Komprese dat Obsah. Modely barev. Radim Farana. Podklady pro výuku. Ztrátová komprese. Fraktální komprese. RGB (Red-Green-Blue),

Rozměr: px
Začít zobrazení ze stránky:

Download "Komprese dat Obsah. Modely barev. Radim Farana. Podklady pro výuku. Ztrátová komprese. Fraktální komprese. RGB (Red-Green-Blue),"

Transkript

1 9..4 Komprese dat Radm Faraa Podklady pro výuku Obsah Ztrátová komprese. Komprese JPEG. Waweletová komprese. Fraktálí komprese. Modely barev RGB (Red-Gree-Blue), Nestejé vímáí (ectlvost a modrou) relatví jas =,3 R +,59 G +, B

2 9..4 Modely barev CMYK (Cya-Mageta-Yellow-blacK) Modely barev HSB (Hue-Saturato-Brghtess), který používá tř velčy: Hue (odstí), udává se ve stupích a popsuje barvu v rozsahu - 36 a okraj tzv. barevého kola. Saturato (sytost), udává sytost barvy v procetech od % (bod je šedý v úrov daé Brghtess, tedy bez barvy) do % (bod je barevý zcela podle Hue). Brghtess (jas), popsuje v procetech čerobílý jas bodu od čeré % po bílou %. Modely barev YCbCr, kde Y představuje složku jasu (lumace) a Cb s Cr představují modrý a červeý chromačí kompoet (složku).

3 9..4 JPEG (Jot Photographc Experts Group) V současé době patří mez ejvíce používaé komprese u obrázků. Je vhodá pro komprmac fotografí, evhodá pro apř. techcké výkresy (čárové výkresy) dochází k vdtelému rozmazáí. Prcp: Část obrazu se trasformují do frekvečí oblast (výsledkem je matce frekvečích koefcetů. Z matce koefcetů se odstraí koefcety odpovídající vyšším frekvecím (rychlejší změy jasu apř. hray v obraze). Zbývající koefcety se vhodým způsobem zkomprmují. JPEG JPEG komprmuje obrazy s 4 btovou reprezetací barev (True Color). Algortmus a z ěj vycházející formát ukládáí grafckých dat byl převzat do orem ISO a CCITT. Dosahuje kompresího poměru 5:, př horší kvaltě výsledého obrazu až 8: více, využívá postupu azvaého sekvečí komprese a z ěj vycházející progresví komprese. Převod do modelu YCbCr Y,99 Cb,687 C r,5,587,333,487,4 R,5 G 8,83 B 8 Přčteí hodoty 8 ke složkám chromace má pouze techcký výzam, všechy tř složky jsou pak vyjádřey pouze ezáporým hodotam, takže se s m lépe pracuje. 3

4 9..4 Rozklad obrazu Obraz je rozděle a čtvercové bloky po 8 8 bodech. V každém bloku je ejdříve od hodot v ěm odečtea hodota 8, tím se hodoty z tervalu 55 převedou do tervalu -8 7, čímž se síží jejch absolutí velkost, ásledě je a každý blok samostatě provedea dskrétí kosová trasformace (DCT Dscrete Cose Trasform). DCT F( u, v) C( u) C( v) ( ) u ( j ) v f (, j)cos cos 6 j 6 C( u), C( v) u, v u, v odděleě pro jasovou složku a dvě barvové složky. Výzam koefcetů Koefcet F(, ) reprezetuje stejosměrou složku (hodoty kosů jsou kostatí), ostatí koefcety vyjadřují střídavé složky. Směrem k pravému dolímu rohu (tj. směrem ke koefcetu F(7, 7)) se frekvece koefcetů zvyšují. 4

5 9..4 Výzam koefcetů stejosměrý koefcet DC žší frekvece žší frekvece střídavé koefcety AC vyšší frekvece vyšší frekvece Příklad původí data sížeí o 8 DCT Kvatováí koefcety F(u, v) se dělí hodotam kvatovací matce Q F( u, v) C( u, v) It Q( u, v) velké možství koefcetů je ulových kvatovací matce Q výsledek

6 9..4 QM-coder Posledí fází je statstcké kódováí hodot matce C a jejch uložeí a výstup. Používá se k tomu QM-coder, což je jž adaptví způsob artmetcké komprese, ebo Huffmaův kód. Zatímco ostatí část stadardu JPEG jsou volě dostupé, QM-coder je patetovaý, což je začá překážka př jeho použtí v JPEG. Proto se v prax převážě používá Huffmaovo kódováí, když s ím je účost komprese o až 5 procet žší. Postup kódováí bloku DC AC DC- DC AC AC3 AC9 AC blok - blok AC63 U stejosměrých koefcetů se kóduje jejch rozdíl DC DC -, Postup kódováí bloku Kódováí je ve tvaru dvou hodot. Prví hodota uvádí počet ul od předchozího eulového koefcetu (metoda RLE) a druhá hodota reprezetuje eulový koefcet. Vlastí hodota eulového střídavého koefcetu je dále kódováa do tvaru dvojce čísel. Prví číslo udává délku čísla a druhé je vlastí hodota koefcetu. 6

7 9..4 Postup kódováí bloku Kódováí každého eulového koefcetu tedy představuje trojc čísel počet ul, kód délky hodoty koefcetu a samotá hodota koefcetu. Pro zvýšeí účost se tato trojce eukládá a výstup přímo, ale používá se př tom statcké Hufmaovo kódováí. Příklad Stejosmerý koefcet Střídavý koefcet (RLE-kód) EOB koec bloku délka hodota počet předchozích ul délka hodota Kód délky bloku Vyjádřeí celočíselé hodoty pomocí dvojce délka + hodota se azývá kódováí čísla s proměou délkou. Provádí se podle ásledující tabulky: Délka Rozsah hodot -, -3 -, , , , 6 3 7

8 9..4 Kód délky bloku V tabulce udává délka kolka bty je zakódováa vlastí hodota čísla, apř. hodoty v rozsahu -5-8, 8 5 budou zakódováy pomocí 4 btů. Samoté kódováí je jedoduché. Nejprve se záporé hodoty přčteím vhodého čísla převedou a ezáporé, apř. hodoty -5-8 se přčteím čísla 5 převedou a hodoty 7, čímž získáme souvslý terval 5 a hodoty jeho prvků přímo představují čtyřbtová čísla B B. Komprese JPEG DCT koefcety kvatzačí matce Q původí data komprmovaá data Rozklad a čtverce 8x8x ukládáí další čtverec zakódovaý čtverec DCT statstcké kódováí / trasformovaá a kvatovaá data Dekomprese JPEG komprmovaá data statstcké dekódováí kvatzačí matce Q * DCT koefcety verzí DCT dekomprmovaá data 8

9 9..4 Iverzí DCT f (, j) ( ) u ( j ) v C( u) C( v) F( u, v)cos cos 6 u v 6 C( u), C( v) u, v u, v Parametry komprese Úroveň kvatováí a tím kvaltu obrazu a velkost kompresího poměru může užvatel mět pomocí Q- faktoru, který lze volt v rozmezí. Př kvatováí jsou koefcety matce Q děley hodotou 5/Q-faktor. Z toho plye, že čím bude Q-faktor meší, tím budou kvatovací koefcety větší. Tím zároveň budou meší vypočítaé koefcety matce C, což v důsledku zameá větší kompresí poměr, ale vyšší ztráty a tím zhoršeí kvalty obrazu. Implctě bývá astavea hodota Q-faktoru = 75. Př í se dosahuje typcký kompresí poměru : a současě zůstává Parametry komprese Ještě vyšší komprese dosahuje progresví komprese, která pracuje a stejém prcpu, ale postupě provádí kompres od ejvyššího stupě komprese a v jedotlvých cyklech kompres opakuje se sžujícím se stupěm komprese. Díky více cyklům lze dosáhout dalšího zmešeí výsledého souboru (za ceu zhoršeí jeho kvalty). 9

10 9..4 Komprese JPEG Původí obrázek ve formátu BMP (velkost B) Bezeztrátová komprese JPEG (velkost B), Iformačí obsah Malé ztráty formace Odstraěí vysokých frekvecí (šum) (velkost 3 86 B) Zmešeí a desetu obsahu (velkost B), Velké ztráty formace Odstraěí detalů 5 % velkost (velkost 596 B) Zmešeí a 3 % velkost (velkost B),

11 9..4 JPEG Jeho základem je použtí dskrétí vlkové (waveletové) trasformace, skalárího kvatováí a etropckého kódováí. Díky tomu dosahuje lepších vlastostí. Vlková trasformace Vlková trasformace (wavelet trasform) je výsledkem sahy o časově-frekvečí pops sgálů. Fourerova trasformace poskytuje formac o tom, jaké frekvece se v sgálu vyskytují, ale evypovídají o jejch poloze v čase, proto je vhodá pro pops stacoárích sgálů. Řešeím problému je použtí oka, které ohračí krátký úsek sgálu a umoží určeí spektra sgálu v tomto tervalu. Vlková trasformace Myšlekou vlkové trasformace je vhodou změou šířky oka a jeho tvarem dosáhout optmálího poměru rozlštelost v čase a frekvec. Pro ízké frekvece je oko šrší, pro vysoké užší. Toto oko se azývá mateřská vlka (mother wavelet) ψ. Pomocí parametru s (měřítko) je možé mět její šířku, parametrem τ (poloha) se měí její poloha a časové ose: t, s ( t) s, R, s s s

12 -,5 -,4 -,3 -, -,,,,,3,4,5,6,7,8,9,,,,3,4,5-5, -4,5-4, -3,5-3, -,5 -, -,5 -, -,5,,5,,5,,5 3, 3,5 4, 4,5 5, 9..4 Vlková trasformace Spojtá vlová trasformace je defováa pro sgály s koečou eergí f ( t) dt Wf (, s) f ( t) t dt s s kde je číslo komplexě sdružeé. Výsledkem pro jedorozměrý sgál je dvourozměrá fukce, azývaá vlkové koefcety Wf(τ, s). Mateřská vlka Příkladem používaých mateřských vlek je vlka Mexca hat, 4 ( x) 3 x e x ebo Haarova vlka x ( x) x jak ψ (x ),5,5 -,5 -,5 ψ (x ),5 -,5 - -,5 Vlka Mexca hat x Haarova vlka x Vlková trasformace Vhodou volbou závslostí parametrů s a τ můžeme vytvořt z vhodé vlky ψ ortoormálí báz: p p s k p, k p t k k, p ( t) p p Z kde p odpovídá měřítku.

13 9..4 Vlková trasformace Díky ortoormaltě pak takto zvoleá vlka umožňuje eredudatí dekompozc sgálu, tzv. aalýzu s moha rozlšeím. Teto prcp je základem dskrétí vlkové trasformace (Dscrete Wavelet Trasform DTW). Vlková trasformace Vlková fukce ψ se chová jako pásmová propust fltrující vstupí sgál kolem cetrálí frekvece, která je závslá a měřítku mocou dvou. V ásledujícím měřítku je fltrováa horí polova pásma předchozí dolofrekvečí část sgálu. S rostoucí frekvecí roste šířka pásma (BW) tohoto fltru. Čtel kvalty Q je tak kostatí pro celou možu měřítkem odvozeých fltrů. Pro zvoleé mmálí měřítko však zůstává epokryt rozsah ízkých frekvecí. Proto je od vlky odvozea měřítková fukce φ (scalg fucto), která má charakter dolí propust. Vlková trasformace Frekvečí pohled a dskrétí vlkovou trasformac ω DP HP ω 4BW DP HP ω BW BW BW BW 4BW ω DP BW HP BW 3

14 9..4 Realzace vlkové trasformace Dskrétí vlkovou trasformac je možo realzovat rychlým algortmem, využívajícím FIR (Fte Impulse Respose) fltry a podvzorkováím (decmací). Oba fltry, dolí propust DP (h - scalg flter) a horí propust HP (g - wavelet flter), tvoří pár kvadraturích zrcadlových fltrů (QMF), které mají komplemetárí propustá pásma. Výstupy obou fltrů jsou podvzorkováy a polovu vstupích vzorků. Horí propust poskytuje koefcety tzv. detalů DWT (cd), dolí propust koefcety tzv. aproxmace (ca). Realzace vlkové trasformace Díky decmac je celkový počet koefcetů po jedom kroku stejý jako počet vstupích vzorků. Koefcety aproxmace je možé dále aalyzovat shodým rozkladem fltry a obdržet tak další soubor koefcetů aproxmace a detalů. Tak je možo pokračovat až do vyčerpáí vstupí sekvece Realzace vlkové trasformace kovoluce s DP podvzorkováí cak+ f ca cak cd cd ca ca3 cd3 pro k = ca = f kovoluce s HP podvzorkováí cdk+ cd4 ca4 Jedotlvé kovolute s dedkací je možo formalzovat N cap ( k) h( m k) cap ( m) cd m N p ( k) g( m k) cap ( m) m 4

15 9..4 JPEG Oprot formátu JFIF pracuje JPEG s obrázkem jako celkem a převádí je a popsy pomocí vlkové trasformace. Převod je víceprůchodový, počet průchodů určuje kompresí poměr a kvaltu dekomprmovaého obrázku (méě průchodů = vyšší kompresí poměr = žší kvalta obrazu). Každému průchodu odpovídá zvláští datový blok komprmovaého souboru. Pro rozměré obrázky však rychle rostou ároky a paměť. Proto se používá techka rozděleí vstupího obrazu a meší část dlaždce (tle), teto proces je azývá tllg. JPEG Následě se každá dlaždce komprmuje odděleě. K tomu je použta L-úrovňová DWT s bortogoálím sple vlkam 9/7 (v artmetce s pohyblvou řádovou čárkou) ebo s bortogoálím sple vlkam 5/3 (v celočíselé artmetce, v případě bezeztrátové komprese). L-úrovňová trasformace má L+ rozlšeí obrazu L je rozlšeí obrazu a je ejžší frekvece. Ze 4 podpásem (subbadů) rozlšeí j se složí jede s rozlšeím j +. JPEG Následuje kvatováí jedotlvých podpásem reálé koefcety (v pohyblvé řádové čárce) se kvatují a celá čísla pomocí uformího kvatováí, krok kvatováí je možé volt zvlášť pro každé podpásmo (a tím také částečě řídt kvaltu). y q sg( y) b kde je q kvatovaá hodota, y trasformovaý koefcet podpásma, b kvatovací krok, často má hodotu. 5

16 9..4 JPEG Po kvatováí je každé podpásmo rozděleo a packet parttos čtvercové epřekrývající se oblast JPEG Každá packet partto je dělea a bloky stejé velkost (kromě bloků a kraj obrazu), všechy bty všech koefcetů v bloku jsou pak kódováy pomocí EBCOT (Embedded Btplae Codg wth Optmal Trucato) v pořadí od ejvýzamějšího po ejméě výzamý: Koefcety se rozdělí do btových rov. Btové rovy obsahující pouze uly jsou přeskočey (uchová se je jejch počet), zače se prví rovou obsahující alespoň jedu jedčku. Bty se z rovy ačítají po čtyřřádkových blocích, v rámc bloku po čtyřbtových sloupcích. Každá rova je pak kódováa ve třech průchodech: Sgfcace Propagato zakódují se bty, které ejsou důležté, ale sousedí s alespoň jedím důležtým (v ěkterém z 8 směrů). Magtude Refemet zakódují se bty z míst, které se byly v mulých rovách důležté. Cleaup Pass zakódují se všechy zbylé bty. JPEG Takto získaé bty se kódují bárím kotextovým artmetckým kodérem MQ kodérem. Kotext koefcetu je tvoře stavem jeho 8 sousedů (oko 3 3 bty). Výsledý proud btů je rozděle a pakety paket spojuje jede ze tří průchodů všech bloků přes celou packet partto. Pomocí vypouštěí méě důležtých paketů se řídí kvalta komprese. 6

17 9..4 JPEG původí data dskrétí vlková trasformace kvatzace etropcké kódováí datový tok hlavčka paket paket paket N Fraktálí komprese Hledáí podobých tvarů uložeí formace o tvaru, posuutí, otočeí, změě velkost a barvy. Beot B. Madelbrot *.. 94 Warsaw, Polad (Frech mathematca) velm áročá komprese, rychlá dekomprese. Dmeze S fraktálí geometrí úzce souvsí otázka měřeí dmezí a čletost objektů. Obvykle pracujeme s topologckou dmezí, kterou můžeme chápat tak, že spojtým zobrazeím přřadí každé křvce přímce, každé ploše rovu atd. Naprot tomu Hausdorfova dmeze je mírou čletost objektu. Předpokládejme, že část křvky je rozdělea a N stejých částí, přčemž každá takto vzklá část je stejá jako původí část křvky s tím, že je zmešea v poměru r. Platí vztah N.r =. Pro čtverec rozděleý a N.N částí je N.r =, pro krychl obdobě N.r 3 = atd., obecě je tedy dmeze d objektu expoetem zmešovacího poměru: N.r d = 7

18 9..4 Dmeze Eukledovské metrky předpokládají celočíselé dmeze objektů. Nás ale zajímá, co se stae, pokud dmeze d ebude celočíselá. Dmeze d pak bude představovat fraktálí dmez. Logartmováím předchozího výrazu pak získáme expermetálí způsob určeí Hausdorfovy dmeze, ebol fraktálí dmeze: log N log N d log r log r Soběpodobost Soběpodobost (matematcky se tato vlastost azývá varace vůč změě měřítka) je taková vlastost objektu, že objekt vypadá podobě, ať se a ěj díváme v jakémkolv zvětšeí. Soběpodobost je hlavím zakem fraktálích útvarů a většou je také považováa za jejch defc. Soběpodobost Soběpodobá moža A -dmezoálího Eukldovského prostoru IR je taková moža, pro íž exstuje koečě moho kotrahujících zobrazeí,..., takových, že A vzke jako: A A 8

19 9..4 Soběpodobost Soběpodobá moža vzká opakováím sebe sama př použtí trasformací jako je změa měřítka, rotace, posuutí, zkoseí apod., jsou varatí vůč změě měřítka apod. Prcp opakováí tvarů je přtom v přírodě velm častý, vz apř. postupý růst schráky mlžů, tvořící archmedovu sprálu. Afí trasformace Afí trasformace v IR je trasformace f: IR IR ve tvaru: f( x) a. x b, x IR kde a, b reálé kostaty. Na daém tervalu I = (, ) představuje f(i) ový terval délky a. Levý krají bod tervalu je přeese do b a f(i) leží alevo ebo apravo od ěj podle zaméka parametru a. Afí trasformace Afí trasformace v IR je dvojdmezoálí trasformace f: IR IR ve tvaru: w( x, y) ( a. x b. y e, c. x d. y f ), x, y IR Kde a, b, c, d, e, f reálé kostaty. Nebo v matcovém tvaru: x a w y c b x e. d y f A. x T 9

20 9..4 Afí trasformace Iverzí afí trasformace je reprezetováa ásledově: w x d y c b x d. a y c b e. a f Za podmíky a. d b. c Afí trasformace Specálím případy afí trasformace jsou dlatace (pro a = d jde o změu měřítka): x a x w. y d y rotace: x cos w y s s x. cos y Afí trasformace Příklad afí trasformace dlatace y d.y y x x a.x

21 9..4 Afí trasformace Jako podobostí pak azýváme afí trasformac, pokud má ěkterý z ásledujících tvarů: x r.cos w y r.s x r.cos w y r.s r.s x e., r.cos y f r.s x e.. r.cos y f Pro traslac (e, f), měřítko r daé eulovým reálým číslem a úhel rotace α, kde Afí trasformace Příklad aplkace podobostích afích trasformací y traslace, rotace, měřítko. traslace, rotace. traslace, rotace, zkoseí. x Afí trasformace Pro Eukledovskou metrku x y x y, x, y d( x, y) IR můžeme každé afí trasformac w přřadt jedé reálí číslo s: wx w( y) s. x - y kde s je ejmeší možé reálé číslo, které splňuje výše uvedeou podmíku.

22 9..4 Afí trasformace Velkost koefcetu s je důležtá pro typ trasformace: s < je w kotrakcí, s = je w symetrí, s > je w extrakcí. Jejch využtí je základem fraktálí komprese využívající systému terovaých fukcí (IFS). Afí trasformace Příklad: Serpského trojúhelík s trasformacem w x,5 y x.,5 y w3 w x,5 y x,5.,5 y w w w 3 x,5 y x,5.,5 y,5 Afí trasformace Pro aplkac a kompres čerobílého obrazu rozšíříme afí trasformac do podoby: x a w y c z b d x e. y f s z o Kde s a o slouží k modfkac jasové složky.

23 9..4 Fraktálí komprese Algortmus komprese ejprve rozdělí komprmovaý obraz a epřekrývající se rage bloky velkost 8x8 (4x4) bodů pokrývající celý obraz. Následě se vyhledávají doma bloky, které jsou rage blokům podobé a mohou se překrývat. Procházíme obraz zleva doprava, shora dolů s krokem k bodů a které mají dvojásobou velkost ež rage bloky. Fraktálí komprese V každém doméovém bloku jsou průměrováy sousedí body a jsou uložey do ového doméového bloku stejé velkost jako rage blok. Novým doméovým blokem přepíšeme blok původí. Následě pro každý rage blok R ajdeme v souboru doméových bloků te blok D B, který se mu ejvíce podobá Fraktálí komprese Prcp rozmístěí rage a doma bloků v obrazu rage bloky doma bloky 3

24 Fraktálí komprese Základí používaé afí trasformace Pops Matce A trasformace Příklad Rotace o 7º Překlopeí přes horzotálí osu Překlopeí přes vertkálí osu Fraktálí komprese Pro každý doméový blok Dj a trasformac w t (t =,,, 8) se vypočte a podle ásledujících vztahů se určí koefcety s a o: ) (D D j t t j w. d d d r r d s d s r o Fraktálí komprese Koefcety s a o jsou ásledě kvatováy a pro kvatovaé koefcety se podle ásledujícího vztahu vypočítá chyba podobost bloků : t j d o o d o r d d s s r ) R, E(D

25 9..4 Fraktálí komprese Najdeme blok s mmálí chybou t E(D, R ) j (t =,,, 8) a v souboru doméových bloků ajdeme ejpravděpodobější blok: D B m t,,..., ND ( D ) j Kde je N D počet doméových bloků Fraktálí komprese Výstupem je pak kód w = (e, f, m, o, s ). Posloupost těchto trasformací je možo ásledě komprmovat bezeztrátovou kompresí. Je zřejmé, že doba komprese bude začá, oprot tomu dekomprese probíhá přes teračí postup výrazě rychlej. Fraktálí brokolce 5

Fraktálová komprese obrazu

Fraktálová komprese obrazu Fraktálová komprese obrazu Úvo Termí fraktál poprvé použl Beot Malebrot (975 Některé efce pojmu fraktál: Fraktál je erový ebo fragmetovaý geometrcký tvar, který může být rozěle a část, které jsou (alespoň

Více

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i : ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru

Více

Metody zkoumání závislosti numerických proměnných

Metody zkoumání závislosti numerických proměnných Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy

Více

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností

4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností 4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.

Více

Generování dvojrozměrných rozdělení pomocí copulí

Generování dvojrozměrných rozdělení pomocí copulí Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta

Více

Mendelova univerzita v Brně Statistika projekt

Mendelova univerzita v Brně Statistika projekt Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4

Více

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A

Nejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota

Více

P1: Úvod do experimentálních metod

P1: Úvod do experimentálních metod P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu

Více

Spolehlivost a diagnostika

Spolehlivost a diagnostika Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore

Více

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC

5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC 5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém

Více

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost

9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,

Více

11. Časové řady. 11.1. Pojem a klasifikace časových řad

11. Časové řady. 11.1. Pojem a klasifikace časových řad . Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé

Více

1. Základy měření neelektrických veličin

1. Základy měření neelektrických veličin . Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost

Více

, jsou naměřené a vypočtené hodnoty závisle

, jsou naměřené a vypočtené hodnoty závisle Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,

Více

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2

Interpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2 Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z

Více

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru

1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2014. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

1.1 Definice a základní pojmy

1.1 Definice a základní pojmy Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých

Více

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH

USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou

Více

[ jednotky ] Chyby měření

[ jednotky ] Chyby měření Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá

Více

Chyby přímých měření. Úvod

Chyby přímých měření. Úvod Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,

Více

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.

3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě. 3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet

Více

Fraktálová komprese. Historie

Fraktálová komprese. Historie Fraktálová komprese Hstore Prví zmíky o tzv. fraktálové kompres jsem ašel kdys v bezvadé a dodes aktuálí kížce!! Grafcké formáty (Braslav Sobota, Já Mlá, akl. Kopp), kde však šlo spíše o adšeý úvod a pak

Více

MATICOVÉ HRY MATICOVÝCH HER

MATICOVÉ HRY MATICOVÝCH HER MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru

Více

1.3. POLYNOMY. V této kapitole se dozvíte:

1.3. POLYNOMY. V této kapitole se dozvíte: 1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí

Více

IAJCE Přednáška č. 12

IAJCE Přednáška č. 12 Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích

Více

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =

Více

Doc. Ing. Dagmar Blatná, CSc.

Doc. Ing. Dagmar Blatná, CSc. PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj

Více

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).

Statistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky). Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké

Více

Přednáška č. 2 náhodné veličiny

Přednáška č. 2 náhodné veličiny Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující

Více

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt

Více

Univerzita Karlova v Praze Pedagogická fakulta

Univerzita Karlova v Praze Pedagogická fakulta Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách

Více

VY_52_INOVACE_J 05 01

VY_52_INOVACE_J 05 01 Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí

Více

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE

1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;

Více

Úvod do korelační a regresní analýzy

Úvod do korelační a regresní analýzy Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou

Více

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.

6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna. 6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola

Více

Deskriptivní statistika 1

Deskriptivní statistika 1 Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky

Více

Náhodné jevy, jevové pole, pravděpodobnost

Náhodné jevy, jevové pole, pravděpodobnost S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem

Více

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků

1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků 1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,

Více

2. Vícekriteriální a cílové programování

2. Vícekriteriální a cílové programování 2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě

Více

8 NELINEÁRNÍ REGRESNÍ MODELY

8 NELINEÁRNÍ REGRESNÍ MODELY 8 NELINEÁRNÍ REGRESNÍ MODELY 8 Tvorba eleárího regresího modelu Postup tvorby eleárího regresího modelu se dá rozčlet do těchto kroků: Návrh regresího modelu Obvykle se jako eleárí regresí model používá

Více

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou

veličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou 1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i

Více

Lineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR

Lineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR Leárí a adaptví zpracoví dat 5. Leárí fltrace: FIR, IIR Dael Schwarz Ivestce do rozvoje vzděláváí Opakováí 2 Co je to fltrace? Co je to fltr? A jak ho popsujeme? Jaký je vztah Z trasformace a Fourerovy

Více

Matematika I, část II

Matematika I, část II 1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího

Více

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013.

Ilustrativní příklad ke zkoušce z B_PS_A léto 2013. Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95

Více

Téma 2 Přímková a rovinná soustava sil

Téma 2 Přímková a rovinná soustava sil Stavebí statka,.ročík bakalářského studa Téma 2 Přímková a rová soustava sl Přímková soustava sl ový svazek sl Statcký momet síly k bodu a dvojce sl v rově Obecá rová soustava sl ová soustava rovoběžých

Více

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Odhady parametrů základního. Ing. Michal Dorda, Ph.D. Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme

Více

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM

DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROM Difereciálí počet fukcí jedé reálé proměé - - DERIVACE FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ ÚVODNÍ POZNÁMKY I derivace podobě jako limity můžeme počítat ěkolikerým způsobem a to kokrétě pomocí: defiice vět o algebře

Více

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson

STATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,

Více

a další charakteristikou je četnost výběrového souboru n.

a další charakteristikou je četnost výběrového souboru n. Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu

Více

12. N á h o d n ý v ý b ě r

12. N á h o d n ý v ý b ě r 12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých

Více

S1P Popisná statistika. Popisná statistika. Libor Žák

S1P Popisná statistika. Popisná statistika. Libor Žák SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk

Více

Komplexní čísla. Definice komplexních čísel

Komplexní čísla. Definice komplexních čísel Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu

Více

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus

Aplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová

Více

Digitální filtrace a signálové procesory

Digitální filtrace a signálové procesory Dgtálí fltrace a sgálové procesory Petr Skalcký Praha 995 Teto text byl uvolě pouze pro potřeby studetů v předmětech KN a ASP a katedře Radoelektroky ČVUT v Praze pro rok jako doplňující lteratura. Text

Více

Lineární regrese ( ) 2

Lineární regrese ( ) 2 Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující

Více

Sekvenční logické obvody(lso)

Sekvenční logické obvody(lso) Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách

Více

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor

PRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a

Více

jsou varianty znaku) b) při intervalovém třídění (hodnoty x

jsou varianty znaku) b) při intervalovém třídění (hodnoty x Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém

Více

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti

Matematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

6. FUNKCE A POSLOUPNOSTI

6. FUNKCE A POSLOUPNOSTI 6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat

Více

Iterační metody řešení soustav lineárních rovnic

Iterační metody řešení soustav lineárních rovnic Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro

Více

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ

Více

Struktura a architektura počítačů

Struktura a architektura počítačů Struktur rchtektur počítčů Číselé soustvy Převody me soustvm, kódy Artmetcké operce České vysoké učeí techcké Fkult elektrotechcká Ver J Zděek 3 Polydcké číselé soustvy (počí) Hodot čísl v soustvě se ákldem

Více

Číslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů

Číslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů Číslicová filtrace Použití : Separace sigálů Restaurace sigálů Číslicové filtry Aalogové x číslicové filtry : Aalogové Číslicové: + levé + rychlé + velký dyamický rozsah (v amplitudě i frekveci) - evhodé

Více

IV. MKP vynucené kmitání

IV. MKP vynucené kmitání Jří Máca - katedra mechaky - B35 - tel. 435 4500 maca@fsv.cvut.cz IV. MKP vyuceé kmtáí. Rovce vyuceého kmtáí. Modálí aalýza rozklad do vlastích tvarů 3. Přímá tegrace pohybových rovc 3. Metoda cetrálích

Více

Téma 11 Prostorová soustava sil

Téma 11 Prostorová soustava sil Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra

Více

Vzorový příklad na rozhodování BPH_ZMAN

Vzorový příklad na rozhodování BPH_ZMAN Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha

Více

APLIKOVANÁ STATISTIKA

APLIKOVANÁ STATISTIKA VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4

Více

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT

Výukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí

Více

Základní požadavky a pravidla měření

Základní požadavky a pravidla měření Základí požadavky a pravidla měřeí Základí požadavky pro správé měřeí jsou: bezpečost práce teoretické a praktické zalosti získaé přípravou a měřeí přesost a spolehlivost měřeí optimálí orgaizace průběhu

Více

1. Číselné obory, dělitelnost, výrazy

1. Číselné obory, dělitelnost, výrazy 1. Číselé obory, dělitelost, výrazy 1. obor přirozeých čísel - vyjadřující počet prvků možiy - začíme (jsou to kladá edesetiá čísla) 2. obor celých čísel - možia celých čísel = edesetiá, ale kladá i záporá

Více

2.4. INVERZNÍ MATICE

2.4. INVERZNÍ MATICE 24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:

Více

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor

1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor 1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců

Více

Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály

Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam

Více

3. Lineární diferenciální rovnice úvod do teorie

3. Lineární diferenciální rovnice úvod do teorie 3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se

Více

Zobrazení čísel v počítači

Zobrazení čísel v počítači Zobraeí ísel v poítai, áklady algoritmiace Ig. Michala Kotlíková Straa 1 (celkem 10) Def.. 1 slabika = 1 byte = 8 bitů 1 bit = 0 ebo 1 (ve dvojkové soustavě) Zobraeí celých ísel Zobraeí ísel v poítai Ke

Více

6. Posloupnosti a jejich limity, řady

6. Posloupnosti a jejich limity, řady Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme

Více

P2: Statistické zpracování dat

P2: Statistické zpracování dat P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu

Více

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění

Přednáška č. 10 Analýza rozptylu při jednoduchém třídění Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě

Více

S polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické

S polynomy jste se seznámili již v Matematice 1. Připomeňme definici polynomické 5 Itegrace racioálích fukcí 5 Itegrace racioálích fukcí Průvodce studiem V předcházejících kapitolách jsme se aučili počítat eurčité itegrály úpravou a základí itegrály, metodou per partes a substitučí

Více

1 Základy Z-transformace. pro aplikace v oblasti

1 Základy Z-transformace. pro aplikace v oblasti Základy Z-trasformace pro aplikace v oblasti číslicového zpracováí sigálů Petr Pollák 9. říja 29 Základy Z-trasformace Teto stručý text slouží k připomeutí základích vlastostí Z-trasformace s jejími aplikacemi

Více

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje

Více

9.3.5 Korelace. Předpoklady: 9304

9.3.5 Korelace. Předpoklady: 9304 935 Koelace Předpoklad: 9304 Zatím jsme se zabýval vžd pouze jedím zakem, ve statstckém výzkumu jsme však u každého jedotlvce (statstcké jedotk) sledoval zaků více Učtě spolu ěkteé zak souvsí (apříklad

Více

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.

Tržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t. Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví

Více

ÚVOD DO PRAKTICKÉ FYZIKY I

ÚVOD DO PRAKTICKÉ FYZIKY I JIŘÍ ENGLICH ÚVOD DO PRAKTICKÉ FYZIKY I ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ Jede z epermetů, které změly vývoj fyzky v mulém století. V roce 9 prof. H. Kamerlgh Oes ve své laboratoř v Leydeu měřl teplotí závslost

Více

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě

Rekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě Rekostrukce vodovodích řadů ve vztahu ke spolehlvost vodovodí sítě Ig. Jaa Šekapoulová Vodáreská akcová společost, a.s. Bro. ÚVOD V oha lokaltách České republky je v současost aktuálí problée zastaralá

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že

Více

Rotační šroubové kompresory se vstřikem chladiva. řady R 55-75 kw

Rotační šroubové kompresory se vstřikem chladiva. řady R 55-75 kw Rotačí šroubové kompresory se vstřkem chladva řady R 55-75 kw Nová úroveň spolehlvost, účost a produktvty Vzduchové kompresory s rotačím šrouby Igersoll Rad řady R poskytují to ejlepší z dlouhodobě osvědčeých

Více

Experimentální identifikace regulovaných soustav

Experimentální identifikace regulovaných soustav Expermetálí etfkace reglovaých sostav Cílem je zhotoveí matematckého moel a záklaě formací získaých měřeím. Požívá se možství meto. Výběr metoy je ůležtý, protože a ěm závsí přesost áhraího moel. Záklaím

Více

8.2.1 Aritmetická posloupnost I

8.2.1 Aritmetická posloupnost I 8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu

Více

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n

je konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n 8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí

Více

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )

f x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( ) DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce

Více

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů: Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy

Více

12. Neparametrické hypotézy

12. Neparametrické hypotézy . Neparametrcké hypotézy V této část se budeme zabývat specálí částí teore statstckých hypotéz tzv. eparametrckým hypotézam ebo jak řečeo eparametrckým statstckým testy. Neparametrcké se azývají proto,

Více

Odhady parametrů 1. Odhady parametrů

Odhady parametrů 1. Odhady parametrů Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:

Více

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC

ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC Jří HŘEBÍČEK, Mchal HEJČ, Jaa SOUKOPOVÁ ECO-Maagemet,

Více