Przetwarzanie sygnałów biomedycznych

Wielkość: px
Rozpocząć pokaz od strony:

Download "Przetwarzanie sygnałów biomedycznych"

Transkrypt

1 7-- Przewarzaie sgałów biomedczch Człowie- ajlepsza iwescja Proje współfiasowa przez Uię uropejsą w ramach uropejsiego Fuduszu Społeczego Wład IX Aaliza sgałów procesów losowch

2 7-- Proces losowe sochascze { } rodzia fucji zmieej losowej i czasu proces sochascz -a realizacja procesu - fucja czasu dla pewej warości zmieej losowej wiu zdarzeia losowego X i warości procesu dla usaloego czasu są warościami zmieej losowej Zmiea losowa fucja oreśloa a zbiorze zdarzeń i przjmująca warości rzeczwise z oreślom prawdopodobieńswem Opis procesu sochasczego Właściwości sascze procesu w pewm przedziale czasu są oreśloe, jeśli dla dowolego zbioru warości czasu z ego przedziału za jes rozład łącz prawdopodobieńswa zmiech losowch X, X,... X. ai rozład łącz prawdopodobieńswa azwam gęsością procesu p, ;, ;... i, i...;,. ozład e oreśla prawdopodobieńswo, z jaim zmiea losowa X przjmuje w przjmuje warości z przedziału i, i we wszsich chwilach czasowch. Wzaczeie ego rozładu wmaga dspoowaia zbiorem realizacji procesu i może bć rude do przeprowadzeia w waruach pomiarów fizczch.

3 7-- Opis sgałów losowch Sgał losow - warość średia i średiowadraowa mome - rozład prawdopodobieńswa - fucja auoorelacji - widmowa gęsość moc Para sgałów losowch: - łącz rozład prawdopodobieńswa - fucja orelacji wzajemej - widmowa gęsość moc wzajemej - fucja oherecji Worzsaie paramerów opisującch sgał losowe ozład prawdopodobieńswa: - ocea przedziału warości przjmowach przez proces - wiosowaie o ew. ormalości rozładu Fucja orelacji: - wrwaie sładowch oresowch w sgale - esmacja czasu opóźieia - loalizacja źródeł załóceń i orów rasmisji sgału - wdobwaie sgałów z szumu 3

4 7-- Worzsaie paramerów opisującch sgał losowe Gęsość moc: - ocea właściwości sgału - ocea właściwości oru sgałowego ssemu a podsawie zajomości sgału wejściowego i wjściowego - oreślaie właściwości sgału wjściowego a podsawie zajomości sgału wejściowego i właściwości ssemu - oreślaie właściwości sgału wejściowego a podsawie zajomości sgału wjściowego i właściwości ssemu - opmalizacja filracji Opis procesu sochasczego Wzaczaie gęsości prawdopodobieńswa: - dla zbioru realizacji w pucie i P i P, i lim ]

5 7-- Opis procesu sochasczego Wzaczai gęsości prawdopodobieńswa: - dla jedej realizacji w szczególch przpadach - gęsość może bć obliczaa jao hisogram ampliud P ] lim suma odciów czasowch, dla órch zachodzi << - całowi czas pomiaru Przład fucji gęsości prawdopodobieńswa wzaczoe jao hisogram ampliud - szeroopasmow szum losow sius - sius szum szeroopasmow/ - wasopasmow szum losow sius - 4 szeroopasmow szum losow - 4 sius szeroopasmow szum losow/ -4-4 wasopasmow szum losow - 4

6 7-- Wielości charaerzujące proces Proces mome zwłe rzędu mome cerale rzędu ciągł m ] p d µ m ] m ] p d dsre m ] p µ m ] m ] p operaor wzaczaia warości oczeiwaej, m warość średia; Ab wzaczć mome, musim dspoować ieograiczoą liczbą realizacji procesu, warości procesu, p jedowmiarowa fucja gęsości prawdopodobieńswa, może bć fucją czasu. Wielości charaerzujące proces Warości paramerów dla zbioru realizacji dla chwili dla procesów ciągłch i dsrech woszą: warość średia pierwsz mome zwł warość średiowadraowa suecza -gi mome zwł wariacja drugi mome ceral mome mogą fucjami czasu!!! m ] p d m ] p m µ s m ] m p d ] p m ] p m p s m ] 6

7 7-- Wielości charaerzujące proces fucja auoorelacji :, ] p,,, d d gdzie p dwuwmiarowa fucja gęsości prawdopodobieńswa; sosuje zapis uwpulając opoźieie:, ] fucja auoowariacji C, m m ] m m p,,, d d jeśli m, fucje auoorelacji i auoowariacji są idecze Bez spełieia przez proces dodaowch waruów do wzaczeia paramerów iezbęda jes zajomość łączch rozładów prawdopodobieńswa - gęsości procesu p, ;, ;... i, i...;,. Sgał losowe iesacjoare sacjoare ergodcze róże las iesacjoarości słabo - w szerszm sesie; ściśle - w węższm sesie Klas iesacjoarości: iesacjoara: - gęsość prawdopodobieńswa - warość średia - fucja auoorelacji - widmowa gęsość moc 7

8 7-- iesacjoar sgał biomedcz Sgał dopplerowsi prędości przepłwu rwi - ieco poad cl prac serca i fragme o. ms iesacjoar sgał biomedcz sperogram 3 cle iesacjoare paramer: - warość suecza - fucja auoorelacji - widmowa gęsość moc jed paramer sacjoar? - warość oczeiwaa rówa ; aalizę widmową aiego sgału sperogram przeprowadza sie dla róich oie dach, odpowiadającch iluasu ms sgału, przjmując że wed ie asępują isoe zmia prędości i położeia elemeów rozpraszającch, a więc i zmia właściwości sgału są zaiedbwale?

9 7-- iesacjoar sgał biomedcz sgał mow wraz reść: iesacjoare paramer: - warość suecza - fucja auoorelacji - widmowa gęsość moc Proces sacjoar Jeśli dla dowolego rozład łącz prawdopodobieńswa zmiech losowch X, X,... X jes ai sam ja rozład łącz zmiech X, X,... X, proces jes sacjoar słabo, w szerszm sesie. Ozacza o, że m i ie są fucjami ; jes jedie fucją , ] p,,, d d 3 4 Jeśli wszsie mome procesu ie zależą od czasu proces ściśle sacjoar w węższm sesie. 9

10 7-- Proces ergodcz Sposób wzaczeia momeów i fucji orelacji słabo sacjoarego procesu dla pojedczej realizacji fucji czasu: m lim d, lim d s lim m ] d warość oczeiwaa m jes warościąśredią przebiegu w czasie; jeśli m wariacja jes warością sueczą średiowadraową przebiegu Jeśli uzsae w e sposób wii są idecze z uzsami dla zbioru realizacji procesu proces jes ergodcz Proces ergodcz Jeśli uzsae dla pojedczej realizacji wii są idecze z uzsami dla zbioru realizacji procesu proces jes ergodcz. Proces ergodcze - są imi słabo sacjoare proces ormale ormal rozład prawdopodobieńswa, m i ie zależą od spełiające warue: lim C d Więszość obserwowach sacjoarch procesów fizczch o proces ergodcze

11 7-- Wzaczaie paramerów procesu ergodczego Paramer procesu losowego ergodczego obliczae dla pojedczej realizacji: Warość oczeiwaa średia m lim d Wariacja: s lim m] d Fucja auoowariacji C m m] lim m m d Fucja auoorelacji lim d Fucja orelacji wzajemej Jes o warość oczeiwaa iloczu sgałów, óra saowi miarę podobieńswa ch sgałów dla argumeu opóźieie, o óre przesuięe są aalizowae sgał. ] lim d

12 7-- Fucja orelacji wzajemej Jes o warość oczeiwaa iloczu sgałów dla argumeu opóźieie. lim d Poieważ fucja orelacji wzajemej jes w mśl defiicji warością średią iloczu warości sgałów i, usuowach w puach i, uśredieie powio zosać przeprowadzoe dla iesończoej liczb ch iloczów wzaczoch dla daego i różch, sąd iesończo przedział całowaia. W pomiarach fizczch praczch warue e ie jes realizowal, obowiązuje jeda z rówoważch zależości: d o d o Fucja orelacji wzajemej Jes o warość oczeiwaa iloczu sgałów, óra saowi miarę podobieńswa ch sgałów dla argumeu opóźieie, o óre przesuięe są aalizowae sgał d Sgał idecze - wsoa warość fucji orelacji wzajemej dla. Sgał róże mimo ideczego szału ja obo! - isa warość fucji orelacji wzajemej dla, wsoa dla pewej warości ;

13 7-- Fucja orelacji wzajemej Sgał rzeczwise sgał zespoloe * d d Właściwości:. -. aaliza wróżia wrażeia ab ] a ab b, b 3. ½ ] aaliza wrażeia ] oraz właściwość 4. > sgał i są iesorelowae Fucja auoorelacji orelacji własej Sgał rzeczwis sgał zespolo * d d - w przpadu sgałów rzeczwisch fucja rzeczwisa, parzsa wariacja wadra warości warość sueczej Właściwości:. dla. - dla sgałów rzeczwisch 3

14 7-- Fucja auoorelacji orelacji własej Sgał rzeczwis lim d d jes fucją parzsą i przjmuje masmalą warość dla!!!! Paramer sgałów deermiisczch Paramer warość średia, średiowadraowa, fucja orelacji moża wzaczać aże dla sgałów deermiisczch, sosując e same formuł co w przpadu sgałów losowch, dososowae do właściwości eergeczch sgału, p. dla fucji orelacji wzajemej: Sgał o sończoej eergii ciągłe lub dsree d Sgał oresowe ciągłe lub dsree ores lub Sgał o sończoej mocśrediej o d o lim d 4

15 7-- Fucje auoorelacji sgału deermiisczego Sgał siusoidal. - o si ωsi ω d cos ω o jes fucją parzsą i przjmuje masmalą warość dla!!!! Fucja auoorelacji ombiacji liiowej sgałów a b Sgał o sończoej eergii d a b a b ] a b ab ab ] a b ab ; є, є, pole pod wadraem całego sgału pole pod wadraem części sgału pole rówe zero jes fucją parzsą i przjmuje masmalą warość dla!!!!

16 7-- Przład fucji auoorelacji procesów losowch sgał siusoidal siω. cosω szum losow szeroopasmow biał wadra warości warość sueczej 3 sgał siusoidal plus szum biał jes fucją parzsą i przjmuje masmalą warość dla!!!! zerowe opóźieie Widmowa gęsość moc Widmowa gęsość moc w. Wieera-Chicza wi przeszałceia Fouriera fucji auoorelacji G f ep jπf d pierwoie podsawowa meoda wzaczaia WG związe odwro G f ep jπf df 6

17 7-- Widmowa gęsość moc procesów losowch G f ep jπf d G f ep jπf df Przład sgał siusoidal szum biał uśredieie WG! 3 sgał siusoidal plus szum losow Przład fucji auoorelacji i WG procesów G f ep jπf df G f ep jπf d si szum biał si szum biał 7

18 7-- Fucja auoorelacji procesu losowego Szum biał sgał losow o sałej wariacji oraz zerowej warości średiej i sałej widmowej gęsości moc w fucji pulsacji w smulacji sgał pseudolosow. a moc wierdzeia Wieera-Chicza oczeujem rezulau w posaci del Diraca usuowaej w począu uładu rasformaa Fouriera fucji sałej i własość podobieńswa! oraz zer dla ich pulsacji. Obo przedsawioo rezula esmacji!! fucji auoorelacji smulowaego szumu białego dla 3 realizacji ego szumu. Oprócz warości usuowaej w począu uładu jes wadraem warości sueczej ze wzrosem pojawiają się arasające fluuacje wiu. Jes o efe ograiczeń meod esmacji isiejącch w prace - malejącej liczb uśrediach iloczów dla więszch opóźień. Współczi orelacji, - proces ergodcze Współczi orelacji wzajemej - uormowaa fucja owariacji wzajemej lim m ] m ] d C ρ C C s s Współczi orelacji isoie różi się od fucji orelacji warość ego współczia iesie ilościową iformację o podobieńswie dwóch sgałów losowch. Podczas gd warość masimum fucji orelacji jes fucją ampliud obu sgałów, warośćρ ie jes zależa od ampliud. Warośćρ rówa jedości ozacza ideczość obu sgałów, warość blisa jedości zacze podobieńswo ch sgałów. Współczi orelacji spełia warue ρ <. 8

19 7-- Współczi auoorelacji Proces ergodcz Uormowaa fucja auoowariacji współczi auoorelacji: ρ lim m m d ] ] C C C s Współczi e spełia warue: ρ Zasosowaie fucji i współczia orelacji smacja czasu opóźieia I Sgał ergodcz i jego opóźioa i przesalowaa wersja a<: a- Fucja orelacji wzajemej dla sgałów i ] a ] a ] a Fucja więc fucją auoorelacji sgału, przesuięą o i pomożoą przez współczi a. Warość masmala ej fucji leż dla. Zalezieie położeia masimum pozwala wzaczć opóźieie sgałów i. Współczi orelacji wzajemej procesów i ma posać: C C aσ ρ σ σ σ σ σ aσ σ s 9

20 7-- Zasosowaie fucji i współczia orelacji smacja czasu opóźieia II -. sigal auoorelacja sgalu a- C C a aσ ρ σ σ σ σ σ aσ a -. - replia fucja orelacji wzajemej wspólczi orelacji wzajemej Fucja orelacji w obecości szumu sgał: jego opóźioa wersja, przesalowaa, z dodaiem iesorelowaego szumu : a - Fucja orelacji wzajemej dla sgałów i sgał ergodcze: ] a ] a ] ] a a ] a Poieważ szum i sgał są iesorelowae, orelacja wzajema ] jes rówa zeru! Fucja jes fucją auoorelacji sgału, przesuięą o opóźieie, o óre przesuięa jes replia, i pomożoą przez współczi a. Warość masmala ej fucji leż dla. Oreśleie położeia masimum pozwala wzaczć opóźieie przesuięcie sgału i jego replii w sgale.

21 7-- Współczi orelacji sgał gausspac sgał - szum biał iesorelowa, odchleie sadardowe ,, Współczi orelacji. -. sgał gausspac sgał. współczi auoorelacji przjmuje warość dla C σ ρ σ σ σ σ współczi orelacji wzajemej i przjmuje warość dla C σ ρ σ σ σ σ σ σ σ

22 7-- Współczi orelacji. -. sgał gausspac sgał / współczi orelacji wzajemej i przjmuje warość dla C σ ρ σ σ σ σ σ σ / σ σ / Współczi orelacji w obecości szumu sgał gausspac sgał - szum biał iesorelowa, odchleie sadardowe.7,, sgał oraz sgał oraz współczi auoorelacji przjmuje warość dla C σ ρ σ σ σ σ. -

23 Współczi orelacji w obecości szumu,, współczi orelacji wzajemej i współczi auoorelacji C σ σ ρ ρ sgał oraz Współczi orelacji w obecości szumu - gausspac,, współczi orelacji wzajemej i aaliza :???? ] ] ] ] ] ] C σ σ ρ

24 7-- sgał gausspac sgał - szum biał iesorelowa, Współczi orelacji w obecości szumu cz rzeczwiście i są iesorelowae? ] ]???? ] smacja paramerów procesów losowch 4

25 7-- Podsawowe pojęcia eorii esmacji Pomiar cz esmacja paramerów? smaor Właściwości esmaorów jaość esmaorów G rzeczwisa warość parameru esmowaego Ĝ esmaor zmiea losowa!! rozład, wariacja, obciążeie Ĝ ] warośćśredia oczeiwaa esmaora Wi pomiaruĝ będzie róż od rzeczwisej warości G ; wsąpić mogą dwojaiego rodzaju błęd: obciążeie - G - Ĝ ] - błąd ssemacz wariacja - Ĝ - Ĝ ] - błąd przpadow Błąd średiowadraow Błęd esmaora ujmuje sumarczie błąd średiowadraow: SĜ - G ] S { G f G f } ] { G f G f ] G f G f ]} ] G f G f ] G f G f ] G f G f ] G f G f ] ] G f G f ] ] G f G f ] G f G f ]] G f G f ] warość zero sała G f G f ] ] G f G f ] wariacja s Ğf obciążeie bğf iara względa błędu: względ błąd średiowadraow: ε S G f

26 7-- Właściwości esmaorów Oczeujem, że dobr esmaor ie będzie wazwał obciążeia, a jego wariacja będzie ja ajmiejsza Jeśli warość oczeiwaa esmaora jes rówa warości parameru esmowaego esmaor ieobciążo. G ] G Pożądae jes, b esmaor miał ja ajmiejsz błąd średiowadraow, czli małą wariację i bł ieobciążo G G ] smaor ajefewiejsz esmaor ieobciążo o ajmiejszej wariacji Jeśli rozmiar próbi rosą i zachodzi zależość: esmaor jes zgod lim G G ] smaor podsawowch paramerów paramer esmaor warość średia m ] p d m p m i i wariacja s m ] p d s i m i obciążo s m p s i m i ieobciążo 6

27 7-- smacja fucji orelacji auoorelacji smaor fucji orelacji wzajemej: iesończo czas całowaia uśrediaia esmaora!!! lim d smaor fucji orelacji wzajemej sosowae w obliczeiach ompuerowch: sończoa liczba próbe sgału!!!! ograiczeie liczb uśrediach iloczów!!! ieobciążo obciążo smaor fucji auoorelacji smaor fucji auoorelacji lim d i jego implemeacja umercza małe duże liczba par {, } worzącch warości iloczu maleje ze wzrosem!! 7

28 7-- smacja fucji orelacji auoorelacji 3 realizacje szumu białego,, ±,, Szum biał fucja auoorelacji powia mieć posać del Diraca, o wsoości, usuowaej w począu uładu!!! Wi dela Diraca o wsoości oraz??? Widocze różice poszczególch wiów esmacji, wzros zmieości wariacji esmaora ze wzrosem oraz spade zmieości esmaora uśredioego w porówaiu z ażdm z pojedńczch esmaorów.. f.auoorelacji f.auoorelacji. esmaa r f.auoorelacji sredia f.auoorelacji.. esmaa r esmaa r 3 esmaa uśredioa smacja fucji orelacji auoorelacji Sgał - szum olorow, wi ograiczeia pasma szumu białego esmaor ieobciążo esmaor obciążo Liczba par {, } worzącch warości iloczu maleje ze wzrosem!! Poiżej wi esmacji szumu olorowego prz zasosowaiu obu esmaorów:. coloured, próbe - fucja auoorelacji, es. ieobciazo coloured oise, próbe - fucja auoorelacji, es. obciazo

29 7-- smacja WG procesów gaussowsich smaor WG Wariacja esmaora WG obciążeie esmaora WG gdzie B rozdzielczość częsoliwościowa aaliz, czas obserwacji G f G f s G f B '' b G f B G f 4 Względ błądśrediowadraow: S ε B G '' f 4 ] G f B 76 G f smacja WG procesów gaussowsich Względ błąd średiowadraow esmaora WG: S ε B G '' f 4 ] G f B 76 G f Jeśli B małe wsoa rozdzielczość częsoliwościowa, a widmowa gęsość moc procesu jes głada ie wsępują szbie zmia, o drugi czi w powższm wrażeiu moża pomiąć, a błąd wosi sładi związa z wariacją: ε B 9

30 7-- smacja WG procesów gaussowsich meodą bezpośrediej F Odsęp czasow międz olejmi próbami wosi /f s f s - częsoliwość próbowaia, ciąg próbe poddawa DF odpowiada czasowi /f s, rozdzielczość częsoliwościowa odległość międz olejmi warościami DF jes odwroie proporcjoala do : Bf s //, czli /B!!! ε B Błąd względ jes rów, błąd średiowadraow jes rów warości esmowaej!!!! Obo - wii esmacji WG dla 4 realizacji procesu smulowa szum biał oczeujem sałej warości WG w całm paśmie - widocza zacza wariacja esmaora. Uśrediaie 3

31 7-- 3 sgał sochascze X uśredioa suma sgałów warość oczeiwaa sum sgałów wariacja sum sgałów s X X X XX X X XX X X X X X ] ] ] ] ] ] X ] ] X Wariacja sum procesów losowch I Wariacja sum sgałów sochasczch gaussowsich iesorelowach p. szum biał o zerowej warościśrediej i wariacji s Poieważ X: ] X s poieważ szum jes iesorelowa, dla m p m p ] Wariacja sum procesów losowch II Wariacja sum sgałów sochasczch gaussowsich iesorelowach p. szum biał o zerowej warości średiej i wariacji s X ]..}.. ] ]... ] ] {..]..... ]... s s ] ]... ] ] X s ]}... ] ] { s

32 7-- Wariacja sum procesów losowch III Wariacja sum sgałów sochasczch gaussowsich iesorelowach p. szum biał o zerowej warościśrediej i wariacji s s { ] ]... ]} ] poieważ ] s ] s s s s ] Wariacja uśredioej sum sgałów losowch jes rówa s /, a więc -roie miejsza iż wariacja ażdego z sgałów losowch worzącch sumę. Odchleie sadardowe po uśredieiu jes raz miejsze. Sgał z szumem gaussowsim I Sgał ma realizacji, z órch ażda zawiera powarzal sgał deermiiscz i iesorelowa z sgałem szum gaussowsi o zerowej warościśrediej i wariacji s : sosue sgał/szum S/ przed uśredieiem: real pojedcza realizacja S real s miarą S/ jes sosue warości sueczej sgału ŷ i odchleia sadardowego szumu s prz zerowej w.średiej - warość suecza uśrediając realizacji dosajem: ] ] ] 3

33 Prz wzaczaiu wariacji aiej sum ziają warości oczeiwae iloczów szumów i m, a aże oraz szumów Wariacja i odchleia sadardowe po uśredieiu sosue S/ avgd wosi: uśrediając realizacji dosajem: avgd real S s s S / s s suma / s s suma / ] ] ] Sgał z szumem gaussowsim II po uśredieiu sosue S/ avgd wosi: uśrediając realizacji dosajem: avgd real S s s S / asępuje więc -roa poprawa sosuu sgału do szumu w porówaiu z suacją przed uśredieiem. Warui uzsaia ej popraw o spełieie podach wcześiej wmagań ałożoch a sgał losow i sgał deermiiscz oraz możliwość schroizacji uśrediaia, j. aiego wzajemego usawieia uśrediach fragmeów sgału, b sgał powarzal zajdował się w ażdm przpadu w ej samej odległości od począu fragmeu sgału. ] ] ] Sgał z szumem gaussowsim III

34 7-- Uśrediaie - meoda wdobwaia sgałów z szumu Przład a - sgał deermiiscz róją.. sgal 3 4 szum iesorelowa b - szum iesorelowa c - suma sgału i szumu, sgał deermiiscz - iewidocz d - wi uśredieia 3 ewolucji ja w części c, w wiu -roego słumieia szumów sgał deermiiscz saje się widocz szum sgal uœredio powarzal sgal z szumem Uśrediaie jes częso sosowaą meodą prz pomiarze słabch sgałów echia pomiarowa, medca eleme KG, poecjał wwołae wzroowe, słuchowe. Wrwaie późch poecjałów CG - uśrediaie 34

35 7-- Wrwaie późch poecjałów CG - uśrediaie Procedura: - awizcja sgału z rzech odprowadzeń z wsoą częsoliwością próbowaia Hz - uśrediaie - schroizacja uśrediaia: wbór wzorca QS z dach wzaczaie współczia orelacji wzajemej międz wzorcem i olejmi clami sgału KG w przpadu uzsaia odpowiedio wsoiej warości współczia orelacji dodajem do siebie zschroizowae z wzorcem sgał Wrwaie późch poecjałów CG - uśrediaie Procedura cd.: - uśrediaie - uwzględiaie cziów aich ja zmiea długość clu KG zmie poziom szumów w sgale - szacowaie moc szumów w płasim odciu sgału poza QS - selecja cli KG a podsawie w/w aaliz 3

36 7-- Wrwaie późch poecjałów CG - uśrediaie eod popraw właściwości esmaorów WG smaor WG zmiea losowa o wariacji rówej wadraowi warości esmowaej odchleie sadardowe rówe warości esmowaej. Uśrediaie a wariacja esmaora DF WG 4 wii esmacji WG meodą bezpośrediego przeszałceia Fouriera; wi uśredieia esmaorów eoreczie poad 4 obiżeie odchleia sadardowego Ie echii popraw właściwości esmaora WG: - wgładzaie częsoliwościowe średia ruchoma - oa czasowe splo F sgału z F oa - wgładzaie z worzsaiem fucji będącej F oa 36

37 7-- smacja fucji orelacji auoorelacji Sgał - szum olorow, wi ograiczeia pasma szumu białego esmaor ieobciązo esmaor obciążo Liczba par {, } worzącch warości iloczu maleje ze wzrosem!! coloured, próbe - fucja auoorelacji, es. ieobciazo coloured oise, próbe - fucja auoorelacji, es. obciazo uśredio esmaor fucji auoorelacji, ubiased, 6* próbe, uśredio esmaor fucji auoorelacji, biased, 6* próbe, Pojedcz wi esmacji Wi esmacji po 6 uśredieiach Związi międz WG esmowami a podsawie w. Wieera i z użciem meod bezpośrediej F F dla pojedczej realizacji ep X f, jπf d o X f, S f,, smaor WG dla pojedczej realizacji ozacza czas obserwacji, r realizacji, f częsoliwość. smaor Sf,, ie jes zgod jego wariacja ie maleje ze wzrosem. Koiecze jes uśrediaie zbioru esma uzsach dla zbioru p realizacji procesu: S f lim S f,, p] p 37

38 7-- Związi międz WG esmowami a podsawie w. Wieera i z użciem meod bezpośrediej F Uśredioa w zbiorze realizacji warość S jes w poiższ sposób związaa z fucją auoorelacji: p S f,, p] ep jπf d lim S Graica warości oczeiwaej p S ] jes rówa widmowej gęsości moc orzmwaej w wiu w. Wieera-Chicza f,, p] ep jπf d G f esmaor DF - pojedcze esma WG usredioa esmaa DF. rzeczwisa WG. Wieer-Chicz. WG esmowaa a podsawie w. Wieera i z użciem meod bezpośrediej F pojedcza realizacja szumu gaussowsiego rms, próbe WG wzaczoa jao wadra modułu F. Warośćśredia o.. Zacz poziom fluuacji wariacja. WG wzaczoa jao F fucji auoorelacji wzaczoej dla opóźień -. Warośćśredia o.. Zaczie iższ poziom fluuacji wariacji. 38

39 7-- Widmowa gęsość moc wzajemej i fucja oherecji Widmowa gęsość moc wzajemej i fucja oherecji Widmowa gęsość moc wzajemej: i fucja orelacji wzajemej G f ep jπf f G ep jπf df d Fucja oherecji <γ <: G f γ f G f G f Fucja oherecji oreśla w dziedziie częsoliwości podobieńswo międz przebiegami losowmi: γ ozacza, że proces e są ieoheree iesorelowae; γ ozacza, że są całowicie oheree sorelowae. 39

40 7-- Fucja oherecji przład I - log WG X G f γ f G f G f fucja oherecji X i Y - - log WG Y Fucja oherecji przład II G f γ f G f G f Aaliza oherecji surczowego ciśieia ęiczego i ierwału u młodej osob w spoczu. Wsoa warość oherecji orelacja! wsępuje dla częsoliwości ooło.3hz oraz.hz. Jes o efe obecości osclacji wsępującch w ciągu ierwałów związach z oddechem oraz związów ciśieieczęsość prac serca. 4

41 7-- 4 Wielości charaerzujące proces dla dach dsrech ergodcz szereg czasow liczba próbe procesu, masmale opóźieie orelacji fucja orelacji wzajemej,,,..., prz - f. auoorelacji esmaor obciążo esmaor ieobciążo wariacja warość średia m m s ] Wielości charaerzujące proces dla dach dsrech ergodcz szereg czasow liczba próbe procesu, masmale opóźieie orelacji współczi orelacji wzajemej prz - wsp. auoorelacji,,... widmowa gęsość moc, m,,,... ep m m j m G π m m m m ] ] ] ] ρ ep / s s j f f X G π

42 7-- Badaie właściwości ssemów sacjoarch liiowch - rasmisja procesów losowch h d Y f H f X f H f H f ep jϕ f Związe międz widmową gęsością moc procesu wejściowego i wjściowego G f G f H f Związe międz wzajemą widmową gęsością moc procesu wejściowego i wjściowego i procesu wejściowego G f G f H f oża oreślić: * G f G f * H f G f Badaie właściwości ssemów sacjoarch liiowch - rasmisja procesów losowch Y f H f X f G f G f H f G f G f H f * G f G f * H f G f Zależości e pozwalają oreślić paramer ssemu: G H f G f f G H f G f ] f / G ep jϕ f G f f Ia możliwość zbadaia właściwości ssemu aaliza ilorazu rasforma sgału wejściowego i wjściowego Proces losow > uśrediaie widm!! H f Y f / X f H f ep jϕ f 4

43 7-- Ocea właściwości esmaorów WG G f G f H f Jeśli Gfcos. szum biał o Gfcos. Hf. Widmowa gęsość moc sgału wjściowego ssemu uładu pobudzoego szumem białm jes liiowo proporcjoala do wadrau modułu odpowiedzi częsoliwościowej ego uładu. Aaliza zbioru Gf uzsach daą meodą esmacji dla zbioru realizacji szumu pozwala oszacować obciążeie i wariację zasosowaego esmaora WG w zasosowaiu do sgału o WG oreśloej przez Hf. Przebieg Hf saowi odiesieie prz wzaczaiu wariacji i obciążeia esmaora. Warość Hf w paśmie przeoszeia może zosać zormalizowaa p. do. Porówaie właściwości wbrach esmaorów WG Sgał - szeroopasmow szum olorow, uśredień P DF X fs π ep j / f s P B m m m m,,..., - s PA m p a ep-jπm / m πm mep j m,,..., -, /fs 43

PRZETWARZANIE SYGNAŁÓW

PRZETWARZANIE SYGNAŁÓW PZEWAZAIE SYGAŁÓW SEMES V Człowie- ajlepsza iwestcja Projet współfiasowa przez Uię Europejsą w ramach Europejsiego Fuduszu Społeczego Wład III Proces stochastcze Elemet estmacji parametrów procesów losowch

Bardziej szczegółowo

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2.

Erlanga. Znajdziemy rozkład czasów oczekiwania na n-te zdarzenie. Łączny czas oczekiwania. na n zdarzeń dany jest przez: = u-v i t 2. Rozład Erlaga Zajdziem rozład czasów oczeiwaia a -e zdarzeie. Łącz czas oczeiwaia a zdarzeń da jes przez: M. Przbcień Rachue prawdopodobieńswa i sasa ( (- gdzie E ; λ λ exp λ Podobie zajdujem: E ( ; E(

Bardziej szczegółowo

Funkcja generująca rozkład (p-two)

Funkcja generująca rozkład (p-two) Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormal (Gaussa Wprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowch. Rozważm pomiar wielości, tór jest zaburza przez losowch efetów o wielości ε ażd, zarówo zaiżającch ja i zawżającch

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n

Matematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam

Bardziej szczegółowo

Wyższe momenty zmiennej losowej

Wyższe momenty zmiennej losowej Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla

Bardziej szczegółowo

Sygnały pojęcie i klasyfikacja, metody opisu.

Sygnały pojęcie i klasyfikacja, metody opisu. Sygały pojęcie i klasyfikacja, meody opisu. Iformacja przekazywaa jes za pośredicwem sygałów, kóre przeoszą eergię. Sygał jes o fukcja czasowa dowolej wielkości o charakerze eergeyczym, w kórym moża wyróżić

Bardziej szczegółowo

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 3. tel.: (061)

PROGNOZOWANIE. Ćwiczenia 3.  tel.: (061) Ćwiczeia 3 mgr iż.. Mara Krueger mara.krueger@edu.wsl.com.pl mara.krueger@ilim.poza.pl el.: (06 850 49 57 Meod progozowaia krókoermiowego sał poziom red sezoowość Y Y Y Czas Czas Czas Model aiw Modele

Bardziej szczegółowo

Cechy szeregów czasowych

Cechy szeregów czasowych energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas

Bardziej szczegółowo

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

Metrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,

Bardziej szczegółowo

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń

MIANO ROZTWORU TITRANTA. Analiza statystyczna wyników oznaczeń MIANO ROZTWORU TITRANTA Aaliza saysycza wyików ozaczeń Esymaory pukowe Średia arymeycza x jes o suma wyików w serii podzieloa przez ich liczbę: gdzie: x i - wyik poszczególego ozaczeia - liczba pomiarów

Bardziej szczegółowo

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą

EKONOMETRIA. Liniowy model ekonometryczny (regresji) z jedną zmienną objaśniającą EKONOMETRIA Tema wykładu: Liiowy model ekoomeryczy (regresji z jedą zmieą objaśiającą Prowadzący: dr iż. Zbigiew TARAPATA e-mail: Zbigiew.Tarapaa Tarapaa@isi.wa..wa.edu.pl hp:// zbigiew.arapaa.akcja.pl/p_ekoomeria/

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i

Bardziej szczegółowo

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu

1. Element nienaprawialny, badania niezawodności. Model matematyczny elementu - dodatnia zmienna losowa T, określająca czas życia elementu Badaia iezawodościowe i saysycza aaliza ich wyików. Eleme ieaprawialy, badaia iezawodości Model maemayczy elemeu - dodaia zmiea losowa T, określająca czas życia elemeu Opis zmieej losowej - rozkład, lub

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka

Zmienna losowa. M. Przybycień Rachunek prawdopodobieństwa i statystyka Zmienna losowa ozszerzenie znaczenia funcji zmiennej rzeczwistej na przpadi, ied zmienna niezależna nie jest liczbą rzeczwistą: odległość to funcja par puntów, obwód trójąta, to funcja oreślona na zbiorze

Bardziej szczegółowo

Ocena dopasowania modelu do danych empirycznych

Ocena dopasowania modelu do danych empirycznych Ocea dopasowaia modelu do dach empirczch Po oszacowaiu parametrów modelu ależ zbadać, cz zbudowa model dobrze opisuje badae zależości. Jeśli okaże się, że rozbieżość międz otrzmam modelem a dami empirczmi

Bardziej szczegółowo

PROGNOZY I SYMULACJE

PROGNOZY I SYMULACJE orecasig is he ar of saig wha will happe, ad he explaiig wh i did. Ch. Chafield (986 PROGNOZY I YMULACJE Kaarza Chud Laskowska kosulacje: p. 400A środa -4 czwarek -4 sroa iereowa: hp://kc.sd.prz.edu.pl/

Bardziej szczegółowo

Prognozowanie na podstawie szeregów czasowych.

Prognozowanie na podstawie szeregów czasowych. Progozowaie a podsawie szeregów czasowch. Sładowe szeregów czasowch. Szereg czasow sładowa ssemacza sładowa przpadowa red sał poziom sładowa oresowa wahaia clicze wahaia sezoowe Tred (edecja rozwojowa

Bardziej szczegółowo

Wykład FIZYKA I. 2. Kinematyka punktu materialnego. Dr hab. inż. Władysław Artur Woźniak

Wykład FIZYKA I. 2. Kinematyka punktu materialnego.  Dr hab. inż. Władysław Artur Woźniak Dr hab. iż. Władysław Arur Woźiak Wykład FIZYKA I. Kiemayka puku maerialego Dr hab. iż. Władysław Arur Woźiak Isyu Fizyki Poliechiki Wrocławskiej hp://www.if.pwr.wroc.pl/~woziak/fizyka1.hml Dr hab. iż.

Bardziej szczegółowo

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego

Zajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb

Bardziej szczegółowo

CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI

CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI CHARAKERYSYKI CZĘSOLIWOŚCIOWE PODSAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUOMAYKI Do podstawowych form opisu dyamii elemetów automatyi (oprócz rówań różiczowych zaliczamy trasmitację operatorową s oraz trasmitację

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie metodą średnich ruchomych w procesach stałych Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja

Bardziej szczegółowo

1. Rezonans w obwodach elektrycznych 2. Filtry częstotliwościowe 3. Sprzężenia magnetyczne 4. Sygnały odkształcone

1. Rezonans w obwodach elektrycznych 2. Filtry częstotliwościowe 3. Sprzężenia magnetyczne 4. Sygnały odkształcone Wyład 6 - wersja srócona. ezonans w obwodach elerycznych. Filry częsoliwościowe. Sprzężenia magneyczne 4. Sygnały odszałcone AMD ezonans w obwodach elerycznych Zależności impedancji dwójnia C od pulsacji

Bardziej szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez

Bardziej szczegółowo

DEA podstawowe modele

DEA podstawowe modele Marek Miszczński KBO UŁ 2008 - Aaliza dach graiczch (EA) cz.2 (przkład aaliza damiki rakigi) EA podsawowe modele WPROWAZENIE Efekwość (produkwość) obieku gospodarczego o es defiiowaa ako sosuek sum ważoch

Bardziej szczegółowo

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b,

21. CAŁKA KRZYWOLINIOWA NIESKIEROWANA. x = x(t), y = y(t), a < t < b, CAŁA RZYWOLINIOWA NIESIEROWANA rzywą o rówaiach parameryczych: = (), y = y(), a < < b, azywamy łukiem regularym (gładkim), gdy spełioe są asępujące waruki: a) fukcje () i y() mają ciągłe pochode, kóre

Bardziej szczegółowo

TRANZYSTORY POLOWE JFET I MOSFET

TRANZYSTORY POLOWE JFET I MOSFET POLTECHNKA RZEZOWKA Kaedra Podsaw Elekroiki srukcja Nr5 F 00/003 sem. lei TRANZYTORY POLOWE JFET MOFET Cel ćwiczeia: Pomiar podsawowych charakerysyk i wyzaczeie paramerów określających właściwości razysora

Bardziej szczegółowo

Przykładowe zadania dla poziomu rozszerzonego

Przykładowe zadania dla poziomu rozszerzonego Przkładowe zadaia dla poziomu rozszerzoego Zadaie. ( pkt W baku w pierwszm roku oszczędzaia stopa procetowa bła rówa p%, a w drugim roku bła o % iższa. Po dwóch latach, prz roczej kapitalizacji odsetek,

Bardziej szczegółowo

Pobieranie próby. Rozkład χ 2

Pobieranie próby. Rozkład χ 2 Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie

Bardziej szczegółowo

Dodatek 10. Kwantowa teoria przewodnictwa I

Dodatek 10. Kwantowa teoria przewodnictwa I Dodate 10 Kwatowa teoria przewodictwa I Teoria lascza iała astępujące aaet: (1) zierzoe wartości średiej drogi swobodej oazał się o ila rzędów wielości więsze iż oczeiwae () teoria ie dawała poprawc zależości

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU

POMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów

Bardziej szczegółowo

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy.

Miary położenia (tendencji centralnej) to tzw. miary przeciętne charakteryzujące średni lub typowy poziom wartości cechy. MIARY POŁOŻENIA I ROZPROSZENIA WYNIKÓW SERII POMIAROWYCH Miary położeia (tedecji cetralej) to tzw. miary przecięte charakteryzujące średi lub typowy poziom wartości cechy. Średia arytmetycza: X i 1 X i,

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej

Bardziej szczegółowo

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.

X i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2. Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,

Bardziej szczegółowo

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny.

OCENA POPYTU POPYT POJĘCIA WSTĘPNE. Definicja: Popyt to ilość dobra, jaką nabywcy gotowi są zakupić przy różnych poziomach ceny. OCENA POPYTU POPYT POJĘCIA WSTĘPNE Defiicja: Pop o ilość dobra, jaką abwc goowi są zakupić prz różch poziomach ce. Deermia popu: (a) Cea daego dobra (b) Ilość i ce dóbr subsucjch (zw. kokurecjch) (c) Ilość

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 0 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych)

Zadania domowe z Analizy Matematycznej III - czȩść 2 (funkcje wielu zmiennych) Zadaia domowe z AM III dla grup E7 (semestr zimow 07/08) Czȩść Zadaia domowe z Aaliz Matematczej III - czȩść (fukcje wielu zmiech) Zadaie. Obliczć graice lub wkazać że ie istiej a: (a) () (00) (b) + ()

Bardziej szczegółowo

Zbiorowość statystyczna zbiór elementów (osób, przedmiotów, itp.) mających jedną lub kilka wspólnych cech.

Zbiorowość statystyczna zbiór elementów (osób, przedmiotów, itp.) mających jedną lub kilka wspólnych cech. Statsta Statsta aua zajująca się wrwaie, badaie i opiswaie zależości wstępującch w zjawisach asowch; zbiór etod służącch groadzeiu, prezetacji, aalizie i iterpretacji dach. Przediote badaia statstczego

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych EAIB-Iormaa-Wład 9- dr Adam Ćmel cmel@.ag.edu.pl Racue różczow ucj welu zmec Z uwag a prosoę zapsu ławe erpreacje gracze ograczm sę jede do ucj lub zmec. Naurale uogólea wprowadzac pojęć a ucje zmec zosawam

Bardziej szczegółowo

Temat 6. ( ) ( ) ( ) k. Szeregi Fouriera. Własności szeregów Fouriera. θ możemy traktować jako funkcje ω, których dziedziną jest dyskretny zbiór

Temat 6. ( ) ( ) ( ) k. Szeregi Fouriera. Własności szeregów Fouriera. θ możemy traktować jako funkcje ω, których dziedziną jest dyskretny zbiór ema 6 Opracował: Lesław Dereń Kaedra eorii Sygnałów Insyu eleomuniacji, eleinformayi i Ausyi Poliechnia Wrocławsa Prawa auorsie zasrzeżone Szeregi ouriera Jeżeli f ( ) jes funcją oresową o oresie, czyli

Bardziej szczegółowo

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA

ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE. Strona 1

KURS STATYSTYKA. Lekcja 7 Analiza dynamiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE.  Strona 1 KURS STATYSTYKA Lekcja 7 Aaliza damiki zjawisk (zjawiska w czasie) ZADANIE DOMOWE www.erapez.pl Sroa Część : TEST Zazacz poprawą odpowiedź (lko jeda jes prawdziwa). Paie Szereg damicz o: a) ciąg prędkości

Bardziej szczegółowo

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary rozproszenia. Miary położenia. Wariancja. Średnia. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego

ANALIZA DYNAMIKI ZJAWISK (dok.) WYGŁADZANIE szeregu czasowego D. Miszczńska,M.Miszczński, Maeriał do wkładu 6 ze Saski, 009/0 [] ANALIZA DYNAMIKI ZJAWISK (dok.). szereg czasow, chroologicz (momeów, okresów). średi poziom zjawiska w czasie (średia armecza, średia

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 7

RÓWNANIA RÓŻNICZKOWE WYKŁAD 7 RÓWNANIA RÓŻNIZKOWE WYKŁAD 7 Deiicj Ukłdem rówń różiczkowch rzędu pierwszego w posci ormlej zwm ukłd rówń o iewidomch > zmie iezleż. Uwg Jeżeli = o zzwczj piszem x zmis orz g zmis jeżeli = o piszem x z

Bardziej szczegółowo

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i.

Miary położenia. Miary rozproszenia. Średnia. Wariancja. Dla danych indywidualnych: Dla danych indywidualnych: s 2 = 1 n. (x i x) 2. x i. Miary położeia Średia Dla daych idywidualych: x = 1 x = 1 x i i ẋ i gdzie ẋ i środek i tego przedziału i - liczość i-tego przedziału Domiata moda Liczba ajczęściej występująca jeśli taka istieje - dla

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych Iormaa - Wład 9 - dr Bogda Ćmel cmelbog@ma.ag.edu.pl Racue różczow ucj welu zmec Z uwag a prosoę zapsu ławe erpreacje gracze ograczm sę jede do ucj lub zmec. Naurale uogólea wprowadzac pojęć a ucje zmec

Bardziej szczegółowo

Schrödingera. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok

Schrödingera. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok Wykład 0: Rówaie Schrödigera Dr iż. Zbigiew Szklarski Kaedra Elekroiki paw. C- pok.3 szkla@agh.edu.pl hp://layer.uci.agh.edu.pl/z.szklarski/ Rówaie Schrödigera jedo z podsawowych rówań ierelaywisyczej

Bardziej szczegółowo

Prognozowanie i symulacje

Prognozowanie i symulacje Progozowaie i smulacje Ramow pla wkładu. Wprowadzeie w przedmio. rafość dopuszczalość i błąd progoz 3. Progozowaie a podsawie szeregów czasowch 4. Progozowaie a podsawie modelu ekoomerczego 5. Heurscze

Bardziej szczegółowo

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody

t - kwantyl rozkładu t-studenta rzędu p o f stopniach swobody ZJAZD ANALIZA DANYCH CIĄGŁYCH ramach zajęć będą badae próbki pochodzące z poplacji w kórych badaa cecha ma rozkład ormaly N(μ σ). Na zajęciach będą: - wyzaczae przedziały fości dla warości średiej i wariacji

Bardziej szczegółowo

APROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne

APROKSYMACJA I INTERPOLACJA. funkcja f jest zbyt skomplikowana; użycie f w dalszej analizie problemu jest trudne APROKSYMACJA I INTERPOLACJA Przybliżeie fucji f(x) przez ią fucję g(x) fucja f jest zbyt sompliowaa; użycie f w dalszej aalizie problemu jest trude fucja f jest zaa tylo tabelaryczie; wymagaa jest zajomość

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)

Bardziej szczegółowo

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych

Efektywność projektów inwestycyjnych. Statyczne i dynamiczne metody oceny projektów inwestycyjnych Efekywość projeków iwesycyjych Saycze i dyamicze meody ocey projeków iwesycyjych Źródła fiasowaia Iwesycje Rzeczowe Powiększeie mająku rwałego firmy, zysk spodzieway w dłuższym horyzocie czasowym. Fiasowe

Bardziej szczegółowo

2.27. Oblicz wartość wyrażenia 3 a Wykaż, że jeżeli x i y są liczbami dodatnimi oraz x+ y =16, to ( 1+

2.27. Oblicz wartość wyrażenia 3 a Wykaż, że jeżeli x i y są liczbami dodatnimi oraz x+ y =16, to ( 1+ MATURA z matematki w roku,, fragmet Liza log log log log log 7 log 8 jest: 7 A iewmiera, B ałkowita, C kwadratem liz aturalej, D większa od 7 : B 7 Oliz wartość wrażeia a wiedzą, że a a 7 Wskazówka: Zauważ,

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska aysyka Iżyierska dr hab. iż. Jacek Tarasik AG WFiI 4 Wykład 5 TETOWANIE IPOTEZ TATYTYCZNYC ipoezy saysycze ipoezą saysyczą azywamy każde przypszczeie doyczące iezaego rozkład o prawdziwości lb fałszywości

Bardziej szczegółowo

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora.

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora. D:\maerialy\Maemayka a GISIP I rok DOC\7 Pochode\8ADOC -wrz-5, 7: 89 Obliczaie graic fukcji w pukcie przy pomocy wzoru Taylora Wróćmy do wierdzeia Taylora (wzory (-( Tw Szczególie waża dla dalszych R rozważań

Bardziej szczegółowo

Statystyka matematyczna. Wykład II. Estymacja punktowa

Statystyka matematyczna. Wykład II. Estymacja punktowa Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych

Bardziej szczegółowo

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń

3. Wykład III: Warunki optymalności dla zadań bez ograniczeń 3 Wkład III: Waruki optmalości dla zadań bez ograiczeń Podae poiże waruki optmalości dla są uogólieiem powszechie zach waruków dla fukci ede zmiee (zerowaie się pierwsze pochode i lokala wpukłość) 3 Twierdzeie

Bardziej szczegółowo

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych.

PROGNOZOWANIE. mgr Żaneta Pruska. Katedra Systemów Logistycznych. PROGNOZOWANIE Kaedra Ssemów Logisczch mgr Żaea Pruska zaea_pruska@wp.pl zaea.pruska@wsl.com.pl PROJEKT 5 pk. (grup 4-osobowe) Projek: Wersja w Wordzie Powia zawierać opis projeku z zasosowaiem eapów progozowaia.

Bardziej szczegółowo

Wytrzymałość śruby wysokość nakrętki

Wytrzymałość śruby wysokość nakrętki Wyzymałość śuby wysoość aęi Wpowazeie zej Wie Działająca w śubie siła osiowa jes pzeoszoa pzez zeń i zwoje gwiu. owouje ozciągaie lub ścisaie zeia śuby, zgiaie i ściaie zwojów gwiu oaz wywołuje acisi a

Bardziej szczegółowo

Mec Me han a ik i a a o gólna Wyp W a yp dko dk w o a w do d w o o w l o ne n g e o g o ukł uk a ł du du sił.

Mec Me han a ik i a a o gólna Wyp W a yp dko dk w o a w do d w o o w l o ne n g e o g o ukł uk a ł du du sił. echaika ogóla Wkład r 2 Wpadkowa dowolego układu sił. ówowaga. odzaje sił i obciążeń. odzaje ustrojów prętowch. Wzaczaie reakcji. Wpadkowa układu sił rówoległch rzłożeie układu zerowego (układ sił rówoważącch

Bardziej szczegółowo

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej

3. Regresja liniowa Założenia dotyczące modelu regresji liniowej 3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi

Bardziej szczegółowo

Metody oceny efektywności projektów inwestycyjnych

Metody oceny efektywności projektów inwestycyjnych Opracował: Leszek Jug Wydział Ekoomiczy, ALMAMER Szkoła Wyższa Meody ocey efekywości projeków iwesycyjych Niezbędym warukiem urzymywaia się firmy a ryku jes zarówo skuecze bieżące zarządzaie jak i podejmowaie

Bardziej szczegółowo

Politechnika Warszawska Instytut Automatyki i Robotyki. Prof. dr hab. inż. Jan Maciej Kościelny PODSTAWY AUTOMATYKI. 3. Podstawowe elementy liniowe

Politechnika Warszawska Instytut Automatyki i Robotyki. Prof. dr hab. inż. Jan Maciej Kościelny PODSTAWY AUTOMATYKI. 3. Podstawowe elementy liniowe Poliecia Warzawa I omai i Roboi Pro. dr ab. iż. Ja Maciej Kościel PODSWY UOMYKI 3. Podawowe eleme liiowe Założeia Wiele elemeów aomai moża raować jao liiowe, jeżeli: ograicz ię zare ic prac przjmie aępjące

Bardziej szczegółowo

I kolokwium z Analizy Matematycznej

I kolokwium z Analizy Matematycznej I kolokwium z Aalizy Matematyczej 4 XI 0 Grupa A. Korzystając z zasady idukcji matematyczej udowodić ierówość dla wszystkich N. Rozwiązaie:... 4 < + Nierówość zachodzi dla, bo 4

Bardziej szczegółowo

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0,

będą niezależnymi zmiennymi losowymi z rozkładu jednostajnego na przedziale ( 0, Zadaie iech X, X,, X 6 będą iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), a Y, Y,, Y6 iezależymi zmieymi losowymi z rozkładu jedostajego a przedziale ( 0, ), gdzie, są iezaymi

Bardziej szczegółowo

Szereg geometryczny. 5. b) b n = 4n 2 (b 1 = 2, r = 4) lub b n = 10 (b 1 = 10, r = 0). 2. jest równa 1 x dla x = 1+ Zad. 3:

Szereg geometryczny. 5. b) b n = 4n 2 (b 1 = 2, r = 4) lub b n = 10 (b 1 = 10, r = 0). 2. jest równa 1 x dla x = 1+ Zad. 3: Szereg geometryczy Zad : Suma wszystkich wyrazów ieskończoego ciągu geometryczego jest rówa 4, a suma trzech początkowych wyrazów wyosi a) Zbadaj mootoiczość ciągu sum częściowych tego ciągu geometryczego

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

Temat 15. Rozwinięcie Sommerfelda. Elektronowe ciepło właściwe.

Temat 15. Rozwinięcie Sommerfelda. Elektronowe ciepło właściwe. emat 5 Rozwiięcie Sommerfelda letroowe ciepło właściwe letroy podleają rozładowi ermieo-diraca wedł tóreo prawdopodobieństwo że sta o eerii jest zajęty przez eletro wyosi f 5 ep dzie wielość jest zaa pod

Bardziej szczegółowo

ZADANIA ZAMKNIĘTE. Zadanie 1. (1 pkt) Wartość wyrażenia. b dla a 2 3 i b 2 3 jest równa A B. 5 C. 6 D Zadanie 2.

ZADANIA ZAMKNIĘTE. Zadanie 1. (1 pkt) Wartość wyrażenia. b dla a 2 3 i b 2 3 jest równa A B. 5 C. 6 D Zadanie 2. Zachęcam do samodzielej prac z arkuszem diagostczm. Pozaj swoje moce i słabe stro, a astępie popracuj ad słabmi. Żczę przjemego rozwiązwaia zadań. Zadaie. ( pkt) Wartość wrażeia a ZADANIA ZAMKNIĘTE b dla

Bardziej szczegółowo

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2

Wykład 5 Przedziały ufności. Przedział ufności, gdy znane jest σ. Opis słowny / 2 Wykład 5 Przedziały ufości Zwykle ie zamy parametrów populacji, p. Chcemy określić a ile dokładie y estymuje Kostruujemy przedział o środku y, i taki, że mamy 95% pewości, że zawiera o Nazywamy go 95%

Bardziej szczegółowo

WYKŁAD nr 2. to przekształcenie (1.4) zwane jest przekształceniem całkowym Laplace a

WYKŁAD nr 2. to przekształcenie (1.4) zwane jest przekształceniem całkowym Laplace a WYKŁAD r. Elemey rachuku operaorowego Podawą rachuku operaorowego je zw. przekzałceie Laplace a, mające poać przekzałceia całkowego, przyporządkowujące fukcjom pewe owe fukcje, iego argumeu. Mówi ię, że

Bardziej szczegółowo

Analiza obwodów elektrycznych z przebiegami stochastycznymi. Dariusz Grabowski

Analiza obwodów elektrycznych z przebiegami stochastycznymi. Dariusz Grabowski Aliz obwodów elekryczych z przebiegmi sochsyczymi Driusz Grbowski Pl wysąpiei Sochsycze modele sygłów Procesy sochsycze Przekszłcei procesów sochsyczych przez ukłdy liiowe Ciągłość i różiczkowlość sochsycz

Bardziej szczegółowo

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH

PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy

Bardziej szczegółowo

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM.

Ćwiczenie 5 ITERACYJNY ALGORYTM LS. IDENTYFIKACJA OBIEKTÓW NIESTACJONARNYCH ALGORYTM Z WYKŁADNICZYM ZAPOMINANIEM. Kompterowe Sstem Idetfikacji Laboratorim Ćwiczeie 5 IERACYJY ALGORY LS. IDEYFIKACJA OBIEKÓW IESACJOARYCH ALGORY Z WYKŁADICZY ZAPOIAIE. gr iż. Piotr Bros, bros@agh.ed.pl Kraków 26 Kompterowe Sstem Idetfikacji

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

MACIERZE STOCHASTYCZNE

MACIERZE STOCHASTYCZNE MACIERZE STOCHASTYCZNE p ij - prawdopodobieństwo przejścia od stau i do stau j w jedym (dowolym) kroku, [p ij ]- macierz prawdopodobieństw przejść (w jedym kroku), Własości macierzy prawdopodobieństw przejść:

Bardziej szczegółowo

Damian Doroba. Ciągi. 1. Pierwsza z granic powinna wydawać się oczywista. Jako przykład może służyć: lim n = lim n 1 2 = lim.

Damian Doroba. Ciągi. 1. Pierwsza z granic powinna wydawać się oczywista. Jako przykład może służyć: lim n = lim n 1 2 = lim. Damia Doroba Ciągi. Graice, z których korzystamy. k. q.. 5. dla k > 0 dla k 0 0 dla k < 0 dla q > 0 dla q, ) dla q Nie istieje dla q ) e a, a > 0. Opis. Pierwsza z graic powia wydawać się oczywista. Jako

Bardziej szczegółowo

Rachunek różniczkowy funkcji wielu zmiennych

Rachunek różniczkowy funkcji wielu zmiennych Automatya i Robotya Aaliza Wyład dr Adam Ćmiel cmiel@agh.edu.pl Rachue różiczowy fucji wielu zmieych W olejych wyładach uogólimy pojęcia rachuu różiczowego i całowego fucji jedej zmieej a przypade fucji

Bardziej szczegółowo

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w

Trzeba pokazać, że dla każdego c 0 c Mc 0. ) = oraz det( ) det( ) det( ) jest macierzą idempotentną? Proszę odpowiedzieć w Zad Dae są astępujące macierze: A =, B, C, D, E 0. 0 = = = = 0 Wykoaj astępujące działaia: a) AB, BA, C+E, DE b) tr(a), tr(ed), tr(b) c) det(a), det(c), det(e) d) A -, C Jeśli działaia są iewykoale, to

Bardziej szczegółowo

Analityczne reprezentacje sygnałów ciągłych

Analityczne reprezentacje sygnałów ciągłych Analiyczne reprezenacje sygnałów ciągłych Przedsawienie sygnału w posaci analiycznej: umożliwia uproszczenie i unifiację meod analizy, pozwala na prosszą inerpreację nieórych jego cech fizycznych. W eorii

Bardziej szczegółowo

POLITECHNIKA OPOLSKA

POLITECHNIKA OPOLSKA POLITCHIKA OPOLSKA ISTYTUT AUTOMATYKI I IFOMATYKI LABOATOIUM MTOLOII LKTOICZJ 7. KOMPSATOY U P U. KOMPSATOY APIĘCIA STAŁO.. Wstęp... Zasada pomiaru metodą kompesacyją. Metoda kompesacyja pomiaru apięcia

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 5

Stanisław Cichocki Natalia Nehrebecka. Wykład 5 Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA

Bardziej szczegółowo

Szeregi Fouriera (6 rozwiązanych zadań +dodatek)

Szeregi Fouriera (6 rozwiązanych zadań +dodatek) PWR I Załad eorii Obwodów Szeregi ouriera (6 rozwiązanych zadań +dodae) Opracował Dr Czesław Michali Zad Znaleźć ores nasępujących sygnałów: a) y 3cos(ω ) + 5cos(7ω ) + cos(5ω ), b) y cos(ω ) + 5cos(ω

Bardziej szczegółowo

( ) O k k k. A k. P k. r k. M O r 1. -P n W. P 1 P k. Rys. 3.21. Redukcja dowolnego przestrzennego układu sił

( ) O k k k. A k. P k. r k. M O r 1. -P n W. P 1 P k. Rys. 3.21. Redukcja dowolnego przestrzennego układu sił 3.7.. Reducja dowolego uładu sił do sił i par sił Dowolm uładem sił będiem awać uład sił o liiach diałaia dowolie romiescoch w prestrei. tm pucie ajmiem się sprowadeiem (reducją) taiego uładu sił do ajprostsej

Bardziej szczegółowo

Ciągi i szeregi liczbowe. Ciągi nieskończone.

Ciągi i szeregi liczbowe. Ciągi nieskończone. Ciągi i szeregi liczbowe W zbiorze liczb X jest określoa pewa fukcja f, jeŝeli kaŝdej liczbie x ze zbioru X jest przporządkowaa dokładie jeda liczba pewego zbioru liczb Y Przporządkowaie to zapisujem w

Bardziej szczegółowo

STATYSTYKA I ANALIZA DANYCH

STATYSTYKA I ANALIZA DANYCH TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica

Bardziej szczegółowo

Rodzaj : kierunkowe techniczne Symbol : Semestr : Grupa : Nr w siatce studiów : Data opracowania : 2008

Rodzaj : kierunkowe techniczne Symbol : Semestr : Grupa : Nr w siatce studiów : Data opracowania : 2008 r kar: / KT POGMU MOWEGO PZEDMIOTU PW - WZ METOLOGI METOLOGY. Ideikaor przedmiou odzaj sudiów : Sudia I-go sopia iżierskie Kieruek : Iżieria : Smbol jedoski ddakczej odzaj : kierukowe echicze Smbol : Semesr

Bardziej szczegółowo

Estymatory nieobciążone o minimalnej wariancji

Estymatory nieobciążone o minimalnej wariancji Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)

Bardziej szczegółowo

Statystyczne aspekty emisji, propagacji i detekcji. promieniowania jądrowego

Statystyczne aspekty emisji, propagacji i detekcji. promieniowania jądrowego Saysycze aspey emisji, propagacji i deecji promieiowaia jądrowego Rysue 5. przedsawia iedawe wyii esperymeu ATLAS w laboraorium CERN poazujące rozład zw. masy iezmieiczej (m γγ ) dwóch fooów. Puy uładają

Bardziej szczegółowo

Twierdzenia o funkcjach ciągłych

Twierdzenia o funkcjach ciągłych Automatya i Robotya Aaliza Wyład 5 dr Adam Ćmiel cmiel@aghedupl Twierdzeia o ucjach ciągłych Tw (Weierstrassa Jeżeli ucja : R [ R jest ciągła a [, to ograiczoa i : ( sup ( i ( i ( [, Dowód Ograiczoość

Bardziej szczegółowo

Gretl konstruowanie pętli Symulacje Monte Carlo (MC)

Gretl konstruowanie pętli Symulacje Monte Carlo (MC) Grel kosruowaie pęli Symulacje Moe Carlo (MC) W Grelu, aby przyspieszyć pracę, wykoać iesadardową aalizę (ie do wyklikaia ) możliwe jes użycie pęli. Pęle realizuje komeda loop, kóra przyjmuje zesaw iych

Bardziej szczegółowo

Przetwarzanie analogowocyfrowe

Przetwarzanie analogowocyfrowe Przewarzanie analogowocyfrowe Z. Serweciński 05-03-2011 Przewarzanie u analogowego na cyfrowy Proces przewarzania u analogowego (ciągłego) na cyfrowy składa się z rzech podsawowych operacji: 1. Próbkowanie

Bardziej szczegółowo

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU

MINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów

Bardziej szczegółowo