Stavební fakulta Katedra mechaniky. Jaroslav Kruis, Petr Štemberk
|
|
- Milan Fišer
- před 4 lety
- Počet zobrazení:
Transkript
1 České vysoké učení technické v Praze Stavební fakulta Katedra mechaniky Fuzzy množiny, fuzzy čísla a jejich aplikace v inženýrství Jaroslav Kruis, Petr Štemberk
2 Obsah Nejistoty Teorie pravděpodobnosti a matematická statistika Teorie fuzzy množin Aplikace ve vybraných úlohách (kmitání soustavy s jedním stupněm volnosti, vlastní kmitání rámové konstrukce, vynucené kmitání rámové konstrukce, fuzzyfikace Chenova modelu plasticity, vedení tepla stěnou) Paralelizace
3 Nejistoty nejistota x náhodná veličina teorie fuzzy množin není konkurent teorie pravděpodobnosti obě teorie se mohou vhodně doplňovat
4
5 Nejistoty v mechanice geometrie (rozměry nosníků, tloušt ky desek, rozměry těles) materiálové parametry (moduly pružnosti, hustoty, meze plasticity, lomová energie) zatížení (velikosti sil, působiště sil, orientace sil, změny v čase)
6 Reálná data Objemové hmotnosti betonu z kontrolních měření na betonárce za jeden rok (kg/m 3 ). počet dat nejmenší hodnota 2142, ,59 průměrná hodnota 2285, ,63 největší hodnota 2547, ,00 směrodatná odchylka 48,19 45,03 median 2284, ,48 modus 2332, ,79
7
8
9
10
11
12
13 Test dobré shody - normální rozdělení i n Φ(x i ) n Φ(x i ) 1 5, , , , , , , , , , , , , , , < 5 43, , < 5 19, , < 5 6,645456
14 vypuštěný počet počet testová prvek vypuštěných neodpovídajících hodnota prvků intervalů χ 2 0 žádný , , , , , , , , , , ,507428
15 počet stupňů volnosti ν = = 7 (10 intervalů, 2 parametry v rozdělení), p 2 0,1 0,05 0,01 0,005 0,001 χ 2 p 2 12,2 14,07 18,48 20,28 24,32 počet testová kritická hladina vypuštěných hodnota hodnota významnosti prvků χ 2 0 < χ 2 p 2 5 7, ,2 0,1
16 Pevnosti betonu z kontrolních měření na betonárce za jeden rok (MPa). počet dat 470 nejmenší hodnota 32,13 průměrná hodnota 42,074 největší hodnota 55,16 směrodatná odchylka 3,6466 median 41,38 modus 42,49
17
18
19
20
21
22 Klasická teorie množin Množina je určena svými prvky. Prvek x náleží do množiny A se zapisuje x A. Množina je někdy definována pomocí vlastnosti prvků. Množina prvků x, které mají vlastnost V (x), se označuje {x; V (x)}. Pro každou množinu A lze definovat funkci µ A zvanou funkce příslušnosti takto: µ A (x) = 1 x A µ A (x) = 0 x A
23 Obor hodnot funkce příslušnosti µ A je množina {0, 1}. Klasická teorie množin je pro některé úlohy příliš těsná a neohrabaná. L.A. Zadeh: Outline of a New Approach to the Analysis of Complex Systems and Decision Processes. IEEE Trans. Syst. Man. Cybern., 1, Princip inkompatibility: Roste-li složitost systému, klesá naše schopnost formulovat přesné a významné soudy o jeho chování, až je dosaženo hranice, za níž jsou přesnost a relevantnost prakticky vzájemně se vylučující charakteristiky.
24 Teorie fuzzy množin Uvedení teorie fuzzy množin: L.A. Zadeh: Fuzzy Sets. Information and Control, 8, p , Definice fuzzy množiny: Necht U je univerzum a L je podmnožina reálných čísel (prakticky vždy je to interval 0; 1 ). Fuzzy množina A v univerzu U je zobrazení A : U L. V. Novák: Fuzzy množiny a jejich aplikace. Matematický seminář SNTL 23, SNTL, Praha, 1990.
25 Definice fuzzy množiny: Necht U je univerzum a L je podmnožina reálných čísel (prakticky vždy je to interval 0, 1 ). Podmnožina A v univerzu U společně se zobrazením µ A : U L se nazývá fuzzy množina A. Zobrazení µ A se nazývá funkce příslušnosti. µ A (x) = 0 prvek x do množiny A nepatří µ A (x) = 1 prvek x do množiny A patří µ A (x) = 0, 3 prvek x do množiny A patří částečně
26 Nosič fuzzy množiny A je klasická množina supp A = {x; µ A (x) > 0}. 1
27 Jádro fuzzy množiny A je klasická množina ker A = {x; µ A (x) = 1}. 1
28 Fuzzy množina se nazývá normální právě tehdy, když ker A. Jinak se nazývá subnormální. 1
29 Výška fuzzy množiny A je hgta = max x U µ A(x) Je-li kera, je hgta = 1.
30 α-řez fuzzy množiny A, kde α L, je klasická množina A α = {x; µ A (x) α}. 1 α =0,4
31 Jestliže pro α 1, α 2 L platí α 1 α 2, pak platí A α2 A α1 1 α =0,8 α =0,4
32 α-hladina fuzzy množiny A, kde α L, je klasická množina A α = {x; µ A (x) = α}. 1 α =0.4
33 Operace s fuzzy množinami Sjednocení fuzzy množin A a B je množina C = A B s funkcí příslušnosti µ C (x) = max x U {µ A(x); µ B (x)}. Průnik fuzzy množin A a B je množina C = A B s funkcí příslušnosti µ C (x) = min x U {µ A(x); µ B (x)}. Doplněk fuzzy množiny A je množina Ā = U A s funkcí příslušnosti µ Ā (x) = 1 µ A (x).
34 Necht U je lineární prostor. Fuzzy množina A U se nazývá konvexní právě tehdy, když všechny její α-řezy jsou konvexní množiny, tj. pro každé prvky x, y A a číslo 0 λ 1 platí λx + (1 λ)y A. Věta. Fuzzy množina A U je konvexní, právě když pro každé dva prvky x, y U a každé 0 λ 1 platí µ A (λx + (1 λ)y) min{µ A (x); µ A (y)}
35 Princip rozšíření Umožňuje převést kteroukoliv operaci v klasických množinách na operaci ve fuzzy množinách. Princip rozšíření. Necht U a V jsou univerza, f : U V funkce a A U je fuzzy množina v univerzu U. Fuzzy množina A indukuje fuzzy množinu f(a) V s funkcí příslušnosti µ f(a) (y) = pro všechna y V. { max µ A (x) x f 1 (y) 0, pokud : f 1 (y) =
36 Fuzzy čísla Fuzzy číslo je normální konvexní fuzzy množina, jejíž funkce příslušnosti µ je spojitá a existují body a l a l a r a r takové, že platí x (, a l ) (a r, ) : µ(x) = 0 x (a l, a r) : µ(x) = 1 v intervalu (a l, a l ) je µ(x) rostoucí, v intervalu (a r, a r ) je µ(x) klesající.
37 Intervalová aritmetika součet rozdíl A = [a l ; a c ; a r ] B = [b l ; b c ; b r ] A + B = [a l + b l ; a c + b c ; a r + b r ] A B = [a l b r ; a c b c ; a r b l ]
38 součin podíl c l = min{a l b l, a l b r, a r b l, a r b r } c r = max{a l b l, a l b r, a r b l, a r b r } A.B = C = [c l ; a c b c ; c r ] c l = min{a l /b l, a l /b r, a r /b l, a r /b r } c r = max{a l /b l, a l /b r, a r /b l, a r /b r } A/B = C = [c l ; a c /b c ; c r ]
39 α-řezy A = [2α 1; α + 2] B = [α + 3; 3α + 7]
40 Součet A + B A = [2α 1; α + 2] B = [α + 3; 3α + 7] A + B = [3α + 2; 4α + 9]
41
42 Rozdíl A B A = [2α 1; α + 2] B = [α + 3; 3α + 7] A B = [5α 8; 2α 1]
43
44 Součin A.B A = [2α 1; α + 2] B = [α + 3; 3α + 7] (2α 1)(α + 3) = 2α 2 + 5α 3 (2α 1)( 3α + 7) = 6α α 7 ( α + 2)(α + 3) = α 2 α + 6 ( α + 2)( 3α + 7) = 3α 2 13α + 14
45
46 Podíl A/B A = [2α 1; α + 2] B = [α + 3; 3α + 7] 2α 1 α + 3 2α 1 3α + 7 α + 2 α + 3 α + 2 3α + 7
47
48
49 Kmitání s vlivem nejistot Pro jednoduchost bude uvažováno netlumené kmitání jednoho stupně volnosti (hmota připevněná k pružině). pohybová rovnice m d2 w(t) dt 2 + kw(t) = 0 m > 0 je hmotnost a k > 0 je tuhost pružiny vlastní kruhová frekvence ω 0 = k m
50 pohybová rovnice řešení d 2 w(t) dt 2 + ω 2 0w(t) = 0 w(t) = w A sin(ω o t + φ) w A je amplituda výchylky, φ je fázový posun počáteční podmínky w(0) = d, dw(0) dt = v d je počáteční výchylka, v je počáteční rychlost
51 případ 1. hmotnost, tuhost a počáteční rychlost jsou ostrá čísla, počáteční výchylka je fuzzy číslo m > 0, k > 0, v = 0, d f = [d, d + ] řešení pohybové rovnice má tvar w(t) = d f sin(ω 0 t + π 2 )
52 příklad m = 20 k = d = 0.02 d + = 0.04 v = 0 φ = π 2
53
54
55 případ 2. hmotnost, tuhost a počáteční výchylka jsou ostrá čísla, počáteční rychlost je fuzzy číslo m > 0, k > 0, d = 0, v f = [v, v + ] řešení pohybové rovnice má tvar w(t) = v f ω 0 sin ω 0 t
56 případ 3. hmotnost, počáteční výchylka a počáteční rychlost jsou ostrá čísla, tuhost je fuzzy číslo m > 0, d 0, v = 0, k f = [k, k + ] vlastní kruhová frekvence je také fuzzy číslo ω 0f = k f /m ω 0 = k /m, ω + 0 = k + /m řešení pohybové rovnice má tvar w(t) = d sin(ω 0f t + π 2 )
57 d sin(ω 0 (t f + T ) + π 2 ) = d sin(ω+ 0 t f + π 2 ) 2π = (ω + 0 ω 0 )t f t f = 2π ω + 0 ω 0
58 příklad m = 20 k = k + = d = 0.02 v = 0 φ = π 2 t f =
59
60
61
62 Vlastní kmitání rovinné rámové konstrukce Zadání rovinné rámové konstrukce výška šířka sloupy trámy 16 m 10 m 0,5 x 0,5 m 0,5 x 0,5 m modul pružnosti 30 GPa ± 10% hustota materiálu 2500 kg/m 3 ± 10%
63 rovnice vlastního kmitání (K ω 2 0M)v = 0 K M ω 0 v matice tuhosti matice hmotnosti vlastní kruhová frekvence vlastní tvar (vektor) kmitání řešení metodou iterace podprostoru s Gramovou-Schmidtovou ortonormalizací
64 Funkce plochy odezvy (response surface function) X Ỹ X Y prostor vstupních dat prostor výstupních dat m-dimenzionální prostor vstupních dat n-dimenzionální prostor výstupních dat odezva systému (konstrukce) ỹ = F( x) y = F (x)
65 y [l] k = F k (x [l] ) f (k) = a (k) + i=m i=1 b (k) i x i + i=m i=1 j=m j=1 c (k) ij x ix j l=s F (k) (a (k), b (k) i, c (k) ij ) = (f (k) (x [l] ) y [l] k )2 l=1
66
67
68
69
70
71
72
73
74 Kmitání rovinné rámové konstrukce způsobené zemětřesením pohybová rovnice M d + Cḋ + Kd = f rozklad do vlastních tvarů d = V u pohybová rovnice v případě zatížení seismicitou V T MV ü + V T CV u + V T KV u = V T Ms d g
75 soustava nezávislých rovnic Iü + D u + Ω 2 0u = h ü i + D i u i + ω 2 0,iu i = h i y i = S(ω 0,i) ω 2 0,i
76
77 posuny d = i=n i=1 ( v T i Msy i ) vi síly a momenty f = (K ω 2 0M)d
78
79
80
81
82 Fuzzifikace Chenova modelu plasticity
83
84
85
86
87 Vedení tepla stěnou rovnice nestacionárního vedení tepla k 2 T x + z = ρc T 2 t
88
89
90
91
92
93 Paralelizace metoda α-řezů vede na velký počet výpočtů (v problému kmitání rovinné rámové konstrukce se jednalo o = 6561 a = výpočtů) jednotlivé výpočty jsou nezávislé snadná paralelizace
94 jednoprocesorový výpočet 333 s paralelní výpočet na 6 procesorech 58 s 55,5 s paralelní výpočet na 21 procesorech 18 s 15,8 s
Definice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceI. část - úvod. Iva Petríková
Kmitání mechanických soustav I. část - úvod Iva Petríková Katedra mechaniky, pružnosti a pevnosti Osah Úvod, základní pojmy Počet stupňů volnosti Příklady kmitavého pohyu Periodický pohy Harmonický pohy,
VíceIII. MKP vlastní kmitání
Jiří Máca - katedra mechaniky - B325 - tel. 2 2435 4500 maca@fsv.cvut.cz III. MKP vlastní kmitání 1. Rovnice vlastního kmitání 2. Rayleighova Ritzova metoda 3. Jacobiho metoda 4. Metoda inverzních iterací
VíceFuzzy množiny, Fuzzy inference system. Libor Žák
Fuzzy množiny, Fuzzy inference system Proč právě fuzzy množiny V řadě případů jsou parametry, které vstupují a ovlivňují vlastnosti procesu, popsané pomocí přibližných nebo zjednodušených pojmů. Tedy
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VícePROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
VíceTéma: Dynamiky - Základní vztahy kmitání
Počítačová podpora statických výpočtů Téma: Dynamiky - Základní vztahy kmitání 1) Vlastnosti materiálů při dynamickém namáháni ) Základní vztahy teorie kmitání s jedním stupněm volnosti Katedra konstrukcí
VíceArnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
VíceKMS cvičení 6. Ondřej Marek
KMS cvičení 6 Ondřej Marek NETLUMENÝ ODDAJNÝ SYSTÉM S DOF analytické řešení k k Systém se stupni volnosti popisují pohybové rovnice: x m m x m x + k + k x k x = m x k x + k x = k x m x k x x m k x x m
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceTéma 13, Úvod do dynamiky stavebních konstrukcí dynamiky
Statika staveních konstrukcí II., 3.ročník akalářského studia Téma 3, Úvod do dynamiky staveních konstrukcí dynamiky Úvod Vlastní kmitání Vynucené kmitání Tlumené kmitání Podmínky dynamické rovnováhy konstrukcí
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
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
VíceTéma: Dynamika - Úvod do stavební dynamiky
Počítačová podpora statických výpočtů Téma: Dynamika - Úvod do stavební dynamiky 1) Úlohy stavební dynamiky 2) Základní pojmy z fyziky 3) Základní zákony mechaniky 4) Základní dynamická zatížení Katedra
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceKMITÁNÍ PRUŽINY. Pomůcky: Postup: Jaroslav Reichl, LabQuest, sonda siloměr, těleso kmitající na pružině
KMITÁNÍ PRUŽINY Pomůcky: LabQuest, sonda siloměr, těleso kmitající na pružině Postup: Těleso zavěsíme na pružinu a tu zavěsíme na pevně upevněný siloměr (viz obr. ). Sondu připojíme k LabQuestu a nastavíme
VíceTematický plán Obor: Informační technologie. Vyučující: Ing. Joanna Paździorová
Tematický plán Vyučující: Ing. Joanna Paździorová 1. r o č n í k 5 h o d i n t ý d n ě, c e l k e m 1 7 0 h o d i n Téma- Tematický celek Z á ř í 1. Opakování a prohloubení učiva základní školy 18 1.1.
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
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
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
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
VíceDefinice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1)
14.3 Kolmost podprostorů 14.3.1 Ortogonální doplněk vektorového prostou Ve vektorovém prostoru dimenze 3 je ortogonálním doplňkem roviny (přesněji vektorového prostoru dimenze ) přímka na ní kolmá (vektorový
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceDiferenˇcní rovnice Diferenciální rovnice Matematika IV Matematika IV Program
Program Diferenční rovnice Program Diferenční rovnice Diferenciální rovnice Program Frisch a Samuelson: Systém je dynamický, jestliže jeho chování v čase je určeno funkcionální rovnicí, jejíž neznámé závisí
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceProgram SMP pro kombinované studium
Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
VíceMatematika pro informatiky
(FIT ČVUT v Praze) Konvexní analýza 13.týden 1 / 1 Matematika pro informatiky Jaroslav Milota Fakulta informačních technologíı České vysoké učení technické v Praze Letní semestr 2010/11 Extrémy funkce
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Vícematiceteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
Více1. Řešená konstrukce Statické řešení Výpočet průhybové čáry Dynamika Vlastní netlumené kmitání...
. Řešená konstrukce.... Statické řešení.... Výpočet průhybové čáry... 5. Dynamika.... Vlastní netlumené kmitání..... Jacobiho metoda rovinné rotace... 4.. Popis algoritmu... 4. Vynucené kmitání... 5 4.
Vícex 2 = a 2 + tv 2 tedy (a 1, a 2 ) T + [(v 1, v 2 )] T A + V Příklad. U = R n neprázdná množina řešení soustavy Ax = b.
1. Afinní podprostory 1.1. Motivace. Uvažujme R 3. Jeho všechny vektorové podprostory jsou počátek, přímky a roviny procházející počátkem a celé R 3. Chceme-li v R 3 dělat geometrii potřebujeme i jiné
VíceNávod k použití programu pro výpočet dynamické odezvy spojitého nosníku
Návod k použití programu pro výpočet dynamické odezvy spojitého nosníku Obsah. Úvod.... Popis řešené problematiky..... Konstrukce... 3. Výpočet... 3.. Prohlížení výsledků... 4 4. Dodatky... 6 4.. Newmarkova
Více2 ab. ), (ii) (1, 2, 3), (iii) ( 3α+8,α+12,6α 16
Řešení úloh... Hroch dostane 80 mg prvního a 80 mg druhého přípravku.. V hospodě je 0 čtyřmístných šestimístných a osmimístné stoly.. i) pro ab právě jedno řešení: x = 5b ab y = a+5 ab pro a = 5 ab = nekonečně
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
Více8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) e, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá normované
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
VícePrincip rozšíření a operace s fuzzy čísly
Center for Machine Perception presents Princip rozšíření a operace s fuzzy čísly Mirko Navara Center for Machine Perception Faculty of Electrical Engineering Czech Technical University Praha, Czech Republic
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
VíceALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
VíceZadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014
Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
VíceMATURITNÍ TÉMATA Z MATEMATIKY
MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VícePožadavky k opravným zkouškám z matematiky školní rok 2013-2014
Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,
VíceMgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014. 1. Obor reálných čísel
Mgr. Ladislav Zemánek Maturitní okruhy Matematika 2013-2014 1. Obor reálných čísel - obor přirozených, celých, racionálních a reálných čísel - vlastnosti operací (sčítání, odčítání, násobení, dělení) -
VíceStatistika. Teorie odhadu statistická indukce. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Teorie odhadu statistická indukce Intervalový odhad µ, σ 2 a π Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika
VíceMartin NESLÁDEK. 14. listopadu 2017
Martin NESLÁDEK Faculty of mechanical engineering, CTU in Prague 14. listopadu 2017 1 / 22 Poznámky k úlohám řešeným MKP Na přesnost simulace pomocí MKP a prostorové rozlišení výsledků má vliv především:
VíceDefinice globální minimum (absolutní minimum) v bodě A D f, jestliže X D f
Výklad Globální extrémy mají stejný význam jako u funkcí jedné proměnné. Hledáme je bud na celém definičním oboru dané funkce, nebo na předem zadané podmnožině definičního oboru. Definice 6..1. Řekneme,
VíceNelineární optimalizace a numerické metody (MI NON)
Nelineární optimalizace a numerické metody (MI NON) Magisterský program: Informatika Obor: Teoretická informatika Katedra: 18101 Katedra teoretické informatiky Jaroslav Kruis Evropský sociální fond Praha
VíceKapitola 8: Dvojný integrál 1/26
Kapitola 8: vojný integrál 1/26 vojný integrál - osnova kapitoly 2/26 dvojný integrál přes obdélník definice výpočet (Fubiniova věta pro obdélník) dvojný integrál přes standardní množinu definice výpočet
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceEUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,
Více7. Lineární vektorové prostory
7. Lineární vektorové prostory Tomáš Salač MÚ UK, MFF UK LS 2017/18 Tomáš Salač ( MÚ UK, MFF UK ) 7. Lineární vektorové prostory LS 2017/18 1 / 62 7.1 Definice a příklady Definice 7.1 Množina G s binární
VícePrimitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program
Program Primitivní funkce a Riemannův integrál Program Primitivní funkce a Riemannův integrál Lineární algebra Program Primitivní funkce a Riemannův integrál Lineární algebra Taylorův polynom Program Primitivní
VíceRovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w
Rovinná úloha v MKP Hledané deformační veličiny viz klasická teorie pružnosti (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v desky: w, ϕ x, ϕ y prostorové úlohy: u,
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceNecht na hmotný bod působí pouze pružinová síla F 1 = ky, k > 0. Podle druhého Newtonova zákona je pohyb bodu popsán diferenciální rovnicí
Počáteční problémy pro ODR2 1 Lineární oscilátor. Počáteční problémy pro ODR2 Uvažujme hmotný bod o hmotnosti m, na který působí síly F 1, F 2, F 3. Síla F 1 je přitom úměrná výchylce y z rovnovážné polohy
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
VíceFAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009
FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009 OBOR: POZEMNÍ STAVBY (S) A. MATEMATIKA TEST. Hladina významnosti testu α při testování nulové hypotézy
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VícePRUŽNOST A PEVNOST II
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STAVEBNÍ PRUŽNOST A PEVNOST II Navazující magisterské studium, 1. ročník Alois Materna (přednášky) Jiří Brožovský (cvičení) Kancelář: LP C 303/1
VíceTENSOR NAPĚTÍ A DEFORMACE. Obrázek 1: Volba souřadnicového systému
TENSOR NAPĚTÍ A DEFORMACE Obrázek 1: Volba souřadnicového systému Pole posunutí, deformace, napětí v materiálovém bodě {u} = { u v w } T (1) Obecně 9 složek pole napětí lze uspořádat do matice [3x3] -
VíceUčební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Diferenciální rovnice študenti MFF 15. augusta 2008 1 7 Diferenciální rovnice Požadavky Soustavy lineárních diferenciálních rovnic prvního řádu lineární
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
VíceVlastní čísla a vlastní vektory
5 Vlastní čísla a vlastní vektor Poznámka: Je-li A : V V lineární zobrazení z prostoru V do prostoru V někd se takové zobrazení nazývá lineárním operátorem, pak je přirozeným požadavkem najít takovou bázi
Více2. přednáška - PRAVDĚPODOBNOST
2. přednáška - PRAVDĚPODOBNOST NÁHODNÝ POKUS A JEV Každá opakovatelná činnost prováděná za stejných nebo přibližně stejných podmínek, jejíž výsledek je nejistý a závisí na náhodě, se nazývá náhodný pokus.
VíceÚnosnost kompozitních konstrukcí
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta strojní Ústav letadlové techniky Únosnost kompozitních konstrukcí Optimalizační výpočet kompozitních táhel konstantního průřezu Technická zpráva Pořadové číslo:
VíceVĚTY Z LINEÁRNÍ ALGEBRY
VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru
Více8. Normální rozdělení
8. Normální rozdělení 8.. Definice: Normální (Gaussovo) rozdělení N(µ, 2 ) s parametry µ a > 0 je rozdělení určené hustotou ( ) f(x) = (x µ) 2 e 2 2, x (, ). Rozdělení N(0; ) s parametry µ = 0 a = se nazývá
VíceTestování statistických hypotéz
Testování statistických hypotéz 1 Testování statistických hypotéz 1 Statistická hypotéza a její test V praxi jsme nuceni rozhodnout, zda nějaké tvrzeni o parametrech náhodných veličin nebo o veličině samotné
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
VíceKapitola 12: Soustavy diferenciálních rovnic 1. řádu
Kapitola 12: Soustavy diferenciálních rovnic 1. řádu Základní pojmy Definice: Rovnice tvaru = f(t, x, y) = g(t, x, y), t I nazýváme soustavou dvou diferenciálních rovnic 1. řádu. Řešením soustavy rozumíme
VíceŘešení. Označme po řadě F (z) Odtud plyne, že
Úloha Nechť ~ R(, ) a Y = Jinak řečeno, Y je odmocnina čísla vybraného zcela náhodně z intervalu (, ) Popište rozdělení veličiny Y a určete jeho modus, medián, střední hodnotu a rozptyl Řešení Označme
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.025 0.02 0.015 0.01 0.005 Nominální napětí v pásnici Std Mean 140 160 180 200 220 240 260 Std Téma 2: Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Pravděpodobnostní posuzování
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VícePoznámky k předmětu Aplikovaná statistika, 5.téma
Poznámky k předmětu Aplikovaná statistika, 5.téma 5. Některá významná rozdělení A. Diskrétní rozdělení (i) Diskrétní rovnoměrné rozdělení na množině {,..., n} Náhodná veličina X, která má diskrétní rovnoměrné
VíceÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík
Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
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
Více3.2. ANALYTICKÁ GEOMETRIE ROVINY
3.2. ANALYTICKÁ GEOMETRIE ROVINY V této kapitole se dozvíte: jak popsat rovinu v třídimenzionálním prostoru; jak analyzovat vzájemnou polohu bodu a roviny včetně jejich vzdálenosti; jak analyzovat vzájemnou
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceTéma 2: Pravděpodobnostní vyjádření náhodných veličin
0.05 0.0 0.05 0.0 0.005 Nominální napětí v pásnici Std Mean 40 60 80 00 0 40 60 Std Téma : Pravděpodobnostní vyjádření náhodných veličin Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník
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
VíceEukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,
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
VíceMatematika I 12a Euklidovská geometrie
Matematika I 12a Euklidovská geometrie Jan Slovák Masarykova univerzita Fakulta informatiky 3. 12. 2012 Obsah přednášky 1 Euklidovské prostory 2 Odchylky podprostorů 3 Standardní úlohy 4 Objemy Plán přednášky
VíceAlgoritmus pro hledání vlastních čísel kvaternionových matic
Úvod Algoritmus pro hledání vlastních čísel kvaternionových matic Bc. Martin Veselý Fakulta jaderná a fyzikálně inženýrská Katedra softwarového inženýrství v ekonomii Skupina aplikované matematiky a stochastiky
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
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
Více