VLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST KONSTRUKCE
|
|
- Ilona Fišerová
- před 4 lety
- Počet zobrazení:
Transkript
1 IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie až Dům techniky Ostrava ISBN VLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST KONSTRUKCE Jiří Šejnoha, Daniela Jarušková, Marie Kalousková a Aleš Menšík Abstract This paper is devoted to the assessment of structural reliability under the assumption of statistical dependence of random variables. To start with, three methods of the generation of random variables are presented. Then a case study quantifies the sensitivity of the failure probability to this statistical dependence.. Úvod Metoda Monte Carlo je široce používaným nástrojem při hodnocení spolehlivosti konstrukcí. Osvědčeným představitelem jednoho ze systémů výpočtu spolehlivosti pomocí simulací je metoda SiBRA. Většina simulačních výpočtů předpokládá statistickou nezávislost vstupních veličin. To je v některých případech zjednodušení problému.. Lze si na příklad snadno představit statistickou závislost mezi vlastní tíhou konstrukce a dynamickou odezvou na účinky větru nebo zemětřesení, a to prostřednictvím hmotnosti. Ta ovlivňuje jak vlastní tíhu, tak vlastní frekvence, na nichž je odezva závislá. Jiným názorným příkladem je prostorová korelace šířky nosníku, která je dána tuhostí bednění, a ovlivňuje jak účinek zatížení (ohybový moment), tak odolnost konstrukce (moment únosnosti). Tento příklad byl použit ke studijnímu výpočtu, jehož cílem bylo ukázat citlivost pravděpodobnosti poruchy na míru korelace (odst. 3). Nezbytným předpokladem je efektivní metoda umožňující generovat realizace závislých náhodných veličin. Tomuto problému je věnován odst Generování realizací závislých náhodných veličin Nezávislost versus závislost Uvažujeme-li dvě spojitě rozdělené náhodné veličiny X a Y, pak jsou tyto veličiny nezávislé tehdy a jen tehdy, platí-li pro všechna x a y f X ( x Y = y) = f X (x), kde f X ( x Y = y) je podmíněná hustota veličiny X za podmínky, že Y = y, a f X (x) je marginální hustota veličiny X. Chceme-li modelovat (například počítačově) závislost mezi dvěma veličinami, musíme buď znát sdruženou hustotu f XY ( x, y) obou veličin X a Y nebo podmíněnou hustotu veličiny X za podmínky Y = y, tj. f X ( x Y = y ), a marginální hustotu Y, tj. (y). f Y Jiří Šejnoha, Prof., Ing., DrSc., Marie Kalousková, Ing., CSc., ČVUT Praha, Fakulta stavební, katedra stavební mechaniky, Thákurova 7, Praha 6, Daniela Jarušková, Doc. RNDr., CSc., Aleš Menšík, ČVUT Praha, Fakulta stavební, katedra matematiky, Thákurova 7, Praha 6.
2 26 Platí f XY ( x, y) = f X ( x Y = y ) (y). Nekorelovanost versus korelovanost f Y Určitou mírou závislosti mezi dvěma veličinami X a Y je korelační koeficient. Veličiny X a Y nazýváme nekorelované, pokud je jejich korelační koeficient roven nule. Dvě nezávislé veličiny jsou vždy nekorelované, avšak veličiny, které jsou nekorelované, nemusí být ještě nezávislé. Pokud mají veličiny X a Y dvojrozměrné normální rozdělení, pak jsou nezávislé právě tehdy, když jsou nekorelované. Poznamenejme však, že dokonce i tehdy, když X i Y mají marginální rozdělení normální a jsou nekorelované, pak jejich sdružené rozdělení nemusí být normální a veličiny nemusí být nezávislé. Generování realizací vektoru s vícerozměrným normálním rozdělením Matlabovské makro mvnrnd(mu,sigma,cases) generuje vektory z vícerozměrného normálního rozdělení s vektorem středních hodnot mu = µ a kovarianční maticí sigma = Σ. Parametr cases udává počet žádaných realizací. Generování veličin s obecnou korelační strukturou je umožněno rychlým rozkladem pozitivní symetrické matice Σ = A T A. Generování realizací veličin se známou stejnou marginální hustotou a daným korelačním koeficientem Navzdory tomu, že korelační koeficient není rozumnou mírou závislosti mezi dvěma veličinami, může v aplikacích vzniknout požadavek vygenerovat výběr ( X,Y ),...,( X n, Y n ), kde veličiny X a Y mají známé marginální rozdělení s hustotou f(x) a jejich korelační koeficient je roven známé hodnotě ρ. Z předchozího textu je zřejmé, že sdružená hustota vektoru (X,Y) není jednoznačně určena marginálními hustotami a korelačním koeficientem. Obecně může existovat mnoho sdružených rozdělení, která mají stejné marginální hustoty a daný korelační koeficient. Triviálně můžeme například definovat (X,Y) = (Z,Z) s pravděpodobností ρ a (X,Y) = ( Z, Z 2 ) s pravděpodobností - ρ, kde Z, Z, Z 2 jsou nezávislé s hustotou f(x). Velmi jednoduše je možno nalézt sdružené rozdělení vektoru (X,Y) v případě, že hustota f(x) je hustotou veličiny U, která vznikla jednoduchou transformací g (o) normálně rozdělené veličiny Z, tj. U=g(Z). Pak je možno spočítat korelační koeficient * ρ dvojrozměrného normálního rozdělení tak, aby korelační koeficient U = g( Z ) a U 2 = g( Z ) 2 byl roven dané hodnotě ρ. Takto můžeme například postupovat, předpokládáme-li, že U a U 2 mají logaritmicko-normální rozdělení. Jednu z metod, jak vygenerovat výběr ( X,Y ),...,( X n, Yn ) z rozdělení s požadovanými marginálními hustotami a daným (Pearsonovým) korelačním koeficientem, navrhli Iman a Conover (982). Metoda je založena na poznatku, že pro "rozumná" rozdělení se příliš neliší Pearsonův a Spearmanův korelační koeficient, přičemž jejich vzájemný vztah je buď znám (např. pro normální rozdělení) nebo lze zjistit empiricky. Pro získání dvojrozměrného výběru s daným výběrovým Spearmanovým korelačním koeficientem se využije toho, že jsme schopni vhodným uspořádáním dvou nezávislých výběrů docílit, aby Spearmanův korelační koeficient nabýval námi požadovanou hodnotu.
3 27 Ačkoliv je obecně známo, že rozdělení náhodné veličiny X není jednoznačně určeno svými momenty, ve většině praktických příkladů se dvě hustoty, které mají několik prvních momentů shodných (např. střední hodnotu, rozptyl, šikmost a špičatost), příliš neliší. Spokojíme-li se s tím, že vygenerujeme výběr ( X,Y ),...,( X n, Yn ) z rozdělení s daným korelačním koeficientem a danou střední hodnotou, rozptylem, šikmostí a špičatostí, pak lze použít metodu navrženou Fleishmanem (978) a popsanou v Kotz a ost. (2000). Velmi jednoduchou metodu, pro případ vysokého korelačního koeficientu při dané střední hodnotě a rozptylu navrhla Jarušková. Pro všechny shora popsané metody vytvořila Jarušková makra v softwaru Matlab. Doc. Antoch pak vytvořil makra, kterými se graficky v trojrozměrném pohledu znázorňuje odhad sdružené hustoty na základě vygenerovaného výběru. Student Menšík vytvořil makro pro srovnávání odhadů podmíněných hustot. 3. Aplikace metody Monte Carlo ke sledování statistické závislosti odolnosti a účinků zatížení na geometrických proměnných Srozumitelným a dobře představitelným příkladem převzatým z inženýrské praxe je statistická závislost odolnosti a účinku zatížení na obecně proměnné šířce nosníku po jeho délce. Korelace šířek je dána tuhostí podélného ztužení bočnic bednění. Nosník byl navržen podle EC (obr. ). kde Korelační funkce je vyjádřena ve tvaru x x L ( x x ) = e ρ, x x je vzdálenost průřezů l ef = 5,78 x, xm L = l λ je tzv. délka korelace l je délka nosníku. Obr. : Geometrický tvar a výztuž nosníku 0,4 l n = 5,5 m 0,4 6φ E20 b=0,3 Součinitel λ je uvažován v rozmezí (silná korelace) až 0 (velmi slabá korelace). d= h= 0, 0, Střední hodnota šířky průřezu b = 0,3 m je konstantní po délce nosníku. Pro parametrickou studii je uvažována proměna směrodatné odchylky v rozsahu 0,006 m až 0,0 m za předpokladu normálního rozdělení. Uvažuje se korelace mezi šířkami b horní hrany nosníku v průřezech vzdálených vždy o l/4, l/2, 3/4l, l. Korelační matice R pro různé součinitele λ jsou uvedeny v tab.. d = 0, 036 Tab. : Korelační matice pro různé součinitele λ R
4 28 λ= 0,607 0,472 0,607 0,472 0,607 sym. λ=2 0,223 0,35 0,223 sym. λ=0 0,0005 0, ,00005 sym. Vypočtené pravděpodobnosti poruchy jsou uvedeny v tab. 2 a graficky znázorněny 6 v obr. 2. Při výpočtu jsme pro každý jednotlivý případ aplikovali 0 simulací. Tab.2: Pravděpodobnosti poruchy v závislosti na směr. odchylce a korelaci λ =0 λ = 2 λ = σ 0,006 0,008 0,009 0,0 b p 0, , ,0047 0, f p 0, , , ,0066 0, f p 0, , , , ,00997 f
5 29 p f pf pf pf pf pf p pf pfp 0,008 0,006 0,005 0,004 0,003 λ = 0 λ = 2 λ = 0,002 0,00 0 0,005 0,006 0,008 0,009 0,0 σ b (m) Obr. 2: Pravděpodobnost poruchy v závislosti na směrodatné odchylce σ a parametru korelace λ b Pro porovnání je podán výpočet pravděpodobnosti poruchy v případě náhodné polohy výztuže d. Graf na obr. 3 ukazuje závislost pravděpodobnosti poruchy na směrodatné odchylce σd. Je vidět, že pravděpodobnost poruchy se v tomto druhém případě mění mnohem výrazněji než v případě prvním. p f 0,2 0,8 0,6 0,4 0,2 0, 0,08 0,06 0,04 0,02 0 0,00 0,002 0,003 0,004 0,005 (m) σ d Obr. 3: Pravděpodobnost poruchy v závislosti na směrodatné odchylce σ d
6 30 4. Závěr Uvážení statistické závislosti náhodných veličin při hodnocení spolehlivosti konstrukcí je dosud spíše výjimkou. Snahou autorů bylo jednak ukázat efektivní způsoby generování realizací závislých náhodných veličin, a na názorném a dobře srozumitelném příkladu ukázat, jak se tato závislost číselně projeví. Oznámení Příspěvek byl vypracován zčásti za podpory výzkumného záměru MŠM a zčásti za podpory projektu GAČR 20/03/0945. Literatura [] FLEISHMAN A.I.: A method for simulating nonnormal distributions, Psychometrik 43, , 978. [2] IMAN R.L., CONOVER W.J.: A distribution-free approach to inducing rank correlation among input variables, Commun. Statist. - Simula. Computa., 3-334, 982. [3] KOTZ S., BALAKRISHNAN N., JOHNSON N.L.: Continuous Multivariate Distributions, Volume I: Models and Applications, John Wiley, 2.ed., 36 37, [4] ANTOCH J., VORLÍČKOVÁ D.: Vybrané metody statistické analýzy dat, Academia Praha, kap. 4, 992.
Cvičení 3. Posudek únosnosti ohýbaného prutu. Software FREET Simulace metodou Monte Carlo Simulace metodou LHS
Spolehlivost a bezpečnost staveb, 4. ročník bakalářského studia (všechny obory) Cvičení 3 Posudek únosnosti ohýbaného prutu Software FREET Simulace metodou Monte Carlo Simulace metodou LHS Katedra stavební
VíceCvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS
Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 9 Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET Software FREET Simulace metodou LHS
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VíceCvičení 2. Vyjádření náhodně proměnných veličin, Posudek spolehlivosti metodou SBRA, Posudek metodou LHS.
Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Cvičení 2 Vyjádření náhodně proměnných veličin, Posudek spolehlivosti metodou SBRA, Posudek metodou LHS. Zpracování naměřených dat Tvorba
Více4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Jan Kracík
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2017/2018 Tutoriál č. 2:, náhodný vektor Jan Kracík jan.kracik@vsb.cz náhodná veličina rozdělení pravděpodobnosti náhodné
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VícePříklady ke čtvrtému testu - Pravděpodobnost
Příklady ke čtvrtému testu - Pravděpodobnost 6. dubna 0 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a vyřešte příklad podobný. Tím se ujistíte, že příkladu
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
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 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
VíceMnohorozměrná statistická data
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistický znak, statistický soubor Jednotlivé objekty nebo subjekty, které jsou při statistickém
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceUni- and multi-dimensional parametric tests for comparison of sample results
Uni- and multi-dimensional parametric tests for comparison of sample results Jedno- a více-rozměrné parametrické testy k porovnání výsledků Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Universita
VíceCvičení 8. Posudek spolehlivosti metodou SBRA. Prostý nosník vystavený spojitému zatížení
Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 8 Posudek spolehlivosti metodou SBRA Prostý nosník vystavený spojitému zatížení Katedra stavební mechaniky
VíceSborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2010, ročník X, řada stavební článek č. 20
Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2010, ročník X, řada stavební článek č. 20 Jakub VALIHRACH 1, Petr KONEČNÝ 2 PODMÍNKA UKONČENÍ PRAVDĚPODOBNOSTNÍHO
VíceBakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika. 1 Úvodní poznámky. Verze: 13. června 2013
Bakalářské studium na MFF UK v Praze Obecná matematika Zaměření: Stochastika Podrobnější rozpis okruhů otázek pro třetí část SZZ Verze: 13. června 2013 1 Úvodní poznámky 6 Smyslem SZZ by nemělo být toliko
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
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
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
VíceMnohorozměrná statistická data
Mnohorozměrná statistická data Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Mnohorozměrná
VíceCvičení 2. Posudek spolehlivosti metodou SBRA. Prostý nosník vystavený spojitému zatížení
Spolehlivost a bezpečnost staveb, 4. ročník bakalářského studia (všechny obory) Cvičení 2 Posudek spolehlivosti metodou SBRA Prostý nosník vystavený spojitému zatížení Katedra stavební mechaniky Fakulta
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,
VíceRozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r)
Rozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r) Bohumil Maroš 1. Úvod Regulační diagram je nejefektivnější nástroj pro identifikaci stability, resp. nestability procesu. Vhodně
VíceCvičební texty 2003 programu celoživotního vzdělávání MŠMT ČR Požární odolnost stavebních konstrukcí podle evropských norem
2.5 Příklady 2.5. Desky Příklad : Deska prostě uložená Zadání Posuďte prostě uloženou desku tl. 200 mm na rozpětí 5 m v suchém prostředí. Stálé zatížení je g 7 knm -2, nahodilé q 5 knm -2. Požaduje se
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceTéma 3 Metoda LHS, programový systém Atena-Sara-Freet
Spolehlivost a bezpečnost staveb, 4.ročník bakalářského studia Téma 3 Metoda LHS, programový systém Atena-Sara-Freet Parametrická rozdělení Metoda Latin Hypercube Sampling (LHS) aplikovaná v programu Freet
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VícePojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.
6. NÁHODNÝ VEKTOR Průvodce studiem V počtu pravděpodobnosti i v matematické statistice se setkáváme nejen s náhodnými veličinami, jejichž hodnotami jsou reálná čísla, ale i s takovými, jejichž hodnotami
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
VíceTéma 10: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 10: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
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.
VíceSTATISTICKÉ HODNOCENÍ ZKOUŠEK MATERIÁLOVÝCH VLASTNOSTÍ
STATISTICKÉ HODNOCENÍ ZKOUŠEK MATERIÁLOVÝCH VLASTNOSTÍ Prof. Ing. Milan Holický, PhD., DrSc., Ing. Karel Jung, Ing. Miroslav Sýkora, Ph.D. České vysoké učení technické v Praze, Kloknerův ústav, Šolínova
VícePOSUDEK PRAVDĚPODOBNOSTI PORUCHY OCELOVÉ NOSNÉ SOUSTAVY S PŘIHLÉDNUTÍM K MONTÁŽNÍM TOLERANCÍM
I. ročník celostátní konference SPOLEHLIVOST ONSTRUCÍ Téma: Rozvoj koncepcí posudku spolehlivosti stavebních konstrukcí 5..000 Dům techniky Ostrava ISBN 80-0-0- POSUDE PRAVDĚPODOBNOSTI PORUCHY OCELOVÉ
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VícePSY117/454 Statistická analýza dat v psychologii. Zobrazení dvojrozměrných dat Bodový graf - Scatterplot Korelační koeficient
PSY117/454 Statistická analýza dat v psychologii Zobrazení dvojrozměrných dat Bodový graf - Scatterplot Korelační koeficient Analýza vztahů mezi dvěma proměnnými Souvisí nějak? Výška a váha Známky u jednotlivých
VíceANALÝZA SPOLEHLIVOSTI STATICKY NEURČITÉHO OCELOVÉHO RÁMU PRAVDĚPODOBNOSTNÍ METODOU SBRA
III. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ 51 Téma: Cesty k uplatnění pravděpodobnostního posudku bezpečnosti, provozuschopnosti a trvanlivosti konstrukcí v normativních předpisech a v projekční
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
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Licenční studium chemometrie na téma Statistické zpracování dat Semestrální práce ze 6. soustředění Předmět: 3.3 Tvorba nelineárních
VícePříklad 2 Posouzení požární odolnosti železobetonového sloupu
Příklad 2 Posouzení požární odolnosti železobetonového sloupu Uvažujte železobetonový sloup ztužené rámové konstrukce o průřezu b = 400 mm h = 400 mm a účinné délce l 0 = 2,1 m (Obr. 1). Na sloup působí
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.
VíceSPOLEHLIVOSTNÍ ANALÝZA STAVEBNÍCH KONSTRUKCÍ - APLIKACE
IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie 163 23.až 24.4.2003 Dům techniky Ostrava ISBN 80-02-01551-7 SPOLEHLIVOSTNÍ ANALÝZA STAVEBNÍCH KONSTRUKCÍ - APLIKACE
VíceMATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT
8. licenční studium Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie MATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT Příklady: ) Najděte vlastní (charakteristická) čísla a vlastní
VíceSpolehlivost a bezpečnost staveb zkušební otázky verze 2010
1 Jaká máme zatížení? 2 Co je charakteristická hodnota zatížení? 3 Jaké jsou reprezentativní hodnoty proměnných zatížení? 4 Jak stanovíme návrhové hodnoty zatížení? 5 Jaké jsou základní kombinace zatížení
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceGrafický a číselný popis rozložení dat 3.1 Způsoby zobrazení dat Metody zobrazení kvalitativních a ordinálních dat Metody zobrazení kvan
1 Úvod 1.1 Empirický výzkum a jeho etapy 1.2 Význam teorie pro výzkum 1.2.1 Konstrukty a jejich operacionalizace 1.2.2 Role teorie ve výzkumu 1.2.3 Proces ověření hypotéz a teorií 1.3 Etika vědecké práce
VícePOSUDEK POLOTUHÝCH STYČNÍKŮ METODOU SBRA
IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie 119 23.až 24.4.2003 Dům techniky Ostrava ISN 80-02-01551-7 POSUDEK POLOTUHÝCH STYČNÍKŮ METODOU SRA Abstract Vít
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
VíceTéma 4: Stratifikované a pokročilé simulační metody
0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:
VíceNěkterá klimatická zatížení
Některá klimatická zatížení 5. cvičení Klimatické zatížení je nahodilé zatížení vyvolané meteorologickými jevy. Stanoví se podle nejnepříznivějších hodnot mnohaletých měření, odpovídajících určitému zvolenému
VícePoužitelnost. Žádné nesnáze s použitelností u historických staveb
Použitelnost - funkční způsobilost za provozních podmínek - pohodlí uživatelů - vzhled konstrukce Obvyklé mezní stavy použitelnosti betonových konstrukcí: mezní stav napětí z hlediska podmínek použitelnosti,
VíceSborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2009, ročník IX, řada stavební článek č.4
Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2009, ročník IX, řada stavební článek č.4 Kristýna VAVRUŠOVÁ 1, Antonín LOKAJ 2 POŽÁRNÍ ODOLNOST DŘEVĚNÝCH KONSTRUKCÍ
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceINDUKTIVNÍ STATISTIKA
10. SEMINÁŘ INDUKTIVNÍ STATISTIKA 3. HODNOCENÍ ZÁVISLOSTÍ HODNOCENÍ ZÁVISLOSTÍ KVALITATIVNÍ VELIČINY - Vychází se z kombinační (kontingenční) tabulky, která je výsledkem třídění druhého stupně KVANTITATIVNÍ
Více9 OHŘEV NOSNÍKU VYSTAVENÉHO LOKÁLNÍMU POŽÁRU (řešený příklad)
9 OHŘEV NOSNÍKU VYSTAVENÉHO LOKÁLNÍMU POŽÁRU (řešený příklad) Vypočtěte tepelný tok dopadající na strop a nejvyšší teplotu průvlaku z profilu I 3 při lokálním požáru. Výška požárního úseku je 2,8 m, plocha
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 5 Aproximační techniky 2012 Spolehlivost
VíceMETODOU SBRA Miloš Rieger 1, Karel Kubečka 2
OHYBOVÁ ÚNOSNOST ŽELEZOBETONOVÉHO MOSTNÍHO PRŮŘEZU METODOU SBRA Miloš Rieger 1, Karel Kubečka 2 Abstrakt The determination of the characteristic value of the plastic bending moment resistance of the roadway
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceVYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI
VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
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
VíceCvičení 5. Posudek metodou POPV. Prostý nosník vystavený spojitému zatížení Příklady k procvičení
Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Cvičení 5 Posudek metodou POPV Prostý nosník vystavený spojitému zatížení Příklady k procvičení Katedra stavební mechaniky Fakulta stavební,
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceMěření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 4: FReET úvod
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 4: FReET úvod Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 4 FReET - úvod 2012 Spolehlivost konstrukcí, Drahomír
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
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
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
VíceSpeciální numerické metody 4. ročník bakalářského studia. Cvičení: Ing. Petr Lehner Přednášky: doc. Ing. Martin Krejsa, Ph.D.
Speciální numerické metody 4. ročník bakalářského studia Cvičení: Ing. Petr Lehner Přednášky: doc. Ing. Martin Krejsa, Ph.D. 1 Základní informace o cvičení Předmět: 228-0210/01 Speciální numerické metody
VíceČást 5.3 Spřažená ocelobetonová deska
Část 5.3 Spřažená ocelobetonová deska P. Schaumann, T. Trautmann University of Hannover J. Žižka České vysoké učení technické v Praze ZADÁNÍ Navrhněte průřez trapézového plechu spřažené ocelobetonové desky,
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
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.
VíceTéma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceKatedra geotechniky a podzemního stavitelství
Katedra geotechniky a podzemního stavitelství Modelování v geotechnice Stochastické modelování (prezentace pro výuku předmětu Modelování v geotechnice) doc. RNDr. Eva Hrubešová, Ph.D. Inovace studijního
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
VíceTéma 2 Simulační metody typu Monte Carlo
Spolehlivost a bezpečnost staveb, 4.ročník bakalářského studia Téma 2 Simulační metody typu Monte Carlo Princip simulačních metod typu Monte Carlo Metoda Simulation Based Reliability Assessment (SBRA)
Víceletní semestr Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy Matematická statistika vektory
Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy letní semestr 202 Založeno na materiálech doc. Michala Kulicha Náhodný vektor často potřebujeme
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
Více7 PARAMETRICKÁ TEPLOTNÍ KŘIVKA (řešený příklad)
7 PARAMETRICKÁ TEPLOTNÍ KŘIVKA (řešený příklad) Stanovte teplotu plynu při prostorovém požáru parametrickou teplotní křivkou v obytné místnosti o rozměrech 4 x 6 m a výšce 2,8 m s jedním oknem velikosti,4
VícePARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ
PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ Ing. David KUDLÁČEK, Katedra stavební mechaniky, Fakulta stavební, VŠB TUO, Ludvíka Podéště 1875, 708 33 Ostrava Poruba, tel.: 59
Více