3 Neparametrické odhady
|
|
- Sabina Blažková
- před 5 lety
- Počet zobrazení:
Transkript
1 3 Neparametrcké ohay Přepokláané výstupy z výuky: 1. Stuent zná výhoy a nevýhoy neparametrckých ohaů funkce přežtí. Stuent e schopen sestrot Kaplanův-Meerův oha funkce přežtí 3. Stuent e schopen sestrot oha funkce přežtí pomocí metoy úmrtnostních tabulek 4. Stuent e schopen sestrot Nelsonův-Aalenův oha kumulatvní rzkové funkce 5. Stuent okáže uveené neparametrcké ohay oplnt 100(1-α)% ntervalem spolehlvost Neparametrcké metoy v analýze přežtí přestavuí v současné obě nepoužívaněší nástroe pro honocení at o přežtí. Tato kaptola prezentue hlavní neparametrcké metoy pro oha klíčových funkcí v analýze přežtí funkce přežtí a kumulatvní rzkové funkce a hlavních číselných charakterstk meánu přežtí a průměrné élky přežtí. Prezentovány sou metoy pro konstrukc ntervalů spolehlvost. 3.1 Parametrcké a neparametrcké ohay Statstcké metoy lze obecně rozělt na záklaě ech přepoklau o charakteru pozorovaných at na parametrcké a neparametrcké. Parametrcké metoy (parametrc survval analyss) vyžauí specfkac konkrétního rozělení náhoné velčny T, zatímco neparametrcké metoy (nonparametrc survval analyss) žáné zvláštní přepoklay ohleně rozělení pravěpoobnost náhoné velčny T nevyžauí. V přípaě mecínských aplkací e znalost konkrétního rozělení velčny T velm omezená, což společně s enouchostí použtí ční neparametrcké metoy šroce používaným v analýze přežtí. Na ruhou stranu znalost rozělení pravěpoobnost náhoné velčny T e vžy výhoná, neboť použtí parametrckých meto e většnou enoušší a př korektně specfkovaném rozělení přesněší. Pomínka korektní specfkace rozělení pravěpoobnost e však nesmírně ůležtá. Poku totž přepoklááme pravěpoobnostní chování stuované cílové populace le určtého rozělení, ale ve skutečnost tento přepokla splněn není, e špatně specfkace celého statstckého moelu, což vee k zaváěícím výslekům a nenterpretovatelným závěrům. V analýze přežtí efnueme eště alší skupnu meto označovanou ako semparametrcké (semparametrc survval analyss). Jená se o moelovací přístupy, které nesou plně parametrcké, protože nevyžauí přepokla o znalost rozělení velčny T, ncméně akožto moely s parametry, respektve regresním koefcenty pracuí. Neznáměší semparametrckou metoou e tzv. Coxův regresní moel proporconálních rzk, který e blíže vysvětlen v kaptole Kaplanův-Meerův oha funkce přežtí Neznáměším a nepoužívaněším neparametrckým ohaem funkce přežtí, který se stal stanarem pro honocení přežtí v klnckých stuích e Kaplanův-Meerův oha funkce 1
2 přežtí (Kaplan-Meer estmator) [1]. Myšlenka výpočtu e enouchá, aby byl subekt v čase t bez sleované uálost (aby se např. pacent s náorovým onemocněním ožl času, nesmí se u ně uálost vyskytnout v žáném čase t * takovém, pro něž platí, že t * < t. Abychom tey mohl ohanout pravěpoobnost, že u aného subektu se o času t nevyskytne sleovaná uálost, musíme ohanout opovíaící pravěpoobnost také pro všechny časy t *, které času t přecházeí. Přepokláeme n různých časů přežtí takových, že t 1 < t < < t n < t. Pak pravěpoobnost přežtí bez výskytu sleované uálost až o času t, S(, lze vyářt pomocí vztahu (3.1) Abychom získal oha S(, e třeba specfkovat enotlvé komponenty rovnce (3.1). Vzhleem k tomu, že nemáme k spozc nou vstupní nformac než pozorované honoty, můžeme pravěpoobnost přežtí aného času vyářt pouze s pomocí úaů o úmrtí v aném čase. Obecně lze tey psát 1, (3.) ke e počet sleovaných uálostí zaznamenaných v čase t a e počet subektů v rzku výskytu sleované uálost v čase t, což e počet subektů, kteří bez sleované uálost přečkal čas t 1. Funkc přežtí pak můžeme ohanout pomocí vztahu. (3.3) Př ohau pravěpoobností přežtí enotlvých časů t e třeba aekvátně zohlent cenzorování. Cenzorované časy přežtí totž nelze honott steně ako kompletní pozorování, neboť nepřspívaí k, ale zároveň e nelze z honocení vyřat. Kaplanův-Meerův oha pracue s cenzorováním tak, že tato pozorování vypaávaí ze skupny subektů v rzku hne po zaznamenaném čase cenzorování. Je-l tey čas t cenzorovaný a platí, že t < t < t +1, pak aný subekt e v čase t započítán o skupny subektů v rzku ( ), ale v násleuícím pozorovaném čase výskytu sleované uálost t +1 ho ž o skupny v rzku ( +1 ) nezahrnueme. Výslený vzorec pro Kaplanův-Meerův oha funkce přežtí lze tey enouchou úpravou vztahu (3.3) zapsat ako 1. (3.4) Praktcky počítáme výše uveený součn pouze přes kompletní časy přežtí, ncméně teoretcky ho lze efnovat přes všechny pozorované časy přežtí s tím, že cenzorované časy přežtí k ohau přspívaí pouze prostřenctvím, neboť pro cenzorované časy e = 0.
3 3..1 Greenwooův vzorec Pro konstrukc 100(1 α)% ntervalu spolehlvost pro oha potřebueme získat eho rozptyl, tey var. Vzhleem k tomu, že oha e án ako součn, e vhoněší ho neříve zlogartmovat a převést tak na součet enotlvých ohaů. Dále lze ukázat, že korelace enotlvých ohaů a e nulová, což nám umožňue použít enouché pravlo pro počítání s rozptylem náhoné velčny. Výše uveené vee ke vztahu var ( ln Sˆ( ) = var ( ) ln = var ln = var( ln( )). (3.5) t t t K ovození rozptylu logartmu lze využít fakt, že maxmálně věrohoným ohaem pravěpoobnost p e číslo 1 / a tzv. elta metou (elta metho) []. Dostáváme tak oha rozptylu logartmu ve tvaru var ( ln( p )) ˆ 1 = p ˆ 1 var( ) = = ( ). (3.6) Dosaíme-l tento vztah zpět o (3.5) a použeme-l znovu elta metou, získáme výslený oha rozptylu S ˆ(, který e označován ako tzv. Greenwooův vzorec (Greenwoo s formula) [3], ve tvaru ( Sˆ( ) = ( Sˆ( ) var. (3.7) t ( ) Greenwooův vzorec e stanarem pro oha varablty Kaplanova-Meerova ohau funkce přežtí a e mplementován ve většně ostupných softwarů, které umožňuí analýzu přežtí. Exstuí však alternatvní ohay, se kterým se můžeme v lteratuře softwarech setkat, příklaem e oha le autorů Peto a kol. [4], kteří navrhl oha rozptylu Sˆ ( ve tvaru var 1, (3.8) ke n t e počet subektů v rzku v čase t. Tento oha byl navržen pro časy, ky se S ˆ( blíží honotám 1 nebo 0 a př nchž by oha pomocí Greenwooova vzorce mohl skutečnou varabltu pohonocovat [5]. 3
4 (1 α)% nterval spolehlvost pro Kaplanův-Meerův oha Nepoužívaněším postupem pro konstrukc 100(1 α)% ntervalu spolehlvost pro oha S ˆ( e využtí aproxmace normálním rozělením, kterou nám umožňue platnost centrální lmtní věty. Za přepoklau, že aproxmace normálním rozělením e korektní (pomínky obré aproxmace souvsí přeevším s ostatečným množstvím subektů zahrnutých o analýzy), můžeme zkonstruovat 100(1 α)% nterval spolehlvost pro Kaplanův-Meerův oha pravěpoobnost přežtí v čase t násleuícím způsobem ( S( z var( Sˆ( ); Sˆ( z var( Sˆ( ))) ˆ 1 α / + 1 α / t, (3.9) ke z (1 α ) označue 100(1 α )% kvantl stanarzovaného normálního rozělení. Výhoou tohoto vyáření e eho výpočetní enouchost a ostupnost, nevýhoou e eho symetre. V blízkost honot 1 a 0 e totž symetrcký nterval spolehlvost pro oha funkce přežtí nevhoný, neboť přpouští honoty přežtí větší než 1 nebo naopak honoty záporné. Z praktckých ůvoů se tak častě používá konstrukce 100(1 α)% ntervalu spolehlvost s využtím transformace ohau S ˆ( na honoty z ntervalu (-, ). Ta nám totž umožní se vyhnout výše uveeným komplkacím. Příklaem e použtí komplementární logartmcké transformace, př níž transformueme oha funkce přežtí ako lnln, (3.10) což s využtím elta metoy pro ovození rozptylu výrazu (3.10), varlnln, a po aplkac pravel pro počítání s mocnnam vee na výslený tvar 100(1 α)% ntervalu spolehlvost pro S ˆ( ve tvaru 1/, 1/. (3.11) 3. Oha funkce přežtí metoou úmrtnostních tabulek Záklaní myšlenka ohau funkce přežtí pomocí metoy úmrtnostních tabulek e stená ako v přípaě Kaplanova-Meerova ohau, opět vyařueme oha S ˆ( ako součn pomíněných pravěpoobností opovíaících určtým časovým ntervalům. Na rozíl o Kaplanova-Meerova ohau, ke byly časové ntervaly určeny pozorovaným honotam časů přežtí, v přípaě metoy úmrtnostních tabulek pracueme s přeem efnovanou saou J časových ntervalů. Ty mohou být stanoveny lbovolně, ncméně většnou logcky vycházeí z pomínek aných expermentem nebo stuí. V populační analýze přežtí onkologckých pacentů se napříkla nečastě používaí enoleté ntervaly a zaímá nás většnou pětleté (5 ntervalů) nebo esetleté (10 ntervalů) přežtí. Vzhleem k tomu, že pracueme s elším časovým ntervaly, nám pro oha S ˆ( stačí pouze agregovaná ata, tey souhrnné úae pro enotlvé časové ntervaly. Označme počet sleovaných uálostí v tém ntervalu, ke = 1,, J, ále označme počet subektů v rzku výskytu sleované uálost na začátku ntervalu a nakonec c označme počet 4
5 subektů s časem přežtí cenzorovaným v průběhu tého ntervalu. Pravěpoobnost přežtí tého časového ntervalu pak můžeme ohanout pomocí výrazu = 1, (3.1) c což vee k ohau pravěpoobnost přežtí bez sleované uálost až o konce ntervalu J, S ˆ( J ), ve tvaru Sˆ ( J ) =. (3.13) J J = 1 c = 1 = 1 Z uveeného vztahu e vět, že cenzorované časy přežtí přímo ovlvňuí výpočet ohau funkce přežtí a to tak, že v kažém ntervalu oečítáme o počtu vstupuících subektů polovnu počtu cenzorovaných subektů. Tento postup přepokláá rovnoměrné cenzorování v průběhu celého ntervalu, polovna z c subektů e cenzorovaná v první polovně ntervalu a polovna z c subektů e cenzorovaná v ruhé polovně ntervalu. Počet subektů s uálostí tak vztahueme k počtu subektů v rzku uprostře ntervalu. 3.3 Nelsonův-Aalenův oha kumulatvní rzkové funkce Nelsonův-Aalenův oha e záklaní neparametrckou metoou ohau kumulatvní rzkové funkce [6], která steně ako Kaplanův-Meerův oha pracue pouze se souborem n pozorovaných honot časů přežtí takových, že t 1 < t < < t n < t. Pak Nelsonův-Aalenův oha kumulatvní rzkové funkce v čase t má tvar H ˆ ( =, (3.14) t ke steně ako v přípaě Kaplanova-Meerova ohau funkce přežtí značí počet sleovaných uálostí zaznamenaných v čase t a e počet subektů v rzku výskytu sleované uálost v čase t. Opět tey platí, že suma e počítána přes všechny pozorované časy přežtí, cenzorované časy ale k výslenému ohau přspívaí pouze prostřenctvím, neboť pro cenzorované časy přežtí e rovno nule. Aalen v roce 1978 [7] ále ovol rozptyl Nelsonova-Aalenova ohau kumulatvní rzkové funkce ve tvaru var, (3.15) který můžeme použít pro konstrukc ntervalu spolehlvost pro Nelsonův-Aalenův oha kumulatvní rzkové funkce. Označíme-l z (1 α ) honotu 100(1 α )% kvantlu 5
6 stanarzovaného normálního rozělení, pak lze 100(1 α)% nterval spolehlvost vyářt ako nterval var, var. (3.16) 3.4 Breslowův oha funkce přežtí V kaptole sme kromě efnce záklaních charakterstk náhoné velčny T ukázal ech vzáemné vazby. Hlavní z nch e vztah (.11) efnuící výpočet funkce přežtí pomocí kumulatvní rzkové funkce, S( = exp[h(]. Právě tohoto vztahu využívá Breslowův oha funkce přežtí, který využívá neparametrckého Nelsonova-Aalenova ohau kumulatvní rzkové funkce pro oha funkce přežtí. Breslowův oha funkce přežtí e tey án vztahem expexp, (3.17) ke a sou opět počet uálostí a počet subektů v rzku sleované uálost v čase t. Pro konstrukc ntervalu spolehlvost Breslowova ohau funkce přežtí opět potřebueme eho rozptyl, který e v tomto přípaě án vztahem var. (3.18) Problémy k řešení: 1. Jak vypaá Kaplanův-Meerův oha funkce přežtí v přípaě, že žáný z časů přežtí není cenzorován? [Výsleek: ]. Zkuste ovot rozptyl logartmu pomocí elta metoy. [Výsleek: varln ] Použtá lteratura: 1. Kaplan EL, Meer P. Nonparametrc estmaton from ncomplete observatons. Journal of Amercan Statstcal Assocaton, 1958; 58, oríguez, G. Lecture Notes on Generalze Lnear Moels Avalable at 3. Greenwoo M. The Errors of Samplng of the Survvorshp Table, vol. 33 of eports on Publc Health an Mecal Subects, 196. Lonon: Her Maesty's Statonery Offce. 6
7 4. Peto, Pke MC, Armtage P, Breslow NE, Cox D, Howar SV, Mantel N, McPherson K, Peto J, Smth PG. Desgn an analyss of ranomze clncal trals requrng prolonge observaton of each patent. II. Analyss an examples. Brtsh Journal of Cancer, 1977; 35(1): Collet D. Moellng Survval Data n Mecal esearch. 003, Chapman & Hall/CC, Lonon. 6. Nelson W. Theory an applcatons of hazar plottng for censore falure ata. Technometrcs, 197; 14: Aalen O. Nonparametrc nference for a famly of countng processes. Ann. Statst, 1978; 6: Doporučená lteratura: 1. Marubn E, Vasecch MG. Analysng Survval Data from Clncal Trals an Observatonal Stues. 1995, John Wley & Sons, Chchester, Unte Kngom.. Klen JP, Moeschberger ML. Survval Analyss: Technques for Censore an Truncate Data. 003, Sprnger, New York. 7
Předpokládáme vlny, které jsou časově nestabilní z hlediska fáze. Jako model zvolíme vlnu kdy se fáze mění skokem, ale je konstantní během doby
. Koherence.. Časová koherence.. Souvslost časově proměnného sgnálu se spektrální závslostí.3. nterference nemonochromatckého záření.4. Fourerova spektroskope.5. Prostorová koherence. Koherence Koherence
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
VícePřijímací zkouška na navazující magisterské studium 2015
Přijímací zkouška na navazující magisterské stuium 05 Stuijní program: Stuijní obor: Řešení příklaů pečlivě oůvoněte. Příkla (5 boů) Spočtěte ke M {(y, x) R ; x 0, x + y a}. Příkla (5 boů) Nalezněte supremum
VícePružnost a plasticita II
Pružnost a plastcta II 3. ročník bakalářského stua oc. Ing. Martn Kresa Ph.D. Katera stavební mechank Řešení nosných stěn metoou sítí 3 Řešení stěn metoou sítí metoa sítí (metoa konečných ferencí) těnová
VíceMATEMATICKÁ STATISTIKA 1, CVIČENÍ (NMSA331) Poslední úprava dokumentu: 17. listopadu 2016
MATEMATICKÁ STATISTIKA, CVIČENÍ NMSA33 Příklay nejen pro přípravu na písemnou zápočtovou práci Poslení úprava okumentu: 7. listopau 206 Poslení úprava okumentu: 7. listopau 206 Mnohorozměrné normální rozěleni
Více8 Coxův model proporcionálních rizik I
8 Coxův model proporcionálních rizik I Předpokládané výstupy z výuky: 1. Student umí formulovat Coxův model proporcionálních rizik 2. Student rozumí významu regresních koeficientů modelu 3. Student zná
VíceUNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta
Chromatografie Zroj: http://www.scifun.org/homeexpts/homeexpts.html [34] Diaktický záměr: Vysvětlení pojmu chromatografie. Popis: Žáci si vyzkouší velmi jenouché ělení látek pomocí papírové chromatografie.
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VícePRAVDĚPODOBNOSTNÍ PŘÍSTUP K HODNOCENÍ DRÁTKOBETONOVÝCH SMĚSÍ. Petr Janas 1 a Martin Krejsa 2
PAVDĚPODOBNOSTNÍ PŘÍSTUP K HODNOCENÍ DÁTKOBETONOVÝCH SMĚSÍ Petr Janas 1 a Martin Krejsa 2 Abstract The paper reviews briefly one of the propose probabilistic assessment concepts. The potential of the propose
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ BAKALÁŘSKÁ PRÁCE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ BAKALÁŘSKÁ PRÁCE PRAHA 14 Jaroslav PYŠEK ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ PROGRAM GEODÉZIE A KARTOGRAFIE OBOR GEODÉZIE, KARTOGRAFIE
VícePružnost a plasticita II
Pružnost a plastcta II 3. ročník bakalářského stua oc. Ing. Martn Krejsa, Ph.D. Katera stavební mechanky Moely položí Záklaové konstrukce Záklaové konstrukce zajšťují: přenesení tíhy vrchní stavby o položí
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
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
Více4.5.5 Magnetické působení rovnoběžných vodičů s proudem
4.5.5 Magnetické působení rovnoběžných voičů s prouem Přepoklay: 4502, 4503, 4504 Př. 1: Dvěma velmi louhými svislými voiči prochází elektrický prou. Rozhoni pomocí rozboru magnetických inukčních čar polí
VíceJednokriteriální rozhodování za rizika a nejistoty
Jeokrterálí rozoováí za rzka a estoty U eokrterálíc úlo e vžy pouze eo krtérum optmalty, a to buď maxmalzačí ebo mmalzačí. araty rozoováí sou zaáy mplctě - pomíkam, které musí být splěy (vz úloy leárío
VícePostup při měření rychlosti přenosu dat v mobilních sítích dle standardu LTE (Metodický postup)
Praha 15. srpna 2013 Postup při měření rchlosti přenosu at v mobilních sítích le stanaru LTE (Metoický postup Zveřejněno v souvislosti s vhlášením výběrového řízení za účelem uělení práv k vužívání ráiových
VíceTéma 7, modely podloží
Pružnost a plastcta II.,.ročník bakalářského stua, přenášky Janas, Téma 7, moely položí Úvo Wnklerův moel položí Pasternakův moel položí Pružný poloprostor Nosník na pružném Wnklerově položí, řešení ODM
VícePrůřezové charakteristiky základních profilů.
Stření průmyslová škola a Vyšší oborná škola technická Brno, Sokolská 1 Šablona: Inovace a zkvalitnění výuky prostřenictvím ICT Název: Téma: Autor: Číslo: Anotace: Mechanika, pružnost pevnost Průřezové
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
VíceMetoda konečných prvků 3 - nelineární úlohy
Nelineárn rní analýza materiálů a konstrukcí (V-132YNAK) Metoa konečných prvků 3 - nelineární úlohy Petr Kabele petr.kabele@sv.cvut.cz people.sv.cvut.cz/~pkabele 1 MKP metoy řešení nelineárních úloh Diskretizovaný
VíceVypracoval Datum Hodnocení. V celé úloze jsme používali He-Ne laser s vlnovou délkou λ = 632, 8 nm. Paprsek jsme nasměrovali
Název a číslo úlohy - Difrakce světelného záření Datum měření 3.. 011 Měření proveli Tomáš Zikmun, Jakub Kákona Vypracoval Tomáš Zikmun Datum. 3. 011 Honocení 1 Difrakční obrazce V celé úloze jsme používali
VíceInovace v predikci tržeb podle Porterových vlivů odvětví
Inovace v preikci tržeb pole Porterových vlivů ovětví Tomáš Macák Příznivé okolnosti pro zaveení inovace Nový nápa, ehož opa přesahue oblast, v které vzniknul, potřebue pro svou (alespoň pokusnou) realizaci
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
VíceSTACIONÁRNÍ MAGNETICKÉ POLE
Příklay: 1. Přímý voič o élce 0,40 m, kterým prochází prou 21 A, leží v homogenním magnetickém poli kolmo k inukčním čarám. Velikost vektoru magnetické inukce je 1,2 T. Vypočtěte práci, kterou musíme vykonat
Více1. POLOVODIČOVÉ TEPLOMĚRY
Úkol měření 1. POLOVODČOVÉ EPLOMĚY 1. entfkujte neznámý perlčkový termstor. Navrhněte zapojení pro jeho lnearzac.. rčete teplotní závslost napětí na oě protékané konstantním prouem a charakterstku teplotního
VíceELEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Ampérův zákon
ELEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Ampérův zákon Peter Dourmashkin MIT 26, překla: Jan Pacák (27) Obsah 5 AMPÉRŮV ZÁKON 3 51 ÚKOLY 3 52 ALGORITMUS PRO ŘEŠENÍ PROBLÉMŮ 3 ÚLOHA 1: VÁLCOVÝ PLÁŠŤ
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
VíceENÁ ŽELEZOBETONOVÁ DESKA S VELKÝM UŽITNÝM ZATÍŽENÍM
P Ř Í K L A D Č. 6 LOKÁLNĚ PODEPŘENÁ ŽELEZOBETONOVÁ DESKA S VELKÝM UŽITNÝM ZATÍŽENÍM Projekt : FRVŠ 011 - Analýza meto výpočtu železobetonovýh lokálně poepřenýh esek Řešitelský kolektiv : Ing. Martin Tipka
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce. Zpracování výsledků vstupních testů z matematiky
Západočeská unverzta v Plzn Fakulta aplkovaných věd Katedra matematky Bakalářská práce Zpracování výsledků vstupních testů z matematky Plzeň, 13 Tereza Pazderníková Prohlášení Prohlašuj, že jsem bakalářskou
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
VíceVŠB - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky. Diplomová práce. 2014 Michal Běloch
VŠB - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra aplkované matematky Dplomová práce 204 Mchal Běloch VŠB - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra
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.
VíceMetodika pro vyjádření cílové hodnoty obsahu hotově balených výrobků deklarovaných dle objemu
Metoika pro vyjáření cílové honoty obsahu hotově balených výrobků eklarovaných le objemu Číslo úkolu: VII/1/17 Název úkolu: Zpracování metoiky pro určení cílové honoty obsahu při výrobě hotově balených
VíceSTATICKY NEURČITÉ RÁMOVÉ KONSTRUKCE S PODDAJNOU PODPOROU SILOVÁ METODA
Zaání STATICKY NEURČITÉ RÁOVÉ KONSTRUKCE S PODDAJNOU PODPOROU SILOVÁ ETODA Příkla č. Vykreslete průěhy vnitřníh sil na konstruki zorazené na Or.. Voorovná část konstruke (příčle) je složena z průřezu a
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
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
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...
VíceF (x, h(x)) T (g)(x) = g(x)
11 Implicitní funkce Definice 111 (implicitní funkce) Nechť F : R 2 R je funkce a [x 0, y 0 ] R 2 je takový bo, že F (x 0, y 0 ) = 0 Řekneme, že funkce y = f(x) je v okolí bou [x 0, y 0 ] zaána implicitně
VícePRAVDĚPODOBNOSTNÍ POSUDEK OCELOVÉHO RÁMU METODOU IMPORTANCE SAMPLING
I. ročník celostátní konference POLEHLIVOT KONTRUKCÍ Téma: Rozvoj koncepcí posuku spolehlivosti stavebních konstrukcí 15.3.2000 Dům techniky Ostrava IBN 80-02-01344-1 73 PRAVDĚPODOBNOTNÍ POUDEK OCELOVÉHO
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
VíceÚloha II.E... čočkování
Úloha II.E... čočkování 8 boů; průměr 5,46; řešilo 65 stuentů V obálce jste spolu se zaáním ostali i vě čočky. Vaším úkolem je změřit jejich parametry ruh a ohniskovou vzálenost. Poznámka Poku nejste stávající
VíceVedení vvn a vyšší parametry vedení
Veení vvn a vyšší parametry veení Při řešení těchto veení je třeba vzhleem k jejich élce uvažovat nejenom opor veení R a inukčnost veení L, ale také kapacitu veení C. Svo veení G se obvykle zanebává. Tyto
Více1. Určení vlnové délka světla pomocí difrakční mřížky
FAKULTA STAVEBÍ KATEDRA FYZIKY 10FY1G Fzka G 1. Určení vlnové délka světla pomocí dfrakční mřížk Petr Pokorný Pavel Klmon Flp Šmejkal LS 016/17 skpna 1 datm měření: 19.. 017 Zadání Pomocí dfrakční mřížk
VíceMetody teorie spolehlivosti
Metoy teorie spolehlivosti Historické metoy mpirické metoy Kalibrace Pravěpoobnostní metoy FOM úroveň II AKTNÍ úroveň III Kalibrace MTOD NÁVH. BODŮ Kalibrace MTODA DÍLČÍCH SOUČINITLŮ úroveň I Nejistoty
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
VíceAplikace Li-Ma metody na scintigrafické vyšetření příštítných tělísek. P. Karhan, P. Fiala, J. Ptáček
Aplkace L-Ma metody na scntgrafcké vyšetření příštítných tělísek P. Karhan, P. Fala, J. Ptáček Vyšetření příštítných tělísek dagnostka hyperparatyreózy: lokalzace tkáně příštítných tělísek neexstence radofarmaka
VíceANALÝZA ROZPTYLU (Analysis of Variance ANOVA)
NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než
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
VíceGibbsova a Helmholtzova energie. Def. Gibbsovy energie G. Def. Helmholtzovy energie A
ibbsova a Helmholtzova energie Def. ibbsovy energie H Def. Helmholtzovy energie U, jsou efinovány omocí stavových funkcí jená se o stavové funkce. ibbsova energie charakterizuje rovnovážný stav (erzibilní
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
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
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
VíceSHIFT-SHARE ANALÝZA PRODUKTIVITY PRÁCE # Úvod
SHIFT-SHARE ANALÝZA PRODUKTIVITY PRÁCE # Frantšek Střeleček, Radek Zdeněk, Jana Lososová Úvod Vedle konkurenceschopnost podnků a ednotlvých odvětví národního hospodářství své významné místo zauímá konkurenceschopnost
VíceSolventnost II. Standardní vzorec pro výpočet solventnostního kapitálového požadavku. Iva Justová
2. část Solventnost II Standardní vzorec pro výpočet solventnostního kaptálového požadavku Iva Justová Osnova Úvod Standardní vzorec Rzko selhání protstrany Závěr Vstupní údaje Vašíčkovo portfolo Alternatvní
VícePOROVNÁNÍ MEZI SKUPINAMI
POROVNÁNÍ MEZI SKUPINAMI Potřeba porovnání počtů mez určtým skupnam jednců např. porovnání počtů onemocnění mez kraj nebo okresy v prax se obvykle pracuje s porovnáním na 100.000 osob. Stuace ale nebývá
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
VíceANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha
ANOVA Analýza rozptylu př jednoduchém třídění Jana Vránová, 3.léařsá faulta UK, Praha Teore Máme nezávslých výběrů, > Mají rozsahy n, teré obecně nemusí být stejné V aždém z nch známe průměr a rozptyl
VíceSTATISTIKA PRO NELÉKAŘSKÉ ZDRAVOTNICKÉ OBORY
STATISTIKA PRO NELÉKAŘSKÉ ZDRAVOTNICKÉ OBORY Eva Reterová Olomouc 06 Fakulta zdravotnckých věd Unverzta Palackého v Olomouc Statstka pro nelékařské zdravotncké obory Eva Reterová Olomouc 06 Oponent: PhDr.
VíceZlomky závěrečné opakování
2.2. Zlomky závěrečné opkování Přepokly: 02022 Př. : Vypočti. ) + b) 8 2 4 0 c) 2 4 2 : : 4 24 ) 2 22 4 2 2 9 + 0 9 ) + = + = = 8 2 8 2 2 24 24 8 = 4 2 2 = 4 4 2 4 2 b) 0 = = = 2 4 8 2 4 4 c) 4 2 4 24
VíceAplikace simulačních metod ve spolehlivosti
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
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
VíceZpráva o průběhu přijímacího řízení pro akademický rok
Zpráva o průběhu přijímacího řízení pro akaemický rok 2011/2012 na ČVUT v Praze Masarykově ústavu vyšších stuií le Vyhlášky MŠMT č. 343/202 Sb. o průběhu přijímacího řízení na vysokých školách a její novely
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
VíceZakřivený nosník. Rovinně zakřivený nosník v rovinné úloze geometrie, reakce, vnitřní síly. Stavební statika, 1.ročník bakalářského studia
Stavební statika, 1.ročník bakalářského stuia Zakřivený nosník Rovinně zakřivený nosník v rovinné úloze geometrie, reakce, vnitřní síly Katera stavební mechaniky Fakulta stavební, VŠB - Technická univerzita
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.
VícePředpokládáme ideální chování, neuvažujeme autoprotolýzu vody ve smyslu nutnosti číselného řešení simultánních rovnováh. CH3COO
Pufr ze slabé kyseliny a její soli se silnou zásaou např CHCOOH + CHCOONa Násleujíí rozbor bue vyházet z počátečního stavu, ky konentrae obou látek jsou srovnatelné (největší pufrační kapaita je pro ekvimolární
VíceExperimentální identifikace regulovaných soustav
Expermetálí etfkace reglovaých sostav Cílem je zhotoveí matematckého moel a záklaě formací získaých měřeím. Požívá se možství meto. Výběr metoy je ůležtý, protože a ěm závsí přesost áhraího moel. Záklaím
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
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
VíceÚloha č. 1 pomůcky Šíření tepla v ustáleném stavu základní vztahy
Úloha č. pomůcky Šíření tepla v ustáleném stavu záklaní vztahy Veení Fourriérův zákon veení tepla, D: Hustota tepelného toku je úměrná změně teploty ve směru šíření tepla, konstantou úměrnosti je součinitel
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
VícePOHYB SPLAVENIN. 8 Přednáška
POHYB SPLAVENIN 8 Přenáška Obsah: 1. Úvo 2. Vlastnosti splavenin 2.1. Hustota splavenin a relativní hustota 2.2. Zrnitost 2.3. Efektivní zrno 3. Tangenciální napětí a třecí rychlost 4. Počátek eroze 5.
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
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
VíceKlasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
VíceStatistická energetická analýza (SEA)
Hladna akustckého tlaku buzení harmonckou slou [db] Statstcká energetcká analýza (SA) V současné době exstue řada způsobů, ak řešt vbroakustcké problémy. odobně ako v ných odvětvích nženýrství, také ve
VíceGrafické řešení úloh LP se dvěma neznámými
. přenáška Grafické řešení úloh LP se věma nenámými Moel úlohy lineárního programování, který obsahuje poue vě nenámé, le řešit graficky v rovině pravoúhlých souřaných os. V této rovině se nejprve obraí
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
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
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
VíceTesty statistických hypotéz
Úvod Testy statstckých hypotéz Václav Adamec vadamec@medelu.cz Testováí: kvalfkovaá procedura vedoucí v zamítutí ebo ezamítutí ulové hypotézy v podmíkách ejstoty Testy jsou vázáy a rozděleí áhodých velč
Více6. ZÁSOBOVÁNÍ 6.1. BILANCE MATERIÁLU 6.2. PROPOČTY SPOTŘEBY MATERIÁLU
6. ZÁSOBOVÁÍ 6.1. Bilance materiálu 6.2. Propočty potřeby materiálu 6.3. Řízení záob (plánování záob) Záobování patří mezi velmi ůležité ponikové aktivity. Při řízení záob e jená v potatě o řešení tří
VíceSTATISTIKA (pro navazující magisterské studium)
Slezská unverzta v Opavě Obchodně podnkatelská fakulta v Karvné STATISTIKA (pro navazující magsterské studum) Jaroslav Ramík Karvná 007 Jaroslav Ramík, Statstka Jaroslav Ramík, Statstka 3 OBSAH MODULU
VíceModely pro přežití s možností vyléčení
Unverzta Karlova v Praze Matematcko-fyzkální fakulta DIPLOMOVÁ PRÁCE Adéla Drabnová Modely pro přežtí s možností vyléčení Katedra pravděpodobnost a matematcké statstky Vedoucí dplomové práce: Studjní program:
VíceM ATERIÁLOVÉ MODELY PRO ČASOVĚ ZÁVISLOU ANALÝZU
M ATERIÁLOVÉ MODELY PRO ČASOVĚ ZÁVISLOU ANALÝZU B E T O N O V Ý C H K O N S T R U K C Í MATERIAL MODELS F O R T I M E- D E P E N D E N T ANALYSIS OF CONCRETE S T R U C T U R E S O MAR RODRIGO BACARREZA,
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
Více5.2.11 Lupa, mikroskop
5.2.11 Lupa, mikroskop Přepokla: 5210 Rozlišovací schopnost oka (schopnost rozlišit va bo): závisí na velikosti obrazu přemětu na oční sítnici, poku chceme rozlišit va tmavé bo, nesmí jejich obraz opanout
Více( ) ( ) ( ) Vzdálenost bodu od přímky II. Předpoklady: 7312
.. Vzálenost bou o přímk II Přepokl: Pegogiká poznámk: Průběh hoin honě závisí n tom, jk oolní jsou stuenti v oszování o vzorů, které je nejtěžší částí hoin. Dlším problémem pk mohou být rovnie s bsolutní
VíceC Charakteristiky silničních motorových vozidel
C Chaaktetky lnčních otoových vozel Toto téa e zabývá záklaní etoa tanovení někteých povozních chaaktetk lnčních otoových vozel, kteé pak náleně louží k pouzování užtných vlatnotí těchto vozel. Stanovení
VíceVY_42_Inovace_24_MA_2.04_Množiny ve slovních úlohách pracovní list
Číslo projektu Číslo materiálu CZ.1.07/1.5.00/34.0394 VY_42_Inovace_24_MA_2.04_Množiny ve slovních úlohách pracovní list Název školy Stření oborná škola a Stření oborné učiliště, Hustopeče, Masarykovo
VíceVyužití nástrojů GIS při analýze vztahů socio-ekonomických faktorů a úrovně sociální péče
Využtí nástrojů GIS př analýze vztahů soco-ekonomckých faktorů a úrovně socální péče Renata Klufová Katedra aplkované matematky a nformatky, Ekonomcká fakulta JU, Studentská 13 370 05 České Budějovce,
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE 2013 Radka Luštncová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Název bakalářské práce: Aplkace řezných
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
VíceMODELOVÁNÍ TLAKOVÝCH ZTRÁT KAPILÁRNÍCH ROHOŽÍ
Simulace buov a techniky prostřeí 21 6. konference IBPSA-CZ Praha, 8. a 9. 11. 21 MODELOVÁNÍ TLAKOVÝCH ZTRÁT KAPILÁRNÍCH ROHOŽÍ Vlaimír Zmrhal, Tomáš Matuška, Jan Schwarzer Ústav techniky prostřeí, Fakulta
VíceNELINEÁRNÍ DYNAMICKÁ ANALÝZA KONSTRUKCE ZATÍŽENA SEISMICKÝMI ÚČINKY NONLINEAR DYNAMIC ANALYSIS OF STRUCTURES WITH SEISMIC LOADS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STAVEBNÍ ÚSTAV STAVEBNÍ MECHANIKY FACULTY OF CIVIL ENGINEERING INSTITUTE OF STRUCTURAL MECHANICS NELINEÁRNÍ DYNAMICKÁ ANALÝZA KONSTRUKCE
VíceVlastnosti konstrukcí. Součinitel prostupu tepla
Vlastnosti konstrukcí Součinitel prostupu tepla U = 1 si se = Požaavky ČSN 730540-2: závisí na vnitřní H a na převažující vnitřní návrhové teplotě: o 60 % na 60 % o 18 o 22 C jiný rozsah teplot U U N Požaavky
VíceFORANA. 1. Úvod. 2 Vznik akustického signálu řeči v mluvidlech. Pavel GRILL 1, Jana TUČKOVÁ 2
FORANA Pavel GRILL 1, Jana TUČKOVÁ 2 České vysoké učení techncké v Praze, Fakulta elektrotechncká, Katedra teore obvodů Abstrakt Jedním z příznaků vývojové dysfáze je částečná porucha tvorby a porozumění
VíceVarianta A. Příklad 1 (25 bodů) Funkce f je dána předpisem
Příkla 1 (5 boů) Funkce f je ána přepise Přijíací zkouška na navazující agisterské stuiu 14 Stuijní progra Fyzika obor Učitelství fyziky ateatiky pro stření školy Stuijní progra Učitelství pro záklaní
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
Více