Detekce a lokalizace vyjimecnych stavu v mestske doprave
|
|
- Milada Žáková
- před 8 lety
- Počet zobrazení:
Transkript
1 Detekce a lokalizace vyjimecnych stavu v mestske doprave 1 Uvod Reakce globalnchrdcchsystemu.nezpristoupmekezkoumanvyjimecnychstavuvdoprave,vymezme rdcho systemu na nastale vyjimecne stavy v doprave je velice dulezitou soucast vsech nejdrve to, co v teto praci budeme povazovat za vyjimecny stav. Vyjimecnymstavemvdopraverozummemimoradnoudopravnsituaci,jejzdopad se podstatnym zpusobem odraz v merenych dopravnch datech. oblasti, Poznamka: apriorn znalosti Metody, o chovan ktere pouzvame, automobilu jsou v dane zalozeny oblasti na a informaci zejmena na o strukture on-line merenych zkoumane dopravnch dopravn datech. realna data Struktura nesou oblasti informaci je dana, o okamzitem apriorn informace den v oblasti. vypovda Vsechny o"prumernych" dopravn udalosti, vlastnostech ktere oblasti se v merenych a pouze datech mysli,ze neodraz, bychom jsou potrebovali pro nas prmo nedosazitelne, nastalou poruchu a nelze merit! je detekovat Pozadujeme ani rdit. pouze, Tm aby samozrejme se porucha nemame v nekterych na datech projevila, abychom ji mohli na zaklade techto velicin predpovedet. V prpade vyjimecneho stavu je situace odlisna od"beznych situac". Rozdlu je nekolik vyjimecna dobu trvan, situace nastava vetsinou ve velmi kratkem casovem intervalu a ma prechodnou dopad nastale vyjimecne situace na stav dopravnho systemu je vetsinou dosti podstatny, jednotlivychskupinpodobnychvyjimecnychstavu(alesponcododopadunastavdopravnho systemu) byva konecny pocet. Vyjimecne mens mnozstv stavy udalost, lze samozrejme majcch(vetsinou klasikovat negativn) podle rady vliv hledisek na dopravn a zahrnovat system pod a vymykajcch ne vets nebo beznym dopravnm podmnkam. My se pridrzme vyctu provedeneho v praci [1]. Zde je uvedena se pomerne pro jejich siroka detekci. skala ruznych vyjimecnych dopravnch stavu vcetne jejich vyhodnocen a navodu V urovnrozpoznavanvyjimecnychstavuvubecajejichprpadnouklasikac,tj.urcenmkdeajaky teto zprave se vsak nebudeme ani tak zabyvat klasikac jednotlivych stavu jako obecnou vyjimecny stavu, a to stav prekazky nastal. ve Budeme vozovce. se Jako pritom jednotlive drzet jedineho, vyjimecne nejpodstatnejsho stavy budeme uvazovat druhu z ruzna vyjimecnych kdektetoblokadedoslo.otazkoubude:(i)poznamevubec,zenekdevoblastidoslokzablokovan msta, jzdnho pri techto pruhu? experimentech (II) pozname, jsou (i) na za kterem jak dlouho mste jsme k tomuto schopni zablokovan vyjimecny doslo? stav zaregistrovat, Zajmave okolnosti (ii) s 1
2 jakou abychom jistotou si jej jsme vubec schopni vsimli,(iv) vyjimecny jak silny stav dopad detekovat,(iii) mus mt vyjimecny jak dlouho stav, mus abychom vyjimecny jej stav zachytili. trvat, stavu Resen by vyjimecnych nastoupilo urcite stavu expertnrzen, zde nechavame bud' stranou jiz existujc a predpokladame, nebo navrzene ze po dopravnmi detekci vyjimecneho operatory. 2 Formulace ulohy Pro a Svornosti. testovan Detailn byla vybrana planek liniova teto mikrooblast oblasti, konkretne sectyrmi jejch krizovatkami, ctyrech rzenych konkretne krizovatek, ulice Zborovska Obrazku 1. je na Obrazek 1: Realna oblast jejz model byl pouzit pro testovan 2
3 Oblast skutecnosti se naleza krizovatek, v mste z nichz maleho zbylych smchovskeho sest je nerzenych okruhu. a Tato intenzita oblast provozu obsahuje v nich ve nen velka. Proto jsme brali v uvahu jen uvedene ctyri svetelne rzene krizovatky. Model modelujenaobrazku2. teto mikroblasti byl vytvoren pomoc dopravnho simulatoru simulovan AIMSUN. Schema jj 3jj 44 5jjj jjjj j Obrazek 2: Mikrooblast se zkoumanymi vyjimecnymi stavy Mikrooblast Obr. 1. Je zde je tvorena vyznaceno ctyrmi csel krizovatkami v krouzku, serazenymi ktera oznacuj v jedne msta, linii kde - podrobnosti byla postupne viz csly. umst'ovana blokada. Silnejs svisle usecky oznacuj meric detektory, oznacene rovnez Na tektorech vyznacenych v oblasti mstech (viz obr. 1-2) byla byla simulovana merena data porucha (obsazenosti ve forme dopravnho stojcho proudu) automobilu. pro stav Na bez de- poruchy(zadne i; i=1;2:::;).prostavbezporuchyakazdyporuchovystav(urcitadobastanautomobiluna stojc auto) a poruchovych stavu(porucha i odpovda autu stojcmu v pozici zvolene pozici) je tedy k dispozici 13 datovych souboru, charakterizujcch stav oblasti. Otazka porucha je:(i) skutecne lze vubec existuje tmto jako zpusobem pravdiva?(iii) poruchu jak detekovat?(ii) dlouhe je treba s meren jakou jistotou jak pro lze o-line, tvrdit,ze tak i tato on-line identikaci, aby zskana informace o poruse byla dostatecna? pro 3
4 3 Model smesi distribuc a jeho odhad VtetokapitolenaznacmezakladyteorieodhadusmesovehomodelumetodouQuasi-Bayes.Protoze zmnena velmi ucinne teorie odmocninove je znacne obtzna algoritmy, a jej zustaneme programova jen u realizace odvozen vyuzva zakladnch dosti vztahu neprehledne aniz bychom ale zato prevadeli do podoby algoritmu. Ten zpracovan v systemu MIXTOOLS vytvorenem v AS UTIA je AV CR-viz[2]. Uplnateorieodhadusmesovychmodelujepopsanav[3]. Komponenty modelu Predpokladame dt; t2t. Modely n modelu, jsou popsany indexovanych svymi podmnenymi prirozenymicsly hustotami c2f1;2;:::;ng=c pravdepodobnosti a modelovana hp data f(dtjd(t 1);c; c): Dale smesoveho predpokladame, modelu, tj. ze ze v prave kazdem jen casovem tato komponenta okamziku odraz je aktivn skutecny pouze stav jeden sledovaneho model- komponenta systemu. Ukazatel Aktivity ct=cznamena,zevokamzikutjeaktivnkomponentac. jednotlivych komponent oznacuje ukazatel- nahodna velicina ct s hodnotami 1;2;:::;n. Pravdepodobnosti predpokladame konstantn aktivity a rovny jednotlivych c, tedy komponent c, bez znalosti aktualnch dat dt, f(ct =cjd(t 1);)=f(ct =cj)=c Poznamka: Vyrazem f(ct=c) myslme fct(c)=p(ct=c) kde P(:) oznacuje pravdepodobnost. V jadrujc okamziku, tento kdy stav namerme je data dt, mame dals informaci o skutecnem aktualnm stavu. Hp vy- f(ctjd(t)): Nahodna posloupnost ct je neznama a jej hodnoty nelze merit a je treba je odhadovat. 4 Odhad modelu smesi distribuc 4.1 Vnitrn popis smesi Sdruzena hp dat a ukazatele Tatohppopisujejakdata,takiukazatele f(dt;ctjd(t 1); ;): (1) ze Je data to sdruzena dt pochaz hp, z parametrizovana komponenty ct. vektorem parametru[ ;]. Tato hp urcuje pravdepodobnost, 4
5 Tato sdruzena hp muze byt rozlozena takto (1)=f(dtjd(t 1);ct; ;) f(ctjd(t 1); ;)= =f(dtj't 1;ct; ct) f(ctj)=ct f(dtj't 1;ct; ct) kde f(dtjd(t 1);ct; ;)=f(dtj't 1;ct; ct) (2) je popis jedne komponenty(konkretne s indexem ct), a f(ctjd(t 1); ;)=f(ctj)=ct (3) je Poznamka: pravdepodobnostn Z predchozho popis ukazatele plynou pozadavky ct. na model 1. kazda komponenta c=1;2;:::;n ma sve vlastn parametry c, 2. data hloubkyradu dt jsou zavisla modelu), jen na datech, obsazenych v regresnm vektoru 't 1 (tj. minulych datech az do 3. ukazatel je nezavisly na parametrech component c, 4. ukazatel je podmnene nezavisly na starych datech, je-li znam parametr ukazatele- vektor, 5. pravdepodobnosti komponent vcase t bez znalosti dt jsou stacionarn. 4.2 Vnejs popis smesi Hp dat bez ohledu na aktivitu component Tuto hp lze dostat dvema zpusoby(presne a s aproximac): Prvn zpusob je presny a je dan marginalizac hp(1) vzhledem k ukazateli ct f(dtjd(t 1); ;)= = X f(d t;ctjd(t 1); ;)= X ctf(dt;ctjd(t 1); ;): (4) ct2c ct2c kde jsme pouzili vztah(3). Druha dem.zesdruzenepravdepodobnostisepakpodosazenbodovehoodhadustanehpjedinepromenne, moznost je aproximace. Ta spocva v nahrazen ukazatele ct nejakym jeho bodovym odha- a ale to vede dt. Tak na spocitatelne dostaneme marginaln algoritmy pro hp. odhadovan. Tento postup Touto nen, cestou vzhledem dostavame k aproximaci, optimaln, zato f(dtjd(t 1); ;)/f(dt;^ctjd(t 1); ;); (5) podmnena kde ct je bodovy stredn odhad hodnota(viz poctany dale). na zaklade starych dat d(t 1). Bodovy odhad je poctan jako 5
6 4.3 Odhad [ ; ] - (Bayesuv vzorec) Bayesuv vzorec pro odhad parametru[ ;] ma tvar f( ;jd(t)) / = f(dtjd(t f( ;jdt;d(t 1); ;)f( ;jd(t 1)) 1)) (6) coz vnejsho je rekurze, popisu ktera smesi prepoctava f(dtjd(t 1); ;). hp pro jmenovany Protoze Bayesuv parametr. vztah Pro (6) jej ma pouzit soucinovy se vyzaduje tvar a znalost popissmesijedanvetvarusouctu(4),dostavamevysledekvtvarsoucinusouctu,cozjevypocetne vnejs nevhodne. se Resen,kterejespocitatelne,dostanemesvyuzitmaproximovanehovztahu(5).Tojecesta,kterou budeme dale zabyvat. 4.4 Odhad [ ; ] - (pro statistiky) Modely komponent v exponencialnm tvaru Komponenty vyjadrme pomoc hp z exponencialn trdy f(dtj't 1;c; c)=expfqc( )s('t 1)g; c2c (7) kde nentam). qc( ) je parametricka funkce c-te komponenty a s('t 1) je statistika(spolecna vsem kompo- Soucinovy tvar modelu a apriorn hp Pro soucinovemtvaru dals odvozen je vyhodne formalne vyjadrit jak model, tak i apriorn hp v nasledujcm ctf(dtj't 1;ct; ct) = ctexpfqct( )s('t Y [ 1)g cexpfqc( )s('t 1)g](c;ct) c2c = Y c(c;ct) Y c2c c2c expfq c( )s('t 1)(c;ct)g (8) a f( ;jd(t 1)) = Y c(t 1) Y c2c c2c expfq c( )S(t 1)g; (9) kde(t Poznamka: 1)aS(t (c;ct) 1)jsoustatistikyhpparametruvcaset je Diracova -funkce, denovana takto 1. (c;ct)= forc=ct 6=ct 6
7 Bayesuv vzorec pro soucinovy tvar hp Dosadme Y soucinove tvary hp(8) and(9) do Bayesova vzorce(6) a dostaneme c(t) expfqc( )S(t)g = Y c(c;ct) Y c2c c2c c2c expfq c( )s('t 1)(c;ct)g Y c(t 1) Y c2c c2c expfq c( )S(t 1)g = Y c[(c;ct)+(t 1)] Y c2c c2c expfq c( )[s('t 1)(c;ct)+S(t 1)]g Z teto rekurze pro hp zskame rekurzi pro statistiky S(t) (t) = (t S(t 1)+(c;ct) () 1)+(c;ct)s('t 1) (11) kterarka: prepoctej pouze tu statistiku, jejz komponenta byla v case t aktivn. ale Tato tato rekurze promenna ale nen vyskytuje prakticky pouze pouzitelna, ve funkci nebot', budeme obsahuje aproximovat neznamou celou promennou tuto funkci. ct. Protoze se 4.5 Aproximace Msto funkce (c;ct) dosadme jej stredn hodnotu (c;ct)e[(c;ct)jd(t)]wc(t): () Vypocet stredn hodnoty E[(c;ct)jd(t)]= Z (c;ct)f(ctjd(t))dct=f(cjd(t))wc(t); c2c ; coz vyzaduje znalost hp f(cjd(t)); c2c. Konstrukce hp f(cjd(t)) Potrebnou hp lze zskat takto f(cjd(t))=f(cjdt;d(t 1))/f(dt;cjd(t 1))=f(dtjc;d(t 1))f(cjd(t 1)): Posledn dve hp mohou byt parametrizovany f(dtjc;d(t 1)) f(dt; cjc;d(t 1))d c= f(dtjc;d(t 1); c)f( cjd(t 1))d c= = Z f(dtj't 1;c; c)f( cjd(t 1))d c 7
8 a f(cjd(t 1)) f(c;cjd(t 1))dc= f(cjd(t 1);c)f(cjd(t 1))dc= = Z cf(cjd(t 1))dc Tak dostavame wc(t)=f(cjd(t))= Z f(dtj't 1;c; c)f( cjd(t 1))d c Z cf(cjd(t 1))dc (13) vzavislostinaznamychhp,konkretnejsoutomodelykomponentaukazateleaapriornhpprevzata z minuleho kroku identikace. Poznamka: pravdepodobnostn ukazatel Aproximace s hp rozdeluje w(t). Situace puvodn je zachycena deterministicky na nasledujcm ukazatel ct obrazku: s"dirakovskou" hp (c;ct) na 6c (c;ct) b - wc(t) Obrazek 3. Efekt aproximace ukazovatele Zatmco ukazatel pripoust puvodn ukazovatel jako aktivn ukazuje"s i sousedn jistotou" komponenty na jedinou s prslusnymi komponentu, pravdepodobnostmi aproximovany aktivit. 8
9 5 Experimenty Pro mikrooblasti rekonstrukci ve forme stavu, smesi ktery distribuc. urcuje msto O-line simulovane odhadneme poruchy, model pouzijeme pro bezporuchovy odhad modelu vsechny poruchove poruchove stavy, a s pouzitm vsech dat, ktera mame k dispozici. Tyto modely stav a uschovame.on-linemermedatasdanouporuchouaodhadujemeprslusnymodel.porovnanmonline modelu modelu s ostatnmi s jednotlivymi a pro ktery modely model zskanymi je vzdalenost o-line minimaln, zjistme minimaln tu poruchu vzdalenost prohlasme odhadnuteho za aktualn. Experiment ma tedy dve casti: 1. Cast ucen, kdy je pouzita setrvala porucha po dobu 15 dn, 2. pri Casttestovan,kdejsoupouzitaaktualndatavdobetrvan4.5,7.5,15a22,5min.Tytocasy, periode vzorkovan 1.5 min, odpovdaj trem, peti, deseti a patnacti aktualnm vzorkum. c. Pro 5. prezentaci Vzajemnou jsme pozici vybrali detektoru poruchu 5 a c. stojcho 5 a pro vozidla test byla zpusobujcho pouzita data poruchu (obsazenost) 5 je mozno na detektoru na obrazku 2. Na nasledujcch obrazcch jsou vysledky testu aktualnch dat pri poruse 5. Kazdy nalezt z zpracovavaneho obrazku ma dvecasti. aktualnho Na vzorku, leve strane na ose je y vynesen je odhadcsla prubeh poruchy. odhadu Jako poruchy vysledny - na ose odhad x je poruchy porad bereme nejcastejs odhad z jednotlivych kroku. V smesinaucenenajednotliveporuchy.vyhravataporucha,kterajenejcastejimaximaln.videalnm prave casti kazdeho obrazku jsou vyneseny nenornovane logaritmicke likelihoody pro vsechny prpade idealn stav by mel vsak byt nenastava, jeden prubeh coz svedc s urcitym o tom, odstupem ze informace trvale o poruse maximaln nen v a datech ostatn mnoho. mens. Tento Obrazek 3:Porucha5,trivzorkydat=4.5minuty 9
10 Obrazek 4:Porucha5,petvzorkudat=7.5minuty Obrazek 5:Porucha5,desetvzorkudat=15minut
11 Obrazek 6: Porucha 5, patnact vzorku dat = 22.5 minuty Zuvedenychobrazkujepatrne,zeporuchac.5bylaspravnedetekovanavevsechprpadech.Odhad zetrdatjedostinejisty,aleukazujese,zepetaktualnchvzorkujeprodetekciporuchydostacujc. Prouplnostuvadmevysledkypro3,5,a15vzorkudatprovsechnytypyporuch,tj.poruchu1 az a poruchy 13. Csla 2,3,.. poruch jsou je oznaceny mozno sledovat jako 1,2,.. na obrazku 2, pricemz pripomname: 1 je bezporuchovy stav Vysledkyjsouuvedenyvtabulkach,kdevprvnmradkujeskutecnecsloporuchyvdruhemradku je cslo odhadu poruchy. skutecnaporucha odhadnutaporucha Rozhodovan po trech vzorcch = 4.5 minuty skutecnaporucha odhadnutaporucha Rozhodovan po peti vzorcch = 7.5 minuty skutecnaporucha odhadnutaporucha Rozhodovan po deseti vzorcch = 15 minut 11
12 skutecnaporucha odhadnutaporucha Rozhodovan po patnacti vzorcch = 22.5 minuty Z velmi uvedeneho dobre. je patrne, ze jiz rozhodovan s peti vzorky, tj. daty merenymi po dobu 7.5 minuty je 6 Zaver Provedene zruznychdopravnchsituac,prokazaly,zeuvedenacestajeperspektivn.vyhodoutohotoprstupu pokusy, testujc schopnost pravdepodobnostn smesi popsat a rozlisit dopravn data je,zejepostavennaglobalnmpohledunadopravnoblast,atedyjevpodstatenezavislynajejm konkretnm dostupne informace, vyberu. Zahrnut i kdyz se porucha vsech merenych na nekterych dat do detektorech odhadu rovnez neprojev. zajist'uje Cestou, maximaln ktera zde vyuzit naznacena, se bude dale pokracovat a budou se testovat dals zlepsen. Jednm z nich, napr. byla pro testy brat ne jenom merene obsazenosti, ale dvojice[obsazenost, intenzita], ktere predstavuj je elementarn stavy dopravy. Reference [1] udalost-oblastsmchova",tech.rep.,eltodo,praha4,novodvorska14,praha,17.prosince Drbohlav J. Pliska Z. Pribyl P.,TichyT., \Navrh expertnho systemuproresen mimoradnych [2] Praha, P.Nedoma,M.Karny,T.V.Guy,I.Nagy,andJ.Bohm, Mixtools.(Program), UTIAAV CR, [3] Dynamic M.Karny,J.Bohm,T.V.Guy,L.Jirsa,I.Nagy,P.Nedoma,andL.Tesar, Advising: Theory and Algorithms, Springer, London, OptimizedBayesian
TECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
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
VíceOdhady - Sdružené rozdělení pravděpodobnosti
Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
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
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
Více5 Parametrické testy hypotéz
5 Parametrické testy hypotéz 5.1 Pojem parametrického testu (Skripta str. 95-96) Na základě výběru srovnáváme dvě tvrzení o hodnotě určitého parametru θ rozdělení f(x, θ). První tvrzení (které většinou
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
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,
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
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
VíceZáklady počtu pravděpodobnosti a metod matematické statistiky
Errata ke skriptu Základy počtu pravděpodobnosti a metod matematické statistiky K. Hron a P. Kunderová Autoři prosí čtenáře uvedeného studijního textu, aby případné další odhalené chyby nad rámec tohoto
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,
VíceDetekce interakčních sil v proudu vozidel
Detekce interakčních sil v proudu vozidel (ANEB OBECNĚJŠÍ POHLED NA POJEM VZDÁLENOSTI V MATEMATICE) Doc. Mgr. Milan Krbálek, Ph.D. Katedra matematiky Fakulta jaderná a fyzikálně inženýrská České vysoké
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
VícePREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION
PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION Lucie Váňová 1 Anotace: Článek pojednává o předpovídání délky kolony v křižovatce. Tato úloha je řešena v programu
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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
Vícejevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
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
VíceZákony hromadění chyb.
Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
VíceTestování statistických hypotéz. Ing. Michal Dorda, Ph.D.
Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VíceFyzikální korespondenční seminář MFF UK
Úloha I.S... náhodná 10 bodů; průměr 7,04; řešilo 45 studentů a) Zkuste vlastními slovy popsat, co je to náhodná veličina a jaké má vlastnosti (postačí vlastními slovy objasnit následující pojmy: náhodná
VícePetr Chvosta. vlevo, bude pravděpodobnost toho, že se tyč na počátku intervalu τ B nachází nad vpravo
MOLEKULÁRNÍ MOTORY Petr Chvosta. Automobil v krupobití aneb brzděním k pohybu Uvažme automobil stojící na mírném svahu a bombardovaný rovnoměrně ze všech stran obrovskými kroupami. Svah stoupá směrem doprava
Více24.11.2009 Václav Jirchář, ZTGB
24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceVytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 7 1/27 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceMatematika PRŮŘEZOVÁ TÉMATA
Matematika ročník TÉMA 1-4 Operace s čísly a - provádí aritmetické operace v množině reálných čísel - používá různé zápisy reálného čísla - používá absolutní hodnotu, zapíše a znázorní interval, provádí
VíceModely selektivní interakce a jejich aplikace
Modely selektivní interakce a jejich aplikace Marie Leváková Ústav matematiky a statistiky Přírodovědecká fakulta Masarykovy univerzity 5. 9. 2013 Marie Leváková (PřF MU) Modely selektivní interakce a
VíceMatematické modelování dopravního proudu
Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceA6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2
A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2 Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky
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
Více7 Regresní modely v analýze přežití
7 Regresní modely v analýze přežití Předpokládané výstupy z výuky: 1. Student rozumí významu regresního modelování dat o přežití 2. Student dokáže definovat pojmy poměr rizik a základní riziková funkce
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
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
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
Více15. T e s t o v á n í h y p o t é z
15. T e s t o v á n í h y p o t é z Na základě hodnot náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Rozeznáváme dva základní typy testů:
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více12. cvičení z PST. 20. prosince 2017
1 cvičení z PST 0 prosince 017 11 test rozptylu normálního rozdělení Do laboratoře bylo odesláno n = 5 stejných vzorků krve ke stanovení obsahu alkoholu X v promilích alkoholu Výsledkem byla realizace
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
VíceMATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT)
MATEMATIKA Maturitní témata společná část MZ základní úroveň (vychází z Katalogu požadavků MŠMT) 1. Číselné obory 1.1 Přirozená čísla provádět aritmetické operace s přirozenými čísly rozlišit prvočíslo
VícePoužitý rezistor (jmenovitá hodnota): R1 = 270 kω je přesný metalizovaný rezistor s přesností ± 0,1%.
Laboratorní úloha Snímač teploty R je zapojený podle schema na Obr. 1. Snímač je termistor typ B57164K [] se jmenovitým odporem pro teplotu 5 C R 5 00 Ω ± 10 %. Závislost odporu termistoru na teplotě je
Více1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*
Modely analýzy a syntézy plánů MAF/KIV) Přednáška 10 itlivostní analýza 1 Analytické metody durace a konvexita aktiva dluhopisu) Budeme uvažovat následující tvar cenové rovnice =, 1) kde jsou současná
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
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
VíceInformační a znalostní systémy
Informační a znalostní systémy Teorie pravděpodobnosti není v podstatě nic jiného než vyjádření obecného povědomí počítáním. P. S. de Laplace Pravděpodobnost a relativní četnost Pokusy, výsledky nejsou
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
Vícef (k) (x 0 ) (x x 0 ) k, x (x 0 r, x 0 + r). k! f(x) = k=1 Řada se nazývá Taylorovou řadou funkce f v bodě x 0. Přehled některých Taylorových řad.
8. Taylorova řada. V urzu matematiy jsme uázali, že je možné funci f, terá má v oolí bodu x derivace aproximovat polynomem, jehož derivace se shodují s derivacemi aproximované funce v bodě x. Poud má funce
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceZákladní statistické modely Statistické vyhodnocování exp. dat M. Čada ~ cada
Základní statistické modely 1 Statistika Matematická statistika se zabývá interpretací získaných náhodných dat. Snažíme se přiřadit statistickému souboru vhodnou distribuční funkci a najít základní číselné
VíceLEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR
LEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR Ve většině případů pracujeme s výběrovým souborem a výběrové výsledky zobecňujeme na základní soubor. Smysluplné
VíceINTENZITA DOPRAVY na komunikaci I/7 květen 2013. Hodnověrnost tvrzení je dána hodnověrností důkazů
INTENZITA DOPRAVY na komunikaci I/7 květen 2013 Hodnověrnost tvrzení je dána hodnověrností důkazů Cíl měření Cílem měření intenzity dopravy je získat hodnoty, které odpovídají skutečné intenzitě provozu
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
Více11. cvičení z PSI prosince hodnota pozorovaná četnost n i p X (i) = q i (1 q), i N 0.
11 cvičení z PSI 12-16 prosince 2016 111 (Test dobré shody - geometrické rozdělení Realizací náhodné veličiny X jsme dostali následující četnosti výsledků: hodnota 0 1 2 3 4 5 6 pozorovaná četnost 29 15
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceMIKROSIMULAČNÍ MODEL ÚSEKU DÁLNICE D1 S APLIKACÍ LINIOVÉHO ŘÍZENÍ DOPRAVY. Milan Koukol, FD Ústav dopravních systémů
MIKROSIMULAČNÍ MODEL ÚSEKU DÁLNICE D1 S APLIKACÍ LINIOVÉHO ŘÍZENÍ DOPRAVY Milan Koukol, FD Ústav dopravních systémů Představení projektu INEP Systém identifikace nehod a zvýšení propustnosti liniových
VícePredikce roční spotřeby zemního plynu po ceníkových pásmech
Predikce roční spotřeby zemního plynu po ceníkových pásmech Ondřej Konár, Marek Brabec, Ivan Kasanický, Marek Malý, Emil Pelikán Ústav informatiky AV ČR, v.v.i. ROBUST 2014 Jetřichovice 20. ledna 2014
VíceRESEARCH REPORT. ÚTIA AVČR, P.O.Box 18, 182 08 Prague, Czech Republic Fax: (+420)286890378, http://www.utia.cz, E-mail: utia@utia.cas.
Akademie věd České republiky Ústav teorie informace a automatizace Academy of Sciences of the Czech Republic Institute of Information Theory and Automation RESEARCH REPORT J. Andrýsek, P. Ettler Rozšíření
VíceOdhad střední chyby výměry parcely
Odhad střední chyby výměry parcely Lubomír Soukup Ústav teorie informace a automatizace Akademie věd České republiky Pod vodárenskou věží 4 18 08 Praha 8 tel: 66 05 551 e mail: soukup@utia.cas.cz 1 Výpočet
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
VíceKonvoluční model dynamických studií ledvin. seminář AS UTIA
Konvoluční model dynamických studií ledvin Ondřej Tichý seminář AS UTIA.. Obsah prezentace Scintigrafická obrazová sekvence a její analýza Konstrukce standardního modelu a jeho řešení Experiment Ovlivnění
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceParametrické rovnice křivky
Křivkový integrál Robert Mařík jaro 2014 Tento text je tištěnou verzí prezentací dostupných z http://user.mendelu.cz/marik/am. Křivkový integrál Jedná se o rozšíření Riemannova integrálu, kdy množinou
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních diferenciálních rovnic y = a (x)y + a (x)y + + a n (x)y n + f (x) y = a (x)y + a (x)y + + a n (x)y n + f (x). y n = a
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
VíceDynamika soustav hmotných bodů
Dynamika soustav hmotných bodů Mechanický model, jehož pohyb je charakterizován pohybem dvou nebo více bodů, nazýváme soustavu hmotných bodů. Pro každý hmotný bod můžeme napsat pohybovou rovnici. Tedy
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
VíceVK CZ.1.07/2.2.00/
Robotika Tvorba map v robotice - MRBT 3. března 2015 Ing. František Burian Komplexní inovace studijních programů a zvyšování kvality výuky na FEKT VUT v Brně OP VK CZ.1.07/2.2.00/28.0193 v pojetí mobilní
VíceVlastnosti a modelování aditivního
Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t),
VíceČeské vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611. Semestrální práce ze Statistiky (SIS)
České vysoké učení technické v Praze Fakulta dopravní Ústav aplikované matematiky, K611 Semestrální práce ze Statistiky (SIS) Petr Procházka, Jakub Feninec Skupina: 97 Akademický rok: 01/013 Úvod V naší
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) f( x) distribuční funkce 0 x a F( x) a x b b a 1 x b b 1 a x a a x b
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VíceNárodní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality STATISTICKÁ REGULACE POMOCÍ VÝBĚROVÝCH PRŮMĚRŮ Z NENORMÁLNĚ ROZDĚLENÝCH DAT Ing. Jan Král, RNDr. Jiří Michálek, CSc., Ing. Josef Křepela Duben, 20 Co je
VíceDetekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence
Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence Jan Vaněk 1, Radek Tesař 1, Jan Urban 1, Karel Matouš 2 1 Katedra kybernetiky, Fakulta aplikovaných věd, Západočeská univerzita
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceKendallova klasifikace
Kendallova klasifikace Délka obsluhy, frontový režim, Littleovy vzorce Parametry obsluhy Trvání obsluhy - většinou předpokládáme, že trvání obsluhy jsou nezávisl vislé náhodné proměnné, se stejným rozdělením
VíceProjekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci
Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: geometrická posloupnost, geometrická
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
VíceBiofyzikální ústav LF MU Brno. jarní semestr 2011
pro obor Ošetřovatelská péče v gerontologii Biofyzikální ústav LF MU Brno jarní semestr 2011 Obsah letmý dotyk teorie systémů klasifikace a analýza biosignálů Co je signál? Co je biosignál? Co si počít
VíceBruno Ježek, Jan Vaněk, Karel Antoš, Miroslav Procházka. FVZ UO Hradec Králové
Bruno Ježek, Jan Vaněk, Karel Antoš, Miroslav Procházka FVZ UO Hradec Králové } Dostatečné množství dostupných zdrojů nejenom na místě MU Lidé Materiál Transportní prostředky } Rychlost poskytnutí pomoci
VíceLuxmetr LS-BTA, lampička, izolepa, 32 kusů průhledné fólie (nejlépe obaly od CD).
Počítání fólií měřením úbytku světla Cíl: Cílem této úlohy je připravit u žáků půdu pro pochopení důležité fyzikálně-chemické metody: stanovení koncentrace měřením absorbance s využitím Lambertova-Beerova
VíceInduktivní statistika. z-skóry pravděpodobnost
Induktivní statistika z-skóry pravděpodobnost normální rozdělení Z-skóry umožňují najít a popsat pozici každé hodnoty v rámci rozdělení hodnot a také srovnávání hodnot pocházejících z měření na rozdílných
VíceJana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
Více