Nelineární regrese v chemické kinetice
|
|
- Radovan Šmíd
- před 8 lety
- Počet zobrazení:
Transkript
1 Kaedra eoreické a fyzikální chemie, Přírodovědecká fakula MU, rno Nelineární regrese v chemické kineice Miroslav Holík F 457/999
2
3 Obsah Úvod Čás - Regresní rovnice. Lineární regrese. Vícerozměrná lineární regrese 3. Nelineární regrese 4. Saisické esování regresních paramerů Čás Inegrované kineické rovnice. Unimolekulární vraná reakce. imolekulární reakce 3. Enzymově kaalyzovaná reakce Čás 3 Výpočové programy. Nelin: exponenciální regrese s Taylorovým rozvojem. Simpl: exponenciální regrese s modifikovaným simplexem 3. Rada: nelineární regrese s Taylorovým rozvojem 4. Michme: nelineární regrese s Taylorovým rozvojem 3
4 Úvod V chemické kineice se časo sekáváme s rovnicemi, keré, pokud jsou použiy pro regresní odhad paramerů, jsou vzhledem k ěmo paramerům nelineární a nelze edy na ně aplikova posupy lineární regrese. Nejčasější řešení spočívá v ransformaci ěcho rovnic na lineární var buď jejich inverzí nebo zlogarimováním. To ovšem s sebou přináší problémy, keré si běžný uživael akové zlinearizované rovnice řeba vůbec neuvědomuje. Obecně lze regresní rovnici napsa ako: () y f(x,β) + ε kde y jsou naměřené hodnoy zv. vysvělované neboli závislé promměnné, x jsou nasavené (zvolené) hodnoy vysvělující neboli nezávislé proměnné, β jsou neznámé paramenry (koeficieny úměrnosi), keré pomocí regrese odhadujeme ak, aby souče druhých mocnin reziduálů ε byl co nejmenší. Reziduály předsavují náhodné chyby při měření hodno veličiny y a předpokládá se o nich, že mají konsanní rozpyl a nulovou sřední hodnou. () E( ε ) σ E( ε ) Každá nelineární ransformace ransformuje aké yo reziduály, což vede k omu, že předpoklady pro regresi (.j. rovnice ) nejsou splněny. To se může projevi na výsledných hodnoách odhadů paramerů β, keré nejsou z hlediska původní nelineární regrese opimální a hodnoy y calc, vypočíané z hodno x a ěcho odhadů β, se mohou značně liši od hodno y exp získaných měřením. Proo je vhodnější voli pro odhad paramerů β raději někerou z meod nelineární regrese. Někeré z časěji používaných kineických rovnic jsou uvedeny v omo spisku. 4
5 ČÁST. REGRESNÍ ROVNICE. Lineární regrese V praxi se časo sekáváme s případy, kdy měřená veličina je lineární funkcí jedné nebo více nasavielných veličin; nejjednodušší případ nasane ehdy, je-li měřená veličina závislá na jedné veličině nezávislé a úkolem je sanovi míru éo závislosi. (3) y i a + bx i + ε i Experimenálně edy naměříme pro řadu hodno x (i až n) řadu závislých proměnných y (i až n) a výpočem určíme opimální hodnoy paramerů a a b ak, aby souče druhých mocnin reziduálů ε i byl minimální. Vzhledem k omu, že jednolivá měření jsou zaížena chybou, je řeba vyhodnoi věší poče dvojic měření a o minimálně ři na jeden opimalizovaný paramer. Posup výpoču: - pro hodnoy x i a y i vypočíáme arimeické průměry x p a y p (nezaokrouhlujeme!). - hodnoy x i a y i cenrujeme, zn. od každé odečeme odpovídající průměr x ic x i - x p, y ic y i - y p. - vypočíáme součy součinů cenrovaných hodno Σ (x ic ), Σ (y ic ) a Σ (y ic *x ic ) - paramery a a b pak počíáme dle ěcho vzahů: (4) b Σ (y ic *x ic ) / Σ (x ic ) (5) a y p - b*x p - z paramerů a a b a nezávisle proměnných hodno x i vypočíáme vyrovnané hodnoy Y i a reziduály ε i jako rozdíly y-hodno naměřených a vypočených (6) Y i a + b*x i ε i y i - Y i - úspěšnos regresního modelu se esuje pomocí směrodané odchylky regrese (sandard error of esimae) s e a pomocí korelačního koeficienu r; regrese je ím lepší, čím bližší je korelační koeficien číslu ( resp. ). (7) s e [ (y i - Y i ) / (n - )] (8) r Σ (y ic *x ic )/ [Σ (x ic ) * Σ (y ic ) ] - r 5
6 nebo r Σ (y ic *Y ic )/ [Σ (y ic ) * Σ (Y ic ) ] r (9) [ r (n - ) / ( -r )] Korelační koeficien se musí esova ve vzahu k poču experimenálních da.obvykle očekáváme, že bude významný alespoň na.%-ní hladině spolehlivosi,.j. α.. Je-li hodnoa vypočíaná z r věší než kriická hodnoa -rozdělení pro odpovídající poče supňů volnosi,.j. ν n-, lze z 99.9%-ní pravděpodobnosí usoudi, že odpovídající lineární závislos nevznikla náhodou. - ze směrodarné odchylky regrese vypočíáme směrodané odchylky paramerů a a b () s a s E * [ (/n) + x p / Σ (x ic ) ] () s b s E * [ / Σ (x ic ) ] a esujeme podíly a/s a a b/s b pomocí kriických hodno -rozdělení. Je-li vypočená hodnoa věší než abelovaná pro α.5 a odpovídající poče supňů volnosi,.j. ν n-, pak se odpovídající paramer významně liší od nuly. Tabulka kriických hodno -rozdělení ν α.5 α. ν α.5 α ν poče supňů volnosi, α hladina pravděpodobnosi 6
7 . Vícerozměrná lineární regrese Pokud je vysvělovaná proměnná y lineárně závislá na více vysvělujících proměnných x, např. () y b + b x + b x b p- x p- + ε pak se eno vzah nazývá vícerozměrná lineární regrese. Obecně lze uo regresi vyjádři v maicovém zápisu ako (3) Y mn X mp. pn + Ε mn kde m je poče měření.j. regresních vzahů mezi závisle proměnnou y a nezávisle proměnnými x), p je poče hledaných paramerů b regresní rovnice (.j. poče vysvělujících proměnných x zvěšených o jednu pro konsanní neboli lokalizační člen), n je poče vysvělovaných proměnných Y (běžně je n, ale regresi několika závislých proměnných vysvělovaných sejnými nezávislými proměnnými lze spoji v jednu rovnici,.j. n>) a E je maice reziduálů.j. odchylek naměřených y hodno od hodno vysvělených regresní závislosí y calc. Paramery b se v meodě nejmenších čverců odhadnou pomocí generalizované inverze maice X (4) (X'X) - X'Y V případě silné korelace mezi jednolivými vysvělujícími proměnnými x, mohou při výpoču nasa problémy s inverzí maice X'X, kerá v akovém případě bude kvazisingulární a výsledek může bý zaížen velkou chybou. Poom je lépe počía pomocí.zv. pseudoinverze maice X. Každou maici (např. X) lze rozloži singulárním rozkladem na ři maice charakerisických vlasnosí: (5) X mp U mp. S pp. (V pp )' kde U a V jsou orhonormální maice, pro keré plaí VV'V'VI a U'UI a S je diagonální maice singulárních hodno uspořádaných ak, že s > s >... > s pp. Pseudoinverze X je pak rovna (6) (X mp ) + V pp. (S pp ) -. (U mp )' V případě korelace mezi vekory maice X se maice S upraví před inverzí ak, že se z ní vypusí velmi malé singulární hodnoy, keré by po inverzi dávaly 7
8 příliš velkou váhu málovýznamným vekorům maic U a V. Sejným způsobem se zmenší i odpovídající rozměr u maic U a V. (7) (X mp) + V pq.(s qq ) -.(U mq )' q < p Poom se odhad maice paramerů vypoče podle rovnice (8) pn (X mp)+.y mn q < p Maici paramerů, získanou z da Y a X (.zv. réninkový soubor), lze použí k předpovědi da Y z nových da X nezahrnuých do X, (.zv. esovaný soubor). (9) Y X. Pro zjišění vhodnosi modelu daného maicí X k vysvělení experimenálních hodno Y,.j. k vypočení eoreických hodno Y calc není řeba paramery počía. Sačí použí.zv. 'ha' maici H ke ransformaci Y na Y calc. () Y calc X (X'X) - X'.Y H.Y nebo Y calc X.X +.Y H.Y nebo po dosazení za X ze singulárního rozkladu dosaneme () Y calc U.S.V'.(V.S.U'.U.S.V').V.S.U'.Y U.S.V'. (V.S -.V' ).V.S.U'.Y U.U'.Y nebo Y calc X.X +.Y U.S.V'. V.S -.U'.Y U.U'.Y Ke sejnému výsledku lze dospě i ehdy, když se do regrese použijí míso korelovaných proměnných X orhogonální proměnné U (eno posup je podsaou.zv. regrese s hlavními komponenami (PCR principal componen regression). () Y calc U (U'U) - U'.Y U.U'.Y Vypočíané hodnoy závisle proměnné Y calc lze edy získa projekcí experimenálních hodno Y pomocí projekční maice vyvořené z orhogonálních vekorů po singulárním rozkladu maice X. Přiom se může použí maice U mp celá nebo podobně zredukovaná v rozměru p na q jako při výpoču pseudoinverze X (rovnice 7). 8
9 Při meodě PCR se počíá regrese hodno Y na hlavních komponenách (skórech) C, keré jsou orhogonální, ale nejsou normované (normou je odpovídající singulární hodnoa) a jsou zredukované v rozměru p na q. (3) Y calc X mp. pn U mp.s pp.(v pp )'. pn C mq.(v pq )'. pn C mq. qn Z rovnosi (V pq )'. pn qn plyne, že odhad paramerů neovlivněných korelací mezi proměnnými X se získá jako (4) pn V pq.(v pq )'. pn V pq. qn Projekční maice V pq.(v pq )' převádí maici nesabilních regresních koeficienů pn v maici sabilných (ale vychýlených) regresních koeficienů pn. Z rovnice 3 aké plyne, že paramery regrese X na C (.j. V) a Y na C (.j. ) jsou součásí paramerů regrese Y na X (.j. ). Jak úspěšně lze maici Y vysvěli proměnnými maice X je možno esova pomocí souču čverců rezidulálů (SSR) (5) SSR (Y - UU'Y)'.(Y - UU'Y) respekive pomocí odpovídající reziduální sandardní odchylky (RSD) (6) RSD [ SSR / (n (m-q))] q < p 9
10 3. Nelineární regrese Jak již bylo uvedeno, v regresní rovnici je závisle proměnná y funkcí nezávisle proměnných veličin x a paramerů β: () y n, f( x n,p, β p, ) + ε n, kde n je poče měření a p je poče paramerů β. Je-li alespoň jedna parciální derivace éo funkce podle někerého parameru b, b, b 3,...b p nekonsanní,.j. závislá na jiném b, pak je regresní funkce nelineární. např. pro (7) y b + b. exp(b 3.x) jsou parciální derivace g rovny: g y/ b g y/ b exp(b 3.x) g 3 y/ b 3 b.x.exp(b 3.x) Proože g a g 3 jsou nekonsanní je uvedená rovnice nelineární. Pro jinou funkci, např. y b + b.x + b 3.x g, g x a g 3 x jsou parciální derivace nezávislé na paramerech b a ao rovnice je z hlediska paramerů lineární. V nelineární regresi nelze vypočía paramery b přímo,ale jejich opimální hodnoy se hledají ieraivně,.j. posupným vylepšováním původních odhadù b, b, b 3,...b p. Jedna z časo používaných ieraivních meod využívá linearizaci Taylorovým rozvojem; další, časo používaná meoda se nazývá simplex. LINERIZCE TYLOROVÝM ROZVOJEM První krok: navrhne se model y f(x,b), např. rovnice y b + b. exp(b 3.x), a původní odhad paramerů b i,.j. b, b,... b p, získaný řeba výpočem ze zlogarimovaného modelu. Druhý krok:
11 z derivací g i (i,,..p) funkce y kolem původního odhadu jednolivých paramerů b i se sesaví Jakobiho maice J. (8) [ y/ b i ] bbo n [ g g...g p ] J (n,p), Třeí krok: funkce y se rozvine do Taylorovy řady s ím, že se expanse omezí jen na první derivaci: (9) y y + J. (b - b ).j. z původních odhadů paramerů b a modelové rovnice (7) se vypočíá y a dosadí se jako y do rovnice (9); améž se za y dosadí experimenální hodnoy. Čvrý krok: neznámý vekor paramerů b se vypočíá pomocí pseudo-inverze Jakobiho maice jako první zlepšení pùvodního odhadu paramerů b. (3) b - b ( J'.J ) -.J'.( y - y ) Páý krok: oo první zlepšení paramerù b se nyní označí jako b, vypoče se s jeho pomocí podle rovnice (7) nové y a nové jednolivé vekory g i maice J a podle rovnice (3) se získá druhý zlepšený odhad b. Tyo dva kroky se opakují ak dlouho, pokud se nový odhad liší od předcházejícího o více než předem definovanou hodnou. Jako ao mezní hodnoa se může např. zvoli norma vekoru b - b.. Výpoče inverse maice J'.J může skonči neúspěchem, pokud budou vekory g na sobě lineárně závislé. Proo je vhodné vloži mezi řeí a čvrý krok.zv. vyšeření podmíněnosi maice J a) od Jakobiho maice se vypočíá korelační maice bez cenrování da,.j. čvercová maice L, jejíž prvky jsou: (g i )'.g j (3) L i,j [(g i )'.g i ]. [(g j )'.g j ] b) je-li deerminan maice L <. je maice J španě podmíněná. Důvodem pro španou podmíněnos maice J může bý přeurčený model,.j. v rovnici y f(x,b) je příliš mnoho paramerù, keré nelze samosaně opimalizova. ude-li v rovnici (3) alespoň jedno v i rùzné od nuly, je regresní model přeurčený. (3) p Σ i g i.v i
12 např. pro rovnici (3) y b.exp( b + b 3.x ) jsou parciální derivace g rovny: g y/ b exp( b + b 3.x ) g y/ b b.exp( b + b 3.x ) g 3 y/ b 3 b.x.exp( b + b 3.x) a rovnice Σ g i.v i ( v + v b + v 3 b x ).exp( b + b 3.x ) je splněna např. když v -b, v, v 3 a model (3) je přeurčený. Přeučenos modelu je možno někdy omezi reparamerizací. Např. rovnici (3)] je možno přepsa jako (33) y exp( a + a.x ) kde a ln b + b, a b 3. pak Σ g i.v i ( v + v x ).exp( a + a.x ) neni splněna pro nenulová v a v. Nebo při jiné reparamerizaci (34) y a.exp( a.x ) kde a b.exp( b ), a b 3. Pak rovnos Σ g i v i ( v + v a x ).exp( a.x ) plaí jen jsou-li v i v rovny nule a model není přeurčený. V případě, že se reparamerizací modelu španá podmíněnos maice J'.J nezlepší, je možno maici J'.J upravi podobně jako při zv. hřebenové (ridge) regresi a počía inversi maice (J'.J + αi), kde α se volí podle supně podmíněnosi maice J'.J. Španá podmíněnos může nasa aké v případě, když průměr nezávisle proměnné hodnoy je daleko od nuly. Jednoduchá ransformace - cenrování - ěcho hodno může podmíněnos značně zlepši. To znamená, že rovnici ypu (34) je možno počía v alernaivní formě (35) a hledaná hodnoa parameru a se pak vypoče z a, a a známé prùměrné hodnoy x p (rovnice 36). (35) y a.exp( a ( x-x p )) (36) a a / exp( a.x p ).
13 OPTIMLIZCE SIMPLEXEM Simplex je prosorový úvar, kerý má pro p opimalizovaných paramenrů p+ vrcholů pravidelného mnohosěnu; pro dva paramery je o rovnosranný rojúhelník, pro ři paramery je o pravidelný čyřsěn ad. Souřadnice vrcholů simplexu předsavují odhady opimalizovaných paramenrů. Ze všech p+ odhadů se vypočíají odpovídající hodnoy y calc a zjisí se nejhorší shoda s y exp, např. pomocí sandardní odchylky. Nejhorší případ se vyřadí a nový vrchol simplexu se vypočíá z odhadů paramerů získaných reflexí rovinou zbývajících p bodů. Znovu se posoudí všechny y calc a nejhorší výsledek se opě vyřadí. Teno posup se opakuje ak dlouho,až se nový vrchol simplexu neliší od předcházejícího o více než zadanou oleranci. V případě dvou paramerů se edy sesrojí rojúhelníkový simplex ako: jako první vrchol se umísí do počáku souřadné sousavy,.j. bod, odhad paramerů získaný např. z odpovídající ineární regrese. další vrcholy simplexu se získají vynásobením vhodně zvoleného kroku číslem uvedeným v následující abulce. Vrchol Poče fakorů simplexu Trojúhelníkový simplex vypadá edy např. ako: 3
14 Je-li nejhorší shoda vypočených a naměřených hodno y při paramerech, provede se nový výpoče za podmínek D; v případě nejhoršího výsledku při paramerech je nový výpoče nasměrován do polohy D. Jesliže se přesáhne reálný rozsah opimalizovaného parameru, může se vzdálenos bodu po reflexi zmenši. Zkracování, prodlužování nebo zkracování s inverzí vzdálenosi po reflexi (.j. modifikovaných simplex) se používají k rychlejšímu získání opimalizovaných hodno paramerů. 4
15 4. Saisické esování regresních paramerů Pro posouzení kvaliy proložení vypočíáné funkce eperimenálními body (goodnes of fi) se používá korelační koeficien, r, a sandardní odchylka regrese (sandard error of esimae), s e. Jinou, důležiou charakerisikou při regresi je sandardní odchylka měřených da,.j. s y. Jednak umožňuje posoudi, jak jsou daa rozpýlena od průměru (lze předpokláda, že regrese založená na věším rozsahu experimenálních da bude významnější než a, kerá využívá jen da velmi blízkých průměru) a jednak napomáhá při rozhodování, zda někerou experimenální hodnou lze považova za vychýlenou nebo ne. Známe-li kerékoliv dvě z ěcho ří hodno, u řeí lze snadno dopočía ze vzahu (37) pro korelační koeficien (samozřejmě je řeba zná i poče měření, n, a opimalizovaných paramerů, p). (37) r se n p s n y SR SY Při hodnocení korelačního koeficienu (.j. jeho saisické odlišnosi od nuly) se počíá jeho F es (38), kerý se někdy považuje za es spolehlivosi regrese jako akové; o nemusí bý pravda pro malé směrnice regrese,.j. při malé hodnoě s y. r n p SY SR n p (38) F F (.5, p, n p) r p SR p Ke zjišění saisické významnosi jednolivých paramenrů b ve více-rozměrné lineární nebo nelineární regresi je řeba zná jejich sandardní odchylky s b. Ty se vypočíají ze sandardní odchylky regrese, s e, a z odmocniny odpovídajících diagonálních elemenů maice V. (39) V (Z' Z) - kde Z [ g g g 3...g p ] a g jsou derivace funkce y podle jednolivých paramenrů b. Pro lineární regresi se maice Z rovná maici X. (4) s b s e ( diag (V)) Saisická významnos se pak zjisí Sudenovým -esem ak, že se vypočená hodnoa (4) porovná s hodnoou kriickou, abelovanou (viz kapiola ) pro hladinu spolehlivosi (věšinou.5,.j. 95%) a poče supňů volnosi (n-p): je-li splněna nerovnos (4), pak esovaný rozdíl (b - β) je saisicky významný. 5
16 b β (4) (.5, n p) sb Je-li β, pak se esuje saisická významnos odpovídající proměnné (resp. odchylka příslušného paramenru od nuly), v případě, že β, lze ako esova významnos odchylky odpovídající směrnice od jedné. Saisická významnos přidání další proměnné do regresní závislosi se dá aké esova pomocí parciálního F-esu (4). F SR SR p p+ n p F, SRp+ (4) ( ) (.5, n p) kde SR p je souče čverců reziduálů z regrese s p paramenry a SR p+ je oéž pro regresi s p+ paramery. Vypočíaná hodnoa F se srovnává s kriickou hodnoou abelovanou pro zvolenou hladinu saisické významnosi a odpovídající poče supňů volnosi: je-li splněna nerovnos (4), pak přidání další proměnné je saisicky významné. Jiným esem pro ocenění kvaliy v případě lineárního regresního modelu je analýza reziduálů, ε y exp -y calc. K zvýraznění reziduálů, keré mohou paři podezřelému odlehlému měření, se reziduály převádějí na.zv. 'jackknife' reziduály (43). Teno přepoče simuluje výpoče reziduálů s vynecháním konkreního měření,.j. jisé měření y exp se vynechá, regresní paramery se vypočíají ze zbylých měření y, z ěcho paramerů a z odpovídajících hodno vysvělujících proměnných, x, se vypočíá y calc a porovná s experimenální hodnoou: ε jk y exp y calc. (43) n p ε jk εn kde n p ε n ε n s h e ε i a h i je odpovídající diagonální elemen ransformační maice HX(X'X) - X'. Jeli ε jk >. (n-p), pak se y i považuje za měření podezřelé z odlehlosi a regrese by se měla zopakova bez něho. Zjisí-li se, že nové paramenry se neliší od dřívějších o více než jednu sandardní odchylku s b, nebo že se při nové regresi zvýšila sandardní odchylka experimenálních da od průměru, s y (.j. v důsledku snížení poču supňů volnosi ve jmenovaeli), pak můžeme podezření z odlehlosi opusi. 6
17 ČÁST. INTEGROVNÉ RYCHLOSTNÍ ROVNICE. Unimolekulární vraná reakce k k Rychlos éo reakce υ je možno vyjádři např. jako úbyek reakanu s časem: υ d d k + k Z výpočeních důvodů je vhodné, nahradi dvě proměnné veličiny, a,.j. koncenrace reakanu a reakanu v čase jednou pomocnou proměnnou x, kerá předsavuje zreagované množsví v čase a nazývá se rozsah reakce (angl. conversion variable) d dx d x - - poom ( k + k ) x + k k kx + m d x dx d ln m kx m kx m k nechť m F k poom po odlogarimování F x exp( k F ) a po dosazení za x dosaneme rovnice pro pokles koncenrace a nárus koncenrace s časem. F + Fexp( k ) () + F Fexp( k ) Rovnovážná konsana reakce je (čas dosažení rovnováhy je označen ): () K k k + F F proože F K K + 7
18 Variana : Pro případ, že K, což nasane např. při racemizaci: a rovnice () se změní ako: F (3) exp( k ) exp( k ) Jesliže se racemizace sleduje polarimericky, pak naměřená opická oáčivos je úměrná rozdílu koncenrací složek a,.j. : (4) α ( ) α exp( k ) exp( k ) Pro nelineární regresi je vhodné doplni rovnici (4) o konsanní paramer a, kerý předsavuje sysemaickou chybu měření (nepřesné vynulování přísroje) a o ε, což je reziduál neboli náhodná chyba měření. (5) α a + α exp( k ) + ε Variana : Pro případ, kdy počáeční koncenrace reagenu je nulová,,.j. vychází se z čisého reagenu, není řeba zavádě do výpoču pomocnou proměnnou x. d d k + k Pak se za dosadí z rovnice + - d d ( k + k ) + k k + m 8
19 m k po odlogarimování F exp( k F ) pro F Po dosazení z rovnice - (6) F ( F F + ( F )exp( k ) )exp( k ) proože F k je rovnovážná konsana k + k K + K F F Je-li v omo případě + K pak exp( k ) F exp( k ) a podobně jako v předcházející varianě exp( k ) resp. α α exp( k ) Variana 3: Jiný případ nasane, když rychlosní konsana zpěné reakce,.j. k, je nulová, nebo vzhledem ke k zanedbaelně malá. Poom reakční rychlos υ je dána d dx υ k k ( x ) d d.j. d k d ln ln k (7) exp( k ) resp. x ( exp( k )) kde x je přírusek koncenrace produku (.j. ) a rovnice (7) jsou shodné s rovnicemi (6) pro F. 9
20 . imolekulární reakce Při éo reakci se mohou výchozí koncenrace a liši, nebo mohou bý sejné; podle oho dosáváme odpovídající kineické rovnice. Variana : Pro > a x, x ( )( ) x x k k d dx ( )( ) x x x M kde d k x M x M x x dx ; po inegraci: k x x + ln ln ( )k x x. ln nechť V ( ) ( ) E k x x V exp pak ( ) ( ) E E V x E x E V x V (8) ( ) ( ) + + k E V V x exp + P
21 Variana : Pro P po inegraci d d k d kd k + k (9) + k a + a + a Je vhodné rozšíři rovnici o člen a a po výpoču esova jeho saisickou významnos. 3. Enzymově kaalyzovaná reakce E + k M k P + E k - Rychlos reakce,.j. rychlos vzniku produku P závisí na koncenraci meziproduku M a rychlosní konsaně k. υ dp d k M Koncenrace meziproduku v čase je dána dm d k E k M k M
22 Předpokládá se, že v usáleném savu je koncenrace meziproduku malá a prakicky s časem neměnná; proo je možno položi dm /d. Celková (.j. původní) koncenrace enzymu je v čase rozdělena mezi enzym volný E a enzym v meziproduku M. M E E + Poslední dvě rovnice se vyjádří maicově ako: ( ) + E M E k k k Koncenraci meziproduku M pořebnou pro výpoče reakční rychlosi vypočíáme pomocí inverze čvercové maice: Její deerminan ( ) k k k D + ( ) + E k k k D M E ( ) k k k E k k D E k M + + υ Po dosazení K M (k - +k )/k a V M k E dosaneme rovnici Michaelisovu- Menenové: M M K V + υ kde V M je maximální rychlos reakce a K M je Michaelisova konsana (.j. koncenrace subsráu, při níž dosahuje reakční rychlos polovinu rychlosi maximální). Pro nelineární regresi je vhodné uo rovnici upravi do varu: x a x a a y + +
23 ČÁST 3. VÝPOČTOVÉ PROGRMY. Nelin: exponenciální regrese s Taylorovým rozvojem % nelin.m clc disp('program nelin.m verze ') if exis('h'), clear h; if exis('x'), clear x; if exis('y'), clear y; disp('pro vypoce parameru nelinearni regrese') disp('.model: y b*exp(b*x) ') disp('.model: y b + b*exp(b3*x) ') wminpu('vyber model wm '); xinpu('zaved sloupcovy vekor x '); yinpu('zaved vekor ampliud y '); unones(size(y)); mdlengh(x); X[un x]; if y()<y(md) cceil(y(md)); if cy(md) cc+e-6; yec-y; else yey; ainv(x'*x)*x'*log(ye); aexp(a()); aa(); if y()<y(md) yya*(-exp(a*x)); else yya*exp(a*x); RSSa(ye-yy)'*(ye-yy); RSSRSSa; figure() plo(x,ye,'ko',x,yy),grid,pure,ile(['rssa ' numsr(rssa)]); pause(e-6) if wm b[a a]'; 3
24 bb; if y()<y(md) gexp(b()*x); g-g; g-b()*(x.*g); else gexp(b()*x); gb()*(x.*g); Z[g g]; yb()*g; nymd-; elseif wm if y()<y(md) b[a -a a]'; else b[ a a]'; bb; gun; gexp(b(3)*x); g3b()*(x.*g); Z[g g g3]; yb()+b()*g; nymd-3; % vyšeření podmíněnosi původní maice pod.; LLkorr(Z); delde(ll); if del<pod disp(['puvodni model je spane podmineny: de(ll) ' numsr(del)]) else disp(['puvodni model neni spane podmineny: de(ll) ' numsr(del)]) n; h; while n>. hh+; disp(h) if h>; break; figure() plo(x,y,'k*',x,y),grid,pure,ile(['rss ' numsr(rss)]); 4
25 pause(e-6) if wm if y()<y(md) gexp(b()*x); g-g; g-b()*(x.*g); else gexp(b()*x); gb()*(x.*g); Z[g g]; yb()*g; nymd-; elseif wm gun; gexp(b(3)*x); g3b()*(x.*g); Z[g g g3]; yb()+b()*g; RSS(y-y)'*(y-y); [u s v]svd(z,); izv*inv(s)*u'; iz*(y-y); nnorm(); h(h,:)[' b']; bb+; if wm if y()<y(md) gexp(b()*x); g-g; g-b()*(x.*g); else gexp(b()*x); gb()*(x.*g); Z[g g]; yb()*g; elseif wm gun; gexp(b(3)*x); g3b()*(x.*g); 5
26 Z[g g g3]; yb()+b()*g; RSS(y-y)'*(y-y); disp([' linearni odhad a ' numsr(a)]); disp([' linearni odhad a ' numsr(a) '; RSS ' numsr(rssa)]); if wm disp(['nelinearni odhad b ' numsr(b())]); disp(['nelinearni odhad b ' numsr(b()) '; RSS ' numsr(rss)]); elseif wm disp(['nelinearni odhad b ' numsr(b())]); disp(['nelinearni odhad b ' numsr(b())]); disp(['nelinearni odhad b3 ' numsr(b(3)) '; RSS ' numsr(rss)]); % vyšeření podmíněnosi poslední maice LLkorr(Z); delde(ll); if del<pod disp(['posledni model je spane podmineny: de(ll) ' numsr(del)]) else disp(['posledni model neni spane podmineny: de(ll) ' numsr(del)]) serss/ny; sesqr(se); disp(['se ' numsr(se)]) FIIiZ*iZ'; sbsqr(se*diag(fii)); bsbabs(b./sb); disp(' b sb bsb'); forma long disp([b sb bsb]); forma shor ssuden(ny); disp(['je-li bsb vesi nez ' numsr(s) ', zamia se nulova hypoeza']); % funcion y korr(x) [m,n] size(x); if (m ) m n; x x.'; c x' * x / m; 6
27 d diag(c); y c./sqr(d*d'); funcion y suden(x) z44.549/x; z3(.6+z4)/x; z(3.6+z3)/x; z(.35+z)/x; y.96+z; 7
28 Prookol z výpoču programem Nelin.m Daa uložená pod názvem "bradam" pocházejí z polarimerického sledování roační enaniomerace 3-brom-,4,6-rimehylfenyladamanyl keonu (dosud nepublikováno). /s α/mdeg /s α/mdeg /s α/mdeg Program nelin.m verze z pro vypoce parameru nelinearni regrese.model: y b*exp(b*x).model: y b + b*exp(b3*x) vyber model wm zaved sloupcovy vekor x zaved vekor ampliud y alfa puvodni model neni spane podmineny: de(ll).556 linearni odhad a linearni odhad a -.973; RSS nelinearni odhad b 3.75 nelinearni odhad b nelinearni odhad b ; RSS posledni model neni spane podmineny: de(ll).637 se.474 b sb bsb je-li bsb vesi nez.683, zamia se nulova hypoeza program nelin.m verze z pro vypoce parameru nelinearni regrese.model: y b*exp(b*x).model: y b + b*exp(b3*x) vyber model wm 8
29 zaved sloupcovy vekor x zaved vekor ampliud y alfa puvodni model neni spane podmineny: de(ll) linearni odhad a linearni odhad a -.973; RSS nelinearni odhad b nelinearni odhad b -.354; RSS posledni model neni spane podmineny: de(ll) se b sb bsb je-li bsb vesi nez.636, zamia se nulova hypoeza lineární odhad nelineární odhad 9
30 . Simpl: exponenciální regrese s modifikovaným simplexem % simpl.m clc disp('program simpl.m verse ') if exis('b'),clear b; global x y md ny wm b RSS smo disp('simplex (NELDER.M) na exponencialni rovnici ') disp('.model: yexp(b+b*x)') disp('.model: yb+exp(b+b3*x)') wminpu('vyber model wm '); xinpu('zaved vekor x '); yinpu('zaved vekor y '); [md nd]size(x); unones(md,); X[un x]; ainv(x'*x)*x'*log(y); if wm ba; bb; yexp(b()+b()*x); elseif wm b[;a]; bb; yb()+exp(b()+b(3)*x); plo(x,y,'ko',x,y,'k-') wkb; wknelder('simpla',wk,.); disp(' '); disp(b') disp(b') disp(['rss ' numsr(rss)]) disp(['smo ' numsr(smo)]) funcion fnsimpla(wk) global x y md ny wm b RSS smo bwk; if wm yyexp(b()+b()*x); nymd-; elseif wm yyb()+exp(b()+b(3)*x); 3
31 nymd-3; RSS(y-yy)'*(y-yy); smosqr(rss/ny); plo(x,y,'ko',x,yy,'k-'),ile(['rss ' numsr(rss)]) pause(.) fnsmo; funcion x nelder('simpla',x,ol) % Nelderův-Meadův simplexový algorimus pro minimalizaci % nelineární funkce několika proměnných. % 'simpla' je jméno funkce, kerá má bý minimalizována, % x je vekor, kerý se opimalizuje na nový vekor % minimalizující funkci 'simpla'. % ol je olerance na zasavení opimalizace (normálně.) [n,m] size(x); if m > n x x'; n m; if nargin < 3, ol.e-3; v.9*x; f feval(f,v); for j :n y x; if y(j) ~ y(j).*y(j); else y(j).; v [v y]; f [f feval(f,y)]; [f,j] sor(f); v v(:,j); while es ; for j :n+, es max(es,norm(v(:,j)-v(:,),)); if es < ol, break, [v,f,how] neldsep(f,v,f); x v(:,); 3
32 funcion [v,f,how] neldsep(f,v,f) % funkce používaná simplexovým algorimem NELDER; % v je simplex (je o n,n+ maice); hodnoy funkce jsou: % f(j) fun(v(:,j)), j :n+, wih f() <... < f(n+) % F 'simpla'; výsledkem je nový simplex v % how popisuje krok, kerý se právě koná alpha ; bea /; gamma ; [n,np] size(v); vbar mean(v(:,:n)')'; vr ( + alpha)*vbar - alpha*v(:,n+); fr feval(f,vr); vk vr; fk fr; how 'reflec '; if fr < f(n) if fr < f() ve gamma*vr + (-gamma)*vbar; fe feval(f,ve); if fe < f() vk ve; fk fe; how 'expand '; else v v(:,n+); f f(n+); if fr < f v vr; f fr; vc bea*v + (-bea)*vbar; fc feval(f,vc); if fc < f(n) vk vc; fk fc; how 'conrac'; else for j :n v(:,j) (v(:,) + v(:,j))/; f(:,j) feval(f,v(:,j)); vk (v(:,) + v(:,n+))/; fk feval(f,vk); how 'shrink '; v(:,n+) vk; f(:,n+) fk; [f,j] sor(f); v v(:,j); 3
33 % konfi.m verze clc disp('program konfi.m-pocia inerval spolehlivosi,.j. ± c') disp('pro paramery nelinearni rovnice') disp('.model: y b + b*exp(b3*x)') disp('.model: y b + exp(b+b3*x)') wminpu('vyber model wm '); xinpu('zaved vekor promennych x '); binpu('zaved vekor parameru [b] '); smoinpu('zaved res.smer.odchylku smo '); xx(:); mdlengh(x); gones(size(x)); if wm gexp(b(3)*x); g3b()*(x.*g); elseif wm gexp(b()+b(3)*x); g3x.*exp(b()+b(3)*x); Z[g g g3]; IZinv(Z'*Z); VV(diag(IZ)*(smo^)); sbvv.^(/); krisuden(md-3); ckri*sb; disp(' ') disp(' b sb b /sb ± c ') disp(' ') disp([b sb abs(b)./sb c]); disp(['kri ' numsr(kri)]); % 33
34 Prookol z výpoču programem Simpl.m Daa pro závislos rychlosní konsany na eploě: J.Sandsröm, Dynamic NMR Specroscopy, cademic Press, 98, sr. 55. ka/s - T/K it/ -3 K Program simpl.m verse simplex (NELDER.M) na exponencialni rovnici.model: yexp(b+b*x).model: yb+exp(b+b3*x) vyber model wm zaved vekor x it zaved vekor y ka linearni odhad b a b: nelinearni odhad b a b: RSS smo Program simpl.m verse simplex (NELDER.M) na exponencialni rovnici.model: yexp(b+b*x).model: yb+exp(b+b3*x) vyber model wm zaved vekor x it zaved vekor y ka 34
35 linearni odhad b a b3: nelinearni odhad b, b a b3: RSS smo.635 program konfi.m - pocia inerval spolehlivosi,.j. +-c pro paramery nelinearni rovnice.model: y b + b*exp(b3*x).model: y b + exp(b+b3*x) vyber model wm zaved vekor promennych x it zaved vekor parameru [b] b zaved res.smer.odchylku smo smo b sb b /sb +-c e+3 * kri.33 Hodnocení: paramer b není saisicky významný Model, bez konsanního členu 35
36 3. Rada: nelineární regrese s Taylorovým rozvojem % rada.m clc % verse if exis('h'), clear h; if exis('x'), clear x; if exis('y'), clear y; disp('program rada.m pro reseni rovnice (/)(/o)+k') disp('jako nelinearni rovnice a+(a+a3*)^(-)'); inpu('zaved casy mereni '); inpu('zaved odezvy v case '); x; y; mdlengh(x); unones(size(y)); yaun./y; X[un x]; ainv(x'*x)*x'*ya; disp(['linearni odhad ' numsr(/a())]); disp(['linearni odhad ka ' numsr(a()/)]); b[; a(); a()]; bb; gun; gub()+b(3)*x; g(-)*gu.^(-); g3g.*; Z[g g g3]; yb()+gu.^(-); RSSa(y-y)'*(y-y); pod.; LLkorr(Z); delde(ll); if del<pod disp(['puvodni model je spane podmineny: de(ll) ' numsr(del)]) else disp(['puvodni model neni spane podmineny: de(ll) ' numsr(del)]) n; h; RSSRSSa; while n>. hh+; disp(h) 36
37 if h>; break; figure() plo(x,y,'ko',x,y),grid,pure,ile(['rss ' numsr(rss)]); pause(e-6) gun; gub()+b(3)*x; g(-)*gu.^(-); g3g.*; Z[g g g3]; yb()+gu.^(-); RSS(y-y)'*(y-y); [u s v]svd(z,); izv*inv(s)*u'; iz*(y-y); nnorm(); h(h,:)[' b']; bb+; gun; gub()+b(3)*x; g(-)*gu.^(-); g3g.*; Z[g g g3]; yb()+gu.^(-); RSS(y-y)'*(y-y); bb(); b3b(3); disp(['nelinearni odhad ' numsr(/b)]); disp(['nelinearni odhad ka ' numsr(b3/) '; RSS ' numsr(rss)]); LLkorr(Z); delde(ll); if del<pod disp(['posledni model je spane podmineny: de(ll) ' numsr(del)]) else disp(['posledni model neni spane podmineny: de(ll) ' numsr(del)]) serss/(md-3); sesqr(se); disp(['se ' numsr(se)]) FIIiZ*iZ'; sbsqr(se*diag(fii)); bsbabs(b./sb); disp(' b sb bsb'); 37
38 forma long disp([b sb bsb]); forma shor ssuden(md-3); disp(['je-li bsb vesi nez ' numsr(s) ', zamia se nulova hypoeza']); % 38
39 Prookol z výpoču programem Rada.m Daa pro závislos vodivosi vodného rozoku NaOH na posupu hydrolýzy ocanu ehylnaého: E..Guggenheim, J.E.Prue, Physicochemical Calculaions, Inerscience Publishers Inc., New York, 955, sr.43 (ruský překlad 958). /s κ(rel) Program rada.m pro reseni rovnice (/)(/o)+k jako nelinearni rovnice a+(a+a3*)^(-) zaved casy mereni zaved odezvy v case kp linearni odhad.465 linearni odhad ka.7885 puvodni model je spane podmineny: de(ll).864 nelinearni odhad. nelinearni odhad ka.345; RSS 5.45e-5 posledni model neni spane podmineny: de(ll).4689 se.5 b sb bsb je-li bsb vesi nez.365, zamia se nulova hypoeza 39
40 4. Michme: nelineární regrese Taylorovým rozvojem % michme.m verze clc if exis('x'), clear x; if exis('y'), clear y; if exis('h'), clear h; disp('program michme.m') disp('nelinearni vypoce parameru rovnice Michaelisovy-Menenove') disp('.model: y b*x/(b+x) '); disp('.model: y b + b*x/(b3+x) '); wminpu('vyber model wm '); xinpu('zaved sloupcovy vekor x '); yinpu('zaved vekor ampliud y '); [md nd]size(x); unones(md,); ivun./y; isun./x; X[un is]; ainv(x'*x)*x'*iv; yyx*a; rracorr([iv yy]); rarra(,); RSSa(iv-yy)'*(iv-yy); RSSRSSa; figure() plo(is,iv,'k*',is,yy) ile(['rssa ' numsr(rssa)]); xlabel('linearni prolozeni') pause figure() plo(x,y,'*',x,un./yy) ile(['rssa ' numsr(rssa)]); xlabel('nelinearni prolozeni') pause aa(); aa(); if wm b[/a a/a]'; bb; gx./(b()+x); g-(b()*x)./((b()+x).^); Z[g g]; 4
41 yb()*g; elseif wm b[ /a a/a]'; bb; gun; gx./(b(3)+x); g3-(b()*x)./((b(3)+x).^); Z[g g g3]; yb()+b()*g; % vysereni podminenosi puvodni maice pod.; LLkorr(Z); delde(ll); if del<pod disp(['puvodni model je spane podmineny: de(ll) ' numsr(del)]) else disp(['puvodni model neni spane podmineny: de(ll) ' numsr(del)]) n; h; while n>. hh+; figure(3) plo(x,y,'k*',x,y,x,un./yy,'o') ile(['rss ' numsr(rss)]); if wm gx./(b()+x); g-(b()*x)./((b()+x).^); Z[g g]; yb()*g; elseif wm gun; gx./(b(3)+x); g3-(b()*x)./((b(3)+x).^); Z[g g g3]; yb()+b()*g; RSS(y-y)'*(y-y); inv(z'*z)*z'*(y-y); nnorm(); h(h,:)[' b']; bb+; 4
42 if wm gx./(b()+x); g-(b()*x)./((b()+x).^); Z[g g]; yb()*g; elseif wm gun; gx./(b(3)+x); g3-(b()*x)./((b(3)+x).^); Z[g g g3]; yb()+b()*g; RSS(y-y)'*(y-y); rrbcorr([y y]); rbrrb(,); disp(['linearni odhad V (/a) ' numsr(/a) '; ra ' numsr(ra)]); disp(['linearni odhad K (a/a) ' numsr(a/a) '; RSS 'numsr(rssa)]); if wm disp(['nelinearni odhad V (b) ' numsr(b()) '; rb ' numsr(rb)]); disp(['nelinearni odhad K (b) ' numsr(b()) '; RSS ' numsr(rss)]); nymd-; elseif wm disp(['nelinearni odhad (b) ' numsr(b()) '; rb ' numsr(rb)]); disp(['nelinearni odhad V (b) ' numsr(b()) '; rb ' numsr(rb)]); disp(['nelinearni odhad K (b3) ' numsr(b(3)) '; RSS ' numsr(rss)]); nymd-3; % vysereni podminenosi posledni maice LLkorr(Z); delde(ll); if del<pod disp(['posledni model je spane podmineny: de(ll) ' numsr(del)]) else disp(['posledni model neni spane podmineny: de(ll) ' numsr(del)]) serss/ny; sesqr(se); disp(['se ' numsr(se)]) izzinv(z'*z); sbsqr(se*diag(izz)); bsbabs(b./sb); disp(' b sb bsb'); 4
43 forma long disp([b sb bsb]); forma shor ssuden(ny); disp(['je-li bsb vesi nez ' numsr(s) ', zamia se nulova hypoeza']); 43
44 Prookol z výpoču programem Michme.m Daa nasimulovaná a zaížená náhodnou chybou. program michme.m nelinearni vypoce parameru rovnice Michaelisovy-Menenove.model: y b*x/(b+x).model: y b + b*x/(b3+x) vyber model wm zaved sloupcovy vekor x xi zaved vekor ampliud y yr xi yr xi yr puvodni model je spane podmineny: de(ll).985 linearni odhad V (/a).393; ra.9993 linearni odhad K (a/a).354; RSS.3584 nelinearni odhad (b) -.794; rb.9967 nelinearni odhad V (b).3989; rb.9967 nelinearni odhad K (b3).395; RSS.49 posledni model je spane podmineny: de(ll) se b sb bsb je-li bsb vesi nez.96, zamia se nulova hypoeza 44
45 program michme.m nelinearni vypoce parameru rovnice Michaelisovy-Menenove.model: y b*x/(b+x).model: y b + b*x/(b3+x) vyber model wm zaved sloupcovy vekor x xi zaved vekor ampliud y yr puvodni model neni spane podmineny: de(ll).3443 linearni odhad V (/a).393; ra.9993 linearni odhad K (a/a).354; RSS.3584 nelinearni odhad V (b).3966; rb nelinearni odhad K (b).38; RSS.449 posledni model neni spane podmineny: de(ll) se.4855 b sb bsb je-li bsb vesi nez.7, zamia se nulova hypoeza 45
Úloha V.E... Vypař se!
Úloha V.E... Vypař se! 8 bodů; průměr 4,86; řešilo 28 sudenů Určee, jak závisí rychlos vypařování vody na povrchu, kerý ao kapalina zaujímá. Experimen proveďe alespoň pro pě různých vhodných nádob. Zamyslee
VíceFyzikální korespondenční seminář MFF UK
Úloha V.E... sladíme 8 bodů; průměr 4,65; řešilo 23 sudenů Změře závislos eploy uhnuí vodného rozoku sacharózy na koncenraci za amosférického laku. Pikoš v zimě sladil chodník. eorie Pro vyjádření koncenrace
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V RNĚ RNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV FACULTY OF MECHANICAL ENGINEERING ENERGY INSTITUTE PRUŽNÉ SPOJKY NA PRINCIPU TEKUTIN FLEXILE COUPLINGS
Více10a. Měření rozptylového magnetického pole transformátoru s toroidním jádrem a jádrem EI
0. Měření rozpylového magneického pole ransformáoru, měření ampliudové permeabiliy A3B38SME Úkol měření 0a. Měření rozpylového magneického pole ransformáoru s oroidním jádrem a jádrem EI. Změře indukci
Více10. ANALOGOVĚ ČÍSLICOVÉ PŘEVODNÍKY
- 54-10. ANALOGOVĚ ČÍSLICOVÉ PŘEVODNÍKY (V.LYSENKO) Základní princip analogově - číslicového převodu Analogové (spojié) y se v nich ransformují (převádí) do číslicové formy. Vsupní spojiý (analogový) doby
VícePráce a výkon při rekuperaci
Karel Hlava 1, Ladislav Mlynařík 2 Práce a výkon při rekuperaci Klíčová slova: jednofázová sousava 25 kv, 5 Hz, rekuperační brzdění, rekuperační výkon, rekuperační energie Úvod Trakční napájecí sousava
VíceTeorie obnovy. Obnova
Teorie obnovy Meoda operačního výzkumu, kerá za pomocí maemaických modelů zkoumá problémy hospodárnosi, výměny a provozuschopnosi echnických zařízení. Obnova Uskuečňuje se až po uplynuí určiého času činnosi
VíceSeznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat.
4 Inegrace subsiucí 4 Inegrace subsiucí Průvodce sudiem Inegrály, keré nelze řeši pomocí základních vzorců, lze velmi časo řeši subsiuční meodou Vzorce pro derivace elemenárních funkcí a věy o derivaci
VíceČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA DOKTORSKÁ DISERTAČNÍ PRÁCE
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA DOKTORSKÁ DISERTAČNÍ PRÁCE VYTVÁŘENÍ TRŽNÍ ROVNOVÁHY VYBRANÝCH ZEMĚDĚLSKO-POTRAVINÁŘSKÝCH PRODUKTŮ Ing. Michal Malý Školiel: Prof. Ing. Jiří
VíceKlasifikace, identifikace a statistická analýza nestacionárních náhodných procesů
Proceedings of Inernaional Scienific Conference of FME Session 4: Auomaion Conrol and Applied Informaics Paper 26 Klasifikace, idenifikace a saisická analýza nesacionárních náhodných procesů MORÁVKA, Jan
VícePopis obvodu U2407B. Funkce integrovaného obvodu U2407B
ASICenrum s.r.o. Novodvorská 994, 142 21 Praha 4 Tel. (02) 4404 3478, Fax: (02) 472 2164, E-mail: info@asicenrum.cz ========== ========= ======== ======= ====== ===== ==== === == = Popis obvodu U2407B
VíceZrnitost. Zrnitost. MTF, rozlišovací schopnost. Zrnitost. Kinetika vyvolávání. Kinetika vyvolávání ( D) dd dt. Graininess vs.
MTF, rozlišovací schopnos Zrnios Graininess vs. granulariy Zrnios Zrnios foografických maeriálů je definována jako prosorová změna opické husoy rovnoměrně exponované a zpracované plošky filmu měřená denziomerem
VíceMATEMATIKA II V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA II V PŘÍKLADECH CVIČENÍ Č. Ing. Pera Schreiberová, Ph.D. Osrava 0 Ing. Pera Schreiberová, Ph.D. Vysoká škola báňská Technická
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
Více4EK211 Základy ekonometrie
4EK Základy ekonomerie Heeroskedasicia Cvičení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = 0 náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
Více5. Maticová algebra, typy matic, inverzní matice, determinant.
5. Maticová algebra, typy matic, inverzní matice, determinant. Matice Matice typu m,n je matice složená z n*m (m >= 1, n >= 1) reálných (komplexních) čísel uspořádaných do m řádků a n sloupců: R m,n (resp.
VíceLineární rovnice prvního řádu. Máme řešit nehomogenní lineární diferenciální rovnici prvního řádu. Funkce h(t) = 2
Cvičení 1 Lineární rovnice prvního řádu 1. Najděe řešení Cauchyovy úlohy x + x g = cos, keré vyhovuje podmínce x(π) =. Máme nehomogenní lineární diferenciální ( rovnici prvního řádu. Funkce h() = g a q()
VícePasivní tvarovací obvody RC
Sřední průmyslová škola elekroechnická Pardubice CVIČENÍ Z ELEKTRONIKY Pasivní varovací obvody RC Příjmení : Česák Číslo úlohy : 3 Jméno : Per Daum zadání : 7.0.97 Školní rok : 997/98 Daum odevzdání :
VíceNávod k obsluze. Vnitřní jednotka pro systém tepelných čerpadel vzduch-voda s příslušenstvím EKHBRD011ABV1 EKHBRD014ABV1 EKHBRD016ABV1
Vniřní jednoka pro sysém epelných čerpadel vzduch-voda EKHBRD011ABV1 EKHBRD014ABV1 EKHBRD016ABV1 EKHBRD011ABY1 EKHBRD014ABY1 EKHBRD016ABY1 EKHBRD011ACV1 EKHBRD014ACV1 EKHBRD016ACV1 EKHBRD011ACY1 EKHBRD014ACY1
VícePREDIKCE OPOTŘEBENÍ NA KONTAKTNÍ DVOJICI V TURBODMYCHADLE S PROMĚNNOU GEOMETRIÍ
PREDIKCE OPOTŘEBENÍ NA KONTAKTNÍ DVOJICI V TURBODMYCHADLE S PROMĚNNOU GEOMETRIÍ Auoři: Ing. Radek Jandora, Honeywell spol s r.o. HTS CZ o.z., e-mail: radek.jandora@honeywell.com Anoace: V ovládacím mechanismu
VíceJazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa
2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace
VíceVýroba a užití elektrické energie
Výroba a užií elekrické energie Tepelné elekrárny Příklad 1 Vypočíeje epelnou bilanci a dílčí účinnosi epelné elekrárny s kondenzační urbínou dle schémau naznačeného na obr. 1. Sesave Sankeyův diagram
VíceMatematika v automatizaci - pro řešení regulačních obvodů:
. Komplexní čísla Inegrovaná sřední škola, Kumburská 846, Nová Paka Auomaizace maemaika v auomaizaci Maemaika v auomaizaci - pro řešení regulačních obvodů: Komplexní číslo je bod v rovině komplexních čísel.
Více14. Soustava lineárních rovnic s parametrem
@66 4. Sousava lineárních rovnic s aramerem Hned úvodem uozorňuji, že je velký rozdíl mezi sousavou rovnic řešenou aramerizováním, roože má nekonečně mnoho řešení zadaná sousava rovnic obsahuje jen číselné
VíceDerivace funkce více proměnných
Derivace funkce více proměnných Pro sudeny FP TUL Marina Šimůnková 21. prosince 2017 1. Parciální derivace. Ve výrazu f(x, y) považujeme za proměnnou jen x a proměnnou y považujeme za konsanu. Zderivujeme
VíceParciální funkce a parciální derivace
Parciální funkce a parciální derivace Pro sudeny FP TUL Marina Šimůnková 19. září 2018 1. Parciální funkce. Příklad: zvolíme-li ve funkci f : (x, y) sin(xy) pevnou hodnou y, například y = 2, dosaneme funkci
VíceTECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií
STAVOVÝ POPIS DYNAMICKÉHO SYSTÉMU Michal Menkina TECHNICKÁ UNIVERZITA V LIBERCI Fakla mecharoniky, informaiky a mezioborových sdií Teno maeriál vznikl v rámci projek ESF CZ.1.07/2.2.00/07.0247, kerý je
VíceNumerická integrace. b a. sin 100 t dt
Numerická inegrace Mirko Navara Cenrum srojového vnímání kaedra kyberneiky FEL ČVUT Karlovo náměsí, budova G, mísnos 14a hp://cmpfelkcvucz/~navara/nm 1 lisopadu 18 Úloha: Odhadnou b a f() d na základě
VíceKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1
Lineární algebra 10. přednáška: Ortogonalita II Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Text byl vytvořen
Více5. Využití elektroanalogie při analýze a modelování dynamických vlastností mechanických soustav
5. Využií elekroanalogie při analýze a modelování dynamických vlasnosí mechanických sousav Analogie mezi mechanickými, elekrickými či hydraulickými sysémy je známá a lze ji účelně využíva při analýze dynamických
Více( ) = [m 3 /s] (3) S pr. Ing. Roman Vavřička, Ph.D. Postup:
ČVUT v Praze, Fakula srojní Úsav echniky prosředí Posup: ) Výpoče pořebného hmonosního a objemového průoku eplonosné láky vody z kalorimerické rovnice A) HMOTNOSTNÍ PRŮTOK Q m c [W] () ( ) m kde: Q c [kg/s]
VíceHlavní body. Úvod do nauky o kmitech Harmonické kmity
Harmonické kmiy Úvod do nauky o kmiech Harmonické kmiy Hlavní body Pohybová rovnice a její řešení Časové závislosi výchylky, rychlosi, zrychlení, Poenciální, kineická a celková energie Princip superpozice
VíceKatedra obecné elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava 4. TROJFÁZOVÉ OBVODY
Kaedra obecné elekroechniky Fakula elekroechniky a inormaiky, VŠB - T Osrava. TOJFÁZOVÉ OBVODY.1 Úvod. Trojázová sousava. Spojení ází do hvězdy. Spojení ází do rojúhelníka.5 Výkon v rojázových souměrných
VíceVybrané metody statistické regulace procesu pro autokorelovaná data
XXVIII. ASR '2003 Seminar, Insrumens and Conrol, Osrava, May 6, 2003 239 Vybrané meody saisické regulace procesu pro auokorelovaná daa NOSKIEVIČOVÁ, Darja Doc., Ing., CSc. Kaedra konroly a řízení jakosi,
VíceREV23.03RF REV-R.03/1
G2265 REV23.03RF Návod k monáži a uvedení do provozu A D E B C F G2265C_REV23.03RF 15.02.2006 1/8 G K H L LED_1 LED_2 I M 2/8 15.02.2006 G2265C_REV23.03RF Pokyny k monáži a volbě umísění vysílače REV23.03RF
Více3. Polynomy Verze 338.
3. Polynomy Verze 338. V této kapitole se věnujeme vlastnostem polynomů. Definujeme základní pojmy, které se k nim váží, definujeme algebraické operace s polynomy. Diskutujeme dělitelnost polynomů, existenci
VíceIMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA,
IMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA, STABILITA. Jednokový impuls (Diracův impuls, Diracova funkce, funkce dela) někdy éž disribuce dela z maemaického hlediska nejde o pravou funkci (přesný popis eorie
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
Vícetransformace Idea afinního prostoru Definice afinního prostoru velké a stejně orientované.
finní ransformace je posunuí plus lineární ransformace má svou maici vzhledem k homogenním souřadnicím využií například v počíačové grafice [] Idea afinního prosoru BI-LIN, afinia, 3, P. Olšák [2] Lineární
VíceČasová analýza (Transient Analysis) = analýza časových průběhů obvodových veličin
Časová analýza (Transien Analysis) = analýza časových průběhů obvodových veličin - napodobování činnosi ineligenního osciloskopu, - různé způsoby dalšího zpracování analyzovaných signálů (zejména FFT).
VíceAnalýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Analýza časových řad Informační a komunikační echnologie ve zdravonicví Definice Řada je posloupnos hodno Časová řada chronologicky uspořádaná posloupnos hodno určiého saisického ukazaele formálně je realizací
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
Více... víc, než jen teplo
výrobce opných konvekorů... víc, než jen eplo 2009/2010.minib.cz.minib.cz 1 obsah OBSAH 4 ÚVOD 6 příčné řezy konvekorů 8 PODLAHOVÉ KONVEKTORY bez veniláoru 9 COIL - P 10 COIL - P80 11 COIL - PT 12 COIL
VíceSTEJNOSMĚRNÝ PROUD Práce a výkon TENTO PROJEKT JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY.
STEJNOSMĚRNÝ ROUD ráce a výkon TENTO ROJEKT JE SOLUFINANCOVÁN EVROSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZOČTEM ČESKÉ REUBLIKY. ráce a výkon elekrického proudu rochází-li elekrický proud jakýmkoli spořebičem,
VíceSchéma modelu důchodového systému
Schéma modelu důchodového sysému Cílem následujícího exu je názorně popsa srukuru modelu, kerý slouží pro kvanifikaci příjmové i výdajové srany důchodového sysému v ČR, a o jak ve varianách paramerických,
VíceÚVOD DO DYNAMIKY HMOTNÉHO BODU
ÚVOD DO DYNAMIKY HMOTNÉHO BODU Obsah Co je o dnamika? 1 Základní veličin dnamik 1 Hmonos 1 Hbnos 1 Síla Newonov pohbové zákon První Newonův zákon - zákon servačnosi Druhý Newonův zákon - zákon síl Třeí
Více10. Charakteristiky pohonů ve vlastní spotřebě elektrárny
0. Charakeriiky pohonů ve vlaní pořebě elekrárny pořebiče ve V.. ají yo charakeriické vlanoi: Příkon Záběrný oen Doba rvání rozběhu Hlavní okruhy pořebičů klaické konvenční epelné elekrárny jou:. Zauhlování
Více( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1
Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Základní ransformace časových řad Veškeré násroje základní korelační analýzy, kam paří i lineární regresní (ekonomerické) modely
Více10 Lineární elasticita
1 Lineární elasicia Polymerní láky se deformují lineárně elasicky pouze v oblasi malých deformací a velmi pomalých deformací. Hranice mezi lineárním a nelineárním průběhem deformace (mez lineariy) závisí
VícePROCESY V TECHNICE BUDOV cvičení 9, 10
UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY PROCESY V TECHNICE BUDOV cvičení 9, 10 Hana Charváová, Dagmar Janáčová Zlín 2013 Teno sudijní maeriál vznikl za finanční podpory Evropského
VíceVolba vhodného modelu trendu
8. Splinové funkce Trend mění v čase svůj charaker Nelze jej v sledovaném období popsa jedinou maemaickou křivkou aplikace echniky zv. splinových funkcí: o Řadu rozdělíme na několik úseků o V každém úseku
VíceZPŮSOBY MODELOVÁNÍ ELASTOMEROVÝCH LOŽISEK
ZPŮSOBY MODELOVÁNÍ ELASTOMEROVÝCH LOŽISEK Vzhledem ke skuečnosi, že způsob modelování elasomerových ložisek přímo ovlivňuje průběh vniřních sil v oblasi uložení, rozebereme v éo kapiole jednolivé možné
VíceVyužijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.
Pravděpodobnos a saisika 0. ČASOVÉ ŘADY Průvodce sudiem Využijeme znalosí z předchozích kapiol, především z 9. kapioly, kerá pojednávala o regresní analýze, a rozšíříme je. Předpokládané znalosi Pojmy
Vícec sin Příklad 2 : v trojúhelníku ABC platí : a = 11,6 dm, c = 9 dm, α = 65 0 30. Vypočtěte stranu b a zbývající úhly.
9. Úvod do středoškolského studia - rozšiřující učivo 9.. Další znalosti o trojúhelníku 9... Sinova věta a = sin b = sin c sin Příklad : V trojúhelníku BC platí : c = 0 cm, α = 45 0, β = 05 0. Vypočtěte
VíceUMĚLÉ NEURONOVÉ SÍTĚ V CHEMII
UMĚLÉ NEURONOVÉ SÍTĚ V CHEMII doc. RNDr. Vlasimil Dohnal, Ph.D. Podpora přednášky kurzu Mezioborové dimenze vědy doc. RNDr. Vlasimil Dohnal, Ph.D. Kaedra chemie PřF UHK Příklady aplikací ANN QSAR a QSPR
VíceA[a 1 ; a 2 ; a 3 ] souřadnice bodu A v kartézské soustavě souřadnic O xyz
1/15 ANALYTICKÁ GEOMETRIE Základní pojmy: Soustava souřadnic v rovině a prostoru Vzdálenost bodů, střed úsečky Vektory, operace s vektory, velikost vektoru, skalární součin Rovnice přímky Geometrie v rovině
VíceSignálky V. Signálky V umožňují světelnou signalizaci jevu.
Signalizace a měření Signálky V funkce echnické údaje Signálky V umožňují svěelnou signalizaci jevu. v souladu s normou: ČS E 60 947-5-1, ČS E 60 073 a IEC 100-4 (18327); jmenovié napěí n: 230 až 400 V
VíceJakost, spolehlivost a teorie obnovy
Jakos, spolehlivos a eorie obnovy opimální inerval obnovy, seskupování obnov, zráy z nedodržení normaivu Jakos, spolehlivos a obnova srojů Jakos vyjadřuje supeň splnění požadavků souborem inherenních znaků.
VíceFunkce zadané implicitně
Kapitola 8 Funkce zadané implicitně Začneme několika příklady. Prvním je známá rovnice pro jednotkovou kružnici x 2 + y 2 1 = 0. Tato rovnice popisuje křivku, kterou si však nelze představit jako graf
VíceStudie proveditelnosti (Osnova)
Sudie provedielnosi (Osnova) 1 Idenifikační údaje žadaele o podporu 1.1 Obchodní jméno Sídlo IČ/DIČ 1.2 Konakní osoba 1.3 Definice a popis projeku (max. 100 slov) 1.4 Sručná charakerisika předkladaele
VíceSkalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS )
LINEÁRNÍ ALGEBRA Úvod vektor Skalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS ) Kartézský souřadnicový systém -je taková soustava
Více5 GRAFIKON VLAKOVÉ DOPRAVY
5 GRAFIKON LAKOÉ DOPRAY Jak známo, konsrukce grafikonu vlakové dopravy i kapaciní výpočy jsou nemyslielné bez znalosi hodno provozních inervalů a následných mezidobí. éo kapiole bude věnována pozornos
VíceIMPULSNÍ TECHNIKA II.
IMPULSNÍ TECHNIKA II. OBSAH II. DÍLU Předmluva 3 7 Generáory piloviých průběhů 4 7. Paramery lineárně se měnícího napěí 4 7.2 Funkční princip generáorů piloviého napěí 5 7.3 Generáor s nabíjením kondenzáoru
VíceT t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka
Analýza časových řad Klasický přísup k analýze ČŘ dekompozice časové řady - rozklad ČŘ na složky charakerizující různé druhy pohybů v ČŘ, keré umíme popsa a kvanifikova rend periodické kolísání cyklické
VícePožárně ochranná manžeta PROMASTOP -U (PROMASTOP -UniCollar ) pro plast. potrubí
Požárně ochranná manžea PROMASTOP -U (PROMASTOP -UniCollar ) pro plas. porubí EI až EI 90 00.0 PROMASTOP -U - požárně ochranná manžea monážní úchyky ocelová kova nebo urbošroub ocelový šroub s podložkou
VíceDemografické projekce počtu žáků mateřských a základních škol pro malé územní celky
Demografické projekce poču žáků maeřských a základních škol pro malé územní celky Tomáš Fiala, Jika Langhamrová Kaedra demografie Fakula informaiky a saisiky Vysoká škola ekonomická v Praze Pořebná daa
VíceLS Příklad 1.1 (Vrh tělesem svisle dolů). Těleso o hmotnosti m vrhneme svisle
Obyčejné diferenciální rovnice Jiří Fišer LS 2014 1 Úvodní moivační příklad Po prosudování éo kapioly zjisíe, k čemu mohou bý diferenciální rovnice užiečné. Jak se pomocí nich dá modelova prakický problém,
VíceVliv struktury ekonomiky na vztah nezaměstnanosti a inflace
Mendelova univerzia v Brně Provozně ekonomická fakula Úsav ekonomie Vliv srukury ekonomiky na vzah nezaměsnanosi a inflace Diplomová práce Vedoucí práce: Ing. Milan Palá, Ph.D. Vypracoval: Bc. Jiří Morávek
VíceSkupinová obnova. Postup při skupinové obnově
Skupinová obnova Při skupinové obnově se obnovují všechny prvky základního souboru nebo určiá skupina akových prvků najednou. Posup při skupinové obnově prvky, jež selžou v určiém období, je nuno obnovi
VíceSTATICKÉ A DYNAMICKÉ VLASTNOSTI ZAŘÍZENÍ
STATICKÉ A DYNAMICKÉ VLASTNOSTI ZAŘÍZENÍ Saické a dnamické vlasnosi paří k základním vlasnosem regulovaných sousav, měřicích přísrojů, měřicích řeězců či jejich čásí. Zaímco saické vlasnosi se projevují
Více( ) ( ) NÁVRH CHLADIČE VENKOVNÍHO VZDUCHU. Vladimír Zmrhal. ČVUT v Praze, Fakulta strojní, Ústav techniky prostředí Vladimir.Zmrhal@fs.cvut.
21. konference Klimaizace a věrání 14 OS 01 Klimaizace a věrání STP 14 NÁVRH CHLADIČ VNKOVNÍHO VZDUCHU Vladimír Zmrhal ČVUT v Praze, Fakula srojní, Úsav echniky prosředí Vladimir.Zmrhal@fs.cvu.cz ANOTAC
VíceZáklady matematiky kombinované studium 714 0365/06
Základy matematiky kombinované studium 714 0365/06 1. Některé základní pojmy: číselné množiny, intervaly, operace s intervaly (sjednocení, průnik), kvantifikátory, absolutní hodnota čísla, vzorce: 2. Algebraické
VíceFINANČNÍ MATEMATIKA- ÚVĚRY
Projek ŠABLONY NA GVM Gymnázium Velké Meziříčí regisrační číslo projeku: CZ.1.07/1.5.00/4.0948 IV- Inovace a zkvalinění výuky směřující k rozvoji maemaické gramonosi žáků sředních škol FINANČNÍ MATEMATIKA-
Vícelistopadu 2016., t < 0., t 0, 1 2 ), t 1 2,1) 1, 1 t. Pro X, U a V najděte kvantilové funkce, střední hodnoty a rozptyly.
6. cvičení z PSI 7. -. lisopadu 6 6. kvanil, sřední hodnoa, rozpyl - pokračování příkladu z minula) Náhodná veličina X má disribuční funkci e, < F X ),, ) + 3,,), a je směsí diskréní náhodné veličiny U
VíceDetekce a stanovení aktivity 90 Sr ve vzorcích životního prostředí měřením brzdného záření
Cerifikovaná meodika Deekce a sanovení akiviy 90 Sr ve vzorcích živoního prosředí Vypracoval Ing. Karin Fanínová Výsledek projeku Bezpečnosního výzkumu České republiky, Projek MV ČR BV Výzkum pokročilých
VíceMatice. Přednáška MATEMATIKA č. 2. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Přednáška MATEMATIKA č. 2 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 13. 10. 2010 Uspořádané schéma vytvořené z m n reálných čísel, kde m, n N a 11 a 12 a
VíceNěkolik poznámek na téma lineární algebry pro studenty fyzikální chemie
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie Jiří Kolafa Vektory. Vektorový prostor Vektor je často zaveden jako n-tice čísel, (v,..., v n ), v i R (pro reálný vektorový prostor);
VíceVÍCEROZMĚRNÝ STATISTICKÝ SOUBOR
KORELACE A REGRESE 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/..00/8.001)
VícePřednáška kurzu MPOV. Klasifikátory, strojové učení, automatické třídění 1
Přednáška kurzu MPOV Klasifikáory, srojové učení, auomaické řídění 1 P. Peyovský (email: peyovsky@feec.vubr.cz), kancelář E530, Inegrovaný objek - 1/25 - Přednáška kurzu MPOV... 1 Pojmy... 3 Klasifikáor...
VíceOceňování finančních investic
Oceňování finančních invesic A. Dluhopisy (bondy, obligace). Klasifikace obligací a) podle kupónu - konvenční obligace (sraigh, plain vanilla, bulle bond) vyplácí pravidelný (roční, pololení) kupón po
VíceModelování spotřeby vybraných výrobků prodaných nápojovými a prodejními automaty společnosti Petrov group s.r.o.
Mendelova univerzia v Brně Provozně ekonomická fakula Modelování spořey vyraných výroků prodaných nápojovými a prodejními auomay společnosi Perov group s.r.o. Bakalářská práce Vedoucí práce: Ing. Pavel
VíceDiferenciální rovnice 1. řádu
Kapiola Diferenciální rovnice. řádu. Lineární diferenciální rovnice. řádu Klíčová slova: Obyčejná lineární diferenciální rovnice prvního řádu, pravá srana rovnice, homogenní rovnice, rovnice s nulovou
VíceLaplaceova transformace Modelování systémů a procesů (11MSP)
aplaceova ransformace Modelování sysémů a procesů (MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček 5. přednáška MSP čvrek 2. března 24 verze: 24-3-2 5:4 Obsah Fourierova ransformace Komplexní exponenciála
VíceVýkonnost a spolehlivost číslicových systémů
Výkonnos a spolehlivos číslicových sysémů Úloha Generování a zpracování náhodných čísel Zadání 9 Trojúhelníkové rozdělení Jan Kupka A65 kupka@sudens.zcu.cz . Zadání vyvoře generáor rozdělení jako funkci
VíceLineární Regrese Hašovací Funkce
Hašovací Funkce Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v
VíceSoučin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j.
Kapitola 3 Počítání s maticemi Matice stejného typu můžeme sčítat a násobit reálným číslem podobně jako vektory téže dimenze. Definice 3.1 Jsou-li A (a ij ) a B (b ij ) dvě matice stejného typu m n, pak
VíceJsme rádi, že jste si vybrali prístroj INDUSTRIAL SCIENTIFIC a vrele Vám dekujeme.
INSTALACNÍ A UŽIVATELSKÝ NÁVOD Réf.: NPM32TC PLYNOVÁ DETEKCE Jsme rádi, že jse si vybrali prísroj INDUSTRIAL SCIENTIFIC a vrele Vám dekujeme. Udelali jsme všechno proo, aby Vám eno výrobek sloužil k naprosé
VíceZákladní škola Ústí nad Labem, Rabasova 3282/3, příspěvková organizace, 400 11 Ústí nad Labem. Příloha č.1. K SMĚRNICI č. 1/2015 - ŠKOLNÍ ŘÁD
Základní škola Úsí nad Labem, Rabasova 3282/3, příspěvková organizace, 400 11 Úsí nad Labem GSM úsředna: +420 725 596 898, mob.: +420 739 454 971, hp://www.zsrabasova.cz IČ 44553145, BANKOVNÍ SPOJENÍ -
VíceNA POMOC FO. Pád vodivého rámečku v magnetickém poli
NA POMOC FO Pád vodivého rámečku v maneickém poli Karel auner *, Pedaoická akula ZČU v Plzni Příklad: Odélníkový rámeček z vodivého dráu má rozměry a,, hmonos m a odpor. Je zavěšen ve výšce h nad horním
VíceCvičení k návrhu SSZ. Ing. Michal Dorda, Ph.D.
Cvičení k návrhu SSZ Ing. Michal Dorda, Ph.D. Výpoče mezičasů Ing. Michal Dorda, Ph.D. 2 Výpoče mezičasů Př. 1: Sanove mezičas pro následující siuaci. Vyklizovací dráha vozidla je přímá o délce 20 m, najížděcí
VíceOBJÍMKA VÁZANÁ PRUŽINOU NA NEHLADKÉM OTOČNÉM RAMENI
OBJÍMKA VÁZANÁ RUŽINOU NA NELAKÉM OTOČNÉM RAMENI SEIFIKAE ROBLÉMU Rameno čvercového průřezu roue konanní úhlovou rychloí ω Na něm e nasazena obímka hmonoi m s koeicienem ření mezi ní a ěnami ramene Obímka
VíceVýkonová nabíječka olověných akumulátorů
Rok / Year: Svazek / Volume: Číslo / Number: 211 13 2 Výkonová nabíječka olověných akumuláorů Power charger of lead-acid accumulaors Josef Kadlec, Miroslav Paočka, Dalibor Červinka, Pavel Vorel xkadle22@feec.vubr.cz,
Více2.2. SČÍTÁNÍ A NÁSOBENÍ MATIC
22 SČÍTÁNÍ A NÁSOBENÍ MATIC V této kapitole se dozvíte: jak je definováno sčítání matic a jaké má základní vlastnosti jak je definováno násobení matic číslem a jaké má základní vlastnosti zda a proč se
VíceEKONOMETRIE 6. přednáška Modely národního důchodu
EKONOMETRIE 6. přednáška Modely národního důchodu Makroekonomické modely se zabývají modelováním a analýzou vzahů mezi agregáními ekonomickými veličinami jako je důchod, spořeba, invesice, vládní výdaje,
Více4. Přechodné děje. 4.1 Zapínání střídavého obvodu
4. Přhoné ě Exisí-li v lkriké obvo rvky shoné aklova nrgii, noho v obvo robíha ě, ři nihž by vznikaly skokové zěny éo aklované nrgi. To ovš znaná, ž o ob, ky ohází k zěně nrioiké fory nrgi nahroaěné v
Více7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU
Indexy základní, řeězové a empo přírůsku Aleš Drobník srana 1 7. INDEXY ZÁKLADNÍ, ŘETĚZOVÉ A TEMPO PŘÍRŮSTKU V kapiole Indexy při časovém srovnání jsme si řekli: Časové srovnání vzniká, srovnáme-li jednu
Více14/10/2015 Z Á K L A D N Í C E N Í K Z B O Ž Í Strana: 1
14/10/2015 Z Á K L A D N Í C E N Í K Z B O Ž Í Strana: 1 S Á ČK Y NA PS Í E XK RE ME N TY SÁ ČK Y e xk re m en t. p o ti sk P ES C Sá čk y P ES C č er né,/ p ot is k/ 12 m y, 20 x2 7 +3 c m 8.8 10 bl ok
Více9 Viskoelastické modely
9 Viskoelasické modely Polymerní maeriály se chovají viskoelasicky, j. pod vlivem mechanického namáhání reagují současně jako pevné hookovské láky i jako viskózní newonské kapaliny. Viskoelasické maeriály
Více8. Měření kinetiky dohasínání fluorescence v časové doméně
8. Měření kneky dohasínání fluorescence v časové doméně Kneka dohasínání fluorescence Po excac vzorku δ-pulsem se hladna S 1 depopuluje podle dn( ) = ( k k ) n( ) d F + N Pronegrováním a uvážením, že měřená
VíceNárodohospodářská fakulta
Vysoká škola ekonomická v Praze Národohospodářská fakula Hlavní specializace: Ekonomie HOSPODÁŘSKÝ CYKLUS A NÁVŠTĚVNOST HISTORICKÝCH PAMÁTEK bakalářská práce Auor: Kaeřina Jůvová Vedoucí práce: Ing. Sára
Více