Metody analýzy 3-D obrazů z magnetické rezonance v neurovědním výzkumu. Investice do rozvoje vzdělávání
|
|
- Květoslava Šmídová
- před 5 lety
- Počet zobrazení:
Transkript
1 Metody analýzy 3-D obrazů z magnetické rezonance v neurovědním výzkumu Daniel Schwarz Investice do rozvoje vzdělávání
2 Co nás čeká? Neurovědy co to je? Neuroimaging, registrace medicínských obrazů Registrace obrazů, podobnostní metriky, vzájemná informace Pružná registrace multimodálních dat ve stereotaktickém prostoru návrh algoritmů ů kvantitativní zhodnocení Aplikace na reálných medicínských obrazech morfometrie založená na pružné registraci ve výzkumu schizofrenie
3 Neurovědy Medicína Psychologie Informatika Statistikati tik Fyzika Bádání nad nervovým systémem organizmů: struktura, funkce, vývoj, genetika, biochemie, fyziologie, farmakologie a patologie
4 Neuroimaging MRI CT PET Strukturální fmri Funkční
5 Registrace medicínských obrazů DEFINICE: Registrace obrazů je proces, při němž je odhadnuta prostorová transformace mapující body jednoho obrazu na korespondující body jiného obrazu. KLASIFIKACE METOD: Základ registrace Transformace Parametry transformace Modality Subjekty voxel lineární globální výpočet monomodální jeden segmentace nelineární lokální optimalizace multimodální více
6 Multimodální obrazy MRI - PET
7 Multimodální obrazy MRI stejný subjekt, různé budící sekvence: Multimodální metody registrace jsou robustní vůči změnám ě kontrastu t v obrazech způsobených různými podmínkami při jejich pořizování: různé modality, různé pulsní sekvence u MRI, stárnutí pacienta, onemocnění pacienta
8 Registrace medicínských obrazů intenzita SSD Referenční obraz M Podobnostní metrika korelace NC entropie MI Interpolace Optimalizace Plovoucí Prostorová obraz N transformace lineární affinní (6, 7, 9, 12 parametrů) nelineární deformace parametrická, málorozměrná interpolace nerovnoměrně rozložených dat bázové funkce: splajny, RBF, vlnky, neparametrická, mnohorozměrná fyzikální interpretace elastická, fluidní
9 Prostorové transformace Afinní transformace 12 parametrů Nelineární deformace ~ 10 3 parametrů
10 Míra podobnosti obrazů Průběh globální podobnostní metriky v okolí 2-D optimální transformace: S MN (dx,d dy) I posunutí podél x posunutí podél y 20 30
11 Míra podobnosti obrazů Střední kvadratická chyba S SSD 1 V V ( ) ( ( ) ( )) 2 M, N = M x N x, i i i Předpoklad reprezentace odpovídajících si bodů stejnými intenzitami. Vhodná pouze pro monomodální obrazová data.
12 Míra podobnosti obrazů Normalizovaná korelace S NC ( M, N ) = V i V i M ( x ) N( x ) i V ( ( )) 2 M x ( N( x )) i i i i 2. Narozdíl od S SSD není citlivá na multiplikativní l rozdíly mezi obrazy.
13 Míra podobnosti obrazů Vzájemná informace S MI ( M, N ) = I ( M, N ) I ( M, N ) = H ( M ) + H ( N ) H ( M, N )
14 Míra podobnosti obrazů Vzájemná informace S MI ( M, N ) = I ( M, N ) I ( M, N ) = H ( M ) + H ( N ) H ( M, N ) ( M, N ) = H ( N ) H ( N M ) = H ( M ) H ( M N ) I
15 Míra podobnosti obrazů Vzájemná informace S MI ( M, N ) = I ( M, N ) I ( M, N ) = H ( M ) + H ( N ) H ( M, N ) ( M, N ) = H ( N ) H ( N M ) = H ( M ) H ( M N ) I Vzájemná informace dvou náhodných proměnných M a N odpovídá té míře nejistoty v M, kterou redukujeme znalostí N.
16 Míra podobnosti obrazů Vzájemná informace ( M, N ) = H ( M ) + H ( N ) H ( M, N ) I + ( M ) p ( m) log p ( m) H M 2 m = H ( M, N ) = p ( m, n ) log p ( m, n) ). m, n MN M 2 MN
17 Míra podobnosti obrazů Vzájemná informace ( M, N ) = H ( M ) + H ( N ) H ( M, N ) I + I ( M, N ) p ( m, n) = m,nn MN log 2 M ( m, n ) ( m) p ( n), pmn p M p N
18 Míra podobnosti obrazů Vzájemná informace ( M, N ) = H ( M ) + H ( N ) H ( M, N ) I + I ( M, N ) p ( m, n) = m, n MN log 2 M ( m, n ) ( m) p ( n) pmn p M p N Nezávislost M a N: Závislost M a N: p ( m, n) p ( m) p ( n) MN = M ( M, N ) = H ( M ) H ( N ) H + N ( M, N ) < H ( M ) H ( N ) H + I ( M, N ) = 0. I( M, N ) > 0.
19 Míra podobnosti obrazů Vzájemná informace ( M, N ) = H ( M ) + H ( N ) H ( M, N ) I + I ( M, N ) p ( m, n) = m, n MN log 2 M ( m, n ) ( m) p ( n) pmn p M p N Vzájemná informace dvou náhodných proměnných M a N vyjadřuje míru závislosti mezi těmito proměnnými.
20 Míra podobnosti obrazů Vzájemná informace ( M, N ) = H ( M ) + H ( N ) H ( M, N ) I + I ( M, N ) p ( m, n) = m, n MN log 2 M ( m, n ) ( m) p ( n) pmn p M p N Kullbackova-Leiblerova vzdálenost mezi dvěma distribucemi. Vzájemná informace dvou náhodných proměnných M a N vyjadřuje míru závislosti mezi těmito proměnnými.
21 Vzájemná informace - příklad
22 Vzájemná informace - příklad
23 Vzájemná informace - příklad
24 Registrace medicínských obrazů Rigidní (afinní) registrace multimodálních obrazů Maximalizace vzájemné informace I ( M, N ) = H( M ) + H ( N ) H( M, N ), I p, log2 MN ( m n) pm ( M N ) p ( m, n) = MN ( m, n) ( m ) p ( n )., N Obrazy nelícují Obrazy lícují p MN (m,n) p MN (m,n) p MN (m,n)
25 Registrace medicínských obrazů Rigidní (afinní) registrace multimodálních obrazů Maximalizace MI (vzájemné informace) Optimalizační proces, kde kriteriální funkcí je I(M,N) a reg = arg min a S( S M, N o ). a Powell's direction set Nelder-Mead simplex ty [mm] ty [mm] Multiresolution
26 Výpočetní neuroanatommie VÝVOJ VOLUMETRIE MOZKU: postmortem techniky in vivo (CT, MRI) ROI manuální segmentace VBM DBM } celomozkové, automatické morfometrické metody
27 Výpočetní neuroanatommie Statistická analýza na deformacích na voxelech Lineární registrace affinní transformace šablona Pružná registrace stereotaktický prostor
28 Lícování podobrazů Adaptivní dělení CÍL NÁVRHU: Hrubá prostorová normalizace obrazů (potlačení globálních tvarových rozdílů). - M N Max. úroveň dělení + Symmetrické srovnávání - Max. + iterace f f RBF interpolace u u lokální síly (translace) prostorový deformační model výstup
29 Lícování podobrazů SYMETRICKÉ SROVNÁVÁNÍ PODOBRAZŮ Regionová symetrická podobnostní metrika Globální podobnostní metrika vzájemná informace: MI ( M N ) p ( m, n) p ( m, n) g2 pm ( m) pn ( n) pmn ( m, n) = M ( m) pn ( n) MN ( m( x), n( x) ) ( m( x) ) p ( n( x) ) MN, = MN log2 = = m, n m, n K K m, n log 2 p 1 p 1 = log = K p K x 2 M N x S MI ( x). S Regionová podobnostní metrika: W S W = 1 S( x). K W x W W forward ( fw ) = SW ( M ( xw + uw ( xw ) + fw ), N( xw )) reverse + S ( M ( x ), N( x u ( x ) f )). W W, W W W W + Bodová podobnostní funkce: n n(x 2 ) S MI (x 1,x 2 ) m(x 1 ) m
30 Lícování podobrazů SYMETRICKÉ SROVNÁVÁNÍ PODOBRAZŮ Kombinace důkladného hledání a metody nejstrmějšího j sestupu Parametry optimalizační procedury závisí na velikosti podobrazu. f max - vektor maximálního posunutí s e - hrubý krok důkladného hledání s h - jemný krok nejstrmnějšího sestupu q -počet startů nestrmnějšího sestupu Experimentální nastavení.
31 Lícování podobrazů VÍCEÚROVŇOVÁ ADAPTIVNÍ DEFORMACE Dělení na podobrazy: prahování gradientního obrazu. Prvky metod založených na význačných bodech. Interpolace nerovnoměrně rozložených dat s využitím RBF. Volba RBF: Wendlandova d funkce (local l support). Iterace i při konstantní úrovni dělení: Zavedení závislosti mezi sousedními obrazy.
32 Registrace pomocí bodových podobnostních metrik multirezoluční strategie CÍL NÁVRHU: Potlačení hrubých i jemných rozdílu mezi obrazy. - Symmetrické srovnávání u Sdružená PDF + Změna - Max. globální rozlišení MI + prostorový deformační model Hookův zákon u u f 1 f 2 f Lokální síly Prostorový Prostorový filtr G filtr G E I výstup
33 Registrace pomocí bodových podobnostních metrik SYMETRICKÉ SROVNÁVÁNÍ VOXELŮ f forward reverse ( x) = fk ( x) fk ( x) S( M ( x + u( x) + ε ), N( x) ) S( M ( x + u( x) ε ), N( x) ) sym k = = S k 2ε ( M ( x), N( x u( x) + ε )) S( M ( x), N( x u( x) ε )) k k 2ε k k k, k = 1... D. NORMALIZACE SIL: ~ f ( ) ( x) ~ f. f x = ( ) ( x) f x = f ( x). f MAX f forward f reverse f sym
34 Registrace pomocí bodových podobnostních metrik S ( x) p ( m( x) n( x) ) H = log 2 MN, ( ) ( ) S PC ( x ) = p n ( x ) m ( x ) ( x) = log p n( x) m( x) S HC 2 S UH MI ( x) = SH SMI pmn ( ) ( m( x), n( x) ) x = log 2 pm ( m ( x ) ) pn ( n ( x ) ) pmn ( ) ( m( x), n( x) ) x = p ( m( x) ) p ( n( x) ) S + S PMI M N p histogram MN (m,n) n n n WM GM CSF SKULL BCKG FALEŠNÉ TŔÍDY m m m
35 Registrace pomocí bodových podobnostních metrik KONVERGENCE Konvergenční kritérium: relativní změna globální podobnostní metriky (normalizovaná vzájemná informace). C i = ~ I i ~ i 1 ( M, N ) I ( M, N ) ~ i 1 I ( M, N ). Zobecněná PV interpolace při výpočtu sdružené PDF. Dva typy chyb: 1) Chyba odhadu bodové podobnostní funkce roste s mírou rozlícování. í 2) Počet suboptimálních lokálních řešení roste s mírou rozlícování. MULTIREZOLUČNÍ STRATEGIE
36 Sekvence podvzorkovaných obrazů: Multirezoluční strategie rozmazání Gaussovým filtrem σ = s/2, výběr každéhos. vzorku. 4 mm mm Přechod na úroveň s vyšším rozlišením: nadvzorkování u(x) s lineární interpolací. 1 mm u MAX =17 mm
37 Sdružená PDF ve stereotaktickém prostoru TPM = Tkáňové pravděpodobnostní mapy 0 1 p MN prior (m,n) Modifikovaná technika Parzen windowing. Výběr míst s nejpravděpodobnějšími výskyty mozkových tkání. Gaussovská jádrová funkce. Váhování hodnotou pravděpodobnosti výskytu tkáně. Váhování hodnotou interpolační jádrové funkce. n λ=0.5λ λ=0.0 p MN m p MN prior histogram () i = λp () i + ( 1 λ) p (). i MN MN
38 Nastavení parametrů, zhodnocení metod Vizuální kontrola + změna hodnot globálních podobnostních metrik. ( ). 1 2 Měření chyb po registraci uměle zdeformovaného obrazu. e = u init ( x) u( x) RMS K Τ x Τ e MAX = max x Τ init ( u ( x) u( x) ). Měření překryvů objektů v segementovaných obrazech. J L l= 1 = L l= 1 Λ Λ M, l M, l Λ Λ N, l N, l.
39 Nastavení parametrů, zhodnocení metod Testovací data: SBD (Simulated Brain Database) 20 párů 2D obrazů, různé kontrasty: T1-T1, T1-T2, T1-PD. Dva typy transformací (RGsim, TPSsim), Různé míry rozlícování: u init MAX {5 mm, 8 mm, 10 mm, 12 mm}. Měření chyb po registraci uměle zdeformovaného obrazu: e RMS, e MAX.. Měření překryvů objektů v segementovaných obrazech. Lícování podobrazů Max. úroveň dělení: 4 Iterace na stejné úrovni: 2 Nejvhodnější metrika: S PC e RMS = 73% (RGsim) e RMS = 88% (TPSsim) Registrace pomocí bodových podobnostních metrik Multirezoluční schéma: 4 mm, 2 mm, 1 mm Def. model: σ GI =3.74, σ GE =2.00, k=1.00 Nejvhodnější metriky: S PMI, S MI e RMS = 80% (RGsim) e RMS = 87% (TPSsim)
40 Morfometrie u první epizody schizofrenie CÍL: Nelézt v mozku místa se statisticky významnými anatomickými rozdíly mezi skupinou pacientů postižených první epizodou schizofrenie a skupinou zdravých dobrovolníků. 49 schizofrenních mužů (věkový průměr 24.3, směrodatná odchylka 5.2), 124 dobrovolníků (věkový průměr 23.3, směrodatná odchylka 2.0). 3D MRI obrazy mozku: T1-váhované; sagitální; mm; formát DICOM. Převod do MNI-BIC formátu, lineární registrace do Talaraichova systému, šablona ICBM152. Potlačení INU artefaktu, převzorkování na mm ( voxelů). Pružná mnohorozměrná registrace pomocí bodových podobnostních metrik. Šablony: colin27 (SBD), ICBM152. Metriky: S PMI, S MI.
41 Morfometrie u první epizody schizofrenie OVĚŘENÍ PŘESNOSTI METODY NA 3D OBRAZECH Měření e RMS a e MAX mezi deformacemi získanými z dopředných a reverzních registrací. výsledky měření konzistence na registraci 173 subjektů:
42 Morfometrie Morfometrie u první epizody schizofrenie u první epizody schizofrenie VEKTOROVÁ A SKALÁRNÍ POLE Jakobián z y x, = z y x z y x z y x det
43 Morfometrie Morfometrie u první epizody schizofrenie u první epizody schizofrenie VEKTOROVÁ A SKALÁRNÍ POLE D t i t J k biáů Jakobián Determinanty Jakobiánů z (x) z y x ( ) vyjadřují lokální, relativní objemové změny způsobené, = z y x z y x objemové změny způsobené (x)v bodě x z y x det
44 Morfometrie u první epizody schizofrenie Testování hypotézy v jediném bodě stereotaktického prostoru: Porovnání výsledných vektorových polí: Hotellingova T 2 statistika přepočítána na F statistiku. F = 12,863 (P=9.9e-6)
45 Morfometrie u první epizody schizofrenie Testování hypotézy v jediném bodě stereotaktického prostoru: Porovnání skalárních polí: Studentova t statistika Porovnání výsledných vektorových polí: Hotellingova T 2 statistika přepočítána na F statistiku. t = 5,429 (P=3.1e-6) F = 12,863 (P=9.9e-6)
46 Morfometrie u první epizody schizofrenie STATISTIKA NAD VEKTOROVÝMI POLI Hotellingova T 2 statistika přepočítána na F statistiku. Hladina významnosti α=0.1%. Obtížná interpretace. STATISTIKA NAD SKALÁRNÍMI POLI Deformace převedeny na pole determinantů Jakobiánů Studentova t statistika, α=0.1%. Přímočará interpretace. x=14 mm y=47 mm z=41 mm x=49 mm y=27 mm z=7 mm x=17 mm y=-66 mm z=12 mm x=-40 mm y=44 mm z=2 mm F V t p > V c V p <V c
47 Morfometrie u první epizody schizofrenie KOREKCE NA MNOHOČETNÁ POROVNÁNÍ α = => jeden z tisíce testů zamítne nulovou hypotézu (chyba prvního druhu) V ~ 10 6 voxelů, tj. ~ 10 6 testů => nutno korigovat α V p <V c
48 Morfometrie u první epizody schizofrenie KOREKCE NA MNOHOČETNÁ POROVNÁNÍ α = => jeden z tisíce testů zamítne nulovou hypotézu (chyba prvního druhu) V ~ 10 6 voxelů, tj. ~ 10 6 testů => nutno korigovat α FDR: False Discovery Rate vsoučasné době nejužívanější v neuroimagingu nestanovuje pravděpodobnost výskytu jediného falešně pozitivního výsledku, ale určuje podíl všech falešně pozitivních výsledků v celkovém počtu zamítnutých tý nulových hypotéz. V p <V c
49 Shrnutí Návrh a implementace algoritmů pro pružnou registraci multimodálních obrazových dat: málorozměrná registrace lícováním podobrazů, mnohorozměrná registrace s využitím bodových podobnostních metrik. Zobecněná PV interpolace: hladší průběh kriteriálních funkcí, není nutno počítat deformované obrazy výrazné urychlení výpočtu. Kombinace odhadu d sdružené PDF: zvýšení přesnosti výsledných deformací (v průměru: e RMS = 6%, e MAX = 11%) snížení počtu iterací (v průměru o 19%). Kvantitativní hodnocení pomocí uměle vytvořených deformací a pomocí měření konzistence. Aplikace mnohorozměrné registrace na reálných medicínských datech: výsledné mapy lokalizují oblasti mozku se statisticky významnými anatomickými rozdíly mezi skupinou pacientů postižených první epizodou schizofrenie a kontrolní skupinou, výsledky z velké části konzistentní s jinými autory užívající ROI, VBM i DBM techniky,zjištěné odchylky mohou být způsobeny krátkou dobou nemoci u vyšetřované skupiny.
50 ffgf INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ 5. letní škola Matematické biologie je podporována projektem ESF č. CZ.1.07/2.2.00/ VÍCEOBOROVÁ INOVACE STUDIA MATEMATICKÉ BIOLOGIE Otázky? 50
Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu
Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu Ing. Daniel Schwarz, Ph.D. Bc. Eva Janoušov ová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ O čem budu mluvit? Neurovědy
VícePředstavení vlastních projektů studentům 1. ročníku oboru Matematická biologie
Představení vlastních projektů studentům 1. ročníku oboru Ing. Daniel Schwarz, Ph.D. Odkud přišel? p Ústav biomedicínského inženýrství FEKT VUT v Brně drátař? Co učil? u 2000-2005: semináře (cvičení) Zpracování
VíceTERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceAkvizice dat. Dekonvoluce Registrace. zobrazení INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
a analýza signálů v perfúzním zobrazení Ústav biomedicínského inženýrství FEKT, VUT v Brně 22. 5. 2009 INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Osnova Úvod 1 Úvod 2 3 4 5 Úvod diagnostika a průběh terapie nádorových
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 4 Jak a kdy použít parametrické a
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
Víceanalýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceSTATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a
VíceKlasifikace 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
VícePřednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy
Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VícePřednáška IX. Analýza rozptylu (ANOVA)
Přednáška IX. Analýza rozptylu (ANOVA) Princip a metodika výpočtu Předpoklady analýzy rozptylu a jejich ověření Rozbor rozdílů jednotlivých skupin násobné testování hypotéz Analýza rozptylu jako lineární
VíceMATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ
MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Vícerozměrné statistické rozdělení
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VíceStátní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VíceVybrané partie z obrácených úloh. obrácených úloh (MG452P73)
Vybrané partie z obrácených úloh obrácených úloh (MG452P73) Obsah přednášky Klasifikace obrácených úloh a základní pojmy Lineární inverzní problém, prostor parametrů a dat Gaussovy transformace, normální
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 3 Jak a kdy použít parametrické a
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceHledání optimální polohy stanic a zastávek na tratích regionálního významu
Hledání optimální polohy stanic a zastávek na tratích regionálního významu Václav Novotný 31. 10. 2018 Anotace 1. Dopravní obsluha území tratěmi regionálního významu 2. Cíle výzkumu a algoritmus práce
VíceSEBELOKALIZACE MOBILNÍCH ROBOTŮ. Tomáš Jílek
SEBELOKALIZACE MOBILNÍCH ROBOTŮ Tomáš Jílek Sebelokalizace Autonomní určení pozice a orientace robotu ve zvoleném souřadnicovém systému Souřadnicové systémy Globální / lokální WGS-84, ETRS-89 globální
VíceNumerické 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:
VíceTESTOVÁNÍ HYPOTÉZ STATISTICKÁ HYPOTÉZA Statistické testy Testovací kritérium = B B > B < B B - B - B < 0 - B > 0 oboustranný test = B > B
TESTOVÁNÍ HYPOTÉZ Od statistického šetření neočekáváme pouze elementární informace o velikosti některých statistických ukazatelů. Používáme je i k ověřování našich očekávání o výsledcích nějakého procesu,
VíceSchéma identifikační procedury
Schéma identifikační procedury systém S generátor rekonstrukčních hypotéz G a S nejsou porovnatelné nelze srovnat kvalitu G a S S a S jsou porovnatelné kvalita dekompozice S? S : (S,S ) = G dekompozice
VíceČeské vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM
OKRUHY ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM Obor: Studijní program: Aplikace přírodních věd 1. Vektorový prostor R n 2. Podprostory 3. Lineární zobrazení 4. Matice 5. Soustavy lineárních rovnic
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
VíceRegulační diagramy (RD)
Regulační diagramy (RD) Control Charts Patří k základním nástrojům vnitřní QC laboratoře či výrobního procesu (grafická pomůcka). Pomocí RD lze dlouhodobě sledovat stabilitu (chemického) měřícího systému.
VíceMann-Whitney U-test. Znaménkový test. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek
10. Neparametrické y Mann-Whitney U- Wilcoxonův Znaménkový Shrnutí statistických ů Typ srovnání Nulová hypotéza Parametrický Neparametrický 1 skupina dat vs. etalon Střední hodnota je rovna hodnotě etalonu.
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceMÍRY ZÁVISLOSTI (KORELACE A REGRESE)
zhanel@fsps.muni.cz MÍRY ZÁVISLOSTI (KORELACE A REGRESE) 2.5 MÍRY ZÁVISLOSTI 2.5.1 ZÁVISLOST PEVNÁ, VOLNÁ, STATISTICKÁ A KORELAČNÍ Jednorozměrné soubory - charakterizovány jednotlivými statistickými znaky
VíceOperace s obrazem I. Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.
Operace s obrazem I Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova 1 Filtrování obrazu 2 Lineární a nelineární filtry 3 Fourierova
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceTESTOVÁNÍ STATISTICKÝCH HYPOTÉZ ZÁKLADNÍ POJMY
TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ ZÁKLADNÍ POJMY Statistická hypotéza je určitá domněnka (předpoklad) o vlastnostech ZÁKLADNÍHO SOUBORU. Test statistické hypotézy je pravidlo (kritérium), které na základě
VíceZápočtová práce STATISTIKA I
Zápočtová práce STATISTIKA I Obsah: - úvodní stránka - charakteristika dat (původ dat, důvod zpracování,...) - výpis naměřených hodnot (v tabulce) - zpracování dat (buď bodové nebo intervalové, podle charakteru
VíceKompresní metody první generace
Kompresní metody první generace 998-20 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Stillg 20 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca / 32 Základní pojmy komprese
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceKombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
Více2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi,
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceÚloha 1: Lineární kalibrace
Úloha 1: Lineární kalibrace U pacientů s podezřením na rakovinu prostaty byl metodou GC/MS měřen obsah sarkosinu v moči. Pro kvantitativní stanovení bylo nutné změřit řadu kalibračních roztoků o různé
VíceTesty statistických hypotéz
Testy statistických hypotéz Statistická hypotéza je jakýkoliv předpoklad o rozdělení pravděpodobnosti jedné nebo několika náhodných veličin. Na základě náhodného výběru, který je reprezentativním vzorkem
VíceKalkulace závažnosti komorbidit a komplikací pro CZ-DRG
Kalkulace závažnosti komorbidit a komplikací pro CZ-DRG Michal Uher a analytický tým projektu DRG Restart Ústav zdravotnických informací a statistiky ČR, Praha Institut biostatistiky a analýzy, Lékařská
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
VíceTestování statistických hypotéz
Testování statistických hypotéz Na základě náhodného výběru, který je reprezentativním vzorkem základního souboru (který přesně neznáme, k němuž se ale daná statistická hypotéza váže), potřebujeme ověřit,
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VícePorovnání dvou výběrů
Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů
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
VíceStatistika. Testování hypotéz statistická indukce Úvod do problému. Roman Biskup
Statistika Testování hypotéz statistická indukce Úvod do problému Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika by Birom
VíceIntervalová data a výpočet některých statistik
Intervalová data a výpočet některých statistik Milan Hladík 1 Michal Černý 2 1 Katedra aplikované matematiky Matematicko-fyzikální fakulta Univerzita Karlova 2 Katedra ekonometrie Fakulta informatiky a
VíceCharakterizují kvantitativně vlastnosti předmětů a jevů.
Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost
VíceAnalýza obrazu II. Jan Macháček Ústav skla a keramiky VŠCHT Praha
Analýza obrazu II Jan Macháček Ústav skla a keramiky VŠCHT Praha +4- - 44-45 Reference další doporučená literatura Microscopical Examination and Interpretation of Portland Cement and Clinker, Donald H.
Více12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)
cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceSLAM. Simultaneous localization and mapping. Ing. Aleš Jelínek 2015
SLAM Simultaneous localization and mapping Ing. Aleš Jelínek 2015 Komplexní inovace studijních programů a zvyšování kvality výuky na FEKT VUT v Brně OP VK CZ.1.07/2.2.00/28.0193 Obsah Proč sebelokalizace,
VíceTestování hypotéz. Testování hypotéz o rozdílu průměrů t-test pro nezávislé výběry t-test pro závislé výběry
Testování hypotéz Testování hypotéz o rozdílu průměrů t-test pro nezávislé výběry t-test pro závislé výběry Testování hypotéz Obecný postup 1. Určení statistické hypotézy 2. Určení hladiny chyby 3. Výpočet
VíceStatistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží
Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží Zdeněk Karpíšek Jsou tři druhy lží: lži, odsouzeníhodné lži a statistiky. Statistika je logická a přesná metoda, jak nepřesně
VíceNumerické metody a programování. Lekce 7
Numerické metody a programování Lekce 7 Řešení nelineárních rovnic hledáme řešení x problému f x = 0 strategie: odhad řešení iterační proces postupného zpřesňování řešení výpočet skončen pokud je splněno
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceCharakteristika datového souboru
Zápočtová práce z předmětu Statistika Vypracoval: 10. 11. 2014 Charakteristika datového souboru Zadání: Při kontrole dodržování hygienických norem v kuchyni se prováděl odběr vzduchu a pomocí filtru Pallflex
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceObsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou
Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................
VícePOŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY
POŽADAVKY K SOUBORNÉ ZKOUŠCE Z MATEMATIKY Bakalářský studijní program B1101 (studijní obory - Aplikovaná matematika, Matematické metody v ekonomice, Aplikovaná matematika pro řešení krizových situací)
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceInferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů
Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že
VíceVALIDACE GEOCHEMICKÝCH MODELŮ POROVNÁNÍM VÝSLEDKŮ TEORETICKÝCH VÝPOČTŮ S VÝSLEDKY MINERALOGICKÝCH A CHEMICKÝCH ZKOUŠEK.
VALIDACE GEOCHEMICKÝCH MODELŮ POROVNÁNÍM VÝSLEDKŮ TEORETICKÝCH VÝPOČTŮ S VÝSLEDKY MINERALOGICKÝCH A CHEMICKÝCH ZKOUŠEK. František Eichler 1), Jan Holeček 2) 1) Jáchymovská 282/4, 460 10,Liberec 10 Františkov,
VíceHloubka dat. kontury, klasifikace a konzistence. Daniel Hlubinka
Hloubka dat kontury, klasifikace a konzistence Daniel Hlubinka Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Robust Němčičky 2012 Hloubka Co
VíceSYLABUS PŘEDNÁŠKY 10 Z GEODÉZIE 1
SYLABUS PŘEDNÁŠKY 10 Z GEODÉZIE 1 (Souřadnicové výpočty 4, Orientace osnovy vodorovných směrů) 1. ročník bakalářského studia studijní program G studijní obor G doc. Ing. Jaromír Procházka, CSc. prosinec
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 1
PRAVDĚPODOBNOST A STATISTIKA Neparametrické testy hypotéz čast 1 Neparametrické testy hypotéz - úvod Neparametrické testy statistických hypotéz se používají v případech, kdy neznáme rozdělení pozorované
VíceNumerické 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
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceAnalýza časového vývoje 3D dat v nukleární medicíně
Diplomová práce Analýza časového vývoje 3D dat v nukleární medicíně Jan Kratochvíla Prezentováno Seminář lékařských aplikací 12. prosince 2008 Vedoucí: Mgr. Jiří Boldyš, PhD., ÚTIA AV ČR Konzultant: Ing.
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály Systémy: definice, několik příkladů Vlastnosti systémů
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceOptimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
Více