MODELOVÁNÍ A SIMULACE
|
|
- Vilém Vopička
- před 8 lety
- Počet zobrazení:
Transkript
1 11 MODELOVÁNÍ A SIMULACE při návrhu slidů byly využity materiály Michala Dordy ( Radka Pelánka ( a Peera-Olafa Sieberse (
2 Úvod
3 Systém množina částí organizovaná za nějakým účelem a s určitými vlastnostmi nutno stanovit hranice množina prvků (příznaků, Q) množina vazeb (relací, R) vazby vnitřní mezi jednotlivými prvky systému vnější mezi prvky systému a jeho okolím okolí systému prostředí, do kterého je systém zasazen a se kterým komunikuje pomocí vstupních a výstupních vazeb
4 14 Typy systémů přírodní systémy (počasí, vesmír) umělé fyzické systémy (dům, auto, továrna) umělé abstraktní systémy (matematika, literatura) systémy lidských aktivit (rodina, město, politické systémy) produkční systémy nastavení zdrojů pro produkci zboží a výrobků a služeb sociální systémy systémy jedinců a skupin se vzájemnými vztahy a vzory chování ekonomické systémy
5 15 Struktura systému vnitřní uspořádání systému vyjádřené vzájemnými vazbami množina prvků systému Q = {Q 1,, Q m } a množina vazeb R = {R 1,, R n } mezi jednotlivými prvky systému strukturu systému potom lze symbolicky zapsat jako přiřazení: S = {Q i, Q j, R k }, Q i je vstupní prvek a Q j výstupní prvek vazby R k, kde a, j 1;2 m k 1;2 ;...; n i ;...;
6 16 x Q 1 R 1 Q 2 u R 2 R 3 Q 3 y
7 17 vstupní proměnné zpravidla u 1,, u r výstupní proměnné y 1,,y l stavové proměnné popisují vnitřní parametry x 1,, x n souhrnně vektory u, y, x různý počet souřadnic
8 18 stav systému okamžité hodnoty stavových proměnných x(t), případně stav jednotlivých prvků v daném okamžiku podmínka separability systém je separabilní, pokud svými výstupy neovlivňuje přes okolí své vstupy vstupní a výstupní proměnné systému zahrnují proměnné, pomocí kterých systém komunikuje přes vstupní a výstupní vazby s okolím systému
9 19 Systémy statické výstup je jednoznačně definován vstupem systém je popsán pouze statickou charakteristikou závislost výstupu na hodnotách vstupu: y = f(u) výstup systému nezávisí na čase t dynamické výstup není jednoznačně určen pouze vstupy, ale závisí také na čase vektorová stavová rovnice (změna stavového vektoru v čase): Δx=f(x,u) vektorová výstupní rovnice (závislost výstupů na vstupech a stavu): y=g(x,u), x(0)=x 0
10 20 podle definičního oboru proměnných diskrétní hodnoty proměnných se mění nespojitě v určitých časových okamžicích (skokově) spojité proměnné mění svoje hodnoty spojitě ve sledovaném čase příklady?
11 21 podle přítomnosti náhodných proměnných deterministický systém hodnoty všech proměnných jsou v každém okamžiku přesně definovány při stejných podmínkách jsou výsledky simulace vždy stejné pravidlové systémy stochastický systém proměnné (některé nebo všechny) mají charakter náhodné proměnné podmíněné pravděpodobnosti
12 22 Složitost systému daná náročností popisu vzorů či zákonitostí v systému zejména pro ně vhodná simulace
13 23 Definice KS... A system that can be analyzed into many components having relatively many relations among them, so that the behavior of each component depends on the behavior of others. (Herbert Simon) A system that involves numerous interacting agents whose aggregate behaviors are to be understood. Such aggregate activity is nonlinear, hence it cannot simply be derived from summation of individual components behavior. (Jerome Singer) A complex system is a highly structured system, which shows structure with variations. (Goldenfeld and Kadano) A complex system is one that by design or function or both is dicult to understand and verify. (Weng, Bhalla and Iyengar)
14 24 Příklady KS ekosystémy trhy podnebí organizace mraveniště buňka město imunitní systém nekomplexní systémy??? stroje, termostat, páka,
15 25 Charakteristika KS dynamické měnící se v čase strukturou chováním rovnovážné stavy těsně svázané vnitřní vazby a ovlivňování řízené zpětnou vazbou systém ovlivňuje sám sebe nelineární často obtížný analytický popis sebeorganizující se celek je víc než souhrn prvků adaptabilní např. učení
16 26 SYSTÉMOVÉ MYŠLENÍ
17 27 Myšlení lidé dokáží rychle najít jednoduchou příčinnou souvislost zřetězení událostí výrazně komplikuje odhalení prvotní příčiny např. prodeje jsou nízké protože jsou zaměstnanci málo motivovaní, protože intuitivní myšlení systémové x redukcionistické induktivní x deduktivní centralizované x decentralizované
18 28 Intuitivní myšlení na základě reflexů a tradičních hluboce zakořeněných vzorů daných zkušenostmi a výchovou tacit knowledge implicitní znalosti lineární uvažování trojčlenka, extrapolace trendů krátkodobý výhled nevhodné pro komplexní systémy dlouhodobé zlepšení vyžaduje krátkodobé zhoršení např. ekonomická krize
19 29 zjednodušený pohled na kauzalitu co bylo čím způsobeno? hledání nejjednoduššího vysvětlení např. zapalovače a rakovina ovlivnění paradigmatem souhrn domněnek, předpokladů, představ komplexní systémy neintuitivní např. více silnic vede k zácpám, bezpečná auta vedou k nebezpečné jízdě,.? x v komplexních systémech je nutné přesně formulovat předpoklady
20 30 Deduktivní a induktivní myšlení deduktivní z předpokladů logické závěry jednoduchý formální popis neodpovídá lidskému myšlení induktivní odvozování obecného z konkrétních příkladů, odhady vývoje blízké lidskému přístupu obtížně popsatelné
21 31 Centralizované a decentralizované myšlení centralizované jedna příčina, jeden zdroj význam jevů a objektů (uzlů) v popisu negativní zpětná vazba decentralizované vhodné pro komplexní systémy pozitivní zpětná vazba význam vztahů
22 32 Systémové myšlení odhlédněme od izolovaných událostí a jejich příčin pohlížejme na organizaci jako na systém s vzájemně interagujícími částmi vnitřní struktura systému bývá při řešení problému důležitější než externí události, které ho bezprostředně vyvolají systémový a globální pohled na předmět zkoumání
23 33
24 34 Redukcionismus a holismus Redukcionismus (systém lze poznat na základě studia jeho částí) Holismus (systém je víc než součet částí) Důraz na studium částí Důraz na vazby a interakci v celku Lineární uvažování Dedukce Příčina - následek Analytické řešení Nelineární uvažování Indukce Zpětné vazby Experimenty a simulace reálný svět je šedý
25 55 SIMULACE
26 56 Způsoby zkoumání systému Systém Experimenty se systémem Experimenty s modelem Fyzikální model Matematický model Simulace Analytické řešení
27 57 Simulace více definic Simulace je proces tvorby modelu reálného systému a provádění experimentů s tímto modelem za účelem dosažení lepšího pochopení chování studovaného systému či za účelem posouzení různých variant činnosti systému (Shannon). dynamická stránka modelu Simulace je technika, která nahrazuje zkoumaný dynamický systém jeho modelem s cílem získat informace o systému pomocí experimentu s modelem (Dahl). obě zahrnují proces tvorby modelu
28 58 Simulace snaha predikovat chování systému za určitých podmínek experimentální přístup k poznávání modelovaného systému přes modelující systém (model) what-if analýza důraz na dynamiku umožňují reprezentovat (modelem) a zkoumat (experimentem) variabilitu, propojenost a komplexitu systémů
29 59 Vztahy systémů a operací s nimi Reálný systém Abstrakce, modelování Simulační model Interpretace Simulační běh Výsledky Vyhodnocování Experimenty
30 60 Proč simulovat? systémy se mohou měnit predikovatelné změny plánované, známé nepredikovatelné změny poruchy, příchody zákazníků systémy jsou propojené jeden ovlivňuje druhý systémy jsou obvykle komplexní kombinatorická komplexita počty komponentů a počty jejich vazeb dynamická komplexita u úzce propojených systémů, systémy se zpětnou vazbou, dopady akcí na jednotlivé části systému
31 61 Výhody simulace náklady čas reálný a simulační řízení experimentů simulace abstraktních systémů simulace umožňuje predikovat výkonnost systémů porovnávat různé návrhy systému zjišťovat vliv změn v konfiguraci a provozování systémů
32 62 Nevýhody simulace náklady nutno vytvořit model časově náročná počty a průběhy experimentů dostupnost dat expertní přístup při návrhu více umění než věda zjednodušení reality abstrakce, předpoklady
33 63 rozdíl od jiných modelovacích technik variabilita možnost volby způsobu modelování omezení a nároky na popis systému nutné předpoklady jiných technik - diferenciální rovnice, distribuce pravděpodobností transparentnost názornost oproti striktně matematickým modelům, srozumitelnost pro širší publikum pochopení a vytváření mentálních modelů znalostí vizualizace, komunikace, interakce - nad systémy
34 64 Postup tvorby simulace stanovení účelu a cíle tvorby modelu a experimentů, které se budou realizovat návrh simulačního modelu podle charakteru systému implementace modelu ve softwarovém prostředí příprava experimentálních údajů pro model s cílem prověřit jeho správnost při implementaci verifikace a validace modelu, stanovení odchylek mezi modelem a modelovaným systémem příprava, realizace a analýza jednotlivých experimentů s ohledem na vytčené cíle
35 65
36 66 Čas v simulačním modelu reálný čas čas skutečného děje v reálném systému simulární čas vnitřní čas simulačního modelu může běžet mnohonásobně rychleji (nebo i pomaleji) než realný čas fiktivní čas, který nemusí běžet plynule a rovnoměrně strojový čas spotřebovaný na výpočet modelu a experimentů podle složitosti modelu, nesouvisí se simulárním časem
37 67 Příklady simulací předpovědi počasí hry robotika další?
38 78 DISKRÉTNÍ SIMULAČNÍ MODELY při návrhu slidů byly využity materiály Michala Dordy (
39 79 Hlavní problémy zachycení statických vlastností (struktury modelu) zachycení dynamických vlastností modelu problematika generování náhodných proměnných vyskytujících se v modelu realizace sběru potřebných údajů (výstupů) z chodu simulačního modelu návrh a vyhodnocení experimentů s modelem zpracování a výstup simulačních výsledků kontrolní a monitorovací funkce
40 80 Úvod příklady? kdy diskrétní simulace? mění-li se stavové proměnné diskretně (skokově) v určitých okamžicích simulárního času v okamžicích výskytů událostí - přechodové okamžiky stav systému se mezi dvěma přechodovými okamžiky nemění otázka stanovení časového kroku
41 81 Pevný časový krok Δt = konst. byl by nejjednodušší pro organizaci výpočtu jak velký časový krok Δt stanovit? zachycení všech okamžiků změn v systému s definovanou časovou přesností příliš malý > zbytečně vyšší objem výpočtů příliš velký > více událostí v jednom časovém okamžiku shlukování nebo i nezaregistrování některých událostí proto proměnný krok
42 82 Proměnný časový krok Δt konst. okamžik (přechodový okamžik) hodnota simulárního času, v níž dochází ke změně alespoň jedné stavové proměnné simulačního modelu (tedy ke změně stavu modelu) interval časový úsek mezi dvěma po sobě jdoucími okamžiky časové rozpětí několik na sebe navazujících intervalů
43 83 událost změna stavu modelu v okamžiku, ve kterém začíná aktivita má obvykle nulovou časovou délku např. příchod do fronty, zahájení zpracování, odchod aktivita stav modelu mezi dvěma událostmi popisujícími po sobě jdoucí změny stavu modelu např. čekání, obsluha
44 84 proces posloupnost stavů modelu v časovém rozpětí např. vše od příchodu do odchodu při proměnném časovém kroku rozeznáváme algoritmy orientované na události algoritmy orientované na aktivity algoritmy orientované na procesy
45 85 Algoritmy orientované na události zaveďme množinu U jako množinu všech tříd U i událostí, jejichž výskyt má za následek změnu stavu modelu, U = {U 1 ; U 2 ;...; U n } výskyt události z jedné třídy má za následek stejný charakter změny stavu modelu (lze jej popsat stejným úsekem programu) např. všechny příchody do fronty lze popsat stejnou částí algoritmu TU i = okamžik příštího výskytu události z třídy U i čas je vždy chápán jako simulární čas
46 86 M = obecná hodnota času, která je větší, než hodnota času odpovídajícího výskytu libovolné události pokud neumíme určit okamžik příštího výskytu události z třídy U i, pak TU i = M (= odložení na neurčito) důsledky výskytu libovolné události z třídy U i můžeme popsat algoritmem A i, kde i = 1, 2,, n
47 87 Algoritmy orientované na události S a) dosazení počátečních podmínek (čas= 0) b) stanovení hodnot TU 1,..., TU n vytvoření kalendáře událostí, TU k může mít hodnotu M c) TU k = min{tu 1,..., TU n }, může být i více, pak nutný výběr (priorita) d) čas = TU k e) A k (vč. aktualizace kalendáře událostí) ne konec? ano zpracování a výstup výsledků K
48 89 Příklad Systém hromadné obsluhy s řádným frontovým režimem a nekonečnou délkou fronty. Doba mezi příchody po sobě jdoucích požadavků náhodná proměnná X Doba obsluhy požadavku náhodná proměnná Y. Nakreslete vývojový diagram zachycující modelující algoritmus tohoto systému orientovaný na události.
49 90 vnitřní (stavové) proměnné modelu: proměnná F - aktuální počet požadavků ve frontě proměnná S - stav obsluhy (0 linka nepracuje, 1 linka provádí obsluhu požadavku) třídy událostí U 1 - příchod požadavku do systému U 2 - ukončení obsluhy požadavku U 3 - zahájení obsluhy požadavku pouze pro F>=1 a S=0 > podmíněno stavem systému, neuvažuje se
50 91 pravidla linka může současně obsluhovat jeden požadavek obsluha požadavku aut. začíná pro (F > 0) && (S = 0) počáteční podmínky systém je v okamžiku čas = 0 prázdný F = 0 a S =0 první požadavek v okamžiku t 1 > okamžik prvního výskytu události z třídy událostí U 1 bude TU 1 = t 1 v čas = 0 žádná obsluha neprobíhá > nelze naplánovat první okamžik výskytu události z třídy U 2, proto TU 2 = M
51 92 S čas = 0, F = 0, S = 0 TU 1 = t1, TU 2 = M TU k = min{tu 1, TU 2 } ano čas = TU k k = 1? ne F = F + 1 Generuj x S = 0 TU 2 =M ano F = 0? ne F = F - 1 TU 1 = čas + x Generuj y S = 0? ne TU 2 = čas + y ano S = 1, F = F - 1 konec? ne Generuj y ano výstup výsledků TU 2 = čas + y K
52 93 Testování vygenerovány náhodné proměnné X a Y první požadavek v t 1 = 2 časová osa? x y Čas TU 1 TU 2 F S 0 2 M M M M M 0 0
53 94 Algoritmy orientované na aktivity pro zachycení dynamických vlastností modelovaného systému se využívají aktivity nutno definovat soubor aktivit podmínky, které musí být splněny, aby mohla daná aktivita nastat změny, ke kterým dochází působením aktivit každá aktivita začíná a končí událostí výskyty událostí jsou zadány podmínkami, které musí být splněny pak mohou být realizovány změny stavu modelu
54 95 S dosazení počátečních podmínek (čas= 0) ne Podmínky 1? ano změny stavu modelu aktivita 1 ne Podmínky K? ano změny stavu modelu aktivita K posun času modelu ne konec? K ano zpracování a výstup výsledků
55 96 při každé změně simulárního času nutno testovat podmínky pro všechny aktivity z hlediska rychlosti výpočtu zpravidla méně efektivní přístup než orientovaný na události tento přístup vhodnější, pokud výskyt událostí často vázán na splnění určitých podmínek než na dosažení určité hodnoty času
56 97 Příklad nakresleme vývojový diagram zachycující modelující algoritmus orientovaný na aktivity systému hromadné obsluhy z předchozího příkladu
57 98 stavové proměnné - F a S, stejný význam proměnné TU 1 a TU 2 - pořadí významné za jak dlouho dojde k dalšímu příchodu, resp. odchodu požadavku pokud některá z nich záporná > doba, jež uplynula od posledního výskytu příslušné aktivity okamžik příští změny stavu modelu = minimum z kladných hodnot TU 1 a TU 2 vybraná hodnota se přičte k hodnotě aktuálního času a současně se odečte od všech časových proměnných více aktivit současně > stanovení pořadí
58 99 S čas = 0, F = 0, S = 0 TU 1 = 2, TU 2 = -1 TU k = min {TU 1, TU 2 } F = F + 1 ano TU 1 = 0? Generuj x TU 1 = x ne TU 2 = 0? ano S = 0 ne F = F 1, S = 1 ano F > 0 && S = 0? Generuj y ne konec? ano ne Δt = min {TU 1, TU 2 }, TU 1 > 0, TU 2 > 0 čas = čas + Δt TU 1 = TU 1 - Δt, TU 2 = TU 2 - Δt TU 2 = y výstup výsledků K
59 10 0 Algoritmy orientované na procesy kombinace předchozích přístupů
60 10 1 SIMULAČNÍ TECHNIKY při návrhu slidů byly využity materiály Peera-Olafa Sieberse (
61 10 2 Úroveň abstrakce v simulaci strategická vysoká míra abstrakce, málo detailů, makropohled agregace dat i objektů, zpětná vazba taktická vyvážení míry abstrakce a množství detailů operační minimální abstrakce, hodně detailů, mikropohled jednotlivé objekty, přesná a detailní data
62 10 3 Strategická dopravní makro modelování ekonomika zdravotnictví dynamika populací obchod ekosystémy finanční analýzy SCM dynamika pohybu osob Taktická obranné plánování zdravotnictví Operační hromadná obsluha dopravní mikro modelování skladové operace
63 10 4 Přístupy k modelování (paradigmata) modelování systémové dynamiky (SDM) a její simulace (SDS) diagramy toků a zásob deterministická a spojitá simulace modelování diskrétních událostí (DEM) a jejich simulace (DES) diagramy toků (zpracování) stochastická diskrétní simulace (tokově orientovaný přístup)
64 10 5 agentové modelování (ABM) a simulace (ABS) stavové diagramy stochastická diskrétní simulace (objektový přístup) smíšené (hybridní) modelování (MMM) a simulace (MMS) kombinace předchozího např. na různých hierarchických úrovních nebo u různých modelovaných objektů
65 10 6 Ukázky DEM SDM ABM
66 10 7 Strategická SD Taktická AB DE Operační
67 10 8 SYSTÉMOVÁ DYNAMIKA při návrhu slidů byly využity materiály Craiga W. Kirkwooda ( a Peera-Olafa Sieberse (
68 10 9 Systémová dynamika metodika a technika pro ohraničení, pochopení a diskutování komplexních úloh a problémů (Kirkwood) základem poznání, že struktura systému je stejně důležitá pro pochopení jeho chování jako jeho jednotlivé komponenty a jejich chování zejména pro strategické modely s dlouhou platností a časovým záběrem vysoká míra agregace dat a struktury modelu business, sociální systémy, urbanistika, ekosystémy
69 11 0 Historie Norbert Wiener (1940s) studium regulace a řízení biologických, sociálních technických a ekonomických systémů - Kybernetika Jay Forrester (1950s) uplatnění kybernetických principů na průmyslové systémy Industrial Dynamics John Collins (1970s), John Stermann (1980s) principy Industrial Dynamics na sociální, urbanistické, obchodní sociální a ekologické systémy Systémová Dynamika
70 11 1 Vzory chování generalizace od jednotlivých událostí k obecnému chování, které je charakterizuje - vzor po identifikaci vzoru chování můžeme hledat systémovou strukturu a chování, které vzor vyvolávají modifikací systémové struktury můžeme problém trvale odstranit
71 11 2 Obvyklé vzory chování a reakce vyskytují se samostatně nebo v kombinaci G54SIM (
72 11 3 Zpětnovazební a diagramy příčinných závislostí způsob reprezentace systémových struktur prvky = elementy vazby = příčinné vlivy mezi elementy šipka vede od příčiny k následku zachycení kauzality Diagram pro výrobní sektor
73 11 4 zpětnovazební smyčka element přes nebo příčinné vazby nepřímo ovlivňuje sám sebe
74 11 5 příčinná vazba vazba od elementu A do B je pozitivní (+, s - same), pokud buď A přidává k B nebo změna A vytváří změnu B stejným směrem vazba od elementu A do B je negativní (-, o - opposite), pokud buď A odečítá od B nebo změna A vytváří změnu B opačným směrem zpětná vazba - přes více elementů, vyšší struktura vazba A je pozitivní (+, R - reinforcing), když obsahuje sudý počet negativních příčinných vazeb vazba A je negativní (-, B - balancing), když obsahuje lichý počet negativních příčinných vazeb
75 11 6 Příklad požadovaná hladina vody + + pozice baterie + potřeba proud vody hladina vody + plnění sklenice vody negativní zpětná vazba ve smyčce je lichý počet negativních vazeb
76 11 7 Příklad samoregulující se biosféra sluneční svit teplota Země odpařování vody množství vody na zemi mraky déšť
77 11 8 Příklad samoregulující se biosféra - sluneční svit + teplota Země odpařování vody - množství vody na zemi mraky déšť
78 11 9 Systémové struktury a vzory chování pozitivní (zesilující) zpětná vazba exponenciální růst navzájem pozitivně se ovlivňující jevy negativní (vyrovnávající) zpětná vazba regulační vliv negativní vazby asymptotické přiblížení k požadovanému stavu (shora, zdola) negativní zpětná vazba se zpožděním cykly kombinace pozitivní a negativní vazby S-křivka (sigmoida)
79 12 0 Diagramy toků a zásob ukazují vztahy mezi proměnnými měnícími se v čase rozlišují různé typy proměnných sklad (zásoba) obdélník hromadění něčeho v čase - integrační (akumulační) funkce materiál, osoby zboží, peníze tok (míra, aktivita, pohyb) ventil tok něčeho ze skladu do skladu hodnota toku se může řídit i množstvím ve skladech informace čára se šipkou mezi skladem a tokem = tok je ovlivněn informací o skladu
80 12 1 doplňkové objekty pomocný prvek kruh objeví se pokud popis závislosti toku na skladu vyžaduje další výpočty pro komplexní modely zdroj a odpad obláček reprezentují systémy skladů a toků mimo náš systém něco k nám přichází a něco zase odchází pryč zpoždění svislé čárky dochází ke zpoždění při přenosu informace
81 12 2 Příklad - změny v populaci + narození + děti - - dospívání dospělí úmrtí
82 12 3 inicializace stavů exaktní popis toků - vzorec analogie s potrubím, zásobníky a ventily příklad Bass diffusion potenciální zákazníci = počáteční stav suma (integrál) prodejů skuteční zákazníci = suma prodejů prodeje = různé možnosti umění zvolit
83 12 4 Susceptible Infectious Recovered (SIR) Model definice modelu (main) a nastavení simulace (experimentu, simulation view)
84 12 6 Tvorba SD modelů koncepce účel modelu hranice modelu a klíčové proměnné chování klíčových proměnných diagram základních mechanizmů a vazeb (příčinných i zpětných) v modelu formulace diagram zásob a toků včetně vzorců odhad parametrů vytvoření simulačního modelu
85 12 7 testování testy dynamických hypotéz možného vysvětlení pozorovaného chování testování chování a citlivosti při výkyvech implementace testování reakcí na různé nastavení a zacházení interpretace výstupů a jejich transformace do přístupné formy
86 12 8 Zdroje Fishwick P (2011) CAP4800/5805 Computer Simulation: System Dynamics Lecture Slides ( ) Kirkwood CW (1998) System Dynamics Methods: A Quick Introduction ( ) Morecroft JD (2007) Strategic Modelling and Business Dynamics. Wiley, Chichester, UK. Sterman JD (2000) Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw Hill, Boston, USA. Proceedings of the International System Dynamics Conference ( ) ( )
87 Cvičení 4 Systémová dynamika
88 SD diagram modelování chování objektů pomocí zásob, toků a informačních vazeb paleta system dynamics některé prvky grafické nebo polofunkční zásoby pole vícedimenzionální hodnoty i vzorce vlastní definice derivace v čase toky - definice toku
89 32 dynamická proměnná link pomocný prvek zpřehlednění diagramu konstanta, závislá hodnota zobrazení příčinné vazby vč. označení doplňovací mechanizmus plná čára příčinná vazba čárkovaná čára počáteční hodnota možnost zavedení zpoždění jen značení
90 33 smyčka (loop) pouze grafický prvek pro označení charakteru zpětnovazební smyčky stín (shadow) provázaná kopie skladu, toku, dynamické proměnné zpřehlednění diagramu u hierarchických diagramů icon zástupce možnost užití polí multidimenzionální data
91 34 Úkol Navrhněte model ekosystému fox-rabbit. Do ekosystému doplňte problém potravy pro králíky
92 35
93 Sběr a analýza dat záložka analysis data set sběr dat do datového skladu statistics základní statistika souboru data pro histogramy a 2D histogramy opět statistika přímé (odkaz na proměnnou) nebo následné (s využitím datových skladů) zobrazování v grafech lze více řad
94 38 Úkol Navrhněte model koloběhu vody v přírodě.
95 Další SD funkce pulse, pulsetrain jednotkový impulz nebo jejich řada ramp rostoucí hodnota náhrada sigmoidy step jednotkový skok s danou výškou delay, delayinformation, delaymaterial, liší se zpracováním situace při změně zpoždění delay1, delay3 exponenciální vyhlazování vstupu a zpoždění
96 44 smoth, smoth3 exponenciální vyhlazování vstupu forecast, trend rozsah vstupního okna (averagetime), horizont trend předpověď hodnoty s daným počátečním trendem podobné forecast ekonomické funkce npv, npve
97 12 9 DISKRÉTNÍ UDÁLOSTI (DES) při návrhu slidů byly využity materiály Peera-Olafa Sieberse (
98 13 1 Příklad - kavárna návštěvníci obsluha dveře sklo
99 13 2 Terminologie objekty entita individuální elementy, jejichž chování či stav jsou sledovány organizovány ve třídách a množinách (osoby v autobusu, typy výrobku) odlišitelné pomocí hodnot atributů zdroj elementy, které jsou potřebné a modelované pro zpracování entit nejsou modelované individuálně (jen počitatelné - lidé na zastávce, dělníci v podniku)
100 13 3 chování entit entity se vyvíjejí - mění stavy událost bod v čase, kdy dochází ke změně stavu entity aktivita operace vyvolaná událostí měnící stav entity stavy entity aktivní (obdélník) entita se přímo účastní (zahrnuje i spolupráci různých tříd entit) - trvání lze definovat dopředu vhodným pravděpodobnostním rozložením pasivní, dead (kruh) bez spolupráce, entita čeká na událost - trvání nelze odhadnout v předstihu (vychází z časování událostí)
101 13 4 Diagram aktivit zavřít kroky návrhu identifikace tříd entit čeká příchod venk u identifikace aktivit, kterých se účastní propojení těchto aktivit objedná připr aven pije tvoří se cykly zákazník sklenice obsluha dveře čistá čeká plná myje špina vá
102 13 5 Příklad DE modelování úloha úředník obsluhuje v bance zákazníky, kteří přijdou nebo zavolají dává přednost přítomným zákazníkům zákazníci se řadí do front (FIFO) volající nikdy nezavěsí třídy úředník volající zákazník přítomný zákazník
103 13 6 diagram aktivit úředníka obsluha čeká telefonuje
104 13 7 diagramy aktivit zákazníků fronta fronta příchod obsluhován hovoří volání mimo mimo
105 13 8 propojené diagramy zákazníků a úředníka fronta fronta příchod obsluha čeká hovoří volání mimo mimo
106 13 9 DE simulace třífázový přístup události rozděleny do dvou skupin B (booked) události jsou vázány na bod v čase obvykle příchody (např. zákazníků k úředníkovi) nebo ukončení aktivity C (conditional) jejich výskyt závisí na podmínkách modelu a jeho běhu obvykle start aktivity (opuštění pasivního stavu)
107 14 0 propojené diagramy zákazníků a úředníka B1 fronta C1 C2 fronta B3 příchod obsluha čeká hovoří volání B2 B4 mimo mimo
108 14 1 S fáze řešení A, B, C běh simulace řízen B událostmi ve fázi B nezačíná obsluha nastavení času nalézt další nejbližší čas s nějakou událostí, posun do tohoto času, vložit všechny entity s událostí B v tomto čase do seznamu provedení všech událostí B pro entity v seznamu v daném čase + projít všechna C nějaká aktivita? - čas vypršel? - + S
109 14 2
110 Cvičení 6 Modelování pomocí diskrétních událostí
111 49 Process modeling library entita agent možnost definice vlastních tříd entit (podtřídy agent) síť, kterou entity procházejí metody on entry, on exit source, sink generování a likvidace entit různé mechanizmy časování generování různých objektů možnosti animace
112 50 enter, exit vkládání a odebírání entit z jiných diagramů (statechart) externí a interní porty hold zarážka metoda setblocked() split duplikace entit combine - vytvoření nových entit ze starých spojení dílů na lince
113 51 select Output pravděpodobnostní směrování zmetky deterministické směrování queue fronta různé algoritmy FIFO, LIFO, priorita, porovnání entit kapacita možnost preempted (předbíhání) a timeout výstupu různé triggery onenter, onatexit, onexit, onremove match synchronizace dvou proudů restricted area start, end omezený počet entit uvnitř omezené prostory
114 52 Seskupování entit batch, unbatch shromáždění entit do jedné nové balení pickup, dropoff přidání, odebrání entit cestující v autobuse assembler sestavení nové entity
115 53 Další delay zpoždění nastavitelné conveyor pás zachovává pořadí a mezery
116 54 Prostředky něco, co je v určitém místě potřeba, ale nesleduje se to individuálně resource pool zdroj prostředků přidělované entitám lidé na lince seize, release - přidělení a odejmutí prostředků včetně fronty (skladu) service přidělení prostředku a zpožděné odebrání
117 55 Čas clock hodiny pro simulační čas TimeMeasureStart, End měření času, který stráví entita mezi značkami možno užít pro uložení času k entitě
118 56 Tvorba vlastní entity vlastní modifikace proměnných i metod nová podtřída třídy Agent parametry = argumenty konstruktoru proměnné public
119 61 EXTERNÍ KONEKTIVITA
120 62 Textové soubory soubor x URL setmode, seturl otevření a uzavření se neřeší URL pouze čtení soubor read nastavení separátoru readline, readstring, readint/long/double/byte write, write-append print, println
121 64 Soubor pro excel soubor xlsx musí existovat! setfilename postupné budování struktury a obsahu info o listech getnumberofsheets, getsheetname, getfirst/lastrow/cellnum (index od 1) vytváření buněk - createcell plnění buněk clearcell, setcellvalue, setcellformula čtení buňek getcellformula, getcellnumericvalue, getcelldatevalue, readtablefunction, další - evaluateformulas
122 66 Databáze interně Excel/Access (stejná verze Office 32/64b) a MS SQL Server DB musí existovat! další přes JDBC driver (např. MySQL) nutno doinstalovat dotazy i aktualizace pomocí SQL getvalue pouze jedna hodnota getresultset dále zpracování přes while cyklus getmatrix 2D pole daného typu String[][] o=(string[][])database.getmatrix("select* from data","string"); System.out.println(o[1][1]);
123 68 MODELY S PROSTOROVÝM USPOŘÁDÁNÍM
124 69 Network based modeling space markup pro modelování založené na fyzickém uspořádání sklady doprava network definovaná síť skupina grafických elementů definující síť prvky prostory - rectangular Node, polygonal Node, Point body attractor (čekání v prostoru) cesty path sklad - palletrack
125 70 moveto posun do zadaného grafického prvku po čáře resourcesendto odeslání zdroje přímo (skok) palletrack sklad s uličkou
126 75 Rail library podobnost s Process Modeling Library train a rail car spojování a rozpojování vlaků railway track a railway point automatická správa výhybek akcelerace a brzdění použití prostředků nebo restricted area pro omezení počtu vlaků na úseku railsettings metody isempty()
127 77 Pedestrian library Process Modeling Library prvky targetline rectangulararea (attractor) polygonalarea (attractor) služby servicewithlines servicewitharea překážky wall, rectangularwall, circularwall pedsettings
128 15 3 AGENT BASED SIMULACE
129 15 4 AB modelování systém modelován jako množina autonomních a aktivních entit s vlastním řízením a rozhodováním (agentů) popis systému v detailu mikropohled modelování elementárních objektů decentralizace interakce agentů vytváří chování celého modelovaného systému vhodné např. pro modelování systémů s lidmi jako prvky
130 15 5 Historie prostředí a nástroje celulární automaty agenti multiagentní systémy zapouzdřené (uzavřené) systémy otevřené systémy DAI FIPA 2002
131 Agent jednotný přístup k různým oblastem UI
132 Agent příklady pohybliví roboti, vyhledávače na WWW, software pro finanční předpovědi, osoby pojmy pro popis pozorování - to, co agent zjistí o svém okolí akce - to, čím agent ovlivňuje okolí
133 Prostředí x agent propojení pomocí senzorů a akčních prvků může jít i o metody v programu pojmy pro popis znak, vlastnost - některý z aspektů prostředí (teplota) senzor - prvek vytvářející korelace s vlastnostmi prostředí
134 problémy v interakci prostředí > agent fyzikální omezení (přesnost měření) správná interpretace získaných dat problémy v interakci agent > prostředí správné chování agenta (reakce) odezva v reálném čase
135 Kvalita agenta racionální agenti jednají racionálně (korektně) racionalita (korektnost) výkonnost zjištěné podněty (z prostředí) uložené znalosti (v agentovi) akce, které umí agent vykonat nutné míry objektivní x subjektivní kvalitativní x kvantitativní během x po testech
136 Ideální agent pro každý myslitelný řetězec podnětů agent provádí takové akce, které maximalizují jeho schopnost dosahovat zadané cíle a to na základě informací získaných z podnětů a svých vlastních (vestavěných) znalostí. agent musí být umístěn v prostředí, ve kterém dokáže detekovat a realizovat změny agenti jsou objekty s vlastním postojem a chováním
137 Typy agentů dány způsobem realizace vazby mezi vstupem (sledováním okolí) a výstupem (odpovídající akcí) pravidlový reakční agent s vnitřním stavem cílově orientovaný kvalitativně orientovaný učící se volba podle konkrétní potřeby a modelovaného systému
138 Pravidlový reakční agent Agent Senzory Okolí Jak nyní vypadá svět Pravidla Co bych měl nyní udělat Akční členy
139 pravidla ve formě když podmínka tak akce bezprostřední reakce na podnět krátkozrakost
140 Reakční agent s vnitřním stavem Agent Vnitřní stav Senzory Okolí Jak se svět vyvíjí Jak nyní vypadá svět + Jak svět ovlivní moje akce Pravidla Co bych měl nyní udělat Akční členy
141 vytváří si vnitřní obraz o okolním světě i z několika pozorování za sebou - paměť aktualizuje se vychází i z dalších informací o prostředí zákonitosti světa skryté znalosti důsledky svých zásahů náročnější na paměť, ale vidí dále
142 Cílově orientovaný agent Agent Vnitřní stav Senzory Okolí Jak se svět vyvíjí Jak nyní vypadá svět + Jak svět ovlivní moje akce Co se stane, když udělám X Cíle Co bych měl nyní udělat Akční členy
143 snaha splnit zadaný cíl předvídá prohledávání plánování
144 Kvalitativně orientovaný agent Agent Vnitřní stav Senzory Okolí Jak nyní vypadá svět + Jak se svět vyvíjí Jak svět ovlivní moje akce Co se stane, když udělám X Jak kvalitní je výsledný stav Kvalita dosaženého řešení Co bych měl nyní udělat Akční členy
145 snaha po maximální užitečnosti maximální kvalita vybraného řešení nejsou explicitně vyjádřené cíle
146 Učící se agent Agent Standardní činnost Senzory Okolí Kritika + Učící se element Výkonový prvek Generátor úkolů Akční členy
147 17 3 CBR case based reasoning odvození znalostí z příkladů
148 Prostředí dostupná x nedostupná pokud agent může získat všechny atributy, nemusí pracovat s vnitřním stavem deterministická x nedeterministická je stav okolí přesně dán minulostí a jednáním agenta? episodní x neepisodní lze vazbu na interakci s okolím rozdělit na samostatné podcelky? agent nemusí předvídat daleko dopředu
149 17 5 Vlastnosti agenta diskrétní entita vlastní chování, cíle, strategie vlastní linie řízení autonomní schopný adaptace na změny v prostředí schopný modifikace chování proaktivní generování akcí na základě vlastní motivace (a vnitřního stavu)
150 17 6 Klady a rizika ABM klady přirozený a relativně jednoduchý popis chování elementárních prvků zachycení náhodných jevů náhodné vlivy celek je více než souhrn částí interakce mezi prvky náhodný jev může být charakterizován mimo vlastnosti částí (agentů) příklad dynamika dopravní zácpy
151 17 7 vhodné užití úlohu lze přirozeně popsat jako (dynamicky se měnící) interakci jednotlivých elementárních prvků např. sociální sítě při požadavku na sledování agenta ve zvoleném prostoru např. klasický 2D geoprostor pokud je nutné, aby byl model tvořen z objektů schopných adaptace pokud chceme objekty předvídající chování ostatních
152 17 8 Typy agentových systémů založené na příkladu specificky popsané empirické jevy např. evoluční studie prehistorických společenství typologické specifické třídy empirických jevů např. simulace jevů vztahujících se k managementu užití krajiny teoretické abstrakce čistě teoretické modely např. hejna boidů
153 17 9 ABM rozhodovací procesy agentů závisí na účelu modelu pravděpodobnostní užití pravděpodobnostních rozložení pravidlové modelování procesu tvorby rozhodnutí AB model je komplexní systém tvořený množinou agentů naprogramovaných na určitá pravidla chování
154 18 0 AB simulace definice dříve proces návrhu AB modelu modelovaného systému a provádění experimentů s ním za účelem pochopení chování modelovaného systému a návrhu vhodných metod a postupů jeho užití a nastavení (Shannon, 1975) pojem ABS používán v mnoha oborech různý obsah pojmu agent a multiagentní systém lze tak označit téměř cokoliv, záleží na přístupu
155 18 1 ABS přístupy multiagentní rozhodovací systémy obvykle vložení (zabudovaní) agenti nebo jejich simulace důraz na rozhodovací procesy multiagentní simulační systémy použity pro simulaci nějakého jevu či oblasti z reálného světa a jevů v něm např. The Sims interaktivní organizační ABS
156 18 2 ABS - příklady biologie skupinové chování - sociologie párty - dopravní systém - městská dynamika - EconomicDisparity
157 18 3 sociální vědy dynamika sociálních sítí, dynamika bojů, vzestup a pád společenství, skup. učení, epidemie, nepokoje ekonomika burza, samoorganizující se trhy (aukce), obchodní sítě, chování zákazníků, volné komoditní trhy ekologie oběť x predátor, krajinný management, skupinové chování ptáků a ryb, růst deštného pralesa politika a politologie soupeření stran, zdroje a vzory politického násilí, sdílení moci
158 18 4 Tvorba ABS modelu identifikace aktivních entit agentů definice jejich stavů a chování (stavové diagramy) vložení do prostředí vytvoření vazeb mezi nimi testování modelu validace modelu sledováno systémové chování jako celku validace na mikroúrovni makropohled v DES/ABS modelech
159 18 5 Příklad bankovní model v ABS flexibilní chování při velkém počtu volajících zapamatování předchozích zkušeností paměť agenta modelování WoM ohledně kvality služeb konkrétního úředníka
160 18 6 Užití ABS operační výzkum kombinace DES / ABS modelů, postup jako DES, nahrazení pasivní DES entity aktivními agenty, obvykle ve větším počtu (popis pomocí stavových diagramů, může být vzájemná interakce) reálné aplikace dříve především teoretické věci dnes doprava, finance, SCM, energetika, zdravotnictví, sociální politika v praxi často kombinace DES / ABS
161 18 7 ABS nástroje SW free Swarm, Repast, NetLogo, SeSAm, GreenFoot komerční AgentSheets, AnyLogic,
162 188 Porovnání DES Procesně zaměřené, detailní modelování celého systému Top down přístup Jedna základní linie řízení Pasivní entity, jsou ovládané systémem, inteligence modelované systémem Základním prvkem fronta ABS Vychází z individuí, modeluje agenty a jejich interakce Bottom up přístup Každý agent má vlastní řízení Aktivní prvky, proaktivní, vlastní inteligence Nepracuje s frontami Průchod entit systémem, makromodel Makrochování není modelováno vzniká z mikrochování agentů Vstupní rozložení a distribuce pravděpodobnosti často vycházejí z reálných měření Vstupní údaje často založeny na teoriích a subjektivních datech a názorech
163 18 9 Zdroje Bonabeau (2002). Agent-based modeling: Methods and techniques for simulating human systems. In: Proceedings of the National Academy of Science of the USA. 99: Macal and North (2007). Agent-based modeling and simulation: Desktop ABMS. In: Henderson et al. (Eds.). Proceedings of the 2007 Winter Simulation Conference. Washington DC, Dec Shannon (1975). Systems simulation: The art and science. Prentice- Hall: Englewood Cliffs, NJ. Siebers and Aickelin (2008) Introduction to multi-agent simulation. In: Adam and Humphreys (Eds.). Encyclopedia of Decision Making and Decision Support Technologies, Pennsylvania: Idea Group Publishing, pp Siebers et al. (2010). Discrete-event simulation is dead, long live agent-based simulation! Journal of Simulation, 4(3) pp
164 Multiagentní modelování
165 80 Úvod vytvoření agentů aktivní prvek samostatná třída možnost zobrazení vazeb import agentů do hlavní třídy Main existence a pohyb agentů v prostředí space and network kolekce agent population přenos parametrů stejný mechanizmus jako mezi simulation main a main replikace v Main a metoda getindex() help v API
166 81 Synchronizace časování činnosti agentů asynchronní spojitý čas možnost časování na libovolný okamžik synchronní kroky - provádění akcí agentů synchronně v krocích cyklická událost v Main for( Person p : people ) p.step(); nebo space and network v Main a Enable steps události onbeforestep(main), onbeforestep(agent), onstep(agent), onafterstep(main)
167 82 Prostředí různé typy rozměry, poloha v Main - API layout, network type, connections spojité 2D, diskrétní 2D, spojité 3D, GIS API celulární automaty spaceheight(), spacewidth() setnetwork (), applynetwork(), getnetworktype() getrandomagent(), getagentcollection() getagentatcell() diskrétní 2D
168 83 kolekce size(), iterator(), get(int index) dynamická správa prvků v replikovaných kolekcích add_people(), remove_people()
169 84 Agent odkaz na Main get_main() pohyb v prostředí podle typu prostředí
170 85 Spojitý 2D poloha (v Agentovi) setlayouttype( type ) applylayout() relocating getx(), gety(), distanceto( Agent other ) setxy(double x, double y) spojitý 2D pohyb událost OnArrival jumpto(x, y ), moveto(x, y ), stop(), ismoving() gettargetx(), gettargety(), getvelocity(), getrotation(), timetoarrival setvelocity(newvelocity ), setrotation(rotation )
171 86 Spojitý 2D spojení sítě getconnections(), getconnectionsnumber(), getconnectedagent( int index ) connectto( Agent a ), isconnectedto( Agent a ), disconnectfrom( Agent a ), disconnectfromall() různé nastavení propojení agentů Random, Distance Based (all in range), Ring (ring Lattice), Small world (Ring s výjimkami), Scale Free (hubs and hermits) environment.setnetworkringlattice( 5 ) environment.applynetwork() reconnecting
172 87 Diskrétní 2D poloha směry podle světových stran (NORTH, NORTHWEST) int getr(), getc() pohyb jumptocell( int r, int c ), movetonextcell( int direction ), findrandomemptycell(), jumptorandomemptycell()
173 88 Diskrétní 2D modely okolí Moorův model 8 sousedů Euklidovský model 4 sousedi okolí getagentatcell( int r, int c ), getagentnexttome( int dir ), getneighbors()
174 89 Komunikace agentů zprávy deliver send přímé odeslání ihned deliver(), delivertoallconnected(), delivertorandomconnected(), nastavení odeslání do události bezprostředně následující po vykonávané send(), sendtoall(), sendtorandom(), sendtoallconnected(),
175 90 zprávy send( Object msg, Agent dest ), send( Object msg, int mode ) po dané akci deliver( Object msg, Agent dest ), deliver( Object msg, int mode ), receive( Object msg ) mode v rámci aktuální akce ALL, ALL_CONNECTED, ALL_NEIGHBORS RANDOM, RANDOM_CONNECTED (spoj.), RANDOM_NEIGHBOR (disk.) statechart_name.receivemessage( msg );
176 19 3 Náhodné jevy
177 19 4 Úvod v simulacích velmi často náhodné proměnné 2 cesty získání potřebných hodnot konkrétní realizace náhodné proměnné získat na reálném systému a tyto realizace pak použít při simulaci potřeba velkého množství hodnot při experimentech pozorováním reálného systému zjistit pravděpodobnostní zákonitosti (tj. stanovit typ rozdělení náhodné proměnné a odhadnout její parametry) generovat hodnoty řídící se daným rozdělením prakticky jediná možnost
178 19 5 Generátor náhodných čísel požadavky dobré a stabilní vlastnosti vytvořená posloupnost generovaných hodnot se musí maximálně přibližovat posloupnosti náhodných čísel generátor musí mít dostatečně dlouhou periodu posloupnost generovaných hodnot se nesmí opakovat procedura generování musí být dostatečně rychlá
179 19 6 lze pohlížet i jako na posloupnost k náhodných číslic α 1, α 2,, α k a můžeme ho zapsat ve tvaru: r k 2 k kde α 1, α 2,, α k jsou číslice 0, 1,, 9 a kde realizace každé číslice má pravděpodobnost 10-1
180 19 7 Generování náhodných čísel mechanický generátor použití osudí, ve kterém je 10 stejných koulí označených čísly 0, 1,, 9 postupně pro i = 1, 2,, k vyjmeme jednu kouli, číslici zapíšeme na příslušnou pozici a kouli vrátíme do osudí pro počítačovou simulaci nevhodné
181 19 8 fyzikální generátory založené na fyzikálních jevech, které mají náhodný charakter např. radioaktivní rozpad, šum elektronky apod. problémem nutnost připojení generátoru k počítači získaná čísla opravdu nahodná, ale nelze je reprodukovat
182 19 9 tabulky náhodných čísel zejména při ručních výpočtech k jejich tvorbě užity rozsáhlé soubory dat získané k jiným účelům (např. čísla v telefonním seznamu) např. Tippetovy tabulky obsahující náhodných číslic (1927) nebo tabulky RAND Corp. obsahující náhodných číslic (1955) pro počítačové experimenty většího rozsahu opět nevhodné (opakující se hodnoty)
183 20 0 aritmetické generátory založeny na rekurentním vztahu typu x n+1 = f ( x n, x n-1,..., x 0 ) další člen posloupnosti generovaných hodnot zavisí na hodnotách předchozích členů nejedná se o opravdová náhodná čísla > pseudonáhodná čísla
184 20 1 Von Neumannův aritmetický generátor 1946 algoritmus vybere se vhodné počáteční číslo x 0 o 2k číslicích číslo se umocní z druhé mocniny se vybere prostředních 2k číslic získané číslo se považuje za další prvek posloupnosti návrat na krok 2 nevýhodou je malá perioda generátoru, proces generování je pomalejší generovaná posloupnost nevyhovuje některým testům náhodnosti
185 20 2 Příklad Nechť je dáno počáteční číslo x 0 = Vygenerujte prvních 5 členů posloupnosti pseudonáhodných čísel. x x x x x x x x x x x
186 20 3 Aritmetické generátory nejrozšířenější lineární kongruenční generátory D. H. Lehmer, 1948 generátor je založen na vztahu: x 0 je počáteční hodnota posloupnosti, a a c jsou vhodně zvolená čísla, číslo m se nazývá modul hodnoty posloupnosti jsou celočíselné zbytky po dělení číslem m generované hodnoty tedy náleží do množiny {0;1;2;...;m-1} generování v intervalu (0; 1) (0 vynecháme): x ax c mod m n 1 n r n xn m
187 20 4 posloupnost generovaných hodnot je konečná a má periodu P m po uplynutí periody se posloupnost opakuje výše popsaný lineární kongruenční generátor se nazývá smíšený v případě c = 0 dostáváme: xn 1 axn mod m multiplikativní (Lehmerův) generátor aditivní (Fibonacciův) generátor x x x mod m n 1 n n 1
188 20 5 Příklady IBM x 31 n x n mod 2 Millerův a Prenticův generátor x x x n 1 n 2 n 3 perioda mod 3137
189 Pravděpodobnostní rozložení užití generátoru pseudonáhodných čísel splňujících danou pravděpodobnost výskytu jednotlivých hodnot podle charakteru spojitá diskrétní
190 20 7 Rovnoměrné rozložení nezávislé hodnoty rovnoměrného rozdělení z intervalu (a; b) hod kostkou spojité nejčastěji na (0; 1) rozdělení můžeme popsat hustotou pravděpodobnosti zápis R(a,b)
191 20 8 distribuční funkce střední hodnota rozptyl rovnoměrné rozdělení z intervalu (0; 1): R(0; 1), jeho konkrétní realizace r
192 20 9 Normální (Gaussovo) rozdělení spojité rozdělení - neomezeno např. výskyt chyb, doba výroby, cestovní časy rozdělení můžeme popsat hustotou pravděpodobnosti zápis: N(μ; σ 2 )
Algoritmizace diskrétních. Ing. Michal Dorda, Ph.D.
Algoritmizace diskrétních simulačních modelů Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Při programování simulačních modelů lze hlavní dílčí problémy shrnout do následujících bodů: 1) Zachycení statických
VíceGenerování pseudonáhodných. Ing. Michal Dorda, Ph.D.
Generování pseudonáhodných čísel při simulaci Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky V simulačních modelech se velice často vyskytují náhodné proměnné. Proto se budeme zabývat otázkou, jak při simulaci
VíceKomplexní systémy: úvod
Komplexní systémy: úvod Radek Pelánek FI MU podzim 2013 Radek Pelánek (FI MU) Komplexní systémy: úvod podzim 2013 1 / 21 Komplexní systémy rychlý úvod Stručný výtah z: přednášky IV109 Modelování a simulace
VíceNÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:
NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceÚvod do modelování a simulace. Ing. Michal Dorda, Ph.D.
Úvod do modelování a simulace systémů Ing. Michal Dorda, Ph.D. 1 Základní pojmy Systém systémem rozumíme množinu prvků (příznaků) a vazeb (relací) mezi nimi, která jako celek má určité vlastnosti. Množinu
VíceIMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně Simulátor označujeme jako kredibilní v případě, že: byla úspěšně završena fáze verifikace simulátoru se podařilo přesvědčit zadavatele simulačního
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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
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
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,
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
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
VíceStatistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží
Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Zdeněk Karpíšek Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky. Statistika je logická a přesná metoda, jak nepřesně
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
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
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
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VíceMetody analýzy modelů. Radek Pelánek
Metody analýzy modelů Radek Pelánek Fáze modelování 1 Formulace problému 2 Základní návrh modelu 3 Budování modelu 4 Verifikace a validace 5 Simulace a analýza 6 Sumarizace výsledků Simulace a analýza
VíceExponenciální modely hromadné obsluhy
Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím
VíceGENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA
GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA Oblasti využití generátorů náhodných čísel Statistika Loterie Kryptografie (kryptologie) Simulace Simulační modely DETERMINISTICKÉ STOCHASTICKÉ (činnost systému
VíceNÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceE(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =
Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní
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
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
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
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality Využití metody bootstrapping při analýze dat II.část Doc. Ing. Olga TŮMOVÁ, CSc. Obsah Klasické procedury a statistické SW - metody výpočtů konfidenčních
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceDetekce interakčních sil v proudu vozidel
Detekce interakčních sil v proudu vozidel (ANEB OBECNĚJŠÍ POHLED NA POJEM VZDÁLENOSTI V MATEMATICE) Doc. Mgr. Milan Krbálek, Ph.D. Katedra matematiky Fakulta jaderná a fyzikálně inženýrská České vysoké
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Nástroje business modelování. Business modelling, základní nástroje a metody business modelování.
3 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Business modelling, základní nástroje a metody business modelování.
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
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
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
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
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
Vícečasovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.
Modelování dynamických systémů Matematické modelování dynamických systémů se využívá v různých oborech přírodních, technických, ekonomických a sociálních věd. Použití matematického modelu umožňuje popsat
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
VíceModelování procesů (2) 23.3.2009 Procesní řízení 1
Modelování procesů (2) 23.3.2009 Procesní řízení 1 Seznam notací Síťové diagramy Notace WfMC Notace Workflow Together Editor Aktivity diagram (UML) FirsStep Designer Procesní mapa Select Prespective (procesní
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
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
VícePOČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ. Ing. V. Glombíková, PhD.
POČÍTAČOVÁ SIMULACE PODNIKOVÝCH PROCESŮ Ing. V. Glombíková, PhD. SIMULACE nástroj pro studium chování objektů reálného světa SYSTÉM určitým způsobem uspořádána množina komponent a relací mezi nimi. zjednodušený,
VíceDiferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36
Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic
VícePočítačová simulace logistických procesů II 10. přednáška Simulační experimentování
Počítačová simulace logistických procesů II 10. přednáška Simulační experimentování Jan Fábry 28.10.2017 Počítačová simulace logistických procesů II Obsah předmětu I. Úvod, organizace, semestrální projekty,
VíceSTATISTICKÝ SOUBOR. je množina sledovaných objektů - statistických jednotek, které mají z hlediska statistického zkoumání společné vlastnosti
ZÁKLADNÍ STATISTICKÉ POJMY HROMADNÝ JEV Statistika pracuje s tzv. HROMADNÝMI JEVY cílem statistického zpracování dat je podání informace o vlastnostech a zákonitostech hromadných jevů: velkého počtu jedinců
VícePojem a úkoly statistiky
Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby
VíceFormální Metody a Specifikace (LS 2011) Formální metody pro kyber-fyzikální systémy
Formální Metody a Specifikace (LS 2011) Přednáška 7: Formální metody pro kyber-fyzikální systémy Stefan Ratschan, Tomáš Dzetkulič Katedra číslicového návrhu Fakulta informačních technologíı České vysoké
VícePopisná statistika kvantitativní veličiny
StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali
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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
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
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceCW01 - Teorie měření a regulace
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2010/2011 SPEC. 2.p 2010 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Teorie pravděpodobnosti popisuje vznik náhodných dat, zatímco matematická statistika usuzuje z dat na charakter procesů, jimiž data vznikla. NÁHODNOST - forma existence látky,
VíceAutomatizace je proces při němž je řídicí funkce člověka nahrazována činností
Automatizace je proces při němž je řídicí funkce člověka nahrazována činností různých přístrojů a zařízení. (Mechanizace, Automatizace, Komplexní automatizace) Kybernetika je Věda, která zkoumá obecné
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,
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceSimulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích
Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Nedostatešný popis systému a jeho modelu vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělit fyzickou nebo
VíceUčební plán 4. letého studia předmětu matematiky. Učební plán 6. letého studia předmětu matematiky
Učební plán 4. letého studia předmětu matematiky Ročník I II III IV Dotace 3 3+1 2+1 2+2 Povinnost povinný povinný povinný povinný Učební plán 6. letého studia předmětu matematiky Ročník 1 2 3 4 5 6 Dotace
VíceMATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ
MATURITNÍ OTÁZKY ELEKTROTECHNIKA - POČÍTAČOVÉ SYSTÉMY 2003/2004 PROGRAMOVÉ VYBAVENÍ POČÍTAČŮ 1) PROGRAM, ZDROJOVÝ KÓD, PŘEKLAD PROGRAMU 3 2) HISTORIE TVORBY PROGRAMŮ 3 3) SYNTAXE A SÉMANTIKA 3 4) SPECIFIKACE
VíceZákony hromadění chyb.
Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
Více24.11.2009 Václav Jirchář, ZTGB
24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci
VíceStochastické modely Informace k závěrečné zkoušce
Stochastické modely Informace k závěrečné zkoušce Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 10. února 2015 Průběh zkoušky. Zkouška je ústní s přípravou na potítku. Každý si vylosuje
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
Více4EK201 Matematické modelování. 8. Modely hromadné obsluhy
4EK201 Matematické modelování 8. Modely hromadné obsluhy 8. Modely hromadné obsluhy Systém, ve kterém dochází k realizaci obsluhy příchozích požadavků = systém hromadné obsluhy Vědní disciplína zkoumající
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik
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
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Shluková analýza Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Typy shlukových analýz Shluková analýza: cíle a postupy Shluková analýza se snaží o
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceTeorie systémů TES 1. Úvod
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 1. Úvod ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní ČVUT v Praze
VíceVYUŽITÍ SIMULACE PŘI MODELOVÁNÍ PROVOZU NA SVÁŽNÉM PAHRBKU SEŘAĎOVACÍ STANICE
VYUŽITÍ SIMULACE PŘI MODELOVÁNÍ PROVOZU NA SVÁŽNÉM PAHRBKU SEŘAĎOVACÍ STANICE 1 Úvod Michal Dorda, Dušan Teichmann VŠB - TU Ostrava, Fakulta strojní, Institut dopravy Seřaďovací stanice jsou železniční
VíceDolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
VícePředmluva 11 Typografická konvence použitá v knize 12. 1 Úvod do Excelu 2003 13
Předmluva 11 Typografická konvence použitá v knize 12 1 Úvod do Excelu 2003 13 Spuštění a ukončení Excelu 14 Spuštění Excelu 14 Ukončení práce s Excelem 15 Přepínání mezi otevřenými sešity 16 Oprava aplikace
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
VíceArchitektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceKombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2009/2010 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceVYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI Elektronická sbírka příkladů k předmětům zaměřeným na aplikovanou statistiku
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
Více