Přednáška kurzu MPOV. Klasifikátory, strojové učení, automatické třídění 1
|
|
- Daniel Fišer
- před 8 lety
- Počet zobrazení:
Transkript
1 Přednáška kurzu MPOV Klasifikáory, srojové učení, auomaické řídění 1 P. Peyovský ( peyovsky@feec.vubr.cz), kancelář E530, Inegrovaný objek - 1/25 -
2 Přednáška kurzu MPOV... 1 Pojmy... 3 Klasifikáor... 5 Příklady klasifikačních meod Lineární klasifikáor Bayesův klasifikáor Zlepšení přesnosi klasifikace - Boosing Meoda AdaBoos Markovovy modely Principal componens analysis (PCA, LDA) Lieraura, použié obrázky /25 -
3 Pojmy Srojové učení Srojová klasifikace paern recogniion. Nauka o získávání a zpracování znalosí. daa Algorimus výsledek daa Klasifikační algorimus výsledek znalos Obr. 1 Srovnání přísupu ke klasickému zpracování da a při srojové klasifikaci Znalos Informace o dané problemaice. Další rozdělení: Mělká znalos vychází z pozorování skuečnosi, povrchní popis jevů. Hloubková znalos vyjadřuje vniřní zákoniosi jevů (např. Ohmův zákon). Deklaraivní znalos lze formálně zapsa jako pravidla (např. pravidla pro hraní šachu). Procedurální znalos znalos získaná opakovaným prováděním, cvičením (např. hraní šachu, řízení vozidla). Taková znalos obsahuje mnoho aspeků, pro pořeby srojového učení obížně využielné. (sraegie, ypické variany ad.) - 3/25 -
4 Inference Posup k dosažení výsledku odvození. Základní ypy jsou dedukce, abdukce, indukce. F T C. Dedukce - pokud známe F, T a určujeme C. Vždy jisý správný výsledek (s ohledem na správné T) (např. T: y=x^2; F:x=2; C:y=??). Abdukce proces, kdy známe C, T a hledáme F. Není zaručen správný výsledek (např. T: y=x^2; C:y=9; F:x=3 nebo x=-3?). Indukce proces, kdy známe F, C a hledáme T. Není zaručen správný výsledek (např. F:x=3; C:y=9; T: y=x^2 nebo y=x*3, ad..??) Srojové učení edy předsavuje proces hledání (inference) znalosi pomocí mechanismů indukce. - 4/25 -
5 Klasifikáor Je algorimus, kerý při vhodné množině znalosí je schopen úspěšně rozdělova vsupní daa s hodnoami aribuů (příznaků), do výsupních předem zvolených skupin (říd). Vhodná volba klasifikačního algorimu předsavuje nunou podmínku k úspěšné klasifikaci. Příznaky (X 1,X n ) X 1 X 2 X 3.. X n Rozhodovací pravidlo Y=d(X) Klasifikované řídy (Y 1 -Y r ) Y r Obr. 2 - Vsupy a výsupy klasifikáoru Pozn.: V případě, že poče výsupních říd klasifikáoru je roven dvěma (ano / ne), jedná se o zv. úlohy dichoomické klasifikace. Úkolem srojového učení je zvoli: Vhodné příznaky Klasifikační meodu Meodu učení, vyhodnocení chyb klasifikace Inerpreaci výsledků učení Implemenaci klasifikáoru do cílové aplikace - 5/25 -
6 Posup použií klasifikační meody: 1. Učení generování znalosí (modelu) s ohledem na yp klasifikáoru. 2. Ověřování verifikace znalosí na jiných daech, než byly použiy při učení a výpoče přesnosi klasifikace. 3. Klasifikace běžný provoz naučeného klasifikáoru. Určení přesnosi klasifikace Lze ji vyjádři jako procenuální poměr mezi počem správně zařazených vzorů k poču všech předložených vzorů v esovací množině. δ klas = 100 N N ok celk [%] Pozn. Pro dichoomické úlohy předsavuje chyba klasifikace 50% zv. nenaučený klasifikáor (j. klasifikáor odpovídající na předložené vzory naproso náhodně). - 6/25 -
7 Komplení a konzisenní model znalosí klasifikáoru Tyo pojmy předsavují popis modelu vzhledem k určié řídě: Komplení model Učením vzniklá množina znalosí pokrývá všechny poziivní případy, ale možná i někeré negaivní. Konzisenní model Učením vzniklá množina znalosí nepokrývá žádný negaivní případ, ale možná nepokrývá i někeré poziivní. X 2 Ideální separace prosoru aribuů (ideální hranice klasifikace) Naučená hranice klasifikace konzisenní vzhledem k + Naučená hranice klasifikace Komplení vzhledem k + X 1 Obr. 3 - Komplení a konzisenní model znalosí - 7/25 -
8 Přerénování over-fiing klasifikáoru X 2 Odchylka vzoru v rénovací množině vlivem chyby měření nebo šumu. Tyo vzory v rénovací množině chyběly, a proo se neúčasnily procesu učení. Přerénovaný klasifikáor separoval prosor aribuů ako. X 1 Obr. 4 - Problém přerénování klasifikáoru Na obrázku je parný problém přerénování klasifikáoru. Proo je lépe nerva na konzisenci případně úplnosi popisu pokud o není nuné (brá ohled na aplikaci). Příliš přesný popis vzhledem k rénovací množině má velmi časo nižší přesnos vzhledem k reálným daům. - 8/25 -
9 Rozdělení klasifikáorů: Dle použiých meod klasifikace: Symbolické Meody založené na rozhodovacích sromech (např. ID3). Subsymbolické nebo aké biologicky inspirované meody (např. neuronové síě, geneické algorimy). Saisické využívající regresní nebo jiné saisické meody (např. Bayesův odhad). Paměťové meody založené na ukládání insancí říd (např. IBL). Dle charakeru učení: Dávkové Zpracuje vždy celou cvičnou množinu naráz. Typické pro symbolické meody klasifikace. Inkremenální Cvičné příklady lze dodáva posupně, naučená znalos se podle nich průběžně akualizuje. Typické pro saisické meody klasifikace. Inkremenální se zapomínáním Zapomínání čásí znalosí se muže jevi jako výhodné v případě, kdy je někerý významný aribu skry nebo jsou někeré hodnoy aribuů cvičné množiny zaíženy šumem více než jiné. - 9/25 -
10 Příklady klasifikačních meod Lineární klasifikáor Předsavuje jednoduchou klasifikační meodu založenou na rozdělení prosoru příznaků pomocí po čásech lineárními úseky. Prosor příznaků je obecně prosor s mnoha dimenzemi proo hovoříme o separaci prosoru příznaků nadrovinami (popř. nadplochami). X 2 Y 1 Y 2 Naučená hranice klasifikace Problém vyvoření rozdělující nadroviny (nadplochy) Y 3 X 1 Obr. 5 - Příklad lineárně separabilního prosoru příznaků - 10/25 -
11 ? X 1 g 1 X 2 g 2 Y n X n g n sign s r Obr. 6 - Schéma lineárního klasifikáoru = g X + g X g n X n Úkolem učení klasifikáoru je zvoli vhodné konsany g (případně paramery funkce sign). Pokud lze uo podmínku separace prosoru (na lineární oblasi pařící do jedné řídy) splni (při chybě klasifikace 0%), hovoříme o lineární separabiliě prosoru příznaků. - 11/25 -
12 Návrh lineárního klasifikáoru je možné si aké předsavi jako výběr vhodného reprezenana řídy v prosoru příznaků (zv. ealon, normál). Proces učení poom předsavuje výběr vhodného ealonu zasupujícího celou řídu. Proces klasifikace neznámého vzoru lze v omo případě převés na hledání nejmenší vzdálenosi neznámého vzoru od někerého z ealonů říd. Neznámý vzor je následně klasifikován do é řídy, od keré má nejmenší vzdálenos. Funkce pro určení míry vzdálenosi se nazývá diskriminační funkce, a má nejčasěji var eukleidovské vzdálenosi. V s X = T ( V X ) ( V X ) Kde V s předsavuje informaci o poloze s-ého ealonu v prosoru příznaků. X předsavuje informaci o poloze klasifikovaného vzoru. Úkolem je naléz minimum vzdálenosi od někerého z ealonů. min V = X T s X 2 = min( V X 2 max( V T S T s s V s X - 12/25-2 V 1 2 V T S T s S X + V s ) X T X ) = Výraz X T X má pro každý z ealonů konsanní hodnou, proo ho lze při výpoču maxima odsrani (pozn. Sejně jako násobení výsledku konsanou). Výsledná diskriminační funkce lze edy zapsa ve varu: 1 2 T T ( VS X Vs Vs Hodnoa výrazu ( 1 / 2 V s T V s ) závisí pouze na poloze daného ealonu, proo je možné ji v rámci zrychlení klasifikace vypočía dopředu a uloži společně s informacemi o poloze ealonu v prosoru příznaků. Pozn. Pro dichoomické úlohy klasifikace není nuné vyhodnocova hodnoy diskriminační funkce vždy pro oba ealony, sačí vyhodnoi rozdíl obou diskriminačních funkcí a klasifikova vzor na základě znaménka oho rozdílu. sign T T ( 1 T T V V ) X ( V V V )) ( V1 2 )
13 Bayesův klasifikáor Paří do skupiny saisických klasifikáorů, umožňuje inkremenální i dávkové učení. Naučená znalos (model) je reprezenován pravděpodobnosním rozložením říd. Při klasifikaci je zvolena řída s nejvyšší pravděpodobnosí. Podmíněná pravděpodobnos závislá na konjunkci jevů se nahradí funkcí podmíněných pravděpodobnosí jednoduchých jevů. Proo meoda požaduje úplnou vzájemnou saisickou nezávislos aribuů. Učení Pro řídy C i, příznaky A j a jejich hodnoy V jk (zn. k-á hodnoa j-ého příznaku) se zaznamenává do abulky, kolikrá se ve cvičné množině: N i,j,k vyskyl jev, kdy současně: řída C i a hodnoa V j,k, přesněji A j = V j,k Pro klasifikaci jsou dále ukládány yo hodnoy: T i - poče případů řídy C i T j,k - poče případů, kdy A = V j j,k T - celkový poče příkladů. Klasifikace Za předpokladu, že neznámá insance má hodnoy V 1,a,V 2,b,...,V N,q, je pravděpodobnos, že insance paří do řídy C i, určena podmíněnou pravděpodobnosí P(C i V 1,a, V 2,b,..., V N,q ). Pro empirické získání éo pravděpodobnosi obvykle nejsou k dispozici pořebná rénovací daa. Proo se ao pravděpodobnos vypočíá na základě dílčích empirických pravděpodobnosí P(C i V jk ), resp. P(V jk C i ). - 13/25 -
14 Pro dosi vysoká čísla T, N ijk, T jk, T i : P(C i ) = T i / T (1) P(V jk ) = T jk / T (2) P(C i V jk ) = N ijk / T jk (3) P(V jk C i ) = N ijk / T i (4) Za předpokladu nezávislosi příznaků, lze dosadi za: P(C i V 1,a,V 2,b,...,V N,q ) = P(C i ) * N j=1 ( P(Ci V j,k ) / P(C i ) ), (1.1) nebo: P(C i V 1,a,V 2,b,...,V N,q ) = P(C i ) * N j=1 ( P(Vj,k C i ) / P(V j,k )), kde N je poče příznaků. - 14/25 -
15 Modifikovaná variana: Obecněji lze (1) a (3) nahradi heurisikami (dle Cesnik, ECAI-90): P(C i ) = (T i + 1) / (T + M), N i,j,k + M * P(C i ) P(C i V j,k ) = , T j,k + M Vhodné pro případy, kdy v rénovací množině není zasoupena nějaká řída, hodnoa příznaku nebo řída s hodnoou příznaku. M - nuno nasavi experimenálně, doporučováno M= /25 -
16 Příklad: baerie: P,W {silná (power), resp. slabá (weak)} konaky: C,D {čisé (clean), resp. znečišěné (diry)} řída: +,- (saruje, nesaruje) Trénovací množina: baerie konaky řída ==================================== P C + P D + P C - W C + P D + W C + P D - P D + W D - W C + Učením získaná abulka pravděpodobnosí (báze znalosí): N i,j,k řídy: T j,k : + - (hodnoa) baerie P baerie W konaky C konaky D T i (řídy) Použií např.: Jaká je šance nasarování v případě, že baerie je slabá (W) a konaky jsou znečišěné (D) dle (1.1): P(+ W,D) = P(+) * P(+ V ba,w )/ P(+) * P(+ V kon,d )/ P(+) =... = 64.3% P( - W,D) =... = 33.3% Pozn. Z výsledků pravděpodobnosi opačných jevů je parné, že rénovací množina nesplňuje dokonale podmínku saisické nezávislosi příznaků. - 16/25 -
17 Zlepšení přesnosi klasifikace - Boosing Boosing meody předsavují zv. mea algorimy učení j. meody jak co nejlépe uči klasifikáory. Boosing zavádí pojem weak learner (španý žák) j. klasifikáor kerý má jen o rochu lepší úspěšnos klasifikace než klasifikáor kerý klasifikuje naproso nahodile (nenaučený klasifikáor). Boosing meody jak spoji více španých klasifikáorů jednoho zv. úspěšnějšího klasifikáoru (zv. Srong classifier). Meoda edy předsavuje vylepšené učení využívající obecně mnoha klasifikáorů učených nad sejnými vsupními day. Meoda AdaBoos Adapive Boosing, auoři: Yoav Freund, Rober Schapire, (obdrželi v roce 2003 Gödel prize) Určena pro dichoomické úlohy klasifikace. Je definována rénovací množina: ( 1 Je definována množina španých žáků (klasifikáorů) x1, y ),...,( xm, ym ); xi X, yi Y = { 1, + 1} h : X { 1, + 1} h Η - 17/25 -
18 Hledám výsledný klasifikáor K(x) (zv. Srong classifier) ve varu: T K( x) = sign α h( x) = 1 Výhody: Jednoduchá meoda Lze implemenova v HW Neklade prakicky žádné požadavky na klasifikáory (jen podmínku o weak learner ) Nevýhody: Velká cilivos na šum Cilivos na over-fiing - 18/25 -
19 Popis algorimu meody AdaBoos: 0) Inicializace: 1) Hledám klasifikáor D ( 1 1 i) = ; i= 1,..., m m = 1,..., T h : X { 1, + 1} h Η Kerý vykazuje nejmenší chybu klasifikace vzhledem k váhám D i příkladů rénovací množiny j. h ε = = arg minε m i= 1 h Η D ( i) bool ( y h ( x )) Pozn.: Kde bool() předsavuje funkci vracející 1 nebo 0 dle vyhodnocené podmínky (plaí/neplaí). i i 2) Pokud ε < 0,5 pokračuj, jinak ukonči učení. 3) Urči váhu klasifikáoru α, dle: α = α R ε ln ε 4) Přepočíej váhy rénovací množiny D Z + 1 ( i) = m = i= 1 D D α yih( xi) ( i) e Z α yih( xi) ( i) e 5) Opakuj 1, (dokud plaí podmínka 2) - 19/25 -
20 Markovovy modely Auor: Andrej Andrejevič Markov Pojem konečný savový auoma. Meoda pro deekci a vyhodnocení změn savu sysému popsaného pomocí pravděpodobnosního modelu. Předpokládá omezené podmínky pro změnu savu konečného savového auomau. Markovův předpoklad v eorii pravděpodobnosi je označen náhodný proces jako Markovův, pokud následující sav závisí pouze na nynějším savu a nezávisí na savech dřívějších. Markovův proces je sochasický proces, kerý má Markovovu vlasnos, j. Markovovy modely (MM Markov Models) jsou modely s konečným počem savů, kde přechod mezi savy je vyjádřen pravděpodobnosí. Mimo modely s diskréním časem exisují aké modely se spojiým časem. Ergodické Všechny savy jsou mezi sebou propojené přechody. Levo-pravé v někerých případech lze použí jednodušší model, kde nelze přecháze mezi všemi savy, ale pouze mezi vedlejšími savy v jednom směru. Teno model se používá např. při rozpoznávání řeči. - 20/25 -
21 Skryé MM (HMM) jde o konečný savový auoma formálně zapsaný jako: λ = (N, M, A, B, π), kde: N skryé savy (vekor) M pozorovaelné savy (vekor) A pravděpodobnosi přechodu mezi skryými savy (maice) B pravděpodobnosi přechodů k pozorovaelným savům (maice) π počáeční pravděpodobnosi savů (vekor) Příklad: Model počasí Vyvořme jednoduchý model počasí. Kerýkoliv den můžeme popsa jedním ze ří savů: sav 1: dešivo sav 2: zaaženo sav 3: slunečno Přechody mezi savy lze popsa maicí přechodů s hodnoami pravděpodobnos: 0,4 0,3 0,3 A= {a j 0,2 0,6 0,2 }=[ 0,1 0,1 0,8] Souče řádků je jedna. Základní možné výpočy: Jaká je pravděpodobnos, že následujících osm dní bude následující průběh počasí: slunečno, slunečno, slunečno, dešivo, dešivo, slunečno, zaaženo, slunečno? - 21/25 -
22 Principal componens analysis (PCA, LDA) Paří do skupiny saisických klasifikáorů, využívá fakorovou analýzu da. Definuje pojmy: eigenspace, eigenvecor. Principem meody je volba nejdůležiějších proměnných popisující dosaečně dané řídy. Na základě hledání vhodných saických veličin. Příklad: X 2 X 1 Na obrázku vidíme závislos X 1 a X 2 pro dvě odlišné řídy. Pro daná X 1 a X 2 je víceméně jednoznačně parná řída, ale pro správné přiřazení je pořebná znalos obou proměnných. - 22/25 -
23 Správnou volbou ransformace souřadnicového sysému dokážeme získa informaci, zda daný prvek paří do é či oné řídy již z jedné proměnné nebo naopak dokážeme uchova v jedné proměnné maximum da. X 2 X 1 Dvě možnosi jak poooči souřadnicový sysém ak, aby: a) byl směrodaný pro klasifikaci b) byl uchován nejvěší rozpyl hodno Je řeba si uvědomi, že čás informace byla nenávraně zracena. V našem případě bychom pro pořeby rozdělení do říd ukládali pouze osu X 1, ale o neznamená, že osa X 2 nemá žádnou informační hodnou. Záleží na konkréním využií, zda uo informaci můžeme posráda. - 23/25 -
24 LDA zohledňuje pouze celkové rozložení da, využívá informaci o řídě, (do keré prvky náleží). Maximalizuje rozdíl mezi řídami a naopak minimalizuje rozdíl v rámci skupiny. Vhodné pro klasifikaci. PCA minimalizuje rozdíly mezi řídami a maximalizuje rozdíly v rámci skupiny. Vhodné např. pro kompresi da. - 24/25 -
25 Lieraura, použié obrázky [1] Jan J.: Poznámky ke kurzu Digiální zpracování a analýza obrazového signálu, FEKT [2] Jan J., Dub P.: Poznámky ke kurzu: Vyšší meody číslicového zpracování obrazu, FEKT [3] Šonka M., Hlaváč V.: Počíačové vidění, Compuer press 1992, ISBN [4] Hlaváč V., Sedláček M.: Zpracování signálů a obrazů, skripum ČVUT [4] Žára J., Beneš B., Felkel P.: Moderní počíačová grafika, Compuer press 2004, ISBN [5] Žára J. a kol.: Počíačová grafika - Principy a algorimy, Grada 1992, ISBN [6] Skala V. Svělo, barvy a barevné sysémy v počíačové grafice; Academia 1993; ISBN [7] Wiley InerScience: Encyclopedia of Imaging Science and Technology, hp://www3.inerscience.wiley.com [8] Wikipedia, The free encyclopedia, hp://en.wikipedia.org/wiki [9] Pavlíčková.: Poznámky ke kurzu srojové učení, FEKT [10] Hajda J., Čírek J.: Markovovy modely, Skryé Markovovy modely, FEKT [11] Krejčí P., Kučka P.: Diagonalizace a omezení dimenzí (PCA, LDA, HLDA), FEKT /25 -
PŘEDNÁŠKA KURZU MPOV
PŘEDNÁŠKA KURZU MPOV Klasifikátory, strojové učení, automatické třídění P. Petyovský (email: petyovsky@feec.vutbr.cz) kancelář SD3.152, Technická 12, VUT v Brně rev. 2015.3 Motivace strojového učení Základní
VícePasivní tvarovací obvody RC
Sřední průmyslová škola elekroechnická Pardubice CVIČENÍ Z ELEKTRONIKY Pasivní varovací obvody RC Příjmení : Česák Číslo úlohy : 3 Jméno : Per Daum zadání : 7.0.97 Školní rok : 997/98 Daum odevzdání :
Vícetransformace Idea afinního prostoru Definice afinního prostoru velké a stejně orientované.
finní ransformace je posunuí plus lineární ransformace má svou maici vzhledem k homogenním souřadnicím využií například v počíačové grafice [] Idea afinního prosoru BI-LIN, afinia, 3, P. Olšák [2] Lineární
VíceSeznámíte se s principem integrace substituční metodou a se základními typy integrálů, které lze touto metodou vypočítat.
4 Inegrace subsiucí 4 Inegrace subsiucí Průvodce sudiem Inegrály, keré nelze řeši pomocí základních vzorců, lze velmi časo řeši subsiuční meodou Vzorce pro derivace elemenárních funkcí a věy o derivaci
VíceVybrané metody statistické regulace procesu pro autokorelovaná data
XXVIII. ASR '2003 Seminar, Insrumens and Conrol, Osrava, May 6, 2003 239 Vybrané meody saisické regulace procesu pro auokorelovaná daa NOSKIEVIČOVÁ, Darja Doc., Ing., CSc. Kaedra konroly a řízení jakosi,
VíceIMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA,
IMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA, STABILITA. Jednokový impuls (Diracův impuls, Diracova funkce, funkce dela) někdy éž disribuce dela z maemaického hlediska nejde o pravou funkci (přesný popis eorie
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika přednášky LS 2006/07
Měřicí a řídicí echnika přednášky LS 26/7 SIMULACE numerické řešení diferenciálních rovnic simulační program idenifikace modelu Numerické řešení obyčejných diferenciálních rovnic krokové meody pro řešení
VíceAnalýza rizikových faktorů při hodnocení investičních projektů dle kritéria NPV na bázi EVA
4 mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-U Osrava, Ekonomická fakula, kaedra Financí 11-12 září 2008 Analýza rizikových fakorů při hodnocení invesičních projeků dle kriéria
VíceEKONOMETRIE 6. přednáška Modely národního důchodu
EKONOMETRIE 6. přednáška Modely národního důchodu Makroekonomické modely se zabývají modelováním a analýzou vzahů mezi agregáními ekonomickými veličinami jako je důchod, spořeba, invesice, vládní výdaje,
VíceFINANČNÍ MATEMATIKA- ÚVĚRY
Projek ŠABLONY NA GVM Gymnázium Velké Meziříčí regisrační číslo projeku: CZ.1.07/1.5.00/4.0948 IV- Inovace a zkvalinění výuky směřující k rozvoji maemaické gramonosi žáků sředních škol FINANČNÍ MATEMATIKA-
VíceLaplaceova transformace Modelování systémů a procesů (11MSP)
aplaceova ransformace Modelování sysémů a procesů (MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček 5. přednáška MSP čvrek 2. března 24 verze: 24-3-2 5:4 Obsah Fourierova ransformace Komplexní exponenciála
VíceVyužijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.
Pravděpodobnos a saisika 0. ČASOVÉ ŘADY Průvodce sudiem Využijeme znalosí z předchozích kapiol, především z 9. kapioly, kerá pojednávala o regresní analýze, a rozšíříme je. Předpokládané znalosi Pojmy
VíceMATEMATIKA II V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA II V PŘÍKLADECH CVIČENÍ Č. Ing. Pera Schreiberová, Ph.D. Osrava 0 Ing. Pera Schreiberová, Ph.D. Vysoká škola báňská Technická
VíceNumerická integrace. b a. sin 100 t dt
Numerická inegrace Mirko Navara Cenrum srojového vnímání kaedra kyberneiky FEL ČVUT Karlovo náměsí, budova G, mísnos 14a hp://cmpfelkcvucz/~navara/nm 1 lisopadu 18 Úloha: Odhadnou b a f() d na základě
VíceSchéma modelu důchodového systému
Schéma modelu důchodového sysému Cílem následujícího exu je názorně popsa srukuru modelu, kerý slouží pro kvanifikaci příjmové i výdajové srany důchodového sysému v ČR, a o jak ve varianách paramerických,
VíceT t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka
Analýza časových řad Klasický přísup k analýze ČŘ dekompozice časové řady - rozklad ČŘ na složky charakerizující různé druhy pohybů v ČŘ, keré umíme popsa a kvanifikova rend periodické kolísání cyklické
VíceAnalýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Analýza časových řad Informační a komunikační echnologie ve zdravonicví Definice Řada je posloupnos hodno Časová řada chronologicky uspořádaná posloupnos hodno určiého saisického ukazaele formálně je realizací
VíceTeorie obnovy. Obnova
Teorie obnovy Meoda operačního výzkumu, kerá za pomocí maemaických modelů zkoumá problémy hospodárnosi, výměny a provozuschopnosi echnických zařízení. Obnova Uskuečňuje se až po uplynuí určiého času činnosi
VíceSTATICKÉ A DYNAMICKÉ VLASTNOSTI ZAŘÍZENÍ
STATICKÉ A DYNAMICKÉ VLASTNOSTI ZAŘÍZENÍ Saické a dnamické vlasnosi paří k základním vlasnosem regulovaných sousav, měřicích přísrojů, měřicích řeězců či jejich čásí. Zaímco saické vlasnosi se projevují
Více5 GRAFIKON VLAKOVÉ DOPRAVY
5 GRAFIKON LAKOÉ DOPRAY Jak známo, konsrukce grafikonu vlakové dopravy i kapaciní výpočy jsou nemyslielné bez znalosi hodno provozních inervalů a následných mezidobí. éo kapiole bude věnována pozornos
Více10 Lineární elasticita
1 Lineární elasicia Polymerní láky se deformují lineárně elasicky pouze v oblasi malých deformací a velmi pomalých deformací. Hranice mezi lineárním a nelineárním průběhem deformace (mez lineariy) závisí
VíceMěření výkonnosti údržby prostřednictvím ukazatelů efektivnosti
Měření výkonnosi údržby prosřednicvím ukazaelů efekivnosi Zdeněk Aleš, Václav Legá, Vladimír Jurča 1. Sledování efekiviy ve výrobní organizaci S rozvojem vědy a echniky je spojena řada požadavků kladených
VíceÚloha V.E... Vypař se!
Úloha V.E... Vypař se! 8 bodů; průměr 4,86; řešilo 28 sudenů Určee, jak závisí rychlos vypařování vody na povrchu, kerý ao kapalina zaujímá. Experimen proveďe alespoň pro pě různých vhodných nádob. Zamyslee
Více( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1
Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Základní ransformace časových řad Veškeré násroje základní korelační analýzy, kam paří i lineární regresní (ekonomerické) modely
Více2. ZÁKLADY TEORIE SPOLEHLIVOSTI
2. ZÁKLADY TEORIE SPOLEHLIVOSTI Po úspěšném a akivním absolvování éo KAPITOLY Budee umě: orienova se v základním maemaickém aparáu pro eorii spolehlivosi, j. v poču pravděpodobnosi a maemaické saisice,
VícePorovnání způsobů hodnocení investičních projektů na bázi kritéria NPV
3 mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-U Osrava, Ekonomická fakula, kaedra Financí 6-7 září 2006 Porovnání způsobů hodnocení invesičních projeků na bázi kriéria Dana Dluhošová
VíceVolba vhodného modelu trendu
8. Splinové funkce Trend mění v čase svůj charaker Nelze jej v sledovaném období popsa jedinou maemaickou křivkou aplikace echniky zv. splinových funkcí: o Řadu rozdělíme na několik úseků o V každém úseku
Více9 Viskoelastické modely
9 Viskoelasické modely Polymerní maeriály se chovají viskoelasicky, j. pod vlivem mechanického namáhání reagují současně jako pevné hookovské láky i jako viskózní newonské kapaliny. Viskoelasické maeriály
VíceVliv funkce příslušnosti na průběh fuzzy regulace
XXVI. ASR '2 Seminar, Insrumens and Conrol, Osrava, April 26-27, 2 Paper 2 Vliv funkce příslušnosi na průběh fuzzy regulace DAVIDOVÁ, Olga Ing., Vysoké učení Technické v Brně, Fakula srojního inženýrsví,
Více5. Využití elektroanalogie při analýze a modelování dynamických vlastností mechanických soustav
5. Využií elekroanalogie při analýze a modelování dynamických vlasnosí mechanických sousav Analogie mezi mechanickými, elekrickými či hydraulickými sysémy je známá a lze ji účelně využíva při analýze dynamických
VíceMetodika zpracování finanční analýzy a Finanční udržitelnost projektů
OPERAČNÍ PROGRAM ŽIVOTNÍ PROSTŘEDÍ EVROPSKÁ UNIE Fond soudržnosi Evropský fond pro regionální rozvoj Pro vodu, vzduch a přírodu Meodika zpracování finanční analýzy a Finanční udržielnos projeků PŘÍLOHA
VíceZPŮSOBY MODELOVÁNÍ ELASTOMEROVÝCH LOŽISEK
ZPŮSOBY MODELOVÁNÍ ELASTOMEROVÝCH LOŽISEK Vzhledem ke skuečnosi, že způsob modelování elasomerových ložisek přímo ovlivňuje průběh vniřních sil v oblasi uložení, rozebereme v éo kapiole jednolivé možné
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
Více73-01 KONEČNÝ NÁVRH METODIKY VÝPOČTU KAPACITU VJEZDU DO OKRUŽNÍ KOMENTÁŘ 1. OBECNĚ 2. ZOHLEDNĚNÍ SKLADBY DOPRAVNÍHO PROUDU KŘIŽOVATKY
PŘÍLOHA 73-01 73-01 KONEČNÝ NÁVRH METODIKY VÝPOČTU KAPACITU VJEZDU DO OKRUŽNÍ KŘIŽOVATKY Auor: Ing. Luděk Baroš KOMENTÁŘ Konečný návrh meodiky je zpracován ormou kapioly Technických podmínek a bude upřesněn
VíceKatedra obecné elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava 4. TROJFÁZOVÉ OBVODY
Kaedra obecné elekroechniky Fakula elekroechniky a inormaiky, VŠB - T Osrava. TOJFÁZOVÉ OBVODY.1 Úvod. Trojázová sousava. Spojení ází do hvězdy. Spojení ází do rojúhelníka.5 Výkon v rojázových souměrných
VíceUniverzita Tomáše Bati ve Zlíně
Unverza Tomáše Ba ve Zlíně ABOATONÍ VIČENÍ EEKTOTEHNIKY A PŮMYSOVÉ EEKTONIKY Název úlohy: Zpracoval: Měření čnného výkonu sřídavého proudu v jednofázové sí wamerem Per uzar, Josef Skupna: IT II/ Moravčík,
VíceNA POMOC FO. Pád vodivého rámečku v magnetickém poli
NA POMOC FO Pád vodivého rámečku v maneickém poli Karel auner *, Pedaoická akula ZČU v Plzni Příklad: Odélníkový rámeček z vodivého dráu má rozměry a,, hmonos m a odpor. Je zavěšen ve výšce h nad horním
VíceAnalogový komparátor
Analogový komparáor 1. Zadání: A. Na předloženém inverujícím komparáoru s hyserezí změře: a) převodní saickou charakerisiku = f ( ) s diodovým omezovačem při zvyšování i snižování vsupního napěí b) zaěžovací
VíceDerivace funkce více proměnných
Derivace funkce více proměnných Pro sudeny FP TUL Marina Šimůnková 21. prosince 2017 1. Parciální derivace. Ve výrazu f(x, y) považujeme za proměnnou jen x a proměnnou y považujeme za konsanu. Zderivujeme
Více7.4.1 Parametrické vyjádření přímky I
741 Paramerické vyjádření přímky I Předpoklady: 7303 Jak jsme vyjadřovali přímky v rovině? X = + D Ke všem bodů z roviny se z bod dosaneme posním C o vekor Pokd je bod na přímce, posováme se o vekor, E
VíceModelování hydrogramů průtokových vln v říčním systému s využitím neuronových sítí
Modelování hydrogramů průokových vln v říčním sysému s využiím neuronových síí 1.1. Úvod Ochrana lidských živoů před přírodními kaasrofami, jako jsou povodně, hurikány, požáry, sopečná činnos a mnoho dalších
Více1 - Úvod. Michael Šebek Automatické řízení
1 - Úvod Michael Šebek Auomaické řízení 2018 9-6-18 Základní názvosloví Auomaické řízení - Kyberneika a roboika Objek: konkréní auo (amo) Sysém: určiá čás objeku, kerou se zabýváme, řídíme, Moor, sojka,
VíceZobrazování černobílých snímků v nepravých barvách
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV RADIOELEKTRONIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF
VíceDiferenciální počet funkcí více reálných proměnných SLOŽENÉ FUNKCE. PŘÍKLAD 1 t, kde = =
Diferenciální poče funkcí více reálných proměnných -- SLOŽENÉ FUNKCE PŘÍKLAD Určee derivaci funkce h ( = f( g( g( kde g ( = + g ( = f ( / = e Podle pravidla o derivování složených funkcí více proměnných
VíceAPLIKACE INDEXU DAŇOVÉ PROGRESIVITY V PODMÍNKÁCH ČESKÉ REPUBLIKY
APLIKACE INDEXU DAŇOVÉ PROGRESIVIT V PODMÍNKÁCH ČESKÉ REPUBLIK Ramanová Ivea ABSTRAKT Příspěvek je věnován problemaice měření míry progresiviy zdanění pomocí indexu daňové progresiviy, kerý vychází z makroekonomických
VíceSkupinová obnova. Postup při skupinové obnově
Skupinová obnova Při skupinové obnově se obnovují všechny prvky základního souboru nebo určiá skupina akových prvků najednou. Posup při skupinové obnově prvky, jež selžou v určiém období, je nuno obnovi
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VícePráce a výkon při rekuperaci
Karel Hlava 1, Ladislav Mlynařík 2 Práce a výkon při rekuperaci Klíčová slova: jednofázová sousava 25 kv, 5 Hz, rekuperační brzdění, rekuperační výkon, rekuperační energie Úvod Trakční napájecí sousava
VíceKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava
Lineární algebra 4. přednáška: Vekorové prosory Dalibor Lukáš Kaedra aplikované maemaiky FEI VŠB Technická univerzia Osrava email: dalibor.lukas@vsb.cz hp://www.am.vsb.cz/lukas/la Tex byl vyvořen v rámci
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
Více2.2.2 Měrná tepelná kapacita
.. Měrná epelná kapacia Předpoklady: 0 Pedagogická poznámka: Pokud necháe sudeny počía příklady samosaně, nesihnee hodinu za 45 minu. Můžee využí oho, že následující hodina je aké objemnější a použí pro
VícePREDIKCE OPOTŘEBENÍ NA KONTAKTNÍ DVOJICI V TURBODMYCHADLE S PROMĚNNOU GEOMETRIÍ
PREDIKCE OPOTŘEBENÍ NA KONTAKTNÍ DVOJICI V TURBODMYCHADLE S PROMĚNNOU GEOMETRIÍ Auoři: Ing. Radek Jandora, Honeywell spol s r.o. HTS CZ o.z., e-mail: radek.jandora@honeywell.com Anoace: V ovládacím mechanismu
VíceUNIVERZITA PARDUBICE Fakulta elektrotechniky a informatiky STAVOVÁ REGULACE SOUSTAVY MOTOR GENERÁTOR. Bc. David Mucha
UNIVERZITA PARDUBICE Fakula elekroechniky a informaiky STAVOVÁ REGULACE SOUSTAVY MOTOR GENERÁTOR Bc. David Mucha Diplomová práce 2017 Prohlášení Prohlašuji: Tuo práci jsem vypracoval samosaně. Veškeré
Více4EK211 Základy ekonometrie
4EK Základy ekonomerie Heeroskedasicia Cvičení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = 0 náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
VícePŘEDNÁŠKA KURZU MPOV
1 PŘEDNÁŠKA KURZU MPOV Strojové rozpoznávání kódů a znaků P. Petyovský (email: petyovsky@feec.vutbr.cz) kancelář SD3.152, Technická 12 2 rev. 2015.3 Pojmy a opakování Strojové čtení Braillova písma Popis
VíceČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA DOKTORSKÁ DISERTAČNÍ PRÁCE
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE PROVOZNĚ EKONOMICKÁ FAKULTA DOKTORSKÁ DISERTAČNÍ PRÁCE VYTVÁŘENÍ TRŽNÍ ROVNOVÁHY VYBRANÝCH ZEMĚDĚLSKO-POTRAVINÁŘSKÝCH PRODUKTŮ Ing. Michal Malý Školiel: Prof. Ing. Jiří
VíceKlasifikace, identifikace a statistická analýza nestacionárních náhodných procesů
Proceedings of Inernaional Scienific Conference of FME Session 4: Auomaion Conrol and Applied Informaics Paper 26 Klasifikace, idenifikace a saisická analýza nesacionárních náhodných procesů MORÁVKA, Jan
VíceVýkonnost a spolehlivost číslicových systémů
Výkonnos a spolehlivos číslicových sysémů Úloha Generování a zpracování náhodných čísel Zadání 9 Trojúhelníkové rozdělení Jan Kupka A65 kupka@sudens.zcu.cz . Zadání vyvoře generáor rozdělení jako funkci
VíceFyzikální praktikum II - úloha č. 4
Fyzikální prakikum II - úloha č. 4 1 4. Přechodové jevy v obvodech s kapaciory Úkoly 1) 2) 3) 4) Sesave obvod pro demonsraci jevu nabíjení a vybíjení kondenzáoru. Naměře průběhy napěí a proudů na vybraných
VíceAnalýza citlivosti NPV projektu na bázi ukazatele EVA
3. mezinárodní konference Řízení a modelování finančních rizik Osrava VŠB-U Osrava, Ekonomická fakula, kaedra Financí 6.-7. září 2006 Analýza cilivosi NPV projeku na bázi ukazaele EVA Dagmar Richarová
VíceStochastické modelování úrokových sazeb
Sochasické modelování úrokových sazeb Michal Papež odbor řízení rizik 1 Sochasické modelování úrokových sazeb OBSAH PŘEDNÁŠKY Úvod do problemaiky sochasických procesů Brownův pohyb, Wienerův proces Ioovo
Více4. Střední radiační teplota; poměr osálání,
Sálavé a průmyslové vyápění (60). Sřední radiační eploa; poměr osálání, operaivní a výsledná eploa.. 08 a.. 08 Ing. Jindřich Boháč TEPLOTY Sřední radiační eploa - r Sálavé vyápění = PŘEVÁŽNĚ sálavé vyápění
VíceTabulky únosnosti tvarovaných / trapézových plechů z hliníku a jeho slitin.
Tabulky únosnosi varovaných / rapézových plechů z hliníku a jeho sliin. Obsah: Úvod Základní pojmy Příklad použií abulek Vysvělivky 4 5 6 Tvarovaný plech KOB 00 7 Trapézové plechy z Al a jeho sliin KOB
Více1.3.4 Rovnoměrně zrychlený pohyb po kružnici
34 Rovnoměrně zrychlený pohyb po kružnici Předpoklady: 33 Opakování: K veličinám popisujícím posuvný pohyb exisují analogické veličiny popisující pohyb po kružnici: rovnoměrný pohyb pojíko rovnoměrný pohyb
VíceREAKČNÍ KINETIKA 1. ZÁKLADNÍ POJMY. α, ß jsou dílčí reakční řády, α je dílčí reakční řád vzhledem ke složce A, ß vzhledem ke složce
REKČNÍ KINETIK - zabývá se ryhlosí hemikýh reakí ZÁKLDNÍ POJMY Definie reakční ryhlosi v - pro reake probíhajíí za konsanního objemu v dξ di v V d ν d i [] moldm 3 s Ryhlosní rovnie obeně vyjadřuje vzah
VíceParciální funkce a parciální derivace
Parciální funkce a parciální derivace Pro sudeny FP TUL Marina Šimůnková 19. září 2018 1. Parciální funkce. Příklad: zvolíme-li ve funkci f : (x, y) sin(xy) pevnou hodnou y, například y = 2, dosaneme funkci
Více1 - Úvod. Michael Šebek Automatické řízení Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
1 - Úvod Michael Šebek Auomaické řízení 2016 Evroský sociální fond Praha & EU: Invesujeme do vaší budoucnosi 23-2-16 Základní názvosloví Auomaické řízení - Kyberneika a roboika Objek: konkréní auo (amo)
VíceVyužití programového systému MATLAB pro řízení laboratorního modelu
Využií programového sysému MATLAB pro řízení laboraorního modelu WAGNEROVÁ, Renaa 1, KLANER, Per 2 1 Ing., Kaedra ATŘ-352, VŠB-TU Osrava, 17. lisopadu, Osrava - Poruba, 78 33, renaa.wagnerova@vsb.cz, 2
VíceÚVOD DO DYNAMIKY HMOTNÉHO BODU
ÚVOD DO DYNAMIKY HMOTNÉHO BODU Obsah Co je o dnamika? 1 Základní veličin dnamik 1 Hmonos 1 Hbnos 1 Síla Newonov pohbové zákon První Newonův zákon - zákon servačnosi Druhý Newonův zákon - zákon síl Třeí
VíceJAN JUREK. Jméno: Podpis: Název měření: OVĚŘOVÁNÍ ČINNOSTI GENERÁTORU FUNKCÍ Číslo měření: 6. Třída: E4B Skupina: 2
STŘEDNÍ ŠKOLA ELEKTOTECNICKÁ FENŠTÁT p.. Jméno: JAN JEK Podpis: Název měření: OVĚŘOVÁNÍ ČINNOSTI GENEÁTO FNKCÍ Číslo měření: 6 Zkoušené předměy: ) Komparáor ) Inegráor ) Generáor unkcí Funkce při měření:
VíceMatematika v automatizaci - pro řešení regulačních obvodů:
. Komplexní čísla Inegrovaná sřední škola, Kumburská 846, Nová Paka Auomaizace maemaika v auomaizaci Maemaika v auomaizaci - pro řešení regulačních obvodů: Komplexní číslo je bod v rovině komplexních čísel.
VíceVYUŽITÍ MATLABU PRO ČÍSLICOVÉ ZPRACOVÁNÍ SIGNÁLU PŘI ZJIŠŤOVÁNÍ OKAMŽITÉ FREKVENCE SÍTĚ
VYUŽITÍ MATLABU PRO ČÍSLICOVÉ ZPRACOVÁNÍ SIGNÁLU PŘI ZJIŠŤOVÁNÍ OKAMŽITÉ FREKVENCE SÍTĚ Jan Blaška, Miloš Sedláček České vysoké učení echnické v Praze Fakula elekroechnická, kaedra měření 1. Úvod Jak je
VícePOPIS OBVODŮ U2402B, U2405B
Novodvorská 994, 142 21 Praha 4 Tel. 239 043 478, Fax: 241 492 691, E-mail: info@asicenrum.cz ========== ========= ======== ======= ====== ===== ==== === == = POPIS OBVODŮ U2402B, U2405B Oba dva obvody
VíceČíslicový lineární filtr prvého řádu se statisticky optimálně nastavovanými parametry
Číslicový lineární filr prvého řádu se saisicky opimálně nasavovanými paramery Ing. Jiří Tůma, CSc. Tara, o. p., Kopřivnice 59.2 Článek se zabývá odvozením rekurenních vzorců pro časovou posloupnos hodno
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceINDIKÁTORY HODNOCENÍ EFEKTIVNOSTI VÝDAJŮ MÍSTNÍCH ROZPOČTŮ DO OBLASTI NAKLÁDÁNÍ S ODPADY
INDIKÁTORY HODNOCENÍ EFEKTIVNOSTI VÝDAJŮ MÍSTNÍCH ROZPOČTŮ DO OBLASTI NAKLÁDÁNÍ S ODPADY Jana Soukopová Anoace Příspěvek obsahuje dílčí výsledky provedené analýzy výdajů na ochranu živoního prosředí z
VíceV EKONOMETRICKÉM MODELU
J. Arl, Š. Radkovský ANALÝZA ZPOŽDĚNÍ V EKONOMETRICKÉM MODELU VP č. Praha Auoři: doc. Ing. Josef Arl, CSc. Ing. Šěpán Radkovský Názor a sanoviska v éo sudii jsou názor auorů a nemusí nuně odpovída názorům
VíceFAKULTA APLIKOVANÝCH VĚD
FAKULTA APLIKOVANÝCH VĚD ZÁPADOČESKÁ UNIVERZITA V PLZNI Semesrální práce z předměu KMA/MAB Téma: Schopnos úrokového rhu předvída sazby v době krize Daum: 7..009 Bc. Jan Hegeď, A08N095P Úvod Jako éma pro
VíceJakost, spolehlivost a teorie obnovy
Jakos, spolehlivos a eorie obnovy opimální inerval obnovy, seskupování obnov, zráy z nedodržení normaivu Jakos, spolehlivos a obnova srojů Jakos vyjadřuje supeň splnění požadavků souborem inherenních znaků.
VícePopis regulátoru pro řízení směšovacích ventilů a TUV
Popis reguláoru pro řízení směšovacích venilů a TUV Reguláor je určen pro ekviermní řízení opení jak v rodinných domcích, ak i pro věší koelny. Umožňuje regulaci jednoho směšovacího okruhu, přípravu TUV
VíceFREQUENCY SPECTRUM ESTIMATION BY AUTOREGRESSIVE MODELING
FEQUENCY SPECU ESIAION BY AUOEGESSIVE ODELING J.ůma * Summary: he paper deals wih mehods for frequency specrum esimaion by auoregressive modeling. Esimae of he auoregressive model parameers is he firs
VíceCvičení k návrhu SSZ. Ing. Michal Dorda, Ph.D.
Cvičení k návrhu SSZ Ing. Michal Dorda, Ph.D. Výpoče mezičasů Ing. Michal Dorda, Ph.D. 2 Výpoče mezičasů Př. 1: Sanove mezičas pro následující siuaci. Vyklizovací dráha vozidla je přímá o délce 20 m, najížděcí
VíceRŮSTOVÉ MODELY ČESKÉHO STRAKATÉHO SKOTU
RŮSTOVÉ MODELY ČESKÉHO STRAKATÉHO SKOTU Helena Nešeřilová 1, Jan Pulkrábek 2 1 Česká zemědělská universia v Praze 2 Výzkumný úsav živočišné výroby, Praha-Uhříněves Anoace: Na souboru býků českého srakaého
VícePRONTO. PRFA.../A Regulátor fancoilů pro jednotlivé místnosti Příklady aplikací 1/98
PRTO PRFA.../A Reguláor fancoilů pro jednolivé mísnosi Příklady aplikací 1/98 Obsah Sysém s elekroohřevem... Sysém s elekroohřevem a auomaickým řízením veniláoru... 9 Sysém s elekroohřevem a přímým chladičem...
Více2. MĚŘICÍ ZESILOVAČE A PŘEVODNÍKY
. MĚŘCÍ ZESLOVAČE A PŘEVODNÍKY Senzor předsavuje vsupní blok měřicího řeězce. Snímá sledovanou veličinu a převádí ji na veličinu měronosnou, nejčasěji analogový elekrický signál. Výsupem akivního senzoru
VíceSROVNÁNí APROXIMAČNíCH METOD V TEORII RIZIKA
ROBUST 000, 47 56 c JČMF 001 SROVNÁNí APROXIMAČNíCH METOD V TEORII RIZIKA MARTIN ROTKOVSKÝ Absrak. One of he main erms of he risk heory is so called individual model, which describes for example oal aggregae
Více( ) ( ) NÁVRH CHLADIČE VENKOVNÍHO VZDUCHU. Vladimír Zmrhal. ČVUT v Praze, Fakulta strojní, Ústav techniky prostředí Vladimir.Zmrhal@fs.cvut.
21. konference Klimaizace a věrání 14 OS 01 Klimaizace a věrání STP 14 NÁVRH CHLADIČ VNKOVNÍHO VZDUCHU Vladimír Zmrhal ČVUT v Praze, Fakula srojní, Úsav echniky prosředí Vladimir.Zmrhal@fs.cvu.cz ANOTAC
Více10 Transformace 3D. 10.1 Transformace a jejich realizace. Studijní cíl. Doba nutná k nastudování. Průvodce studiem
Trnsformce 3D Sudijní cíl Teno blok je věnován rnsformcím 3D grfik. V eu budou popsán ákldní rnsformce v prosoru posunuí oočení kosení měn měřík používné při prcování 3D modelu. Jednolivé rnsformce budou
VíceStýskala, L e k c e z e l e k t r o t e c h n i k y. Vítězslav Stýskala TÉMA 6. Oddíl 1-2. Sylabus k tématu
Sýskala, 22 L e k c e z e l e k r o e c h n i k y Víězslav Sýskala TÉA 6 Oddíl 1-2 Sylabus k émau 1. Definice elekrického pohonu 2. Terminologie 3. Výkonové dohody 4. Vyjádření pohybové rovnice 5. Pracovní
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceEkonomické aspekty spolehlivosti systémů
ČESKÁ SPOLEČNOST PRO JAKOST Novoného lávka 5, 116 68 Praha 1 43. SETKÁNÍ ODBORNÉ SKUPINY PRO SPOLEHLIVOST pořádané výborem Odborné skupiny pro spolehlivos k problemaice Ekonomické aspeky spolehlivosi sysémů
VíceMaxwellovy a vlnová rovnice v obecném prostředí
Maxwellovy a vlnová rovnie v obeném prosředí Ing. B. Mihal Malík, Ing. B. Jiří rimas TCHNICKÁ UNIVRZITA V LIBRCI Fakula meharoniky, informaiky a mezioborovýh sudií Teno maeriál vznikl v rámi proeku SF
VícePLL. Filtr smyčky (analogový) Dělič kmitočtu 1:N
PLL Fázový deekor Filr smyčky (analogový) Napěím řízený osciláor F g Dělič kmioču 1:N Číače s velkým modulem V současné době k návrhu samoného číače přisupujeme jen ve výjimečných případech. Daleko časěni
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky
Západočeská univerzia v Plzni Fakula aplikovaných věd Kaedra kyberneiky Diplomová práce Regulační pořeby provozovaele přenosové síě v podmínkách nárůsu obnovielných zdrojů elekrické energie Plzeň, 2012
VíceVojtěch Janoušek: III. Statistické zpracování a interpretace analytických dat
Vojěch Janoušek: III. Sascké zpracování a nerpreace analyckých da Úvod III. Zpracování a nerpreace analyckých da Sascké vyhodnocení analyckých da Zdroje chyb, přesnos a správnos analýzy Sysemacké chyby,
Vícelistopadu 2016., t < 0., t 0, 1 2 ), t 1 2,1) 1, 1 t. Pro X, U a V najděte kvantilové funkce, střední hodnoty a rozptyly.
6. cvičení z PSI 7. -. lisopadu 6 6. kvanil, sřední hodnoa, rozpyl - pokračování příkladu z minula) Náhodná veličina X má disribuční funkci e, < F X ),, ) + 3,,), a je směsí diskréní náhodné veličiny U
VíceLS Příklad 1.1 (Vrh tělesem svisle dolů). Těleso o hmotnosti m vrhneme svisle
Obyčejné diferenciální rovnice Jiří Fišer LS 2014 1 Úvodní moivační příklad Po prosudování éo kapioly zjisíe, k čemu mohou bý diferenciální rovnice užiečné. Jak se pomocí nich dá modelova prakický problém,
Vícex udává hodnotu směrnice tečny grafu
Předmě: Ročník: Vyvořil: Daum: MATEMATIKA ČTVRTÝ Mgr. Tomáš MAŇÁK 5. srpna Název zpracovaného celku: GEOMETRICKÝ VÝZNAM DERIVACE FUNKCE GEOMETRICKÝ VÝZNAM DERIVACE FUNKCE v bodě (ečny grafu funkcí) Je
VíceAplikace analýzy citlivosti při finačním rozhodování
7 mezinárodní konference Finanční řízení podniků a finančních insiucí Osrava VŠB-U Osrava Ekonomická fakula kaedra Financí 8 9 září 00 plikace analýzy cilivosi při finačním rozhodování Dana Dluhošová Dagmar
VíceÚloha II.E... je mi to šumák
Úloha II.E... je mi o šumák 8 bodů; (chybí saisiky) Kupe si v lékárně šumivý celaskon nebo cokoliv, co se podává v ableách určených k rozpušění ve vodě. Změře, jak dlouho rvá rozpušění jedné abley v závislosi
Více