Filtr Kalmana. Zaawansowane Techniki Sterowania. Wydział Mechatroniki Politechniki Warszawskiej. Anna Sztyber
|
|
- Renata Urbańska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Filtr Kalmana Zaawansowane Techniki Sterowania Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 1 / 32
2 Plan wykładu 1 Sformułowanie problemu 2 Niestacjonarny Filtr Kalmana Jak to działa? Przykład - zbiornik z mieszaniem 3 Stacjonarny Filtr Kalmana Przykład - odwrócone wahadło na wózku 4 Rozszerzenia ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 2 / 32
3 Filtr Kalmana Dla układu: x(k + 1) = Ax(k) + Bu + w(k) y(k) = Cx(k) + v(k), gdzie: w(k) N(0, Q k ) v(k) N(0, R k ) x 0, v i w są niezależne Szukamy oszacowania ˆx minimalizującego: E ( (x ˆx)(x ˆx) ) T ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 3 / 32
4 Kowariancja Σ ij = cov(x i, x j ) = E ((x i µ i )(x j µ j )) = E(x i x j ) µ i µ j cov(ax) = A cov(x)a T ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 4 / 32
5 Filtr Kalmana Narzędzie do łączenia informacji przy występowaniu niepewności i szumów dysponujemy zaszumionymi danymi pomiarowymi model procesu pozwala na przewidywanie kolejnych stanów systemu oszacowanie stanu aktualnego sygnały sterujące Rudolf E. Kalman został w 2008 laureatem Charles Stark Draper Prize za filtr Kalmana Inne przykładowe wyróżnione rozwiązania: Internet, GPS, CCD, LCD, LED, c++ ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 5 / 32
6 Zastosowania [3] automatyka i robotyka diagnostyka procesów przemysłowych ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 6 / 32
7 Zastosowania [3] automatyka i robotyka diagnostyka procesów przemysłowych Misja Apollo prognozy pogody GPS F-111 amerykański samolot dalekiego zasięgu Minuteman amerykański międzykontynentalny pocisk balistyczny ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 6 / 32
8 Łatwe wprowadzenie [2, 1] Modelujemy niepewność jako rozkład Gaussa: ˆx(k) - najlepsze oszacowanie, średnia P k - macierz kowariancji ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 7 / 32
9 Łatwe wprowadzenie [2, 1] Modelujemy niepewność jako rozkład Gaussa: ˆx(k) - najlepsze oszacowanie, średnia P k - macierz kowariancji Predykcja stanu kolejnego: ˆx(k) = Aˆx(k 1) + Bu(k 1) P k = AP k 1 A T x 2 (k) x 2 (k) x 1 (k) x 1 (k) ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 7 / 32
10 Wpływ niemierzalnych zakłóceń na stan (w(k) N(0, Q k )): x(k) = A k x(k 1) + B k u(k 1) + w(k) P k = AP k 1 A T + Q k Oczekiwane wyniki pomiarów: ŷ(k) = Cˆx(k) cov(ŷ(k)) = CP k C T ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 8 / 32
11 Łączenie informacji z modelu i pomiarów Wynik pomiaru (v(k) N(0, R k )): y(k) = Cx(k) + v(k) x 2 (k) x 1 (k) ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 9 / 32
12 Łączenie informacji z modelu i pomiarów Wynik pomiaru (v(k) N(0, R k )): y(k) = Cx(k) + v(k) x 2 (k) x 1 (k) W celu uzyskania wspólnego rozkładu prawdopodobieństwa mnożymy uzyskane rozkłady ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 9 / 32
13 Iloczyn rozkładów Gaussa 1-D Iloczyn funkcji Gaussa jest funkcją Gaussa ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 10 / 32
14 Iloczyn rozkładów Gaussa 1-D Iloczyn funkcji Gaussa jest funkcją Gaussa ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 11 / 32
15 Iloczyn rozkładów Gaussa 1-D Otrzymujemy rozkład Gaussa: µ = µ 1σ 2 2 +µ 2σ 2 1 σ 2 1 +σ2 2 σ 2 = σ2 1 σ2 2 σ 2 1 +σ2 2 Przekształcając: µ = µ 1 + σ2 1(µ 2 µ 1 ) σ σ 2 2 σ 2 = σ 2 1 σ4 1 σ σ 2 2 ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 12 / 32
16 Wzmocnienie Kalmana Wprowadzamy k: Otrzymujemy: k = σ2 1 σ σ 2 2 µ = µ 1 + k(µ 2 µ 1 ) W zapisie macierzowym: σ 2 = σ 2 1 kσ 2 1 K = Σ 1 (Σ 1 + Σ 2 ) 1 µ = µ 1 + K(µ 2 µ 1 ) Σ = Σ 1 KΣ 1 ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 13 / 32
17 Korekta oczekiwany wynik pomiaru: µ 1 = Cˆx(k), zarejestrowany wynik pomiaru: µ 2 = y(k), Σ 1 = CP k C T Σ 2 = R Cˆx (k) = Cˆx + K(y(k) Cx(k)) CP k C T = CP k C T KCP k C T K = CP k C T (CP k C T + R k ) 1 Pozbywamy się C (to nie jest formalny krok): ˆx (k) = ˆx + K(y(k) Cx(k)) P k = P k KCP k K = P k C T (CP k C T + R) 1 ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 14 / 32
18 Niestacjonarny Filtr Kalmana - podsumowanie Predykcja stanu ˆx(k) = Aˆx(k 1) + Bu(k 1) P k = AP k 1 A T + Q k Korekta ˆx (k) = ˆx + K(y(k) Cx(k)) P k = P k KCP k K = P k C T (CP k C T + R k ) 1 ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 15 / 32
19 Dla układów niestacjonarnych Predykcja stanu ˆx(k) = A kˆx(k 1) + B k u(k 1) P k = A k P k 1 A k T + Q k Korekta ˆx (k) = ˆx + K(y(k) C k x(k)) P k = P k KC k P k K = P k C k T (C k P k C T + R k ) 1 ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 16 / 32
20 Niestacjonarny Filtr Kalmana for k =1: length ( tspan ) u = -K*z; [,y] = ode15s (@(t,y) tank_derivatives_u_hold (...); x = y(end,:) ' - [h0;t0 ]; ym = x + 1* randn (2,1) ; % predict z = AD*z + BD*u; P = AD*P*AD ' + Qf; % update Kf = P*C '/( C*P*C' + Rf); z = z + Kf *( ym - z); P = P - Kf*C*P; end ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 17 / 32
21 Rf = eye (2) ; Qf = eye (2) ; d= cumsum (1* randn (Tend,1) ); ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 18 / 32
22 Rf = eye (2) ; Qf = 0.01* eye (2) ; d= cumsum (1* randn (Tend,1) ); ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 19 / 32
23 Rf = 0.01* eye (2) ; Qf = eye (2) ; d= cumsum (1* randn (Tend,1) ); ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 20 / 32
24 Rf = eye (2) ; Qf = 0.01* eye (2) ; d =10* ones (Tend,1) ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 21 / 32
25 Rf = eye (2) ; Qf = Bd '* eye (2) *Bd; d = randn (Tend,1) ; ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 22 / 32
26 Model z uwzględnieniem macierzy zakłóceń Dla układu: Stosujemy: x(k + 1) = A k x(k) + B k u + Γw(k) y(k) = C k x(k) + v(k), Q Γ T QΓ ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 23 / 32
27 Stacjonarny filtr Kalmana P k = AP k 1 A T + Q P k = P k KCP k K = P k C T (CP k C T + R) 1 Zmiany P k nie zależą od x ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 24 / 32
28 Stacjonarny filtr Kalmana P k = AP k 1 A T + Q P k = P k KCP k K = P k C T (CP k C T + R) 1 Zmiany P k nie zależą od x P k = P k 1 P = Q + APA T APC T (CP k C T + R) 1 CP k A T ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 24 / 32
29 Analogie ˆx (k) = ˆx + K(y(k) Cx(k)) Otrzymujemy obserwator stanu P = Q + APA T APC T (CP k C T + R) 1 CP k A T ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 25 / 32
30 Analogie ˆx (k) = ˆx + K(y(k) Cx(k)) Otrzymujemy obserwator stanu Dla LQR: P = Q + APA T APC T (CP k C T + R) 1 CP k A T P = Q + A T (P P B(R + B T P B) 1 B T P )A ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 25 / 32
31 Wahadło na wózku - Filtr Kalmana %% Kalman Filter %Qf = 10ˆ( -4) * eye (4) ; Qf = [10ˆ( -6) 0 0 0; 0 10ˆ( -6) 0 0; ˆ( -4) 0; ˆ( -2) ]; Rf = 0.001* eye (2) ; [P,Lf,Gf] = dare (Ad ',C',Qf,Rf); eigs (Ad - Gf '*C) ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 26 / 32
32 Filtr Kalmana - obliczenia iteracyjne function K = kalman_filter (Ad,C,Qf,Rf) % initial values P = eye (4) ; K = P*C '/( C*P*C' + Rf); for i =1:100 P = Ad*P*Ad ' + Qf; K = P*C '/( C*P*C' + Rf); P = P - K*C*P; end ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 27 / 32
33 Regulator LQG ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 28 / 32
34 Regulator LQG ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 29 / 32
35 Jak dobrać macierze Q i R? R jest kowariancją szumów pomiarowych oszacowanie na podstawie danych pomiarowych w wersji niestacjonarnej możliwe oszacowanie on-line dane producentów czujników jest miarą naszej wiary w jakość pomiarów Q - kowariancja zakłóceń o zerowej średniej i rozkładzie Gaussa trudna interpretacja założenie rzadko spełnione w praktyce jest miarą naszej wiary w jakość modelu należy uważać z wstawianiem wartości 0 heurystyka: obserwator powinien być szybszy niż regulator (o rząd wielkości) ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 30 / 32
36 Warianty Filtr Kalmana układy liniowe możliwa wydajna implementacja dla układów wbudowanych Filtr Kalmana-Bucy ego układy z czasem ciągłym Rozszerzony Filtr Kalmana (EKF) Jakobiany zamiast macierzy przekształceń założenie gładkości funkcji ˆx stanowi centrum niepewności oszacowania Unscented Kalman Filter (Sigma-point filter) Filtr cząsteczkowy (Particle Filter) Dla zainteresowanych: [4] ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 31 / 32
37 Literatura Tim Babb. How a kalman filter works, in pictures [Online; accessed ]. R. Faragher. Understanding the basis of the kalman filter via a simple and intuitive derivation [lecture notes]. IEEE Signal Processing Magazine, 29(5): , Sept M. S. Grewal and A. P. Andrews. Applications of kalman filtering in aerospace 1960 to the present [historical perspectives]. IEEE Control Systems, 30(3):69 78, June Tucker McClure. How kalman filters work [Online; accessed ]. ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 32 / 32
Obserwatory stanu, zasada separowalności i regulator LQG
Obserwatory stanu, zasada separowalności i regulator LQG Zaawansowane Techniki Sterowania Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber ZTS (IAiR PW) LQR Anna Sztyber / 29 Plan wykładu Obserwatory
Bardziej szczegółowoFiltr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz
Filtr Kalmana Struktury i Algorytmy Sterowania Wykład 1-2 prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Politechnika Gdańska, Wydział Elektortechniki i Automatyki 2013-10-09, Gdańsk Założenia
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoSterowanie napędów maszyn i robotów
Wykład 5 - Identyfikacja Instytut Automatyki i Robotyki (IAiR), Politechnika Warszawska Warszawa, 2015 Koncepcje estymacji modelu Standardowe drogi poszukiwania modeli parametrycznych M1: Analityczne określenie
Bardziej szczegółowoAlgorytmy estymacji stanu (filtry)
Algorytmy estymacji stanu (filtry) Na podstawie: AIMA ch15, Udacity (S. Thrun) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 kwietnia 2014 Problem lokalizacji Obserwowalność? Determinizm?
Bardziej szczegółowoAnalityczne metody detekcji uszkodzeń
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 5 Model procesu Rozważmy czasowo-dyskretny model liniowy gdzie: k dyskretny czas, x(k) R n wektor stanu, x(k + 1) = Ax(k)
Bardziej szczegółowoFiltracja pomiarów z głowic laserowych
dr inż. st. of. Paweł Zalewsi Filtracja pomiarów z głowic laserowych słowa luczowe: filtracja pomiaru odległości, PNDS Założenia filtracji pomiaru odległości. Problem wyznaczenia odległości i parametrów
Bardziej szczegółowoDrzewa decyzyjne. Inteligentne Obliczenia. Wydział Mechatroniki Politechniki Warszawskiej. Anna Sztyber
Drzewa decyzyjne Inteligentne Obliczenia Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber INO (IAiR PW) Drzewa decyzyjne Anna Sztyber / Drzewa decyzyjne w podstawowej wersji algorytm klasyfikacji
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki. Automatyka i Robotyka Systemy Sterowania i Wspomagania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania (MiDwSS) Podstawowe sposoby opisu niepewności, wybrane zagadnienia zastosowania estymacji rekursywnej dla potrzeb monitorowania i diagnostyki w systemach
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11; środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoPodstawy Automatyki. Wykład 7 - obiekty regulacji. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 7 - obiekty regulacji Instytut Automatyki i Robotyki Warszawa, 2018 Obiekty regulacji Obiekt regulacji Obiektem regulacji nazywamy proces technologiczny podlegający oddziaływaniu zakłóceń, zachodzący
Bardziej szczegółowoMetody numeryczne Wykład 4
Metody numeryczne Wykład 4 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Metody skończone rozwiązywania
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie) Temat: Pomiar prędkości kątowych samolotu przy pomocy czujnika ziemskiego pola magnetycznego 1. Analiza właściwości
Bardziej szczegółowoSMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec
SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x
Bardziej szczegółowoInformacje ogólne. Podstawy Automatyki I. Instytut Automatyki i Robotyki
Informacje ogólne 1 Podstawy Automatyki I Instytut Automatyki i Robotyki Autorzy programu: prof. dr hab. inż. Jan Maciej Kościelny, dr inż. Wieńczysław Jacek Kościelny Semestr V Liczba godzin zajęć według
Bardziej szczegółowoRegulator liniowo kwadratowy na przykładzie wahadła odwróconego
Regulator liniowo kwadratowy na przykładzie wahadła odwróconego kwiecień 2012 Sterowanie Teoria Przykład wahadła na wózku Dany jest system dynamiczny postaci: ẋ = f (x, u) (1) y = h(x) (2) Naszym zadaniem
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów funkcje nieliniowe
Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji
Bardziej szczegółowoWpływ częstotliwości taktowania układu FPGA na dokładność estymacji prędkości silnika prądu stałego
Tomasz BINKOWSKI Politechnika Rzeszowska, Polska Bogdan KWIATKOWSKI Uniwersytet Rzeszowski, Polska Wpływ częstotliwości taktowania układu FPGA na dokładność estymacji prędkości silnika prądu stałego Wstęp
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoPolitechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki
Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki http://www.ipbm.simr.pw.edu.pl/ Teoria maszyn i podstawy automatyki semestr zimowy 2017/2018
Bardziej szczegółowoWykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.
Wykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.. KEITHLEY. Practical Solutions for Accurate. Test & Measurement. Training materials, www.keithley.com;. Janusz Piotrowski: Procedury
Bardziej szczegółowoRozkład normalny, niepewność standardowa typu A
Podstawy Metrologii i Technik Eksperymentu Laboratorium Rozkład normalny, niepewność standardowa typu A Instrukcja do ćwiczenia nr 1 Zakład Miernictwa i Ochrony Atmosfery Wrocław, listopad 2010 r. Podstawy
Bardziej szczegółowoAlgorytmy Ewolucyjne i Sztuczne Sieci Neuronowe w Układach Diagnostyki i Sterowania
Algorytmy Ewolucyjne i Sztuczne Sieci Neuronowe w Układach Diagnostyki i Sterowania Marcin Witczak Uniwersytet Zielonogórski Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, 22.04.2005 1/38
Bardziej szczegółowoSystemy Sterowania i Wspomagania Decyzji Wykład 2
Systemy Sterowania i Wspomagania Decyzji mgr inż. Grzegorz Ewald y Politechnika Gdańska, Wydział Elektrotechniki i Automatyki 2011-02-23, Gdańsk System o dynamice zdarzeniowej (ang. Discrete Event System
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoRozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych
Rozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych Piotr Modliński Wydział Geodezji i Kartografii PW 13 stycznia 2012 P. Modliński, GiK PW Rozw.
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX Lokalne transformacje obrazów Joanna Ratajczak, Wrocław, 28 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami lokalnych
Bardziej szczegółowoDiagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD października 2009
STATYSTYKA MATEMATYCZNA WYKŁAD 4 26 października 2009 Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ (X µ) 2 { (x µ) 2 exp 1 ( ) } x µ 2 dx 2 σ Rozkład N(µ, σ). Estymacja σ σ 2 = 1 σ 2π + = E µ,σ
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania. Studia: I stopnia (inżynierskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie) Temat: Skalowanie czujników prędkości kątowej i orientacji przestrzennej 1. Analiza właściwości czujników i układów
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoSIMR 2017/18, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania
SIMR 7/8, Statystyka, Przykładowe zadania do kolokwium - Rozwiązania. Dana jest gęstość prawdopodobieństwa zmiennej losowej ciągłej X : { a( x) dla x [, ] f(x) = dla pozostałych x Znaleźć: i) Wartość parametru
Bardziej szczegółowoKonstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów. Wit Jakuczun
Konstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów Politechnika Warszawska Strona 1 Podstawowe definicje Politechnika Warszawska Strona 2 Podstawowe definicje Zbiór treningowy
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
Bardziej szczegółowoUKŁADY RÓWNAŃ LINIOWYCH -Metody dokładne
UKŁADY RÓWNAŃ LINIOWYCH -Metody dokładne Układy równań liniowych Rozpatruje się układ n równań liniowych zawierających n niewiadomych: a + a +... + ann b a + a +... + ann b... an + an+... + annn bn który
Bardziej szczegółowoĆw. 2: Analiza błędów i niepewności pomiarowych
Wydział: EAIiE Kierunek: Imię i nazwisko (e mail): Rok:. (200/20) Grupa: Zespół: Data wykonania: Zaliczenie: Podpis prowadzącego: Uwagi: LABORATORIUM METROLOGII Ćw. 2: Analiza błędów i niepewności pomiarowych
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 11 Ogólna postać metody iteracyjnej Definicja 11.1. (metoda iteracyjna rozwiązywania układów równań) Metodą iteracyjną rozwiązywania { układów równań liniowych nazywamy ciąg wektorów zdefiniowany
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoObliczenia naukowe Wykład nr 8
Obliczenia naukowe Wykład nr 8 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [] D. Kincaid, W. Cheney, Analiza numeryczna,
Bardziej szczegółowoModelowanie danych hodowlanych
Modelowanie danych hodowlanych 1. Wykład wstępny 2. Algebra macierzowa 3. Wykorzystanie różnych źródeł informacji w predykcji wartości hodowlanej 4. Kowariancja genetyczna pomiędzy spokrewnionymi osobnikami
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoFiltr Kalmana - zastosowania w prostych układach sensorycznych.
Filtr Kalmana - zastosowania w prostych układach sensorycznych. Jan Kędzierski Koło Naukowe Robotyków KoNaR. www.konar.pwr.wroc.pl 9 października 2007 Spis treści 1 Wstęp 2 2 Własności KF 2 3 Statystyka
Bardziej szczegółowoUkłady równań liniowych. Krzysztof Patan
Układy równań liniowych Krzysztof Patan Motywacje Zagadnienie kluczowe dla przetwarzania numerycznego Wiele innych zadań redukuje się do problemu rozwiązania układu równań liniowych, często o bardzo dużych
Bardziej szczegółowoSterowanie napędów maszyn i robotów
Wykład 8 - zaawansowane układy sterowania Instytut Automatyki i Robotyki Warszawa, 2014 adaptacyjne (ang. adaptive control) z dostosowaniem się do aktualnych warunków pracy napędu - koncepcje: ze wstępnie
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: MECHANIKA I BUDOWA MASZYN Rodzaj przedmiotu: obowiązkowy na kierunku Rodzaj zajęć: wykład, laboratorium ROBOTYKA Robotics Forma studiów: stacjonarne Poziom przedmiotu: I stopnia
Bardziej szczegółowoMETODY NUMERYCZNE. wykład. konsultacje: wtorek 10:00-11:30 środa 10:00-11:30. dr inż. Grażyna Kałuża pokój
METODY NUMERYCZNE wykład dr inż. Grażyna Kałuża pokój 103 konsultacje: wtorek 10:00-11:30 środa 10:00-11:30 www.kwmimkm.polsl.pl Program przedmiotu wykład: 15 godzin w semestrze laboratorium: 30 godzin
Bardziej szczegółowoPrzetwarzanie sygnałów z zastosowaniem procesorów sygnałowych - opis przedmiotu
Przetwarzanie sygnałów z zastosowaniem procesorów sygnałowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Przetwarzanie sygnałów z zastosowaniem procesorów sygnałowych Kod przedmiotu 06.5-WE-EP-PSzZPS
Bardziej szczegółowoEstymacja parametrów Wybrane zagadnienia implementacji i wykorzystania
Estymacja parametrów Wybrane zagadnienia implementacji i wykorzystania Wykład w ramach przedmiotu Komputerowe systemy sterowania i wspomagania decyzji Plan wykładu Potrzeba estymacji parametrów Estymacja
Bardziej szczegółowoPAKIET INFORMACYJNY - informacje uzupełniające
Wydział Elektrotechniki, Informatyki i Telekomunikacji Uniwersytet Zielonogórski PAKIET INFORMACYJNY - informacje uzupełniające Kierunek: ELEKTROTECHNIKA Studia II stopnia Rok akademicki 2011/2012 Europejski
Bardziej szczegółowoObliczenia Naukowe. Wykład 12: Zagadnienia na egzamin. Bartek Wilczyński
Obliczenia Naukowe Wykład 12: Zagadnienia na egzamin Bartek Wilczyński 6.6.2016 Tematy do powtórki Arytmetyka komputerów Jak wygląda reprezentacja liczb w arytmetyce komputerowej w zapisie cecha+mantysa
Bardziej szczegółowodet[a 1,..., A i,..., A j,..., A n ] + det[a 1,..., ka j,..., A j,..., A n ] Dowód Udowodniliśmy, że: det[a 1,..., A i + ka j,..., A j,...
Wykład 14 Wyznacznik macierzy cd Twierdzenie 1 Niech A będzie macierzą kwadratową i niech A i, A j będą dwiema różnymi jej kolumnami, wtedy dla dowolnego k K: det[a 1,, A i,, A j,, A n ] det[a 1,, A i
Bardziej szczegółowoWYKŁAD: Szeregi czasowe I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Szeregi czasowe I Zaawansowane Metody Uczenia Maszynowego Szereg czasowy (X t ) - ciąg zmiennych losowych indeksowany parametrem t (czas). Z reguły t N lub t Z. Dotąd rozpatrywaliśmy: (X t )- ciąg
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
Bardziej szczegółowoBadanie właściwości wysokorozdzielczych przetworników analogowo-cyfrowych w systemie programowalnym FPGA. Autor: Daniel Słowik
Badanie właściwości wysokorozdzielczych przetworników analogowo-cyfrowych w systemie programowalnym FPGA Autor: Daniel Słowik Promotor: Dr inż. Daniel Kopiec Wrocław 016 Plan prezentacji Założenia i cel
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoPraktyczne aspekty statycznej estymacji stanu pracy elektroenergetycznych sieci dystrybucyjnych w warunkach krajowych
ZARZĄDZANIE ENERGIĄ I TELEINFORMATYKA, ZET 03 Praktyczne aspekty statycznej estymacji stanu pracy elektroenergetycznych sieci dystrybucyjnych w warunkach krajowych Jacek Wasilewski Politechnika Warszawska
Bardziej szczegółowoSpecjalność: Komputerowe systemy sterowania i diagnostyki. Strona 1 z 5
Uniwersytet Zielonogórski Plan studiów Wydział Informatyki, Elektrotechniki i Automatyki kierunek Automatyka i robotyka studia I stopnia, niestacjonarne rok akademicki 2017/18 Uwaga: zajęcia na specjalnościach
Bardziej szczegółowoPodstawy Automatyki. Wykład 6 - Miejsce i rola regulatora w układzie regulacji. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 6 - Miejsce i rola regulatora w układzie regulacji Instytut Automatyki i Robotyki Warszawa, 2015 Regulacja zadajnik regulator sygnał sterujący (sterowanie) zespół wykonawczy przetwornik pomiarowy
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoUKŁADY RÓWNAŃ LINIOWYCH - Metody dokładne
UKŁADY RÓWNAŃ LINIOWYCH - Metody dokładne Układy równań liniowych Rozpatruje się układ n równań liniowych zawierających n niewiadomych: a11x1 a12x2... a1nxn b1 a21x1 a22x2... a2nxn b2... an 1x1 an2x2...
Bardziej szczegółowoPodstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoECTS - program studiów kierunku Automatyka i robotyka, Studia I stopnia, rok akademicki 2015/2016
- program studiów kierunku Automatyka i robotyka, Studia I stopnia, rok akademicki 20/206 Automatyka i robotyka Profil ogólnoakademicki studia stacjonarne I stopnia w c l p w c l p w c l p w c l p w c
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoZagadnienia egzaminacyjne AUTOMATYKA I ROBOTYKA. Stacjonarne I-go stopnia TYP STUDIÓW STOPIEŃ STUDIÓW SPECJALNOŚĆ
(ARK) Komputerowe sieci sterowania 1.Badania symulacyjne modeli obiektów 2.Pomiary i akwizycja danych pomiarowych 3.Protokoły transmisji danych w systemach automatyki 4.Regulator PID struktury, parametry,
Bardziej szczegółowoLABORATORIUM PODSTAW TELEKOMUNIKACJI
WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:
Bardziej szczegółowoWYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 6 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Własności Wariancji Przypomnijmy, że VarX = E(X EX) 2 = EX 2 (EX) 2. Własności
Bardziej szczegółowoSpecjalność: Komputerowe systemy sterowania i diagnostyki
Specjalność: Komputerowe systemy sterowania i diagnostyki Rozkład zajęć w sem. (godz. w tygodniu) Lp Nazwa przedmiotu ECTS sem. 1 sem. 2 sem. 3 sem. 4 sem. 5 sem. 6 sem. 7 w c l p w c l p w c l p w c l
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoNarodowe Centrum Badań Jądrowych Dział Edukacji i Szkoleń ul. Andrzeja Sołtana 7, Otwock-Świerk
Narodowe Centrum Badań Jądrowych Dział Edukacji i Szkoleń ul. Andrzeja Sołtana 7, 05-400 Otwock-Świerk ĆWICZENIE L A B O R A T O R I U M F I Z Y K I A T O M O W E J I J Ą D R O W E J Zastosowanie pojęć
Bardziej szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoWPŁYW INFORMACJI O ZMIENNYCH STANU OBIEKTU NA JAKOŚĆ STEROWANIA PRZEZ NEUROSTEROWNIK
ELEKTRYKA 2012 Zeszyt 3-4 (223-224) Rok LVIII Marcin LIS Instytut Elektrotechniki i Elektroniki Przemysłowej, Politechnika Poznańska Piotr KOZIERSKI Instytut Automatyki i Inżynierii Informatycznej, Politechnika
Bardziej szczegółowoInteligentne systemy pomiarowe
Inteligentne systemy pomiarowe SMART METERING w ENERGETYCE Wydział E.A.I. i E. Katedra Metrologii Jaworzno 2010-04-24 dr hab. inŝ. Andrzej Bień prof. n. AGH Plan wykładu Pomiar obiektywne poznawanie Sprawy
Bardziej szczegółowoWprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA
Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Ważną klasę modeli dynamicznych stanowią modele ARMA(p, q) Modele tej klasy są modelami ateoretycznymi Ważną klasę modeli dynamicznych stanowią
Bardziej szczegółowoEgzamin / zaliczenie na ocenę*
Zał. nr do ZW /01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Identyfikacja systemów Nazwa w języku angielskim System identification Kierunek studiów (jeśli dotyczy): Inżynieria Systemów
Bardziej szczegółowoSzkoła z przyszłością. Zastosowanie pojęć analizy statystycznej do opracowania pomiarów promieniowania jonizującego
Szkoła z przyszłością szkolenie współfinansowane przez Unię Europejską w ramach Europejskiego Funduszu Społecznego Narodowe Centrum Badań Jądrowych, ul. Andrzeja Sołtana 7, 05-400 Otwock-Świerk ĆWICZENIE
Bardziej szczegółowoMetody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1
Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości
Bardziej szczegółowoTechnika regulacji automatycznej
Technika regulacji automatycznej Wykład 3 Wojciech Paszke Instytut Sterowania i Systemów Informatycznych, Uniwersytet Zielonogórski 1 z 32 Plan wykładu Wprowadzenie Układ pierwszego rzędu Układ drugiego
Bardziej szczegółowoPLAN STUDIÓW - STUDIA STACJONARNE I STOPNIA kierunek: automatyka i robotyka
semestralny wymiar godzin PLAN STUDIÓW - STUDIA STACJONARNE I STOPNIA kierunek: automatyka i robotyka Semestr 1 1 Algebra liniowa 20 20 40 4 egz. 2 Analiza matematyczna 40 40 80 8 egz. 3 Ergonomia i BHP
Bardziej szczegółowoPrzekształcenia sygnałów losowych w układach
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Sygnały i kodowanie Przekształcenia sygnałów losowych w układach Warszawa 010r. 1. Cel ćwiczenia: Ocena wpływu charakterystyk
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 10 Rozkład LU i rozwiązywanie układów równań liniowych Niech będzie dany układ równań liniowych postaci Ax = b Załóżmy, że istnieją macierze L (trójkątna dolna) i U (trójkątna górna), takie że macierz
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoWykład 5. Metoda eliminacji Gaussa
1 Wykład 5 Metoda eliminacji Gaussa Rozwiązywanie układów równań liniowych Układ równań liniowych może mieć dokładnie jedno rozwiązanie, nieskończenie wiele rozwiązań lub nie mieć rozwiązania. Metody dokładne
Bardziej szczegółowoDodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH
Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (dodatek 3) Modele MGARCH 1 / 11 Ogólna specykacja modelu MGARCH Ogólna posta dla N-wymiarowego procesu
Bardziej szczegółowoNUMERYCZNE METODY ROZWIĄZYWANIA ROWNAŃ LINIOWYCH. PRZYGOTOWAŁA: ANNA BANAŚ KoMBo, WILiŚ
NUMERYCZNE METODY ROZWIĄZYWANIA ROWNAŃ LINIOWYCH PRZYGOTOWAŁA: ANNA BANAŚ KoMBo, WILiŚ PODZIAŁ DOKŁADNE ELIMINACYJNE DEKOMPOZYCYJNE ELIMINACJI GAUSSA JORDANA GAUSSA-DOOLITTLE a GAUSSA-CROUTA CHOLESKY EGO
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne
Rachunek prawdopodobieństwa Rozdział 5. Rozkłady łączne 5.2. Momenty rozkładów łącznych. Katarzyna Rybarczyk-Krzywdzińska rozkładów wielowymiarowych Przypomnienie Jeśli X jest zmienną losową o rozkładzie
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoStacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła
Stacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła autokorelacji Łukasz Dębowski ldebowsk@ipipan.waw.pl Instytut Podstaw Informatyki PAN autokorelacji p. 1/25 Zarys referatu Co to sa procesy
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH Dr Benedykt R. Jany I Pracownia Fizyczna Ochrona Środowiska grupa F1 Rodzaje Pomiarów Pomiar bezpośredni - bezpośrednio
Bardziej szczegółowoSystemy zdarzeniowe - opis przedmiotu
Systemy zdarzeniowe - opis przedmiotu Informacje ogólne Nazwa przedmiotu Systemy zdarzeniowe Kod przedmiotu 11.9-WE-AiRD-SD Wydział Kierunek Wydział Informatyki, Elektrotechniki i Automatyki Automatyka
Bardziej szczegółowo