Cíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Cíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí"

Transkript

1

2 Cíle lokalizace Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí 2

3 Jiný pohled Je to problém transformace souřadnic Mapa je globální souřadnicový systém nezávislý na pozici robota Robot používá svůj lokální systém Lokalizace = proces nalezení korespondence Problém: pozice nemůže být zjištěna přímo 3

4 Diskrétní model lokalizace v čase

5 Lokalizace v teorii 1. absolutní / relativní 2. lokální / globální 3. pasivní / aktivní 4. ve statickém / dynamickém prostředí 5

6 Lokalizace v praxi Podle mapy jsme na támhletom kopci. Kde to sakra jsem? Kam jsem se to zase sakra dostal? Jak poznám, že už jsme tady? -- Až budeme tady, vystoupíme. 6

7 1a Absolutní lokalizace měření / odhad bez ohledu na předchozí stav obvykle technicky či výpočetně náročnější orientační body (aktivní vs. pasivní) GPS / Glonass / Compass / Galileo 7

8 1b Relativní lokalizace měření / odhad změny od předchozího stavu typicky změna pozice a natočení celková poloha složením dílčích změn problém kumulace dílčích chyb vhodné pouze krátkodobě odometrie, inerciální navigace 8

9 1b Relativní lokalizace Dead Reckoning klasické navigační postupy: směr + rychlost + čas 9

10 1b Relativní lokalizace Dead Reckoning klasické navigační postupy 10

11 1a Relativní lokalizace Odometrie měření údajů o otáčení kol motor vs. hnací vs. běžná vs. dedikovaná systematické chyby rozdíl v obvodu kol nápravy rozdíl nominálních vs. skutečných parametrů nedokonalosti tvaru kola rozlišení, vzorkovací frekvence, výpočet nesystematické chyby nerovnosti terénu, překážky ztráta adheze neideální konktakt s povrchem 11

12 1a Relativní lokalizace nekontaktní senzorika Dopplerův efekt změna frekvence odraženého signálu f rr = f tx 1 + v c pohybující se vysílač i přijímač v 0 = c 2 f rr f tt 1 v aaa = v 0 cos α (v praxi rázový kmitočet) vzorkování povrchu, obrazové senzory 12

13 2a Lokální lokalizace sledování pozice, tracking počáteční poloha známá průběžné udržování korektního odhadu hrozí vznik neopravitelných chyb 13

14 2b Globální lokalizace lokalizace bez předchozí znalosti wake-up problem kidnap problem 14

15 3a Pasivní lokalizace správa pozice na základě měření bez možnosti ovlivnění řízení robota 15

16 3b Aktivní lokalizace správa pozice na základě měření v případě potřeby ovlivní řízení robota (částečně/zcela) aktivní snímání aktivní navigace 16

17 4a Lokalizace ve statickém prostředí robot je jediným pohybujícím se objektem 17

18 4b Lokalizace v dynamickém prostředí podmínky se mění osvětlení pohyb objektů vznik / zánik objektů, překážek změna prostředí (otevřené/zavřené dveře) 18

19 5 Realistická lokalizace Realita: nedůvěryhodné vstupy nespolehlivé aktuátory vnější vlivy (únos, neexistence mapy, neznámá poloha) Řešení 1: Zpřesnit měření a řízení lepší senzory a lepší aktuátory filtry 19

20 5 Realistická lokalizace Realita: nedůvěryhodné vstupy nespolehlivé aktuátory vnější vlivy (únos, neexistence mapy, neznámá poloha) Řešení 2: Nepočítat najisto s jedinou možnou polohou pravděpodobnostní lokalizace fuzzy logika intervalový počet 20

21 5 Realistická lokalizace Realita: nedůvěryhodné vstupy nespolehlivé aktuátory vnější vlivy (únos, neexistence mapy, neznámá poloha) Řešení 3: Žádná lokalizace (předprogramovaný automat) reaktivní systémy evoluční algoritmy 21

22 6 Pravděpodobnostní lokalizace vše je náhodná veličina data ze senzorů poloha robota odhad pozice není jeden bod ale funkce lokalizace = nalezení takové hustoty pravděpodobnosti vstupních veličin, které nejlépe odpovídají hustotě pravděpodobnosti skutečné pozice robota 22

23 Teorie pravděpodobnosti Podmíněná pravděpodobnost P A B = P(A B) P(B) Nezávislé jevy P A B Bayesova věta P A B = P A B C = P A P(B) P B A P(A) = P(B) P B A C P(A C) P(B C), kde P(B C) 0 23

24 Markovova vlastnost P X k = x X 0 = x 0, X 1 = x 1,, X k 1 = x k 1 = P(X k = x X k 1 = x k 1 ) tj. pravděpodobnost nového stavu nezáleží na minulosti jevu Markovův řetězec silná Markovova vlastnost: P X k = j X k 1 = i = p i,j k > 0 homogenní Markovův řetězec 24

25 Odhad polohy BBB l belief BBB l dd = 1 ideální (a nerealistický) případ: 1 v místě robota BBB l = 0 všude jinde 25

26 Aktuální odhad polohy hustota pravděpodobnosti výskytu robota podmníněná všemi daty, která byla až do okamžiku odhadu k dispozici: BBB l k = P(l k dddd 0..k ) 26

27 Pravděpodobnostní přístup Nejistotu nebudeme odstraňovat, budeme ji předpokládat a využívat High-dimensional perception 1986 Moravec Částicové filtry, Monte Carlo 1997 Dellaert Bayesovské přístupy 2000 Thrun

28 Motivace

29 Motivace

30 Motivace

31 Motivace

32 Motivace

33 Motivace

34 Postupná aktualizace pomocí relativního i absolutního měření apriorní a aposteriorní odhad BBB l k BBB + l k 34

35 Inicializace Robot zná pozici: BBB l 0 má jeden vrchol, jinde blízký 0 (typ. úzké normální rozdělení) Robot nezná pozici: BBB l 0 je rozvnoměrné rozdělení na celém prostoru 35

36 Apriorní + aposteriorní odhad Predikční krok, time update BBB l k = P(l k z k 1, a k 1,, z 0, a 0, l 0 ) Korekční krok, observation update BBB + l k = P(l k z k, z k 1, a k 1,, z 0, a 0, l 0 ) 36

37 Kompletní vzorec BBB + l k = 1 C k P(z k l k ) P l k l k 1, a k 1 BBB + l k 1 dl k 1 Potřeba znát počáteční odhad pravděpodobnostní pohybový model senzorický model 38

38 Reprezentace odhadu Spojitý prostor obecná reprezentace by nebyla snadná Diskrétní reprezentace konečné množství hodnot odpovídajících částem def. oboru integrál suma Pravděpodobnostní mřížka Topologické grafy Monte Carlo lokalizace Spojité reprezentace Kalmanův filtr 39

39 Pravděpodobnostní mřížka Pravidelné rozdělení prostoru na buňky BBB(l) vyjadřuje pravděpodobnost, že robot je na pozici l = B i,j Nároky na velikost mřížky i výpočetní nároky odpovídají velikosti prostoru a granularitě selektivní aktualizace hierarchický model (quadtree) neortogonální mřížky 40

40 Topologický graf uzly možné pozice, hrany možné přechody BBB(l) vyjadřuje pravděpodobnost, že robot je v uzlu l Možnost hustšího grafu tam, kde je větší pravděpodobnost Není přímé použití naměřených dat Graf nemá nutně geometrické informace 41

41 Monte Carlo lokalizace Odhad polohy je reprezentován konečnou množinou vážených vzorků n n BBB(l) i=0 w i δ(l l i ) i=0 w i = 1 vyšší pravděpodobnost výskytu robota může být reprezentována vyšší vahou vzorku(ů) i vyšším počtem vzorků v dané oblasti 42

42 Monte Carlo lokalizace Predikční krok posun vzorků váhy vzorků se nemění Korekční krok polohy vzorků se nemění aktualizace váhy vzorků Převzorkovací krok údržba množiny 43

43 Monte Carlo lokalizace Nejlepší výsledek dávají senzory, které nejsou moc nepřesné ale ani moc přesné rozptyl funkce pro moc přesný senzor má moc úzkou špičku, takže se zvyšuje pravděpodobnost, že se nebude krýt se žádným ze vzorků a měření tak bude bezcenné 44

44 Monte Carlo lokalizace Kidnap problem je problém robot se ocitne v místech s malým počtem vzorků, které mají malou váhu přidávání málo pravděpodobných vzorků (pravidelně, náhodně, při podezření na únos, ) 45

45 Spojitá reprezentace Kalmanův filtr odhad pomocí Gaussovy křivky (střední hodnota & rozptyl) nelze více hypotéz příliš přísné předpoklady měření musejí mít normální rozdělení pravděpodobnosti 46

46 Jiné lokalizace Fuzzy logika náležení prvku do množiny ohodnoceno mírou příslušnosti k množině, kdekoli v 0; 1 Intervalový počet veličina charakterizována intervalem, v němž se nachází její hodnota 47

Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE. Marek Skalka. Srovnání lokalizačních technik

Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE. Marek Skalka. Srovnání lokalizačních technik Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Marek Skalka Srovnání lokalizačních technik Katedra softwarového inženýrství Vedoucí diplomové práce: RNDr. David Obdržálek Studijní

Více

Úvod do mobilní robotiky NAIL028

Úvod do mobilní robotiky NAIL028 md at robotika.cz http://robotika.cz/guide/umor08/cs 11. listopadu 2008 1 2 PID Sledování cesty Modely kolových vozidel (1/5) Diferenční řízení tank b Encoder Motor Centerpoint Motor Encoder Modely kolových

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem 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

Více

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

MATEMATICKO 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),

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 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

Více

Úvod do mobilní robotiky AIL028

Úvod do mobilní robotiky AIL028 Pravděpodobnostní plánování zbynek.winkler at mff.cuni.cz, md at robotika.cz http://robotika.cz/guide/umor05/cs 12. prosince 2005 1 Co už umíme a co ne? Jak řešit složitější případy? Definice konfiguračního

Více

OBECNÉ METODY VYROVNÁNÍ

OBECNÉ METODY VYROVNÁNÍ OBECNÉ METODY VYROVNÁNÍ HYNČICOVÁ TEREZA, H2IGE1 2014 ÚVOD Z DŮVODU VYLOUČENÍ HRUBÝCH CHYB A ZVÝŠENÍ PŘESNOSTI NIKDY NEMĚŘÍME DANOU VELIČINU POUZE JEDNOU VÝSLEDKEM OPAKOVANÉHO MĚŘENÍ NĚKTERÉ VELIČINY JE

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

Tomáš Karel LS 2012/2013

Tomáš 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

Více

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost

1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost 1 Náhodný výběr a normální rozdělení 1.1 Teoretická a statistická pravděpodobnost Ve světě kolem nás eistují děje, jejichž výsledek nelze předem jednoznačně určit. Například nemůžete předem určit, kolik

Více

MYCIN, Prospector. Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] oblasti kvality rozhodování na úrovni experta.

MYCIN, Prospector. Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] oblasti kvality rozhodování na úrovni experta. Expertní systémy MYCIN, Prospector Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] Expertní systémy jsou počítačové programy, simulující rozhodovací činnosti experta při řešení složitých úloh

Více

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

Úvod do mobilní robotiky AIL028

Úvod do mobilní robotiky AIL028 md at robotika.cz, zbynek.winkler at mff.cuni.cz http://robotika.cz/guide/umor07/cs 27. listopadu 2007 1 Mapa světa Exaktní plánování 2 3 Plánování s otáčením Mapa světa - příklad Obsah Mapa světa Exaktní

Více

ADZ základní statistické funkce

ADZ základní statistické funkce ADZ základní statistické funkce Základní statistické funkce a znaky v softwaru Excel Znak Stručný popis + Sčítání buněk - Odčítání buněk * Násobení buněk / Dělení buněk Ctrl+c Vyjmutí buňky Ctrl+v Vložení

Více

1. Základy teorie přenosu informací

1. Základy teorie přenosu informací 1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

Geometrické transformace obrazu a související témata. 9. přednáška předmětu Zpracování obrazů

Geometrické transformace obrazu a související témata. 9. přednáška předmětu Zpracování obrazů Geometrické transformace obrazu a související témata 9. přednáška předmětu Zpracování obrazů Martina Mudrová 2004 Téma přednášk O čem bude tato přednáška? Geometrické transformace obrazu Interpolace v

Více

ROZDĚLENÍ NÁHODNÝCH VELIČIN

ROZDĚLENÍ NÁHODNÝCH VELIČIN ROZDĚLENÍ NÁHODNÝCH VELIČIN 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/2.2.00/28.0021)

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

Kapitola 1. Signály a systémy. 1.1 Klasifikace signálů

Kapitola 1. Signály a systémy. 1.1 Klasifikace signálů Kapitola 1 Signály a systémy 1.1 Klasifikace signálů Signál představuje fyzikální vyjádření informace, obvykle ve formě okamžitých hodnot určité fyzikální veličiny, která je funkcí jedné nebo více nezávisle

Více

Vybrané partie z obrácených úloh. obrácených úloh (MG452P73)

Vybrané 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

Více

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík Vysoké učení technické v Brně Stavební fakulta ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE Matematika 0A4 Cvičení, letní semestr DOMÁCÍ ÚLOHY Jan Šafařík Brno c 200 (1) 120 krát jsme házeli hrací kostkou.

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 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

Více

Fyzikální sekce přírodovědecké fakulty Masarykovy univerzity v Brně FYZIKÁLNÍ PRAKTIKUM. Praktikum z pevných látek (F6390)

Fyzikální sekce přírodovědecké fakulty Masarykovy univerzity v Brně FYZIKÁLNÍ PRAKTIKUM. Praktikum z pevných látek (F6390) Fyzikální sekce přírodovědecké fakulty Masarykovy univerzity v Brně FYZIKÁLNÍ PRAKTIKUM Praktikum z pevných látek (F6390) Zpracoval: Michal Truhlář Naměřeno: 13. března 2007 Obor: Fyzika Ročník: III Semestr:

Více

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ

POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ ON MENTAL MODELS FORMALIZATION THROUGH THE METHODS OF PROBABILISTIC LINGUISTIC MODELLING Zdeňka Krišová, Miroslav

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009

Více

Ekonomické modelování pro podnikatelskou praxi

Ekonomické modelování pro podnikatelskou praxi pro podnikatelskou praxi Ing. Jan Vlachý, Ph.D. vlachy@atlas.cz Dlouhý, M. a kol. Simulace podnikových procesů Vlachý, J. Řízení finančních rizik Scholleová, H. Hodnota flexibility: Reálné opce Sylabus

Více

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Rainer Scharf, Félix M. Izrailev, 1990 rešerše: Pavla Cimrová, 28. 2. 2012 1 Náhodné matice Náhodné matice v současnosti nacházejí

Více

MATURITNÍ TÉMATA Z MATEMATIKY

MATURITNÍ TÉMATA Z MATEMATIKY MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické

Více

Matematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí

Matematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí Matematické přístupy k pojištění automobilů Silvie Kafková 3. 6. září 2013, Podlesí Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3 Motivace Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3

Více

Registrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost

Registrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost Registrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost Projekt je realizován v rámci Operačního programu Vzdělávání pro konkurence

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

Rovnoměrné rozdělení

Rovnoměrné rozdělení Rovnoměrné rozdělení Nejjednodušší pravděpodobnostní rozdělení pro diskrétní náhodnou veličinu. V literatuře se také nazývá jako klasické rozdělení pravděpodobnosti. Náhodná veličina může nabývat n hodnot

Více

Přehled vhodných metod georeferencování starých map

Přehled vhodných metod georeferencování starých map Přehled vhodných metod georeferencování starých map ČVUT v Praze, katedra geomatiky 12. 3. 2015 Praha Georeferencování historická mapa vs. stará mapa georeferencování umístění obrazu mapy do referenčního

Více

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0

Více

Á Á Í Á Í ř ú Č ř řů Č ř ů Č Č ú Ň ř Ť Č Č Á Ř ř ř ř Š ř ř ň ř Ý ř ů ú ř ú ř ů ř ř ú ř ů ň ř ň ú ř ů ú ř ř ů Č Á Í ů ú ř ř ř ř ř ř ř ř ů ů Ý ř ů ň ř ř Í Í ú Í Ř Á Á ů ř ř ř ú ú ú Č Ď Á ř ř ř ď ř ř ú ů

Více

Semestrální práce z předmětu Matematika 6F

Semestrální práce z předmětu Matematika 6F vypracoval: Jaroslav Nušl dne: 17.6.24 email: nusl@cvut.org Semestrální práce z předmětu Matematika 6F Zádání: Cílem semestrální práce z matematiky 6F bylo zkoumání hudebního signálu. Pluginem ve Winampu

Více

13 Barvy a úpravy rastrového

13 Barvy a úpravy rastrového 13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

ON-LINE SLEDOVÁNÍ POHYBUJÍCÍHO SE PŘEDMĚTU S VYUŽITÍM DIGITÁLNÍ KAMERY ON-LINE TRACKING OF MOVING OBJECT USING DIGITAL CAMERA

ON-LINE SLEDOVÁNÍ POHYBUJÍCÍHO SE PŘEDMĚTU S VYUŽITÍM DIGITÁLNÍ KAMERY ON-LINE TRACKING OF MOVING OBJECT USING DIGITAL CAMERA ON-LINE SLEDOVÁNÍ POHYBUJÍCÍHO SE PŘEDMĚTU S VYUŽITÍM DIGITÁLNÍ KAMERY ON-LINE TRACKING OF MOVING OBJECT USING DIGITAL CAMERA Jan Mareš 1, Lucie Gráfová 2, Aleš Procházka 3 Anotace: Příspěvek popisuje

Více

Gama spektroskopie. Vojtěch Motyčka Centrum výzkumu Řež s.r.o.

Gama spektroskopie. Vojtěch Motyčka Centrum výzkumu Řež s.r.o. Gama spektroskopie Vojtěch Motyčka Centrum výzkumu Řež s.r.o. Teoretický úvod ke spektroskopii Produkce a transport neutronů v různých materiálech, které se v daných zařízeních vyskytují (urychlovačem

Více

Matematicko-fyzikální model vozidla

Matematicko-fyzikální model vozidla 20. února 2012 Obsah 1 2 Reprezentace trasy Řízení vozidla Motivace Motivace Simulátor se snaží přibĺıžit charakteristikám vozu Škoda Octavia Combi 2.0TDI Ověření funkce regulátoru EcoDrive Fyzikální základ

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Cvičení 3 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010

SÍŤOVÁ ANALÝZA. Kristýna Slabá, kslaba@students.zcu.cz. 1. července 2010 SÍŤOVÁ ANALÝZA Kristýna Slabá, kslaba@students.zcu.cz 1. července 2010 Obsah 1 Úvod do síťové analýzy Hlavní metody síťové analýzy a jejich charakteristika Metoda CPM Metoda PERT Nákladová analýza Metoda

Více

Obsah. I. Objektivní pravděpodobnosti. 1. Pravděpodobnost a relativní četnosti... 23

Obsah. I. Objektivní pravděpodobnosti. 1. Pravděpodobnost a relativní četnosti... 23 Obsah Předmluva... 15 I. Objektivní pravděpodobnosti 1. Pravděpodobnost a relativní četnosti... 23 1.1 Úvod... 23 1.2 Základy frekvenční interpretace... 24 1.2.1 Pravděpodobnost a hromadné jevy... 24 1.2.2

Více

Teorie síťových modelů a síťové plánování

Teorie síťových modelů a síťové plánování KSI PEF ČZU Teorie síťových modelů a síťové plánování Část přednášky doc. Jaroslava Švasty z předmětu systémové analýzy a modelování. Zápis obsahuje základní vymezení projektu, časového plánování a popis

Více

2. přednáška z předmětu GIS1 Data a datové modely

2. přednáška z předmětu GIS1 Data a datové modely 2. přednáška z předmětu GIS1 Data a datové modely Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Pro přednášku byly použity texty a obrázky z www.gis.zcu.cz Předmět KMA/UGI, autor Ing. K.

Více

Geoinformační technologie

Geoinformační technologie Geoinformační technologie Globáln lní navigační a polohové družicov icové systémy Výukový materiál pro gymnázia a ostatní střední školy Gymnázium, Praha 6, Nad Alejí 1952 Vytvořeno v rámci projektu SIPVZ

Více

Zákony hromadění chyb.

Zákony 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

Více

ROZPOZNÁVÁNÍ S MARKOVSKÝMI MODELY

ROZPOZNÁVÁNÍ S MARKOVSKÝMI MODELY ROZPOZNÁVÁNÍ S MARKOVSKÝMI MODELY Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/ hlavac 1/31 PLÁN PŘEDNÁŠKY

Více

Základy NIR spektrometrie a její praktické využití

Základy NIR spektrometrie a její praktické využití Nicolet CZ s.r.o. The world leader in serving science Základy NIR spektrometrie a její praktické využití NIR praktická metoda molekulové spektroskopie, nahrazující pracnější, časově náročnější a dražší

Více

POSKYTOVÁNÍ A UŽITÍ DAT Z LETECKÉHO LASEROVÉHO SKENOVÁNÍ (LLS)

POSKYTOVÁNÍ A UŽITÍ DAT Z LETECKÉHO LASEROVÉHO SKENOVÁNÍ (LLS) POSKYTOVÁNÍ A UŽITÍ DAT Z LETECKÉHO LASEROVÉHO SKENOVÁNÍ (LLS) Petr Dvořáček Zeměměřický úřad ecognition Day 2013 26. 9. 2013, Praha Poskytované produkty z LLS Digitální model reliéfu České republiky 4.

Více

TECHNICKÁ ZPRÁVA. Geodetické zaměření Neštěmického potoka Geodetické zaměření Neštěmického potoka v úseku 0-3,632 ř. km.

TECHNICKÁ ZPRÁVA. Geodetické zaměření Neštěmického potoka Geodetické zaměření Neštěmického potoka v úseku 0-3,632 ř. km. TECHNICKÁ ZPRÁVA Číslo zakázky: Název zakázky: Název akce: Obec: Katastrální území: Objednatel: Měření zadal: Geodetické zaměření Neštěmického potoka Geodetické zaměření Neštěmického potoka v úseku 0-3,632

Více

Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost

Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen společnost) stanoví k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen osvědčení) následující

Více

PRAKTIKUM I. Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK. úloha č. 10 Název: Rychlost šíření zvuku. Pracoval: Jakub Michálek

PRAKTIKUM I. Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK. úloha č. 10 Název: Rychlost šíření zvuku. Pracoval: Jakub Michálek Oddělení fyzikálních praktik při Kabinetu výuky obecné fyziky MFF UK PRAKTIKUM I. úloha č. 10 Název: Rychlost šíření zvuku Pracoval: Jakub Michálek stud. skup. 15 dne: 20. března 2009 Odevzdal dne: Možný

Více

7. Geografické informační systémy.

7. Geografické informační systémy. 7. Geografické informační systémy. 154GEY2 Geodézie 2 7.1 Definice 7.2 Komponenty GIS 7.3 Možnosti GIS 7.4 Datové modely GIS 7.5 Přístup k prostorovým datům 7.6 Topologie 7.7 Vektorové datové modely 7.8

Více

Navrhování experimentů a jejich analýza. Eva Jarošová

Navrhování experimentů a jejich analýza. Eva Jarošová Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium

Více

Nejistota měř. ěření, návaznost a kontrola kvality. Miroslav Janošík

Nejistota měř. ěření, návaznost a kontrola kvality. Miroslav Janošík Nejistota měř ěření, návaznost a kontrola kvality Miroslav Janošík Obsah Referenční materiály Návaznost referenčních materiálů Nejistota Kontrola kvality Westgardova pravidla Unity Referenční materiál

Více

4EK211 Základy ekonometrie

4EK211 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

Více

Varianty Monte Carlo Tree Search

Varianty Monte Carlo Tree Search Varianty Monte Carlo Tree Search tomas.kuca@matfyz.cz Herní algoritmy MFF UK Praha 2011 Témata O čem bude přednáška? Monte Carlo Tree Search od her podobných Go (bez Go) k vzdálenějším rozdíly a rozšíření

Více

Analýza procesu zpřesňování dat o HDP - je minulost předvídatelná? František Cvengroš Smilovice, červen 2003

Analýza procesu zpřesňování dat o HDP - je minulost předvídatelná? František Cvengroš Smilovice, červen 2003 Analýza procesu zpřesňování dat o HDP - je minulost předvídatelná? František Cvengroš Smilovice, červen 2003 1 Protože nikdy nebudeme znát skutečnou hodnotu HDP, všechna publikovaná čísla o HDP jsou odhady

Více

Mobilní robotika. Karel Košnar

Mobilní robotika. Karel Košnar Mobilní robotika Karel Košnar Katedra kybernetiky, Fakulta elektrotechnická, České Vysoké Učení Technické v Praze kosnar@labe.felk.cvut.cz Abstract: Příspěvek se zabývá současným stavem mobilní robotiky.

Více

Matematická vsuvka I. trojčlenka. http://www.matematika.cz/

Matematická vsuvka I. trojčlenka. http://www.matematika.cz/ Matematická vsuvka I. trojčlenka http://www.matematika.cz/ Trojčlenka přímá úměra Pokud platí, že čím více tím více, jedná se o přímou úměru. Čím více kopáčů bude kopat, tím více toho vykopají. Čím déle

Více

Základní pojmy o signálech

Základní pojmy o signálech Základní pojmy o signálech klasifikace signálů transformace časové osy energie a výkon periodické signály harmonický signál jednotkový skok a impuls Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí

0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí Program Sorpce1.m psaný v prostředí Matlabu slouží k vyhlazování naměřených sorpčních křivek a výpočtu difuzních koeficientů. Kromě standardního Matlabu vyžaduje ještě Matlab Signal Processing Toolbox

Více

Obsah. Vybraná témata z Excelu pro techniky 13. Obsah. Úvod 11 Komu je kniha určena 11 Uspořádání knihy 11. Typografická konvence použitá v knize 12

Obsah. Vybraná témata z Excelu pro techniky 13. Obsah. Úvod 11 Komu je kniha určena 11 Uspořádání knihy 11. Typografická konvence použitá v knize 12 Obsah Úvod 11 Komu je kniha určena 11 Uspořádání knihy 11 Typografická konvence použitá v knize 12 1 Vybraná témata z Excelu pro techniky 13 Vzorce a funkce pro techniky 14 Vytvoření jednoduchého vzorce

Více

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D.

STATISTIKA LS 2013. Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. STATISTIKA LS 2013 Garant předmětu: Ing. Martina Litschmannová, Ph.D. Přednášející: Ing. Martina Litschmannová, Ph.D. Cvičící: Ing. Ondřej Grunt RNDr. Pavel Jahoda, Ph.D. Ing. Kateřina Janurová Mgr. Tereza

Více

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA

GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA GENEROVÁNÍ NÁHODNÝCH ČÍSEL PSEUDONÁHODNÁ ČÍSLA Oblasti využití generátorů náhodných čísel Statistika Loterie Kryptografie (kryptologie) Simulace Simulační modely DETERMINISTICKÉ STOCHASTICKÉ (činnost systému

Více

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek

Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY. učební text. Jan Famfulík. Jana Míková. Radek Krzyžanek Vysoká škola báňská Technická univerzita Ostrava TEORIE ÚDRŽBY učební text Jan Famfulík Jana Míková Radek Krzyžanek Ostrava 2007 Recenze: Prof. Ing. Milan Lánský, DrSc. Název: Teorie údržby Autor: Ing.

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Vyšší geodézie 1 3/3 GPS - výpočet polohy stanice pomocí

Více

10. Předpovídání - aplikace regresní úlohy

10. 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

Více

GPS Manuál. Tato příručka je vánoční dárkem Orlíků pro oddíl.

GPS Manuál. Tato příručka je vánoční dárkem Orlíků pro oddíl. GPS Manuál Tato příručka je vánoční dárkem Orlíků pro oddíl. Obsah Co je to GPS... 3 Jak to funguje GPS... 4 HOLUX FunTrek 132... 6 Základní ovládání... 6 Jak vyhledat GPS bod... 7 Hledání uložené kešky...

Více

Galileo evropský navigační družicový systém

Galileo evropský navigační družicový systém Galileo evropský navigační družicový systém Internet ve státní správě a samosprávě Hradec Králové, 12. 13. duben 2010 1 Navigační systém Galileo je plánovaný autonomní evropský Globální družicový polohový

Více

Pojem a úkoly statistiky

Pojem a úkoly statistiky Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby

Více

DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ

DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.0963 IV/2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti

Více

Teorie informace 21.9.2014. Obsah. Kybernetika. Radim Farana Podklady pro výuku

Teorie informace 21.9.2014. Obsah. Kybernetika. Radim Farana Podklady pro výuku Teorie Radim Farana Podklady pro výuku Obsah Seznámení s problematikou a obsahem studovaného předmětu. Základní pojmy z Teorie, jednotka, informační obsah zprávy, střední délka zprávy, redundance. Kód.

Více

Terestrické 3D skenování

Terestrické 3D skenování Jan Říha, SPŠ zeměměřická www.leica-geosystems.us Laserové skenování Technologie, která zprostředkovává nové možnosti v pořizování geodetických dat a výrazně rozšiřuje jejich využitelnost. Metoda bezkontaktního

Více

Investiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv. Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni.

Investiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv. Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni. Finanční trhy Investiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni.cz Tento studijní materiál byl vytvořen jako výstup

Více

CZ 1.07/1.1.32/02.0006

CZ 1.07/1.1.32/02.0006 PO ŠKOLE DO ŠKOLY CZ 1.07/1.1.32/02.0006 Číslo projektu: CZ.1.07/1.1.32/02.0006 Název projektu: Po škole do školy Příjemce grantu: Gymnázium, Kladno Název výstupu: Prohlubující semináře Matematika (MI

Více

Projekt IMPLEMENTACE ŠVP. pořadí početních operací, dělitelnost, společný dělitel a násobek, základní početní operace

Projekt IMPLEMENTACE ŠVP. pořadí početních operací, dělitelnost, společný dělitel a násobek, základní početní operace Střední škola umělecká a řemeslná Evropský sociální fond "Praha a EU: Investujeme do vaší budoucnosti" Projekt IMPLEMENTACE ŠVP Evaluace a aktualizace metodiky předmětu Matematika Výrazy Obory nástavbového

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Tomáš Cipra: Pojistná matematika: teorie a praxe. Ekopress, Praha 2006 (411 stran, ISBN: 80-86929-11-6, druhé aktualizované vydání) 1. ÚVOD...

Tomáš Cipra: Pojistná matematika: teorie a praxe. Ekopress, Praha 2006 (411 stran, ISBN: 80-86929-11-6, druhé aktualizované vydání) 1. ÚVOD... Tomáš Cipra: Pojistná matematika: teorie a praxe. Ekopress, Praha 2006 (411 stran, ISBN: 80-86929-11-6, druhé aktualizované vydání) OBSAH I. POJIŠŤOVNICTVÍ A FINANCE 1. ÚVOD... 13 2. POJIŠTĚNÍ JAKO OCHRANA

Více

Aplikace multifraktální geometrie na finančních trzích

Aplikace multifraktální geometrie na finančních trzích Aplikace multifraktální geometrie na finančních trzích 5. studentské kolokvium a letní škola matematické fyziky Stará Lesná Fakulta jaderná a fyzikálně inženýrská ČVUT, Praha 1. 9. 2011 Úvod náhodné procesy

Více

Pravděpodobnost a matematická statistika

Pravděpodobnost a matematická statistika Pravděpodobnost a matematická statistika Mirko Navara Centrum strojového vnímání katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://cmp.felk.cvut.cz/ navara/mvt http://cmp.felk.cvut.cz/

Více

Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta Institut geodézie a důlního měřictví GEODÉZIE II

Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta Institut geodézie a důlního měřictví GEODÉZIE II Vysoká škola báňská Technická univerzita Ostrava Hornicko-geologická fakulta Institut geodézie a důlního měřictví Ing. Hana Staňková, Ph.D. Ing. Filip Závada GEODÉZIE II 8. Technologie GNSS Navigační systémy

Více

MATEMATIKA A 3 Metodický list č. 1

MATEMATIKA A 3 Metodický list č. 1 Metodický list č. 1 Název tématického celku: Úvod do problematiky diskrétní matematiky Cíl: Cílem tohoto tématického celku je vymezení oblasti diskrétní matematiky a příprava na další výklad kurzu. Jedná

Více

Základy pravděpodobnosti poznámky. Jana Klicnarová

Základy pravděpodobnosti poznámky. Jana Klicnarová Základy pravděpodobnosti poznámky Jana Klicnarová 1 V této části připomeneme základní pojmy a vztahy pro práci s náhodou. 0.1 Náhodné jevy Uvažujme situace, které mohou a nemusí nastat a o kterých v nějakém

Více

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

Více

Datové typy a struktury

Datové typy a struktury atové typy a struktury Jednoduché datové typy oolean = logická hodnota (true / false) K uložení stačí 1 bit často celé slovo (1 byte) haracter = znak Pro 8-bitový SII kód stačí 1 byte (256 možností) Pro

Více

Fenomén Big Data Pohled technický

Fenomén Big Data Pohled technický Fenomén Big Data Pohled technický Diribet / Q-DAS Konference Homo Digitalis, 2014-10-09 Motivace Běžná situace při rozhodování: Mám více dat, než jsem schopen zpracovat Mám pocit nedostatku informací Více

Více

Národníinformačnístředisko pro podporu jakosti

Národníinformačnístředisko pro podporu jakosti Národníinformačnístředisko pro podporu jakosti OVĚŘOVÁNÍ PŘEDPOKLADU NORMALITY Doc. Ing. Eva Jarošová, CSc. Ing. Jan Král Používané metody statistické testy: Chí-kvadrát test dobré shody Kolmogorov -Smirnov

Více