Stanovení nejistot při výpočtu kontaminace zasaženého území

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Stanovení nejistot při výpočtu kontaminace zasaženého území"

Transkript

1 Stanovení nejistot při výpočtu kontaminace zasaženého území Michal Balatka Abstrakt Hodnocení ekologického rizika kontaminovaných území představuje komplexní úlohu, která vyžaduje celou řadu vstupních dat. Mezi ně patří údaje o koncentračním poli, které popisují časoprostorový vývoj koncentrací škodlivin v jednotlivých složkách životního prostředí. Jednou z možností získání těchto údajů jsou výpočty prováděné pomocí simulačních modelů transportu látek v přírodním prostředí. Modely vyžadují velké množství často obtížně měřitelných vstupních parametrů, které jsou zatíženy určitou mírou nejistoty. Proto je třeba provádět postupně několik variantních výpočtů s různými skupinami hodnot vstupních parametrů. Výslednou hodnotu koncentrace látky např. v podzemní vodě v daném místě a čase je proto vhodnější vyjádřit jako spojitou náhodnou veličinou s příslušným typem rozdělení pravděpodobnosti. Jednu z možností, jak zjistit parametry tohoto rozdělení, nabízí vyvinutý algoritmus, který je založen na simulační metodě Monte-Carlo. Popis s příkladem nasazení tohoto algoritmu představuje náplň tohoto příspěvku. Úvod Dlouhodobý (chronický) únik nebezpečných látek do životního prostředí, může představovat riziko pro zdraví člověka i ekosystémů. Zdroje těchto úniků nejčastěji představují například pozůstatky po důlní činnosti, skládky všech možných typů, průmyslové areály, bývalé vojenské prostory, atd. Jedny z důležitých podkladů k hodnocení rizika představují údaje o rozmístění koncentrací škodlivin v jednotlivých složkách životního prostředí, které se v zasaženém území vyskytují. Soubor takových dat pro celou plochu označujeme jako koncentrační pole. Na rozdíl od rizik akutních spojených většinou s průmyslovými či dopravními haváriemi nebo živelnými pohromami, se následky neprojevují okamžitě, ale dlouhodobě v řádu let i několika desetiletí. Protože se

2 za tuto dobu kontaminace pohybuje, je vhodné znát také časový vývoj koncentračního pole. Klíčové médium, v kterém se dlouhodobě unikající látky často pohybují představuje podzemní voda. Pro predikci vývoje koncentrací nebezpečných látek v podzemní vodě dnes existuje celá řada počítačových modelů, založených nejčastěji na numerických metodách konečných diferencí nebo konečných prvků. Představme si 3D model horninového prostředí založený na metodě konečných prvků, který je určen pro výpočet vývoje pohybu kontaminace v podzemní vodě. Takový model je složen z poměrně podrobných údajů tří základních skupin dat. První skupinu tvoří údaje o hydraulických vlastnostech hornin, druhou počáteční a okrajové podmínky proudění podzemní vody a třetí skupinu tvoří okrajové a počáteční podmínky pro transport látek v podzemní vodě. Všechny tyto typy parametrů se získávají velmi obtížně. Provádějí se pomocí metod jako jsou laboratorní měření na vzorcích získaných z průzkumných vrtů, fyzikální měření přímo v terénu, ze znalostí o stavbě geologického podloží celého regionu. Získávání těchto dat je technicky velmi obtížné a finančně velmi nákladné. Typický problém představuje i vysoká variabilita horninového prostředí, která velmi často roste směrem k zemskému povrchu. Například propustnost horniny naměřená v jednom místě, se tak může o několik metrů dále lišit o jeden řád i více. Převážná většina parametrů modelu horninového prostředí se získává pomocí nejrůznějších sofistikovaných odhadů. Výsledky výpočtů těchto modelů jsou potom vždy zatíženy většími či menšími nejistotami. Zpracování nejistot Výsledek výpočtu představuje koncentrační pole, které poskytuje údaje o koncentracích sledovaných látek v daných místech a časech. Nejistoty těchto koncentrací se zpravidla omezují analýzou citlivosti, pomocí které se zjistí ty vstupní parametry modelu, na jejichž změny koncentrační pole v zájmových místech i časech reaguje velmi citlivě. Těmto parametrům je potom při určování jejich hodnot věnována zvýšená pozornost. Parametry modelu horninového prostředí, který je určen k výpočtu transportu látek ve vodě, lze také přímo vyjádřit stochasticky pomocí náhodných veličin s předepsaným rozdělením pravděpodobnosti.

3 Hustotou pravděpodobnosti zde můžeme rozumět vyjádření míry věrohodnosti pro jednotlivé hodnoty takto vyjádřeného konkrétního parametru. Výsledné koncentrace jsou v tomto případě opět vyjádřeny jako náhodné veličiny s danými rozděleními pravděpodobností. Parametry těchto rozdělení se v praxi určují numericky pomocí simulace Monte-Carlo. Stochasticky vyjádřené parametry představují n-tici, pro kterou se provede veliké množství náhodných výběrů. Pro každou tuto n-tici se provede výpočet koncentračního pole. Pro každé místo a čas tak získáme velké množství náhodně vybraných hodnot koncentrací, z kterých lze vypočítat přibližné parametry jejich rozdělení s dostatečnou přesností. Tato metoda je velmi intuitivní a dostatečně obecná. Má však dvě podstatná omezení. První omezení spočívá ve skutečnosti, že hodnoty v rámci jedné n-tice vstupních parametrů jsou vybírány nezávisle na sobě. Pokud se například provede náhodný výběr celkové pórovitosti horninového prostředí 31%, musí se výběr aktivní pórovitosti (pórový prostor se dělí na aktivní a neaktivní póry) již řídit hodnotou 31%, tak aby ji nepřekročil. Druhé omezení spočívá v nárocích na výpočetní techniku. Každá vybraná n-tice vstupních parametrů modelu představuje samostatný výpočet koncentračního pole. U menších modelů tyto výpočty mohou trvat několik minut, u větších až několik hodin nebo dokonce dnů. Dostatečně velké množství vybraných n-tic se přitom řádově musí pohybovat minimálně v tisících. Jako příklad využití této metody může sloužit článek v literatuře [1]. Nejistoty pomocí variant modelů jako celků V následujícím přístupu hodnocení nejistot se navrhne několik variant modelu horninového prostředí (hodnoty parametrů horninového prostředí, počáteční a okrajové podmínky podzemního proudění a transportu). Každá z těchto variant představuje samostatný model, jehož parametry jsou dány a nijak se již dále z hlediska analýzy nejistot neupravují. Každé variantě je dále nutno přiřadit bodové hodnocení podle toho, jak moc se jeví věrohodná. Čím je přitom hodnota sledované varianty oproti hodnocení ostatních variant větší, tím větší je i její věrohodnost.

4 K dispozici jsou tedy varianty modelu horninového prostředí s hodnotami vyjadřujícími jejich věrohodnost. Ohodnocené varianty představují výchozí vstupy do algoritmu, jehož výsledkem by opět měly být parametry spojitých rozdělení náhodných veličin pro koncentrace v daných místech a časech. Algoritmus popisuje blokové schéma na obrázku č. 1. Obr. 1: Blokové schéma algoritmu pro výpočet nejistot koncentrace Prvním krokem při výpočtu nejistot je stanovení pravděpodobností výskytu pro jednotlivé varianty, které v tomto smyslu představují úplný prostor disjunktních jevů. Tyto pravděpodobnosti se získají z bodového hodnocení variant jako: pravděpodobnost varianty = body varianty / suma bodů všech variant. Tímto krokem vznikne diskrétní rozdělení, z kterého se mohou provádět simulované náhodné výběry. V daných místech a časech nám tak vycházejí koncentrace v závislosti na vybrané variantě. Nejedná se samozřejmě o koncentrace libovolné. Stále se zde opakují izolované hodnoty, z nichž každá odpovídá jedné z vybíraných variant modelu podzemí. Tím by byly nejistoty koncentrací ve sledovaných místech popsány pomocí diskrétních náhodných veličin, což není zcela korektní přístup, protože koncentrace je veličina spojitá. Této skutečnosti lze dosáhnou v dalším kroku. V dosud popsaných krocích byl tedy simulován náhodný výběr jedné z variant modelu podzemí a byla tak získána hodnota koncentrace nebezpečné látky pro sledované místo. I v rámci jedné varianty však existuje celá řada nejistot, které by bylo možno vyjádřit dalšími sub-variantami. To by však bylo velmi náročné a ne-

5 praktické. Tyto sub-varianty lze však pro sledovaná místa nahradit například logaritmicko-normálním rozdělením koncentra-ce. Hodnota koncentrace vypočtená pro danou variantu pak představuje modus (nejvíce předpokládanou hodnotu). Druhý parametr rozdělení představuje rozptyl určený z rozptylu rozdělení variant. Logaritmicko-normální rozdělení je vhodné zejména proto, že náhodná veličina může stejně jako u koncentrace nabývat kladných hodnot. V případě nuly se předpokládá, že teoreticky nikdy koncentrace škodlivé látky nedosáhne na zasaženém území nulové hodnoty. Z tohoto rozdělení pro určené místo a čas se opět simuluje výběr náhodné koncentrace. Výše uvedené kroky je třeba zopakovat v dostatečně velkém počtu. Z výsledných náhodných koncentrací se potom opět provede odhad parametrů rozdělení. Pro účely hodnocení rizik se jedná hlavně o kvantity, které popisují, s jakou pravděpodobností nastane překročení stanovených limitů. Na rozdíl od metody výpočtu nejistot uvedené v předchozí kapitole, zde odpadá velké množství výpočtů na modelech. Pro každou variantu, kterých v praxi může být několik jednotek maximálně desítek, se provede pouze jeden výpočet. Při opakovaném výběru dané varianty modelu je již příslušné koncentrační pole k dispozici. Protože jednotlivé varianty modelu představují z hlediska algoritmu uzavřenou skupinu parametrů, do kterých se nezasahuje, nejsou hodnoty parametrů vybírány nezávisle na sobě. Každá varianta se při simulaci vybírá jako jeden celek. Obrázek č. 2: Ukázka výpočtu nejistot koncentrace v určitém místě

6 Graf na obrázku č. 2 demonstruje výpočet nejistoty koncentrace v konkrétním místě. Obrázek 2 a) popisuje bodové hodnocení věrohodnosti šesti variant, kterým v tomto místě vycházejí příslušné koncentrace. Na obrázku 2 b) je histogram sestavený z dostatečně velkého množství výpočtů podle výše popsaného algoritmu. Z těchto hodnot se potom určí parametry rozdělení výsledné koncentrace, které jsou uvedeny v tabulce: Parametr Hodnota Pravděpodobnost překročení limitu 30 mg/l 73% Medián 44 mg/l 95% kvantil 120 mg/l Závěr Tento článek popisuje principy výpočtu nejistot, které budou implementovány ve vyvíjeném softwarovém prostředku určeném k hodnocení ekologických rizik v lokalitách postižených dlouhodobými úniky nebezpečných látek. Způsob výpočtu nejistot založený na ohodnocených variantách modelu horninového prostředí byl navržen s ohledem na poznatky z oblasti tvorby těchto modelů. Konečná podoba algoritmu není ještě zcela uzavřená. K možným změnám by mohlo v blízké budoucnosti dojít při řešení větších praktických úloh. Literatura [1] Balatka M.: Nalezení efektivního způsobu čištění vrstev s nízkou propustností, Konference Sanační technologie IX, Vodní zdroje EKOMONITOR s.r.o., Luhačovice 2006, ISBN Adresa autora: Ing. Michal Balatka, Fakulta mechatroniky a mezioborových inženýrských studií, Technická univerzita v Liberci, Hálkova 6, Liberec Tato práce byla vytvořena v rámci projektu MŠMT 1M CQR

7. Rozdělení pravděpodobnosti ve statistice

7. Rozdělení pravděpodobnosti ve statistice 7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Jiří 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

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

Sypaná hráz výpočet ustáleného proudění

Sypaná hráz výpočet ustáleného proudění Inženýrský manuál č. 32 Aktualizace: 3/2016 Sypaná hráz výpočet ustáleného proudění Program: MKP Proudění Soubor: Demo_manual_32.gmk Úvod Tento příklad ilustruje použití modulu GEO5 MKP Proudění při analýze

Více

Modelování proudění podzemní vody a transportu amoniaku v oblasti popelových skládek závodu Chemopetrol Litvínov a.s.

Modelování proudění podzemní vody a transportu amoniaku v oblasti popelových skládek závodu Chemopetrol Litvínov a.s. Modelování proudění podzemní vody a transportu amoniaku v oblasti popelových skládek závodu Chemopetrol Litvínov a.s. 5. a 6. prosince, Litomyšl PROGEO s.r.o. : Ing. Jan Uhlík, Ph.D. Témata prezentace:

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe

Více

Modelování proudění metanu

Modelování proudění metanu Modelování proudění metanu GOTTFRIED, Jan 1 1 Ing., Institut ekonomiky a systémů řízení, VŠB-Technická univerzita Ostrava, Třída 17.listopadu 708 33 Ostrava Poruba, jgottfried@iol.cz, http://www.vsb.cz/~vg98015

Více

Stanovení migračních parametrů jako podklad pro využití nanoželeza při sanaci podzemních vod Ivan Landa, Pavel Šimek, Markéta Sequensová,, Adam Borýsek Úvod do MZ nezbytné údaje o podmínkách šíření znečištění

Více

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)* Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ

PARAMETRICKÁ 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

Návrh a vyhodnocení experimentu

Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

Téma 4: Stratifikované a pokročilé simulační metody

Téma 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:

Více

MODELOVÁNÍ MIGRAČNÍCH SCHOPNOSTÍ ŽELEZNÝCH NANOČÁSTIC A OVĚŘENÍ MODELU PŘI PILOTNÍ APLIKACI

MODELOVÁNÍ MIGRAČNÍCH SCHOPNOSTÍ ŽELEZNÝCH NANOČÁSTIC A OVĚŘENÍ MODELU PŘI PILOTNÍ APLIKACI Technická univerzita v Liberci MODELOVÁNÍ MIGRAČNÍCH SCHOPNOSTÍ ŽELEZNÝCH NANOČÁSTIC A OVĚŘENÍ MODELU PŘI PILOTNÍ APLIKACI J. Nosek, M. Černík, P. Kvapil Cíle Návrh a verifikace modelu migrace nanofe jednoduše

Více

PROSTŘEDKY AUTOMATICKÉHO ŘÍZENÍ

PROSTŘEDKY AUTOMATICKÉHO ŘÍZENÍ NS / PROSTŘEDKY AUTOMATICKÉHO ŘÍZENÍ Úloha č. - Dvoupolohová regulace teploty Vypracoval: Ha Minh.. Spolupracoval: Josef Dovrtěl I. Zadání ) Zapojte laboratorní úlohu dle schématu. ) Zjistěte a zhodnoťte

Více

NUMERICKÝ MODEL NESTACIONÁRNÍHO PŘENOSU TEPLA V PALIVOVÉ TYČI JADERNÉHO REAKTORU VVER 1000 SVOČ FST 2014

NUMERICKÝ MODEL NESTACIONÁRNÍHO PŘENOSU TEPLA V PALIVOVÉ TYČI JADERNÉHO REAKTORU VVER 1000 SVOČ FST 2014 NUMERICKÝ MODEL NESTACIONÁRNÍHO PŘENOSU TEPLA V PALIVOVÉ TYČI JADERNÉHO REAKTORU VVER 1000 SVOČ FST 2014 Miroslav Kabát, Západočeská univerzita v Plzni, Univerzitní 8, 306 14 Plzeň Česká republika ABSTRAKT

Více

U Úvod do modelování a simulace systémů

U Úvod do modelování a simulace systémů U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení

Více

INTEGROVANÝ REGISTR ZNEČIŠŤOVÁNÍ ŽIVOTNÍHO PROSTŘEDÍ

INTEGROVANÝ REGISTR ZNEČIŠŤOVÁNÍ ŽIVOTNÍHO PROSTŘEDÍ INTEGROVANÝ REGISTR ZNEČIŠŤOVÁNÍ ŽIVOTNÍHO PROSTŘEDÍ Ohlašování za rok 2011 Postup zjišťování vybraných údajů o únicích znečišťujících látek do vod pro provozovatele čistíren odpadních vod Odbor posuzování

Více

Matematické modelování dopravního proudu

Matematické modelování dopravního proudu Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení

Více

Sypaná hráz výpočet neustáleného proudění

Sypaná hráz výpočet neustáleného proudění Inženýrský manuál č. 33 Aktualizace: 3/2016 Sypaná hráz výpočet neustáleného proudění Program: MKP Proudění Soubor: Demo_manual_33.gmk Úvod Tento příklad ilustruje použití modulu GEO5 MKP Proudění při

Více

INFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ POUŽITÍ INFORMAČNÍCH SYSTÉMŮ PRO MODELOVÁNÍ A SIMULACE KRIZOVÝCH SITUACÍ - T6 ING.

INFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ POUŽITÍ INFORMAČNÍCH SYSTÉMŮ PRO MODELOVÁNÍ A SIMULACE KRIZOVÝCH SITUACÍ - T6 ING. INFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ POUŽITÍ INFORMAČNÍCH SYSTÉMŮ PRO MODELOVÁNÍ A SIMULACE KRIZOVÝCH SITUACÍ - T6 ING. JIŘÍ BARTA Operační program Vzdělávání pro konkurenceschopnost Projekt: Vzdělávání

Více

Náhodné (statistické) chyby přímých měření

Náhodné (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

Více

Jednofaktorová analýza rozptylu

Jednofaktorová analýza rozptylu I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých

Více

Metoda integrálních čerpacích testů - IPT

Metoda integrálních čerpacích testů - IPT Metoda integrálních čerpacích testů - IPT Přednášející: Mgr. Pavel Gaňa gana@aquatest.cz Metoda integrálních čerpacích testů - IPT využita a rozvíjena v rámci mezinárodního projektu MAGIC, MAGIC - MAnagement

Více

Fyzikální korespondenční seminář MFF UK

Fyzikální korespondenční seminář MFF UK Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná

Více

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík

Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická

Více

Výpočet nejistot metodou Monte carlo

Výpočet nejistot metodou Monte carlo Výpočet nejistot metodou Monte carlo Mgr. Martin Šíra, Ph.D. (ČMI, Brno) červen 2012 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem České republiky. p. 1 Výpočty nejistot

Více

ÚVOD DO PROBLEMATIKY ukládání odpadů na povrchu terénu a do podzemí, definice hodnocení rizik a souvisejících požadavků

ÚVOD DO PROBLEMATIKY ukládání odpadů na povrchu terénu a do podzemí, definice hodnocení rizik a souvisejících požadavků UKLÁDÁNÍ ODPADŮ NA POVRCHU TERÉNU A DO PODZEMÍ ÚVOD DO PROBLEMATIKY ukládání odpadů na povrchu terénu a do podzemí, definice hodnocení rizik a souvisejících požadavků Ing. Radim Ptáček, Ph.D GEOoffice,

Více

Obecné zásady interpretace výsledků - chemické ukazatele

Obecné zásady interpretace výsledků - chemické ukazatele Obecné zásady interpretace výsledků - chemické ukazatele Ivana Pomykačová Konzultační den SZÚ Hodnocení rozborů vody Výsledek měření souvisí s: Vzorkování, odběr vzorku Pravdivost, přesnost, správnost

Více

Analýza rizik po hlubinné těžbě uranu Bytíz. DIAMO, státní podnik odštěpný závod Správa uranových ložisek Příbram

Analýza rizik po hlubinné těžbě uranu Bytíz. DIAMO, státní podnik odštěpný závod Správa uranových ložisek Příbram Analýza rizik po hlubinné těžbě uranu Bytíz. DIAMO, státní podnik odštěpný závod Správa uranových ložisek Příbram Projekt Tento projekt byl spolufinancován Evropskou unií Fondem soudržnosti a Státním rozpočtem

Více

Projekt ZRS ČR: Průzkum znečištění, riziková analýza a sanace, Hargia, Ulánbátar. Vojtěch Musil

Projekt ZRS ČR: Průzkum znečištění, riziková analýza a sanace, Hargia, Ulánbátar. Vojtěch Musil Projekt ZRS ČR: Průzkum znečištění, riziková analýza a sanace, Hargia, Ulánbátar Vojtěch Musil Sanační technologie 2013 Základní informace o projektu Projekt realizován v rámci zahraniční rozvojové spolupráce

Více

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy

Výrobní produkce divizí Ice Cream Po lo ha plane t Rozložený výse ový 3D graf Bublinový graf Histogram t s tn e ídy Výrobní produkce divizí Ice Cream Polo ha planet Rozložený výsečový 3D graf Bublinový graf Ice Cream 1 15% Ice Cream 2 12% Ice Cream 3 18% Ice Cream 4 20% Statistika 40 30 20 Ice Cream 6 19% Ice Cream

Více

Přehled provedených prací a použité metody Česká geologická služba

Přehled provedených prací a použité metody Česká geologická služba Přehled provedených prací a použité metody Česká geologická služba Renáta Kadlecová a kol. Cíle projektu Zhodnotit přírodní zdroje podzemních vod v 56 rajonech s použitím moderních technologií, včetně

Více

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu

Více

chemického modulu programu Flow123d

chemického modulu programu Flow123d Testovací úlohy pro ověření funkčnosti chemického modulu programu Flow123d Lukáš Zedek, Jan Šembera 20. prosinec 2010 Abstrakt Předkládaná zpráva představuje přehled funkcionalit a výsledky provedených

Více

lního profilu kontaminace

lního profilu kontaminace Průzkum vertikáln lního profilu kontaminace zvodněných ných kolektorů Ladislav Gombos DIAMO, s. p., o. z. Těžba a úprava uranu 471 27 Stráž pod Ralskem e-mail: gombos@diamo.cz Úvod Řešení problematiky

Více

Rizika a důsledky hydrometeorologických extrémů

Rizika a důsledky hydrometeorologických extrémů Rizika a důsledky hydrometeorologických extrémů .aby naše chyba byla co nejmenší! 4 km Každé zlepšení vyžaduje 10x výkonější počítač tj. celkem 10,000,000x! 2. Provést řadu simulací s nepatrně odlišnými

Více

y = 0, ,19716x.

y = 0, ,19716x. Grafické ověřování a testování vybraných modelů 1 Grafické ověřování empirického rozdělení Při grafické analýze empirického rozdělení vycházíme z empirické distribuční funkce F n (x) příslušné k náhodnému

Více

Kompromisy při zpracování a hodnocení výsledků hydraulických modelů na příkladu hodnocení vodního zdroje Bzenec komplex

Kompromisy při zpracování a hodnocení výsledků hydraulických modelů na příkladu hodnocení vodního zdroje Bzenec komplex Kompromisy při zpracování a hodnocení výsledků hydraulických modelů na příkladu hodnocení vodního zdroje Bzenec komplex 29.3.2017 Jablonné nad Orlicí Matematické modelování (obecně hydrogeologie) ve svých

Více

Inovace bakalářského studijního oboru Aplikovaná chemie http://aplchem.upol.cz

Inovace bakalářského studijního oboru Aplikovaná chemie http://aplchem.upol.cz http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Sedm základních nástrojů řízení kvality Doc. RNDr. Jiří Šimek,

Více

Příloha P.1 Mapa větrných oblastí

Příloha P.1 Mapa větrných oblastí Příloha P.1 Mapa větrných oblastí P.1.1 Úvod Podle metodiky Eurokódů se velikost zatížení větrem odvozuje z výchozí hodnoty základní rychlosti větru, definované jako střední rychlost větru v intervalu

Více

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. 1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový

Více

Simulace. Simulace dat. Parametry

Simulace. 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,

Více

Diskrétní náhodná veličina

Diskrétní náhodná veličina Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné

Více

Národní informační středisko pro podporu kvality

Národní informační středisko pro podporu kvality Národní informační středisko pro podporu kvality Využití metody bootstrapping při analýze dat II.část Doc. Ing. Olga TŮMOVÁ, CSc. Obsah Klasické procedury a statistické SW - metody výpočtů konfidenčních

Více

Rozdělení přenosové rychlosti disku

Rozdělení přenosové rychlosti disku Rozdělení přenosové rychlosti disku Vladimír Třebický 10. května 2006 Pevné disky osobního počítače nepracují vždy stejně rychle. Rozdíly v rychlosti sekvenčního přístupu mají několik důvodů, důležitá

Více

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Téma 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

Více

13 Barvy a úpravy rastrového

13 Barvy a úpravy rastrového 13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody

Více

SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy

SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY Michal Dorda VŠB - TU Ostrava Fakulta strojní Institut dopravy 1 Úvod V běžné technické praxi se velice často setkáváme s tzv. systémy hromadné obsluhy aniž

Více

Náhodná veličina a rozdělení pravděpodobnosti

Náhodná veličina a rozdělení pravděpodobnosti 3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro

Více

1. Přednáška. Ing. Miroslav Šulai, MBA

1. 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

Více

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího

Více

TECHNICKÁ UNIVERZITA V LIBERCI

TECHNICKÁ UNIVERZITA V LIBERCI TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl

Více

POUŽITÍ PERMEABILILNÍCH REAKTIVNÍCH BARIÉR PRO SANACI CHLOROVANÝCH UHLOVODÍKŮ IN-SITU Miroslav Černík, Romana Šuráňová Petr Kvapil, Jaroslav Nosek

POUŽITÍ PERMEABILILNÍCH REAKTIVNÍCH BARIÉR PRO SANACI CHLOROVANÝCH UHLOVODÍKŮ IN-SITU Miroslav Černík, Romana Šuráňová Petr Kvapil, Jaroslav Nosek Výzkumné centrum ARTEC Pokročilé sanační technologie a procesy POUŽITÍ PERMEABILILNÍCH REAKTIVNÍCH BARIÉR PRO SANACI CHLOROVANÝCH UHLOVODÍKŮ IN-SITU Miroslav Černík, Romana Šuráňová Petr Kvapil, Jaroslav

Více

Charakterizují kvantitativně vlastnosti předmětů a jevů.

Charakterizují kvantitativně vlastnosti předmětů a jevů. Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost

Více

Lineární regrese. Komentované řešení pomocí MS Excel

Lineární regrese. Komentované řešení pomocí MS Excel Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel: NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného

Více

Statistika I (KMI/PSTAT)

Statistika I (KMI/PSTAT) Statistika I (KMI/PSTAT) Cvičení druhé aneb Kvantily, distribuční funkce Statistika I (KMI/PSTAT) 1 / 1 Co se dnes naučíme Po absolvování této hodiny byste měli být schopni: rozumět pojmu modus (modální

Více

Návrh frekvenčního filtru

Návrh frekvenčního filtru Návrh frekvenčního filtru Vypracoval: Martin Dlouhý, Petr Salajka 25. 9 2010 1 1 Zadání 1. Navrhněte co nejjednodušší přenosovou funkci frekvenčního pásmového filtru Dolní propusti typu Bessel, která bude

Více

ÚVOD DO PROBLEMATIKY Výklad základních pojmů v oboru aplikované geochemie a kontaminační geologie

ÚVOD DO PROBLEMATIKY Výklad základních pojmů v oboru aplikované geochemie a kontaminační geologie ÚVOD DO PROBLEMATIKY Výklad základních pojmů v oboru aplikované geochemie a kontaminační geologie Ing. Radim Ptáček, Ph.D GEOoffice, s.r.o., kontaktní e-mail: ptacek@geooffice.cz Základní pojmy Jsou podrobně

Více

Řízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT

Řízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT Řízení projektů Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT 1 Úvod základní pojmy Projekt souhrn činností, které musí být všechny realizovány, aby byl projekt dokončen Činnost

Více

Katedra geotechniky a podzemního stavitelství

Katedra geotechniky a podzemního stavitelství Katedra geotechniky a podzemního stavitelství Modelování v geotechnice Metoda oddělených elementů (prezentace pro výuku předmětu Modelování v geotechnice) doc. RNDr. Eva Hrubešová, Ph.D. Inovace studijního

Více

Náhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která

Náhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho

Více

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368 Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540

Více

Fakulta elektrotechniky a komunikačních technologíı Ústav automatizace a měřicí techniky v Brně

Fakulta elektrotechniky a komunikačních technologíı Ústav automatizace a měřicí techniky v Brně Vysoké učení technické v Brně Fakulta elektrotechniky a komunikačních technologíı Ústav automatizace a měřicí techniky Algoritmy řízení topného článku tepelného hmotnostního průtokoměru Autor práce: Vedoucí

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

Více

Modelová interpretace hydraulických a migračních laboratorních testů na granitových vzorcích

Modelová interpretace hydraulických a migračních laboratorních testů na granitových vzorcích Modelová interpretace hydraulických a migračních laboratorních testů na granitových vzorcích Přehled obsahu Problematika puklinových modelů Přehled laboratorních vzorků a zkoušek Použité modelové aplikace

Více

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu

Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project

Více

Zákony hromadění chyb.

Zákony hromadění chyb. Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky

Více

Vybraná rozdělení náhodné veličiny

Vybraná rozdělení náhodné veličiny 3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.

Více

Digitální učební materiál

Digitální učební materiál Digitální učební materiál Číslo projektu: CZ.1.07/1.5.00/34.0548 Název školy: Gymnázium, Trutnov, Jiráskovo náměstí 325 Název materiálu: VY_32_INOVACE_143_IVT Autor: Ing. Pavel Bezděk Tematický okruh:

Více

Perspektiva simulačních a trenažérových technologií v AČR

Perspektiva simulačních a trenažérových technologií v AČR Perspektiva simulačních a trenažérových technologií v AČR Pět let inženýrských simulací pplk. doc. Ing. Pavel MAŇAS, Ph.D. Univerzita obrany Fakulta vojenských technologií http://user.unob.cz/manas Pavel.Manas@unob.cz

Více

GEOTECHNICKÝ PRŮZKUM TĚLESA ŽELEZNIČNÍHO SPODKU

GEOTECHNICKÝ PRŮZKUM TĚLESA ŽELEZNIČNÍHO SPODKU GEOTECHNICKÝ PRŮZKUM TĚLESA ŽELEZNIČNÍHO SPODKU Ing. Radek Bernatík SŽDC, s.o., Ředitelství, Obor traťového hospodářství, Praha 1. Úvod Geotechnický průzkum je soubor činností vedoucích ke zjištění a posouzení

Více

Geologie a tepelné vlastnosti hornin Projektování vrtů pro tepelná čerpadla na základě geologických předpokladů vliv na vodní režim, rizika

Geologie a tepelné vlastnosti hornin Projektování vrtů pro tepelná čerpadla na základě geologických předpokladů vliv na vodní režim, rizika Zpracoval: Mgr. Michal Havlík Geologie a tepelné vlastnosti hornin Projektování vrtů pro tepelná čerpadla na základě geologických předpokladů vliv na vodní režim, rizika Kapitola 4 - GEOLOGIE A TEPELNÉ

Více

Optimalizace osazování odběrných míst inteligentními plynoměry

Optimalizace osazování odběrných míst inteligentními plynoměry Optimalizace osazování odběrných míst inteligentními plynoměry Ondřej Konár, Marek Brabec, Ivan Kasanický, Marek Malý, Emil Pelikán Ústav informatiky AV ČR, v.v.i. ROBUST 2012 Němčičky 14. září 2012 Měření

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,

Více

Definice spojité náhodné veličiny zjednodušená verze

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

Více

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III

Matematika III. 27. listopadu Vysoká škola báňská - Technická univerzita Ostrava. Matematika III Vysoká škola báňská - Technická univerzita Ostrava 27. listopadu 2017 Typy statistických znaků (proměnných) Typy proměnných: Kvalitativní proměnná (kategoriální, slovní,... ) Kvantitativní proměnná (numerická,

Více

Modelování a simulace Lukáš Otte

Modelování a simulace Lukáš Otte Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast

Více

Vliv protiprašných sítí na dispersi pevných částic v blízkosti technologického celku (matematické modelování - předběžná zpráva)

Vliv protiprašných sítí na dispersi pevných částic v blízkosti technologického celku (matematické modelování - předběžná zpráva) Vliv protiprašných sítí na dispersi pevných částic v blízkosti technologického celku (matematické modelování - předběžná zpráva) Byl sestaven zjednodušený matematický model pro dvojrozměrné (2D) simulace

Více

Pojmy z kombinatoriky, pravděpodobnosti, znalosti z kapitoly náhodná veličina, znalost parciálních derivací, dvojného integrálu.

Pojmy 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

Více

Aktualizovaná analýza rizik po provedené sanaci Plzeň - Libušín KD

Aktualizovaná analýza rizik po provedené sanaci Plzeň - Libušín KD Aktualizovaná analýza rizik po provedené sanaci Plzeň - Libušín KD 27.10.2015 AAR Plzeň Libušín Shrnutí výsledků průzkumných prací před zahájením sanace Výsledky sanačních prací 2013 až 2015 (Sdružení

Více

Kalibrace a limity její přesnosti

Kalibrace a limity její přesnosti Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě

Více

Popis metod CLIDATA-GIS. Martin Stříž

Popis metod CLIDATA-GIS. Martin Stříž Popis metod CLIDATA-GIS Martin Stříž Říjen 2008 Obsah 1CLIDATA-SIMPLE...3 2CLIDATA-DEM...3 2.1Metodika výpočtu...3 2.1.1Výpočet regresních koeficientů...3 2.1.2 nalezených koeficientu...5 2.1.3Výpočet

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),

Více

Časové rezervy. Celková rezerva činnosti

Časové rezervy. Celková rezerva činnosti Časové rezervy Celková rezerva činnosti CR Volná rezerva činnosti VR Nezávislá rezerva činnosti - NR Celková rezerva činnosti Maximální počet časových jednotek, které jsou k dispozici pro provedení činnosti,

Více

Čas potřebný k prostudování učiva kapitoly: 1,25 hodiny

Čas potřebný k prostudování učiva kapitoly: 1,25 hodiny Fyzikální praktikum III 15 3. PROTOKOL O MĚŘENÍ V této kapitole se dozvíte: jak má vypadat a jaké náležitosti má splňovat protokol o měření; jak stanovit chybu měřené veličiny; jak vyhodnotit úspěšnost

Více

Výpočet konsolidace pod silničním náspem

Výpočet konsolidace pod silničním náspem Inženýrský manuál č. 11 Aktualizace: 02/2016 Výpočet konsolidace pod silničním náspem Program: Soubor: Sedání Demo_manual_11.gpo V tomto inženýrském manuálu je vysvětlen výpočet časového průběhu sedání

Více

Vliv podzemní těsnicí stěny na havarijní únik kontaminantu

Vliv podzemní těsnicí stěny na havarijní únik kontaminantu Vliv podzemní těsnicí stěny na havarijní únik kontaminantu Ing. Petr Trávníček, Ph.D., Ing. Petr Junga, Ph.D. Mendelova univerzita v Brně, Ústav zemědělské, potravinářské a environmentální techniky, Zemědělská

Více

Regresní analýza 1. Regresní analýza

Regresní 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

Více

8.1. Definice: Normální (Gaussovo) rozdělení N(µ, σ 2 ) s parametry µ a. ( ) ϕ(x) = 1. označovat písmenem U. Její hustota je pak.

8.1. 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

Více

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce

Rozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života

Více

Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik

Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik Ondřej Pavlačka Praha, 18. ledna 2011 Cíle projektu Vytvořit matematický model pro oceňování přijímaného

Více

SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování

SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování KATEDRA ANALYTICKÉ CHEMIE FAKULTY CHEMICKO TECHNOLOGICKÉ UNIVERSITA PARDUBICE - Licenční studium chemometrie LS96/1 SEMESTRÁLNÍ PRÁCE X. Aproximace křivek Numerické vyhlazování Praha, leden 1999 0 Úloha

Více

I. D i s k r é t n í r o z d ě l e n í

I. 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

Více