Aplikace simulačních metod ve spolehlivosti
|
|
- Alena Štěpánková
- před 7 lety
- Počet zobrazení:
Transkript
1 XXVI. ASR '2001 Semnar, Instruments and Control, Ostrava, Aprl 26-27, 2001 Paper 40 Aplkace smulačních metod ve spolehlvost MARTINEK, Vlastml Ing., Ústav automatzace a nformatky, FSI VUT v Brně, Techncká 2, Brno, snc@emal.cz Abstrakt: Příspěvek se zabývá konstrukcí generátorů pseudonáhodných čísel, konkrétně typckým generátory rovnoměrného rozdělení, všímá s jejch vlastností a vhodnost použtí. Dále pojednává o statstckém posuzování kvalty generátorů a navrhuje obecný rámec pro jejch ucelené testování. V dalším jsou dskutovány metody transformace náhodných velčn a vhodnost jejch použtí př vývoj smulačních algortmů. V závěru je přblížen typcký příklad spolehlvostní úlohy převedené na smulační model. Klíčová slova: smulace, generátory, testování, transformace, spolehlvost 1 Úvod Řešení technckých úloh z oblast spolehlvost provází celá řada problémů a k jejch řešení lze přstupovat různým způsobem [Marek, P. et al, 1996], [Teplý, B. & Novák, D., 1999], [Bílý, M. & Sedláček, J., 1983]. Dá se říc, že současná teore metody řešení spolehlvost vycházejí ze dvou základních pohledů. První je jstou dealzací, stojící na pevných modelových představách aprorní povahy (sem patří tradční klascké výpočty), tj. jde o snahu dosáhnout jsté úrovně spolehlvost. Druhý pohled je pravým opakem předcházejícího, neboť se opírá o aposterorní nformac náhodného charakteru, která se pojí s konkrétním provozním režmy služby dané konstrukce. Tj. jde o skutečnou spolehlvost konstrukce v provozu, která je zpravdla výrazně nžší. Mnohdy je složtost úlohy tak velká, že je výhodné problém jejího řešení převést na řešení smulačního modelu. Se znalostm rozložení náhodné velčny vstupující do modelu a přechodové funkce, tedy transformace dávající do vztahu vstup a výstup, spočívá řešení v nalezení transformovaného rozdělení náhodné velčny, která nás zajímá. Pro řešení úloh spolehlvost byla vyvnuta řada výpočtových programů a jedním z nch je např. MSTAR [Marek, P. et al, 1996]. Ovšem př vzuálním zpracování a nterpretac výsledků starších verzí tohoto programu vyšlo najevo, že je nutno dbát zvýšené opatrnost př výběru kvaltního generátoru pseudonáhodných čísel. Kvalta výsledků smulace často závsí na kvaltě prvotních náhodných vstupů, neboť jakékolv případné chyby na vstupech se pak lavnovtě šíří a mohou znehodnott celý model. Navíc v mnoha programových systémech nejsou generátory v nch ntegrované njak popsány, chovají se jako černé skříňky o jejchž vlastnostech nc nevíme a jejch kvaltu je tedy nutné testovat. Další analýza výsledků programu vedla k dskus tzv. ježatost hstogramu [Popela, P., 1996]. Podrobnějším zkoumáním a s přspěním autorů programu bylo zjštěno, že náhodné vstupy jsou získávány transformací pseudonáhodné posloupnost čísel, generované programovým prostředky. Tímto byla vedle kvalty použtých generátorů posuzována také kvalta a vhodnost různých typů transformace náhodné velčny
2 2 Otázky generování náhodné velčny 2.1 Náhodnost v smulačním modelu Za smulační metody se považují metody, které modelují reálné jevy stochastcké povahy. Smulací se obvykle rozumí numercká technka provádění hromadných expermentů s modely pomocí počítače [Lews, P. A. W. & Oraw, E. J., 1989]. Typcký postup řešení smulační úlohy je následující: 1. Sestavt matematcký model popsující reálnou stuac. 2. Generovat náhodná čísla z rovnoměrného rozdělení a transformovat je na náhodná čísla z rozdělení požadovaného pro vstupní velčny. 3. Smulovat hodnoty velčn charakterzující model a tyto hodnoty vhodným způsobem regstrovat. 4. Zpracovat a nterpretovat výsledky. Rovnoměrné rozdělení se používá v stuac, kdy o četnostech výsledků přílš mnoho nevíme. Je zřejmé, že př použtí tohoto rozdělení žádné možné výsledky nezvýhodňujeme, a z důvodu nedostatku nformací je považujeme za rovnocenné. Rovnoměrné rozdělení lze dále použít př generování hodnot z jných rozdělení. 2.2 Typcké generátory rovnoměrného rozdělení Cílem používání generátoru je získat posloupnost hodnot, které reprezentují realzace náhodné velčny. Mnoho programovacích jazyků dnes obsahuje ve svých knhovnách procedury, poskytující pseudonáhodná čísla z předem zadaného ntervalu. V mnulost se pro získání čísel jako realzací náhodného výběru z rovnoměrného rozdělení používaly mechancké generátory (např. kostky a rychle se otáčející kotouče), fyzkální generátory (na prncpu zářč - detektor), tabulky náhodných čísel [Hurt, J., 1982]. Z důvodu mnohých technckých pravděpodobnostních problémů př jejch použtí, vznkaly generátory založené na artmetckých procedurách. Použtí rekurentních vzorců př generování náhodné posloupnost sebou přneslo množství výhod. U mechanckých a fyzkálních generátorů neexstovala možnost opakované kontroly výpočtů, neboť realzace takto generovaných náhodných čísel byla unkátní. Navíc bylo možno s rozvojem technky využívat stále se zvyšujícího výpočetního výkonu počítačů. V současnost jsou kromě hardwarových generátorů užívaných v oblast kryptografe a ochrany dat těm nejpoužívanějším právě generátory softwarové. 2.3 Obecné kongruenční generátory Tato skupna generátorů v prax nakonec zcela převládla díky dobrým vlastnostem řady z nch a šroké škále jejch modfkací. Posloupnost pseudonáhodných čísel z ntervalu [0;m) je generována na základě obecného rekurentního vzorce x a x + a n + 1 = ( 0 n + K k n k + x c) mod m Vhodnou volbou parametrů generátorů lze nalézt nepřeberné množství jejch modfkací, které budou mít požadované vlastnost. Mnohdy má PRNG (pseudo random number generator) vlastnost, která se může zdát na první pohled špatná, mohou však exstovat příklady, kdy se může dobře hodt. Obecně lze říc, že ke každému PRNG můžeme najít takový úhel pohledu, z něhož bude vypadat dobře
3 2.4 Vlastnost generátorů Požadavky na kvaltní generátor se mohou lšt. Zaleží především na představách a požadavcích dotyčného a také na druhu aplkace v níž je generátor použt. Unverzální PRNG vyhovující nárokům každého zájemce nebyl a zřejmě an nebude nkdy nalezen, neboť vzhledem k determnstckému charakteru PRNG lze ke každému z nch najít aplkac, pro nž generovaná posloupnost nebude dostatečně dobrá. Nezbývá tedy, než hledat alespoň pro daný případ vyhovující optmum. Škála generátorů dost dobrých splňujících dílčí požadavky, je naštěstí dost šroká a stále nabízí velké množství varací. Ke klíčovým vlastnostem a nečastějším požadavkům na PRNG patří: Rovnoměrné pokrytí celé množny hodnot Maxmální peroda generátoru Nízká korelace mez prvky posloupnost Úspěšný průchod některou baterí statstckých testů Kromě těchto nejdůležtějších vlastností může být také vyžadována realzovatelnost na 8-, 16-, 32- č 64btových procesorech, jednoduchost (nebo složtost) výpočtu, možnost jít s výpočtem čísel v posloupnost zpět dopředu bez počítání mezvýsledků, snadnost mplementace v konkrétním programovacím jazyku, možnost kdykol zopakovat generovanou posloupnost pro kontrolní účely a v neposlední řadě rychlost generování čísel. 2.5 Useknutá rozdělení Dále je vhodné poznamenat, že v smulačních algortmech je možno s výhodou využít useknutá rozdělení neboť řada náhodných velčn vstupujících do modelu nabývá svých hodnot v určtém rozpětí, jehož překročení často není přípustné. 3 Způsoby testování kvalty PRNG 3.1 Statstcké posuzování Teoretcké zkoumání vlastností generátorů je obtížné v jednoduchých případech. Proto se používají statstcké metody, které testují chování generátorů na vybraných vzorcích. Standardně se generovaná posloupnost x 1,,x n pseudonáhodných hodnot studovaného generátoru posuzuje pomocí statstckých testů. S výhodou lze použít testy užívané ve statstcké analýze časových řad [Anděl, J., 1976]. 3.2 Postup př testování Samotné testování generátorů lze provádět různým způsobem. Pokud známe tvar použtého generátoru, lze hodnocení provést teoretcky (např. posouzení perodcty a trendu), případně je možno vyjít z publkovaných výsledků [Rpley, B. D., 1987], [Popela, P., 1996] a [Klíma, V., 1998]. Stuace je však odlšná, jestlže používáme nezdokumentovaný generátor typu black-box. Pak je nutné generovanou posloupnost otestovat dle potřeby na celé sér statstckých procedur. Přtom je vhodné volt testy podle očekávaného použtí generátoru, např. př řešení smulačních úloh ve spolehlvost hrají významnou rol chvosty rozdělení je tedy vhodné zaměřt testování na ně. 3.3 Posuzované statstcké vlastnost Zajímá nás staconarta generované posloupnost, zejména zjšťujeme exstenc případného nenulového trendu. Není třeba zabývat se exstencí trendu přílš podrobně, neboť jeho přítomnost v testované posloupnost lze odhalt nejsnáze, a navíc je přítomnost trendu známkou jen skutečně nekvaltního generátoru. Dále se zabýváme perodctou, tedy exstencí významných cyklů v generované posloupnost. Je vhodné zobrazt zkoumanou posloupnost pomocí lomené čáry a pak analýzou grafu získat první odhad koefcentů nosné vlny
4 Otázka nezávslost generovaných hodnot se posuzuje pomocí nulovost autokorelací. Případně s všímáme bodů zvratu. Testy se dále ověřuje, zda daná posloupnost je realzací rozdělení základního souboru. Testy chí-kvadrát a Kolmogorov-Smrnov mohou být doplněny odhadem parametrů rozdělení. Základním úkolem je testovat rovnoměrnost rozložení generovaných hodnot. Z programátorského hledska je též nutné zhodnott každý generátor podle nároků na paměť a čas. Jak je obvyklé, nelze často dosáhnout uspokojvých výsledků u obou parametrů. Zřejmě použtí tabelace je náročnější na paměť, ale výpočty urychluje. 4 Návrh struktury testovacího systému V prax se jako nejschůdnější cesta ke zjštění statstckých vlastností daného generátoru jeví jeho podrobení bater testů. V návaznost na předchozí odstavce byla navržena struktura balíku testovacích procedur. Výsledkem návrhu může být základ budoucího expertního systému, lépe řečeno struktura navazujících a vzájemně propojených statstckých testů. STATIONARITY MAIN REPORT LOCAL REPORT PERIODICITY INDEPENDENCY nez.vzual <- functon(data){ #autokorelacn fce acf(data,m an='autocorrelaton functon') #lagged plot lag.plot(data[1:set1],lags=4,la yout=c(2,2)).. UNIFORMITY Obrázek 1: Schéma struktury balíku testovacích procedur (ukázka programového kódu vz. [Mathsoft, 1995]) - 4 -
5 Posloupnost náhodných čísel je v tomto systému podrobena čtyřem základním typům statstckých testů. Jednotlvé procedury jsou vzájemně provázané, tedy výsledek jednoho testu podmňuje jstým způsobem směr dalšího postupu. Podrobné výsledky každého použtého testu jsou zobrazovány a ukládány, celkový přehled o testování je zobrazen zvlášť. Testovaná data postupně protékají shora dolů, přčemž je umožněn jak opakovaný průchod lbovolným testem, tak celým systémem s možností resamplngu zkoumaných dat. 5 Transformace náhodné velčny 5.1 Transformace teoretckých rozdělení Dostatečně přesnou nformac o rozdělení transformované náhodné velčny by nám mohlo dát jeho analytcké vyjádření. Jak je ovšem vdět z následujícího odstavce, jeho získání je většnou spojeno se značným obtížem. 5.2 Obecná transformace Předpokládejme, že známe rozdělení náhodného vektoru X ~ F(t) (tj. se zadanou sdruženou dstrbuční funkcí F) a transformac h. Hledáme rozdělení náhodného vektoru Y. Uvažujme dále jednu jeho složku Y, přčemž hledáme její margnální dstrbuční funkc G (u ). Potom platí: G ( u ) = P( Y < u ) = df( t ). h ( t) < u Výpočet uvedeného vícerozměrného ntegrálu je většnou netrvální, a navíc pouze v případě nezávslost složek Y lze vyjádřt jeho sdruženou dstrbuční funkc G(u) poměrně jednoduše jako m = 1 G ( u ). Jako další možnost se nabízí použít explctní vztahy pro některá konkrétní rozdělení a transformace nebo s využtím centrální lmtní věty použít aproxmace rozdělení [Popela, P., 1996]. 5.3 Použtelnost teoretckých výsledků Použtelnost uvedených dále v lteratuře zobecňovaných teoretckých výsledků je však omezená. Je to dáno tím, že reálné smulační modely mají složtou nelneární strukturu, kterou obvykle nelze aproxmovat č reprezentovat uvedeným vztahy. Proto teoretcké odvození výsledného rozdělení nebývá snadné a rovněž vzhledem k nelneartám většnou nelze použít aproxmace pomocí centrální lmtní věty, případně vět obecnějších nebo souvsejících (vz např. seznam lteratury v [Karpíšek, Z. & Škulová, M., 1997]). Z výše uvedených důvodů často nezbývá nc jného, než získat nformac o výstupním rozdělení smulací. Potřebujeme se zamyslet nad exstencí obecnějších transformací, které by umožnly pro prvotní rovnoměrné rozdělení získat hodnoty jného, nám vybraného rozdělení. Nejobecnější a zároveň nejvhodnější transformací, která umožňuje získat hodnoty z nám vybraného rozdělení je metoda nverzní transformace pomocí kvantlové funkce [Karpíšek, Z. & Škulová, M., 1997]
6 6 Proces smulace SADA GENERÁTORŮ USEKNUTÉHO ROZDĚLENÍ VSTUP MATEMATICKÝ MODEL INICIALIZACE VLASTNÍ CYKLUS SIMULACE VÝSTUP TRANSFORMOVANÉ ROZDĚLENÍ, VÝPOČET KVANTILŮ Obrázek 2: Schéma smulačního algortmu Následuje lustrační příklad ve kterém je z pravděpodobnostního pohledu posouzena možnost únavového porušení kmtající ocelové mostní stojky. Příklad je zpracován v systému S-PLUS [MATHSOFT, 1995]. Z dlouhodobého měření rychlost větru v dané lokaltě a zjštěného rozkmtu stojky byly stanoveny střední hodnoty rozkmtů nomnálního napětí a odpovídající střední hodnoty počtu cyklů za týden. Pravděpodobnost porušení byla vyjádřena z dstrbuční funkce doby žvota. Z Wöhlerovy křvky a s předpokladem, že všechny rozkmty napětí jsou poškozující, byl př uvážení Palmgren-Mnerovy hypotézy kumulace poškození sestaven matematcký model smulace. Obrázek 3: Vstupní data smulace Výsledkem smulace je hstogram četností transformovaného rozdělení pravděpodobnost porušení a odhad základních charakterstk výstupního rozdělení. Spolehlvost mostní stojky je následně určena ze zvolených kvantlů. Po krocích Mn : Max : Mean : Medan: Var : StDev. : Po krocích Mn : Max : Mean : Medan: Varance: StDev. : Obrázek 4 : Výsledný hstogram četností Tabulka 1 : Charakterstky výstupního rozdělení - 6 -
7 7 Závěr V předloženém příspěvku byly dskutovány problémy př použtí smulačních metod v oblast spolehlvost. Prvním z nch byla otázka kvalty PRNG vstupujících do smulačního modelu. Byly popsány a analyzovány některé typcké generátory rovnoměrného rozdělení a jejch klíčové vlastnost. S ohledem na výhody statstckého posuzování byl navržen obecný rámec pro jejch ucelené testování. V další část byla dskutována otázka kvalty a vhodnost různých typů transformace náhodné velčny v návaznost na souvsející problémy pozorované u některých výpočtových systémů. Se znalostí kvaltních generátorů, vhodné transformace a s využtím vlastností useknutých rozdělení dostáváme všechny potřebné nástroje nutné k realzac výpočtu spolehlvostních úloh, jejchž řešení bylo převedeno na řešení smulačního modelu [Lews, P. A. W. & Oraw, E. J., 1989]. Problém byl řešen v rámc vědecko-výzkumného záměru CEZ: J22/98: Netradční metody studa komplexních a neurčtých systémů. 8 Lteratura KARPÍŠEK, Z. & ŠIKULOVÁ, M. Matematka IV, VUT Brno, 1997 HURT, J. Smulační metody, SPN Praha, 1982 RIPLEY, B. D. Stochastc smulaton, J. Wley & Sons, 1987 MATHSOFT, S-PLUS v3.3 Reference manual, Mathsoft, 1995 MATHSOFT, S-PLUS v3.3 User`s manual, Mathsoft, 1995 MATHSOFT, S-PLUS v3.3 Programmer s manual, Mathsoft, 1995 MATHSOFT, S-PLUS v3.3 Programmer s manual supplement, Mathsoft, 1995 MAREK, P. et al: Smulaton based relablty asssessment, CRC Press, 1996 POPELA, P. Generátory náhodných čísel a jejch testování VZ GAČR 103/94/0562, Brno, 1996 TEPLÝ, B. & NOVÁK, D. Spolehlvost stavebních konstrukcí, CERM Brno, 1999 BÍLÝ, M. & SEDLÁČEK, J. Spoľahlvosť mechanckých konštrukcí, VEDA, 1983 KLÍMA, V. Generátory náhodných čísel I-IV, CHIP č.3, 4, 5, 6, 1998 ANDĚL, J. Statstcká analýza časových řad, SNTL Praha 1976 LEWIS, P. A. W. & ORAW, E. J. Smulaton methodology, Wadsworth Inc
Simulační metody hromadné obsluhy
Smulační metody hromadné osluhy Systém m a model vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělt fyzckou neo myšlenkovou hrancí Model Zjednodušený, astraktní nástroj používaný pro
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VícePorovnání GUM a metody Monte Carlo
Porovnání GUM a metody Monte Carlo Ing. Tomáš Hajduk Nejstota měření Parametr přřazený k výsledku měření Vymezuje nterval, o němž se s určtou úrovní pravděpodobnost předpokládá, že v něm leží skutečná
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
VíceJihočeská univerzita v Českých Budějovicích. Pedagogická fakulta Katedra fyziky. Bakalářská práce
Jhočeská unverzta v Českých Budějovcích Pedagogcká fakulta Katedra fyzky Bakalářská práce České Budějovce 007 Tomáš Bürger Jhočeská unverzta v Českých Budějovcích Pedagogcká fakulta Katedra fyzky Generování
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
VíceJiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace
Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceVLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ
VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje
VícePřednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
VícePravděpodobnost, 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
VíceNÁHODNÁ 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
VíceMetody zvýšení rozlišovací obrazů
XXVI. ASR '21 Semnar, Instruments and Control, Ostrava, Aprl 26-27, 21 Paper 7 Metody zvýšení rozlšovací obrazů BRADÁČ, Frantšek Ing., Ústav výrobních strojů, systémů a robotky, Vysoké učení techncké v
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
VíceAnalýza závislosti veličin sledovaných v rámci TBD
Analýza závslost velčn sledovaných v rámc BD Helena Koutková Vysoké učení techncké v Brně, Fakulta stavební, Ústav matematky a deskrptvní geometre e-mal: koutkovah@fcevutbrcz Abstrakt Příspěvek se zabývá
VíceTransformace dat a počítačově intenzivní metody
Transformace dat a počítačově ntenzvní metody Jří Mltký Katedra textlních materálů, Textlní fakulta, Techncká unversta v Lberc, Lberec, e- mal jr.mltky@vslb.cz Mlan Meloun, Katedra analytcké cheme, Unversta
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceMEZNÍ STAVY A SPOLEHLIVOST OCELOVÝCH KONSTRUKCÍ LIMIT STATES AND RELIABILITY OF STEEL STRUCTURES
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta stavební Ústav stavební mechanky Doc. Ing. Zdeněk Kala, Ph.D. MEZNÍ STAVY A SPOLEHLIVOST OCELOVÝCH KONSTRUKCÍ LIMIT STATES AND RELIABILITY OF STEEL STRUCTURES TEZE
VíceOptimalizační přístup při plánování rekonstrukcí vodovodních řadů
Optmalzační přístup př plánování rekonstrukcí vodovodních řadů Ladslav Tuhovčák*, Pavel Dvořák**, Jaroslav Raclavský*, Pavel Vščor*, Pavel Valkovč* * Ústav vodního hospodářství obcí, Fakulta stavební VUT
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VíceVYBOČUJÍCÍ HODNOTY VE VÍCEROZMĚRNÝCH DATECH
VYBOČUJÍCÍ HODOTY VE VÍCEROZMĚRÝCH DATECH JIŘÍ MILITKÝ, Katedra tetlních materálů, Techncká unversta v Lberc, Hálkova 6 461 17 Lberec, e- mal: jr.mlky@vslb.cz MILA MELOU, Katedra analytcké cheme, Unversta
VíceObsah. Příloha (celkový počet stran přílohy 13) Závěrečná zpráva o výsledcích experimentu shodnosti ZČB 2013/2
Závěrečná zpráva o výsledcích expermentu shodnost ZČB 2013/2 Obsah Úvod a důležté kontakty... 2 Postupy statstcké analýzy expermentu shodnost... 4 2.1 Numercký postup zjšťování odlehlých hodnot... 4 2.1.1
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
Více4 Parametry jízdy kolejových vozidel
4 Parametry jízdy kolejových vozdel Př zkoumání jízdy železnčních vozdel zjšťujeme většnou tř základní charakterstcké parametry jejch pohybu. Těmto charakterstkam jsou: a) průběh rychlost vozdel - tachogram,
Více9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně
9. Měření knetky dohasínání fluorescence ve frekvenční doméně Gavolův experment (194) zdroj vzorek synchronní otáčení fázový posun detektor Měření dob žvota lumnscence Frekvenční doména - exctace harmoncky
VíceSborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2007, ročník VII, řada stavební článek č.???
Sborník vědeckých prací Vysoké školy báňské - Techncké unverzty Ostrava číslo, rok 007, ročník VII, řada stavební článek č.??? Petr Konečný SIMULACE KORELOVANÝCH NEPARAMETRICKÝCH ROZDĚLENÍ V RÁMCI METODY
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceSIMULACE A ŘÍZENÍ PNEUMATICKÉHO SERVOPOHONU POMOCÍ PROGRAMU MATLAB SIMULINK. Petr NOSKIEVIČ Petr JÁNIŠ
bstrakt SIMULCE ŘÍZENÍ PNEUMTICKÉHO SERVOPOHONU POMOCÍ PROGRMU MTL SIMULINK Petr NOSKIEVIČ Petr JÁNIŠ Katedra automatzační technky a řízení Fakulta stroní VŠ-TU Ostrava Příspěvek popsue sestavení matematckého
VícePravděpodobnost, 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
VíceMOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD
XV. konference absolventů studa technckého znalectví s meznárodní účastí MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD Zdeněk Mrázek 1 1. Ř ešení stř etu u fngovaných
VíceNumerické metody optimalizace
Numercké metody optmalzace Numercal optmzaton methods Bc. Mloš Jurek Dplomová práce 2007 Abstrakt Abstrakt česky Optmalzační metody představují vyhledávání etrémů reálných funkcí jedné nebo více reálných
VíceOtto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 14522
Otto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 145 UNCERTAINTY OF DETEMINATION OF THE AUTO-IGNITION TEMPERATURE OF FLAMMABLE GASES OR VAPOURS
VíceMODELOVÁNÍ SEISMICKÉHO ZDROJE JAKO REÁLNÁ TESTOVACÍ ÚLOHA PRO NELINEÁRNÍ INVERSNÍ ALGORITMUS
MODELOVÁNÍ SEISMICKÉHO ZDROJE JAKO REÁLNÁ TESTOVACÍ ÚLOHA PRO NELINEÁRNÍ INVERSNÍ ALGORITMUS P. Kolář, B. Růžek, P. Adamová Geofyzkální ústav AV ČR, Praha Abstrakt Pro vyvíjený nelneární nversní algortmus
VícePřemysl Žiška, Pravoslav Martinek. Katedra teorie obvodů, ČVUT Praha, Česká republika. Abstrakt
ALGORITMUS DIFERENCIÁLNÍ EVOLUCE A JEHO UŽITÍ PRO IDENTIFIKACI NUL A PÓLŮ PŘE- NOSOVÉ FUNKCE FILTRU Přemysl Žška, Pravoslav Martnek Katedra teore obvodů, ČVUT Praha, Česká republka Abstrakt V příspěvku
VíceČíslicové zpracování a analýza signálů (BCZA) Spektrální analýza signálů
Číslcové zpracování a analýza sgnálů (BCZA) Spektrální analýza sgnálů 5. Spektrální analýza sgnálů 5. Spektrální analýza determnstckých sgnálů 5.. Dskrétní spektrální analýza perodckých sgnálů 5..2 Dskrétní
VíceSÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.
SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí
VíceStaré mapy TEMAP - elearning
Staré mapy TEMAP - elearnng Modul 4 Kartometrcké analýzy Ing. Markéta Potůčková, Ph.D., 2013 Přírodovědecká fakulta UK v Praze Katedra aplkované geonformatky a kartografe Kartometre a kartometrcké vlastnost
VíceMĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electric Parameter Measurement in PWM Powered Circuits
Techncká 4, 66 07 Praha 6 MĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electrc Parameter Measurement n PWM Powered Crcuts Martn Novák, Marek Čambál, Jaroslav Novák Abstrakt: V
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
VíceHUDEBNÍ EFEKT DISTORTION VYUŽÍVAJÍCÍ ZPRACOVÁNÍ PŘÍRŮSTKŮ SIGNÁLŮ ČASOVĚ
HUDEBÍ EFEKT DISTORTIO VYUŽÍVAJÍCÍ ZPRACOVÁÍ PŘÍRŮSTKŮ SIGÁLŮ ČASOVĚ VARIATÍM SYSTÉMEM Ing. Jaromír Mačák Ústav telekomunkací, FEKT VUT, Purkyňova 118, Brno Emal: xmacak04@stud.feec.vutbr.cz Hudební efekt
VíceEnergie elektrického pole
Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný
VíceČísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.
Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
Více4.4 Exploratorní analýza struktury objektů (EDA)
4.4 Exploratorní analýza struktury objektů (EDA) Průzkumová analýza vícerozměrných dat je stejně jako u jednorozměrných dat založena na vyšetření grafckých dagnostk. K tomuto účelu se využívá různých technk
VíceÚvod Terminologie Dělení Princip ID3 C4.5 CART Shrnutí. Obsah přednášky
Obsah přednášky. Úvod. Termnologe 3. Základní dělení 4. Prncp tvorby, prořezávání a použtí RS 5. Algortmus ID3 6. C4.5 7. CART 8. Shrnutí A L G O RI T M Y T E O R I E Stromové struktury a RS Obsah knhy
VíceGenerování 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
VíceNeřešené příklady k procvičení
Vysoká škola báňská - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra aplkované matematky Neřešené příklady k procvčení Lenka Šmonová Ostrava, 2006 Následující sbírka neřešených příkladů
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
VíceLineární a adaptivní zpracování dat. 8. Kumulační zvýrazňování signálů v šumu 2
Lneární a adaptvní zpracování dat 8. Kumulační zvýrazňování sgnálů v šumu 2 Danel Schwarz Investce do rozvoe vzdělávání Opakování Kumulační zpracování sgnálů co to e, k čemu to e? Prncp metody? Nutné podmínky
Více7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM
7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané
Víceí I - 13 - Průchod a rozptyl záření gama ve vrstvách materiálu Prof. Ing. J. Šeda, DrSc. KDAIZ - PJPI
- 13 - í Průchod a rozptyl záření gama ve vrstvách materálu Prof. ng. J. Šeda, DrSc. KDAZ - PJP Na našem pracovšt byl vypracován program umožňující modelovat průchod záření gama metodou Monte Carlo, homogenním
Více6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceStatistická šetření a zpracování dat.
Statstcká šetření a zpracování dat. Vyjadřovací prostředky ve statstce STATISTICKÉ TABULKY Typckým vyjadřovacím prostředkem statstky je číslo formalzovaným nástrojem číselného vyjádření je statstcká tabulka.
VíceANALÝZA RIZIKA A CITLIVOSTI JAKO SOUČÁST STUDIE PROVEDITELNOSTI 1. ČÁST
Abstrakt ANALÝZA ZKA A CTLOST JAKO SOUČÁST STUDE POVEDTELNOST 1. ČÁST Jří Marek Úspěšnost nvestce závsí na tom, jaké nejstoty ovlvní její předpokládaný žvotní cyklus. Pomocí managementu rzka a analýzy
VíceALGORITMUS SILOVÉ METODY
ALGORITMUS SILOVÉ METODY CONSISTENT DEFORMATION METHOD ALGORITHM Petr Frantík 1, Mchal Štafa, Tomáš Pal 3 Abstrakt Příspěvek se věnuje popsu algortmzace slové metody sloužící pro výpočet statcky neurčtých
VíceKonverze kmitočtu Štěpán Matějka
1.Úvod teoretcký pops Konverze kmtočtu Štěpán Matějka Směšovač měnč kmtočtu je obvod, který přeměňuje vstupní sgnál s kmtočtem na výstupní sgnál o kmtočtu IF. Někdy bývá tento proces označován také jako
Více2 TESTOVÁNÍ HYPOTÉZ. RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevil jsem pravdu! ale raději: Objevil jsem jednu z pravd! Chalil Gibran
Elena Melcová, Radmla Stoklasová a Jaroslav Ramík; Statstcké programy TESTOVÁNÍ HYPOTÉZ RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevl jsem pravdu! ale raděj: Objevl jsem jednu z pravd! Chall Gbran Testování hypotéz
Více11 Tachogram jízdy kolejových vozidel
Tachogram jízdy kolejových vozdel Tachogram představuje znázornění závslost rychlost vozdel na nezávslém parametru. Tímto nezávslým parametrem může být ujetá dráha, pak V = f() dráhový tachogram, nebo
Více8a.Objektové metody viditelnosti. Robertsův algoritmus
8a. OBJEKOVÉ MEODY VIDIELNOSI Cíl Po prostudování této kaptoly budete znát metody vdtelnost 3D objektů na základě prostorových vlastností těchto objektů tvořt algortmy pro určování vdtelnost hran a stěn
VíceMechatronické systémy s elektronicky komutovanými motory
Mechatroncké systémy s elektroncky komutovaným motory 1. EC motor Uvedený motor je zvláštním typem synchronního motoru nazývaný též bezkartáčovým stejnosměrným motorem (anglcky Brushless Drect Current
VícePŘÍSPĚVEK K NEJISTOTÁM VÝSLEDKŮ MĚŘENÍ
PŘÍSPĚVEK K NEJISTOTÁM VÝSLEDKŮ MĚŘENÍ JIŘÍ MILITKÝ, Katedra textlních materálů, Techncká unversta v Lberc, MILAN MELOUN, Katedra analytcké cheme, Unversta Pardubce, Pardubce. Úvod Je známo, že měření
VíceANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE
ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE Jana Valečková 1 1 Vysoká škola báňská-techncká unverzta Ostrava, Ekonomcká fakulta, Sokolská
VícePARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ
PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ Ing. David KUDLÁČEK, Katedra stavební mechaniky, Fakulta stavební, VŠB TUO, Ludvíka Podéště 1875, 708 33 Ostrava Poruba, tel.: 59
VíceTEORIE NETKANÝCH TEXTILIÍ. Isingův model pro studium smáčení vlákenných systémů Počítačová simulace 8.přednáška
TEORIE NETKANÝCH TEXTILIÍ Isngův model pro studum smáčení vlákenných systémů Počítačová smulace 8.přednáška Automodel (Isngův model) a metoda Monte Carlo jako prostředek pro smulac jevů smáčení porézních
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
Vícepodle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y
4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.
VíceDirectional Vehicle Stability Prototyping Using HIL Simulation Ověření systému řízením jízdy automobilu metodou HIL simulací
XXXII. Semnar AS '2007 Instruments and ontrol, arana, Smutný, Kočí & Babuch (eds) 2007, VŠB-TUO, Ostrava, ISBN 978-80-248-1272-4 Drectonal Vehcle Stablty rototypng Usng HIL Smulaton Ověření systému řízením
VíceOptimalizace metod pro multimediální aplikace v geodézii v prostředí IP sítí
Acta Montanstca Slovaca Ročník 12 (2007), mmoradne číslo 3, 311-317 Optmalzace metod pro multmedální aplkace v geodéz v prostředí IP sítí Mlan Berka 1 Optmzaton of Methods for Geodetc Data for Multcast
VíceVĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT
VĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT Mlan Meloun Unverzta Pardubce, Čs. Legí 565, 53 10 Pardubce, mlan.meloun@upce.cz 1. Obecný postup analýzy jednorozměrných dat V prvním kroku se v
VíceXXX. ASR '2005 Seminar, Instruments and Control, Ostrava, April 29,
XXX. ASR '2005 Semnar, Instruments and Control, Ostrava, Aprl 29, 2005 449 Usng flockng Algorthm and Vorono Dagram for Moton Plannng of a Swarm of Robots Plánování pohybu skupny robotů pomocí flockng algortmu
VíceEKONOMICKO-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
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
Více7. 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,
VíceHodnocení účinnosti údržby
Hodnocení účnnost ekonomka, pojmy, základní nástroje a hodnocení Náklady na údržbu jsou nutné k obnovení funkce výrobního zařízení Je potřeba se zabývat ekonomckou efektvností a hodnocením Je třeba řešt
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VíceVýpočet únosnosti ocelových obloukových výztuží chodeb z profilů TH29 a TH34 z oceli H500M (31Mn4 ) VÚOOVCH
Vysoká škola báňská Techncká unverzta Ostrava Fakulta stavební Katedra stavební mechanky UŽIVATELSKÁ PŘÍRUČKA Výpočet únosnost ocelových obloukových výztuží chodeb z proflů TH29 a TH34 z ocel H500M (3Mn4
VíceUmělé neuronové sítě a Support Vector Machines. Petr Schwraz
Umělé neuronové sítě a Support Vector Machnes Petr Schraz scharzp@ft.vutbr.cz Perceptron ( neuron) x x x N f() y y N f ( x + b) x vstupy neuronu váhy jednotlvých vstupů b aktvační práh f() nelneární funkce
VíceValidation of the selected factors impact on the insured accident
6 th Internatonal Scentfc Conference Managng and Modellng of Fnancal Rsks Ostrava VŠB-TU Ostrava, Faculty of Economcs,Fnance Department 0 th th September 202 Valdaton of the selected factors mpact on the
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceURČOVÁNÍ TRENDŮ A JEJICH VÝZNAM PRO EKONOMIKU
URČOVÁNÍ TRENDŮ A JEJICH VÝZNAM PRO EKONOMIKU Rudolf Kampf ÚVOD Pro marketng, management a vůbec pro člověka je jstě důležté vědět, jak se bude vyvíjet stuace v ekonomce, stuace v určtém státě z hledska
VíceDigitální přenosové systémy a účastnické přípojky ADSL
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechncká LABORATORNÍ ÚLOHA Č. 2 Dgtální přenosové systémy a účastncké přípojky ADSL Vypracoval: Jan HLÍDEK & Lukáš TULACH V rámc předmětu: Telekomunkační
Více31 : : : : : 39
VLIV METALURGICKÝCH A TECHNOLOGICKÝCH PARAMETRŮ VÝROBY A ZPRACOVÁNÍ LOŽISKOVÝCH OCELÍ NA JEJICH MIKROSTRUKTURU APLIKACE SHLUKOVÉ ANALÝZY APPLYING CLUSTER ANALYSIS - METALLURGY AND TECHNOLOGICAL PARAMETERS
VíceSCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Seres B The Jan Perner Transport Faculty 5 (1999) APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ Mchal MUSIL Katedra provozní spolehlvost, dagnostky
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
VíceUsing a Kalman Filter for Estimating a Random Constant Použití Kalmanova filtru pro výpočet odhadu konstantní hodnoty
II. Semnar ASR 007 Instruments and Control, Farana, Smutný, Kočí & Babuch (eds) 007, VŠB-TUO, Ostrava, ISB 978-80-48-7-4 Usng a Kalman Flter for Estmatng a Random Constant Použtí Kalmanova fltru pro výpočet
VíceANALÝZA RIZIKA A JEHO CITLIVOSTI V INVESTIČNÍM PROCESU
AALÝZA RIZIKA A JEHO CITLIVOSTI V IVESTIČÍM PROCESU Jří Marek ) ABSTRAKT Príspevek nformuje o uplatnene manažmentu rzka v nvestčnom procese. Uvádza príklad kalkulace rzka a analýzu jeho ctlvost. Kľúčové
VíceGenerátory 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
VícePosuzování dynamiky pohybu drážních vozidel ze záznamu jejich jízdy
Posuzování dynamky pohybu drážních vozdel ze záznamu jejch jízdy Ing. Jaromír Šroký, Ph.D. ŠB-Techncká unverzta Ostrava, Fakulta strojní, Insttut dopravy, tel: +40 597 34 375, jaromr.sroky@vsb.cz Úvod
VíceVysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky LOGICKÉ OBVODY pro kombinované a distanční studium
Vysoká škola báňská - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky LOGICKÉ OBVODY pro kombnované a dstanční studum Zdeněk Dvš Zdeňka Chmelíková Iva Petříková Ostrava ZDENĚK DIVIŠ, ZDEŇKA
VíceVÝPOČET PŘETVOŘENÍ PŘÍHRADOVÝCH KONSTRUKCÍ SILOVOU METODOU řešený příklad pro BO004
VÝPOČET PŘETVOŘENÍ PŘÍHRADOVÝCH KONSTRUKCÍ SILOVOU METODOU řešený příklad pro BO00 Slová metoda využívá prncp vrtuální práce. Zavádí se nový zatěžovací stav vrtuální zatížení. V tomto zatěžovacím stavu
Více