt Obsahem příspěvku je určení
VíceNUMERICKÝ MODEL NESTACIONÁRNÍHO PŘENOSU TEPLA V PALIVOVÉ TYČI JADERNÉHO REAKTORU VVER 1000 SVOČ FST 2014
NUMERICKÝ MODEL NESTACIONÁRNÍHO PŘENOSU TEPLA V PALIVOVÉ TYČI JADERNÉHO REAKTORU VVER 1000 SVOČ FST 2014 Miroslav Kabát, Západočeská univerzita v Plzni, Univerzitní 8, 306 14 Plzeň Česká republika ABSTRAKT
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
VíceKritický stav jaderného reaktoru
Kritický stav jaderného reaktoru Autoři: L. Homolová 1, L. Jahodová 2, J. B. Hejduková 3 Gymnázium Václava Hlavatého Louny 1, Purkyňovo gymnázium Strážnice 2, SPŠ Stavební Plzeň 3 jadracka@centrum.cz Abstrakt:
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
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
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
VícePlánování experimentu
SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš 1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr
VíceMetoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu
Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project
VíceSIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy
SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY Michal Dorda VŠB - TU Ostrava Fakulta strojní Institut dopravy 1 Úvod V běžné technické praxi se velice často setkáváme s tzv. systémy hromadné obsluhy aniž
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
Více( ) , w, w EXPERIMENTÁLNÍ A SIMULAČNÍ STANOVENÍ TEPLOT URČUJÍCÍCH TEPELNÝ KOMFORT
EXPERIMENTÁLNÍ A SIMULAČNÍ STANOVENÍ TEPLOT URČUJÍCÍCH TEPELNÝ KOMFORT Ľubomír Hargaš, František Drkal, Vladimír Zmrhal ČVUT v Praze, Fakulta strojní, Ústav techniky prostředí Technická 4, 166 07 Praha
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceGEODETICKÉ VÝPOČTY I.
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 2.ročník GEODETICKÉ VÝPOČTY I. TABELACE FUNKCE LINEÁRNÍ INTERPOLACE TABELACE FUNKCE Tabelace funkce se v minulosti často využívala z důvodu usnadnění
VíceTéma 9: Vícenásobná regrese
Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.
VíceUNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.
UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace
Více4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
VíceČVUT FEL X36PAA - Problémy a algoritmy. 4. úloha - Experimentální hodnocení algoritmů pro řešení problému batohu
ČVUT FEL X36PAA - Problémy a algoritmy 4. úloha - Experimentální hodnocení algoritmů pro řešení problému batohu Jméno: Marek Handl Datum: 3. 2. 29 Cvičení: Pondělí 9: Zadání Prozkoumejte citlivost metod
VíceMezi jednotlivými rozhraními resp. na nosníkových prvcích lze definovat kontakty
Kontaktní prvky Mezi jednotlivými rozhraními resp. na nosníkových prvcích lze definovat kontakty Základní myšlenka Modelování posunu po smykové ploše, diskontinuitě či na rozhraní konstrukce a okolního
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.
VícePřesvědčivost výsledků výpočtu potřeby tepla na vytápění pasivních domů
Přesvědčivost výsledků výpočtu potřeby tepla na vytápění pasivních domů Pavel Kopecký, Kamil Staněk, Jan Antonín, ČVUT, Fakulta stavební Thákurova 7, 166 29 Praha 6 Tel.: +420 224 354 473, e-mail: pavel.kopecky@fsv.cvut.cz
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VíceCITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I
Informačné a automatizačné technológie v riadení kvality produkcie Vernár,.-4. 9. 005 CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I KÜNZEL GUNNAR Abstrakt Příspěvek uvádí základní definice, fyzikální interpretaci
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
VíceVyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)
Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící
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
Vícexrays optimalizační nástroj
xrays optimalizační nástroj Optimalizační nástroj xoptimizer je součástí webového spedičního systému a využívá mnoho z jeho stavebních bloků. xoptimizer lze nicméně provozovat i samostatně. Cílem tohoto
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,
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
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
VíceNumerická simulace přestupu tepla v segmentu výměníku tepla
Konference ANSYS 2009 Numerická simulace přestupu tepla v segmentu výměníku tepla M. Kůs Západočeská univerzita v Plzni, Výzkumné centrum Nové technologie, Univerzitní 8, 306 14 Plzeň Abstract: The article
VíceVýpočty spolehlivost chodu sítí
Výpočty spolehlivost chodu sítí Ing.Zdeněk Pistora, CSc. Přehled používaných metod Metody analytické Postupné zjednodušení Metody simulační Monte Carlo Metoda postupného zjednodušení Vhodná zejména pro
VíceSimulační modely. Kdy použít simulaci?
Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za
VíceINDUKTIVNÍ STATISTIKA
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ
Více133PSBZ Požární spolehlivost betonových a zděných konstrukcí. Přednáška A3. ČVUT v Praze, Fakulta stavební katedra betonových a zděných konstrukcí
133PSBZ Požární spolehlivost betonových a zděných konstrukcí Přednáška A3 ČVUT v Praze, Fakulta stavební katedra betonových a zděných konstrukcí Obsah přednášky Teplotní analýza konstrukce Sdílení tepla
VíceAplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik
Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik Ondřej Pavlačka Praha, 18. ledna 2011 Cíle projektu Vytvořit matematický model pro oceňování přijímaného
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
VíceREGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB
62 REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB BEZOUŠKA VLADISLAV Abstrakt: Text se zabývá jednoduchým řešením metody nejmenších čtverců v prostředí Matlab pro obecné víceparametrové aproximační funkce. Celý postup
VíceNávrh postupu pro stanovení četnosti překročení 24hodinového imisního limitu pro suspendované částice PM 10
Návrh postupu pro stanovení četnosti překročení 24hodinového imisního limitu pro suspendované částice PM 1 Tento návrh byl vypracován v rámci projektu Technologické agentury ČR č. TA23664 Souhrnná metodika
VíceHodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií
Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická
VíceROZDĚLENÍ NÁHODNÝCH VELIČIN
ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
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
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
VíceUniverzitní centrum energeticky efektivních budov, České vysoké učení technické, Buštěhrad
Zjednodušená měsíční bilance solární tepelné soustavy BILANCE 2015/v2 Tomáš Matuška, Bořivoj Šourek Univerzitní centrum energeticky efektivních budov, České vysoké učení technické, Buštěhrad Úvod Pro návrh
VíceSoustavy se spínanými kapacitory - SC. 1. Základní princip:
Obvody S - popis 1 Soustavy se spínanými kapacitory - S 1. Základní princip: Simulace rezistoru přepínaným kapacitorem viz známý obrázek! (a rovnice) Modifikace základního spínaného obvodu: Obr. 2.1: Zapojení
Více3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT
PROKAZOVÁNÍ SHODY VÝROBKŮ část 3, díl 8, kapitola 4, str. 1 3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT Vyjadřování standardní kombinované nejistoty výsledku zkoušky Výsledek zkoušky se vyjadřuje v
VíceNESTABILITY VYBRANÝCH SYSTÉMŮ. Úvod. Vzpěr prutu. Petr Frantík 1
NESTABILITY VYBRANÝCH SYSTÉMŮ Petr Frantík 1 Úvod Úloha pokritického vzpěru přímého prutu je řešena dynamickou metodou. Prut se statickým zatížením je modelován jako nelineární disipativní dynamický systém.
VíceTestování statistických hypotéz. Ing. Michal Dorda, Ph.D.
Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině
VíceSVOČ FST Bc. Václav Sláma, Zahradní 861, Strakonice Česká republika
VÝPOČET PROUDĚNÍ V NADBANDÁŽOVÉ UCPÁVCE PRVNÍHO STUPNĚ OBĚŽNÉHO KOLA BUBNOVÉHO ROTORU TURBÍNY SVOČ FST 2011 Bc. Václav Sláma, Zahradní 861, 386 01 Strakonice Česká republika Bc Jan Čulík, Politických vězňů
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceOPTIMALIZACE PROVOZU OTOPNÉ SOUSTAVY BUDOVY PRO VZDĚLÁVÁNÍ PO JEJÍ REKONSTRUKCI
Konference Vytápění Třeboň 2015 19. až 21. května 2015 OPTIMALIZACE PROVOZU OTOPNÉ SOUSTAVY BUDOVY PRO VZDĚLÁVÁNÍ PO JEJÍ REKONSTRUKCI Ing. Petr Komínek 1, doc. Ing. Jiří Hirš, CSc 2 ANOTACE Většina realizovaných
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceOvěřovací nástroj PENB MANUÁL
Ověřovací nástroj PENB MANUÁL Průkaz energetické náročnosti budovy má umožnit majiteli a uživateli jednoduché a jasné porovnání kvality budov z pohledu spotřeb energií Ověřovací nástroj kvality zpracování
VíceVLIV OKRAJOVÝCH PODMÍNEK NA VÝSLEDEK ZKOUŠKY TEPELNÉHO VÝKONU SOLÁRNÍHO KOLEKTORU
Energeticky efektivní budovy 2015 sympozium Společnosti pro techniku prostředí 15. října 2015, Buštěhrad VLIV OKRAJOVÝCH PODMÍNEK NA VÝSLEDEK ZKOUŠKY TEPELNÉHO VÝKONU SOLÁRNÍHO KOLEKTORU Bořivoj Šourek,
VícePopis softwaru VISI Flow
Popis softwaru VISI Flow Software VISI Flow představuje samostatný CAE software pro komplexní analýzu celého vstřikovacího procesu (plnohodnotná 3D analýza celého vstřikovacího cyklu včetně chlazení a
VíceRegrese. 28. listopadu Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly:
Regrese 28. listopadu 2013 Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly: 1. Ukázat, že data jsou opravdu závislá. 2. Provést regresi. 3. Ukázat, že zvolená křivka
VíceTechnický experiment, příprava, provedení, hodnocení výsledků
Technický experiment, příprava, provedení, hodnocení výsledků 1 Katedra stavebních hmot a hornického stavitelství VŠB - Technická univerzita Ostrava 8. 3. 2012 Experiment Experiment se snaží získat potřebné
VíceMatematické modelování dopravního proudu
Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení
VíceCFD simulace obtékání studie studentské formule FS.03
CFD simulace obtékání studie studentské formule FS.03 Bc. Marek Vilím Vedoucí práce: Ing. Tomáš Hyhlík, Ph.D. Abstrakt Práce pojednává o návrhu numerické simulace obtékání studie studentské formule FS.03
Více1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*
Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceDetailní porozumění podstatě měření
Nejistoty Účel Zjištění intervalu hodnot okolo výsledku měření, který lze přiřadit k hodnotě měřené veličiny Nejčastěji X X [%] X U X U [%] V roce 1990 byl vydán dokument WECC 19/90, který představoval
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...........................................
VíceStanovení nejistot při výpočtu kontaminace zasaženého území
Stanovení nejistot při výpočtu kontaminace zasaženého území Michal Balatka Abstrakt Hodnocení ekologického rizika kontaminovaných území představuje komplexní úlohu, která vyžaduje celou řadu vstupních
VíceJEDNOVÝBĚROVÉ 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
Více=10 =80 - =
Protokol č. DĚDIČNOST KVALITATIVNÍCH VLASTNOSTÍ ) Jednorozměrné rozdělení fenotypové charakteristiky (hodnoty) populace ) Vícerozměrné rozdělení korelační a regresní počet pro dvě sledované vlastnosti
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceVliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin
Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin doc. Ing. Martin Štroner, Ph.D. Fakulta stavební ČVUT v Praze 1 Úvod Při přesných inženýrsko geodetických
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
VíceVyjadřování přesnosti v metrologii
Vyjadřování přesnosti v metrologii Měření soubor činností, jejichž cílem je stanovit hodnotu veličiny. Výsledek měření hodnota získaná měřením přisouzená měřené veličině. Chyba měření výsledek měření mínus
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceExperimentální realizace Buquoyovy úlohy
Experimentální realizace Buquoyovy úlohy ČENĚK KODEJŠKA, JAN ŘÍHA Přírodovědecká fakulta Univerzity Palackého, Olomouc Abstrakt Tato práce se zabývá experimentální realizací Buquoyovy úlohy. Jedná se o
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra betonových a zděných konstrukcí HYDRATION SIMULATOR Program k diplomové práci Simulace vývinu hydratačního tepla s vlivem teploty pomocí fuzzy
VíceVLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST KONSTRUKCE
IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie 25 23.až 24.4.2003 Dům techniky Ostrava ISBN 80-02-055-7 VLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST
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
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceVytyčení polohy bodu polární metodou
Obsah Vytyčení polohy bodu polární metodou... 2 1 Vliv měření na přesnost souřadnic... 3 2 Vliv měření na polohovou a souřadnicovou směrodatnou odchylku... 4 3 Vliv podkladu na přesnost souřadnic... 5
VícePostup pro kalibraci vyměřené zkušební dráhy pro stanovení konstanty vozidla W a účinného obvodu pneumatik (dále jen dráhy )
Postup pro kalibraci vyměřené zkušební dráhy pro stanovení konstanty vozidla W a účinného obvodu pneumatik (dále jen dráhy ) Kalibrace se provede porovnávací metodou pomocí kalibrovaného ocelového měřicího
VíceUniverzita Pardubice. Fakulta chemicko-technologická Katedra analytické chemie. Licenční studium Statistické zpracování dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Statistické zpracování dat Semestrální práce Interpolace, aproximace a spline 2007 Jindřich Freisleben Obsah
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
VícePředpovídejte snadno a rychle
Předpovídejte snadno a rychle Newsletter Statistica ACADEMY Téma: Časové řady, exponenciální vyrovnávání Typ článku: Příklad Dnes se budeme zabývat situací, kdy chceme předpovídat, jak se bude v čase vyvíjet
VíceTabulka 1. Výběr z datové tabulky
1. Zadání domácího úkolu Vyberte si datový soubor obsahující alespoň jednu kvalitativní a jednu kvantitativní proměnnou s alespoň 30 statistickými jednotkami (alespoň 30 jednotlivých údajů). Zdroje dat
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
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Kalibrace a limity její přesnosti Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015
Více