Monte Carlo metody Josef Pelikán CGG MFF UK Praha.
|
|
- Markéta Janečková
- před 6 lety
- Počet zobrazení:
Transkript
1 Monte Carlo metody Josef Pelkán CGG MFF UK Praha Monte Carlo 7 Josef Pelkán, / 44
2 Monte Carlo ntegrace Odhadovaný ntegrál: Předpoklad: f x L, I f x dx Je-l náhodné číslo s dstrbucí R(,), pak f() je tzv. prmární odhad ntegrálu: Odhad je nestranný, neboť: I f prm E I f x dx I prm Monte Carlo 7 Josef Pelkán, / 44
3 Prmární odhad určtého ntegrálu f() f(x) Monte Carlo 7 Josef Pelkán, 3 / 44
4 Rozptyl odhadu Měřítkem kvalty odhadu je jeho rozptyl (nebo standardní odchylka): prm V I f x I dx f x dx I prm (pro nestranný odhad) Př výpočtu jedného vzorku je rozptyl výsledku přílš velký! Monte Carlo 7 Josef Pelkán, 4 / 44
5 Sekundární odhad ntegrálu f( )/N f(x)/n f( )/N f( 3 )/N 3 Monte Carlo 7 Josef Pelkán, 5 / 44
6 Sekundární odhad Rozložení ntegrálu na součet N členů: I f x f x dx N N dx N Sekundární odhad ntegrálu: I sec N I N prm Sekundární odhad je také nestranný. N f I Monte Carlo 7 Josef Pelkán, 6 / 44
7 Monte Carlo 7 Josef Pelkán, 7 / 44 Rozptyl sekundárního odhadu sec N f x dx dx I N f x dx N I N N N prm... std. chyba je N-krát menší! (konvergence /N)
8 Vzorkování po částech př výběru množny nezávslých vzorků se stejnou hustotou pravděpodobnost dochází ke shlukování zbytečně velký rozptyl odhadu vzorkování po částech ( stratfed samplng ) potlačuje shlukování redukuje rozptyl odhadu nterval se rozdělí na část, které se odhadují samostatně Monte Carlo 7 Josef Pelkán, 8 / 44
9 Vzorkování po částech f( ) f(x) 3 4 Monte Carlo 7 Josef Pelkán, 9 / 44
10 Vzorkování po částech Rozdělení ntervalu (,) na N částí A : N I f x dx f x dx I Odhad ntegrálu: I strat N N A N I f f A prm, N Monte Carlo 7 Josef Pelkán, / 44
11 Monte Carlo 7 Josef Pelkán, / 44 Rozptyl vzorkování po částech strat A N N f x N Ndx I N f x dx I sec... rozptyl nemůže být větší než u sekundárního odhadu!
12 Rozklad ntervalu na část unformní rozklad ntervalu (,) přrozená metoda pro zcela neznámou funkc f známe-l alespoň přblžně průběh funkce f, snažíme se o takový rozklad, aby byl rozptyl funkce na subntervalech co nejmenší rozklad d-rozměrného ntervalu vede na N d výpočtů úspornější metodou je vzorkování N věží Monte Carlo 7 Josef Pelkán, / 44
13 Vzorkování podle důležtost některé část vzorkovaného ntervalu jsou důležtější, protože zde má f větší hodnotu vzorky z těchto oblastí mají větší vlv na výsledek vzorkování podle důležtost ( mportance samplng ) umsťuje vzorky přednostně do takových oblastí vzorkování je formálně řízeno funkcí p(x)... hustotou pravděpodobnost na daném ntervalu menší rozptyl př zachování nestrannost Monte Carlo 7 Josef Pelkán, 3 / 44
14 Vzorkování podle důležtost f(x) p(x) Monte Carlo 7 Josef Pelkán, 4 / 44
15 Vzorkování podle důležtost Úprava odhadovaného ntegrálu: I f x dx f x p x p x dx Má-l náhodná proměnná rozdělení s hustotou p(x), odhadujeme ntegrál I výrazem: I mp f p (tento odhad je nestranný) Monte Carlo 7 Josef Pelkán, 5 / 44
16 Rozptyl vzorkování podle důležtost mp f x p x p x dx I f x p x dx I Pokud se průběh hustoty p(x) podobá ntegrované funkc f(x), odhadujeme ntegrál funkce, která má menší rozptyl než f(x). Monte Carlo 7 Josef Pelkán, 6 / 44
17 Vlastnost hustoty p(x) p(x) a p(x) tam, kde f(x) p(x) dx = lze efektvně generovat vzorky s danou hustotou pravděpodobnost lze spočítat příslušnou dstrbuční funkc P(x) a znvertovat j (P - (x)) P x x p t dt Monte Carlo 7 Josef Pelkán, 7 / 44
18 Praktcká mplementace Místo přímého výběru náhodné proměnné s hustotou pravděpodobnost p(x) bereme s rovnoměrným rozdělením pravděpodobnost a transformujeme j: Odhad má tedy tvar: P f P I mp p P I f x dx f P t dp dt dt t f P t p P t dt Monte Carlo 7 Josef Pelkán, 8 / 44
19 Kombnované odhady f(x) p (x) p (x) Monte Carlo 7 Josef Pelkán, 9 / 44
20 Kombnace několka odhadů Předpokládáme n náhodných proměnných,.. n s hustotam pravděpodobnost p (x),.. p n (x). Kombnovaný odhad ntegrálu bude mít tvar: I n f w p comb kde w (x) jsou nezáporné váhové funkce. Monte Carlo 7 Josef Pelkán, / 44
21 Nestrannost kombnovaného odhadu n E I w x f x comb p x Podmínka pro n p x dx w x f x dx f x dx x w x váhové funkce: n : Monte Carlo 7 Josef Pelkán, / 44
22 Monte Carlo 7 Josef Pelkán, / 44 Rozptyl kombnovaného odhadu comb n n n w x f x p x p x dx w x f x p x p x dx w x p x f x dx w x f x dx
23 Artmetcký průměr, maxmum f I n average n p w x n w x pro max p x p x j j jnde n f j j p I p max p? : max Monte Carlo 7 Josef Pelkán, 3 / 44
24 Monte Carlo 7 Josef Pelkán, 4 / 44 Vyrovnaná heurstka w x p x p x j j n I f p bal j j n n bal n j j n n f x p x dx p x p x f x dx comb bal n I
25 Monte Carlo 7 Josef Pelkán, 5 / 44 Mocnnná heurstka w x p x p x j j n I p p f power j j n n Zobecnění: =.. vyrovnaná, =.. maxmální heurstka
26 Transformace ntegrandu Interpretace kombnačního odhadu jako transformace ntegrované funkce: n I f x dx w x f x dx Kombnace odhadů podle důležtost: I n w P p P t t f P t dt Monte Carlo 7 Josef Pelkán, 6 / 44
27 Jeden člen kombnovaného odhadu f(x) p (x) p (x) Monte Carlo 7 Josef Pelkán, 7 / 44
28 Artmetcký průměr f P. 5 p P t t Monte Carlo 7 Josef Pelkán, 8 / 44
29 Maxmum p t p t? : f P p P t t Monte Carlo 7 Josef Pelkán, 9 / 44
30 Vyrovnaná heurstka f P t p P t p P t Monte Carlo 7 Josef Pelkán, 3 / 44
31 Mocnnná heurstka pro = p P t f P t p P t p P t Monte Carlo 7 Josef Pelkán, 3 / 44
32 Řídící funkce Funkce g(x), která aproxmuje ntegrand a dokážeme j analytcky zntegrovat: I f x dx f x g x dx g x dx f x g x dx J f x g x J dx Nestranný odhad: I f g J con Monte Carlo 7 Josef Pelkán, 3 / 44
33 Transformace řídící funkcí f(x) g(x) f(x)-g(x) Monte Carlo 7 Josef Pelkán, 33 / 44
34 Řešení ntegrálních rovnc Fredholmova ntegrální rovnce druhého typu: f x g x K x, y f y dy neznámá známé funkce metody konečných prvků (výpočet celé funkce) metody Monte Carlo (lokální výpočet) Monte Carlo 7 Josef Pelkán, 34 / 44
35 Rekurzvní Monte Carlo odhad Pravou stranu rovnce odhaduj stochastcky s řídícím hustotam pravděpodobnost p (x): g x f x r K x, f p r K x, K, g x g p f p r K x, K x, K, g x g g p p p.. Monte Carlo 7 Josef Pelkán, 35 / 44
36 Monte Carlo 7 Josef Pelkán, 36 / 44 Rekurzvní Monte Carlo odhad f x K p g x r j j j j j,, f g f T {,, 3,... } se nazývá Markovovský řetězec, jestlže pravděpodobnost p (x) závsí pouze na - Úspornější funkconální záps: Řešení (Neumannova řada): f g g g T T..
37 Ruská ruleta př odhadu nekonečné Neumannovy řady se může spočítat jen konečný částečný součet pevně daná délka posloupnost zavádí do odhadu systematckou chybu vhodnější je metoda náhodného ukončení výpočtu: tzv. ruská ruleta odhad zůstává nestranný teoretcky se dá tento postup aplkovat na výpočet jednotlvého ntegrálu Monte Carlo 7 Josef Pelkán, 37 / 44
38 Ruská ruleta pro jeden ntegrál Transformace ntegrálu: P t P P I f x dx f dt P Nestranný odhad s jedním náhodným vzorkem: I Russ P f P pro jnak P Monte Carlo 7 Josef Pelkán, 38 / 44
39 Ruská ruleta pro ntegrální rovnce f x Russ, r k j K j P p j j j, j g, x {,,... k } je konečná náhodná procházka, protože odhad f( k )=. Každý vzorek je vybírán s pravděpodobností P a s hustotou (pdf) p (x). Pokud náhodná proměnná + > P +, celý proces se zastaví; jnak se vygeneruje + (a přdá se další člen). Monte Carlo 7 Josef Pelkán, 39 / 44
40 Volba pravděpodobností Ve fyzkálních aplkacích je často: K x, y dy Tehdy lze jádro K použít ke kostrukc tzv. subkrtckého rozdělení pravděpodobnost:,, P K y dy p x K P, x Odhad pak bude mít tvar: f x g subcrt k Monte Carlo 7 Josef Pelkán, 4 / 44
41 Odhad příští událost Předchozí odhad mívá velký rozptyl (málo sčítanců je nenulových). Lepší výsledky dává metoda odhadující člen g(x) o jeden stupeň přesněj: f x g x h x, h x K x y f y dy,, K x y g y dy K x y h y dy Monte Carlo 7 Josef Pelkán, 4 / 44
42 Odhad příští událost první ntegrál se odhaduje za pomoc pravděpodobnost s hustotou podobnou funkc g(x) náhodná proměnná s hustotou p (x) druhý ntegrál se odhaduje pomocí subkrtcké hustoty pravděpodobnost jádra K náhodná proměnná s hustotou K( -,x)/p h x nextev, g p K x h nextev Monte Carlo 7 Josef Pelkán, 4 / 44
43 Odhad příští událost Odhad funkce h: h x nextev k, g p K Odhad ntegrální rovnce: g x f x nextev k, g p K Monte Carlo 7 Josef Pelkán, 43 / 44
44 Konec Další nformace: E. Lafortune: Mathematcal Models and Monte Carlo Algorthms for Physcally Based Renderng, PhD thess, KU Leuven, 9-63 M. Kalos, P. Whtlock: Monte Carlo Methods, John Wley & Sons, 986, 89-6 A. Glassner: Prncples of Dgtal Image Synthess, Morgan Kaufmann, 995, Monte Carlo 7 Josef Pelkán, 44 / 44
Počítačová grafika III Monte Carlo integrování Přímé osvětlení. Jaroslav Křivánek, MFF UK
Počítačová grafka III Monte Carlo ntegrování Přímé osvětlení Jaroslav Křvánek, MFF UK Jaroslav.Krvanek@mff.cun.cz Renderng = Integrování funkcí L r ( x, o H ( x L ( x, f r ( x, cos d o Příchozí radance
VíceŘešení radiační soustavy rovnic
Řešení radační soustavy rovnc 1996-2016 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ RadSoluton 2016 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca 1 / 23 Soustava lneárních
VícePorovnání GUM a metody Monte Carlo
Porovnání GUM a metody Monte Carlo Ing. Tomáš Hajduk Nejstota měření Parametr přřazený k výsledku měření Vymezuje nterval, o němž se s určtou úrovní pravděpodobnost předpokládá, že v něm leží skutečná
VíceŘešení radiační soustavy rovnic
Řešení radační soustavy rovnc 1996-2008 Josef Pelkán KSVI MFF UK Praha e-mal: Josef.Pelkan@mff.cun.cz WWW: http://cgg.ms.mff.cun.cz/~pepca/ NPGR010, radsoluton.pdf 2008 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
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
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
VíceKombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
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
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
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
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
VíceNumerická matematika 1. t = D u. x 2 (1) tato rovnice určuje chování funkce u(t, x), která závisí na dvou proměnných. První
Numercká matematka 1 Parabolcké rovnce Budeme se zabývat rovncí t = D u x (1) tato rovnce určuje chování funkce u(t, x), která závsí na dvou proměnných. První proměnná t mívá význam času, druhá x bývá
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
VíceTeorie efektivních trhů (E.Fama (1965))
Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje
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,
VíceStřední 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
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
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
Vícea způsoby jejího popisu Ing. Michael Rost, Ph.D.
Podmíněná pravděpodobnost, náhodná veličina a způsoby jejího popisu Ing. Michael Rost, Ph.D. Podmíněná pravděpodobnost Pokud je jev A vázán na uskutečnění jevu B, pak tento jev nazýváme jevem podmíněným
VíceUrčete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
VíceEnergie elektrického pole
Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný
VíceSimulační metody hromadné obsluhy
Smulační metody hromadné osluhy Systém m a model vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělt fyzckou neo myšlenkovou hrancí Model Zjednodušený, astraktní nástroj používaný pro
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceIng. Barbora Chmelíková 1
Numercká gramotnost 1 Obsah BUDOUCÍ A SOUČASNÁ HODNOTA TYPY ÚROČENÍ JEDNODUCHÉ vs SLOŽENÉ ÚROČENÍ JEDNODUCHÉ ÚROČENÍ SLOŽENÉ ÚROČENÍ FREKVENCE ÚROČENÍ KOMBINOVANÉ ÚROČENÍ EFEKTIVNÍ ÚROKOVÁ MÍRA SPOJITÉ
VícePočítačová grafika III Multiple Importance Sampling. Jaroslav Křivánek, MFF UK
Počítačová grafika III Multiple Importance Sampling Jaroslav Křivánek, MFF UK Jaroslav.Krivanek@mff.cuni.cz MIS 300 + 300 samples EM IS 600 samples BRDF IS 600 samples Sampling strategies Diffuse only
VíceJihočeská univerzita v Českých Budějovicích. Pedagogická fakulta Katedra fyziky. Bakalářská práce
Jhočeská unverzta v Českých Budějovcích Pedagogcká fakulta Katedra fyzky Bakalářská práce České Budějovce 007 Tomáš Bürger Jhočeská unverzta v Českých Budějovcích Pedagogcká fakulta Katedra fyzky Generování
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
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).
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VícePOROVNÁNÍ MEZI SKUPINAMI
POROVNÁNÍ MEZI SKUPINAMI Potřeba porovnání počtů mez určtým skupnam jednců např. porovnání počtů onemocnění mez kraj nebo okresy v prax se obvykle pracuje s porovnáním na 100.000 osob. Stuace ale nebývá
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
Více9. listopadu Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/
9. listopadu 212 Rozvoj aplikačního potenciálu (RAPlus) CZ.1.7/2.4./17.117 Používané postupy Lord D., Mannering F.: The Statistical Analysis of Crash-Frequency Data: A Review and Assessment of Methodological
VícePočítačová grafika III Multiple Importance Sampling. Jaroslav Křivánek, MFF UK
Počítačová grafika III Multiple Importance Sampling Jaroslav Křivánek, MFF UK Jaroslav.Krivanek@mff.cuni.cz MIS 300 + 300 samples EM IS 600 samples BRDF IS 600 samples Sampling strategies Diffuse only
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
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
VíceASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ
ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ Bc. Jtka Hanousková 1 Abstrakt: Příspěvek se zabývá postačujícím podmínkam pro konzstenc odhadů s mnmální Kolmogorovskou vzdáleností
VíceDistribuované sledování paprsku
Distribuované sledování paprsku 1996-2015 Josef Pelikán, CGG MFF UK Praha http://cgg.mff.cuni.cz/~pepca/ pepca@cgg.mff.cuni.cz DistribRT 2015 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 24 Distribuované
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceE(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
VíceAnti-aliasing a vzorkovací metody
Anti-aliasing a vzorkovací metody 1996-2016 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Sampling 2016 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca 1 / 34 Prostorový
VíceMgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.
Náhodné veličiny III Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc. Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman
VíceTransformace dat a počítačově intenzivní metody
Transformace dat a počítačově ntenzvní metody Jří Mltký Katedra textlních materálů, Textlní fakulta, Techncká unversta v Lberc, Lberec, e- mal jr.mltky@vslb.cz Mlan Meloun, Katedra analytcké cheme, Unversta
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regulární systém hustot Vychází se z: -,, P - pravděpodobnostní prostor -, R neprázdná množna parametrů - X X 1,, náhodný vektor s sdruženou hustotou X n nebo s sdruženou pravděpodobnostní
VíceVybraná rozdělení náhodné veličiny
3.3 Vybraná rozdělení náhodné veličiny 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 Rozdělení Z 3 4 5 6 7 8 9 10 11 12 13 14 15 Život je umění vytvářet uspokojivé závěry na základě nedostatečných předpokladů.
VícePraktická statistika. Petr Ponížil Eva Kutálková
Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceJevy a náhodná veličina
Jevy a náhodná veličina Výsledky některých jevů jsou vyjádřeny číselně -na hrací kostce padne číslo 1, 4, 6.., jiným jevům můžeme čísla přiřadit (stupeň školního vzdělání: ZŠ, SŠ, VŠ) Data jsme rozdělili
VíceMatematika pro chemické inženýry
Matematika pro chemické inženýry Drahoslava Janovská Lineární a nelineární regrese Přednášky ZS 2016-2017 Sponzorováno grantem VŠCHT Praha, PIGA 413-17-6642, 2016 Povinná látka. Bude v písemkách a bude
VíceNáhodná veličina a její charakteristiky. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáte. Proto je proměnná, která
Náhodná veličina a její charakteristiky Náhodná veličina a její charakteristiky Představte si, že provádíte náhodný pokus, jehož výsledek jste schopni ohodnotit nějakým číslem. Před provedením pokusu jeho
VíceALGORITMUS SILOVÉ METODY
ALGORITMUS SILOVÉ METODY CONSISTENT DEFORMATION METHOD ALGORITHM Petr Frantík 1, Mchal Štafa, Tomáš Pal 3 Abstrakt Příspěvek se věnuje popsu algortmzace slové metody sloužící pro výpočet statcky neurčtých
VícePřednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
VíceJosef Pelikán, 1 / 51
1 / 51 Náhodné rozmisťování bodů v rovině 2014-15 Josef Pelikán, CGG MFF UK Praha http://cgg.mff.cuni.cz/~pepca/ Seminář strojového učení a modelování, 26. 3. 2015 2 / 51 Jiří Matoušek (1963-2015) 3 /
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha
ANOVA Analýza rozptylu př jednoduchém třídění Jana Vránová, 3.léařsá faulta UK, Praha Teore Máme nezávslých výběrů, > Mají rozsahy n, teré obecně nemusí být stejné V aždém z nch známe průměr a rozptyl
VíceFakulta chemicko-technologická Katedra analytické chemie. 3.2 Metody s latentními proměnnými a klasifikační metody
Fakulta chemicko-technologická Katedra analytické chemie 3.2 Metody s latentními proměnnými a klasifikační metody Vypracoval: Ing. Tomáš Nekola Studium: licenční Datum: 21. 1. 2008 Otázka 1. Vypočtěte
VíceNÁHODNÁ VELIČINA. 3. cvičení
NÁHODNÁ VELIČINA 3. cvičení Náhodná veličina Náhodná veličina funkce, která každému výsledku náhodného pokusu přiřadí reálné číslo. Je to matematický model popisující více či méně dobře realitu, který
VíceRozdělení náhodné veličiny. Distribuční funkce. Vlastnosti distribuční funkce
Náhodná veličina motivace Náhodná veličina Často lze výsledek náhodného pokusu vyjádřit číslem: číslo, které padlo na kostce, výška náhodně vybraného studenta, čas strávený čekáním na metro, délka života
VíceLOGICKÉ OBVODY J I Ř Í K A L O U S E K
LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Číselné charateristiy náhodných proměnných Charateristiy náhodných proměnných dělíme nejčastěji na charateristiy polohy a variability. Mezi charateristiy polohy se nejčastěji
VíceÚSTAV 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.
VíceNěkdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?
Náhodné veličiny Náhodné veličiny Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Příklad Vytáhneme tři karty z balíčku zajímá nás, kolik je mezi nimi es.
VíceMODEL TVÁŘECÍHO PROCESU
MODEL TVÁŘECÍHO PROCESU Zkouška tlakem na válcových vzorcích 2 Vyhodnocení tlakové zkoušky Síla F způsobí změnu výšky H a průměru D válce. V každém okamžiku při stlačování je přetvárný odpor definován
VíceNáhodné rozmisťování bodů v rovině
Náhodné rozmisťování bodů v rovině 2014 Josef Pelikán, CGG MFF UK Praha http://cgg.mff.cuni.cz/~pepca/ Konference CSGG, 17. 9. 2014, Nové Město na Moravě 1 / 46 2 / 46 Náhodné rozložení bodů..? random
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
Více7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM
7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané
VíceStaré mapy TEMAP - elearning
Staré mapy TEMAP - elearnng Modul 4 Kartometrcké analýzy Ing. Markéta Potůčková, Ph.D., 2013 Přírodovědecká fakulta UK v Praze Katedra aplkované geonformatky a kartografe Kartometre a kartometrcké vlastnost
VíceNumerická integrace konstitučních vztahů
Numercká ntegrace konsttučních vztahů Po výočtu neznámých deformačních uzlových arametrů v každé terac NR metody je nutné stanovt naětí a deformace na rvcích. Nař. Jednoosý tah (vz obr. vravo) Pro nterval
Více4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceNáhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1
Náhodná proměnná Náhodná proměnná může mít rozdělení diskrétní (x 1, x 2,,x n ) spojité () Poznámky: 1. Fyzikální veličiny jsou zpravidla spojité, ale změřené hodnoty jsou diskrétní. 2. Pokud
VíceMĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electric Parameter Measurement in PWM Powered Circuits
Techncká 4, 66 07 Praha 6 MĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electrc Parameter Measurement n PWM Powered Crcuts Martn Novák, Marek Čambál, Jaroslav Novák Abstrakt: V
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus
Víceí I - 13 - Průchod a rozptyl záření gama ve vrstvách materiálu Prof. Ing. J. Šeda, DrSc. KDAIZ - PJPI
- 13 - í Průchod a rozptyl záření gama ve vrstvách materálu Prof. ng. J. Šeda, DrSc. KDAZ - PJP Na našem pracovšt byl vypracován program umožňující modelovat průchod záření gama metodou Monte Carlo, homogenním
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceOsově namáhaný prut základní veličiny
Pružnost a pevnost BD0 Osově namáhaný prut základní velčny ormálová síla půsoící v průřezu osově namáhaného prutu se získá ntegrací normálového napětí po ploše průřezu. da A Vzhledem k rovnoměrnému rozložení
VíceInterpretační dokumenty ID1 až ID6
Prof. Ing. Mlan Holcký, DrSc. ČVUT, Šolínova 7, 66 08 Praha 6 Tel.: 224 353 842, Fax: 224 355 232 E-mal: holcky@klok.cvut.cz, k http://web.cvut.cz/k/70/prednaskyfa.html Metody navrhování Základní pojmy
Více