DETEKCE UŽITEČNÉHO SIGNÁLU V APLIKACI HARMONICKÉHO RADARU S VYUŽITÍM MATLAB
|
|
- Drahomíra Sabina Dušková
- před 5 lety
- Počet zobrazení:
Transkript
1 DETEKCE UŽITEČÉHO SIGÁLU V APLIKACI HARMOICKÉHO RADARU S VYUŽITÍM MATLAB R.. Pavlík, V. Poláček VOP-6 Šterberk, s.p., divize VTÚO Bro, Veslařská 3, 637 Bro pavlik@vtuo.cz, polacek@vtuo.cz Úvod Harmoický radar využívá pricipu tzv. elieárí radiolokace, kdy a základě ozařováí cílů s elieárí volt-ampérovou charakteristikou dochází k sekudárímu vyzářeí sigálu geerovaého samotým cílem a vyšších harmoických kmitočtech. Účiost vyzářeí tohoto sekudárího sigálu je závislá a moha parametrech, především fyzikálích vlastostech samotého odražeče, jeho tzv. harmoické efektiví odrazé ploše, hustoty výkou ozařujícího sigálu v místě výskytu cíle aj. Pricip harmoického radaru alezl uplatěí především ve vyhledáváí skrytých odposlouchávacích zařízeí (ručí LJD detektory), vyhledáváí elektroických částí používaých v kostrukci mi a ástražých výbušých systémů, zjišťováí skrytých vad materiálů a v posledí době také v oblasti výzkumu možostí spolehlivé detekce překážek a chodců v siličím provozu (projekt ADOSE). Vzhledem k tomu, že sekudárě vyzářeý sigál je velmi slabý (řádově a úrovích 7 dbm a méě) a detekčí vzdáleosti se pohybují v jedotkách až desítkách metrů, je aalýza účié detekce sigálu v přijímači harmoického radaru velmi důležitá apř. také s ohledem a možé zvýšeí citlivosti a tím i detekčího dosahu uvažovaého radaru. Příspěvek se zabývá počátečí aalýzou a vzájemým porováím vybraých detekčích metod užitečého sigálu a pozadí příjmu šumového a rušivého sigálu v aplikaci harmoického radaru. Za tímto účelem bylo vytvořeo měřicí pracoviště se sigálím geerátorem, digitálím přijímačem a bázi SDR a uživatelským programem pro aalýzu detekce v prostředí MATLAB. Model přijímaého sigálu Z obecé teorie zpracováí sigálu vyplývá, že efekt optimálího zpracováí sigálu spočívá ve zvýšeí poměru užitečého sigálu k celkovému šumu před samotou detekcí. a tomto poměru sigálu k šumu je pak závislá efektivita detekce užitečého sigálu vzhledem ke zvoleému kritériu úspěšosti detekce, kterým může být apř. eyma-pearsoova metoda (rozhodovací teorie). Příslušá statistická metoda však obvykle vyžaduje apriorí zalost podmíěých hustot rozděleí pravděpodobosti sigálu a šumu (ebo alespoň jejich odhadů). Úzkopásmový sigál přicházející a vstup detektoru (přijímače) a kmitočtu vyšší harmoické je obecě dá směsí ásledujících složek ( ( t, f ) + ( t) ( t) r( t) = si it + př, () kde i t f je složka užitečého sigálu a kmitočtu -té harmoické, it t zahruje iterferečí složky pozemího závoje (clutter) obsahující jedak průik sigálu vyšší harmoické z vysílače a případý rušící sigál z okolího prostředí, apř. v důsledku výskytu jiých objektů s elieárí vyzařovací charakteristikou ebo zdroje cizí rádiové aktivity vysílajícím a kmitočtu detekovaého sigálu, a t reprezetuje vitří šum přijímače. s, ) ( ) př () 3 Detekčí metody Uvažovaými metodami pro detekci užitečého sigálu v systému harmoického radaru mohou být přizpůsobeý filtr, korelačí metody příjmu, detekce a základě výpočtu etropie přijímaého sigálu a také využití metod časově-kmitočtové aalýzy estacioárích sigálů. Ve všech těchto případech je detekce založea a aplikaci vhodé metody spektrálí aalýzy, apř. výkoového spektra pomocí DFT u korelačích metod ebo výpočtu spektrogramu (a základě STFT krátkodobé Fourierovy trasformace) pro výpočet etropie.
2 Pro vzájemé porováí detekčích metod bylo avržeo vygeerovat sytetický vstupí sigál, který je tvoře čtyřmi stejě dlouhými úseky, zobrazeý a Obr.. Prví dva úseky jsou tvořey siusovou fukcí koečé délky s obálkou podle Haigova oka, třetí úsek je šumový sigál ekorelovaý s ostatími úseky zámého průběhu a čtvrtý úsek je geerová jako siusový impuls s gaussovským průběhem obálky s poměrou šířkou pásma 5 % a úrovi 6 db oproti maximálí amplitudě sigálu. Prví dva úseky a čtvrtý úsek tak vhodě simulují přijímaý sigál v systému harmoického radaru, který má úzkopásmový charakter s výrazou spektrálí složkou a vyšší harmoické ozařujícího sigálu. Středí kmitočet siusoidy druhého a čtvrtého úseku je totožý a rová se,5 ásobku kmitočtu siusoidy prvího úseku, f =, 5 f. Zehodoceí tohoto sigálu šumem je pro zjedodušeí simulováo bílým aditivím gaussovským šumem, který zahruje složky šumu t a t. it () () př f r [] r [] Obr.. Sigál a vstupu přijímače pro detekci harmoických složek: (a) sigál bez šumu tvořeý úseky užitečého sigálu s (, f), s (, f ) a s (, f ) ( f =, 5 f, SR ) a šumovým sigálem s 3 ( ) ; (b) zarušeý sigál r se SR = 5 db). ( ) 3. Přizpůsobeý filtr Při detekci slabého sigálu předem zámého průběhu se využívá tzv. optimálí přijímač. Teto přijímač může být realizová a základě korelačího přijímače ebo přizpůsobeého filtru. Korelačí přijímač pracuje a pricipu prováděí korelace vstupího sigálu s bakou korelátorů, do ichž jsou přiváděy repliky bázových fukcí, jejichž vzájemou lieárí kombiací lze vyjádřit jakýkoliv sigálový prvek obsažeý ve vstupím sigálu. Detekce pomocí přizpůsobeého filtru evyužívá baku korelátorů, ýbrž baku lieárích filtrů, jejichž impulsí charakteristika je rova časově obráceé replice hledaých sigálů s t, f ), která je obecě zpožděa o dobu T, ( ( T t, f ), t T, =,, hi ( t) = si K,, () s, f. Odezva přizpůsobeého filtru s impulsí charakteristikou podle () a sigál s t, f ) je vyjádřea vztahem kde T je rova délce hledaého sigálu ( t ) t ( t ( ) h ( t τ, f ) = r( τ ) s ( T t + τ, f ), t T yi ( t) = r τ i i. (3)
3 Je přirozeé, že v případě, kdy je vstupí sigál idetický s časově obráceou posloupostí impulsí charakteristiky přizpůsobeého filtru, je výsledkem jeho použití autokorelačí fukce vstupího sigálu. 5 (a) (b) y i () 5 DFT{y i ()} k Obr.. Příklad detekce harmoických složek pro vstupí sigál se SR = 5 db aplikací přizpůsobeého filtru a úsek sigálu s (, f ): (a) sigál po aplikaci přizpůsobeého filtru; (b) diskrétí Fourierova trasformace sigálu (a). a Obr. je příklad aplikace přizpůsobeého filtru, jehož impulsí charakteristika je rova časově reverzovaému úseku užitečého sigálu s (, f ). Je vidět, že sigál a výstupu přizpůsobeého filtru obsahuje odezvu, která korespoduje ejeom s výskytem hledaého sigálu v úseku s, ale také v úseku s, protože oba tyto úseky obsahují harmoickou složku o kmitočtu f. Odezva je pouze časově posuuta v důsledku zpožděí sigálu průchodem přizpůsobeým filtrem. Výpočet odezvy filtru je realizová a základě kovolučího teorému v kmitočtové oblasti ásobeím obrazů spekter časově reverzovaé impulsí charakteristiky se vstupím sigálem a výpočtem zpěté diskrétí Fourierovy trasformace. a druhé straě úsek sigálu s harmoickou složkou o kmitočtu f, tj. s, eí ve spektru téměř vůbec patrý. 3. Autokorelace Pro detekci harmoické složky vyskytující se ve směsi složek užitečého a šumového sigálu, lze využít přímo autokorelačí fukci tohoto sigálu. Autokorelačí fukce časového průběhu vstupího sigálu je dáa středí hodotou součiu origiálí a posuuté (zpožděé) poslouposti vstupího sigálu R m = ( m) = ( r( ) )( r( + m) ), m (, ), =, K,, () kde je počet vzorků segmetu aalyzovaého sigálu. Průběh autokorelačí fukce je ovšem závislý a středí hodotě vstupího sigálu r ( ), a proto je vhodé příslušou středí hodotu ve vztahu () odečíst. Tímto se počítá autokovariačí fukce, která se vypočte z () pomocí vztahu Cov ( ) ( m) R ( m) r( ) =. (5) V autokorelačí a tedy i autokovariačí fukci je zachováa iformace o kmitočtu hledaé harmoické složky f, kterou je možé jedoduše detekovat výpočtem diskrétí Fourierovy
4 trasformace DFT (pomocí algoritmu FFT) této fukce diskrétím spektru s idexem k f a alezeím maxima v odpovídajícím k f = arg [ max DFT ] f { Cov ( m) }, m +,, k,. (6) Výpočet odhadu kmitočtu detekovaé harmoické složky je poté provede přepočtem a diskrétí kmitočet f k f f fvz [Hz], (7) kde f vz je vzorkovací kmitočet aalyzovaého sigálu, resp. šířka pásma mezifrekvečího kaálu v přijímači B MF. a Obr. 3 je uvede příklad detekce harmoických složek ve směsi užitečého sigálu s realizací šumové složky o SR = 5 db podle Obr. (b). Je dobře vidět, že v autokovariačí fukci je a rozdíl od aplikace přizpůsobeého filtru (viz Obr. b) zachováa iformace o kmitočtu všech harmoických složek, tedy všech úseků sigálů s harmoickou složkou a kmitočtech f a f. Autokovariačí fukce rověž koverguje pro rostoucí časový iterval k ule. (a) 6 (b) Cov (m) DFT{Cov (m)} m k Obr. 3. Příklad detekce harmoických složek pro vstupí sigál se SR = 5 db: (a) ormalizovaá autokovariačí fukce vstupího sigálu; (b) diskrétí Fourierova trasformace autokovariačí fukce. Zvoleí prahu, jehož překročeí zameá detekci spektrálí čáry harmoických složek, eí kritické, protože velikost maximálí hodoty ze všech amplitud koeficietů spektra je poměrě výrazá i při výskytu vyšší úrově šumu, viz Obr. 3(b). Pro detekci v silě zarušeých sigálech, kdy může docházet k falešé detekci v důsledku ízkého prahu, je možé volit práh adaptabilí apř. v závislosti a poměru sigálu k šumu přijatého sigálu. Zlepšeí je možé dosáhout také při delším itervalu korelace, kdy se korelací (při zvětšováí délky sigálu ) v okamžiku detekce harmoické složky zlepšuje poměr sigálu k šumu proti výchozímu poměru sigálu k šumu. 3.3 Etropie sigálu Základí myšleka pro detekci užitečého sigálu a základě výpočtu jeho etropie je založea a tom, že segmet sigálu vyjádřeý spektrogramem v kmitočtové oblasti a odpovídající příslušému úseku v časové oblasti, může být reprezetová hustotou pravděpodobosti rozděleí eergie sigálu ve spektru. Etropie každého segmetu sigálu je tedy mírou eurčitosti sigálu, přičemž podle defiice jakýkoliv přeos pravděpodobosti mezi čley statistického souboru, který přispívá k m= + jπkm ( ) Podle defiičího vztahu DFT: DFT{ Cov ( m) } F = Cov ( m) e.
5 k vyrováí hodot pravděpodobostí všech čleů tohoto souboru, zvyšuje etropii celého souboru. Z toho vyplývá, že pro užitečý sigál, který se vyzačuje výrazou spektrálí složkou a libovolém ovšem zámém kmitočtu, bude jeho etropie výrazě ižší ež apř. pro šumový sigál, jehož výkoové spektrum má obecý průběh. Tato skutečost je ilustrováa a Obr.. Spektrogram sigálu je počítá jako výko z modulu krátkodobé Fourierovy trasformace (STFT) podle ásledujícího vztahu j πkm X SPEK ( k +, l + ) = X(, ll + m + ) w( m) e (8) m= pro k =, K, a l =, K,( K ) L, kde L. Vztah (8) zameá, že sigál je rozděle do (( K ) L +) překrývajících se segmetů váhovaých okem w( ), defiovaým pro m, a z každého segmetu je počítáa diskrétí Fourierova trasformace (DFT) délky. Každý sloupec matice tedy obsahuje odhad krátkodobého, časově lokalizovaého sigálu v kmitočtové oblasti, přičemž čas se zvyšuje od prvího sloupce zleva doprava a kmitočet se zvyšuje lieárě od ulové hodoty a prvím řádku. Pro váhováí bylo použito Haigovo okéko. (a) k l (b) práh E [l] l Obr.. Příklad detekce harmoických složek a základě výpočtu etropie ze spektrogramu vstupího sigálu se SR = 5 db; práh je středí hodota z miimálí a maximálí hodoty etropie: (a) spektrogram vstupího sigálu; (b) etropie segmetů spektrogramu s vyzačeou úroví prahu, hodoty etropie lokalizující užitečý sigál jsou zobrazey modrou barvou. Etropie l-tého segmetu je vypočtea podle vztahu ( K ) L + p l p l l= () l = log ( ) E, (9) kde p l je hustota rozděleí pravděpodobosti výkou ve spektru segmetu l. Obr. ukazuje, že pro úseky sigálu s výrazou harmoickou spektrálí složkou je etropie ižší ež pro úseky sigálu s převládající šumovou složkou. Vyšší hodoty etropie jsou ovšem patré i a přechodech jak mezi jedotlivými úseky s výrazou ale odlišou spektrálí složkou, tak a hraicích mezi těmito úseky a úsekem s převládající šumovou složkou, což souvisí s distribucí výkou ve spektru příslušého přechodového segmetu do více kmitočtových složek a tím vyšší hodoty etropie tohoto segmetu. Práh pro odděleí hodot idikujících užitečý a šumový sigál, případě i odhad přechodů mezi jedotlivými úseky s převládající složkou užitečého ebo šumového sigálu, by měl být v ideálím případě staove a základě statistické rozhodovací teorie. Jako ejvhodější se
6 jeví eyma-pearsoova metoda, která však vyžaduje apriorí zalost podmíěých hustot rozděleí pravděpodobosti, což je velmi obtížé v podmíkách slepého přístupu v procesu detekce a vyžaduje ověřeí statistických hypotéz. Proto byl zvole jedoduchý a praktický přístup pro staoveí prahu spočívající ve výpočtu středí hodoty z miimálí a maximálí hodoty etropie ze všech segmetů sigálu v kmitočtové oblasti. Simulace a experimetálí ověřeí K experimetálímu ověřeí detekčích metod bylo sestaveo měřicí pracoviště zahrující sigálí geerátor SMJA (Rhode & Schwarz) s vitřím geerátorem aditivího šumu, digitálí přijímač a bázi softwarově defiovaého rádia ICS-55 (GE Fauc Embedded Systems) a PC pro aalýzu v programovém prostředí MATLAB s uživatelskou aplikací pro implemetaci detekčích metod. Vzorek sigálu se čtyřmi dílčími úseky s i, simulující přijímaý sigál bez vlivu šumu v rádiovém kaálu, byl ejprve vygeerová programově v prostředí MATLAB a přes geerátor libovolého časového průběhu výstupího apětí (ARBitrary Waveform Modulatio) ahrá do geerátoru SMJA. K tomuto sigálu byl poté v bloku AWG přičte bílý gaussovský šum s proměým poměrem osá-šum C/ (Caier/oise Ratio) a se šířkou pásma odpovídající vstupí šířce pásma kaálu přijímače ICS-55, který byl astavem a B MF =,5 MHz. Teto přijímač pracoval v jedokaálovém režimu v úzkopásmovém módu (aowbad) pro zpracováí vstupího sigálu a mezifrekvečím kmitočtu f MF =, MHz, přičemž pro převod sigálu do základího pásma a jeho ásledé zpracováí v MATLABu byl využit jede ze čtyř číslicových směšovačů (DDC Digital DowCovertor) itegrovaých v přijímači. Celkově byly geerováy testovací sigály se vstupím SR od db do db s rozestupem db. Pro každou detekčí metodu byl a základě diskrétí Fourierovy trasformace počítá odstup sigál-šum detekovaé harmoické složky jako rozdíl mezi amplitudou této spektrálí složky a průměrou hodotou amplitud spektra šumového sigálu bez přítomosti složky užitečého sigálu. Teto postup využívá platosti pricipu superpozice pro sigál a vstupu přijímače, přičemž šumový sigál byl geerová a zpracová přijímačem pro odhad úrově pozadí šumu samostatou cestou. V ásledující tabulce Tab.. jsou uvedey hodoty takto defiovaého poměru sigál-šum detekovaé harmoické složky po aplikaci přizpůsobeého filtru, autokorelačí fukce. Pro porováí je uvedea i hodota vypočteá přímo z DFT vstupího sigálu. Poměr sigál-šum detekovaé harmoické složky úseku SR vstupího sigálu Detekčí metoda (úseky s, s, s ) [db] Přizpůsobeý filtr Autokorelace DFT 76,3 5,3 5,3 5 7,99 5,,9 6,9 9,5,76 5 6, 8,98,55 56,5 5,96 3,9 5 5,3,,,3 36,98 8,5 s [db] Tab.. Vypočteé hodoty odstupu sigál-šum amplitudy detekovaé harmoické složky úseku s po zpracováí přijímaého sigálu v digitálím přijímači ICS-55 směšováím do základího pásma, aplikace příslušé detekčí metody a výpočtu DFT v prostředí MATLAB. 5 Závěr Příspěvek podává úvodí áhled a aplikaci metod využívajících přizpůsobeý filtr, autokorelaci a výpočet etropie ze spektrogramu aalyzovaého sigálu pro detekci harmoické složky ve směsi užitečého a šumového sigálu v systému harmoického radaru s úzkopásmovou odezvou. ejlepších výsledků je dle očekáváí dosažeo přizpůsobeým filtrem, který umožňuje při detekci dosáhout maximálího výstupího poměru sigál-šum. Výhodou aplikace přizpůsobeého filtru a korelačích metod je možost jejich efektivího výpočtu jak v časové, tak především v kmitočtové oblasti (a základě kovolučího teorému). avazující aalýza uvedeých detekčích
7 metod bude vyžadovat staoveí statistických charakteristik pro testováí statistických hypotéz, které bude uté zkoumat v podmíkách přeosu sigálu zehodoceým ejeom aditivím šumem AWG, ale také specifickými typy šumových a rušicích sigálů vyskytujících se v systému harmoického radaru (apř. iterferečí složkou pozemího závoje). Literatura [] PAVLIK, R., HERTL, I., POLACEK, V., STRYCEK, M.: A Experimetal Ivestigatio ito the Advaced Harmoic Radar Detectio System, I proceedigs from IRS 9 Iteratioal Radar Symposium, TUHH, Hamburg, 9 September 9. [] KOZUMPLÍK, J., KOLÁŘ, R., JA, J.: Číslicové zpracováí sigálů v prostředí MATLAB, VUT v Brě, Bro,, ISB [3] PROAKIS, J. G.: Digital Commuicatios, Third Editio, McGraw-Hill, Ic., ew York, 995, ISB [] : ICS-55 Matlab Applicatio, User s Maual, First Editio, Software Referece Maual, Documet umber: E, GE Fauc Itelliget Platforms Ltd., Ottawa, 9. Ig. Radomír Pavlík, Ph.D. VOP-6 Šterberk, s.p., divize VTÚO Bro Odbor Elektroický boj a maskováí P.O. Box Bro pavlik@vtuo.cz Tel.: Fax: Ig. Vladimír Poláček VOP-6 Šterberk, s.p., divize VTÚO Bro Odbor Elektroický boj a maskováí P.O. Box Bro polacek@vtuo.cz Tel.: Fax: 53 56
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
VíceAnalýza a zpracování signálů. 4. Diskrétní systémy,výpočet impulsní odezvy, konvoluce, korelace
Aalýza a zpracováí sigálů 4. Diskrétí systémy,výpočet impulsí odezvy, kovoluce, korelace Diskrétí systémy Diskrétí sytém - zpracovává časově diskrétí vstupí sigál ] a produkuje časově diskrétí výstupí
Víceje vstupní kvantovaný signál. Průběh kvantizační chyby e { x ( t )}
ČÍSLICOVÉ ZPRACOVÁNÍ ZVUKOVÝCH SIGNÁLŮ Z HLEDISKA PSYCHOAKUSTIKY Fratišek Kadlec ČVUT, fakulta elektrotechická, katedra radioelektroiky, Techická 2, 66 27 Praha 6 Úvod Při číslicovém zpracováí zvukových
VíceIAJCE 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
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
Více3. 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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY (ČASOVÉ ŘADY)
SIGNÁLY A LINEÁRNÍ SYSTÉMY (ČASOVÉ ŘADY) prof. Ig. Jiří Holčík, CSc. holcik@iba.mui.cz, Kameice 3, 4. patro, dv.č.424 INVESTICE Istitut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. FREKVENČNÍ TRASFORMACE
VíceDeskriptivní 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
VíceSekvenční 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
VíceOdhady 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
VíceAnalýza 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
VíceP2: 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
VíceFourierova transformace ve zpracování obrazů
Fourierova trasformace ve zpracováí obrazů Jea Baptiste Joseph Fourier 768-83 6. předáška předmětu Zpracováí obrazů Martia Mudrová 24 Motivace Proč používat Fourierovu trasformaci? základí matematický
Více2 STEJNORODOST BETONU KONSTRUKCE
STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů
Více3. Sekvenční obvody. b) Minimalizujte budící funkce pomocí Karnaughovy mapy
3.1 Zadáí: 3. Sekvečí obvody 1. Navrhěte a realizujte obvod geerující zadaou sekveci. Postupujte ásledově: a) Vytvořte vývojovou tabulku pro zadaou sekveci b) Miimalizujte budící fukce pomocí Karaughovy
VíceMetodický postup pro určení úspor primární energie
Metodický postup pro určeí úspor primárí eergie Parí protitlaká turbía ORGRZ, a.s., DIVIZ PLNÉ CHNIKY A CHMI HUDCOVA 76, 657 97 BRNO, POŠ. PŘIHR. 97, BRNO 2 z.č. Obsah abulka hodot vstupujících do výpočtu...3
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceZákladní 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
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
VíceLineární a adaptivní zpracování dat. 8. Modely časových řad I.
Lieárí a adaptiví zpracováí dat 8. Modely časových řad I. Daiel Schwarz Ivestice do rozvoje vzděláváí Cíl, motivace Popis a idetifikace systémů BLACK BOX Cíl, motivace Popis a idetifikace systémů BLACK
Více1. Základy měření neelektrických veličin
. Základy měřeí eelektrických veliči.. Měřicí řetězec Měřicí řetězec (měřicí soustava) je soubor měřicích čleů (jedotek) účelě uspořádaých tak, aby bylo ožě split požadovaý úkol měřeí, tj. získat iformaci
Víceveličiny 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
Více6 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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Více1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE
1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
VíceAnalýza 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!!!! : sigál eí defiová mezi dvěma ásledujícími vzorky a eí tam
Více23. Mechanické vlnění
3. Mechaické vlěí Mechaické vlěí je děj, při kterém částice pružého prostředí kmitají kolem svých rovovážých poloh a teto kmitavý pohyb se přeáší (postupuje) od jedé částice k druhé vlěí může vzikout pouze
Více2 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
VíceUPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ
3..- 4.. 2009 DIVYP Bro, s.r.o., Filipova, 635 00 Bro, http://www.divypbro.cz UPLATNĚNÍ ZKOUŠEK PŘI PROHLÍDKÁCH MOSTŮ autoři: prof. Ig. Mila Holický, PhD., DrSc., Ig. Karel Jug, Ph.D., doc. Ig. Jaa Marková,
Více1.3. 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
Více1 Uzavřená Gaussova rovina a její topologie
1 Uzavřeá Gaussova rovia a její topologie Podobě jako reálá čísla rozšiřujeme o dva body a, rozšiřujeme také možiu komplexích čísel. Nepřidáváme však dva body ýbrž je jede. Te budeme začit a budeme ho
VíceMATICOVÉ 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
Více12. 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
Více1 ROVNOMĚRNOST BETONU KONSTRUKCE
ROVNOMĚRNOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí rovoměrosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů
Více2.4. 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:
VíceMatematika 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
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VíceModelování jednostupňové extrakce. Grygar Vojtěch
Modelováí jedostupňové extrakce Grygar Vojtěch Soutěží práce 009 UTB ve Zlíě, Fakulta aplikovaé iformatiky, 009 OBSAH ÚVOD...3 1 MODELOVÁNÍ PRACÍCH PROCESŮ...4 1.1 TERMODYNAMIKA PRACÍHO PROCESU...4 1.
VíceREGRESNÍ DIAGNOSTIKA. Regresní diagnostika
4.11.011 REGRESNÍ DIAGNOSTIKA Chemometrie I, David MILDE Regresí diagostika Obsahuje postupy k posouzeí: kvality dat pro regresí model (přítomost vlivých bodů), kvality modelu pro daá data, splěí předpokladů
VíceSTATISTIKA. 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,
VíceTento materiál vznikl díky Operačnímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254
Evropský sociálí fod Praha & EU: Ivestujeme do vaší budoucosti Teto materiál vzikl díky Operačímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254 Maažerské kvatitativí metody II - předáška č.1 - Dyamické
VíceČíslicové 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
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobýváí zalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iformatiky Matematicko-fyzikálí fakulta Uiverzity Karlovy v Praze Dobýváí zalostí Pokročilé techiky pro předzpracováí dat Doc. RNDr. Iveta
VíceTECHNICKÝ AUDIT VODÁRENSKÝCH DISTRIBUČNÍCH
ECHNICKÝ AUDI VODÁRENSKÝCH DISRIBUČNÍCH SYSÉMŮ Ig. Ladislav uhovčák, CSc. 1), Ig. omáš Kučera 1), Ig. Miroslav Svoboda 1), Ig. Miroslav Šebesta 2) 1) 2) Vysoké učeí techické v Brě, Fakulta stavebí, Ústav
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceL A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.
VíceU klasifikace podle minimální vzdálenosti je nutno zvolit:
.3. Klasifikace podle miimálí vzdáleosti Tato podkapitola je věováa popisu podstaty klasifikace podle miimálí vzdáleosti, jež úzce souvisí s klasifikací pomocí etaloů klasifikačích tříd. Představíme si
VíceÚloha III.S... limitní
Úloha III.S... limití 10 bodů; průměr 7,81; řešilo 6 studetů a) Zkuste vlastími slovy popsat postup kostrukce itervalových odhadů středí hodoty v případě obecého rozděleí měřeých dat (postačí vlastími
VícePříloha č. 7 Dodatku ke Smlouvě o službách Systém měření kvality Služeb
Příloha č. 7 Dodatku ke Smlouvě o službách Systém měřeí kvality Služeb Dodavatel a Objedatel se dohodli a ahrazeí Přílohy C - Systém měřeí kvality Služeb Obchodích podmíek Smlouvy o službách touto Přílohou
VíceLineární a adaptivní zpracování dat. 9. Modely časových řad II.
Lieárí a adaptiví zpracováí dat 9. Modely časových řad II. Daiel Schwarz Ivestice do rozvoje vzděláváí Opakováí K čemu je dobré vytvářet modely procesů geerující časové řady? Dekompozice časový řad: jaké
VíceObsah. skentest. 1. Úvod. 2. Metoda výpočtu Základní pojmy
Obsah sketest 1. ÚVOD... 1 2. METODA VÝPOČTU... 1 2.1. ZÁKLADNÍ POJMY... 1 2.2. SOUŘADNICOVÉ SYSTÉMY... 2 2.3. PŘÍPRAVEK... 3 2.4. POSTUP VÝPOČTU... 4 3. PROGRAM SKENTEST... 5 3.1. VSTUPNÍ SOUBOR... 5
Více1.1. Definice Reálným vektorovým prostorem nazýváme množinu V, pro jejíž prvky jsou definovány operace sčítání + :V V V a násobení skalárem : R V V
Předáška 1: Vektorové prostory Vektorový prostor Pro abstraktí defiici vektorového prostoru jsou podstaté vlastosti dvou operací, sčítáí vektorů a ásobeí vektoru (reálým číslem) Tyto dvě operace musí být
VíceOptické vlastnosti atmosféry, rekonstrukce optického signálu degradovaného průchodem atmosférou
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Optické vlastosti atmosféry, rekostrukce optického sigálu degradovaého průchodem atmosférou Učebí texty k semiáři Autor: Dr. Ig. Zdeěk Řehoř UO Bro) Datum: 22. 10. 2010
VíceDERIVACE 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(Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applications)
Základy datové aalýzy, modelového vývojářství a statistického učeí (Teorie statistiky a aplikace v programovacím jazyce Visual Basic for Applicatios) Lukáš Pastorek POZOR: Autor upozorňuje, že se jedá
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceTeorie kompenzace jalového induktivního výkonu
Teorie kompezace jalového iduktivího výkou. Úvod Prvky rozvodé soustavy (zdroje, vedeí, trasformátory, spotřebiče, spíací a jistící kompoety) jsou obecě vzato impedace a jejich áhradí schéma můžeme sestavit
Více13 Popisná statistika
13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický
Více9. Měření závislostí ve statistice Pevná a volná závislost
Dráha [m] 9. Měřeí závislostí ve statistice Měřeí závislostí ve statistice se zabývá především zkoumáím vzájemé závislosti statistických zaků vícerozměrých souborů. Závislosti přitom mohou být apříklad
Více6. 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
VíceDiskrétní Fourierova transformace
Disrétí Fourierova trasformace Záladí idea trasformace x Trasformace Zpracováí v časové oblasti Zpracováí v trasform. oblasti x Iverzí Trasformace Spojitá Fourierova trasformace f j πft x t e dt Disrétí
VíceVyhledávání v tabulkách
Vyhledáváí v tabulkách Tabulkou azveme možiu položek idetifikovatelých hodotou přístupového (idetifikačího) klíče (key, ID idetificator). Ve vodorovém směru se jedá o heterogeí pole, tz. že každá položka
Více10.3 GEOMERTICKÝ PRŮMĚR
Středí hodoty, geometrický průměr Aleš Drobík straa 1 10.3 GEOMERTICKÝ PRŮMĚR V matematice se geometrický průměr prostý staoví obdobě jako aritmetický průměr prostý, pouze operace jsou o řád vyšší: místo
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VíceVaR analýza citlivosti, korekce
VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou
VíceAplikace teorie neuronových sítí
Aplikace teorie euroových sítí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iforatiky Mateaticko-fyzikálí fakulta Uiverzity Karlovy v Praze Zpracováí časových vzorů (teporal processig) Stadardí algoritus
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
Více11. přednáška 16. prosince Úvod do komplexní analýzy.
11. předáška 16. prosice 009 Úvod do komplexí aalýzy. Tři závěrečé předášky předmětu Matematická aalýza III (NMAI056) jsou věováy úvodu do komplexí aalýzy. Což je adeseá formulace eboť časový rozsah ám
VíceVzorový 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
VíceČíselné řady. 1 m 1. 1 n a. m=2. n=1
Číselé řady Úvod U řad budeme řešit dva typy úloh: alezeí součtu a kovergeci. Nalezeí součtu (v případě, že řada koverguje) je obecě mohem těžší, elemetárě lze sečíst pouze ěkolik málo typů řad. Součet
VíceFourierova transformace ve zpracování obrazů
Jea Baptiste Joseph Fourier 768-83 Fourierova trasforace ve zpracováí obrazů 6. předáška předětu Zpracováí obrazů Martia Mudrová 24 Motivace Proč používat Fourierovu trasforaci? základí ateatický ástroj
VícePrincip paralelního řazení vkládáním (menší propadává doprava)
ricip paralelího řazeí vkládáím (meší propadává doprava) Týde 0 aralelí řazeí. vkládáím. traspozicí lichý - sudý. bitoické. s pravidelými vzorky. přihrádkové 0,,,,,,,,,, krok aralelí řazeí vkládáím (Isertio
Více1 Základní pojmy a vlastnosti
Základí pojmy a vlastosti DEFINICE (Trigoometrický polyom a řada). Fukce k = (a cos(x) + b si(x)) se azývá trigoometrický polyom. Řada = (a cos(x) + b si(x)) se azývá trigoometrická řada. TVRZENÍ (Ortogoalita).
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr 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 realizací
VíceMateriály k X33KUI, ČVUT, FEL, Vytvořeno dne 11/5/2006 7:07 PM. Seminární cvičení 2. Kódování a přenos informace
Materiály k X33KUI, ČVUT, FEL, Vytvořeo de /5/6 7:7 M Semiárí cvičeí Kódováí a přeos iformace Osova cvičeí k čemu se má dojít??? Motivace úvodí příklad - holub Základí pojmy Zpráva Symbol Abeceda - jakákoliv
VíceMatematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
Více8.2.1 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
Více1. Definice elektrického pohonu 1.1 Specifikace pohonu podle typu poháněného pracovního stroje 1.1.1 Rychlost pracovního mechanismu
1. Defiice elektrického pohou Pod pojmem elektrický poho rozumíme soubor elektromechaických vazeb a vztahů mezi pracovím mechaismem a elektromechaickou soustavou. Mezi základí tři části elektrického pohou
VíceIterační výpočty projekt č. 2
Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
VíceParametr populace (populační charakteristika) je číselná charakteristika sledované vlastnosti
1 Základí statistické zpracováí dat 1.1 Základí pojmy Populace (základí soubor) je soubor objektů (statistických jedotek), který je vymeze jejich výčtem ebo charakterizací jejich vlastostí, může být proto
VíceStatistika pro metrologii
Statistika pro metrologii T. Rössler Teto projekt je spolufiacová Evropským sociálím fodem a státím rozpočtem České republiky v rámci projektu Vzděláváí výzkumých pracovíků v Regioálím cetru pokročilých
VíceVLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ
Vlastosti úloh celočíselého programováí VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ PRINCIP ZESILOVÁNÍ NEROVNOSTÍ A ZÁKLADNÍ METODY. METODA VĚTVENÍ A HRANIC. TYPY ÚLOH 1. Úloha lieárího programováí: max{c
VíceANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU
ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU A.Mikš, J.Novák, P. Novák katedra fyziky, Fakulta stavebí ČVUT v Praze Abstrakt Práce se zabývá aalýzou vlivu velikosti umerické
VíceTéma: 11) Dynamika stavebních konstrukcí
Počítačová podpora statických výpočtů Téma: ) Dyamika stavebích kostrukcí Katedra stavebí mechaiky Fakulta stavebí, VŠB V Techická uiverzita Ostrava Rozděleí mechaiky Statika Zabývá se problematikou působeí
VíceMĚŘENÍ PARAMETRŮ OSVĚTLOVACÍCH SOUSTAV VEŘEJNÉHO OSVĚTLENÍ NAPÁJENÝCH Z REGULÁTORU E15
VŠB - T Ostrava, FE MĚŘENÍ PARAMETRŮ OVĚTLOVACÍCH OTAV VEŘEJNÉHO OVĚTLENÍ NAPÁJENÝCH Z REGLÁTOR E5 Řešitelé: g. taislav Mišák, Ph.D., Prof. g. Karel okaský, Cc. V Ostravě de.8.2007 g. taislav Mišák, Prof.
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ ÚZKOPÁSMOVÉ FILTRY PRO SIGNÁLY EKG FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV RADIOELEKTRONIKY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV RADIOELEKTRONIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceKatedra pravděpodobnosti a matematické statistiky. χ 2 test nezávislosti
Katedra pravděpodobosti a matematické statistiky Oborový semiář χ 2 test ezávislosti Petr Míchal 27 listopadu 2017 Situace 2 X {1,, I}, Y {1,, J} Jsou X a Y ezávislé? K dispozici máme áhodý vyběr (X 1,
VícePRAVDĚPODOBNOSTNÍ POSUDEK SPOLEHLIVOSTI KOTEVNÍ
PRAVDĚPODOBNOSTNÍ POSUDEK SPOLEHLIVOSTI KOTEVNÍ VÝZTUŽE DLOUHÝCH DŮLNÍCH A PODZEMNÍCH DĚL PROBABILISTIC RELIABILITY ASSESSMENT OF ANCHORING REINFORCEMENT IN MINE EXCAVATIONS AND UNDERGROUND WORKINGS Petr
VíceSTUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6
Středoškolská techika 00 Setkáí a prezetace prací středoškolských studetů a ČVUT STUDIUM MAXWELLOVA ZÁKONA ROZDĚLENÍ RYCHLSOTÍ MOLEKUL POMOCÍ DERIVE 6 Pavel Husa Gymázium Jiřího z Poděbrad Studetská 66/II
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
VíceGRADIENTNÍ OPTICKÉ PRVKY Gradient Index Optical Components
Nové metody a postupy v oblasti přístrojové techiky, automatického řízeí a iformatiky Ústav přístrojové a řídicí techiky ČVUT v Praze, odbor přesé mechaiky a optiky Techická 4, 66 7 Praha 6 GRADIENTNÍ
Více4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ
4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu
VícePopisná statistika. Zdeněk Janák 9. prosince 2007
Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46
Více