Návrh nelineárního systému odhadu v úlohách filtrace, predikce a vyhlazování
|
|
- Alexandra Soukupová
- před 9 lety
- Počet zobrazení:
Transkript
1 Návrh nelineárního systému odhadu v úlohách filtrace, predikce a vyhlazování obhajoba disertační práce Jindřich Duník Katedra kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni 11. dubna 2008 J. Duník Návrh nelineárního systému odhadu 1/34 obhajoba disertační práce
2 1 Úvod do problematiky odhadu stavu 2 3 Bezderivační lokální a globální estimační metody 4 Odhad kovariančních matic poruch působících v systému 5 J. Duník Návrh nelineárního systému odhadu 2/34 obhajoba disertační práce
3 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Úloha odhadu stavu Systém odhadu Σ je tvořen dvěma subsystémy Σ 1 a Σ 2. Subsystém Σ 1 představuje systém, jehož neměřitelný stav je subsystémem Σ 2 odhadován na základě měřených dat. Subsystém Σ 2 je nazýván estimátorem. J. Duník Návrh nelineárního systému odhadu 3/34 obhajoba disertační práce
4 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Popis systému x k+1 = f k (x k ) + w k, z k = h k (x k ) + v k, kde x k - neměřitelný stav systému, z k - měřitelný výstup systému, f k ( ), h k ( ) - známé funkce, w k, v k - stavový šum a šum v rovnici měření s nulovou střední hodnotou a kovarianční maticí Q k, respektive R k. J. Duník Návrh nelineárního systému odhadu 4/34 obhajoba disertační práce
5 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Řešení úlohy odhadu stavu Úplné řešení problému estimace je dáno nalezením hustoty pravděpodobnosti stavu x l podmíněné měřením z k = [z 0, z 1,..., z k ]. p(x l z k ) =? Úlohu odhadu stavu lze rozdělit podle vztahu časových okamžiků k a l na úlohu predikce, kdy l > k, úlohu filtrace, kdy l = k a úlohu vyhlazování (interpolace, retrodikce), kdy l < k. J. Duník Návrh nelineárního systému odhadu 5/34 obhajoba disertační práce
6 Funkcionální rekurzivní vztahy (FRV) Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch m-kroková predikce p(x k+m z k ) = p(x k+m x k+m 1 )p(x k+m 1 z k )dx k+m 1 filtrace p(x k z k ) = p(x k z k 1 )p(z k x k ) p(z k z k 1 ) m-krokové vyhlazování p(x k m z k ) = p(x k m z k m ) p(x k m+1 z k ) p(x k m+1 z k m ) p(x k m+1 x k m )dx k m+1 J. Duník Návrh nelineárního systému odhadu 6/34 obhajoba disertační práce
7 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Exaktní řešení FRV Exaktní řešení rekurzivních vztahů je možné jen v několika případech, např. pro lineární systém, kde stavový šum, šum v rovnici měření a počáteční podmínka jsou dány normálním rozložením. Řešení rekurzivních vztahů pak vede na lineární estimační algoritmy (např. na Kalmanův filtr). Aproximativní řešení FRV lokální metody Založeny na vhodné aproximaci popisu systému tak, aby bylo možné použít techniku návrhu lineárních estimačních algoritmů i pro nelineární systémy. globální metody Založeny na vhodné aproximaci podmíněných hustot pravděpodobnosti reprezentujících odhad stavu. J. Duník Návrh nelineárního systému odhadu 7/34 obhajoba disertační práce
8 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Rámcový algoritmus lokálních filtrů Inicializace: Výpočet začíná v okamžiku k = 0, kdy je dáno ˆx k k 1 a P k k 1. Filtrace: Filtrační odhad stavu je dán ˆx k k = E[x k z k ] = ˆx k k 1 + K k k (z k ẑ k k 1 ), P k k = cov[x k z k ] = P k k 1 K k k P z,k k 1 K T k k, kde K k k = P xz,k k 1 (P z,k k 1 ) 1 je Kalmanův zisk a ẑ k k 1, P xz,k k 1, P z,k k 1 jsou prediktivní charakteristiky měření. Predikce: Jednokroková prediktivní střední hodnota a kovarianční matice odhadu stavu je určena vztahy ˆx k+1 k = E[x k+1 z k ] = E[f k (x k ) + w k z k ], P k+1 k = cov[x k+1 z k ] = cov[f k (x k ) + w k z k ]. Pak k k + 1 a výpočet pokračuje filtračním krokem. J. Duník Návrh nelineárního systému odhadu 8/34 obhajoba disertační práce
9 Standardní lokální metody (1960) Taylorův rozvoj Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Standardní estimační techniky jsou založeny na aproximaci nelineárních funkcí v popisu systému za pomoci Taylorova rozvoje. Zástupci estimačních metod rozšířený Kalmanův filtr, filtr druhého řádu rozšířený Rauch-Tung-Striebelův vyhlazovač Vlastnosti estimačních metod Metody jsou známy pro filtraci, predikci a vyhlazování. Jsou navrženy numericky stabilní verze. Návrh metod je podmíněn výpočtem derivací nelineárních funkcí v popisu systému. J. Duník Návrh nelineárního systému odhadu 9/34 obhajoba disertační práce
10 Bezderivační lokální metody (2000) Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Stirlingova polynomiální interpolace Estimační techniky jsou založeny na aproximaci nelineárních funkcí v popisu systému za pomoci Stirlingovy polynomiální interpolace. Zástupci estimačních metod diferenční filtr prvního a druhého řádu centrální diferenční filtr Vlastnosti a otevřené problémy Pro návrh technik není vyžadován výpočet derivací nelineárních funkcí v popisu systému. Estimační metody byly navrženy jen pro úlohu filtrace. J. Duník Návrh nelineárního systému odhadu 10/34 obhajoba disertační práce
11 Bezderivační lokální metody (2000) Transformace charakteristických bodů Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Estimační techniky jsou založeny na aproximaci prvních dvou momentů náhodné veličiny množinou deterministicky zvolených vážených bodů. Zástupci estimačních metod unscentovaný lokální filtr, Gauss-Hermitův lokální filtr Vlastnosti a otevřené problémy Pro návrh technik není vyžadován výpočet derivací nelineárních funkcí v popisu systému. Estimační metody byly navrženy jen pro úlohu filtrace. Nebyly navrženy numericky stabilní verze těchto filtrů. J. Duník Návrh nelineárního systému odhadu 11/34 obhajoba disertační práce
12 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Globální metody Využívají takovou aproximaci podmíněných hustot pravděpodobnosti, aby funkcionální rekurzivní vztahy byly řešitelné. Hlavní směry v oblasti globálních metod analytický - aproximace podmíněné hustoty pravděpodobnosti součtem normálních rozložení zástupce: filtr s vícenásobnou aproximací numerický - aproximace stavového prostoru ortogonální množinou různě vážených bodů zástupce: filtr založený na metodě bodových mas simulační - aproximace hustoty náhodným výběrem stejně vážených bodů zástupce: simulační filtr J. Duník Návrh nelineárního systému odhadu 12/34 obhajoba disertační práce
13 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Globální a lokální estimační metody Globální estimační metody často využívají lokální metody jako stavební kameny, nebo jako prostředky pro zlepšení vlastností globálních estimátorů. Jako příklad mohou být uvedeny filtr s vícenásobnou aproximací založený na Taylorově rozvoji prvního řádu, popř. unscentovaný simulační filtr. Doposud však nebyly využity bezderivační aproximační techniky v návrhu estimátorů s vícenásobnou aproximací. J. Duník Návrh nelineárního systému odhadu 13/34 obhajoba disertační práce
14 Specifikace systému a řešení úlohy odhadu stavu Lokální metody v úloze odhadu stavu Globálních metody v úloze odhadu stavu Metody pro odhad kovariančních matic poruch Identifikace systémů a odhad stavu Návrh lokálních a globálních metod odhadu stavu je založen na znalosti nelineárních funkcí v popisu systému a na znalosti popisu poruch působících v systému. Značná pozornost byla tak věnována zejména návrhu metod pro odhad kovariančních matic poruch působících v systému. Jako společnou nevýhodu doposud navržených metod odhadu kovariančních matic poruch působících v systému lze chápat omezení na lineární nebo speciální typy nelineárních systémů. J. Duník Návrh nelineárního systému odhadu 14/34 obhajoba disertační práce
15 Cíle stanovené v disertační práci 1 Návrh lokálních algoritmů pro vícekrokovou predikci a vyhlazování založených na bezderivačních aproximačních technikách. 2 Odvození numericky stabilních algoritmů bezderivačních lokálních estimátorů. 3 Analýza lokálních bezderivačních metod odhadu stavu. 4 Návrh globálních estimátorů využívající bezderivační lokální metody odhadu stavu. 5 Návrh metody pro odhad kovariančních matic poruch působících v lineárním a nelineárním systému. J. Duník Návrh nelineárního systému odhadu 15/34 obhajoba disertační práce
16 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Specifikace prvního cíle Návrh lokálních algoritmů pro vícekrokovou predikci a vyhlazování založených na transformaci charakteristických bodů a Stirlingově polynomiální interpolaci prvního a druhého řádu. Úloha vícekrokového vyhlazování Úlohu vyhlazování, tj. nalezení aproximativní hustoty p(x k m z k ), m > 0, lze rozdělit na vyhlazování se zafixovaným vyhlazovacím okamžikem k m, vyhlazování se zafixovaným rozdílem m a vyhlazování se zafixovaným časovým okamžikem měření k. J. Duník Návrh nelineárního systému odhadu 16/34 obhajoba disertační práce
17 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Rauch-Tung-Striebelův vyhlazovač Jako vhodný vyhlazovací algoritmus se jeví Rauch-Tung-Striebelův vyhlazovač ˆx m k = E[x m z k ] = ˆx m m + K m k (ˆx m+1 k ˆx m+1 m ), P m k = cov[x m z k ] = P m m K m k (P m+1 m P m+1 k )K T m k, kde pro výpočet zisku K m k = P m,m+1 m P 1 matice m+1 m je klíčový výpočet P m,m+1 m = E[(x m ˆx m m )(x m+1 ˆx m+1 m ) T z m ] = = E[(x m ˆx m m )(f m (x m ) + w m ˆx m+1 m ) T z m ] =? J. Duník Návrh nelineárního systému odhadu 17/34 obhajoba disertační práce
18 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Stirlingova interpolace prvního řádu Stirlingova interpolace byla využita v návrhu diferenčních lokálních estimátorů. Např. pro skalární systém s filtrační střední hodnotou ˆx m m a variancí P m m = 1 je aproximace funkce f m ( ) dána f m (x m ) f m (ˆx m m ) + f m(ˆx m m + h) f m (ˆx m m h) (x m ˆx 2h m m ). Výpočet variance pro návrh diferenčního vyhlazovače P m,m+1 m = E[(x m ˆx m m )(f m (x m ) + w m ˆx m+1 m ) z m ] = = 1 ( ) f m (ˆx 2h m m + h) f m (ˆx m m h) kde ˆx m+1 m = E[x m+1 z m ] = E[f m (x m ) + w m z m ] = f m (ˆx m m ) J. Duník Návrh nelineárního systému odhadu 18/34 obhajoba disertační práce
19 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Transformace charakteristických bodů Transformace charakteristických bodů byla využita v návrhu unscentovaných lokálních estimátorů. Např. pro filtrační střední hodnotu ˆx m m a varianci P m m = 1 je vážená množina bodů dána X 0,m m = ˆx m m, W 0 = κ 1 + κ, W 1,2 = X 1,2,m m = ˆx m m ± (1 + κ)1, 1 2(1 + κ), které jsou přepočteny skrze funkci X i,m+1 m = f m (X i,m m ), i. Výpočet variance pro návrh unscentovaného vyhlazovače 2 P m,m+1 m = W i (X i,m m ˆx m m )(X i,m+1 m ˆx m+1 m ) i=0 kde ˆx m+1 m = E[x m+1 z m ] = 2 i=0 W ix i,m+1 m J. Duník Návrh nelineárního systému odhadu 19/34 obhajoba disertační práce
20 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Vícekroková predikce Řešení m-krokové predikce spočívalo v nalezení prediktivní střední hodnoty a kovarianční matice, tj. ˆx k+m k = E[x k+m z k ] a P k+m k = cov[x k+m z k ]. Využitím Stirlingovy interpolace a transformace charakteristických bodů byly navrženy diferenční a unscentované lokální prediktory. Příklad (kořist - predátor) x 1,k+1 = 0.8x 1,k x 1,k x 2,k + w 1,k x 2,k+1 = 1.11x 2,k 0.017x 1,k x 2,k + w 2,k z k = x 2,k + v k J. Duník Návrh nelineárního systému odhadu 20/34 obhajoba disertační práce
21 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Střední kvadratická chyba odhadu (Stir. int. 1. řádu) filtrace ˆx k k vyhlazení ˆx k 5 k predikce ˆx k+1 k MSE Stopy odhadnutých kovariančních matic (Stir. int. 1. řádu) tr(p k k ), tr(p k 5 k ), tr(p k+1 k ) tr(p k k ) tr(p k 5 k ) tr(p k+1 k ) k J. Duník Návrh nelineárního systému odhadu 21/34 obhajoba disertační práce
22 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Specifikace druhého cíle Odvození numericky stabilních algoritmů bezderivačních lokálních filtrů, prediktorů a vyhlazovačů. Výpočet kovariančních matic Hlavní nebezpečí numericky neošetřených lokálních estimačních algoritmů spočívá v možné ztrátě pozitivní definitnosti kovarianční matice odhadu stavu z numerických příčin. Jako příklad může být uvedena filtrační kovarianční matice P k k = P k k 1 K k k P z,k k 1 K T k k. Numericky stabilní výpočet kovariančních matic Numerické ošetření algoritmů spočívalo v nalezení vztahu pro přímý výpočet rozkladu kovariančních matic S l k, kde P l k = S l k S T l k. Vztahy byly odvozeny pro filtry, vyhlazovače i prediktory založené na Stirlingově interpolaci a transformaci charakteristických bodů. J. Duník Návrh nelineárního systému odhadu 22/34 obhajoba disertační práce
23 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Příklad x 1,k+1 = x 1,k x 2,k + w 1,k x 2,k+1 = x 2,k + w 2,k z k = 4x 1,k + x 1,k + v k Průběhy stavů a jejich odhadů (UKF) x 1,k x 108 skutečnost odhad SUKF odhad UKF k x 1,k k x 2,k k J. Duník Návrh nelineárního systému odhadu 23/34 obhajoba disertační práce
24 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Odhadnuté střední hodnoty a kovarianční matice (UKF) [ ] [ ˆx =, P = [ ] P = ] Odhadnuté střední hodnoty a rozklady kov. matic (SUKF) [ ] [ ˆx =, S = 6 ] [ ] S = [ ] P = S S T = J. Duník Návrh nelineárního systému odhadu 24/34 obhajoba disertační práce
25 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Specifikace třetího cíle Analýza bezderivačních aproximačních technik a lokálních bezderivačních estimátorů. Analýza lokálních estimátorů Byly nalezeny nové vztahy mezi diferenčními a unscentovanými estimátory, zejména z hlediska kovariančních matic odhadu. Lze ukázat, že filtrační kovarianční matice uvažovaných bezderivačních estimátorů je dána vztahem P k k = P k k 1 S k k 1 H T (HH T + P e,k k 1 + R k ) 1 HS T k k 1, kde H = H(ˆx k k 1, P k k 1 ) je matice prvních diferencí. Pak P UKF k k P DD2 k k P DD1 k k. Bylo dokázáno, že diferenční estimátory 2. řádu a unscent. estimátory jsou pro skalární systém totožné algoritmy. J. Duník Návrh nelineárního systému odhadu 25/34 obhajoba disertační práce
26 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Příklad x k+1 = 0.5x k sin(0.04πk) + w k z k = 0.2xk 2 + v k kde p(w k ) = Ga(w k : 3, 2), (ˆp LF (w k ) = N (w k : 4.24, 6)) p(v k ) = N (v k : 0, 10 5 ) Střední kvadratická chyba a variance filtr. odhadu DD1 UKF PMF MSE k= průměrná P k=8 k= J. Duník Návrh nelineárního systému odhadu 26/34 obhajoba disertační práce
27 Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Specifikace čtvrtého cíle Návrh a analýza globálních estimátorů s vícenásobnou aproximací využitím bezderivačních aproximačních technik. Estimátory s vícenásobnou aproximací Estimátory s vícenásobnou aproximací jsou založeny na aproximaci hustot pravděpodobnosti součtem normálních rozložení N p(x) = α (i) N {x : ˆx (i), P (i) x } i=1 a mohou být tedy rozuměny jako banka lokálních estimátorů. J. Duník Návrh nelineárního systému odhadu 27/34 obhajoba disertační práce
28 Příklad Návrh lokálních vyhlazovacích a prediktivních metod Numerické ošetření lokálních metod Analýza lokálních estimačních metod Návrh globálních metod Nechť je uvažován předchozí příklad ( příklad ), kde hustota pravděpodobnosti stavového šumu je pro filtry s vícenásobnou aproximací popsána ˆp SPGSF (w k ) = 3 i=1 N {w k : ŵ (i) k, Q(i) k }. Střední kvadratická chyba odhadu a čas výpočtu DD1 UKF SPGSF(DD1) SPGSF(UKF) PMF MSE čas [s] Filtrační hustoty pravděpodobnosti p(x 5 z 5 ) PMF SPGSF(DD1) SPGSF(UKF) x x 5 J. Duník Návrh nelineárního systému odhadu 28/34 obhajoba disertační práce
29 Specifikace pátého cíle Návrh off-line metody pro odhad kovariančních matic poruch působících v lineárním nebo nelineárním systému. Definice lineárního systému x k+1 = Fx k + w k z k = Hx k + v k kde cov(w k ) = Q =? a cov(v k ) = R =? J. Duník Návrh nelineárního systému odhadu 29/34 obhajoba disertační práce
30 Prediktor a vícekroková predikce měření k-krokový prediktor střední hodnoty je dán vztahem ˆx k 1 = Fˆx k 1 1, který vede k chybě k-krokové predikce k 1 e k = z k ẑ k 1 = HF k (x 0 ˆx 0 1 ) + H F i w k i 1 + v k. Statistické vlastnosti chyby predikce i=0 E[e k ] = 0 k 1 cov[e k ] = HF k P 0 1 (F k ) T H T + HF i Q(F i ) T H T + R cov[e l ; e k ] = HF l P 0 1 (F k ) T H T + i=0 l HF l i Q(F k i ) T H T i=1 J. Duník Návrh nelineárního systému odhadu 30/34 obhajoba disertační práce
31 Odhad kovariančních matic chyb predikce Nechť je k dispozici N množin naměřených dat z (i) = [z (i) 0, z(i) 1,..., z(i) n ], kde i = 1, 2,..., N. Využitím naměřených dat je možné spočítat N množin chyb predikce e (i) = [e (i) 0, e(i) 1,..., e(i) n ], i. Na základě chyby predikce je možné odhadnout kovarianční matice cov[e k ], tj. cov[e k ] ˆP ek = 1 N e (i) N k (e(i) k )T, k = 0, 1,..., n. i=1 Odhad kovariančních matic poruch Odhady matic ˆQ a ˆR mohou být nalezeny řešením soustavy lineárních rovnic, která vychází z maticové rovnice k 1 ˆP ek = HF k P 0 1 (F k ) T H T + HF i ˆQ(F i ) T H T + ˆR, k. J. Duník Návrh nelineárního systému odhadu 31/34 obhajoba disertační práce i=0
32 Rozšíření metody pro odhad matic Q a R Metoda byla modifikována pro odhad matic Q a R lineárních stabilních systémů na základě jedné množiny naměřených dat. Metoda byla rozšířena pro odhad kovariančních matic poruch nelineárních systémů. Příklad x 1,k+1 = x 1,k x 2,k + w 1,k x 2,k+1 = x 2,k + w 2,k z k = x1,k 2 + v k J. Duník Návrh nelineárního systému odhadu 32/34 obhajoba disertační práce
33 Diagonální prvky kovariančních matic poruch (DD1) skutečnost odhad R Q 1, Q 2, počet naměřených souborů dat J. Duník Návrh nelineárního systému odhadu 33/34 obhajoba disertační práce
34 Dosažené výsledky Byly navrženy lokální prediktivní a vyhlazovací metody založené na Stirlingově polynomiální interpolaci a transformaci charakteristických bodů. Byly odvozeny numericky ošetřené lokální bezderivační algoritmy pro filtraci, predikci a vyhlazování. Byla provedena analýza bezderivačních aproximačních technik a byly nalezeny nové vztahy mezi bezderivačními estimátory. Bezderivační aproximační techniky byly použity pro návrh globálních estimátorů s vícenásobnou aproximací. Byla navržena off-line metoda pro odhad všech prvků kovariančních matic poruch působících v lineárním a nelineárním systému. J. Duník Návrh nelineárního systému odhadu 34/34 obhajoba disertační práce
Odhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
1 Lineární stochastický systém a jeho vlastnosti. 2 Kovarianční funkce, výkonová spektrální hustota, spektrální faktorizace,
Lineární stochastický systém a jeho vlastnosti. Kovarianční funkce, výkonová spektrální hustota, spektrální faktorizace, tvarovací filtr šumu, bělicí filtr. Kalmanův filtr, formulace problemu, vlastnosti.
1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.
2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:
FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ. Matematika 3. RNDr. Břetislav Fajmon, PhD. Autoři textu:
FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Matematika 3 Garant předmětu: RNDr. Břetislav Fajmon, PhD Autoři textu: Mgr. Irena Růžičková RNDr. Břetislav Fajmon, PhD
Měření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-03-21 16:45 Obsah
Regresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
Vlastnosti IIR filtrů:
IIR filtry Vlastnosti IIR filtrů: Výhody: jsou výrazně nižšího řádu než Fir filtry se stejnými vlastnostmi a z toho vyplývá že mají: Nevýhody: nižší výpočetní složitost v porovnání s Fir filtrem kratší
6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
Měření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
Aktivní detekce chyb
Fakulta aplikovaných věd, Katedra kybernetiky a Výzkumné centrum Data - Algoritmy - Rozhodování Západočeská univerzita v Plzni Prezentace v rámci odborného semináře Katedry kybernetiky Obsah Motivační
V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
Přehled pravděpodobnostních rozdělení
NSTP097Statistika Zima009 Přehled pravděpodobnostních rozdělení Diskrétní rozdělení. Alternativní(Bernoulliovo, nula-jedničkové) rozdělení X Alt(p) p (0, ) X {0,} Hustota: P[X= j]=p j ( p) j, j {0,} Středníhodnota:
STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA
Poslední aktualizace: 29. května 200 STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA PŘÍKLADY Pro zdárné absolvování předmětu doporučuji věnovat pozornost zejména příkladům označenými hvězdičkou. Příklady
(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
Stavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
Interpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír
Rozptyl. Pozn.: rozptyl je nezávislý na posunu hustoty pravděpodobnosti na ose x, protože Var(X) mi určuje jen šířku rozdělení.
Rozptyl Základní vlastnosti disperze Var(konst) = 0 Var(X+Y) = Var(X) + Var(Y) (nezávislé proměnné) Lineární změna jednotek Y = rx + s, například z C na F. Jak vypočítám střední hodnotu a rozptyl? Pozn.:
Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny
Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Ing. Jana Šenkapoulová VODÁRENSKÁ AKCIOVÁ SPOLEČNOST, a.s. Brno, Soběšická 156, 638 1 Brno ÚVOD Každé rekonstrukci
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7
Pravděpodobnost a statistika (BI-PST) Cvičení č. 7 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
em do konce semestru. Obsah Vetknutý nosník, str. 8 Problém č.8: Průhyb nosníku - Ritzova metoda
Zápočtové problémy Na následujících stránkách naleznete druhou sérii zápočtových problémů věnovanou nosníkům. Ti, co ještě nemají žádný problém přidělený, si mohou vybrat libovolný z nich. Řešení můžete
Charakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
Rozhodování. s více účastníky. Miroslav. school@utia
Rozhodování s více účastníky Miroslav Kárný school@utia utia.cas.cz, http://www.utia utia.cas.cz/as Rozhodování Účastník znalosti neúpln plné cíle násobné omezení rozsahů složitostn itostní strategie akce
FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009
FAKULTA STAVEBNÍ VUT V BRNĚ PŘIJÍMACÍ ŘÍZENÍ DO MNSP STAVEBNÍ INŽENÝRSTVÍ PRO AKADEMICKÝ ROK 2008 2009 OBOR: POZEMNÍ STAVBY (S) A. MATEMATIKA TEST. Hladina významnosti testu α při testování nulové hypotézy
2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
A NUMERICKÉ METODY. Matice derivací: ( ) ( ) Volím x 0 = 0, y 0 = -2.
A NUMERICKÉ METODY Fourierova podmínka: f (x) > 0 => rostoucí, f (x) < 0 => klesající, f (x) > 0 => konvexní ᴗ, f (x) < 0 => konkávní ᴖ, f (x) = 0 ᴧ f (x)!= 0 => inflexní bod 1. Řešení nelineárních rovnic:
Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1
Lineární algebra 10. přednáška: Ortogonalita II Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Text byl vytvořen
n = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
NÁVRH LQG ŘÍZENÍ PRO FYZIKÁLNÍ MODEL KULIČKY NA TYČI
NÁVRH LQG ŘÍZENÍ PRO FYZIKÁLNÍ MODEL KULIČKY NA TYČI Petr Vojčinák, Martin Pieš, Radovan Hájovský Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra měřicí a
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
Modely diskrétní náhodné veličiny. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Po(λ) je možné použít jako model náhodné veličiny, která nabývá hodnot 0, 1, 2,... a udává buď počet událostí,
Bayesovská klasifikace digitálních obrazů
Výzkumný ústav geodetický, topografický a kartografický Bayesovská klasifikace digitálních obrazů Výzkumná zpráva č. 1168/2010 Lubomír Soukup prosinec 2010 1 Úvod V průběhu nedlouhého historického vývoje
Řešené úlohy ze statistické fyziky a termodynamiky
Řešené úlohy ze statistické fyziky a termodynamiky Statistická fyzika. Uvažujme dvouhladinový systém, např. atom s celkovým momentem hybnosti h v magnetickém ) ) poli. Bázové stavy označme = a =, první
Jazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa
2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace
Měřicí a řídicí technika Bakalářské studium 2007/2008. odezva. odhad chování procesu. formální matematický vztah s neznámými parametry
MODELOVÁNÍ základní pojmy a postupy principy vytváření deterministických matematických modelů vybrané základní vztahy používané při vytváření matematických modelů ukázkové příklady Základní pojmy matematický
1. Pravděpodobnost a statistika (MP leden 2010)
1. Pravděpodobnost a statistika (MP leden 2010) Pravděpodobnost pojmy 1. Diskrétní pravděpodobnostní prostor(definice, vlastnosti, příklad). Diskrétní pravděpodobnostní prostor je trojice(ω, A, P), kde
ň ť Č Á ť ň ň Ú Ú Á Ň ď Ú Ů Ý É Ů Ď Č ň ď ň ň ň ň Č ň ň Ď Č ň Š ň Š Š Č ň Ú Š Š Š Ě Ú ť ď ď Á Ď ť É Č ť Ó ň ť Ď Ď Ď Ý Ď Ž Ď Ď Ý Ď Ú ň ň Ď Ď Ý Ď Ď Ď ň ť Ť Ů Ú ň ď ň Ř Ů ň Á Š ť Č ň Š Š ň ň ň ť ť ť ť ť ť
Numerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE
UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE Testy dobré shody Vedoucí diplomové práce: RNDr. PhDr. Ivo
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Pravděpodobnost a statistika Katedra teoretické informatiky Fakulta informačních technologií
prof. RNDr. Roman Kotecký DrSc., Dr. Rudolf Blažek, PhD Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické v Praze c Rudolf Blažek, Roman Kotecký, 2011 Pravděpodobnost
ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
Integrace. Numerické metody 7. května FJFI ČVUT v Praze
Integrace Numerické metody 7. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod 1D Kvadraturní vzorce Gaussovy kvadratury Více dimenzí Programy 1 Úvod Úvod - Úloha Máme funkci f( x) a snažíme se najít určitý integrál
Pravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
ň Ý Á Ú ú ň Ó š š š ú ó ú ů ů ů š ů ů ů š ů ů ú ů ů ů ú ů ů ů ů ů ů ó ú ú ó ů ů ň ů ň ů ů ú ú ú ó š ó ú ú ó š ú š š š ú ú ů ň ú ů ú ú ú ů ú ú ň ů ú š ň ú š š š š ú ň ů ň ú š ů ů ň ů ů ů ů ú ů ú ú ň ú ú
Bayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
Transformujte diferenciální výraz x f x + y f do polárních souřadnic r a ϕ, které jsou definovány vztahy x = r cos ϕ a y = r sin ϕ.
Ukázka 1 Necht má funkce z = f(x, y) spojité parciální derivace. Napište rovnici tečné roviny ke grafu této funkce v bodě A = [ x 0, y 0, z 0 ]. Transformujte diferenciální výraz x f x + y f y do polárních
Numerická matematika Písemky
Numerická matematika Písemky Bodování Každá písemka je bodována maximálně 20 body. Celkem student může získat za písemky až 40 bodů, pro udělení zápočtu musí získat minimálně 20 bodů. Písemka č. 1 Dva
Rekonstrukce diskrétního rozdělení psti metodou maximální entropie
Rekonstrukce diskrétního rozdělení psti metodou maximální entropie Příklad Lze nalézt četnosti nepozorovaných stavů tak, abychom si vymýšleli co nejméně? Nechť n i, i = 1, 2,..., N jsou známé (absolutní)
Primitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program
Program Primitivní funkce a Riemannův integrál Program Primitivní funkce a Riemannův integrál Lineární algebra Program Primitivní funkce a Riemannův integrál Lineární algebra Taylorův polynom Program Primitivní
Restaurace (obnovení) obrazu při známé degradaci
Restaurace (obnovení) obrazu při známé degradaci Václav Hlaváč České vysoké učení technické v Praze Centrum strojového vnímání (přemosťuje skupiny z) Český institut informatiky, robotiky a kybernetiky
Program SMP pro kombinované studium
Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0
Kapitola 6. Jak funguje GPS. Historický úvod- obsah. Historickýúvod Měření zeměpisné délky a šířky. Zeměpisná šířka je snadná
Historický úvod- obsah Kapitola 6 Historickýúvod Měření zeměpisné délky a šířky 6-1 Historický úvod 6-2 Zeměpisná šířka je snadná Jak změřit zeměpisnou šířku? odpověď se hledala také na nebi katalog zatmění
Kombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
z 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
Kapitola 11. Vzdálenost v grafech. 11.1 Matice sousednosti a počty sledů
Kapitola 11 Vzdálenost v grafech V každém grafu lze přirozeným způsobem definovat vzdálenost libovolné dvojice vrcholů. Hlavním výsledkem této kapitoly je překvapivé tvrzení, podle kterého lze vzdálenosti
Jak funguje GPS. Kapitola6. Jak funguje GPS 6-1
Kapitola6 Jak funguje GPS 6-1 Historický úvod- obsah Historickýúvod Měření zeměpisné délky a šířky Historický úvod 6-2 Zeměpisná šířka je snadná Historický úvod 6-3 Jak změřit zeměpisnou šířku? odpověď
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
AVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VÍCEROZMĚRNÝ STATISTICKÝ SOUBOR
KORELACE A REGRESE 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/..00/8.001)
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
UČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
Interpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
Numerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
NÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Řádková norma (po řádcích sečteme absolutní hodnoty prvků matice a z nich
Normy matic Příklad 1 Je dána matice A a vektor y: A = 2 0 3 4 3 2 y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Ověřte, že platí Ay A y (1) Ay = (4, 14, 2) T 2 2 Frobeniova norma
Numerická realizace metod. lineárního a kvadratického
Matematicko-fyzikální fakulta Univerzita Karlova Praha Numerická realizace metod vnitřního bodu pro řešení úloh lineárního a kvadratického programování Věra Koubková Diplomová práce Praha 1997 Studijní
Aplikovaná optika. Optika. Vlnová optika. Geometrická optika. Kvantová optika. - pracuje s čistě geometrickými představami
Aplikovaná optika Optika Geometrická optika Vlnová optika Kvantová optika - pracuje s čistě geometrickými představami - zanedbává vlnovou a kvantovou povahu světla - elektromagnetická teorie světla -světlo
Základy teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodná veličina Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Základy teorie
TECHNICKÉ ZNALECTVÍ. Metody soudně znalecké analýzy. Prof. Ing. Jan Mareček, DrSc. ÚZPET
TECHNICKÉ ZNALECTVÍ Metody soudně znalecké analýzy ÚZPET Prof. Ing. Jan Mareček, DrSc. Osnova tématu 1.Výpočty ve znaleckém posudku 2. Vybrané metody soudně znalecké analýzy 1.Výpočty ve znaleckém posudku
4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
Rovnice matematické fyziky cvičení pro akademický školní rok 2013-2014
Harmonogram výuky předmětu Rovnice matematické fyziky cvičení pro akademický školní rok 2013-2014 Vedoucí cvičení: ing. Václav Klika, Ph.D. & MSc. Karolína Korvasová & & ing. Matěj Tušek, Ph.D. Katedra
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie Jiří Kolafa Vektory. Vektorový prostor Vektor je často zaveden jako n-tice čísel, (v,..., v n ), v i R (pro reálný vektorový prostor);
MKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
Matematika 1A. PetrSalačaJiříHozman Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci
Matematika 1A. PetrSalačaJiříHozman Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci petr.salac@tul.cz jiri.hozman@tul.cz 5.12.2016 Fakulta přírodovědně-humanitní a pedagogická
Zákony hromadění chyb.
Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky
Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.
3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její
Poznámky z matematiky
Poznámky z matematiky Verze: 14. dubna 2015 Petr Hasil hasil@mendelu.cz http://user.mendelu.cz/hasil/ Ústav matematiky Lesnická a dřevařská fakulta Mendelova univerzita v Brně Vytvořeno s podporou projektu
Reference 10. Předpokládejme stavový popis spojitého, respektive diskrétního systému
Módy systému Teorie dynamických systémů Obsah Úvod 2 Příklady 2 3 Domácí úlohy 8 Reference Úvod Řešení stavových rovnic Předpokládejme stavový popis spojitého, respektive diskrétního systému ẋ(t)=ax(t)+bu(t)
Základní spádové metody
Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Úvod do teorie pravděpodobnosti Náhoda a pravděpodobnost, náhodný jev, náhodná veličina rozdělení pravděpodobnosti
AVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
Tématické celky { kontrolní otázky.
Tématické celky kontrolní otázky. Základy teorie pravdìpodobnosti..pravdìpodobnostní míra základní pojmy... Vysvìtlete pojem náhody, náhodného pokusu, náhodného jevu a jeho mno- ¾inovou interpretaci. Popi¹te
Aproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.
Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace
3. Polynomy Verze 338.
3. Polynomy Verze 338. V této kapitole se věnujeme vlastnostem polynomů. Definujeme základní pojmy, které se k nim váží, definujeme algebraické operace s polynomy. Diskutujeme dělitelnost polynomů, existenci
Vybraná témata z mobilní robotiky
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Vybraná témata z mobilní robotiky Učební texty k semináři Autoři: RNDr. Miroslav Kulich Ph.D. (ČVUT v Praze) Dr.rer.nat. Martin Saska (ČVUT v Praze) Datum: 17. 2. 2011 Centrum
Matematika 3. RNDr. Břetislav Fajmon, Ph.D. Mgr. Irena Růžičková ÚSTAV MATEMATIKY
Matematika 3 RNDr. Břetislav Fajmon, Ph.D. Mgr. Irena Růžičková ÚSTAV MATEMATIKY Matematika 3 1 Obsah 1 Vstupní test 8 I NUMERICKÉ METODY 10 2 Chyby při numerických výpočtech 10 2.1 Zdroje a typy chyb...............................
Doplňky k přednášce 24 Diskrétní řízení Diskrétní metody analogické spojitým
Doplňky k přednášce 24 Diskrétní řízení Diskrétní metody analogické spojitým Michael Šebek Automatické řízení 2013 21-4-13 Metody diskrétního návrhu Metody diskrétního návrhu, které jsou stejné (velmi
Elektrotechnická fakulta
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Elektrotechnická fakulta OPTIMÁLNÍ ROZHODOVÁNÍ A ŘÍZENÍ Jan Štecha Katedra řídicí techniky 1999 Předmluva Toto skriptum je určeno posluchačům 4. ročníku oboru technická
ŠROUBOVÉ SPOJE VÝKLAD
ŠROUBOVÉ SPOJE VÝKLAD Šroubové spoje patří mezi rozebíratelné spoje s tvarovým stykem (lícovaný šroub), popřípadě silovým stykem (šroub prochází součástí volně, je zatížený pouze silou působící kolmo k
Funkce. Limita a spojitost
Funkce. Limita a spojitost skriptum J. Neustupa text Funkce (úvod) na této web stránce III.2 Fce - základní pojmy 1. Definice, def. obor D(f), obor hodnot H(f), graf 2. Fce složená, omezená, 3. Fce sudá,
Náhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
INTERPOLAČNÍ POLYNOM. F (x)... hledaná funkce (polynom nebo funkce vytvořená z polynomů), pro kterou platí
8 Řešení Lagrangeovy a Hermiteovy úlohy interpolace Kateřina Konečná/1 INTERPOLAČNÍ POLYNOM aproximace zadaných hodnot nebo hledané funkce f funkcí F (x) (polynomem) F musí být k f co nejblíže značení:
Vylepšení SNR u SPECT vyšetření
Vylepšení SNR u SPECT vyšetření Ptáček J. Fiala P., Karhan P., Koranda P. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc email: ptacekj@fnol.cz Osnova přednášky poměr signálu k
Vedení tepla v MKP. Konstantní tepelné toky. Analogické úlohám statiky v mechanice kontinua
Vedení tepla v MKP Stacionární úlohy (viz dále) Konstantní tepelné toky Analogické úlohám statiky v mechanice kontinua Nestacionární úlohy (analogické dynamice stavebních konstrukcí) 1 Základní rovnice
Cena celkem včetně DPH. E122099020 1 215 Kč 971332H001 1 656 Kč 52902P000012 1,2 714 Kč Cena bez DPH Cena celkem včetně DPH.
15 000 km/12 měsíců GD015ADCMP00 0,9 536 Kč 30 000 km/24 měsíců 45 000 km/36 měsíců GD030ADCMP00 1,4 833 Kč 4 339 Kč 5 251 Kč GD045ADCMP00 0,9 536 Kč 60 000 km/48 měsíců GD060ADCMP00 1,6 952 Kč 4 790 Kč
2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 3 1 12 7 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Biostatistika a matematické metody epidemiologie- stručné studijní texty
Biostatistika a matematické metody epidemiologie- stručné studijní texty Bohumír Procházka, SZÚ Praha 1 Co můžeme sledovat Pro charakteristiku nebo vlastnost, kterou chceme sledovat zvolíme termín jev.