Kodowanie rónicowe. Plan 1. Zasada 2. Podstawowy algorytm 3. Kodowanie adaptacyjne 4. Zastosowania
|
|
- Fabian Jóźwiak
- 7 lat temu
- Przeglądów:
Transkrypt
1 Kodowae rócowe Pla 1. Zasada. Podstawowy algorytm 3. Kodowae adaptacyje 4. Zastosowaa
2 Kodowae rócowe zasada Jako kwatyzacj szeroko przedzału waracja, rozpto daych Obrazy, dwk korelacja w daych Wykorzystae korelacj kwatyzacja wektorowa. Problem złooa mplemetacja Bezstrata kompresja predykcyja poprawa stopa kompresj Kompresja strata zamast wartoc cgu próbek berzemy cg róc. To daje zmejszee rozptoc daych, zmejszee waracj pozwala a zmejszee szerokoc kwatyzacj, czyl popraw jej jakoc.
3 Kodowae rócowe zasada c.d. Przesyłae formacj poprzez przesyłae róc kodowae rócowe. Przykład 1 Sygał harmoczy, próbkoway z czstoc 30 próbek/cykl y s(π ) 30 Kwatyzacja 4-pozomowa: Cg róc: d y y 1 π cos( π ) Kwatyzacja róc: y y 4 max m 0.5 d max d 4 m π
4 Kodowae rócowe zasada c.d. Przykład
5 Podstawowy algorytm Warat 1 oblczamy cg róc, kwatyzujemy. To bdze podstawa do wyzaczea rekostrukcj. Przykład: cg daych: x cg róc: d kwatyzacja cgu róc (kwatyzator 7-pozomowy): D
6 X Podstawowy algorytm c.d. Rekostrukcja, błdy rekostrukcj: e Problem błdy rekostrukcj zacze wksze od oczekwaych Aalza waratu 1: d 1 x 1 -x 0, D 1 d 1 +q 1, X 1 X 0 +D 1 x 0 +x 1 -x 0 +q 1 x 1 +q 1 d x -x 1, D d +q, X X 1 +D x 1 +q 1 +x -x 1 +q x +q 1 +q d 3 x 3 -x, D 3 d 3 +q 3, X 3 X +D 3 x +q 1 +q +x 3 -x +q 3 x 3 +q 1 +q +q 3 Wosek warat 1 powoduje kumulacj błdów X x + k 1 q k Koder dekoder korzystaj z ych formacj Warat : d x X -1
7 Podstawowy algorytm c.d. Aalza waratu : d 1 x 1 -X 0, D 1 d 1 +q 1, X 1 X 0 +D 1 X 0 +x 1 -X 0 +q 1 x 1 +q 1 d x -X 1, D d +q, X X 1 +D X 1 +x -X 1 +q x +q d 3 x 3 -X, D 3 d 3 +q 3, X 3 X +D 3 X +x 3 -X +q 3 x 3 +q 3 ogóle: X x + q Przykład umeryczy x d D X e Warat 1: sgma 51.5; warat : sgma 6.61
8 Podstawowy algorytm c.d. Przykład: fukcja harmocza Warat 1: krok kwat. 0.1 Warat : krok kwat. 0. Schemat podstawowego algorytmu
9 Modyfkacje. Ogóly algorytm DPCM Kompresja maksymala, gdy róce jak ajmejsze Lepsze oszacowae x X -1 moe da pewa a fukcja zmeych zrekostruowaych Uogólee algorytmu podstawowego zamast bloku opóajcego predyktor Na wyjcu predyktora: p f(x -1, X -,..., X 0 )
10 Okrelee predyktora Algorytm DPCM wypracoway pod koec lat 40-tych w Bell Labs. Powszeche stosoway w systemach telefoczych Podstawowe podsystemy: predyktor kwatyzator Projektowae predyktora Dobór fukcj predyktora, by zmmalzowa róce: σ E[( x p d W ogólym przypadku bardzo trudo rozwzywale Zwykle stosuje s załoea upraszczajce: ) 1. Delkate załoee kwatyzacyje długo kroku kwatyzacj tak mała, e moemy zastp X k przez x k. Predyktor jest fukcj low: p N 1 a X ] N rzd predyktora
11 Okrelee predyktora przypadek lowy Problem: zale {a }, 1,..N by zmmalzowa Waruk: Wykorzystujc delkate załoee kwatyzacyje stacjoaro mamy: 1 N N d X a x E σ 0 d a σ ) ( ) (... ( ) ) ( (1) 1) ( N R N R a R R a R R a xx xx N xx xx N xx xx N gdze: ] [ ) ( k xx x x E k R + fukcja autokorelacj zmeej x
12 Predyktor lowy - przykład N a Stos. Var / Peły układ DPCM specyfkacja kwatyzatora. Zakładamy: rozkład reszt Laplace kwatyzator rówomery szeroko kwatyzacj zalea od dyspersj
13 Predyktor lowy przykład c.d. Kwatyz. N SNR SPER 4-pozom. Bez pozom. Bez SPER 1. Wyraa poprawa przy zmae z N1 a N M 1 M 1 ( x x p ). Wysycee dla N> 3. Zekształcee w obszarach małego sygału
14 Adaptacyje DPCM Czsto dae ró s w róych obszarach cho s lokale stacjoare, to e s globale stacjoare. Molwe rozwzae adaptacja układu Typy adaptacj: Tylko adaptacja kwatyzatora (z ustaloym predyktorem) Adaptacja predyktora łcze z adaptacj kwatyzatora Kwatyzacja adaptacyja w DPCM Adaptacja w przód (podzał a blok, estymacja parametrów kwatyzatora, przekazae parametrów dodatkowych). Problem kwatyzator w ptl sprzea zwrotego, kłopot z wejcem, które mogłoby by uyte do wyzaczea parametrów adaptacj Adaptacja wstecz bardzej populara, zwykle odmaa kwatyzatora Jayata
15 Predykcja adaptacyja w DPCM DPCM APF (adaptve predcto-forward) Podzał daych a blok (dla mowy próbkowaej z f8 khz 18 próbek/blok, 16 ms; dla obrazów 8 x 8 pksel) Wylczee współczyków autokorelacj a astpe parametrów predyktora dla bloku Kwatyzacja parametrów przedyktora z wysok red btow, przesłae ch odborcy Wada: koeczo buforowaa daych, opóee w trasmsj. Gdy koeczo welu połcze arastae opóea. DPCM APB (adaptve predcto-backward) Rówaa Weera-Hopfa wyprowadzoe przy załoeu stacjoaroc daych
16 Predykcja adaptacyja w DPCM Rezygujemy z załoea o stacjoaroc, próba zalezea algebraczej reguły adaptacj Prosty przypadek predyktor rzdu 1. Kwadratowa zaleo kwadratu reszty od a 1 : d ( x p ) ( x a1 X 1 ) Pochoda kwadratu reszty po a 1 ujema a lewo, dodata a prawo od wartoc optymalej; roe z odchyleem od optymaloc. Postulat korekta proporcjoala do pochodej: a d ( + 1) ( ) ( ) 1 a1 α a1 + α D X 1 a1 Uogólee a przypadek wyszego rzdu: a + 1) j a + α D ( ) j X ( Algorytm LMS j
17 Modulacja delta Prosta odmaa schematu DPCM z jedobtowym kwatyzatorem (róca kodowaa jak lub +) Gdy róca odbega od wzrost zekształcea. Aby temu zapobec: Dua czstotlwo próbkowaa (f p >> f max ) Adaptacja kroku kwatyzatora Rodzaje zekształce Słabo zmee wejce obszar zarsty (artefakt duej czstoc próbkowaa sposobu kwatyzacj) koeczo fltrowaa Szybko zmee wejce obszar przecoych zboczy (obszar admaru)
18 Modulacja delta c.d. DM kwatyzator ustaloy DM kwatyzator adaptacyjy
19 Modulacja delta adaptacja CFDM (Costat Factor Delta Modulato) Zasada: w obszarze zarstym zmejszamy szeroko, w obszarze admaru zwkszamy Jak ustal w jakm obszarze s zajdujemy? W obszarze zarstym zak wyjca kwatyzatora aprzemey, w obszarze admaru stały Realzacja adaptacj: s 1 gdy D > 0, s -1 gdy D < 0 M1 M 1 1,, s s s 1 1 M1 1/M M > 1 (a ogół M<) s Gdy zwkszamy pam (berzemy pod uwag wcej próbek) moemy popraw dopasowae
20 Modulacja delta adaptacja c.d. System z pamc : rozwaamy s, s -1, s - Molwe przypadk: 1. System włae przeósł s do obszaru zarstego: s s 1 s, M 0.4. System cały czas w obszarze zarstym s s s, M System włae wszedł w obszar admaru s s 1 s, M System cały czas w obszarze admaru s s 1 s, M.0 Zastosowae: prom kosmczy, DM z pamc 7.
21 Zastosowaa Bardzo populare w kodowau mowy Uywae powszeche w Systemach telefoczych Systemach poczty głosowej Aplkacjach multmedalych Stadardy przemysłowe opsae w zaleceach ITU-T: G.71 G.73 G.76 G.7 Kodowae obrazów rzadzej stosowae
22 Zastosowaa kodowae obrazów Lewy: kodowae rócowe 1bpp, SNR.33 db Kwatyzator 4 pozomowy, predyktor: p[ j, k ] X [ j, k 1] dla k > 0 X [ j 1, k ] dla k 0, j > 18 dla k 0, j 0 0 Prawy: JPEG 1bpp, SNR 3.5 JPEG wyrae lepszy
23 Zastosowaa kodowae obrazów Zmaa predyktora dla kadego pksela oblczamy: },, { ], [ / ]) 1, [ 1] 1, [ ( / 1]), [ 1] 1, [ ( / 1]), [ ] 1, [ ( p p p medaa k j p k j X k j X p k j X k j X p k j X k j X p To poprawa SNR do 9.0 db.
24 Podsumowae DPCM daje gorsze wyk kompresj kwatyzacja wektorowa, ale jest prostsze w mplemetacj Wyjtkowo dobrze adaje s do kodowaa mowy; stadardy przemysłowe Budowa: predyktor + kwatyzator Molwo adaptacj kwatyzatora lub predyktora kwatyzatora
Statystyka Opisowa 2014 część 3. Katarzyna Lubnauer
Statystyka Opsowa 014 część 3 Katarzya Lubauer Lteratura: 1. Statystyka w Zarządzau Admr D. Aczel. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucja Kowalsk. 4. Statystyka opsowa, Meczysław
Kwantyzacja wektorowa. Kodowanie różnicowe.
Kwantyzacja wektorowa. Kodowanie różnicowe. Kodowanie i kompresja informacji - Wykład 7 12 kwietnia 2010 Kwantyzacja wektorowa wprowadzenie Zamiast kwantyzować pojedyncze elementy kwantyzujemy całe bloki
W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =
4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ. W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,
W zadaniu nie ma polecenia wyznaczania estymatora nieobciążonego o minimalnej wariancji. σ σ σ σ σ = =
4. Na podstawe erówośc Cramera Rao wyzacz dole ograczee dla waracj eobcążoego estymatora waracj σ w rozkładze ormalym N(0, σ ). W zadau e ma polecea wyzaczaa estymatora eobcążoego o mmalej waracj dla σ,
Zastosowanie metody najmniejszych kwadratów do pomiaru częstotliwości średniej sygnałów o małej stromości zboczy w obecności zakłóceń
Zasosowae meody ajmejszych kwadraów do pomaru częsolwośc średej sygałów o małej sromośc zboczy w obecośc zakłóceń Elgusz PAWŁOWSKI, Darusz ŚWISULSKI Podsawowe meody pomaru częsolwośc Zlczae okresów w zadaym
X i T (X) = i=1. i + 1, X i+1 i + 1. Cov H0. ( X i. k 31 ) 1 Φ(1, 1818) 0, 12.
Zadae p (X p (X ( ( π 6 6 e 6 X m ( π 6 6 e 6 ( X C e m 6 X, gdze staªa C e zale»y od statystyk X (X,, X 6, a m jest w ksze od zera Zatem p (X/p (X jest emalej c fukcj statystyk T (X 6 X ªatwo pokaza,»e
Podstawowe pojcia. Metody probabilistyczne i statystyka Wykład 7: Statystyka opisowa. Rozkłady prawdopodobiestwa wystpujce w statystyce.
Metody probablstycze statystyka Wykład 7: Statystyka opsowa. Rozkłady prawdopodobestwa wystpujce w statystyce. Podstawowe pojca Populacja geerala - zbór elemetów majcy przyajmej jed włacwo wspól dla wszystkch
Stanisław Cichocki Natalia Nehrebecka. Zajęcia 7-8
Stasław Cchock Natala Nehreecka Zajęca 7-8 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartość oczekwaa eocążoość estymatora Waracja
Przetwarzanie i transmisja danych multimedialnych. Wykład 6 Metody predykcyjne. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 6 Metody predykcyjne Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS Wykład opracowano
Podstawowe zadanie statystyki. Statystyczna interpretacja wyników eksperymentu. Zalety statystyki II. Zalety statystyki
tatystycza terpretacja wyków eksperymetu Małgorzata Jakubowska Katedra Chem Aaltyczej Wydzał IŜyer Materałowej Ceramk AGH Podstawowe zadae statystyk tatystyka to uwersale łatwo dostępe arzędze, które pomaga
f f x f, f, f / / / METODA RÓŻNIC SKOŃCZONYCH niech N = 2 (2 równania różniczkowe zwyczajne liniowe I-rz.) lub jedno II-rzędu
METODA RÓŻIC SKOŃCZOYCH (omówee a przykładze rówań lowych) ech ( rówaa różczkowe zwyczaje lowe I-rz.) lub jedo II-rzędu f / / p( x) f / + q( x) f + r( x) a x b, f ( a) α, f ( b) β dea: a satce argumetu
ROZKŁADY ZMIENNYCH LOSOWYCH
ROZKŁADY ZMIENNYCH LOSOWYCH ZMIENNA LOSOWA Defcja. Zmeą losową jest fukcja: X: E -> R która każdemu zdarzeu elemetaremu E przypsuje lczbę rzeczywstą e X ( e) R DYSTRYBUANTA Dystrybuatą zmeej losowej X
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH. dr Michał Silarski
PODTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH dr Mchał larsk I Pracowa Fzycza IF UJ, 9.0.06 Pomar Pomar zacowae wartośc prawdzwej Bezpośred (welkość fzycza merzoa jest
Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 5
Stasław Cchock Natala Nehreecka Zajęca 5 . Testowae łączej stotośc wyraych regresorów. Założea klasyczego modelu regresj lowej 3. Własośc estymatora MNK w KMRL Wartośd oczekwaa eocążoośd estymatora Waracja
Statystyczne charakterystyki liczbowe szeregu
Statystycze charakterystyk lczbowe szeregu Aalzę badaej zmeej moża uzyskać posługując sę parametram opsowym aczej azywaym statystyczym charakterystykam lczbowym szeregu. Sytetycza charakterystyka zborowośc
( X, Y ) będzie dwuwymiarową zmienną losową o funkcji gęstości
Zadae. Nech Nech (, Y będze dwuwymarową zmeą losową o fukcj gęstośc 4 x + xy gdy x ( 0, y ( 0, f ( x, y = 0 w przecwym przypadku. S = + Y V Y E V S =. =. Wyzacz ( (A 0 (B (C (D (E 8 8 7 7 Zadae. Załóżmy,
Różniczkowanie funkcji rzeczywistych wielu zmiennych. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski
Różczkowae fukcj rzeczywstych welu zmeych rzeczywstych Matematyka Studum doktoracke KAE SGH Semestr let 8/9 R. Łochowsk Pochoda fukcj jedej zmeej e spojrzee Nech f : ( α, β ) R, α, β R, α < β Fukcja f
OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B
OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość
Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)
Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?
Statystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Kompresja danych DKDA (7)
Kompresja danych DKDA (7) Marcin Gogolewski marcing@wmi.amu.edu.pl Uniwersytet im. Adama Mickiewicza w Poznaniu Poznań, 22 listopada 2016 1 Kwantyzacja skalarna Wprowadzenie Analiza jakości Typy kwantyzatorów
Statystyka. Analiza zależności. Rodzaje zależności między zmiennymi występujące w praktyce: Funkcyjna
Aalza zależośc Rodzaje zależośc mędzy zmeym występujące w praktyce: Fukcyja wraz ze zmaą wartośc jedej zmeej astępuje ścśle określoa zmaa wartośc drugej zmeej (p. w fzyce: spadek swobody gt s ) tochastycza
Materiały do wykładu 7 ze Statystyki
Materał do wkładu 7 ze Statstk Aalza ZALEŻNOŚCI pomędz CECHAMI (Aalza KORELACJI REGRESJI) korelacj wkres rozrzutu (korelogram) rodzaje zależośc (brak, elowa, lowa) pomar sł zależośc lowej (współczk korelacj
. Wtedy E V U jest równa
Prawdopodobeństwo statystyka 7.0.0r. Zadae Dwuwymarowa zmea losowa Y ma rozkład cągły o gęstośc gdy ( ) 0 y f ( y) 0 w przecwym przypadku. Nech U Y V Y. Wtedy E V U jest rówa 8 7 5 7 8 8 5 Prawdopodobeństwo
STATYSTYKA MATEMATYCZNA WYKŁAD 2 ESTYMACJA PUNKTOWA
STATYSTYKA MATEMATYCZNA WYKŁAD ESTYMACJA PUNKTOWA Nech - ezay parametr rozkładu cechy X. Wartość parametru będzemy estymować (przyblżać) a podstawe elemetowej próby. - wyberamy statystykę U o rozkładze
N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.
3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy
ma rozkład normalny z nieznaną wartością oczekiwaną m
Zadae Każda ze zmeych losowych,, 9 ma rozkład ormaly z ezaą wartoścą oczekwaą m waracją, a każda ze zmeych losowych Y, Y,, Y9 rozkład ormaly z ezaą wartoścą oczekwaą m waracją 4 Założoo, że wszystke zmee
Średnia arytmetyczna Klasyczne Średnia harmoniczna Średnia geometryczna Miary położenia inne
Mary położea Średa arytmetycza Klasycze Średa harmocza Średa geometrycza Mary położea e Modala Kwartyl perwszy Pozycyje Medaa (kwartyl drug) Kwatyle Kwartyl trzec Decyle Średa arytmetycza = + +... + 2
POPULACJA I PRÓBA. Próba reprezentatywna. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH 5 1
POPULACJA I PRÓBA POPULACJĄ w statystyce matematyczej azywamy zbór wszystkch elemetów (zdarzeń elemetarych charakteryzujących sę badaą cechą opsywaą zmeą losową. Zbadae całej populacj (przeprowadzee tzw.
System finansowy gospodarki
System fasowy gospodark Zajęca r 6 Matematyka fasowa c.d. Rachuek retowy (autetowy) Maem rachuku retowego określa sę regulare płatośc w stałych odstępach czasu przy założeu stałej stopy procetowej. Przykłady
Statystyka Inżynierska
Statystyka Iżyerska dr hab. ż. Jacek Tarasuk AGH, WFIS 013 Wykład 3 DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE, PODSTAWY ESTYMACJI Dwuwymarowa, dyskreta fukcja rozkładu rawdoodobeństwa, Rozkłady brzegowe
ma rozkład normalny z wartością oczekiwaną EX = EY = 1, EZ = 0 i macierzą kowariancji
Zadae. Zmea losowa (, Y, Z) ma rozkład ormaly z wartoścą oczekwaą E = EY =, EZ = 0 macerzą kowaracj. Oblczyć Var(( Y ) Z). (A) 5 (B) 7 (C) 6 Zadae. Zmee losowe,, K,,K P ( = ) = P( = ) =. Nech S =. Oblcz
STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW
STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW Źródło Kompresja Kanał transmsj sek wdeo 60 Mbt 2 mn muzyk (44 00 próbek/sek, 6 btów/próbkę) 84 Mbt Dekompresja Odborca. Metody bezstratne 2. Metody stratne 2 Kodowane
Miary statystyczne. Katowice 2014
Mary statystycze Katowce 04 Podstawowe pojęca Statystyka Populacja próba Cechy zmee Szereg statystycze Wykresy Statystyka Statystyka to auka zajmująca sę loścowym metodam aalzy zjawsk masowych (występujących
Liniowe relacje między zmiennymi
Lowe relacje mędzy zmeym Marta Zalewska Zakład Proflaktyk ZagrożeńŚrodowskowych Alergolog Ocea lowych relacj mędzy zmeym Metoda korelacj - określee rodzaju sły zależośc mędzy cecham. Metoda regresj 1 Uwaga
Algorytmy kodowania predykcyjnego
Algorytmy kodowania predykcyjnego 1. Zasada kodowania 2. Algorytm JPEG-LS 3. Algorytmy CALIC, LOCO-I 4. Algorytmy z wielokrotn rozdzielczoci. Progresywna transmisja obrazów Kompresja obrazów - zestawienie
Podstawy Informatyki. Jednostki informacji. Metalurgia, I rok. Systemy pozycyjne. Konwersja kodu dziesiętnego na dwójkowy. System dwójkowy (binarny)
Podstawy Iformatyk Metalurga, I rok Wykład 3 Lczby w komuterze Jedostk formacj Bt (ag. bt) (Shao, 948) Najmejsza lość formacj otrzeba do określea, który z dwóch rówe rawdoodobych staów rzyjął układ. Jedostka
Kwantowanie sygnałów analogowych na przykładzie sygnału mowy
Kwantowanie sygnałów analogowych na przykładzie sygnału mowy Treść wykładu: Sygnał mowy i jego właściwości Kwantowanie skalarne: kwantyzator równomierny, nierównomierny, adaptacyjny Zastosowanie w koderze
MODULACJE IMPULSOWE. TSIM W10: Modulacje impulsowe 1/22
MODULACJE IMPULSOWE TSIM W10: Modulacje impulsowe 1/22 Fala nośna: Modulacja PAM Pulse Amplitude Modulation Sygnał PAM i jego widmo: y PAM (t) = n= x(nt s ) Y PAM (ω) = τ T s Sa(ωτ/2)e j(ωτ/2) ( ) t τ/2
Tablica Galtona. Mechaniczny model rozkładu normalnego (M10)
Tablca Galtoa. Mechaczy model rozkładu ormalego (M) I. Zestaw przyrządów: Tablca Galtoa, komplet kulek sztuk. II. Wykoae pomarów.. Wykoać 8 pomarów, wrzucając kulk pojedyczo.. Uporządkować wyk pomarów,
KOMPRESJA STRATNA SYGNAŁU MOWY. Metody kompresji stratnej sygnałów multimedialnych: Uproszczone modelowanie źródeł generacji sygnałów LPC, CELP
KOMPRESJA STRATNA SYGNAŁU MOWY Metody kompresji stratnej sygnałów multimedialnych: Uproszczone modelowanie źródeł generacji sygnałów LPC, CELP Śledzenie i upraszczanie zmian dynamicznych sygnałów ADPCM
W loterii bierze udział 10 osób. Regulamin loterii faworyzuje te osoby, które w eliminacjach osiągnęły lepsze wyniki:
Zadae W loter berze udzał 0 osób. Regulam loter faworyzuje te osoby, które w elmacjach osągęły lepsze wyk: Zwycęzca elmacj, azyway graczem r. otrzymuje 0 losów, Osoba, która zajęła druge mejsce w elmacjach,
Prawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystyka 0.06.0 r. Zadae. Ura zawera kul o umerach: 0,,,,. Z ury cągemy kulę, zapsujemy umer kulę wrzucamy z powrotem do ury. Czyość tę powtarzamy, aż kula z każdym umerem zostae wycągęta
będą niezależnymi zmiennymi losowymi z rozkładu o gęstości
Prawdopodobeństwo statystyka 4.0.00 r. Zadae Nech... będą ezależym zmeym losowym z rozkładu o gęstośc θ f ( x) = θ xe gdy x > 0. Estymujemy dodat parametr θ wykorzystując estymator ajwększej warogodośc
wyniki serii n pomiarów ( i = 1,..., n) Stosując metodę największej wiarygodności możemy wykazać, że estymator wariancji 2 i=
ESTYMATOR WARIANCJI I DYSPERSJI Ozaczmy: µ wartość oczekwaa rozkładu gauowkego wyków pomarów (wartość prawdzwa merzoej welkośc σ dyperja rozkładu wyków pomarów wyk er pomarów (,..., Stoując metodę ajwękzej
JEDNOWYMIAROWA ZMIENNA LOSOWA
JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:
Jego zależy od wysokości i częstotliwości wypłat kuponów odsetkowych, ceny wykupu, oczekiwanej stopy zwrotu oraz zapłaconej ceny za obligację.
Wrażlwość oblgacj Jedym z czyków ryzyka westowaa w oblgacje jest zmeość rykowych stóp procetowych. Iżyera fasowa dyspouje metodam pozwalającym zabezpeczyć portfel przed egatywym skutkam zma stóp procetowych.
Podstawy opracowania wyników pomiarowych, analiza błędów
Podstawy opracowaa wyków pomarowych, aalza błędów I Pracowa Fzycza IF UJ Grzegorz Zuzel Lteratura I Pracowa fzycza Pod redakcją Adrzeja Magery Istytut Fzyk UJ Kraków 2006 Wstęp do aalzy błędu pomarowego
Pomiary parametrów napięć i prądów przemiennych
Ćwczee r 3 Pomary parametrów apęć prądów przemeych Cel ćwczea: zapozae z pomaram wartośc uteczej, średej, współczyków kształtu, szczytu, zekształceń oraz mocy czyej, berej, pozorej współczyka cosϕ w obwodach
Statystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
5. OPTYMALIZACJA NIELINIOWA
5. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często, że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też, oprócz lowych zadań decyzyjych, formułujemy także elowe
Matematyka II. x 3 jest funkcja
Maemayka II WYKLD. Całka eozaczoa. Rachuek całkowy. Twerdzea o całkach eozaczoych. Całkowae wybraych klas fukcj. Całkowae fukcj wymerych. Całkowae fukcj rygoomeryczych.. Defcja fukcj perwoej. Fukcję F
AKADEMIA MORSKA W SZCZECINIE
AKADEMIA MORSKA W SZCZECINIE Istytut Iżyer Ruchu Morskego Zakład Urządzeń Nawgacyjych Istrukcja r 0 Wzory do oblczeń statystyczych w ćwczeach z radoawgacj Szczec 006 Istrukcja r 0: Wzory do oblczeń statystyczych
Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.
Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer
Analiza algorytmów to dział informatyki zajmujcy si szukaniem najefektywniejszych, poprawnych algorytmów dla danych problemów komputerowych
Temat: Poprawo całkowita i czciowa algorytmu. Złooo obliczeiowa algorytmu. Złooo czasowa redia i pesymistycza. Rzd fukcji. I. Literatura 1. L. Baachowski, K. Diks, W. Rytter Algorytmy i struktury daych.
Statystyka Opisowa Wzory
tatystyka Opsowa Wzory zereg rozdzelczy: x - wartośc cechy - lczebośc wartośc cechy - lczebość całej zborowośc Wskaźk atężea przy rysowau wykresu szeregu rozdzelczego przedzałowego o erówych przedzałach:
dev = y y Miary położenia rozkładu Wykład 9 Przykład: Przyrost wagi owiec Odchylenia Mediana próbkowa: Przykłady Statystyki opisowe Σ dev i =?
Mary położea rozkładu Wykład 9 Statystyk opsowe Średa z próby, mea(y) : symbol y ozacza lczbę; arytmetyczą średą z obserwacj Symbol Y ozacza pojęce średej z próby Średa jest środkem cężkośc zboru daych
Probabilistyka i statystyka. Korelacja
06-05-08 Probablstyka statystyka Korelacja Probablstyka statystyka - wykład 9 dla Elektrok Korelacja Aalza korelacj zajmuje sę badaam stea zależośc lowej mędzy dwema cecham X Y. Podstawową marą jest współczyk
( ) ( ) ( ) ( ) ( ) ( )
,,, ~ B, β ( β β ( ( Γ( β Γ + f ( Γ ( + ( + β + ( + β Γ + β Γ + Γ + β Γ + + β E Γ Γ β Γ Γ + + β Γ + Γ β + β β β Γ + β Γ + Γ + β Γ + + β E ( Γ Γ β Γ Γ + + β Γ + Γ β β + β Metoda mometów polega a przyrówau
Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem
Katedra Ietycj Faoych Zarządzaa yzykem Aalza Zarządzae Portfelem cz. Dr Katarzya Kuzak Co to jet portfel? Portfel grupa aktyó (trumetó faoych, aktyó rzeczoych), które zotały yelekcjooae, którym ależy zarządzać
Wyrażanie niepewności pomiaru
Wyrażae epewośc pomaru Adrzej Kubaczyk Wydzał Fzyk, Poltechka Warszawska Warszawa, 05 Iformacje wstępe Każdy pomar welkośc fzyczej dokoyway jest ze skończoą dokładoścą, co ozacza, że wyk tego pomaru dokoyway
( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min
Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego
System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz
System M/M// System ten w odrónenu do wczenej omawanych systemów osada kolejk. Jednak jest ona ogranczona, jej maksymalna ojemno jest wartoc skoczon
Niezawodność. systemów nienaprawialnych. 1. Analiza systemów w nienaprawialnych. 2. System nienaprawialny przykładowe
Nezawoość sysemów eaprawalych. Aalza sysemów w eaprawalych. Sysemy eaprawale - przykłaowe srukury ezawooścowe 3. Sysemy eaprawale - przykłay aalzy. Aalza sysemów w eaprawalych Sysem eaprawaly jes o sysem
Analiza numeryczna Kurs INP002009W. Wykład 1 Narzędzia matematyczne. Karol Tarnowski A-1 p.223
Aaliza umerycza Kurs INP002009W Wykład Narzędzia matematycze Karol Tarowski karol.tarowski@pwr.wroc.pl A- p.223 Pla wykładu Czym jest aaliza umerycza? Podstawowe pojęcia Wzór Taylora Twierdzeie o wartości
WYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Wnioskowanie statystyczne dla korelacji i regresji.
STATYSTYKA MATEMATYCZNA WYKŁAD 6 Woskowae statstcze dla korelacj regresj. Aalza korelacj Założee: zmea losowa dwuwmarowa X, Y) ma rozkład ormal o współczku korelacj ρ. X, Y cech adae rówocześe. X X X...
Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej
Podstawy Mary położea wskazują mejsce wartośc ajlepej reprezetującej wszystke welkośc daej zmeej. Mówą o przecętym pozome aalzowaej cechy. Średa arytmetycza suma wartośc zmeej wszystkch jedostek badaej
TESTY NORMALNOŚCI. ( Cecha X populacji ma rozkład normalny). Hipoteza alternatywna H1( Cecha X populacji nie ma rozkładu normalnego).
TESTY NORMALNOŚCI Test zgodośc Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład ormaly). Hpoteza alteratywa H1( Cecha X populacj e ma rozkładu ormalego). Weryfkacja powyższych hpotez za pomocą tzw. testu
Obliczanie średniej, odchylenia standardowego i mediany oraz kwartyli w szeregu szczegółowym i rozdzielczym?
Oblczae średej, odchylea tadardowego meday oraz kwartyl w zeregu zczegółowym rozdzelczym? Średa medaa ależą do etymatorów tzw. tedecj cetralej, atomat odchylee tadardowe to etymatorów rozprozea (dyperj)
k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2
Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu
Prawdopodobieństwo i statystyka r.
Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby
Ćwiczenia nr 3 Finanse II Robert Ślepaczuk. Teoria portfela papierów wartościowych
Ćczea r 3 Fae II obert Ślepaczuk Teora portfela paperó artoścoych Teora portfela paperó artoścoych jet jedym z ajażejzych dzałó ooczeych faó. Dotyczy oa etycj faoych, a przede zytkm etycj dokoyaych a ryku
Metoda Monte-Carlo i inne zagadnienia 1
Metoda Mote-Carlo e zagadea Metoda Mote-Carlo Są przypadk kedy zamast wykoać jakś eksperymet chcelbyśmy symulować jego wyk używając komputera geeratora lczb (pseudolosowych. Wększość bblotek programów
Kwantyzacja skalarna. Plan 1. Definicja 2. Kwantyzacja równomierna 3. Niedopasowanie, adaptacja 4. Kwantyzacja nierównomierna
Kwantyzacja salarna Plan. Defncja. Kwantyzacja równomerna 3. Nedopasowane, adaptacja 4. Kwantyzacja nerównomerna Pojce wantyzacj Defncja: Kwantyzacja reprezentacja duego w szczególnoc nesoczonego) zboru
Kodowanie podpasmowe. Plan 1. Zasada 2. Filtry cyfrowe 3. Podstawowy algorytm 4. Zastosowania
Kodowanie podpasmowe Plan 1. Zasada 2. Filtry cyfrowe 3. Podstawowy algorytm 4. Zastosowania Zasada ogólna Rozkład sygnału źródłowego na części składowe (jak w kodowaniu transformacyjnym) Wada kodowania
ESTYMATORY ODPORNE ZMIENNOŚCI W MODELU BLACKA - SCHOLESA WSTĘP
Justya Majewska Katedra Statystyk, Akadema Ekoomcza w Katowcach e-mal: majewskaj@wp.pl ESTYMATORY ODPORNE ZMIENNOŚCI W MODELU BLACKA - SCHOLESA Streszczee: NajwaŜejszym etapem przy wycee opcj jest właścwe
Kodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY
KLUCZ ODPOWIEDZI I ZASADY PUNKTOWANIA PRÓBNEGO EGZAMINU MATURALNEGO Z MATEMATYKI POZIOM PODSTAWOWY Nr zadaia Odpowiedzi Pukty Badae umiejtoci Obszar stadardu 1. B 0 1 plauje i wykouje obliczeia a liczbach
opisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn
ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.
Monika Jeziorska - Pąpka Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMERYCZNE X Ogólopolske Semarum Naukowe, 4 6 wrześa 2007 w oruu Katedra Ekoometr Statystyk, Uwersytet Mkołaja Koperka w oruu Moka Jezorska - Pąpka Uwersytet Mkołaja Koperka w oruu
STATYSTYKA MATEMATYCZNA WYKŁAD 1. Wiadomości wstępne
TATYTYKA MATEMATYCZNA WYKŁAD Wadomośc wstępe tatystyka to dyscypla aukowa, której zadaem jest wykrywae, aalza ops prawdłowośc występujących w procesach masowych. Populacja to zborowość podlegająca badau
KWANTYZACJA. kwantyzacja
KWATYZACJA Adam Głogowski kwantyzacja W tej części prezentacji zostanie omówiony problem kwantyzacji. Przedstawiony będzie takŝe przykład kwantowania sygnału, charakterystyka kwantyzera oraz podstawowe
Rozkłady statystyk z próby. Metody probabilistyczne i statystyka Wykład 2: Rozkłady statystyk z próby. Przedziały ufnoci
Rozkłady tatytyk z próby Metody probabilitycze i tatytyka Wykład : Rozkłady tatytyk z próby. rzedziały ufoci Małgorzata Krtowka Wydział Iformatyki olitechika Białotocka e-mail: mmac@ii.pb.bialytok.pl troa
Prawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
STATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZA. Wkład węp. Teora prawdopodobeńwa elemet kombatork 3. Zmee losowe 4. Populace prób dach 5. Teowae hpotez emaca parametrów 6. Te t 7. Te 8. Te F 9. Te eparametrcze 0. Podsumowae dotchczasowego
Statystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
2. Rozkład zawartości popiołu w węglu jako mieszanina rozkładów
Górctwo Geożyera Rok 3 Zeszyt 4 007 Tomasz Nedoba* OCENA ZAWARTOŚCI POPIOŁU W POKŁADACH WĘGLA ZA POMOCĄ NIEPARAMETRYCZNYCH METOD STATYSTYCZNYCH**. Wprowadzee W procese przeróbk węgla ezwykle ważym problemem
Planowanie eksperymentu pomiarowego I
POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak
( ) ( ) ( ) ( ) ( ) ( )
Praca Domowa:.. ( α β ( α β α β ( ( α Γ( β α,,..., ~ B, Γ + f Γ ( α + α ( α + β + ( α + β Γ α + β Γ α + Γ α + β Γ α + + β E Γ α Γ β Γ α Γ α + + β Γ α + Γ β α α + β β α β Γ α + β Γ α + Γ α + β Γ α + + β
MATEMATYKA (poziom podstawowy) przykładowy arkusz maturalny wraz ze schematem oceniania dla klasy II Liceum
MATEMATYKA (poziom podstawowy) przykładowy arkusz maturaly wraz ze schematem oceiaia dla klasy II Liceum Propozycja zadań maturalych sprawdzających opaowaie wiadomości i umiejętości matematyczych z zakresu
Matematyka ubezpieczeń majątkowych r. t warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Zadae. W kolejych okresach czasu t =, ubezpeczoy, charakteryzujący sę parametrem ryzyka Λ, geeruje N t szkód. Dla daego Λ = λ zmee N, N są warukowo ezależe mają (brzegowe) rozkłady Possoa: k λ Pr( N t
EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.
Joaa Ceślak, aula Bawej ESTREA FUNCJI ESTREA FUNCJI JEDNEJ ZIENNEJ Otoczeem puktu R jest każdy przedzał postac,+, gdze >. Sąsedztwem puktu jest każdy zbór postac,,+, gdze >. Nech R, : R oraz ech. De. ówmy,
Propagacja wielodrogowa. Paweł Kułakowski
Propagacja welodrogowa Paweł Kułakowsk Pla wykładu. Propagacja welodrogowa ops zjawska w dzedze czasu częstotlwośc przypadek propagacj przyzemej. Zak sygału radowego 3. Iterferecje mędzysymbolowe . Propagacja
Mh n. 2 ε. h h/ n n. Ekstrapolacja Richardsona (szacowanie błędu) błąd. ekstrapolowana wartość całki I. kwadratury z adaptowanym krokiem
Ekstrapolacja Rchardsoa (szacowae błędu) dla daej, ustaloej metody błąd Mh zakładając, że M jest w przyblżeu ezależe od h I I + Mh h h/ / I I + Mh ekstrapolowaa wartość całk I I e I h / + Ih / ( I h )
3. OPTYMALIZACJA NIELINIOWA
Wybrae zaadea badań operacyjych dr ż. Zbew Tarapata 3. OPTYMALIZACJA NIELINIOWA Zdarza sę dość często że zależośc występujące w aalzowaych procesach (p. ospodarczych) mają charakter elowy. Dlateo też oprócz
będą niezależnymi zmiennymi losowymi o tym samym 2 x
Prawdopodobeństwo statystyka 8.0.007 r. Zadae. Nech,,, rozkładze z gęstoścą Oblczyć m E max będą ezależym zmeym losowym o tym samym { },,, { },,, gdy x > f ( x) = x. 0 gdy x 8 8 Prawdopodobeństwo statystyka
PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE
Marek Cecura, Jausz Zacharsk PODSTAWY PROBABILISTYKI Z PRZYKŁADAMI ZASTOSOWAŃ W INFORMATYCE CZĘŚĆ II STATYSTYKA OPISOWA Na prawach rękopsu Warszawa, wrzeseń 0 Data ostatej aktualzacj: czwartek, 0 paźdzerka
KRYTERIA STOSOWANIA MODELI STOCHASTYCZNYCH W PREDYKCJI RYNKOWEJ WARTOŚCI NIERUCHOMOŚCI
KRYTERIA STOSOWANIA MODELI STOCHASTYCZNYCH W PREDYKCJI RYNKOWEJ WARTOŚCI NIERUCHOMOŚCI Aa Barańska Katedra Iformacj o Teree, Akadema Górczo-Hutcza w Krakowe SFORMUŁOWANIE TEZ PRACY Do ajczęścej stosowaych
Plan wykładu. Sztuczne sieci neuronowe. Sie Hopfielda. Sieci Hopfielda w praktyce. Wykład 9: Sieci rekurencyjne. Sieci rekurencyjne:
Pla wkładu Sec rekurece: Wkład 9: Sec rekurece Se Hammga Se tpu BAM Se RRN Se Elmaa Małgorzata Krtowska Katedra Oprogramowaa e-mal: mmac@.pb.balstok.pl Se Hopfelda Włacwoc: weca to wca ch euroów brak własego