Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
|
|
- Anna Svobodová
- před 5 lety
- Počet zobrazení:
Transkript
1 Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály
2 Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam ai ulový). Sigál (posloupost vzorků) může být defiová : jako fukce, apř. [ 4 3 jako tabulka hodot v ostatích případech jakoposloupost [{,,,,, 4,,, } jakoposloupost koečédélky [{3,-, -, 5,, 4,, -}
3 Charakteristiky sigálu: Diskrétí součet Absolutí součet S [ D S [ A Kumulativí součet C [ S [ k k Eergie pro eperiodické sigály je defiováa jako součet okamžitých výkoů pro periodické sigály je eergie ekoečá a eposkytuje žádou užitečou iformaci počítají se průměré hodoty v rámci jedé periody E [ p[
4 Průměrá hodota periodického sigálu av N m N [ m Průměrý výko periodického sigálu P N m N [ m U eperiodických sigálů lze av a Puvažovat jako limití případy: P lim L L L + Sigály s koečou eergií eergetické sigály av lim L + Sigály s koečým průměrým výkoem výkoové sigály U eergie a výkou se při zpracováí diskrétích sigálů obvykle eudávají jedotky [watt a [joule, protože často zpracováváme pouze řadu čísel bezrozměrých) L m L L m L [ m [ m
5 Příklady k procvičeí:. Uvažujme sigál [{,,,,4}. Jaká je eergie [?. Uvažujme sigál [{,,,,,4,,,,,4,,,,,4,,, }.Určete průměrý výko.
6 Základí diskrétí sigály Jedotkový impuls Vlastosti impulsu : [ δ [ [ [ [ [ k k k k δ δ Filtračí vlastosti impulsu (siftig property) Diskrétísigál může být reprezetová jako součet posuutých impulsů vážeých hodotou [k. Toho se využívá při určeí odezvy LTI systému, pokud záme impulsí charakteristiku k k [ [ [ δ impuls propouští pouze hodotu v k k k k [ [ [ δ
7 Jedotkový skok [ [ [ k u u k < δ Lieárí fukce (ramp) [ [ [ [ k k r u r k < δ
8 Diskrétí pulzí sigály Obdélíkový pulz : ostatí pro N N rect Trojúheíkovýpulz : ostatí pro N N N tri
9 Diskrétí fukce sic: π si N si c sic() N π N fukcesic(/n) je rová ule v kn, kde k±, ±, ±3 Obálka fukce sicmá hlaví lalok a klesající postraí laloky. Diskrétí epoeciála: [ α u[ Pro reálou hodotu αepoeciála buď roste ( α>) eboklesá ( α<). Pro kompleí α re jθ [ r [cos(θ) + jsi(θ)u[
10 Diskrétí siusoida Vzikevzorkováímaalogové siusoidy (t)cos(πf t) v okamžicícht S. Vzorkovací frekvece S/t S f s π S [ cos( π f t + Θ) cos(π + Θ) cos( F + Θ) eboobecákompleí siusoida [ jπ F +Θ e cos( π F + Θ) + jsi( π F + Θ) f aalogová frekvece [Hz ω πf -úhlová frekvece [rad F ormalizovaá frekvece Ff/S - tzv číslicová frekvece [cykly/vzorek Ω číslicová úhlová frekvece Ω πf [rad/vzorek
11
12 Aalogová siusoida (t)cos(πf +Θ) má dvě výzamé vlastosti: je periodická v čase pro každou frekveci f je jedozačě určeá svojí frekvecí!!! POZOR!!! Diskrétí siusoidy tyto vlastosti obecě emusí splňovat. Periodicita: [+M [ cos(πf +Θ) cos(π(+n)f +Θ) cos(πf +Θ+πNF ) jsouekvivaletí, pouze pokud je NF rovo celému číslu k F musí být rovo k/n Diskrétísiusoida je periodická pouze tehdy, když je její číslicová frekvece racioálím zlomkem, tj. lze ji vyjádřit jako poměr dvou celých čísel.
13 Neperiodická siusoida Periodická siusoida
14 Uvažujme [cos(πf +Θ) a přidejmecelé číslo mk F [cos(π(f +m)+θ) [cos(πf +Θ+ πm) [ diskrétísiusoidy jsou idetické pro frekvece F + m spektrum diskrétí siusoidy je periodické elze od sebe odlišit vzorky siusoid s frekvecemi F ±m Pro diskrétí siusoidy a harmoické sigály se zavádí tzv. cetrálí perioda (základí rozsah) -.5 F.5 Diskrétí siusoidy mohou být jedozačě idetifikováy pouze pokud mají frekveci v základím rozsahu. Siusoida s frekvecí F větší ež základí rozsah může být reprezetováa jako F a F -M (F a je tzv. alias frekvece).
15 Základí operace se sigály Posu sigálu Otočeí sigálu Decimace Iterpolace Posu sigálu: sigál [ můžebýt posuut (v čase) záměou ezávisle proměé za -k, kde k je celé číslo. k> zpožděí sigálu o k časových jedotek(posu sigálu doprava) k< předsuutí sigálu o k jedotek doleva. Je- li sigál ulože a disku (off-lie zpracováí) jsou možé oba posuy, pro realtimezpracováí, eí možý posu doleva. Při posuu sigálu se posouvá počátek sigálu do hodoty : N ± k
16 Otočeí sigálu : y[[- reprezetuječasověotočeouverzi[( zrcadlový obraz [) okolo počátku. Otočeí sigálu :y[[- reprezetuječasověotočeouverzi[ ( zrcadlový obraz [ ) okolo počátku. Sigál y[ [--k lze získat způsoby: a) [ zpožděí(posu do prava) o kvzorků [-k otočeí [--k b) [ otočeí[- předsuutí (posu doleva) o k vzorků [--k Decimace sigálu [ [ N y -proces který redukuje délku sigálu (zmešuje délku) odstraěím určitých vzorků. Obecě decimace faktorem N zameá, že zvolíme každý N-tývzorek původího sigálu výsledý sigál je N-krát kratší
17 Iterpolace sigálu proces ve kterém prodlužujeme sigál přidáím dalších vzorků. Pro N-ásobou iterpolaci dostáváme N-krát delší sigál (bereme vzorky v N-krát kratším úseku). Pokud záme aalogový sigál (z ěhož vzikul diskrétí sigál y[), ebo umíme vyjádřit y[, pak eí určeí iterpolace problém. Pokud ezáme aalytickou podobu sigálu je uté doplit vzorky: zeroiterpolatio -hodoty přidaých vzorků jsou ulové, tato operace se ozačuje jako up-samplig y [ ( N ) /, ± N, ± N, K step iterpolatio - hodoty přidaých vzorků jsou shodé s předchozí hodotou lieariterpolatio -hodoty přidaých vzorků vytváří lieárí fukci s okolími vzorky iterpolace faktorem N se ozačuje [/N!!! POZOR!! a pořadí prováděých operací decimace a iterpolace emusí to být iverzí operace (viz příklad).
18 Neceločíselé zpožděí (fractioaldelays) v ěkterých praktických případech se požaduje eceločíselé zpožděí (apř. o poloviu vzorku), které lze implemetovat operacemi decimace a iterpolace. M N Př. Chceme vytvořit sigál y [ M N Iterpolace faktorem N [/N Zpožděí o M vzorků [(-M)/N [(-M)/N decimace faktorem N [(N-M)/N
19 Symetrie sigálu Symetrie (sudá symetrie): [ [- Atisymetrie(lichá symetrie): [ -[-
20 Symetrie a atisymetriese vzájemě vylučují. Pokud je sigál vytvoře jako součet symetrickéhoia atisymetrického sigálu, tak výsledý sigál eí ai symetrický, ai atisymetrický. Libovolý esymetrický sigál může být vytvoře jako součet symetrického a atisymetrického sigálu. [ e [ + o [ e [.5[ +.5[- o [.5[ -.5[- + Pokudje sigál[: symetrický - o je ulové atisymetrický - e je ulové
21 Příklady k procvičeí:. Pro sigál [{,3,4,5,6,7} (červeá hodota začí okamžik )určete: a) y[[-3 b) f[ [+ c) g[ [- d) h[ [-+ e) s[ [--. Sigál [{4, -, 4, -6, } dekompoujte a součet symetrického a atisymetrického sigálu 3. Pro sigál [{,,5,-} vytvořte [ a růzé verze iterpolovaého sigálu [/3 4. Pro sigál [{3,4,5,6} určete : (použijte step iterpolaci) a) g[[- a h[[.5- b) y[[/3 5. Pro sigál [{,4,6,8} určete y[[-.5. (Použijte lieárí iterpolaci.)
22 Úvod do áhodých sigálů determiistické sigály (predikovatelé) každá realizace eperimetu (měřeí za stejých podmíek) dává stejé hodoty (stejý sigál) áhodé sigály stejý eperimet dává rozdílé výsledky, opakováím eperimetu dostáváme řadu realizací (sigálů) -tzv. áhodý proces X(t). Výsledek eperimetu lze popsat pravděpodobostě( pravděpodobostí Pr(A) <, >. K úplému popisu áhodého procesu musíme:. Zát rozsah hodot áhodé proměé (může být koečý i ekoečý).. Určit pravděpodobosti s jakými se vyskytují jedotlivé hodoty tzv. distribučí fukci F() <, >. F ( ) Pr( < ) df( ) f ( ) d Pr( ) F( f ( ) F( ) d( ) )
23 Charakteristiky áhodých sigálů Středí hodota (očekávaá hodota): Kvadrát středí hodoty: Momety: -týmomet: E ( ) m f ( ) d m E ( ) f ( ) d f ( ) d Cetrálí momety: µ ( m ) f ( ) d μ -rozptyl : δ ( m ) ( m ) f ( ) d E( ) m ( f ( ) d m E Rozptyl δ určuje podíl střídavé složky sigálu, odmocia rozptylu je tzv. směrodatá odchylka δ -určuje míru ejistoty měřeí sigálu.
24 Pro periodické sigály s periodou T lze rozptyl určit jako: ) ( ) ( T T dt t T dt t T δ celkový výko sigálu výko stejosměré složky Rozptyl ěkterých periodických sigálů: Siusoida: Pilovitý průběh Obdélík: ) cos( ) ( A T t A t + Θ δ π T t T t A t T t T t A t.5.5 ) ( ) ( A δ T t t T t A t < <.5 ) (.5 ) ( 4 A δ
25 Pravděpodobostí rozložeí Rovoměré rozložeí: každá z hodot je stejě pravděpodobá f() je pravoúhlý impuls s jedotkovou plochou defiovaý jako: pro ostatí f ) ( β α α β α +β středí hodota rozptyl: distribučí fukce: ) ( ).5( α β δ β α + b b a a b a F > < ) ( ) ( α
26 Gausovo(ormálí rozložeí): vrchol pro m, sudá symetrie okolo vrcholu m ifleí body v m ±δ f ( ) ( m ep πδ δ ) Vlastosti:. Pokud má ormálí rozložeí a+b, a> má také ormálí rozložeí. Součet sigálů s ormálím rozložeím má také ormálí rozložeí, středí hodota součtuje rová součtu středích hodot dílčích rozložeí, rozptylje rove součtu rozptylů. 3. Poměr (-m ) a δ je pro ormálírozložeí je u ormálího rozložeí lze pracovat s (-m ) místo s δ π 4. Všechy momety vyšších řádů lze pro Gaussovskouproměou určit pouze a základě zalosti prvích dvou mometů. pro liché jsou -té momety ulové pro sudé k je -týcetrálí momet: (k)! k k!
27 Gausovskádistribučí fukce: F( ) ( λ m ) ep δ πδ dλ Stadardí Gausovské rozložeí: středí hodota ulová, rozptyl rove jedé P( ) λ e π dλ Chybová fukce: erf ( ) e λ π d Gausovskou distribučí fukci lze vyjádřit chybovou fukcí: F( ) m P δ erf δ m
28 Pravděpodobost, že leží mezi a lze vyjádřit erffukcí. P m m [ F( ) F( ).5erf erf δ δ
29 Q-fukce: pravděpodobost toho, že áhodá proměá s ormálím rozložeím abývá hodoty > Q( ) λ P( ) e π dλ Q fukci lze vyjádřit chybovou fukcí: Q( ).5.5erf ( ) Pravděpodobost, že leží mezi a lze vyjádřit erffukcí. m δ δ m [ Q Q P
30 Cetrálí limití věta: Součet velkéhopmožství áhodých sigálů s libovolým rozložeím (ale stejým), koečým průměrem (středí hodotou), koverguje k ormálímu rozložeí (má asymptoticky ormálí rozložeí). Věta platí i pro diskrétí áhodé proměé. s i i, >> f ( s) πσ ep ( s m ) σ, >>
31 Náhodé sigály: Stacioárí - pravděpodobostí popis sigálu ezávisí a počátku časové osy Ergodický sigál -áhodý sigál, jehož určitá časová charakteristika má ulový rozptyl (je ergodický vůči této charakteristice) Striktě ergodický stacioárí a ergodický Pseudoáhodý sigál - eí úplě áhodý, je to uměle geerovaý sigál s defiovaým statistickým rozděleím pravděpodobosti. Pseudoáhodý sigál je periodický s velmi dlouhou periodou. V rámci periody splňuje požadovaé vlastosti. Aalýza áhodých sigálů: v prai obvykle ezáme statistický popis áhodé proměé -můžeme staovit odhad parametrů a aměřeých hodot sigálu k, k,,, N. m N N N k, σ k N k ( k m )
32 Poměr sigál šum: Pro zašuměý sigál (t)s(t)+a(t), kdes(t) je užitečýsigál, A(t) je šum (s amplitudou A), lze určit hodotu SNR (sigal-to-oiseratio) jako poměr výkou sigálu σ k výkou šumu A σ udávaý v decibelech (db) SNR log σ s A σ db Zlepšit SNR je obvykle možé metopdou tzv. koheretího průměrováí sigálů.
Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigál eí defiová mezi dvěma ásledujícími vzorky a eí tam
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
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
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 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
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
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,
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
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
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
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
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
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
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
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
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
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
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
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
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
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
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
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
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
Více[ jednotky ] Chyby měření
Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá
Více6. FUNKCE A POSLOUPNOSTI
6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat
Vícen=1 ( Re an ) 2 + ( Im a n ) 2 = 0 Im a n = Im a a n definujeme předpisem: n=1 N a n = a 1 + a 2 +... + a N. n=1
[M2-P9] KAPITOLA 5: Číselé řady Ozačeí: R, + } = R ( = R) C } = C rozšířeá komplexí rovia ( evlastí hodota, číslo, bod) Vsuvka: defiujeme pro a C: a ± =, a = (je pro a 0), edefiujeme: 0,, ± a Poslouposti
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
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
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
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
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
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
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
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
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
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
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,
VícePevnost a životnost - Hru III 1. PEVNOST a ŽIVOTNOST. Hru III. Milan Růžička, Josef Jurenka, Zbyněk Hrubý.
evost a životost - Hr III EVNOT a ŽIVOTNOT Hr III Mila Růžička, Josef Jreka, Zbyěk Hrbý zbyek.hrby@fs.cvt.cz evost a životost - Hr III tatistické metody vyhodocováí dat evost a životost - Hr III 3 tatistické
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
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,
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
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
Víceje číselná posloupnost. Pro všechna n položme s n = ak. Posloupnost
Číselé řady Defiice (Posloupost částečých součtů číselé řady). Nechť (a ) =1 je číselá posloupost. Pro všecha položme s = ak. Posloupost ( s ) azýváme posloupost částečých součtů řady. Defiice (Součet
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
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
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
Více4. 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
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
VíceAplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus
Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová
VíceStatistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc
Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VícePetr Šedivý Šedivá matematika
LIMITA POSLOUPNOSTI Úvod: Kapitola, kde poprvé arazíme a ekoečo. Argumety posloupostí rostou ade všechy meze a zkoumáme, jak vypadají hodoty poslouposti. V kapitole se sezámíte se základími typy it a početími
VíceZnegujte následující výroky a rozhodněte, jestli platí výrok, nebo jeho negace:
. cvičeí Příklady a matematickou idukci Dokažte:.! . Návody:. + +. + i i i i + + 4. + + + + + + + + Operace s možiami.
VícePřijímací řízení akademický rok 2013/2014 Bc. studium Kompletní znění testových otázek matematika
Přijímací řízeí akademický rok 0/0 c. studium Kompletí zěí testových otázek matematika Koš Zěí otázky Odpověď a) Odpověď b) Odpověď c) Odpověď d) Správá. Které číslo doplíte místo 8? 6 6 8 C. Které číslo
VíceTento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i
: ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru
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
VícePřijímací řízení akademický rok 2012/2013 Kompletní znění testových otázek matematické myšlení
Přijímací řízeí akademický rok 0/0 Kompletí zěí testových otázek matematické myšleí Koš Zěí otázky Odpověď a) Odpověď b) Odpověď c) Odpověď d) Správá odpověď. Které číslo doplíte místo otazíku? 6 8 8 6?.
VícePřijímací řízení akademický rok 2013/2014 NavMg. studium Kompletní znění testových otázek matematika a statistika
Přijímcí řízeí kdemický rok /4 NvMg studium Kompletí zěí testových otázek mtemtik sttistik Koš Zěí otázky Odpověď ) Odpověď b) Odpověď c) Odpověď d) Správá odpověď efiičí obor fukce defiové předpisem f
VíceČíselné charakteristiky náhodných veličin
Číselé charakteristiky áhodých veliči Motivace Doposud jsme pozali fukcioálí charakteristiky áhodých veliči (apř. distribučí fukce, pravděpodobostí fukce, hustota pravděpodobosti), které plě popisují pravděpodobostí
Vícemnožina všech reálných čísel
/6 FUNKCE Základí pojmy: Fukce sudá a lichá, Iverzí fukce Nepřímá úměrost, Mociá fukce, Epoeciálí fukce a rovice Logaritmus, logaritmická fukce a rovice Opakováí: Defiice fukce, graf fukce Defiičí obor,
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
VíceDIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ. 1) Pojem funkce, graf funkce
DIFERENCIÁLNÍ POČET FUNKCE JEDNÉ PROMĚNNÉ ) Pojem ukce, gra ukce De: Fukcí reálé proměé azýváme pravidlo, které každému reálému číslu D přiřazuje právě jedo reálé číslo y H Toto pravidlo začíme ejčastěji
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
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
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
VíceTeorie odhadů 2 Teorie odhadů... 3 Odhad parametrů... 4
Metody odhadováí parametrů. Metoda mometů. Maximálě věrohodé odhady. Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/exe/fetch.php/courses/a6m33ssl/pms_prit.pdf
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
VícePřednášky část 7 Statistické metody vyhodnocování dat
DŽ ředášky část 7 tatistické metody vyhodocováí dat Mila Růžička mechaika.fs.cvt.cz mila.rzicka@fs.cvt.cz DŽ tatistické metody vyhodocováí dat Jak velké rozptyly lze očekávat mezi dosažeými pevostmi ebo
Vícevají statistické metody v biomedicíně Literatura Statistika v biomedicínsk nském výzkumu a ve zdravotnictví
Statistika v biomedicísk ském výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Literatura Edice Biomedicísk ská statistika vydáva vaá a Uiverzitě
VíceSpolehlivost a diagnostika
Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore
VíceČeské vysoké učení technické v Praze. Fakulta dopravní. Semestrální práce. Statistika
České vysoké učeí techické v Praze Fakulta dopraví Semestrálí práce Statistika Čekáí vlaku ve staicích a trase Klado Ostrovec Praha Masarykovo ádraží Zouzalová Barbora 2 35 Michálek Tomáš 2 35 sk. 2 35
VíceI. TAYLORŮV POLYNOM. Taylorovy řady některých funkcí: Pro x R platí: sin(x) =
Taylorovy řady ěkterých fukcí: I. TAYLORŮV POLYNOM Pro R platí: si) = 2+ = ), cos) = 2 2+)! = ), 2)! e = =.! Pro, : log + ) = = ) Pro, ) a a R: + ) a = a ) =, kde ) a = a a ) a 2) a +).!. Nalezěte Taylorův
VícePosloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b
Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a
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:
VícePružnost a pevnost. 9. přednáška, 11. prosince 2018
Pružost a pevost 9. předáška, 11. prosice 2018 1) Krouceí prutu s kruhovým průřezem 2) Volé krouceí prutu s průřezem a) masivím b) otevřeým tekostěým c) uzavřeým tekostěým 3) Ohybové (vázaé) krouceí Rovoměré
VíceI. Exponenciální funkce Definice: Pro komplexní hodnoty z definujeme exponenciální funkci předpisem. z k k!. ( ) e z = k=0
8. Elemetárí fukce I. Expoeciálí fukce Defiice: Pro komplexí hodoty z defiujeme expoeciálí fukci předpisem ) e z = z k k!. Vlastosti expoeciálí fukce: a) řada ) koverguje absolutě v C; b) pro z = x + jy
VíceÚloha II.S... odhadnutelná
Úloha II.S... odhadutelá 10 bodů; průměr 7,17; řešilo 35 studetů a) Zkuste vlastími slovy popsat, k čemu slouží itervalový odhad středí hodoty v ormálím rozděleí a uveďte jeho fyzikálí iterpretaci (postačí
VíceOVMT Přesnost měření a teorie chyb
Přesost měřeí a teorie chyb Základí pojmy Naměřeé údaje ejsou ikdy absolutě přesé, protože skutečé podmíky pro měřeí se odlišují od ideálích. Při každém měřeí vzikají odchylky od správých hodot chyby.
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
Vícevají statistické metody v biomedicíně
Statistika v biomedicísk ském m výzkumu a ve zdravotictví Prof. RNDr. Jaa Zvárov rová,, DrSc. EuroMISE Cetrum Ústav iformatiky AV ČR R v.v.i. Proč se používaj vají statistické metody v biomedicíě Biomedicísk
Více11.1 Úvod. Definice : [MA1-18:P11.1] definujeme pro a C: nedefinujeme: Posloupnosti komplexních čísel
KAPITOLA : Číselé řdy MA-8:P.] Ozčeí: R {, +} R R C {} C rozšířeá komplexí rovi evlstí hodot, číslo, bod U ε {x C x < ε } pro C, ε > 0 U K {x C x > K } pro K 0 defiujeme pro C: ±, je pro 0, edefiujeme:
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
VíceZhodnocení přesnosti měření
Zhodoceí přesosti měřeí 1. Chyby měřeí Měřeím emůžeme ikdy zjistit skutečou (pravou) hodotu s měřeé veličiy. To je způsobeo edokoalostí metod měřeí, měřicích přístrojů, lidských smyslů i proměých podmíek
VíceMatematika přehled vzorců pro maturanty (zpracoval T. Jánský) Úpravy výrazů. Binomická věta
Matematika přehled vzorců pro maturaty (zpracoval T. Jáský) Úpravy výrazů a r. a s = a r+s a r = ar s as a r s = a r.s a. b r = a r b r a b r = ar b r a. b a b = a b = a. b ( a) m = a m m a m. = a a k.
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
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
VícePRAVDĚPODOBNOST A STATISTIKA
SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje
Více(3n + 1) 3n Příklady pro samostatnou práci
... 4. 5. 6. 0 0 0 a q koverguje pro q < geometrická řada diverguje harmoická řada koverguje srovejte s teleskopickou řadou + + utá podmíka kovergece + 4 + + 7 ití srovávací kritérium, srováí s ití podílové
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.....
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
Více3. ELEMENTÁRNÍ FUNKCE A POSLOUPNOSTI. 3.1 Základní elementární funkce. Nejprve uvedeme základní elementární funkce: KONSTANTNÍ FUNKCE
ELEMENTÁRNÍ FUNKCE A POSLOUPNOSTI Základí elemetárí fukce Nejprve uvedeme základí elemetárí fukce: KONSTANTNÍ FUNKCE Nechť a je reálé číslo Potom kostatí fukcí rozumíme fukce f defiovaou předpisem ( f
Více