Optimální ustálený chod Optima Power Flow -OPF

Rozměr: px
Začít zobrazení ze stránky:

Download "Optimální ustálený chod Optima Power Flow -OPF"

Transkript

1 1 Optimalizace režimu sítě-newtonovský přístup Optimální ustálený chod Optima Power Flow -OPF C i (P i ) cena výroby i-tého zdroe Cílové funkce: 1. minimalizace přenosových ztrát. minimum ceny vyráběné energie 3. alokace kompenzačních výkonů 4. minimalizace ekologických vlivů 5. optimalizace výkonových rezerv omez. podmínky typu rovnosti, nerovnosti e ( x) N ( x) =, Omezení veličin a funkčních hodnot x x x, Φ Φ Φ

2 Optimalizace režimu sítě-newtonovský přístup Algoritmus separátního řešení 1) iniciace startovacího bodu ρ, λ, ν,k= ) řešení ustáleného stavu e ( σ, ρ ) = σ (BPF-výpočet ) 3) Je-li režim optimální pak konec inak pokraču 4) aproximace (P,QP) cílové funkce a omezuících podmínek k:=k+1; 5) optimalizace ξ (k), návrat do bodu

3 3 Optimalizace režimu sítě-newtonovský přístup Algoritmus Integrovaného řešení agrangián: T T T T ( ξ ) = f() x + μb B + μp. P + λ e+ ν N ξ = x, λν, Algoritmus řešení: 1. Iniciace. k=, ξ = ξ, μ, b = μ μ b p = μp ( k) ξ. Výpočet, určení akt. Γ a 1. Je-li režim optimální pak konec inak pokraču. generace rovnic (stanovení 3. řešení rovnic ( ξ ( k ) ) Δ ξ ( k ) = ( k ), 4. aktualizace ξ, μp, μb k=k+1, návrat na. J ( k), H ( k), ( ξ ( k)

4 4 Optimalizace režimu sítě-newtonovský přístup ξ T,, Příklad uspořádání: ( w) ( w) act λ act ( ) ( ( ) ( )) λ. w p act T T P λ P P Q Q P Q ( w ) act ( k). Q ( k) Q ( k) η η ( ) ( ) + x x l + x x l T T T T T δ t λp λ Q = PQP N Nt PQP PQ = P + k P k P k + k PQP + λq + k PQ l η = + + = logická veličina indikuící aktivnost omezení = penalizační koeficient aktivního omezení

5 5 Optimalizace režimu sítě-newtonovský přístup Newtonova metoda optimalizace (postupné kvadratické programování) ustálený chod: def. S OPF : T. e ( ) ( ) = f ρ, s + λ ρ, s + μ. Γa.. agrangeova funkce a a množina aktivních omezení ξ T = ρ T, σ T, λ T... vektor proměných ρ ρ ρ σ ρ λ Δρ ρ H J T σ σ ρ σ σ σ λ Δ = σ Δλ ρ σ λ λ λ J λ λ =... gradient agrangiánu ξ [ W ] { } ξ = =... ovroubený Hessián ξ ξ

6 6 Optimalizace režimu sítě-newtonovský přístup

7 7 Optimalizace režimu sítě-newtonovský přístup

8 8 Optimalizace režimu sítě-newtonovský přístup P T Pact T Q = + λ act p + λq + xk xk xk xk P = + { λp( k). Pact ( k) } + xk xk x k PQP k { ( ). ( )} + λ k Q k x l x l q act + η + η k PQ xk P T Pact T Q = + λ act p + λq xi. v xi. v xi. x xi. x P = + xi. x xi. x xi. x k PQP { λp( k). Pact ( k) } + + { λ ( k). Q q act ( k) } + η xl xl x. x + η k PQ i

9 9 Optimalizace režimu sítě-newtonovský přístup OPF-IP opt x D x { f ( x) } x: ( x) =, D ( ) x = N N x N x x x N x N N ( ) ( ) = N x + N N = 1) N + N N + N =, ) x + x = x x x = x e + = x x x x nezápornost : x, x, N, N

10 1 Optimalizace režimu sítě-newtonovský přístup Rovnice pro řešení: { e } = = f x + x ( ) ( ) x x x { T ( )} ( ) xn x λn λx μ x x 1 = = λ λ + μ N N N % 1 = = λ + μ N N % = = λ + μ x x = = λ ( ) [ ] % 1 = = ( x ) λ = = x x x λ N x = = λ x x λ + + e N N N N N N N 1

11 11 Optimalizace režimu sítě-newtonovský přístup % konstrukce obroubeného hessianu. radkuj=size(j,1);nulaw=zeros(radkuj,radkuj); % pravy spodni roh matice W H=sparse(N,N);HD=H;HDD=H; % iniciace H for Ip=1:size(II,1), % pro nenulový prvek matice Y k=ii(ip); m=jj(ip); % indexy v matici Y (spoené uzly) ya=ym(ip);dkm=deltakm(ip); % modul a uhel if k~=m % nediagonální prvky Sk_k_m =ya*exp(i*dkm); Sk_k_Dm =-i*a(m)*ya*exp(i*dkm); Sk_m_Dk =i*a(k)*ya*exp(i*dkm); Sk_m_Dm =-Sk_m_Dk ; Sk_Dk_Dm =a(m)*a(k)*ya*exp(i*dkm); Sk_Dm_Dm =-Sk_Dk_Dm ; Sk_m_m =; if T(k)==3 %pro uzel typu Slack H(k,m)=H(k,m)+real(Sk_k_m); HD(k,m)=HD(k,m)+real(Sk_k_Dm); HDD(k,m)=HDD(k,m)+real(Sk_Dk_Dm); H(m,k)=H(m,k)+real(Sk_k_m); HD(m,k)=HD(m,k)+real(Sk_m_Dk); HDD(m,k)=HDD(m,k)+real(Sk_Dk_Dm); H(m,m)=H(m,m)+real(Sk_m_m); HD(m,m)=HD(m,m)+real(Sk_m_Dm); HDD(m,m)=HDD(m,m)+real(Sk_Dm_Dm); end %if T(k)==3 if T(k)~=3 %pro uzly typu PQP H(m,k)=H(m,k)-real(Sk_k_m)*P(k); HD(m,k)=HD(m,k)-real(Sk_m_Dk)*P(k); HDD(m,k)=HDD(m,k)- real(sk_dk_dm)*p(k); H(k,m)=H(k,m)- real(sk_k_m)*p(k); HD(k,m)=HD(k,m)-real(Sk_k_Dm)*P(k);

12 1 Optimalizace režimu sítě-newtonovský přístup HDD(k,m)=HDD(k,m)- real(sk_dk_dm)*p(k); H(m,m)=H(m,m)-real(Sk_m_m)*P(k); HD(m,m)=HD(m,m)-real(Sk_m_Dm)*P(k); HDD(m,m)=HDD(m,m)-real(Sk_Dm_Dm)*P(k); end %if T(k)~=3 if T(k)==1 %pro uzly typu PQ H(m,k)=H(m,k)- imag(sk_k_m)*q(k); HD(m,k)=HD(m,k)- imag(sk_m_dk)*q(k); HDD(m,k)=HDD(m,k)- imag(sk_dk_dm)*q(k); H(k,m)=H(k,m)-imag(Sk_k_m)*Q(k); HD(k,m)=HD(k,m)- imag(sk_k_dm)*q(k); HDD(k,m)=HDD(k,m)- imag(sk_dk_dm)*q(k); H(m,m)=H(m,m)-imag(Sk_m_m)*Q(k); HD(m,m)=HD(m,m)- imag(sk_m_dm)*q(k); HDD(m,m)=HDD(m,m)- imag(sk_dm_dm)*q(k); end %if T(k)==1 % diagonální prvky k=m Sk_k_k=*ya*exp(i*Dkm); Sk_Dk_Dk=-Sact(k)+a(k)^*ya*exp(i*Dkm); Sk_k_Dk=i*(Sact(k)/a(k)-a(k)*ya*exp(i*Dkm)); if T(k)==3 %pro uzel typu Slack H(k,k)=H(k,k)+real(Sk_k_k); HD(k,k)=HD(k,k)+real(Sk_k_Dk); HDD(k,k)=HDD(k,k)+real(Sk_Dk_Dk);

13 13 Optimalizace režimu sítě-newtonovský přístup end % if T(k)==3 if T(k)~=3 %pro uzly typu PQP H(k,k)=H(k,k)-real(Sk_k_k)*P(k); HD(k,k)=HD(k,k)-real(Sk_k_Dk)*P(k); HDD(k,k)=HDD(k,k)-real(Sk_Dk_Dk)*P(k); end %if T(k)~=3 if T(k)==1 %pro uzly typu PQ H(k,k)=H(k,k)-imag(Sk_k_k)*Q(k); HD(k,k)=HD(k,k)-imag(Sk_k_Dk)*Q(k); HDD(k,k)=HDD(k,k)-imag(Sk_Dk_Dk)*Q(k); end %if T(k)==1 end %if k~=m end %for Ip for k=vse H(k,k)=H(k,k)+H(k)*WH +D(k)*WD+WS; end % sestavení výsledné matice H H=[HDD(PQP,PQP) HD(vse,PQP)'; HD(vse,PQP) H(vse,vse)]; W=[H -J'; -J nulaw];% sestavení výsledné matice W

opt [ ] Vyjádření subvektory (báz. a nebáz.) B,N Index bázových a nebázových proměnných β, ν Množina indexů veličin B,N

opt [ ] Vyjádření subvektory (báz. a nebáz.) B,N Index bázových a nebázových proměnných β, ν Množina indexů veličin B,N 1 2-LP-Lineární programování Lineární funkce i omezovací podmínky opt t X c R c R b b b R...vektor limitů (kapacitních), a i i R b A...matice strukturálních koeficientů, > b! R hod = b, 0,..vektorproměnných,...vektor

Více

G( x) %, ν%, λ. x, x, N, N nezáporné přídatné proměnné, ( ) 2 Matematické programování

G( x) %, ν%, λ. x, x, N, N nezáporné přídatné proměnné, ( ) 2 Matematické programování Matematicé programování Označení a definice veličin. opt i/maimalizace w, Žádaná hodnota,transpozice, relace typu nebo Inde diagonální formy vetoru. Obecná omezovací podmína Γ ( ( = ( Є, R, y podmíny typu

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

Literatura: Kapitoly 3, 4 a 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.

Literatura: Kapitoly 3, 4 a 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího. Předmět: MA4 Dnešní látka: Nehomogenní okrajové podmínky. Pokračování OÚ pro PDR (jen pro fajnšmekry). Jednoznačnost zobecněného řešení. Metoda sítí v 1D. Přibližné řešení okrajových úloh. Aproximace vlastních

Více

Lineární klasifikátory

Lineární klasifikátory Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout

Více

Přepočet provozních stavů sítě daných: Výpočet ztrát a kapacitních proudů v síti: Výpočet zkratových poměrů v síti:

Přepočet provozních stavů sítě daných: Výpočet ztrát a kapacitních proudů v síti: Výpočet zkratových poměrů v síti: Přepočet provozních stavů sítě daných: změnou topologie sítě (nová přípojnice, transformátor, vedení resp. kabel v síti) změnou zapojení sítě (změna provozu přípojnic resp. směrů napájení sítě) změnou

Více

Interpolace pomocí splajnu

Interpolace pomocí splajnu Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom

Více

Odchylka ekliptiky od roviny Galaxie

Odchylka ekliptiky od roviny Galaxie Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy, Plasy 2 Gymnázium Botičská, Praha 3 Gymnázium Nad Štolou, Praha Týden Vědy, 2010 Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy,

Více

PROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti

PROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,

Více

Faster Gradient Descent Methods

Faster Gradient Descent Methods Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,

Více

Nelineární optimalizace a numerické metody (MI NON)

Nelineární optimalizace a numerické metody (MI NON) Nelineární optimalizace a numerické metody (MI NON) Magisterský program: Informatika Obor: Teoretická informatika Katedra: 18101 Katedra teoretické informatiky Jaroslav Kruis Evropský sociální fond Praha

Více

Literatura: Kapitola 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.

Literatura: Kapitola 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího. Předmět: MA4 Dnešní látka: Metoda sítí v 1D. Myšlenka náhrada derivací diferenčními podíly Přibližné řešení okrajových úloh Aproximace vlastních čísel Literatura: Kapitola 2 d) ze skript Karel Rektorys:

Více

Základní spádové metody

Základní spádové metody Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)

Více

stránkách přednášejícího.

stránkách přednášejícího. Předmět: MA 4 Dnešní látka Iterační metoda Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Superrelaxační metoda (metoda SOR) Metoda sdružených gradientů Četba: Text o lineární algebře v Příručce

Více

2. kapitola: Euklidovské prostory

2. kapitola: Euklidovské prostory 2. kapitola: Euklidovské prostory 2.1 Definice. Euklidovským n-rozměrným prostorem rozumíme neprázdnou množinu E n spolu s vektorovým prostorem V n a přiřazením, které každému bodu a z E n a každému vektoru

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

k n ( k) n k F n N n C F n F n C F F q n N C F n k 0 C [n, k] [n, k] q C [n, k] k n C C (n k) n C u C u T = T. [n, k] C (n k) n T = k (n k). F n N u = (u 1,..., u n ) v = (v 1,..., v n ) F n d(u, v) u

Více

III. MKP vlastní kmitání

III. MKP vlastní kmitání Jiří Máca - katedra mechaniky - B325 - tel. 2 2435 4500 maca@fsv.cvut.cz III. MKP vlastní kmitání 1. Rovnice vlastního kmitání 2. Rayleighova Ritzova metoda 3. Jacobiho metoda 4. Metoda inverzních iterací

Více

Pozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně

Pozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně 9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených

Více

Metody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením

Metody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením Metody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením J. Machalová, P. Ženčák, R. Kučera Katedra matematické analýzy a aplikací matematiky PřF UP Olomouc Katedra matematiky a deskriptivní

Více

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy Metody lineární optimalizace Simplexová metoda Dvoufázová M-úloha Duální úloha jednofázová Post-optimalizační analýza Celočíselné řešení Metoda větví a mezí Distribuční úlohy 1 OÚLP = obecná úloha lineárního

Více

Nosné desky. 1. Kirchhoffova teorie ohybu tenkých desek (h/l < 1/10) 3. Mindlinova teorie pro tlusté desky (h/l < 1/5)

Nosné desky. 1. Kirchhoffova teorie ohybu tenkých desek (h/l < 1/10) 3. Mindlinova teorie pro tlusté desky (h/l < 1/5) Nosné desky Deska je těleso, které má jeden rozměr mnohem menší než rozměry zbývající. Zatížení desky je orientováno výhradně kolmo k její střednicové rovině. 1. Kirchhoffova teorie ohybu tenkých desek

Více

Kontraktantní/dilatantní

Kontraktantní/dilatantní Kontraktantní/dilatantní plasticita - úhel dilatance směr přírůstku plastické deformace Na základě experimentálního měření dospěl St. Venant k závěru, že směry hlavních napětí jsou totožné se směry přírůstku

Více

Program SMP pro kombinované studium

Program SMP pro kombinované studium Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0

Více

Lineární algebra : Metrická geometrie

Lineární algebra : Metrická geometrie Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních

Více

Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda

Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových

Více

skladbu obou směsí ( v tunách komponenty na 1 tunu směsi):

skladbu obou směsí ( v tunách komponenty na 1 tunu směsi): Klíčová slova: simplexová metoda 1 Simplexová metoda Postup výpočtu: 1. Nalezení výchozího řešení. 2. Test optima: pokud je řešení optimální výpočet končí, jinak krok 3. 3. Iterační krok, poté opět test

Více

Rovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w

Rovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w Rovinná úloha v MKP Hledané deformační veličiny viz klasická teorie pružnosti (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v desky: w, ϕ x, ϕ y prostorové úlohy: u,

Více

Úvod do optimalizace, metody hladké optimalizace

Úvod do optimalizace, metody hladké optimalizace Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady

Více

EUKLIDOVSKÉ PROSTORY

EUKLIDOVSKÉ PROSTORY EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,

Více

Lineární algebra : Skalární součin a ortogonalita

Lineární algebra : Skalární součin a ortogonalita Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad

Více

Termomechanika 9. přednáška Doc. Dr. RNDr. Miroslav Holeček

Termomechanika 9. přednáška Doc. Dr. RNDr. Miroslav Holeček Termomechanika 9. přednáška Doc. Dr. RNDr. Miroslav Holeček Upozornění: Tato prezentace slouží výhradně pro výukové účely Fakulty strojní Západočeské univerzity v Plzni. Byla sestavena autorem s využitím

Více

Klasifikace a rozpoznávání. Lineární klasifikátory

Klasifikace a rozpoznávání. Lineární klasifikátory Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber

Více

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů,

Značení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, Rekurentní jevy Značení. (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, kde každý má tutéž konečnou nebo spočetnou množinu výsledků E, E,...}. Pak E j,..., E jn } značí

Více

Interpolace, ortogonální polynomy, Gaussova kvadratura

Interpolace, ortogonální polynomy, Gaussova kvadratura Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť

Více

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

Jiří Cajthaml. ČVUT v Praze, katedra geomatiky. zimní semestr 2014/2015

Jiří Cajthaml. ČVUT v Praze, katedra geomatiky. zimní semestr 2014/2015 Kartografie 1 - přednáška 2 Jiří Cajthaml ČVUT v Praze, katedra geomatiky zimní semestr 2014/2015 Kartografické zobrazení kartografické zobrazení vzájemné přiřazení polohy bodů na dvou různých referenčních

Více

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí

Více

ROVINNÁ ÚLOHA. Všechny veličiny (geometrie, materiálové vlastnosti, zatížení) jsou nezávislé na jedné prostorové proměnné

ROVINNÁ ÚLOHA. Všechny veličiny (geometrie, materiálové vlastnosti, zatížení) jsou nezávislé na jedné prostorové proměnné ROVINNÁ ÚLOHA Rovinná úloha Všechny veličiny (geometrie, materiálové vlastnosti, zatížení) jsou nezávislé na jedné prostorové proměnné Rovinná napjatost Rovinná deformace Rotačně symetrická úloha Rovinná

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

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,

Více

Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0.

Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0. A 9 vzorové řešení Př. 1. Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice Počítejte v radiánech, ne ve stupních! sin x + x 2 2 = 0. Rovnici lze upravit na sin

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

Prostorové konstrukce. neznámé parametry: u, v w. (prvky se středostranovými uzly)

Prostorové konstrukce. neznámé parametry: u, v w. (prvky se středostranovými uzly) Konečné prvk pro řešení 3D úloh Prostorové konstrukce neznámé parametr: u, v w volba různého počtu uzlů a neznámých v uzlech možnost zakřivených hran prvků (prvk se středostranovými uzl) Opakování: Geometrické

Více

Náhodné vektory a matice

Náhodné vektory a matice Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane

Více

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení Semestrální písemka BMA3 - termín 6.1.9 - varianta A13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň

Více

4EK311 Operační výzkum. 2. Lineární programování

4EK311 Operační výzkum. 2. Lineární programování 4EK311 Operační výzkum 2. Lineární programování 2.2 Matematický model úlohy LP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a 13 x

Více

Fakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR

Fakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y

Více

Univerzita Karlova v Praze procesy II. Zuzana. Predikce

Univerzita Karlova v Praze   procesy II. Zuzana. Predikce ne ve Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 23.4.-7.5. 2010 ne ve 1 ne Outline 2 ve ne ve Definice: Nechť H je Hilbertův

Více

Elektroenergetika 1. Základní pojmy a definice

Elektroenergetika 1. Základní pojmy a definice Základní pojmy a definice Elektroenergetika vědní disciplína, jejímž předmětem zkoumání je zabezpečení elektrické energie pro lidstvo Výroba elektrické energie Přenos a distribuce elektrické energie Spotřeba

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV MECHANIKY TĚLES, MECHATRONIKY A BIOMECHANIKY Komentovaný metodický list č. 1/4 Vytvořil: Ing. Oldřich Ševeček & Ing. Tomáš Profant, Ph.D.

Více

2. ANALYTICKÁ GEOMETRIE V PROSTORU Vektory Úlohy k samostatnému řešení... 21

2. ANALYTICKÁ GEOMETRIE V PROSTORU Vektory Úlohy k samostatnému řešení... 21 2 ANALYTICKÁ GEOMETRIE V PROSTORU 21 21 Vektory 21 Úlohy k samostatnému řešení 21 22 Přímka a rovina v prostoru 22 Úlohy k samostatnému řešení 22 23 Vzájemná poloha přímek a rovin 25 Úlohy k samostatnému

Více

odpovídá jedna a jen jedna hodnota jiných

odpovídá jedna a jen jedna hodnota jiných 8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě

Více

Numerické metody a programování. Lekce 4

Numerické metody a programování. Lekce 4 Numerické metody a programování Lekce 4 Linarní algebra soustava lineárních algebraických rovnic a 11 a 12 x 2 a 1, N x N = b 1 a 21 a 22 x 2 a 2, N x N = b 2 a M,1 a M,2 x 2 a M,N x N = b M zkráceně A

Více

Definice spojité náhodné veličiny zjednodušená verze

Definice spojité náhodné veličiny zjednodušená verze Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f

Více

3. Přednáška: Line search

3. Přednáška: Line search Úloha: 3. Přednáška: Line search min f(x), x R n kde x R n, n 1 a f : R n R je dvakrát spojitě diferencovatelná. Iterační algoritmy: Začínám v x 0 a vytvářím posloupnost iterací {x k } k=0, tak, aby minimum

Více

10 Funkce více proměnných

10 Funkce více proměnných M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y

Více

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze Příjmení a jméno ➊ ➋ ➌ ➍ ➎ ➏ Bonus

Katedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze Příjmení a jméno ➊ ➋ ➌ ➍ ➎ ➏ Bonus Zkoušková písemná práce č 1 z předmětu 1RMF čtvrtek 16 ledna 214, 9: 11: ➊ 11 bodů) Ve třídě zobecněných funkcí vypočítejte itu x ) n n2 sin 2 P 1 n x) ➋ 6 bodů) Aplikací Laplaceovy transformace vypočtěte

Více

Lineární algebra : Skalární součin a ortogonalita

Lineární algebra : Skalární součin a ortogonalita Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních

Více

ITÍ PROGRAMU ANSYS PRO PREDIKCI VLASTNÍCH FREKVENCF REKVENCÍ A TVARŮ KMITU VODNÍCH. Vlastislav Salajka. Petr Hradil

ITÍ PROGRAMU ANSYS PRO PREDIKCI VLASTNÍCH FREKVENCF REKVENCÍ A TVARŮ KMITU VODNÍCH. Vlastislav Salajka. Petr Hradil Luhačovice 5. - 7. listopadu 008 VYUŽI IÍ PROGRAMU ANSYS PRO PREDIKCI VLASNÍCH FREKVENCF REKVENCÍ A VARŮ KMIU VODNÍCH ÚSAV SAVEBNÍ MECHANIKY FAKULA SAVEBNÍ VYSOKÉ UČENÍ ECHNICKÉ V BRNĚ Vlastislav Salajka

Více

Michael Valášek Vedoucí práce: doc. Ing. Václav Bauma, CSc.

Michael Valášek Vedoucí práce: doc. Ing. Václav Bauma, CSc. Michael Valášek Vedoucí práce: doc. Ing. Václav Bauma, CSc. Zadání bakalářské práce Mechanismus vztlakové klapky křídla 1. Proveďte rešerši možných konstrukčních řešení vztlakové klapky křídla 2. Seznamte

Více

Numerické řešení nelineárních rovnic

Numerické řešení nelineárních rovnic Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html

Více

Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.

Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2. Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace

Více

Arnoldiho a Lanczosova metoda

Arnoldiho a Lanczosova metoda Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat

Více

AVDAT Mnohorozměrné metody, metody klasifikace

AVDAT Mnohorozměrné metody, metody klasifikace AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných

Více

Kapitola 5. SLAR - gradientní metody

Kapitola 5. SLAR - gradientní metody 23.3.2o7 Kapitola 5. SLAR - gradientní metody Metody na řešení SLAR přímé (GEM, metoda LU-rozkladu) iterační (Jacobiova m., Gauss-Seidelova m., metoda SOR) gradientní X X Motivace Uvažujme kvadratickou

Více

2. Určte hromadné body, limitu superior a limitu inferior posloupností: 2, b n = n. n n n.

2. Určte hromadné body, limitu superior a limitu inferior posloupností: 2, b n = n. n n n. Písemka matematika 3 s řešením 1. Vypočtěte lim n( 1 + n 2 n), n lim n (( 1 + 1 n e ) n ) n. 1/2, 1/ e 2. Určte hromadné body, limitu superior a limitu inferior posloupností: a n = sin nπ ( 2, b n = n

Více

SVD rozklad a pseudoinverse

SVD rozklad a pseudoinverse SVD rozklad a pseudoinverse Odpřednesenou látku naleznete v kapitole 12 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 19.12.2016: SVD rozklad a pseudoinverse 1/21 Cíle

Více

Petr Lachout October 16, 2011: Petr Lachout. EKN012 Optimalizace I

Petr Lachout October 16, 2011: Petr Lachout. EKN012 Optimalizace I Petr Lachout October 16, 2011:1200 1 Matematické programování Petr Lachout - pracovní text k přednášce EKN012 Optimalizace I 16.října 2011 2 MP October 16, 2011:1200 Obsah 0 Úvod 7 1 Teorie lineárního

Více

3. Sekvenční logické obvody

3. Sekvenční logické obvody 3. Sekvenční logické obvody 3. Sekvenční logické obvody - úvod Sledujme chování jednoduchého logického obvodu se zpětnou vazbou 3. Sekvenční logické obvody příklad sekv.o. Příklad sledování polohy vozíku

Více

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague

Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná

Více

IV113 Validace a verifikace. Převod LTL formule na Büchi automat. Jiří Barnat

IV113 Validace a verifikace. Převod LTL formule na Büchi automat. Jiří Barnat IV113 Validace a verifikace Převod LTL formule na Büchi automat Jiří Barnat Připomenutí IV113 úvod do validace a verifikace: LTL BA str. 2/26 Problém Kripkeho struktura M LTL formule ϕ M = ϕ? Řešení pomocí

Více

1. Řešená konstrukce Statické řešení Výpočet průhybové čáry Dynamika Vlastní netlumené kmitání...

1. Řešená konstrukce Statické řešení Výpočet průhybové čáry Dynamika Vlastní netlumené kmitání... . Řešená konstrukce.... Statické řešení.... Výpočet průhybové čáry... 5. Dynamika.... Vlastní netlumené kmitání..... Jacobiho metoda rovinné rotace... 4.. Popis algoritmu... 4. Vynucené kmitání... 5 4.

Více

Obsah: 1. Technická zpráva ke statickému výpočtu 2. Seznam použité literatury 3. Návrh a posouzení monolitického věnce nad okenním otvorem

Obsah: 1. Technická zpráva ke statickému výpočtu 2. Seznam použité literatury 3. Návrh a posouzení monolitického věnce nad okenním otvorem Stavba: Stavební úpravy skladovací haly v areálu firmy Strana: 1 Obsah: PROSTAB 1. Technická zpráva ke statickému výpočtu 2 2. Seznam použité literatury 2 3. Návrh a posouzení monolitického věnce nad okenním

Více

Operátory pro maticové operace (operace s celými maticemi) * násobení maticové Pro čísla platí: 2*2

Operátory pro maticové operace (operace s celými maticemi) * násobení maticové Pro čísla platí: 2*2 * násobení maticové Pro čísla platí: Pro matice - násobení inverzní maticí inv inverzní matice A -1 k dané matici A je taková matice, která po vynásobení s původní maticí dá jednotkovou matici. Inverzní

Více

5. cvičení z Matematiky 2

5. cvičení z Matematiky 2 5. cvičení z Matematiky 2 21.-25. března 2016 5.1 Nalezněte úhel, který v bodě 1, 0, 0 svírají grafy funkcí fx, y ln x 2 + y 2 a gx, y sinxy. Úhel, který svírají grafy funkcí je dán jako úhel mezi jednotlivými

Více

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28

Základy ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28 Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní

Více

Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).

Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího). Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:

Více

Globální matice konstrukce

Globální matice konstrukce Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{

Více

Základy maticového počtu Matice, determinant, definitnost

Základy maticového počtu Matice, determinant, definitnost Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n

Více

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan. 14.

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan. 14. Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 14. Vlastní vektory Bud V vektorový prostor nad polem P. Lineární zobrazení f : V

Více

Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s

Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných

Více

Definice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:

Definice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti: Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé

Více

1 Kardinální čísla. množin. Tvrzení: Necht X Cn. Pak: 1. X Cn a je to nejmenší prvek třídy X v uspořádání (Cn, ),

1 Kardinální čísla. množin. Tvrzení: Necht X Cn. Pak: 1. X Cn a je to nejmenší prvek třídy X v uspořádání (Cn, ), Pracovní text k přednášce Logika a teorie množin 4.1.2007 1 1 Kardinální čísla 2 Ukázali jsme, že ordinální čísla reprezentují typy dobrých uspořádání Základy teorie množin Z minula: 1. Věta o ordinálních

Více

SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC

SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojmy: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocniny neznámé x, tj. a n x n + a n 1 x n 1 +... + a x + a 1 x + a 0 = 0, kde n je přirozené

Více

TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose.

TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. Kvůli těmto těžkostem se měření zúžilo jen na délku

Více

4EK213 Lineární modely. 12. Dopravní problém výchozí řešení

4EK213 Lineární modely. 12. Dopravní problém výchozí řešení 4EK213 Lineární modely 12. Dopravní problém výchozí řešení 12. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování

Více

Systematická tvorba jízdního řádu 2. cvičení

Systematická tvorba jízdního řádu 2. cvičení Projektování dopravní obslužnosti Systematická tvorba jízdního řádu 2. cvičení Ing. Zdeněk Michl Ústav logistiky a managementu dopravy ČVUT v Praze Fakulta dopravní Rekapitulace zadání Je dána následující

Více

Drsná matematika III 2. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení

Drsná matematika III 2. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení Drsná matematika III. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení Masarykova univerzita Fakulta informatiky 3. 9. 6 Obsah přednášky Literatura Derivace

Více

Drsná matematika III 2. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení

Drsná matematika III 2. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení Drsná matematika III. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení Masarykova univerzita Fakulta informatiky 6. 9. Obsah přednášky Literatura Derivace vyšších

Více

ZÁklady teorie pravděpodobnosti

ZÁklady teorie pravděpodobnosti ZÁklady teorie pravděpodobnosti Pro předmět MatematickÁ statistika 1 Michal Kulich Katedra pravděpodobnosti a matematické statistiky Matematicko-fysikální fakulta University Karlovy Tyto poznámky poskytují

Více

DEFINICE,VĚTYADŮKAZYKÚSTNÍZKOUŠCEZMAT.ANALÝZY Ib

DEFINICE,VĚTYADŮKAZYKÚSTNÍZKOUŠCEZMAT.ANALÝZY Ib INFORMACE O PRŮBĚHU A POŽADAVKY KE ZKOUŠCE Z MAT. ANALÝZYIbVLS2010/11 Ke zkoušce mohou přistoupit studenti, kteří získali zápočet. Do indexu jej zapíši na zkoušce, pokud cvičící potvrdí, že na něj student

Více

Optimální trvanlivost nástroje

Optimální trvanlivost nástroje Ústav Strojírenské technologie Speciální technologie výroby Cvičení Optimální trvanlivost nástroje č. zadání: Zadání: Z naměřených hodnot opotřebení vyměnitelné břitové destičky určete optimální trvanlivost

Více

DRN: Kořeny funkce numericky

DRN: Kořeny funkce numericky DRN: Kořeny funkce numericky Kořenem funkce f rozumíme libovolné číslo r splňující f(r) = 0. Fakt. Nechť f je funkce na intervalu a, b. Jestliže f(a) f(b) < 0 (tj. f(a) a f(b) mají opačná znaménka) a f

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

Numerické řešení nelineárních rovnic

Numerické řešení nelineárních rovnic Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html

Více

LWS při heteroskedasticitě

LWS při heteroskedasticitě Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených

Více

Úvod do lineární algebry

Úvod do lineární algebry Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky

Více

Numerické metody lineární algebry

Numerické metody lineární algebry Numerické metody lineární algebry 1 Úvod 11 Úlohy lineární algebry 1 Řešení soustav lineárních rovnic A x = b Řešení soustavy s regulární čtvercovou maticí A řádu n n pro 1 nebo více pravých stran Výpočet

Více

Zadání zkoušky z konvexní optimalizace dne

Zadání zkoušky z konvexní optimalizace dne Zadání zkoušky z konvexní optimalizace dne 10.2.2017 Termín odevzdání: do 9,00 hodin dne 11.2.2017, buď mailem nebomnědorukounakatedřealgebryvsobotumezi8,45-9,00 Celkově je ze zkoušky možné získat 52 bodů.

Více