Téma 3: Metoda Monte Carlo
|
|
|
- Ludmila Dana Vítková
- před 7 lety
- Počet zobrazení:
Transkript
1 y Náhodná proměnná D Téma 3: Metoda Monte Carlo Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia 1,0 1,00 0,80 0,60 0,40 0,0 0,00 0,00 0,0 0,40 0,60 0,80 1,00 1,0 x Katedra stavební mechaniky Fakulta stavební Vysoká škola báňská Technická univerzita Ostrava
2 Osnova přednášky Začlenění metody Monte Carlo do přehledu pravděpodobnostních metod Historie metody Monte Carlo Buonova jehla První systematické využití metody Monte Carlo Využití metody Monte Carlo k numerické integraci Výhody a nevýhody metody Monte Carlo Zákon velkých čísel Generátory (pseudo)náhodných čísel Kongruenční generátory pseudonáhodných čísel Vliv vstupních konstant na vygenerovaná pseudonáhodná čísla Názorná ukázka elementárního výpočtu metodou Monte Carlo Metoda Monte Carlo 1 / 7
3 Pravděpodobnostní metody Simulační metody Prostá simulace Monte Carlo Stratiikované simulační techniky Latin Hypercube Sampling LHS Stratiied Sampling -SC Pokročilé simulační metody: Importance Sampling IS Adaptive Sampling AS Directional Sampling DS Line Sampling LS Aproximační metody Přehled např. [Novák, 005] First (Second) Order Reliability Method - FORM (SORM) Metody výběru vhodného rozdělení pravděpodobnosti založené na náhodném výběru rezervy spolehlivosti Perturbační techniky Metody plochy odezvy Response Surace -RS Numerické metody Přímý Optimalizovaný Pravděpodobnostní Výpočet - POPV Přehled pravděpodobnostních metod / 7
4 Buonova jehla Jedním z nejstarších popsaných případů využití metody je problém tzv. Buonovy jehly, nazvaný po rancouzském matematikovi Georges-Louis Leclerc Comte de Buonovi, který se roku 1777 pokoušel odhadnout hodnotu Ludolova čísla náhodným vrháním jehly na linkovaný papír. Georges-Louis Leclerc, Comte de Buon ( ) Pravděpodobnost jevu, kdy jehla stejné délky, jako je vzdálenost mezi linkami, po dopadu na papír zůstane ležet na papíře tak, že protíná některou z linek, je rovna: p Historie metody Monte Carlo 3 / 7
5 Výpočet Ludolova čísla Podobně lze stanovit hodnotu Ludolova čísla následujícím způsobem: Obsah čtvrtkružnice: S 1. r 4 Obsah čtverce: Poměr obou ploch: S r Základem výpočtu je čtverec o straně r, do kterého se náhodně hází malý předmět. Výsledný poměr počtu všech hodů a hodů do čtvrtkruhu stanoví hodnotu Ludolova čísla. Historie metody Monte Carlo 4 / 7 S S. r 4. r 1 4 Ludolovo číslo je S1 4. pak rovno: S
6 První systematické využití metody Enrico Fermi ( ) Pravděpodobně první systematické využití metody Monte Carlo s reálnými výsledky je datováno až k roku 1930, kdy Nobelovou cenou oceněný italský yzik Enrico Fermi tento přístup využíval ke generování náhodných čísel k výpočtu vlastností v té době nově objevené částice neutronu. Stanislaw Ulam ( ) Dodnes jsou tak počátky rozvoje metody Monte Carlo spojovány se jmény Stanislaw Marcin Ulam a John von Neumann nebo Nicholas Metropolis. Oba prvně jmenovaní např. s využitím metody Monte Carlo zkoumali v americké Národní laboratoři Los Alamos chování neutronů (jaké množství neutronů projde různými materiály, např. nádrží vody). Historie metody Monte Carlo 5 / 7
7 První systematické využití metody Autoři již pracovali v době, kdy mohly používat pro simulování náhodných jevů jednoduché počítače. Název metody pochází právě od Stanislawa Ulama, který ji pojmenoval podle známého kasina v Monaku (Ulamův strýc zde sázel). Metoda se dříve používala pod označením statistical sampling statistický výběr. Náhodnost jevů a opakování jejich výskytu jsou identické k činnostem prováděných v kasinech (ruleta je jednoduchý yzikální generátor náhodných čísel, podobně jako např. hrací kostka). Metoda Monte Carlo hrála klíčovou roli při simulacích, kterými se odhadovala štěpná reakce při vývoji atomové bomby v rámci projektu Manhattan (krycí název pro utajený americký vývoj atomové bomby za. světové války). Historie metody Monte Carlo 6 / 7
8 Využití metody Monte Carlo k numerickému integrování Metoda je využívána zejména pro výpočet integrálů hustot pravděpodobností spojitých náhodných veličin, zejména vícerozměrných, kde běžné metody nejsou eektivní. Metoda Monte Carlo má široké využití od simulaci náhodných experimentů přes numerickou integraci určitých integrálů po numerické řešení dierenciálních rovnic. Z principů prosté simulační metody Monte Carlo vychází řada pravděpodobnostních postupů např. SBRA. Historie metody Monte Carlo 7 / 7
9 Výhody a nevýhody metody MC Metoda Monte Carlo je založena na provádění náhodných experimentů s modelem systému a jejich vyhodnocení. Výsledkem provedení velkého množství experimentů je obvykle pravděpodobnost určitého jevu. Výhodou je jednoduchá implementace, nevýhodou relativně malá přesnost. err B N kde N je počet náhodných experimentů (simulací, simulačních kroků, historií) a B je konstanta, vyjadřující povahu konkrétního příkladu Pro zvýšení přesnosti výsledku o jeden řád je tedy nutno zvýšit počet simulací alespoň o dva řády. Princip simulačních metod typu Monte Carlo 8 / 7
10 Chyba výpočtu simulací Monte Carlo Při pravděpodobnostním posouzení a výpočtu pravděpodobnosti poruchy p závisí přesnost odhadu nejenom na celkovém počtu simulací N, ale také na řádu určované pravděpodobnosti poruchy p. Variační koeicient pravděpodobnosti poruchy lze pro malé pravděpodobnosti deinovat ve tvaru: 1 v p N. p Princip simulačních metod typu Monte Carlo 9 / 7
11 Chyba výpočtu simulací Monte Carlo Např.: Pokud se bude odhad pravděpodobnosti poruchy p pohybovat v řádu 10-4 a výpočet byl proveden s počtem simulačních kroků N=10 4, variační koeicient pravděpodobnosti poruchy se rovná: v p 10 Odhad chyby výsledné pravděpodobnosti poruchy p je tedy 100% Zvýšením počtu simulací N=10 6 pak variační koeicient pravděpodobnosti poruchy dosahuje příznivější hodnoty: 4 1 v p ,1 a výsledek by se neměl oproti přesnému řešení lišit o 10%. Princip simulačních metod typu Monte Carlo 10 / 7
12 Zákon velkých čísel Při velkém počtu nezávislých pokusů je možné téměř jistě očekávat, že relativní četnost se bude blížit teoretické hodnotě pravděpodobnosti. Lze popsat s pomocí střední hodnoty náhodné veličiny: X 1 X... N N 1 X N kde X 1, X,..., X N představuje nekonečnou posloupnost vzájemně nezávislých náhodných čísel s konečnou střední hodnotou. Se zvyšujícím se počtem historií N bude střední hodnota vygenerované posloupnosti konvergovat ke střední hodnotě X n, což lze demonstrovat na jednoduchém příkladu s hrací kostkou. Princip simulačních metod typu Monte Carlo 11 / 7
13 Zákon velkých čísel V případě hrací kostky o šesti stranách je aritmetický průměr součtu čísel na jednotlivých stranách roven: ,5 Střední hodnota vržených čísel 5,0 4,5 4,0 Střední hodnota 3,5 3,0,5, Počet hodů Vývoj vypočtené střední hodnoty 0000 vržených čísel Princip simulačních metod typu Monte Carlo 1 / 7
14 Zákon velkých čísel Počty zastoupení jednotlivých čísel v hodech kostkou Počty zastoupení vržených čísel v hodech kostkou Princip simulačních metod typu Monte Carlo 13 / 7
15 Zákon velkých čísel 30,00% 5,00% 0,00% 15,00% Procentuální zastoupení 10,00% 1 3 5,00% Číslo Procentuální zastoupení jednotlivých čísel Celkový počet hodů 0,00% Procentuální zastoupení vržených čísel (celkové maximum počtu hodů 6558 je limitováno kapacitními možnostmi tabulkového procesoru Excel) Princip simulačních metod typu Monte Carlo 14 / 7
16 Generátory (pseudo)náhodných čísel Fyzikální generátory náhodných čísel Kongruenční generátory pseudonáhodných čísel U AU Cmod M n1 n Princip simulačních metod typu Monte Carlo 15 / 7
17 Kongruenční generátory pseudonáhodných čísel Nejpoužívanější generátory náhodných čísel, poprvé zavedené americkým matematikem Lehmerem v roce Slouží pro generování posloupností náhodných veličin s rovnoměrným rozdělením. Derrick Henry Lehmer ( ) Generování pseudonáhodných čísel s pomocí rekurentního vztahu: U AU Cmod M n1 n kde konstanty A, C, a M určují statistickou kvalitu generátoru (žádoucí nesoudělnost A a M). Princip simulačních metod typu Monte Carlo 16 / 7
18 Vliv vstupních konstant na vygenerovaná čísla U AU Cmod M n1 n Vstupní údaje 1 x 0 1 A 1 0 C M 7 Princip simulačních metod typu Monte Carlo 17 / 7
19 Vliv vstupních konstant na vygenerovaná čísla U AU Cmod M n1 n Vstupní údaje 5 x 0 1 A 7 0 C M 3 Princip simulačních metod typu Monte Carlo 18 / 7
20 Vliv vstupních konstant na vygenerovaná čísla U AU Cmod M n1 n Vstupní údaje 00 x 0 1 A 7 0 C M 1011 Princip simulačních metod typu Monte Carlo 19 / 7
21 Vliv vstupních konstant na vygenerovaná čísla 1,00 U AU Cmod M n1 n 0,75 Setříděno 0,50 1,00 0,5 0,75 0, ,50 Vstupní údaje: x 0 0,5 A 758 0,5 C 0,333 M ,00 Princip simulačních metod typu Monte Carlo 0 / 7
22 Numerická integrace metodou Monte Carlo Metoda Monte Carlo se využívá nejčastěji k řešení vícerozměrných integrálů. I x x h d y y h d x, y,... dxdy... x, y,... kde představuje střední hodnotu unkce, vypočtenou v N náhodných bodech. V dxdy... Numerické integrování s využitím metody Monte Carlo spočívá ve stanovení hodnoty unkce v N náhodných bodech, ležících v integrované oblasti V. Výsledný integrál pak lze deinovat: I V N ; N V.. N i1 i Princip simulačních metod typu Monte Carlo 1 / 7
23 Numerická integrace metodou Monte Carlo Odchylku od střední hodnoty unkce zachycuje směrodatná odchylka: ; N N i1 N i Podobně lze stanovit i odchylku od střední hodnoty výsledného integrálu I: N I; N i což lze považovat za ukazatel nepřesnosti výpočtu. V N i1 Princip simulačních metod typu Monte Carlo / 7
24 Numerická integrace metodou Monte Carlo Algoritmus výpočtu integrálu metodou Monte Carlo lze zeektivnit. Integrační oblast se může uzavřít do oblasti se známým objemem, ve které lze snadno generovat náhodné body. Zavedená unkce pak nabývá hodnot: ~ 0 x x V x V Po vygenerování N náhodných bodů, ležících v oblasti, pak bude přibližná hodnota výsledného integrálu rovna: I V N N i1 ~ x Pro demonstraci postupu numerického integrování s využitím simulace Monte Carlo poslouží následující příklad. ~ V V Princip simulačních metod typu Monte Carlo 3 / 7
25 Názorná ukázka elementárního výpočtu metodou Monte Carlo 4 / 7 Výpočet objemu polokoule a směrodatná odchylka vypočteného odhadu integrálu se bude rovnat: Je dána unkce:, y x r y x Oblastí V pak je kružnice s poloměrem r, oblast představuje čtverec o straně.r, v němž bude kružnice vepsaná. Funkce pak bude mít tvar: V ~, která představuje rovnici polokoule., 0 ~ r y x y x r y x n i i N V N I 1 ~ ~, Ukázkový výpočet byl proveden pro 1000 pseudonáhodných čísel. Poloměr polokoule r se rovná 1 m.
26 Vygenerované dvojice pseudonáhodných čísel Náhodná proměnná D 1,0 1,00 y 0,80 0,60 0,40 0,0 0,00 0,00 0,0 0,40 0,60 0,80 1,00 1,0 x Tisíc vygenerovaných pseudonáhodných dvojic čísel pro výpočet objemu polokoule, zobrazených jako gra D náhodné proměnné (vstupní parametry: x 0 =0,5; A=758; C=0,333 a M=1; y 0 =0,5; A=39; C=0,666 a M=1) Názorná ukázka elementárního výpočtu metodou Monte Carlo 5 / 7
27 ~ Gra hodnot unkce v N=1000 vygenerovaných bodech Výsledná hodnota odhadu integrálu: I =,17707 Přesná hodnota:, Směrodatná odchylka odhadu integrálu = 0,04347, tedy 4,35%. x, y r x y Názorná ukázka elementárního výpočtu metodou Monte Carlo 6 / 7
28 Závěry Přednáška: byla zaměřena na základní pravděpodobnostní metodu prostou simulační metodu Monte Carlo, ukázala historii vývoje této pravděpodobnostní metody, vysvětlila podstatu kongruenčních generátorů pseudonáhodných čísel, které se uplatňují při výpočtu simulační metodou Monte Carlo, metodiku výpočtu simulační metodou Monte Carlo demonstrovala na elementárním příkladu. Závěry 7 / 7
29 y Náhodná proměnná D Děkuji za pozornost! 1,0 1,00 0,80 0,60 0,40 0,0 0,00 0,00 0,0 0,40 0,60 0,80 1,00 1,0 x
Téma 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)
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:
Téma 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: Spolehlivost a bezpečnost staveb
Téma 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
Téma 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
Téma 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
Téma 5: Přímý Optimalizovaný Pravděpodobnostní Výpočet POPV
Téma 5: Přímý Optimalizovaný Pravděpodobnostní Výpočet POPV Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
Generování pseudonáhodných. Ing. Michal Dorda, Ph.D.
Generování pseudonáhodných čísel při simulaci Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky V simulačních modelech se velice často vyskytují náhodné proměnné. Proto se budeme zabývat otázkou, jak při simulaci
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
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
VYUŽITÍ 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
4. 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,
spolehlivosti stavebních nosných konstrukcí
Principy posuzování spolehlivosti stavebních nosných konstrukcí Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Ing. Martin Krejsa, Ph.D. Katedra stavební mechaniky Fakulta stavební Vysoká
Téma 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
Generátory náhodných čísel V. Bílý Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 bilyvit@fjfi.cvut.cz Abstrakt Během svého experimentu jsem se zajímal a porovnával různé generátory
Systém rizikové analýzy při sta4ckém návrhu podzemního díla. Jan Pruška
Systém rizikové analýzy při sta4ckém návrhu podzemního díla Jan Pruška Definice spolehlivos. Spolehlivost = schopnost systému (konstrukce) zachovávat požadované vlastnos4 po celou dobu životnos4 = pravděpodobnost,
STANOVENÍ 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.
SPOLEHLIVOST 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
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,
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
Téma 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
Cvičení 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
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
Téma 7: Přímý Optimalizovaný Pravděpodobnostní Výpočet POPV
Téma 7: Přímý Otimalizovaný Pravděodobnostní Výočet POPV Přednáška z ředmětu: Pravděodobnostní osuzování konstrukcí 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
Téma 8: Optimalizační techniky v metodě POPV
Téma 8: Optimalizační techniky v metodě POPV Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola báňská
Náhodné 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.
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
Pravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
Ekonomické modelování pro podnikatelskou praxi
pro podnikatelskou praxi Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Vlachý, J. Řízení finančních rizik Scholleová, H. Hodnota flexibility: Reálné opce Sylabus
Simulační modely. Kdy použít simulaci?
Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za
GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA
GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA Oblasti využití generátorů náhodných čísel Statistika Loterie Kryptografie (kryptologie) Simulace Simulační modely DETERMINISTICKÉ STOCHASTICKÉ (činnost systému
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
Význam ekonomického modelování
Základy ekonomického modelování Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Hnilica, J., Fotr, J. Aplikovaná analýza rizika Scholleová, H. Hodnota flexibility:
Bayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
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
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
TEMATICKÝ PLÁN VÝUKY
TEMATICKÝ PLÁN VÝUKY Studijní obor: 23-41 - M/1 Strojírenství Zaměření: Předmět: Matematika Ročník: 4. Počet hodin týdně: 4 Počet hodin celkem: Tento plán vychází z rámcového vzdělávacího programu pro
KGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
Počítačové simulace a statistická mechanika
Počítačové simulace a statistická mechanika Model = soubor aproximaci přijatých za účelem popisu určitého systému okrajové podmínky mezimolekulové interakce Statistické zpracování průměrování ve fázovém
NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?
NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek
EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření Jan Krystek 9. května 2019 CHYBY A NEJISTOTY MĚŘENÍ Každé měření je zatíženo určitou nepřesností způsobenou nejrůznějšími negativními vlivy,
METODA MONTE CARLO A PROGRAMOVACÍ JAZYK MATLAB PŘI PŘÍPRAVĚ UČITELŮ NA PEDAGOGICKÝCH FAKULTÁCH
METODA MOTE CARLO A PROGRAMOVACÍ JAZYK MATLAB PŘI PŘÍPRAVĚ UČITELŮ A PEDAGOGICKÝCH FAKULTÁCH Jiří Tesař, Petr Bartoš Pedagogická fakulta Jihočeské univerzity v Č. Budějovicích Katedra fyziky Abstrakt V
metodou Monte Carlo J. Matěna, Gymnázium Českolipská, Praha
Výpočet obsahu plošných obrazců metodou Monte Carlo J. Löwit, Gymnázium Českolipská, Praha jakub.lowit@gmail.com J. Matěna, Gymnázium Českolipská, Praha matenajakub@gmail.com J. Novotná, Gymnázium, Chomutov
NUMERICKÝ VÝPOČET SPOLEHLIVOSTI OCELOVÉ KONSTRUKCE
UERICKÝ VÝPOČET SPOLEHLIVOSTI OCELOVÉ KOSTRUKCE Doc. Ing. Petr Janas, CSc. a Ing. artin Krejsa, Ph.D. Vysoká škola báňská Technická univerzita Ostrava, Fakulta stavební, Katedra stavební mechaniky, Ludvíka
Gymnázium Jiřího Ortena, Kutná Hora
Předmět: Cvičení z matematiky Náplň: Systematizace a prohloubení učiva matematiky Třída: 4. ročník Počet hodin: 2 Pomůcky: Učebna s dataprojektorem, PC, grafický program, tabulkový procesor Číselné obory
Systematizace a prohloubení učiva matematiky. Učebna s dataprojektorem, PC, grafický program, tabulkový procesor. Gymnázium Jiřího Ortena, Kutná Hora
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Cvičení z matematiky Systematizace a prohloubení učiva matematiky 4. ročník 2 hodiny Učebna s dataprojektorem, PC, grafický program, tabulkový procesor Číselné
Chyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
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,
Inženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
Cvičení 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
Kritický stav jaderného reaktoru
Kritický stav jaderného reaktoru Autoři: L. Homolová 1, L. Jahodová 2, J. B. Hejduková 3 Gymnázium Václava Hlavatého Louny 1, Purkyňovo gymnázium Strážnice 2, SPŠ Stavební Plzeň 3 jadracka@centrum.cz Abstrakt:
P13: 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
Význam ekonomického modelování
Základy ekonomického modelování Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Hnilica, J., Fotr, J. Aplikovaná analýza rizika Scholleová, H. Hodnota flexibility:
Limitní věty teorie pravděpodobnosti. 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 Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
Katedra 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
1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
Kombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
2 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
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,
Stanovení nejistot při výpočtu kontaminace zasaženého území
Stanovení nejistot při výpočtu kontaminace zasaženého území Michal Balatka Abstrakt Hodnocení ekologického rizika kontaminovaných území představuje komplexní úlohu, která vyžaduje celou řadu vstupních
Kvantová informatika pro komunikace v budoucnosti
Kvantová informatika pro komunikace v budoucnosti Antonín Černoch Regionální centrum pokročilých technologií a materiálů Společná laboratoř optiky University Palackého a Fyzikálního ústavu Akademie věd
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
Markov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
MATEMATICKÁ 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
Statistika. 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
Monte Carlo. Simulační metoda založená na užití stochastických procesů a generace náhodných čísel.
Monte Carlo Simulační metoda založená na užití stochastických procesů a generace náhodných čísel. Typy MC simulací a) MC integrace b) Geometrické MC c) Termodynamické MC d) Modelování vývoje na strukturální
Vyjadřování přesnosti v metrologii
Vyjadřování přesnosti v metrologii Měření soubor činností, jejichž cílem je stanovit hodnotu veličiny. Výsledek měření hodnota získaná měřením přisouzená měřené veličině. Chyba měření výsledek měření mínus
Pravděpodobnost 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
Charakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
Pravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
Metoda Monte Carlo, simulované žíhání
co byste měli umět po dnešní lekci: integrovat pomocí metody Monte Carlo modelovat jednoduché mnočásticové systémy (Brownův pohyb,...) nalézt globální minimum pomocí simulovaného žíhání Určení čísla metodou
Technický experiment, příprava, provedení, hodnocení výsledků
Technický experiment, příprava, provedení, hodnocení výsledků 1 Katedra stavebních hmot a hornického stavitelství VŠB - Technická univerzita Ostrava 8. 3. 2012 Experiment Experiment se snaží získat potřebné
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
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
SPOLEHLIVOST 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
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
Diskrétní náhodná veličina. November 12, 2008
Diskrétní náhodná veličina November 12, 2008 (Náhodná veličina (náhodná proměnná)) Náhodná veličina (nebo též náhodná proměnná) je veličina X, jejíž hodnota je jednoznačně určena výsledkem náhodného pokusu.
Detailní porozumění podstatě měření
Nejistoty Účel Zjištění intervalu hodnot okolo výsledku měření, který lze přiřadit k hodnotě měřené veličiny Nejčastěji X X [%] X U X U [%] V roce 1990 byl vydán dokument WECC 19/90, který představoval
Lekce 4 Statistická termodynamika
Lekce 4 Statistická termodynamika Osnova 1. Co je statistická termodynamika 2. Mikrostav, makrostav a Gibbsův soubor 3. Příklady Gibbsových souborů 4. Souborové střední hodnoty 5. Časové střední hodnoty
Buffonova jehla. Jiří Zelenka. Gymnázium Zikmunda Wintra Rakovník
Buffonova jehla Jiří Zelenka Gymnázium Zikmunda Wintra Rakovník jirka-zelenka@centrum.cz Abstrakt Zaměřil jsem se na konstantu π. K určení hodnoty jsem použil matematický experiment nazývaný Buffonova
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
Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady
Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník 3 hodiny týdně PC a dataprojektor Kombinatorika Řeší jednoduché úlohy
Aktualizace modelu vlastnosti materiálu. Stanovení vlastností materiálů
podpora zaměstnanosti Aktualizace modelu vlastnosti materiálu Pro. Ing. Milan Holický, DrSc. a Ing. Miroslav Sýkora, Ph.D. ČVUT v Praze, Kloknerův ústav Stanovení vlastností materiálů při hodnocení existujících
Experimentáln. lní toků ve VK EMO. XXX. Dny radiační ochrany Liptovský Ján 10.11.-14.11.2008 Petr Okruhlica, Miroslav Mrtvý, Zdenek Kopecký. www.vf.
Experimentáln lní měření průtok toků ve VK EMO XXX. Dny radiační ochrany Liptovský Ján 10.11.-14.11.2008 Petr Okruhlica, Miroslav Mrtvý, Zdenek Kopecký Systém měření průtoku EMO Měření ve ventilačním komíně
NUMERICKÝ VÝPOČET PRAVDĚPODOBNOSTI UŽITÍM USEKNUTÝCH HISTOGRAMŮ
III. ročník celostátní konference SPOLEHLIVOST KOSTRUKCÍ 33 Téma: Cesty k uatnění pravděpodobnostního posudku bezpečnosti, provozuschopnosti a trvanlivosti konstrukcí v normativních předpisech a v projekční
Matematika III. 4. října Vysoká škola báňská - Technická univerzita Ostrava. Matematika III
Vysoká škola báňská - Technická univerzita Ostrava 4. října 2018 Podmíněná pravděpodobnost Při počítání pravděpodobnosti můžeme k náhodnému pokusu přidat i nějakou dodatečnou podmínku. Podmíněná pravděpodobnost
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně Simulátor označujeme jako kredibilní v případě, že: byla úspěšně završena fáze verifikace simulátoru se podařilo přesvědčit zadavatele simulačního
10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
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
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
Posloupnosti a řady. a n+1 = a n + 4, a 1 = 5 a n+1 = a n + 5, a 1 = 5. a n+1 = a n+1 = n + 1 n a n, a 1 = 1 2
Vlastnosti posloupností 90000680 (level ): Je dána posloupnost (an + b), ve které platí, že a = a a 4 = 8. Potom: Posloupnosti a řady 900006807 (level ): Které z čísel 5, 5, 8, 47 není členem posloupnosti
VLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST KONSTRUKCE
IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie 25 23.až 24.4.2003 Dům techniky Ostrava ISBN 80-02-055-7 VLIV STATISTICKÉ ZÁVISLOSTI NÁHODNÝCH VELIČIN NA SPOLEHLIVOST
Aplikace při posuzování inv. projektů
Aplikace při posuzování inv. projektů Pokročilé metody investiční analýzy Výpočet bodu zvratu Citlivostní analýza Analýzy scénářů Statistické simulace Reálné opce Analýza stochastických procesů Příklad
Mgr. 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) -
Gymnázium Jana Nerudy
Gymnázium Jana Nerudy Závěrečná práce studentského projektu Metoda Monte Carlo 2014 Marek Šedivý a Noémie Gauthier Prohlášení o vypracování Prohlašujeme, že jsme závěrečnou práci na téma Metoda Monte Carlo
Měření hmoty Higgsova bosonu podle doby letu tau leptonu
Měření hmoty Higgsova bosonu podle doby letu tau leptonu Jana Nováková, Tomáš Davídek UČJF Higgs -> tau tau na LHC v oblasti malých hmot Higgse dává významný příspěvek měřitelné v oblasti m H [115, 140]
Pravděpodobnost a statistika
Pravděpodobnost a statistika Teorie pravděpodobnosti popisuje vznik náhodných dat, zatímco matematická statistika usuzuje z dat na charakter procesů, jimiž data vznikla. NÁHODNOST - forma existence látky,