Modelování montážní linky

Rozměr: px
Začít zobrazení ze stránky:

Download "Modelování montážní linky"

Transkript

1 Modelování montážní linky Geza Dohnal 1. Montážní linka S rozvoem hromadné výroby e velice těsně spoen rozvo a automatizace výrobních a montážních linek. Tyto linky se od sebe obecně liší ednak topologií (uspořádáním pracovních stanic a pohybem výrobků mezi nimi), ednak okruhem činností, které linka vykonává. Společným prvkem e zpravidla transportní systém (dopravník, vozíky), propouící ednotlivé pracovní stanice. Montážní linka má eden vstupní uzel, kterým vstupuí základní prvky pro montáž, montážní ednotky. V průběhu montážního procesu sou tyto ednotky doplňovány a upravovány tak, aby na konci linky vystupoval hotový výrobek. Jedna montážní linka obecně umožňue montáž několika typů výrobků, které se od sebe mohou více či méně lišit. Podle toho, zda e linka určena pro ediný typ výrobků nebo pro několik typů zároveň, označueme montážní linky ako a) linky s ednoduchým programem (single model assembly line, SMAL), na nichž sou montovány pouze výrobky ediného typu b) linky se smíšeným programem (mixed model assembly line, MMAL), umožňuící montáž několika typů výrobků bez nutnosti změny parametrů linky, přenastavení nástroů či automatů c) linky s různými programy (multiple model assembly line), které vyžaduí při změně typu montovaného výrobku změnu nastavení parametrů, výměnu nástroů či přeprogramování automatů. Každý z uvedených typů montážních linek vyvolává poněkud iný okruh problémů a metod k eich řešení.

2 Obr. 1. Různé typy montážních linek podle skladby montovaných výrobků. Dalším základním prvkem montážní linky sou pracovní stanice. Každá pracovní stanice zaišťue několik operací (činností), při nichž e montážní ednotka doplňována o další komponenty, případně iným způsobem zpracovávána (obráběna, povrchově upravována, seřizována, nastavována, ). Jedna pracovní stanice obvykle působí v určitém vymezeném prostoru, zahrnuícím část dráhy transportního systému, po předem vymezený čas. Některé typy montážních linek (linky typu U, U-shape assembly line) umožňuí působení edné pracovní stanice na dvou různých místech montážní linky (viz obr. 2), čímž může být zvýšena efektivita linky. Obr. 2. Dva typy montážních linek podle prostorového uspořádání: a) přímá, b) linka typu U. Pracovní stanice sou zde vyznačeny čárkovaně, ednotlivé operace ako kroužky. Montážní operace v ednotlivých pracovních stanicích vyžaduí plynulý přísun montovaných komponent. Tyto komponenty sou soustřeďovány kolem transportního systému v průběžně doplňovaných zásobnících. V případě linek se smíšeným programem navíc tyto komponenty museí být v zásobnících řazeny způsobem, odpovídaícím pořadí montovaných typů v transportním systému. Schéma takovéto montážní linky e na obr. 3.

3 Obr. 3. Montážní linka MMAL se třemi typy montovaných výrobků, třemi pracovními stanicemi, zásobníky komponent a sklady pro ednotlivé typy výrobků. 2. Řešené problémy S provozem montážních linek e spoena celá řada problémů, řešených pomocí matematických modelů a optimalizačních metod Problém vyvážení linky (balance problem) První skupina problémů, v literatuře označovaná ako SALBP (Simple Assembly Line Balancing Problem), řeší úlohu rozdělení montážních úkonů (operací) mezi pracovní stanice tak, aby byla zachována návaznost operací (podle předem daného schématu, grafu návazností) a nebyl překročen maximálně povolený čas montáže (délku cyklu) na každé stanici na straně edné a tento čas byl co nelépe využit na straně druhé. Tyto úlohy sleduí některý z následuících cílů: - minimalizaci počtu pracovních stanic při zachování dané délky cyklu - minimalizaci délky cyklu (maximalizaci intenzity produkce) při daném počtu pracovních stanic - současnou minimalizaci délky cyklu a počtu stanic tak, aby byla minimální celková doba prodlevy (nečinnosti pracovních stanic, neefektivita linky)

4 Příklad: Montážní linka zahrnue devět operací, eichž délky (v časových ednotkách) a návaznosti ukazue následuící graf návazností (čísla v oválech označuí číslo operace/délka operace). Linka obsahue pět pracovních stanic S 1, S 2, S 3, S 4 a S 5. 1/6 2/6 7/4 8/2 9/9 3/4 4/5 5/4 6/5 Jedním z možných řešení problému vyvážení této linky e následuící rozdělení operací: S 1 ={1,3}, S 2 ={4,5}, S 3 ={2,7}, S 4 ={6,8}, S 5 ={9}. Minimální délka cyklu e 10 časových ednotek. Obecněší úloha GALBP (General Assembly Line Balancing Problem) zahrnue další omezení (například prostorové) a podmínky (paralelní stanice, seskupování operací, nekompatibilitu operací, specifitu pracovních stanic). Tyto úlohy a eich řešení se liší podle konkrétních podmínek montážních linek, nicméně vždy se edná o optimalizační úlohy Plánování produkce (production planning) a zásobovací strategie (supply policy) V případě linek typu MMAL (obr. 3) se obevuí problémy s optimální strukturou produkce (posloupnost ednotlivých typů montovaných ednotek v čase) a problémy spoené se zaištěním dodávky komponent. První skupina úloh závisí na zvolené strategii výroby na obednávku nebo výroby na sklad. Z matematického hlediska e zaímavěší druhá skupina úloh, hledaící optimílní strategie dodávky komponent do zásobníků montážní linky. Komponenty museí být připraveny k montáži ve správném pořadí tak, aby nedocházelo k prodlevám a k přeplnění zásobníků komponentami určitých typů Optimalizace lidských zdroů Zaímavý okruh úloh se týká stanovení optimálního počtu pracovníků a eich specializace tak, aby při výpadku ednoho pracovníka nedošlo k ohrožení provozu linky. To souvisí s optimalizací nákladů na lidské zdroe (mzda, školení, zástupnost, doažitelnost, )

5 3. Hledání kritických míst V následuící kapitole se budu blíže zabývat edním problémem, spoeným se spolehlivostí linky, s hledáním eích kritických míst. Montážní linku lze v základním tvaru chápat ako tandemovou síť hromadné obsluhy, eíž ednotlivé prvky sou tvořeny systémy, které se v teorii hromadné obsluhy označuí ako G/G/1/k. Předpokládeme, že linka e tvořena L pracovními stanicemi, mezi nimiž e vždy transportní subsystém. Jak pracovní stanice, tak i transportní subsystém, maí předřazený zásobník s konečnou kapacitou, v němž se mohou hromadit montážní ednotky, čekaící na zpracování či na transport. U každé stanice může být navíc kontrolní stanice, která provádí výstupní kontrolu akosti pro tuto pracovní stanici (obr. 4). pracovní stanice transportní subsystém pracovní stanice +1 transportní subsystém +1 Z W C K T Z +1 W +1 C +1 K +1 T +1 Obr. 4. Model montážní linky s omezenými zásobníky a kontrolní stanicí: Z zásob-ník před -tou stanicí, W -tá pracovní stanice, C kontrola výstupu z -té stani-ce, K zásobník -tého transportního subsystému, T -tý transportní subsystém Tento model předpokládá, že montážní ednotky vstupuí do systému pracovní stanice v časových intervalech, eichž délka e obecně chápána ako náhodná veličina A s rozdělením pravděpodobnosti s distribuční funkcí A (t), =1,,L, přičemž na vstupu do montážní linky sou tyto intervaly vzáemně stochasticky nezávislé. Doba montáže v pracovní stanici e opět náhodná veličina B, nezávislá na A s distribuční funkcí B (t), =1,,L. Zavedeme nyní označení, týkaící se charakteristik -tého prvku montážní linky: Nechť λ a,c a - intenzita a variační koeficient vstupního proudu montážních ednotek do pracovní stanice (e to zároveň intenzita a variační koeficient výstupu z prvku -1)

6 λ d d,c - intenzita a variační koeficient výstupního proudu montážních ednotek z pracovní stanice (intenzita a variační koeficient vstupu do kontrolního stanoviště ) λ b,c b - intenzita a variační koeficient výstupního proudu z kontrolní stanice (intenzita a variační koeficient vstupu do transportního subsystému ) λ c c,c - intenzita a variační koeficient výstupního proudu z transportního subsystému (e to zároveň intenzita a variační koeficient vstupu do prvku +1 linky) µ, ˆ µ - intenzita obsluhy pracovní stanice a transportního subsystému n,m - počet ednotek v zásobníku pracovní stanice a transportního subsystému N, M - kapacity zásobníku pracovní stanice a transportního subsystému λ a c a W n, N µ λ d c d p q λ b c b V m, M ˆ µ λ c c c W,V - doba čekání na zpracování v zásobníku pracovní stanice a transportního subsystému p - pravděpodobnost nalezení neopravitelného výrobku kontrolní stanicí q - pravděpodobnost nalezení opravitelného výrobku kontrolní stanicí Označme dále d, d ˆ - náklady na ednotku obemu zásobníku pracovní stanice a transportního subsystému α,β - přípustné pravděpodobnosti překročení kapacity zásobníku pracovní stanice a transportního subsystému Cílem optimalizační úlohy e potom nalézt minimum funkce za splnění podmínek L ( d N + d ˆ M ) =1

7 P(n = N +1) α, =1,K,L, (1) P(m = M +1) β, =1,K,L. To znamená, že hledáme nemenší přípustné kapacity zásobníků, při kterých s předem danou pravděpodobností nedode k přeplnění zásobníků a tím k zablokování linky. Prvek, který za těchto podmínek vyžadue nevětší kapacitu zásobníků, e neslabším článkem v lince (bottleneck). c a Mezi výstupní itenzitou λ L a vstupní intenzitou λ L platí následuící vztah λ a = Za předpokladu, že pravděpodobnosti přeplnění zásobníků sou nulové, bude λ a = L =1 c λ L L =1 (1 p ) Optimalizační algoritmus potom může probíhat v následuících krocích: 1) Načti vstupní údae o lince: L, λ a,c a, p, q, µ, ˆ µ,α, β. Polož λ a 1 = λ a,c a 1 = c a. 2) Pro =1,,L postupně 2a) minimalizu d N za podmínky P( n = N +1) α 2b) minimalizu d ˆ M za podmínky P(m = M +1) β 3) Pro =1,,L spočti charakteristiky stanic (průměrný počet ednotek v zásobnících N,M, průměrné doby čekání W,V, intenzitu provozu ρ. Hlavní problém spočívá v kroku 2. Pro výpočet pravděpodobností v (1) bychom potřebovali znát rozdělení pravděpodobnosti dob mezi vstupy ednotek do stanice (= výstupy ze stanice -1) a eich stochastickou nezávislost. To však lze předpokládat pouze v případě systémů M/M/1/k. V obecném případě G/G/1/k sou doby mezi výstupy ze systému závislé a eich rozdělení pravděpodobnosti nelze rozumným způsobem vyádřit. Druhý problém lze obeít aproximací rozdělení doby mezi příchody a doby montáže rozděleními fázového typu PH(α,T) a PH(β,S). Rozdělení dob mezi výstupy e potom opět rozdělení fázového typu se známými parametry. Závislost dob mezi odchody v systému G/G/1 e λ L c (1 α )(1 β )(1 p )

8 způsobena tím, že systém může být ve stavu, kdy čeká na příchod montážní ednotky. Pokud by nečekal, potom bude rozdělení dob mezi výstupy shodné s rozdělením dob montáže a tyto doby budou stochasticky nezávislé. V našem případě nás zaímá situace, kdy e systém blízko přeplnění, tedy má naplněný zásobník a čekání na příchod montážní ednotky nehrozí. V takovém případě můžeme závislost zanedbat a předpokládat, že doby mezi odchody ednotek ze stanice sou nezávislé, neboli že doby mezi vstupy do následuící stanice sou nezávislé. Potom můžeme použít následuící postup: Ad 2a) Minimalizace výrazu d N znamená nalezení nemenšího N takového, že e eště splněna uvedená podmínka. Splnění této podmínky lze převést na podmínku a d λ λ α. (2) a λ K tomu e třeba spočítat hodnotu intenzity výstupního proudu λ d. Obecně lze tuto hodnotu spočítat spolu s variačním koeficientem z obecného vztahu pomocí derivací Laplace-Stieltetsovy transformace F*(t) distribuční funkce F(t) dob mezi odchody: 2 [ ]. 1/ 2 *' 1 *'' *' [ F ( 0) ], c = λ F (0) ( F (0)) λ =. (3) V některých případech lze vztah (3) nahradit analytickým výrazem, ak e tomu například při předpokladu rozdělení fázového typu (viz dále). Prakticky tento krok probíhá tak, že začneme od N = 1, pomocí (3) spočteme λ d d,c a zistíme splnění podmínky (2). Není-li splněna, zvýšíme N o 1 a vše opakueme, dokud nebude (2) splněno. Ad 2b) Po ukončení kroku 2a) spočteme λ b,c b ze vztahů d 2 [ p + (1 p )( c ) ] 1/ 2 b d b λ = (1 p ) λ, c = c c a postupným výpočtem λ, c a zvyšováním hodnoty M od 1, dokud nebude platit nerovnost analogická (3): b c λ λ β. b λ Za předpokladu například useknutého normálního rozdělení doby montáže, rovnoměrného rozdělení a řady iných, e velmi proble- d c

9 matické vyádření distribuční funkce F(t) a eí L-S transformace. Poněkud ednodušší situace e při použití rozdělení fázového typu. 4. Aproximace rozdělením fázového typu Definice: Náhodná veličina Y má rozdělení fázového typu (PH rozdělení) s reprezentací (α,t) řádu p, dá-li se interpretovat ako doba do absorpce Markovova procesu s p+1 stavy, z nichž stav (p+1) e absorpční, s počátečním rozdělením (α, α 0 ) a maticí intenzit 0 T T přechodů. 0 0 Poznámka: Je-li matice T regulární, potom sou stavy 1,, p přechodné a veličina Y e s pravděpodobností 1 konečná (viz [1]). Charakteristiky PH rozdělení: Označme e vektor samých edniček. (i) (ii) (iii) (iv) Distribuční funkce náhodné veličiny Y má tvar F( y) = 1 α exp( Ty) e y 0 F( y) = 0 y < 0 Hustota pravděpodobnosti náhodné veličiny Y e rovna 0 f ( y) = α exp( Ty) T e y 0 f ( y) = 0 y < 0 Budeme-li interpretovat Y ako dobu do poruchy, potom intenzitu poruchy lze vyádřit vztahem 0 f ( y) α exp( Ty) T r ( y) = = 1 F( y) α exp( Ty) e Je-li T regulární, potom Laplaceova transformace PH rozdělení má tvar e sy 0 F 1 0 ( dy) = α( si T) T (v) k k! Je-li T regulární, má náhodná veličina Y všechny momen- k k ty konečné a m = E X = ( 1) k αt e k N Lze ukázat, že množina rozdělení fázového typu e hustá v množině všech spoitých rozdělení na intervalu 0, ). To znamená, že libo-

10 volné spoité rozdělení na 0, ) lze aproximovat libovolně přesně něakým rozdělením fázového typu. Tato aproximace ovšem není ednoznačná a v některých případech může být konvergence k limitnímu rozdělení velmi pomalá. Nicméně, pro řadu obvyklých rozdělení lze tuto aproximaci nalézt poměrně dobře (viz [2]). 5. Závěr V případě montážní linky s ne-exponenciálními rozděleními doby montáže a dob mezi vstupy montážních ednotek do linky lze nalézt kritická místa pomocí algoritmu, naznačeného v kapitole 3. Tento algoritmus lze zednodušit aproximací rozdělení doby montáže a doby mezi příchody ednotek do systému rozdělením fázového typu. Literatura [1] Neuts, M. F. (1981). Matrix geometric solutions in stochastic models. Johns Hopkins University Press, Baltimore, MD [2] Johnson, M. A., Taaffe, M. R., The denseness of phase distributions. Research Memorandum No , School of Industrial Engeneering, Purdue University [3] Asmussen, S., Olsson, M., Nerman, O., Fitting Phase-type Distributions via the EM Algorithm. Scandinavian Journal of Statistics 23 [4] Dohnal G., Meca M.: Fitting Distribution of Nonnegative Random Variable with PH-distribution. Workshop CTU 2002 [5] Dohnal G., Meca M.: Aproximace obecných systémů hromadné obsluhy pomocí EM algoritmu. ROBUST 2002, JČMF, Adresa autora: Doc. RNDr. Geza Dohnal, CSc., České vysoké učení technické v Praze, Fakulta stroní, Ústav technické matematiky, Karlovo nám. 13, Praha 2 geza. dohnal@fs.cvut.cz Tato práce byla vytvořena za podpory proektu MŠMT 1M CQR

Plánování projektu. 3. dubna Úvod. 2 Reprezentace projektu. 3 Neomezené zdroje. 4 Variabilní doba trvání. 5 Přidání pracovní síly

Plánování projektu. 3. dubna Úvod. 2 Reprezentace projektu. 3 Neomezené zdroje. 4 Variabilní doba trvání. 5 Přidání pracovní síly Plánování proektu 3. dubna 2018 1 Úvod 2 Reprezentace proektu 3 Neomezené zdroe 4 Variabilní doba trvání 5 Přidání pracovní síly Problémy plánování proektu Zprostředkování, instalace a testování rozsáhlého

Více

Stochastické modely Informace k závěrečné zkoušce

Stochastické modely Informace k závěrečné zkoušce Stochastické modely Informace k závěrečné zkoušce Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 10. února 2015 Průběh zkoušky. Zkouška je ústní s přípravou na potítku. Každý si vylosuje

Více

EKONOMICKO-MATEMATICKÉ METODY

EKONOMICKO-MATEMATICKÉ METODY . přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a

Více

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 000/00 Michal Marvan 3. Matice lineárního zobrazení V této přednášce budeme používat indexy dvoího druhu:

Více

Rekonstrukce křivek a ploch metodou postupné evoluce

Rekonstrukce křivek a ploch metodou postupné evoluce Rekonstrukce křivek a ploch metodou postupné evoluce Univerzita Karlova v Praze Matematicko-fyzikální fakulta petra.surynkova@mff.cuni.cz Přehled Evoluce křivek princip evoluce použití evoluce křivky ve

Více

A 4 9 18 24 26 B 1 5 10 11 16 C 2 3 8 13 15 17 19 22 23 25 D 6 7 12 14 20 21

A 4 9 18 24 26 B 1 5 10 11 16 C 2 3 8 13 15 17 19 22 23 25 D 6 7 12 14 20 21 Příklad 1 Soutěž o nelepší akost výrobků obeslali čtyři výrobci A, B, C, D celkem 26 výrobky. Porota sestavila toto pořadí (uveden pouze původ výrobku od nelepšího k nehoršímu): Pořadí 1 2 3 4 5 6 7 8

Více

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek

Více

OPTIMALIZAČNÍ ÚLOHY. Modelový příklad problém obchodního cestujícího:

OPTIMALIZAČNÍ ÚLOHY. Modelový příklad problém obchodního cestujícího: OPTIMALIZAČNÍ ÚLOHY Problém optimalizace v různých oblastech: - minimalizace času, materiálu, - maximalizace výkonu, zisku, - optimalizace umístění komponent, propojení,... Modelový příklad problém obchodního

Více

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b

Více

PROBLEMATIKA TAKTOVÝCH JÍZDNÍCH ŘÁDŮ THE PROBLEMS OF INTERVAL TIMETABLES

PROBLEMATIKA TAKTOVÝCH JÍZDNÍCH ŘÁDŮ THE PROBLEMS OF INTERVAL TIMETABLES PROBLEMATIKA TAKTOVÝCH JÍZDNÍCH ŘÁDŮ THE PROBLEMS OF INTERVAL TIMETABLES Zdeněk Píšek 1 Anotace: Příspěvek poednává o základních aspektech a prvcích plánování taktových ízdních řádů a metod, kterých se

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

OPTIMALIZACE NABÍDKY DESTINACÍ V PODMÍNKÁCH REGIONÁLNÍHO MEZINÁRODNÍHO LETIŠTĚ OPTIMAL DESTINATION OFFER IN TERMS REGIONAL INTERNATIONAL AIRPORT

OPTIMALIZACE NABÍDKY DESTINACÍ V PODMÍNKÁCH REGIONÁLNÍHO MEZINÁRODNÍHO LETIŠTĚ OPTIMAL DESTINATION OFFER IN TERMS REGIONAL INTERNATIONAL AIRPORT OPTIMALIZACE NABÍDKY DESTINACÍ V PODMÍNKÁCH REGIONÁLNÍHO MEZINÁRODNÍHO LETIŠTĚ OPTIMAL DESTINATION OFFER IN TERMS REGIONAL INTERNATIONAL AIRPORT Dušan Teichmann 1 Anotace: Celá řada regionálních mezinárodních

Více

Jednotlivé historické modely neuronových sítí

Jednotlivé historické modely neuronových sítí Jednotlivé historické modely neuronových sítí Tomáš Janík Vícevrstevná perceptronová síť opakování Teoretický model obsahue tři vrstvy perceptronů; každý neuron první vrstvy e spoen s každým neuronem z

Více

OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ

OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ Anotace: Ing. Zbyněk Plch VOP-026 Šternberk s.p., divize VTÚPV Vyškov Zkušebna elektrické bezpečnosti a

Více

ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY. Michal Friesl

ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY. Michal Friesl Robust 14, Jetřichovice ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Robust 14, Jetřichovice ÚVOD Úvod Analýzníkům

Více

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu 4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:

Více

1 Projekce a projektory

1 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

Více

Algoritmizace diskrétních. Ing. Michal Dorda, Ph.D.

Algoritmizace diskrétních. Ing. Michal Dorda, Ph.D. Algoritmizace diskrétních simulačních modelů Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Při programování simulačních modelů lze hlavní dílčí problémy shrnout do následujících bodů: 1) Zachycení statických

Více

Rekonstrukce křivek a ploch metodou postupné evoluce

Rekonstrukce křivek a ploch metodou postupné evoluce Rekonstrukce křivek a ploch metodou postupné evoluce Petra Surynková Matematicko-fyzikální fakulta Univerzita Karlova v Praze petra.surynkova@mff.cuni.cz Přehled (1) Princip rekonstrukce ploch technické

Více

Exponenciální modely hromadné obsluhy

Exponenciální modely hromadné obsluhy Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím

Více

Příklady ke cvičením. Modelování produkčních a logistických systémů

Příklady ke cvičením. Modelování produkčních a logistických systémů Modelování produkčních a logistických systémů Katedra logistiky, kvality a automobilové techniky Garant, přednášející, cvičící: Jan Fábry 10.12.2018 Příklady ke cvičením Opakování lineárního programování

Více

1. Úvod do genetických algoritmů (GA)

1. Úvod do genetických algoritmů (GA) Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor

Více

Vícekanálové čekací systémy

Vícekanálové čekací systémy Vícekanálové čekací systémy Stanice obsluhy sestává z několika kanálů obsluhy, pracujících paralelně a navzájem nezávisle. Vstupy i výstupy systému mají poissonovský charakter. Jednotky vstupující do systému

Více

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

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 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).

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

Více

OPTIMALIZACE. (přehled metod)

OPTIMALIZACE. (přehled metod) OPTIMALIZACE (přehled metod) Typy optimalizačních úloh Optimalizace bez omezení Nederivační metody Derivační metody Optimalizace s omezeními Lineární programování Nelineární programování Globální optimalizace

Více

1 Determinanty a inverzní matice

1 Determinanty a inverzní matice Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého

Více

PRAVDĚPODOBNOST A STATISTIKA. Testování hypotéz o rozdělení

PRAVDĚPODOBNOST A STATISTIKA. Testování hypotéz o rozdělení PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz o rozdělení Testování hypotéz o rozdělení Nechť X e náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládeme, že neznáme tvar distribuční funkce

Více

Numerické metody a programování. Lekce 8

Numerické metody a programování. Lekce 8 Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:

Více

Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách

Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky

Více

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných

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

Téma 22. Ondřej Nývlt

Téma 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

Více

CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I

CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I Informačné a automatizačné technológie v riadení kvality produkcie Vernár,.-4. 9. 005 CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I KÜNZEL GUNNAR Abstrakt Příspěvek uvádí základní definice, fyzikální interpretaci

Více

Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie

Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie Doporučené průběhy studia pro rok 2014/15 24. září 2014 Vysvětlivky: Tento dokument obsahuje několik alternativních

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

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ

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

Více

1 Měření paralelní kompenzace v zapojení do trojúhelníku a do hvězdy pro symetrické a nesymetrické zátěže

1 Měření paralelní kompenzace v zapojení do trojúhelníku a do hvězdy pro symetrické a nesymetrické zátěže 1 Měření paralelní kompenzace v zapoení do troúhelníku a do hvězdy pro symetrické a nesymetrické zátěže íle úlohy: Trofázová paralelní kompenzace e v praxi honě využívaná. Úloha studenty seznámí s vlivem

Více

Podobnostní transformace

Podobnostní transformace Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy

Více

BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace

BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír

Více

4.6.2 Analýza shluků CLU

4.6.2 Analýza shluků CLU 462 Analýza shluků CLU Analýza shluků (Cluster analysis CLU) patří mezi metody které se zabývaí vyšetřo-váním podobnosti vícerozměrných obektů (t obektů u nichž e změřeno větší množství proměnných) a eich

Více

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

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 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

Více

Hledání extrémů funkcí

Hledání extrémů funkcí Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání

Více

Limitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

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

Více

Odhad parametrů N(µ, σ 2 )

Odhad parametrů N(µ, σ 2 ) Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný

Více

4EK201 Matematické modelování. 8. Modely hromadné obsluhy

4EK201 Matematické modelování. 8. Modely hromadné obsluhy 4EK201 Matematické modelování 8. Modely hromadné obsluhy 8. Modely hromadné obsluhy Systém, ve kterém dochází k realizaci obsluhy příchozích požadavků = systém hromadné obsluhy Vědní disciplína zkoumající

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

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT PEF ČZU Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT Okruhy SZB č. 5 Zdroje: Demel, J., Operační výzkum Jablonský J., Operační výzkum Šubrt, T., Langrová, P., Projektové řízení I. a různá internetová

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 Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.

Více

3. Úloha o společném rozhraní

3. Úloha o společném rozhraní 34 3. Úloha o společném rozhraní Cíle Po prostudování této kapitoly budete schopni: Zjistit neregularity v systému Navrhnout řešení pro odstranění neregulárních vazeb Doba potřebná ke studiukapitoly:60minut

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza

Více

1 Teorie hromadné obsluhy

1 Teorie hromadné obsluhy 1 Teorie hromadné obsluhy Teorie hromadné obsluhy zkoumá modely, v nichž do nějakého systému obsluhy, kerý může mít jeden či více linek obsluhy vstupují jednotky, které mají být těmito linkami obslouženy.

Více

Požadavky 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 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

Více

Úvod do teorie grafů

Úvod do teorie grafů Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí

Více

Výběrové charakteristiky a jejich rozdělení

Výběrové 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

Více

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice 9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky

Více

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace

Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Matematika III 10. týden Číselné charakteristiky střední hodnota, rozptyl, kovariance, korelace Jan Slovák Masarykova univerzita Fakulta informatiky 28. 11 2. 12. 2016 Obsah přednášky 1 Literatura 2 Střední

Více

12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)

12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi

Více

Aplikovaná numerická matematika - ANM

Aplikovaná numerická matematika - ANM Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových

Více

SYSTÉMOVÁ METODOLOGIE (VIII) Operační výzkum. Ak. rok 2011/2012 vbp 1

SYSTÉMOVÁ METODOLOGIE (VIII) Operační výzkum. Ak. rok 2011/2012 vbp 1 SYSTÉMOVÁ METODOLOGIE (VIII) Operační výzkum Ak. rok 2011/2012 vbp 1 DEFINICE Operační výzkum je prostředek pro nalezení optimálního řešení daného problému při respektování celé řady různorodých omezení,

Více

MKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.

MKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární

Více

2. Schurova věta. Petr Tichý. 3. října 2012

2. Schurova věta. Petr Tichý. 3. října 2012 2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci

Více

13. cvičení z PSI ledna 2017

13. cvičení z PSI ledna 2017 cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:

Více

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36

Diferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic

Více

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená. Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají

Více

Numerické metody optimalizace - úvod

Numerické metody optimalizace - úvod Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu

Více

8. Normální rozdělení

8. 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

Více

Intervalová data a výpočet některých statistik

Intervalová data a výpočet některých statistik Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a

Více

Tento dokument obsahuje zadání pro semestrální programy z PAA. Vypracování. vypracovanou úlohu podle níže uvedených zadání. To mimo jiné znamená, že

Tento dokument obsahuje zadání pro semestrální programy z PAA. Vypracování. vypracovanou úlohu podle níže uvedených zadání. To mimo jiné znamená, že Kapitola Zadání Tento dokument obsahuje zadání pro semestrální programy z PAA. Vypracování alespoň jedné úlohy je nutnou podmínkou pro úspěšné složení zkoušky resp. získaní (klasifikovaného) zápočtu (viz.

Více

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!

1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3! Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k

Více

Čebyševovy aproximace

Čebyševovy aproximace Čebyševovy aproximace Čebyševova aproximace je tzv hledání nejlepší stejnoměrné aproximace funkce v daném intervalu Hledáme funkci h x, která v intervalu a,b minimalizuje maximální absolutní hodnotu rozdílu

Více

Algoritmizace prostorových úloh

Algoritmizace prostorových úloh INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento

Více

Algoritmus pro hledání nejkratší cesty orientovaným grafem

Algoritmus pro hledání nejkratší cesty orientovaným grafem 1.1 Úvod Algoritmus pro hledání nejkratší cesty orientovaným grafem Naprogramoval jsem v Matlabu funkci, která dokáže určit nejkratší cestu v orientovaném grafu mezi libovolnými dvěma vrcholy. Nastudoval

Více

Dynamické programování

Dynamické programování Dynamické programování prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy (BI-EFA)

Více

(Cramerovo pravidlo, determinanty, inverzní matice)

(Cramerovo pravidlo, determinanty, inverzní matice) KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce

Více

Singulární rozklad aplikace v image deblurring

Singulární rozklad aplikace v image deblurring Singulární rozklad aplikace v image deblurring M. Plešinger, Z. Strakoš TUL, Fakulta mechatroniky, Liberec AV ČR, Ústav informatiky, Praha 1 Úvod Uvažujme obecnou reálnou matici Pak existuje rozklad A

Více

13. Lineární procesy

13. Lineární procesy . Lineární procesy. Lineární procesy Našim cílem je studovat lineární (iterované) procesy. Každý takový proces je zadán čtvercovou maticí A Mat k k (R). Dále víme, že systém se v čase t n nachází ve stavu

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

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

X = 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

Více

Vztah pravděpodobnosti, statistiky a biostatistiky

Vztah pravděpodobnosti, statistiky a biostatistiky Vztah pravděpodobnosti, statistiky a biostatistiky V této kapitole dáme biostatistiku do kontextu s teorií pravděpodobnosti, z níž biostatistika společně se statistikou vycházeí Cílem e zavést důležité

Více

Vybrané kapitoly z matematiky

Vybrané kapitoly z matematiky Vybrané kapitoly z matematiky VŠB-TU Ostrava 2017-2018 Vybrané kapitoly z matematiky 2017-2018 1 / 19 Základní informace předmět: 714-0513, 5 kreditů přednáší: Radek Kučera kontakt: radek.kucera@vsb.cz,

Více

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin

z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme

Více

Markov Chain Monte Carlo. Jan Kracík.

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),

Více

Teorie front. Systém hromadné obsluhy

Teorie front. Systém hromadné obsluhy Teorie front Pokouší se analyzovat a řešit procesy, ve kterých se vyskytují proudy objektů procházejících určitými zařízeními, od nichž vyžadují obsluhu. Vlivem omezené kapacity obsluhy může docházet k

Více

Metody síťové analýzy

Metody síťové analýzy Metody síťové analýzy Řeší problematiku složitých systémů, zejména pak vazby mezi jejich jednotlivými prvky. Vychází z teorie grafů. Základní metody síťové analýzy: CPM (Critical Path Method) deterministický

Více

Pravděpodobnost a aplikovaná statistika

Pravděpodobnost 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

MATEMATIKA A 3 Metodický list č. 1

MATEMATIKA A 3 Metodický list č. 1 Metodický list č. 1 Název tématického celku: Úvod do problematiky diskrétní matematiky Cíl: Cílem tohoto tématického celku je vymezení oblasti diskrétní matematiky a příprava na další výklad kurzu. Jedná

Více

Matematika a ekonomické předměty

Matematika a ekonomické předměty Matematika a ekonomické předměty Bohuslav Sekerka, Soukromá vysoká škola ekonomických studií Praha Postavení matematiky ve výuce Zaměřím se na výuku matematiky, i když jsem si vědom, toho, že by měl být

Více

Připomenutí co je to soustava lineárních rovnic

Připomenutí co je to soustava lineárních rovnic Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a

Více

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010 SÍŤOVÁ ANALÝZA Kristýna Slabá, kslaba@students.zcu.cz 1. července 2010 Obsah 1 Úvod do síťové analýzy Hlavní metody síťové analýzy a jejich charakteristika Metoda CPM Metoda PERT Nákladová analýza Metoda

Více

OPTIMÁLNÍ SEGMENTACE DAT

OPTIMÁLNÍ SEGMENTACE DAT ROBUST 2004 c JČMF 2004 OPTIMÁLNÍ SEGMENTACE DAT Petr Novotný Klíčová slova: Výpočetní statistika, po částech spojitá regrese. Abstrakt: Snížení paměťové náročnosti při výpočtu po částech spojitého regresního

Více

ANTAGONISTICKE HRY 172

ANTAGONISTICKE HRY 172 5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí

Více

Co je obsahem numerických metod?

Co je obsahem numerických metod? Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem

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

Stochastické procesy - pokračování

Stochastické procesy - pokračování Stochastické procesy - pokračování Úvodní pojmy: Stochastické procesy jsou to procesy (funkce) jejichž hodnoty jsou náhodné veličiny závislé na parametru t stav systému souhrn vlastností a charakteristik,

Více

MATEMATICKÁ STATISTIKA - XP01MST

MATEMATICKÁ STATISTIKA - XP01MST MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného

Více

Zdrojem většiny příkladů je sbírka úloh 1. cvičení ( ) 2. cvičení ( )

Zdrojem většiny příkladů je sbírka úloh   1. cvičení ( ) 2. cvičení ( ) Příklady řešené na cvičení LA II - LS 1/13 Zdrojem většiny příkladů je sbírka úloh http://kam.mff.cuni.cz/~sbirka/ 1. cvičení (..13) 1. Rozhodněte, které z následujících operací jsou skalárním součinem

Více

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

Princip gradientních optimalizačních metod

Princip gradientních optimalizačních metod Princip gradientních optimalizačních metod Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a základní

Více

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

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

Více