ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
|
|
- Daniel Ovčačík
- před 6 lety
- Počet zobrazení:
Transkript
1 ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz
2 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ II. VZORKOVÁNÍ Jiří Holčík INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
3 DEFINICE Vzorkováním rozumíme postup výběru podmnožiny dané množiny (signálu, populace, dat) tak, aby vlastnosti vybrané podmnožiny (dostatečně) přesně reprezentovaly vlastnosti celé množiny (signálu, populace, dat).
4 DEFINICE
5 DEFINICE
6 DEFINICE
7 DEFINICE
8 DEFINICE
9 DEFINICE
10 DEFINICE
11 VZORKOVÁNÍ SIGNÁLŮ s(nt)
12 VZORKOVÁNÍ SIGNÁLŮ Shannonův, Nyquistův, Kotělnikovův, Nyquistův-Shannonův, Shannonův- Nyquistův- Kotělnikovův vzorkovací teorém Přesná rekonstrukce spojitého, frekvenčně omezeného, signálu z jeho vzorků je možná tehdy, pokud byl vzorkován frekvencí alespoň dvakrát vyšší než je maximální frekvence rekonstruovaného signálu. f vz 2f max
13 CLAUDE ELWOOD SHANNON ( ) inženýr elektroniky a matematik Zaměstnavatelé Bell Laboratories, Massachusetts Institute of Technology, Institute for Advanced Study University of Michigan Známý díky teorie informace, Shannonův-Fanův kód, Shannonův-Hartleyův zákon, Shannonova hra, Shannonovo číslo, Shannonův index, Shannonova věta o zdrojovém kódu, Shannonův rozvoj, Shannonův-Weaverův komunikační model, Whittakerova Shannonova interpolační formule Ocenění, co stojí za zmínku Alfred Noble Prize (1939) IEEE Medal of Honor Kyoto Prize
14 HARRY THEODOR NYQUIST ( ) inženýr elektroniky Bydliště: USA Občanství: USA Národnost: švédská Zaměstnavatelé: Bell Laboratories, Yale University, University of North Dakota Známý díky Nyquistův-Shannonův vzorkovací teorém, Nyquistova frekvence, Johnsonův-Nyquistův šum, Nyquistovo kritérium stability, Nyquistovo interferenční kritérium, Nyquistův diagram, Nyquistův filtr, věta o rozptylu fluktuací Ocenění, co stojí za zmínku IEEE Medal of Honor
15 ВЛАДИМИР А. KОТЕЛЬНИКОВ ( ) inženýr elektrotechniky, místopředseda RAV, předseda Nejvyššího sovětu RSFSR zaměstnavatelé: Moskevský energetický institut, Institut radiotechniky a elektroniky RAV, Známý díky: Kotělnikovův vzorkovací teorém, rozvinutí teorie Fourierovy analýzy (harmonická analýza), teorie optimální šumové imunity; radioastronomický průzkum Merkuru a Venuše Ocenění, co stojí za zmínku Leninova cena (1964) Asteroid 2726 nazván na jeho počest jeho jménem
16 VZORKOVÁNÍ SIGNÁLŮ
17 VZORKOVÁNÍ SIGNÁLŮ Shannonův, Nyquistův, Kotělnikovův, Nyquistův-Shannonův, Shannonův- Nyquistův- Kotělnikovův vzorkovací teorém Přesná rekonstrukce spojitého, frekvenčně omezeného, signálu z jeho vzorků je možná tehdy, pokud byl vzorkován frekvencí alespoň dvakrát vyšší než je maximální frekvence rekonstruovaného signálu. f vz 2f max
18 FREKVENČNÍ SPEKTRUM Frekvenční spektrum signálu je vyjádření rozložení amplitud a počátečních fází jednotlivých harmonických složek, ze kterých se signál skládá, v závislosti na frekvenci.! ZAPAMATOVAT NA VĚKY!
19 SIGNÁL L EKG A JEHO SPEKTRUM
20 VÝPOČET FREKVENČNÍHO SPEKTRA periodický signál Fourierova řada neperiodický signál Fourierova transformace spojitý signál diskrétní signál
21 FOURIEROVA ŘADA každou periodickou funkci f(t+kt)=f(t), (která vyhovuje Dirichletovým podmínkám), můžeme rozložit ve Fourierovu řadu f(t) = n= c n e jnωt Ω = 2π / T kde c n jsou komplexní Fourierovy koeficienty c n = 1 T T / 2 T / 2 f(t).e jnωt Ω úhlový kmitočet základní harmonické složky (základní harmonická); dt
22 FOURIEROVA TRANSFORMACE S( ω) = s(t).e jωt dt Fourierova transformace Funkci S(ω) nazveme spektrální funkcí signálu. Ta už nevyjadřuje skutečné zastoupení jednotlivých harmonických složek signálu, nýbrž jen jejich poměrné zastoupení. Fourierova transformace převádí signál (funkci) s(t) z časové domény na funkci S(ω) v kmitočtové oblasti.
23 DISKRÉTN TNÍ FOURIEROVA TRANSFORMACE - DFT předpokládejme, že diskrétní signál x(nt)=0 pro n< 0 a n N-1, pak DFT je definována vztahem X(kΩ) = N 1 n= 0 x(nt).e jkωnt = N 1 n= 0 x(n).e j2πkn / N
24 VZORKOVACÍ TEORÉM Vzorkovací frekvence: f vz 2f max = f N, kde f max je maximální kmitočet ve vzorkovaném signálu f N Nyquistův, (Shannonův, Kotelnikovův) kmitočet T N = 1/f N = 1/2f max Nyquistův interval (perioda), vzorkovací interval (perioda)
25 VZORKOVACÍ TEORÉM Reálné vzorkování
26 VZORKOVACÍ TEORÉM Aliasing překrývání spekter V případě použití nižší vzorkovací frekvence může dojít k tzv. aliasingu, kdy rekonstruovaný signál je výrazně odlišný od původního vzorkovaného signálu.
27 VZORKOVACÍ TEORÉM M V PRAXI V praxi se vzorkovací frekvence volí dvakrát větší plus ještě nějaká rezerva než je maximální požadovaná přenášená frekvence. V telekomunikacích je to např. 8 khz, neboť je třeba přenášet pouze signály ve standardním telefonním pásmu (od 0,3 do 3,4 khz zaokrouhleno směrem nahoru 4 khz). U záznamu na CD je to zas 44,1 khz neboť zdravé lidské ucho slyší maximálně cca do 20 khz a tudíž vzorkovací frekvence 44,1 khz byla zvolena s velkou rezervou.
28 VZORKOVACÍ TEORÉM M V PRAXI V praxi se vzorkovací frekvence volí dvakrát větší plus ještě nějaká rezerva než je maximální požadovaná přenášená frekvence. U medicínských signálů je rezerva větší vzorkovací frekvence se volí až 4 5 násobek maximální frekvence ve spektru.!!! PROČ TO VŠECHNO?!!!
29 REKONSTRUKCE SIGNÁLU
30 DEFINICE STATISTIKA Vzorkování je postup selekce jednotlivých pozorování s cílem získat určitou znalost o dané populaci, zejména pro účely statistické inference. inference ~ usuzování, odvozování určitých výroků z jiných; odvozování souvislostí např. ze smyslových vjemů: z vnímaného výrazu obličeje se usuzuje na pravděpodobně právě prožívaný emoční či afektivní stav pozorované osoby.
31 DEFINICE
32 DEFINICE
33 POPULACE BIOLOGIE Populace je soubor (navzájem se křížících) organismů určitého druhu. SOCIOLOGIE Populace je soubor lidských bytostí, které sdílí určitý rys. použití: demografie, marketing, medicína (epidemiologie) zobecnění i do neživého světa testování výrobků, vstupů do výroby Populace je soubor objektů určitého druhu.
34 POPULACE STATISTIKA Statistická populace je množina objektů, o nichž chceme získat určitou informaci (znalost, zobecnění), často je to náhodný vzorek dané skutečné populace. omezení v čase a prostoru: raci jen ti co jsou (případně budou) v určité lokalitě
35 POPULACE STATISTIKA Statistická populace je množina objektů, o nichž chceme získat určitou informaci (znalost, zobecnění), často je to náhodný vzorek dané skutečné populace. Pojmu populace se také používá pro vyjádření souboru možných měření nebo hodnot, nejen těch skutečně určených, ale i těch, které je možné určit. Předpokládejme, že nás zajímají všichni dospělí raci v České republice a chceme zjistit jejich délku. Je třeba určit délku všech výše uvedených a množinu všech těchto hodnot nazýváme populací délek.
36 VZORKOVÁNÍ - STATISTIKA Vzorkováním ve statistice rozumíme proces sbírání informací a z nich odvozovaných znalostí ze vzorku populace. Jak se to liší od vzorkování signálu? množina reprezentující vzorek populace není uspořádaná pro každé dva prvky neplatí relace např. předchází, je vlevo od, ; z hodnot vlastností charakterizujících prvky zpravidla neurčujeme celkovou mapu rozvrstvení hodnot, nýbrž pouze nějakou souhrnnou hodnotu.
37 VZORKOVÁNÍ - STATISTIKA
38 VZORKOVÁNÍ - STATISTIKA
39 VZORKOVÁNÍ - STATISTIKA
40 JOSEPH HOBSON JAGGER britský strojní inženýr prý vzdálený příbuzný sira Micka Jaggera ( ) MUŽ, KTERÝ ROZBIL BANK V MONTE CARLU zisk celé hráčské akce (začátek analýzy1873, akce ) ~ 65,000 (cca 3,250,000 in 2005)
41 VZORKOVÁNÍ - STATISTIKA Vzorkováním ve statistice rozumíme proces sbírání informací a z nich odvozovaných znalostí ze vzorku populace. Jak ten vzorek volíme? náhodný vzorek (výběr) je takový vzorek, kde pravděpodobnost výskytu jakéhokoliv prvku ve vzorku je táž jako pravděpodobnost jeho výskytu v celé populaci. nenáhodný výběr
42 NÁHODNÝ VZOREK (VÝBĚR) Náhodný výběr z daného rozdělení pravděpodobnosti je množina nezávislých náhodných veličin X 1,X 2,...,X n, které mají dané rozdělení pravděpodobnosti. Číslo n, které představuje počet vzájemně nezávislých opakování náhodného pokusu, se označuje jako rozsah náhodného výběru.
43 NÁHODNÝ VZOREK (VÝBĚR) Výběr vzorků ve statistice, na rozdíl od vzorkování signálu, se řídí pravděpodobnostními vlastnostmi (charakteristikami) sledované množiny objektů (dějů).
44 NÁHODNÝ VZOREK (VÝBĚR) Výběr představuje n pozorování (pokusů), při kterých měříme tutéž veličinu (např. výška osoby a měříme n osob, X i je výška i-té osoby). Pozn.: Je potřeba rozlišovat naměřenou hodnotu od její skutečné realizace. Tedy X i je funkcí způsobu určení i-tého experimentu a x i =X i (ω) je hodnota kterou skutečně zjistíme. Koncept výběru tak zahrnuje i proces určení hodnoty dat, ten má pravděpodobnostní, ale může mít i časové charakteristiky.
45 VZORKOVÁNÍ VODY
46 VZORKOVÁNÍ VODY
47 PROCEDURA VZORKOVÁNÍ vzorkovací procedura sestává z několika stádií: definice populace specifikace schéma vzorkování (vzorkovací plán) (definice položek a jevů, které můžeme měřit) specifikace metody vzorkování pro výběr položek a jevů z rámce určení velikosti vzorku implementace vzorkovacího plánu vzorkování a sběr dat kontrola vzorkovacího procesu
48 DEFINICE POPULACE onkologičtí pacienti v ČR (výběr je zpravidla užší); výrobní dávka při hodnocení kvality výroby; celkové chování rulety; posloupnost délek srdečních cyklů při zkoumání variability srdečního rytmu; populace třásněnek na jižních svazích Vysokých Tater;
49 DEFINICE POPULACE definice populace často vychází ze snahy o zkoumání příčinného systému, jehož výstupem je zkoumaná populace Př. úspěšnost nasazení nového léku na testovací skupině, při snaze předpovědět efekt léčby pro celé lidstvo. někdy se mohou cílová a vzorková populace zcela lišit Př. testování léčebné procedury na laboratorních zvířatech, když chceme zjistit její vhodnost na lidské populaci
50 SCHÉMA VZORKOVÁNÍ výstup výroby každý výrobek lze vložit do vzorku a měřit co potřebujeme; odhad volebních preferencí;
51 SCHÉMA VZORKOVÁNÍ vzorkovací schéma musí správně reprezentovat populaci; musí respektovat praktické, technické, ekonomické, etické otázky a prostředí jednoduché schéma obsahuje seznam prvků populace (ideálně celou populaci) spolu potřebnými kontakty; při průzkumu veřejného mínění, např.: seznam voličů telefonní seznam plán města
52 SCHÉMA VZORKOVÁNÍ co když jsou populace a schéma disjunktní? to je problém predikce, např. použití údajů o mortalitě z minulosti pro predikci pravděpodobnosti předčasné smrti žijících osob pomocné informace o prvcích telefonní číslo mohlo poskytnout informaci o umístění stanice rodné číslo obsahuje informaci o datu narození a pohlaví registrační značka automobilu obsahuje informaci o místě registrace, příp. i stáří automobilu
53 METODY VZORKOVÁNÍ pravděpodobnostní (náhodný) výběr každý člen populace má šanci (P>0) že bude vybrán a pravděpodobnost výběru může být přesně určena lze stanovit nestranný odhad pro celou populaci, váhování členů podle pravděpodobnosti výběru náhodný výběr systematický výběr stratifikovaný výběr.
54 METODY VZORKOVÁNÍ nepravděpodobnostní výběr nějaký člen populaci nemůže být vybrán, resp. pravděpodobnost výběru nemůže být stanovena výsledky získané nad nepravděpodobnostním výběrem nemohou být zobecněny pro celou populaci, resp. jakákoliv generalizace musí zohledňovat znalost studovaného problému je zpravidla levnější; výsledky mají omezenou platnost příležitostný výběr rozhodující je dostupnost dat; výběr se stanovenou kvótou (je daná kvóta a může být vybrán jakýkoliv prvek, pokud je splněna kvóta); účelový výběr podle zamýšleného přínosu k výsledku (experti);
55 JEDNODUCHÝ NÁHODNÝ N VÝBĚR je daná velikost vybrané množiny; každý člen populace má stejnou pravděpodobnost výběru; rámec není jakkoliv členěn; minimalizuje se chyba odhadu a zjednodušuje se analýza výsledků; možné chyby výběr nereprezentuje složení populace (vliv pohlaví)
56 SYSTEMATICKÝ VÝBĚR výběr podle určitého předpisu (např. každý k-tý člen); randomizace tím, že začátek je stanoven náhodně; užitečné při analýze databází; náchylné na chyby způsobené periodicitou v datech, pokud je perioda v datech závislá na redukčním poměru
57 STRATIFIKOVANÝ VÝBĚR Pokud v populaci sledujeme několik různých vlastností (kategorií), můžeme rámec organizovat (rozdělit) podle těchto kategorií zajišťuje, že každá kategorie je přiměřeně zastoupena ve výběru; zlepšuje se možnost dohledu nad složením vzorku proměnná velikost jednotlivých podmnožin
58 VELIKOST VZORKU n - počet pozorování, počet prvků výběru, čím větší, tím větší přesnost odhadu je-li standardní odchylka prvků v náhodném výběru s nezávislými pozorováními σ, pak standardní chyba výběrového průměru je σ /n ½ čím větší n, tím menší variabilita odhadu, tím větší senzitivita testování hypotéz a menší intervaly spolehlivosti tím je ale i dražší sběr dat
59 VZORKOVÁNÍ A SBĚR R DAT Správný sběr dat zahrnuje: stálé dodržování výběrového postupu; udržování stanovené následnosti dat; zaznamenávání kontextuálních událostí; zaznamenání případů bez odezvy.
60 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ 5. letní škola Matematické biologie je podporována projektem ESF č. CZ.1.07/2.2.00/ VÍCEOBOROVÁ INOVACE STUDIA MATEMATICKÉ BIOLOGIE INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
Úvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz, Kamenice 3, 4. patro, dv.č.424 INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. FREKVENČNÍ TRASFORMACE SPOJITÉ
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
Více1. Statistická analýza dat Jak vznikají informace Rozložení dat
1. Statistická analýza dat Jak vznikají informace Rozložení dat J. Jarkovský, L. Dušek, S. Littnerová, J. Kalina Význam statistické analýzy dat Sběr a vyhodnocování dat je způsobem k uchopení a pochopení
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
Vícefluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot Heart Rate Variability) je jev, který
BIOLOGICKÉ A LÉKAŘSKÉ SIGNÁLY VI. VARIABILITA SRDEČNÍHO RYTMU VARIABILITA SRDEČNÍHO RYTMU VARIABILITA SRDEČNÍHO RYTMU, tj. fluktuace jak dob trvání po sobě jdoucích srdečních cyklů, tak hodnot okamžité
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
VíceKTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceP7: Základy zpracování signálu
P7: Základy zpracování signálu Úvodem - Signál (lat. signum) bychom mohli definovat jako záměrný fyzikální jev, nesoucí informaci o nějaké události. - Signálem je rovněž funkce, která převádí nezávislou
VíceLineární a adpativní zpracování dat. 3. Lineární filtrace I: Z-transformace, stabilita
Lineární a adpativní zpracování dat 3. Lineární filtrace I: Z-transformace, stabilita Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály, systémy, jejich vlastnosti a popis v časové
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceOsnova. Idea ASK/FSK/PSK ASK Amplitudové... Strana 1 z 16. Celá obrazovka. Konec Základy radiotechniky
Pulsní kódová modulace, amplitudové, frekvenční a fázové kĺıčování Josef Dobeš 24. října 2006 Strana 1 z 16 Základy radiotechniky 1. Pulsní modulace Strana 2 z 16 Pulsní šířková modulace (PWM) PAM, PPM,
Více1. Základy teorie přenosu informací
1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.
VíceZáklady a aplikace digitálních. Katedra radioelektroniky (13137), blok B2, místnost 722
Základy a aplikace digitálních modulací Josef Dobeš Katedra radioelektroniky (13137), blok B2, místnost 722 dobes@fel.cvut.cz 6. října 2014 České vysoké učení technické v Praze, Fakulta elektrotechnická
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
Více31SCS Speciální číslicové systémy Antialiasing
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE 2006/2007 31SCS Speciální číslicové systémy Antialiasing Vypracoval: Ivo Vágner Email: Vagnei1@seznam.cz 1/7 Převod analogového signálu na digitální Složité operace,
VíceFunkce komplexní proměnné a integrální transformace
Funkce komplexní proměnné a integrální transformace Fourierovy řady I. Marek Lampart Text byl vytvořen v rámci realizace projektu Matematika pro inženýry 21. století (reg. č. CZ.1.07/2.2.00/07.0332), na
VíceDigitalizace převod AS DS (analogový diskrétní signál )
Digitalizace signálu v čase Digitalizace převod AS DS (analogový diskrétní signál ) v amplitudě Obvykle převod spojité předlohy (reality) f 1 (t/x,...), f 2 ()... připomenutí Digitalizace: 1. vzorkování
VíceSTATISTICKÝ SOUBOR. je množina sledovaných objektů - statistických jednotek, které mají z hlediska statistického zkoumání společné vlastnosti
ZÁKLADNÍ STATISTICKÉ POJMY HROMADNÝ JEV Statistika pracuje s tzv. HROMADNÝMI JEVY cílem statistického zpracování dat je podání informace o vlastnostech a zákonitostech hromadných jevů: velkého počtu jedinců
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
VíceVY_32_INOVACE_E 15 03
Název a adresa školy: Střední škola průmyslová a umělecká, Opava, příspěvková organizace, Praskova 399/8, Opava, 746 01 Název operačního programu: OP Vzdělávání pro konkurenceschopnost, oblast podpory
VíceBiofyzikální ústav LF MU Brno. jarní semestr 2011
pro obor Ošetřovatelská péče v gerontologii Biofyzikální ústav LF MU Brno jarní semestr 2011 Obsah letmý dotyk teorie systémů klasifikace a analýza biosignálů Co je signál? Co je biosignál? Co si počít
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VícePočítačové sítě. Lekce 5: Základy datových komunikací
Počítačové sítě Lekce 5: Základy datových komunikací Přenos dat V základním pásmu Nemodulovaný Baseband V přeloženém pásmu Modulovaný Broadband Lekce 5: Základy datových komunikací 2 Přenos v základním
Víceanalýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
Vícedoc. Dr. Ing. Elias TOMEH Elias Tomeh / Snímek 1
doc. Dr. Ing. Elias TOMEH e-mail: elias.tomeh@tul.cz Elias Tomeh / Snímek 1 Frekvenční spektrum Dělení frekvenčního pásma (počet čar) Průměrování Časovou váhovou funkci Elias Tomeh / Snímek 2 Vzorkovací
VíceVlastnosti a modelování aditivního
Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t),
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceMultimediální systémy
Multimediální systémy Jan Outrata KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI přednášky Získání obsahu Jan Outrata (Univerzita Palackého v Olomouci) Multimediální systémy Olomouc, září prosinec
VíceNáhodné signály. Honza Černocký, ÚPGM
Náhodné signály Honza Černocký, ÚPGM Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu } Můžeme vypočítat Málo informace! Náhodné Nevíme přesně Pokaždé jiné Především
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceZáklady biostatistiky
Základy biostatistiky Veřejné zdravotnictví 3.LF UK Viktor Hynčica Úvod se statistikou se setkáváme denně ankety proč se statistika začala používat ve zdravotnictví skupinový přístup k léčení celé populace
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
VíceÚvod do problematiky měření
1/18 Lord Kelvin: "Když to, o čem mluvíte, můžete změřit, a vyjádřit to pomocí čísel, něco o tom víte. Ale když to nemůžete vyjádřit číselně, je vaše znalost hubená a nedostatečná. Může to být začátek
VíceStatistika, Biostatistika pro kombinované studium Letní semestr 2011/2012. Tutoriál č. 4: Exploratorní analýza. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2011/2012 Tutoriál č. 4: Exploratorní analýza Jan Kracík jan.kracik@vsb.cz Statistika věda o získávání znalostí z empirických dat empirická
VíceSignál v čase a jeho spektrum
Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceA7B31ZZS 4. PŘEDNÁŠKA 13. října 2014
A7B31ZZS 4. PŘEDNÁŠKA 13. října 214 A-D převod Vzorkování aliasing vzorkovací teorém Kvantování Analýza reálných signálů v časové oblasti řečové signály biologické signály ---> x[n] Analogově-číslicový
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceA/D převodníky - parametry
A/D převodníky - parametry lineární kvantování -(kritériem je jednoduchost kvantovacího obvodu), parametry ADC : statické odstup signálu od kvantizačního šumu SQNR, efektivní počet bitů n ef, dynamický
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik
VíceAnalytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality RNDr. Alena Mikušková FN Brno Pracoviště dětské medicíny, OKB amikuskova@fnbrno.cz Analytické znaky laboratorní metody
VícePříloha č. 1. amplitudová charakteristika filtru fázová charakteristika filtru / frekvence / Hz. 1. Určení proudové hustoty
Příloha č. 1 Při hodnocení expozice nízkofrekvenčnímu elektromagnetickému poli (0 Hz 10 MHz) je určující veličinou modifikovaná proudová hustota J mod indukovaná v tělesné tkáni. Jak je uvedeno v nařízení
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz @iba.muni.cz,, Kamenice 3, 4. patro, dv.č.44.44 INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz XI. STABILITA
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VícePeriodicita v časové řadě, její popis a identifikace, exponenciální vyrovnáván
Periodicita v časové řadě, její popis a identifikace, exponenciální vyrovnávání Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Periodicita v časových
VíceVýpočet pravděpodobností
Výpočet pravděpodobností Pravděpodobnostní kalkulátor v programu STATISTICA Cvičení 5 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen 2016 Ambrožová Klára Trocha teorie Náhodné jevy mají
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VícePřednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy
Přednáška XI. Asociace ve čtyřpolní tabulce a základy korelační analýzy Relativní riziko a poměr šancí Princip korelace dvou náhodných veličin Korelační koeficienty Pearsonůva Spearmanův Korelace a kauzalita
VíceStatistika. Základní pojmy a cíle statistiky. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Základní pojmy a cíle statistiky Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Statistika Pojmy a cíle
VíceInženýrská statistika pak představuje soubor postupů a aplikací teoretických principů v oblasti inženýrské činnosti.
Přednáška č. 1 Úvod do statistiky a počtu pravděpodobnosti Statistika Statistika je věda a postup jak rozvíjet lidské znalosti použitím empirických dat. Je založena na matematické statistice, která je
VíceZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH. Jiří Tůma
ZPRACOVÁNÍ SIGNÁLŮ Z MECHANICKÝCH SYSTÉMŮ UŽITÍM FFT Jiří Tůma Štramberk 1997 ii Anotace Cílem této knihy je systematicky popsat metody analýzy signálů z mechanických systémů a strojních zařízení. Obsahem
VíceZáklady navrhování průmyslových experimentů DOE
Základy navrhování průmyslových experimentů DOE cílová hodnota 1. Úvod, Analýza procesu Gejza Dohnal střední hodnota cílová hodnota Řízení jakosti (kvality) Plánování experimentů - historie Klasický přístup
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceLineární a adaptivní zpracování dat. 3. SYSTÉMY a jejich popis ve frekvenční oblasti
Lineární a adaptivní zpracování dat 3. SYSTÉMY a jejich popis ve frekvenční oblasti Daniel Schwarz Osnova Opakování: systémy a jejich popis v časové oblasti Fourierovy řady Frekvenční charakteristika systémů
VíceGrafika na počítači. Bc. Veronika Tomsová
Grafika na počítači Bc. Veronika Tomsová Proces zpracování obrazu Proces zpracování obrazu 1. Snímání obrazu 2. Digitalizace obrazu převod spojitého signálu na matici čísel reprezentující obraz 3. Předzpracování
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceMATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ
MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ Má-li analytický výsledek objektivně vypovídat o chemickém složení vzorku, musí splňovat určitá kriteria: Mezinárodní metrologický slovník (VIM 3),
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
VíceIntuitivní pojem pravděpodobnosti
Pravděpodobnost Intuitivní pojem pravděpodobnosti Intuitivní pojem pravděpodobnosti Pravděpodobnost zkoumaného jevu vyjadřuje míru naděje, že tento jev nastane. Řekneme-li, že má nějaký jev pravděpodobnost
Více1 Zpracování a analýza tlakové vlny
1 Zpracování a analýza tlakové vlny 1.1 Cíl úlohy Prostřednictvím této úlohy se naučíte a zopakujete: analýzu biologických signálů v časové oblasti, analýzu biologických signálů ve frekvenční oblasti,
VíceNáhodná veličina a rozdělení pravděpodobnosti
3.2 Náhodná veličina a rozdělení pravděpodobnosti Bůh hraje se světem hru v kostky. Jsou to ale falešné kostky. Naším hlavním úkolem je zjistit, podle jakých pravidel byly označeny, a pak toho využít pro
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Testy hypotéz na základě více než 2 výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testy hypotéz na základě více než 2 výběrů Na analýzu rozptylu lze pohlížet v podstatě
VíceTestování hypotéz. Testování hypotéz o rozdílu průměrů t-test pro nezávislé výběry t-test pro závislé výběry
Testování hypotéz Testování hypotéz o rozdílu průměrů t-test pro nezávislé výběry t-test pro závislé výběry Testování hypotéz Obecný postup 1. Určení statistické hypotézy 2. Určení hladiny chyby 3. Výpočet
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceČíslicové zpracování a analýza signálů (BCZA) Spektrální analýza signálů
Číslcové zpracování a analýza sgnálů (BCZA) Spektrální analýza sgnálů 5. Spektrální analýza sgnálů 5. Spektrální analýza determnstckých sgnálů 5.. Dskrétní spektrální analýza perodckých sgnálů 5..2 Dskrétní
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
Více1. 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
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VícePojem a úkoly statistiky
Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Pojem a úkoly statistiky Statistika je věda, která se zabývá získáváním, zpracováním a analýzou dat pro potřeby
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceZáklady popisné statistiky
Základy popisné statistiky Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 8. přednáška z ESMAT Michal Fusek (fusekmi@feec.vutbr.cz) 1 / 26 Obsah 1 Základy statistického zpracování dat 2
VíceVOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSMOVÝCH SIGNÁLŮ
VOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSOVÝCH SIGNÁLŮ Jiří TŮA, VŠB Technická univerzita Ostrava Petr Czyž, Halla Visteon Autopal Services, sro Nový Jičín 2 Anotace: Referát se zabývá
VíceKomprese dat Obsah. Komprese videa. Radim Farana. Podklady pro výuku. Komprese videa a zvuku. Komprese MPEG. Komprese MP3.
Komprese dat Radim Farana Podklady pro výuku Obsah Komprese videa a zvuku. Komprese MPEG. Komprese MP3. Komprese videa Velký objem přenášených dat Typický televizní signál - běžná evropská norma pracuje
VíceJana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
VíceÚvod do modelování a simulace. Ing. Michal Dorda, Ph.D.
Úvod do modelování a simulace systémů Ing. Michal Dorda, Ph.D. 1 Základní pojmy Systém systémem rozumíme množinu prvků (příznaků) a vazeb (relací) mezi nimi, která jako celek má určité vlastnosti. Množinu
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
Více