Analýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
|
|
- Lukáš Matějka
- 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!!!! : sigál eí defiová mezi dvěma ásledujícími vzorky a eí tam ai ulový. Sigál posloupost vzorků může být defiová : jako fukce, apř. [] 4 0 = 3 = v ostatích případech jako tabulka hodot jako posloupost []= {, 0, 0, 0,, 4,, 0, 0 } jako posloupost koečé délky []= {3, -, -, 5, 0, 4,, - }
3 Charakteristiky sigálu: Diskrétí součet S [ ] D Absolutí součet Kumulativí součet S [ ] A 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 S [ k] C k E [ ] p[ ]
4 Diskrétí sigály: levostraé pravostraé kauzálí atikauzálí periodické opakují se po N vzorcích N je perioda, musí to být vždy celé číslo. []=[kn], pro k=,,3, Perioda N součtu periodických diskrétích sigálů je rova ejmešímu společému ásobku dílčích period.
5 Příklady: a Jaká je perioda ásledujícího sigálu? b Jaká je perioda součtu sigálu g[]=[]+y[]? Jaké jsou hodoty vzorků jedé periody sigálu g[]
6 Průměrá hodota periodického sigálu av N m0 N [ m] Průměrý výko periodického sigálu P N m0 N [ m] U eperiodických sigálů lze av a P uvažovat jako limití případy: P lim L L L ml ml Sigály s koečou eergií eergetické sigály av lim L Sigály s koečým průměrým výkoem výkoové sigály L U eergie a výkou se při zpracováí diskrétích sigálů obvykle eudávají jedotky [watt] a [joule], protože často zpracováváme pouze řadu čísel bezrozměrých L [ m] [ m]
7 Příklady k procvičeí:. Uvažujme sigál []={,,0,0,4}. Jaká je eergie []?. Uvažujme sigál []={,,,0,0,4,,,0,0,4,,,0,0,4,,, }. Určete průměrý výko.
8 Základí diskrétí sigály Jedotkový impuls Vlastosti impulsu : Filtračí vlastosti impulsu siftig property Diskrétí sigál může být reprezetová jako součet posuutých impulsů vážeých hodotou [k]. Toho se využívá při určeí odezvy LTI systému, pokud záme impulsí charakteristiku ] [ ] [ ] [ ] [ ] [ ] [ k k k k k k ] [ ] [ ] [ impuls propouští pouze hodotu v =k k k k ] [ ] [ ] [
9 Jedotkový skok Lieárí fukce ramp ] [ ] [ ] [ 0 k u u k ] [ ] [ ] [ ] [ 0 k k r u r k
10 Diskrétí pulzí sigály Obdélíkový pulz : pro ostatí N N rect 0 Trojúheíkový pulz : pro ostatí N N N tri 0
11 Diskrétí fukce sic: si N si c sic0 = N N fukce sic/n je rová ule v =kn, kde k=±, ±, ±3 Obálka fukce sic má hlaví lalok a klesající postraí laloky. Diskrétí epoeciála: u Pro reálou hodotu α epoeciála buď roste α>0 ebo klesá α<0. Pro kompleí α= re jθ []= r [cosθ + jsiθ]u[]
12 Diskrétí siusoida Vzike vzorkováím aalogové siusoidy t=cosf 0 t v okamžicích t S. Vzorkovací frekvece S=/t S f s S cos f t cos cos F ebo obecá kompleí siusoida j F e cos F jsi F f aalogová frekvece [Hz] = f - úhlová frekvece [rad] F ormalizovaá frekvece F=f/S - tzv číslicová frekvece [cykly/vzorek] číslicová úhlová frekvece = F [rad/vzorek]
13
14 Aalogová siusoida t=cosf 0 + má dvě výzamé vlastosti: je periodická v čase pro každou frekveci f 0 je jedozačě určeá svojí frekvecí!!! POZOR!!! Diskrétí siusoidy tyto vlastosti obecě emusí splňovat. Periodicita: [+M] = [] cosf 0 + = cos+nf 0 + = cosf 0 ++NF 0 jsou ekvivaletí, pouze pokud je NF 0 rovo celému číslu k F 0 musí být rovo k/n Diskrétí siusoida je periodická pouze tehdy, když je její číslicová frekvece racioálím zlomkem, tj. lze ji vyjádřit jako poměr dvou celých čísel. Platí, že jeda perioda vzorkovaé diskrétí siusoidy je získáa z k period aalogového sigálu
15 Neperiodická siusoida Periodická siusoida
16 Uvažujme []= cosf 0 + a přidejme celé číslo m k F 0 []= cosf 0 +m+ = []= cosf m = [] diskrétí siusoidy jsou idetické pro frekvece F 0 + m spektrum diskrétí siusoidy je periodické elze od sebe odlišit vzorky siusoid s frekvecemi F 0 m Pro diskrétí siusoidy a harmoické sigály se zavádí tzv. cetrálí perioda základí rozsah -0.5 F 0.5 Diskrétí siusoidy mohou být jedozačě idetifikováy pouze pokud mají frekveci v základím rozsahu. Siusoida s frekvecí F 0 větší ež základí rozsah může být reprezetováa jako F a =F 0 -M F a je tzv. alias frekvece.
17 Základí operace se sigály Posu sigálu Otočeí sigálu Decimace Iterpolace Posu sigálu: sigál [] může být posuut v čase záměou ezávisle proměé za -k, kde k je celé číslo. k>0 zpožděí sigálu o k časových jedotek posu sigálu doprava k<0 předsuutí sigálu o k jedotek doleva. Je- li sigál ulože a disku off-lie zpracováí jsou možé oba posuy, pro realtime zpracováí, eí možý posu doleva. Při posuu sigálu se posouvá počátek sigálu do hodoty : N k
18 Otočeí sigálu : y[]=[-] reprezetuje časově otočeou verzi [] zrcadlový obraz [] okolo počátku. Otočeí sigálu : y[]=[-] reprezetuje časově otočeou verzi [] zrcadlový obraz [] okolo počátku. Sigál y[] = [--k] lze získat způsoby: a [] zpožděí posu do prava o k vzorků [-k] otočeí [--k] b [] otočeí [-] předsuutí posu doleva o k vzorků [--k] Decimace sigálu - proces který redukuje délku sigálu zmešuje délku odstraěím určitých vzorků. Obecě decimace faktorem N zameá, že zvolíme každý N-tý vzorek původího sigálu výsledý sigál je N-krát kratší y N
19 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: zero iterpolatio - hodoty přidaých vzorků jsou ulové, tato operace se ozačuje jako up-samplig y / N 0, N, N, 0 step iterpolatio - hodoty přidaých vzorků jsou shodé s předchozí hodotou liear iterpolatio - 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.
20 Neceločíselé zpožděí fractioal delays 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]
21 Symetrie sigálu Symetrie sudá symetrie: [] = [-] Atisymetrie lichá symetrie: [] = -[-]
22 Symetrie a atisymetrie se vzájemě vylučují. Pokud je sigál vytvoře jako součet symetrickéhoi a 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 [] = 0.5[] + 0.5[-] o [] = 0.5[] - 0.5[-] = + Pokud je sigál []: symetrický atisymetrický - o je ulové - e je ulové
23 Příklady k procvičeí:. Pro sigál []={,3,4,5,6,7} červeá hodota začí okamžik =0 určete: a y[]=[-3] b f[] = [+] c g[] = [-] d h[] = [-+] e s[] = [--]. Sigál []={4, -, 4, -6, 0} 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[]=[0.5- ] b y[]=[/3] 5. Pro sigál []={,4,6,8} určete y[]=[-0.5]. Použijte lieárí iterpolaci.
24 ..
25 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 Xt. Výsledek eperimetu lze popsat pravděpodobostě pravděpodobostí PrA <0, >. 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 <0, >. F df f d Pr Pr F f F d
26 Charakteristiky áhodých sigálů Středí hodota očekávaá hodota: Kvadrát středí hodoty: Momety: -tý momet: Cetrálí momety: μ - rozptyl : d f m E d f m d f E d f m m d f m E d f m m E Rozptyl δ určuje podíl střídavé složky sigálu, odmocia rozptylu je tzv. směrodatá odchylka δ -určuje míru ejistoty měřeí sigálu.
27 Pro periodické sigály s periodou T lze rozptyl určit jako: 0 0 T T dt t T dt t T celkový výko sigálu výko stejosměré složky Rozptyl ěkterých periodických sigálů: Siusoida: Pilovitý průběh Obdélík: cos A T t A t T t T t A t T t T t A t A T t t T t A t A
28 Pravděpodobostí rozložeí Rovoměré rozložeí: každá z hodot je stejě pravděpodobá f je pravoúhlý impuls s jedotkovou plochou defiovaý jako: pro ostatí f 0 středí hodota rozptyl: distribučí fukce: 0.5 b b a a b a F 0
29 Gausovo ormálí rozložeí: vrchol pro =m, sudá symetrie okolo vrcholu =m ifleí body v m ±δ f m ep Vlastosti:. Pokud má ormálí rozložeí a+b, a>0 má také ormálí rozložeí. Součet sigálů s ormálím rozložeím má také ormálí rozložeí, středí hodota součtu je rová součtu středích hodot dílčích rozložeí, rozptyl je 3. rove součtu rozptylů. Poměr -m a δ je pro ormálí rozložeí je lze pracovat s -m místo s δ u ormálího rozložeí 4. Všechy momety vyšších řádů lze pro Gaussovskou proměou určit pouze a základě zalosti prvích dvou mometů. pro liché jsou -té momety ulové pro sudé =k je -tý cetrálí momet: k! k k!
30 Gausovská distribučí fukce: F m ep d Stadardí Gausovské rozložeí: středí hodota ulová, rozptyl rove jedé P e d Chybová fukce: - často používaá fukce, tabulky erf fukce jsou rozšířeé, k dispozici i v MATLABU erf. erf e 0 d Gausovskou distribučí fukci lze vyjádřit chybovou fukcí: F P m erf m
31 Pravděpodobost, že leží mezi a lze vyjádřit erf fukcí. 0.5 m erf m erf F F P
32 Q-fukce: pravděpodobost toho, že áhodá proměá s ormálím rozložeím abývá hodoty > Q P e d Q fukci lze vyjádřit chybovou fukcí: Q erf Pravděpodobost, že leží mezi a lze vyjádřit Q - fukcí. m m Q Q P
33 Cetrálí limití věta: Součet velkého možství 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., ep, m s s f s i i
34 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, k0 N k0 k m
35 Šum Šum je defiová jako ežádoucí sigál, který iterferuje s užitečým sigálem aměřeým ebo přeeseým komuikačím kaálem. V závislosti a zdroji může být šum klasifiková do ásledujících kategorii: a Akustický šum - zdrojem je vibrace, pohyb pohyb, srážka objektů atd. klimatizace, vetilátor počítače, pohyb aut vítr, déšť, rozhovor lidí b Elektromagetický šum zdrojem jsou elektrická zařízeí rádio, TV, mobilí telefoy c Elektrostatický šum zdrojem jsou obvykle zářivky, výbojky d Zkresleí přeosového kaálu echo, útlum e Šum vziklý zpracováím kvatizačí šum, ztráta datových paketů při komuikaci
36 V závislosti a frekveci může být šum klasifiková jako: a Šum s uzkým pásmem arrowbad - obvykle 50/60Hz z elektrických zařízeí b Bílý šum čistě áhodý šum s hladkou frekvečí charakteristikou obsahuje rovoměré zastoupeí všech frekvecí c Pásmově omezeý bílý šum - hladká frekvečí charakteristika v pásmu, které je zpracováváo zařízeím d Barevý šum šum, který eí bílý, ebo libovolý širokopásmový šum který emá hladkou frekvečí charakteristiku e Impulzíví šum krátké pulsy s áhodé amplitudou a délkou trváí f Krátkodobý šum - pulzy s delší dobou trváí
37 Bílý šum Nekorelovaý áhodý sigál s rovoměrou výkoovou spektrálí hustotou Čistý bílý šum je teoretický pojem podle defiice má stejý výko ve všech frekvecích v itervalu -, +, cože je v prai erealizovatelé V prai se pracuje s pásmově omezeým bílým šumem má stejý výko ploché spektrum v defiovaém rozsahu frekvecí
38 Libovolý širokopásmový šum, který emá hladké spektrum Jedotlivé typy ejčastěji používaé: Barevý šum a Růžový šum - zámý také jako /f šum, výkoová spektrálí hustota je rova převráceé hodotě frekvece při dvojásobé frekveci klese eergie o 3dB. V logaritmických souřadicích je eergie růžového šumu stejá ve stejě širokých pásmech apř. v oktávách.
39 Hědý šum podobý růžovému šumu ale s výkoovou hustotou sížeou o 6dB za oktávu se zvyšující se frekvecí hustota je úměrá /f. Může být geerová algoritmem, který simuluje Browův pohyb
40 a Modrý azurový šum výkoová spektrálí hustota se zvyšuje o 3dB a oktávu s rostoucí frekvecí hustota je úměrá f b Purpurový fialový šum - výkoová spektrálí hustota se zvyšuje o 6dB a oktávu s rostoucí frekvecí hustota je úměrá f. c Šedý šum používá se v psychoakustice k měřeí křivky hladiy hlasitosti
41 Impulzíví šum Impulzíví šum tvoří krátkodobé impulsy apř. v audiotechice do 3ms, f s =0Khz. Obvyklý zdroj stisk kláves, praskáí u starých gramofoových zázamu apod.
42 Krátkodobý šum Krátkodobý šum tvoří relativě krátký ostrý pulz ásledovaý klesajícími ízkofrekvečími oscilacemi. Příklad: poškrábaé gramofoové desky.
43 Tepelý Johsoův šum Je způsobe áhodým pohybem elektroů v odporových strukturách. Výstřelový Shot šum Vziká apř. áhodou rekombiací párů elektro-díra v polovodičích ebo áhodou změou emise elektroů v elektrokách. Elektromagetický šum Vziká v každém elektrickém zařízeí, které geeruje spotřebovává ebo přeáší elektrickou eergii. Typickými zdroji šumu jsou trasformátory, radiové a televizí vysílače, výbojky, motory, startéry u automobilů apod.
44 Poměr sigál šum: Pro zašuměý sigál t=st+at, kde st je užitečý sigál, At je šum s amplitudou A, lze určit hodotu SNR sigal-to-oise ratio jako poměr výkou sigálu k výkou šumu A udávaý v decibelech db SNR s A 0log db Zlepšit SNR je obvykle možé metodou 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!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam
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
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,
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
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
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
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
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
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
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
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
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
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
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:
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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?.
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
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
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
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
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
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
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
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
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
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,
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
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
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
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
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,
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,
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
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
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
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
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
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
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
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,
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
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:
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
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,
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
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.
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
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
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
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
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.
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
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
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;
VícePravděpodobnost a statistika - absolutní minumum
Pravděpodobost a statistika - absolutí miumum Jaromír Šrámek 4108, 1.LF, UK Obsah 1. Základy počtu pravděpodobosti 1.1 Defiice pravděpodobosti 1.2 Náhodé veličiy a jejich popis 1.3 Číselé charakteristiky
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
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
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
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
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
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
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
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
VíceSeznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.
2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se
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
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
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
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,
VíceGeometrická optika. Zákon odrazu a lomu světla
Geometrická optika Je auka o optickém zobrazováí. Je vybudováa a 4 zákoech, které vyplyuly z pozorováí a ke kterým epotřebujeme zalosti o podstatě světla: ) přímočaré šířeí světla (paprsky) ) ezávislost
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:
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
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
VícePopisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem
Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme
Více3. Decibelové veličiny v akustice, kmitočtová pásma
3. Decibelové veličiy v akustice, kmitočtová ásma V ředchozí kaitole byly defiováy základí akustické veličiy, jako ař. akustický výko, akustický tlak a itezita zvuku. Tyto veličiy ve v raxi měí o moho
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.
Více1. Měření ve fyzice, soustava jednotek SI
1. Měřeí ve fyzice, soustava jedotek SI Fyzika je vědí obor, který zkoumá zákoitosti přírodích jevů. Pozámka: Získáváí pozatků ve fyzice: 1. pozorováí - sledováí určitého jevu v jeho přirozeých podmíkách,
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 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
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
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
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
Vícef x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )
DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce
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
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
Vícez možností, jak tuto veličinu charakterizovat, je určit součet
6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceGeometrická optika. Vznikají tak dva paprsky odražený a lomený - které spolu s kolmicí v místě dopadu leží v jedné rovině a platí:
Geometrická optika Je auka o optickém zobrazováí. Byla vybudováa a 4 zákoech, které vyplyuly z pozorováí a ke kterým ejsou potřeba zalosti o podstatě světla: ) přímočaré šířeí světla (paprsky) ) ezávislost
VíceElementární zpracování statistického souboru
Elemetárí zpracováí statistického souboru Obsah kapitoly 4. Elemetárí statistické zpracováí - parametrizace vhodými empirickými parametry Studijí cíle Naučit se výsledky měřeí parametrizovat vhodými empirickými
Více