A gyakorlat célja a fehér és a színes zaj bemutatása.
|
|
- Krisztina Farkas
- 8 évvel ezelőtt
- Látták:
Átírás
1 A gyakorlat célja a fehér és a színes zaj bemutatása. 1.@. FFT begyakorlása n = [:9]; % Harminc minta x = cos(*pi*n/1); % 1 mintát veszünk periodusonként N1 = 64; % Három módon számoljuk az FFT-t N = 18; N3 = 56; X1 = abs(fft(x,n1)); X = abs(fft(x,n)); X3 = abs(fft(x,n3)); F1 = [ : N1-1]/N1; % A frekvencia normalizálása tól 1 1/N ig. F = [ : N - 1]/N; F3 = [ : N3-1]/N3; subplot(3,1,1) plot(f1,x1,'-x'),title('n = 64'),axis([ 1 ]) subplot(3,1,) plot(f,x,'-x'),title('n = 18'),axis([ 1 ]) subplot(3,1,3) plot(f3,x3,'-x'),title('n = 56'),axis([ 1 ]) Ha kirajzoltatjuk a spektrumokat, akkor a következő eredményeket kapjuk: N = N = N = Látható, hogy a frekvenciákat normalizáltuk és 1 közé. A spektrumon két csúcs jelent meg a.1-nél és a.9-nél. Ez a cosinus jel frekvenciájának felel meg (1/1). A jelünk, aminek a spektrumát ábrázoltuk tehát tartalmaz harmonikus összetevőket. Gyakorlat_11 1
2 Azt is látjuk, hogy függetlenül attól, hogy 64, 18, 56 mintát veszünk, frekvenciatartományban a spektrumok nagyon hasonlítanak. Nézzük, meg mi történik akkor, ha a frekvencia tartománybeli mintavételezések száma megegyezik az időtartománybeli mintavételezések számával, tehát a N=3. Ekkor a következőeket kell, megadjuk: n = [:9]; x = cos(*pi*n/1); % N = 3; X = abs(fft(x,n)); F = [ : N - 1]/N; plot(f,x,'-x'),title('n = 3'),axis([ 1 ]); A kapott eredmény pedig a következő: N = @. Vizsgáljunk meg különböző hosszúságú idősorokat n = [:9]; x1 = cos(*pi*n/1); % 3 periódus x = [x1 x1]; % 6 periódus x3 = [x1 x1 x1]; % 9 periódus N = 48; X1 = abs(fft(x1,n)); X = abs(fft(x,n)); X3 = abs(fft(x3,n)); F = [:N-1]/N; subplot(3,1,1) plot(f,x1),title('3 periods'),axis([ 1 5]) subplot(3,1,) plot(f,x),title('6 periods'),axis([ 1 5]) Gyakorlat_11
3 subplot(3,1,3) plot(f,x3),title('9 periods'),axis([ 1 5]) Ha kirajzoltatjuk a spektrumokat, akkor a következő eredményeket kapjuk: 5 3 periods periods periods Nézzük meg azt is, hogy mi történik, ha 9 periódust tartalmaz a jel: x1 = cos(*pi*n/1); % 3 periódus x = [x1 x1]; % 6 periódus x3 = [x1 x1 x1]; % 9 periódus x4 = [x3 x3 x3 x3 x3 x3 x3 x3 x3 x3]; % 9 periódus N = 48; X = abs(fft(x4,n)); F = [:N-1]/N; plot(f,x),title('9 periods'),axis([ 1 5]) Ekkor a következő eredményt kapjuk: 5 9 periods Gyakorlat_11 3
4 Itt lényegében különböző hosszúságú idősorokat figyelünk. Az ablak, amin keresztül figyeljük a coszinusz jelet az egyre nagyobb. Az ablakozás pedig lényegében egy négyszögjellel való szorzást jelent. A négyszögjel Fourier transzformáltja a sinc() jel. A coszinusz jel Fourier transzformáltja a coszinusz jel frekvenciájánál lévő Dirac-impulzus. Tehát minél nagyobb az ablak, annál jobban érvényesül a coszinusz jel Fourier transzformáltja, és annál kevésbé a négyszögjel Fourier transzformáltja. Egyre jobban egy Dirac-impulzusra fog hasonlítani a Fourier transzformált és nem pedig egy sinc() jelre. Ha tehát időben meghosszabbítom a sort, akkor jobb minőségű Fourier transzformációt tudok végezni. A frekvencia tartományban vett minták száma viszont jelentősen nem változtatja meg a Fourier transzformáció eredményét. 3.@. Most vizsgáljunk a jel matematikai spektrumát. Egy valós matematikai spektruma f S f S től + ig terjed és páros. n = [:149]; x1 = cos(*pi*n/1); N = 48; X = abs(fft(x1,n)); X = fftshift(x); F = [-N/:N/-1]/N; plot(f,x), xlabel('frequency / f s') Ha kirajzoltatjuk a spektrumot akkor a következőt kapjuk: frequency / f s Módosítsuk úgy az ábrát, hogy a két csúcs ne a.1-nél és a -.1-nél hanem a.-nél és a -.-nél legyen. Gyakorlat_11 4
5 n = [:149]; x1 = cos(**pi*n/1); N = 48; X = abs(fft(x1,n)); X = fftshift(x); F = [-N/:N/-1]/N; plot(f,x), xlabel('frequency / f s') Ekkor az alábbi spektrumot kapjuk: frequency / f s Alakítsuk át ezt a spektrumot fizikai spektrummá: n = [:149]; x1 = cos(**pi*n/1); N = 48; X =* abs(fft(x1,n)); F = [:N-1]/N; plot(f(1:n/),x(1:n/)),xlabel('frequency / f s') Ekkor a következő jelet kapjuk: Gyakorlat_11 5
6 frequency / f s Látjuk, hogy a frekvenciatartomány pozitív része értelmezett, és hogy a spektrum kétszer nagyobb értékű az egyes frekvenciákon mint a matematikai spektrum esetében. Így az egyes frekvenciákon levő összetevők energiája nem változik. 4.@. Zaj generálása. Normális eloszlás vagy Gauss-eloszlás. Azt, hogy az X valószínűségi változó normális eloszlást követ, a következő módon szoktuk jelölni: X Ν( m, σ ), ahol m a középértéket, σ pedig a szórás négyzetét jelöli. A hozzá tartozó sűrűségfüggvény: f ( x) ( x m) 1 σ = e. σ π Speciálisan, ha X Ν(,1), akkor X-et standard normális eloszlásúnak (vagy sztenderd normális eloszlásúnak) nevezzük. N=14; % Define Number of samples R1=randn(1,N); % Generate Normal Random Numbers R=rand(1,N); % Generate Uniformly Random Numbers figure(1); % Select the figure subplot(,,1); % Subdivide the figure into 4 quadrants plot(r1); % Plot R1 in the first quadrant title('normal [Gaussian] Distributed Random Signal'); ylabel('amplitude'); subplot(,,); % Select the second qudrant hist(r1); % Plot the histogram of R1 title('histogram [Pdf] of a normal Random Signal'); ylabel('total'); Gyakorlat_11 6
7 subplot(,,3); plot(r); title('uniformly Distributed Random Signal'); ylabel('amplitude'); subplot(,,4); hist(r); title('histogram [Pdf] of a uniformly Random Signal'); ylabel('total'); A színes és a fehér zaj kirajzoltatása, illetve a színes és a fehér zaj hisztogramjának kirajzoltatása: 4 Normal [Gaussian] Distributed Random Signal 3 Histogram [Pdf] of a normal Random Signal Amplitude Total Uniformly Distributed Random Signal 1 Histogram [Pdf] of a uniformly Random Signal Amplitude Total Az első sorban az látható, hogy Gauss-os eloszlású a hisztogram, tehát bizonyos (a frekvenciához tartozó amplitúdó, az egyenáramú komponens) amplitúdók többször szerepelnek a jelben. Az alsó sorban, pedig egy egyenletes eloszlású hisztogram látható, tehát az egyes amplitúdók nagyjából azonos számban szerepelnek, a jelben. Ezeknek a jeleknek keressük meg a Fourier transzformáltját: N=14; % Define Number of samples R1=randn(1,N); % Generate Normal Random Numbers R=rand(1,N); % Generate Uniformly Random Numbers figure(1); % Select the figure Gyakorlat_11 7
8 subplot(,3,1); % Subdivide the figure into 4 quadrants plot(r1); % Plot R1 in the first quadrant title('normal [Gaussian] Distributed Random Signal'); ylabel('amplitude'); subplot(,3,); % Select the second qudrant hist(r1); % Plot the histogram of R1 title('histogram [Pdf] of a normal Random Signal'); ylabel('total'); subplot(,3,4); plot(r); title('uniformly Distributed Random Signal'); ylabel('amplitude'); subplot(,3,5); hist(r); title('histogram [Pdf] of a uniformly Random Signal'); ylabel('total'); N = 48; X1 = abs(fft(r1,n)); X1 = fftshift(x1); F = [-N/:N/-1]/N; subplot(,3,6),plot(f,x1),xlabel('frequency / f s') Ki is rajzoljuk ezt a spektrumot X = abs(fft(r,n)); X = fftshift(x); F = [-N/:N/-1]/N; subplot(,3,3),plot(f(14-1:14+1),x(14-1:14+1)),xlabel('frequency / f s') A kapott eredmény a következő: Gyakorlat_11 8
9 4 Normal [Gaussian] Distributed Random Signal 3 Histogram [Pdf] of a normal Random Signal Amplitude Total frequency / f s 1 Uniformly Distributed Random Signal 1 Histogram [Pdf] of a uniformly Random Signal Amplitude Total frequency / f s Az első sorban az látható, hogy legnagyobb amplitúdóval a frekvenciájú egyenáramú komponens szerepel, ahogy azt vártuk is, míg a második sorban azt látjuk, hogy minden frekvencia szerepel valamekkora amplitúdóval. 5.@. A következő feladat, hogy ezt a linket megnyitjuk és letöltjük a 1N_111_1814.meres file-t. Van egy nagy csővezeték. Emellé leteszünk mikrofonokat, a mikrofonok folyamatosan veszik a csővezetékből érkező hangokat. Ha valami elkezdi ütögetni a csövet a kérdés az, hogy mi és hol ütögeti ezt a csövet. Például egy baltával ütögeti valaki, vagy gumikalapáccsal, vagy pedig csak valaki belerúgott, esetleg egy elszabadult anyacsavar halad a csőben. El kell dönteni, hogy veszélyes-e a hang, amit hallunk, vagy nem, és ha veszélyes, akkor honnan jön a hang a csővezetékből. Ennek a feladatnak a megoldásához vannak laboratóriumi felvételek. Ezeket tudjuk meghallgatni a következő képen: [y, t, dt, info]=beolvas wavplay(y(:,1),1/dt) A hangjel Fourier transzformáltját a következő képen képezhetjük: N=48; X=abs(fft(y(:,1),N)); X=fftshift(X); F=[-N/:N/-1]/N;; plot(f,x); Ekkor a következő kimenetet kapjuk: Gyakorlat_11 9
10 A beolvas függvény a pub/jelekesrendszerek mappában található. Természetesen a beolvas függvényt és a *.meres file-t be kell másolni a munkakönyvtárba. Gyakorlat_11 1
Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata
Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata Reichardt, András 27. szeptember 2. 2 / 5 NDSM Komplex alak U C k = T (T ) ahol ω = 2π T, k módusindex. Időfüggvény előállítása
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenBaran Ágnes. Gyakorlat MATLAB. Baran Ágnes Gyakorlat 1 / 70
Valószínűségszámítás és matematikai statisztika Baran Ágnes Gyakorlat MATLAB Baran Ágnes Gyakorlat 1 / 7 Véletlenszám generátorok randi(n,n,m) n m pszeudorandom egész szám az [1, N]-en adott diszkrét egyenletes
RészletesebbenMérés 3 - Ellenörzö mérés - 5. Alakítsunk A-t meg D-t oda-vissza (A/D, D/A átlakító)
Mérés 3 - Ellenörzö mérés - 5. Alakítsunk A-t meg D-t oda-vissza (A/D, D/A átlakító) 1. A D/A átalakító erısítési hibája és beállása Mérje meg a D/A átalakító erısítési hibáját! A hibát százalékban adja
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 5. A JELFELDOLGOZÁS ALAPJAI: JELEK Dr. Soumelidis Alexandros 2018.10.18. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérések
RészletesebbenPontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenMérés és adatgyűjtés
Mérés és adatgyűjtés 4. óra Mingesz Róbert Szegedi Tudományegyetem 2012. február 27. MA - 4. óra Verzió: 2.1 Utolsó frissítés: 2012. március 12. 1/41 Tartalom I 1 Jelek 2 Mintavételezés 3 A/D konverterek
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 7. Előadás Egyenletes eloszlás Binomiális eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell /56 Matematikai statisztika Reprezentatív mintavétel
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
Részletesebben1. Jelgenerálás, megjelenítés, jelfeldolgozás alapfunkciói
1. Jelgenerálás, megjelenítés, jelfeldolgozás alapfunkciói FELADAT Készítsen egy olyan tömböt, amelynek az elemeit egy START gomb megnyomásakor feltölt a program 1 periódusnyi szinuszosan változó értékekkel.
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenElső egyéni feladat (Minta)
Első egyéni feladat (Minta) 1. Készítsen olyan programot, amely segítségével a felhasználó 3 különböző jelet tud generálni, amelyeknek bemenő adatait egyedileg lehet változtatni. Legyen mód a jelgenerátorok
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenSzámítógépes gyakorlat MATLAB, Control System Toolbox
Számítógépes gyakorlat MATLAB, Control System Toolbox Bevezetés A gyakorlatok célja az irányítási rendszerek korszerű számítógépes vizsgálati és tervezési módszereinek bemutatása, az alkalmazáshoz szükséges
RészletesebbenBevezetés a méréstechnikába és jelfeldolgozásba 7. mérés RC tag Bartha András, Dobránszky Márk
Bevezetés a méréstechnikába és jelfeldolgozásba 7. mérés 2015.05.13. RC tag Bartha András, Dobránszky Márk 1. Tanulmányozza át az ELVIS rendszer rövid leírását! Áttanulmányoztuk. 2. Húzzon a tartóból két
Részletesebben1. témakör. A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban
1. témakör A hírközlés célja, általános modellje A jelek osztályozása Periodikus jelek leírása időtartományban A hírközlés célja, általános modellje Üzenet: Hír: Jel: Zaj: Továbbításra szánt adathalmaz
RészletesebbenFourier transzformáció
a Matematika mérnököknek II. című tárgyhoz Fourier transzformáció Fourier transzformáció, heurisztika Tekintsük egy 2L szerint periodikus függvény Fourier sorát: f (x) = a 0 2 + ( ( nπ ) ( nπ )) a n cos
RészletesebbenDigitális szűrők - (BMEVIMIM278) Házi Feladat
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rszerek Tanszék Digitális szűrők - (BMEVIMIM278) FIR-szűrő tervezése ablakozással Házi Feladat Név: Szőke Kálmán Benjamin Neptun:
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
RészletesebbenZ v 1 (t)v 2 (t τ)dt. R 12 (τ) = 1 R 12 (τ) = lim T T. ill. periódikus jelekre:
1 Korrelációs fügvények Hasonlóság mértéke a két függvény szorzatának integrálja Időbeli változások esetén lehet vizsgálni a hasonlóságot a τ relatív időkülönbség szerint: Keresztkorrelációs függvény:
RészletesebbenEddigi tanulmányaink alapján már egy sor, a szeizmikában általánosan használt műveletet el tudunk végezni.
Eddigi tanulmányaink alapján már egy sor, a szeizmikában általánosan használt műveletet el tudunk végezni. Kezdjük a sort a menetidőgörbékről, illetve az NMO korrekcióról tanultakkal. A következő ábrán
RészletesebbenA valószínűségszámítás elemei
A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:
Részletesebben2. témakör. Sztochasztikus, stacionárius és ergodikus jelek leírása idő és frekvenciatartományban
2. témakör Sztochasztikus, stacionárius és ergodikus jelek leírása idő és frekvenciatartományban Bevezetés Egy összetett jel, amely nem feltétlen periodikus, de stabil amplitúdójó és frekvenciájú diszkrét
RészletesebbenANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek.
Jelfeldolgozás 1. Sapientia - Erdélyi Magyar Tudományegyetem 2007 és jeleket generáló és jeleket generáló és jeleket generáló Gyakorlatok - MATLAB (OCTAVE) (50%) Írásbeli vizsga (50%) és jeleket generáló
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenJelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék
Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 5. Előadás témái Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Folytonos
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenMinőség-képességi index (Process capability)
Minőség-képességi index (Process capability) Folyamatképesség 68 12. példa Egy gyártási folyamatban a minőségi jellemző becsült várható értéke µ250.727 egység, a variancia négyzetgyökének becslése σ 1.286
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenMérési jegyzőkönyv a 5. mérés A/D és D/A átalakító vizsgálata című laboratóriumi gyakorlatról
Mérési jegyzőkönyv a 5. mérés A/D és D/A átalakító vizsgálata című laboratóriumi gyakorlatról A mérés helyszíne: A mérés időpontja: A mérést végezték: A mérést vezető oktató neve: A jegyzőkönyvet tartalmazó
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 6. A MINTAVÉTELI TÖRVÉNY Dr. Soumelidis Alexandros 2018.10.25. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mintavételezés
RészletesebbenMatematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév
Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy
RészletesebbenDekonvolúció a mikroszkópiában. Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ
Dekonvolúció a mikroszkópiában Barna László MTA Kísérleti Orvostudományi Kutatóintézet Nikon-KOKI képalkotó Központ 2015 Fourier-Sorok Minden 2π szerint periodikus függvény előállítható f x ~ a 0 2 + (a
RészletesebbenSTATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
STATISZTIKA 10. Előadás Megbízhatósági tartományok (Konfidencia intervallumok) Sir Isaac Newton, 1643-1727 Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)
RészletesebbenJelanalízis. Neuronális aktivitás
Jelanalízis Neuronális aktivitás 2/10 a bioelektromos jelek lényegében két kategóriába esnek: gyors jelek (spike aktivitás) és lassú jelek (EEG, mezőpotenciál, stb.) a jelanalízis alapvetően különbözik
RészletesebbenKéprestauráció Képhelyreállítás
Képrestauráció Képhelyreállítás Képrestauráció - A képrestauráció az a folyamat mellyel a sérült képből eltávolítjuk a degradációt, eredményképpen pedig az eredetihez minél közelebbi képet szeretnénk kapni
RészletesebbenKözlemény. Biostatisztika és informatika alapjai. Alapsokaság és minta
Közlemény Biostatisztika és informatika alajai. előadás: Az orvostudományban előforduló nevezetes eloszlások 6. szetember 9. Veres Dániel Statisztika és Informatika tankönyv (Herényi Levente) már kaható
RészletesebbenSzivattyú-csővezeték rendszer rezgésfelügyelete. Dr. Hegedűs Ferenc
Szivattyú-csővezeték rendszer rezgésfelügyelete Dr. Hegedűs Ferenc (fhegedus@hds.bme.hu) 1. Feladat ismertetése Rezgésfelügyeleti módszer kidolgozása szivattyúk nyomásjelére alapozva Mérési környezetben
RészletesebbenDINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN. 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1
DINAMIKAI VIZSGÁLAT OPERÁTOROS TARTOMÁNYBAN 2003.10.30. Dr. Aradi Petra, Dr. Niedermayer Péter: Rendszertechnika segédlet 1 Differenciálegyenlet megoldása u(t) diff. egyenlet v(t) a n d n v m dt a dv n
RészletesebbenGibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén
Matematikai modellek, I. kisprojekt Gibbs-jelenség viselkedésének vizsgálata egyszer négyszögjel esetén Unger amás István B.Sc. szakos matematikus hallgató ungert@maxwell.sze.hu, http://maxwell.sze.hu/~ungert
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenMilyen elvi mérési és számítási módszerrel lehet a Thevenin helyettesítő kép elemeit meghatározni?
1. mérés Definiálja a korrekciót! Definiálja a mérés eredményét metrológiailag helyes formában! Definiálja a relatív formában megadott mérési hibát! Definiálja a rendszeres hibát! Definiálja a véletlen
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenHipotéziselmélet - paraméteres próbák. eloszlások. Matematikai statisztika Gazdaságinformatikus MSc szeptember 10. 1/58
u- t- Matematikai statisztika Gazdaságinformatikus MSc 2. előadás 2018. szeptember 10. 1/58 u- t- 2/58 eloszlás eloszlás m várható értékkel, σ szórással N(m, σ) Sűrűségfüggvénye: f (x) = 1 e (x m)2 2σ
RészletesebbenRENDSZERTECHNIKA 8. GYAKORLAT
RENDSZERTECHNIKA 8. GYAKORLAT ÜTEMTERV VÁLTOZÁS Gyakorlat Hét Dátum Témakör Házi feladat Egyéb 1 1. hét 02.09 Ismétlés, bevezetés Differenciálegyenletek mérnöki 2 2. hét 02.16 szemmel 1. Hf kiadás 3 3.
Részletesebben2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma:
2. Hangfrekvenciás mechanikai rezgések vizsgálata jegyzőkönyv Zsigmond Anna Fizika Bsc II. Mérés dátuma: 2008. 09. 24. Leadás dátuma: 2008. 10. 01. 1 1. Mérések ismertetése Az 1. ábrán látható összeállításban
RészletesebbenRC tag mérési jegyz könyv
RC tag mérési jegyz könyv Mérést végezte: Csutak Balázs, Farkas Viktória Mérés helye és ideje: ITK 320. terem, 2016.03.09 A mérés célja: Az ELVIS próbapanel és az ELVIS m szerek használatának elsajátítása,
RészletesebbenFeszültségérzékelők a méréstechnikában
5. Laboratóriumi gyakorlat Feszültségérzékelők a méréstechnikában 1. A gyakorlat célja Az elektronikus mérőműszerekben használatos különböző feszültségdetektoroknak tanulmányozása, átviteli karakterisztika
RészletesebbenJelgenerálás virtuális eszközökkel. LabVIEW 7.1
Jelgenerálás virtuális eszközökkel (mágneses hiszterézis mérése) LabVIEW 7.1 3. előadás Dr. Iványi Miklósné, egyetemi tanár LabVIEW-7.1 EA-3/1 Folytonos idejű jelek diszkrét idejű mérése A mintavételezési
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenStatisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék
Statisztika Politológus képzés Daróczi Gergely Politológia Tanszék 2012. április 17. Outline 1 Leíró statisztikák 2 Középértékek Példa 3 Szóródási mutatók Példa 4 Néhány megjegyzés a grafikonokról 5 Számítások
Részletesebben1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása
HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenMatematikai alapok és valószínőségszámítás. Normál eloszlás
Matematikai alapok és valószínőségszámítás Normál eloszlás A normál eloszlás Folytonos változók esetén az eloszlás meghatározása nehezebb, mint diszkrét változók esetén. A változó értékei nem sorolhatóak
RészletesebbenDigitális képek szegmentálása. 5. Textúra. Kató Zoltán.
Digitális képek szegmentálása 5. Textúra Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Textúra fogalma Sklansky: Egy képen egy területnek állandó textúrája van ha a lokális statisztikák vagy
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenDigitális modulációk vizsgálata WinIQSIM programmal
Digitális modulációk vizsgálata WinIQSIM programmal Lódi Péter(D1WBA1) Bartha András(UKZTWZ) 2016. október 24. 1. Mérés célja Mérés helye: PPKE-ITK 3. emeleti 321-es Mérőlabor Mérés ideje: 2016.10.24.
RészletesebbenKANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR. Mikroelektronikai és Technológiai Intézet. Aktív Szűrők. Analóg és Hírközlési Áramkörök
KANDÓ KÁLMÁN VILLAMOSMÉRNÖKI FŐISKOLAI KAR Mikroelektronikai és Technológiai Intézet Analóg és Hírközlési Áramkörök Laboratóriumi Gyakorlatok Készítette: Joó Gábor és Pintér Tamás OE-MTI 2011 1.Szűrők
RészletesebbenAkusztikus mérőműszerek
Akusztikus mérőműszerek Hangszintmérő: méri a frekvencia súlyozott, és nyomásátlagolt hangnyomás szintet (hangszintet). Felépítése Mikrofon + Erősítő Frekvencia Szint tartomány Időátlagolás Kijelzés Előerősítő
RészletesebbenKutatásmódszertan és prezentációkészítés
Kutatásmódszertan és prezentációkészítés 10. rész: Az adatelemzés alapjai Szerző: Kmetty Zoltán Lektor: Fokasz Nikosz Tizedik rész Az adatelemzés alapjai Tartalomjegyzék Bevezetés Leíró statisztikák I
Részletesebben2. gyakorlat Mintavételezés, kvantálás
2. gyakorlat Mintavételezés, kvantálás x(t) x[k]= =x(k T) Q x[k] ^ D/A x(t) ~ ampl. FOLYTONOS idı FOLYTONOS ANALÓG DISZKRÉT MINTAVÉTELEZETT DISZKRÉT KVANTÁLT DIGITÁLIS Jelek visszaállítása egyenköző mintáinak
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
RészletesebbenFüggvények ábrázolása
Függvények ábrázolása Matematikai függvényeket analitikusan nem tudunk a matlabban megadni (tudunk, de ilyet még nem tanulunk). Ahhoz, hogy egy függvényt ábrázoljuk, hasonlóan kell eljárni, mint a házi
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenFourier transzformáció
Fourier transzformáció A szeizmikus hullámok tanulmányozása során igen nagy jelentősége van a hullámok frekvencia tartalmának. Ezt használjuk a hullámok alakjának mintavételezésekor, lineáris szűrések
RészletesebbenAz NMR és a bizonytalansági elv rejtélyes találkozása
Az NMR és a bizonytalansági elv rejtélyes találkozása ifj. Szántay Csaba MTA Kémiai Tudományok Osztálya 2012. február 21. a magspínek pulzus-gerjesztésének értelmezési paradigmája GLOBÁLISAN ELTERJEDT
RészletesebbenEllenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz
Ellenőrző kérdések a Jelanalízis és Jelfeldolgozás témakörökhöz 1. Hogyan lehet osztályozni a jeleket időfüggvényük időtartama szerint? 2. Mi a periodikus jelek definiciója? (szöveg, képlet, 3. Milyen
RészletesebbenA Matlab Home címkéje alatt a File szekcióban található a New gomb. Erre klikkelve a felugró lehetőségek közül válasszuk a Script lehetőséget.
1. Hozzon létre egy tetszőleges nevű mappát. Az elhelyezésekor vegye figyelembe, hogy az elkövetkező feladatokban a Matlab a létrehozott mappát használni fogja. A létrehozott mappát adja hozzá a Matlab
RészletesebbenDiszkrét idej rendszerek analízise szinuszos/periodikus állandósult állapotban
Diszkrét idej rendszerek analízise szinuszos/eriodikus állandósult állaotban Dr. Horváth Péter, BME HVT 6. november 4.. feladat Adjuk meg az alábbi jelfolyamhálózattal rerezentált rendszer átviteli karakterisztikáját
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenWavelet transzformáció
1 Wavelet transzformáció Más felbontás: Walsh, Haar, wavelet alapok! Eddig: amplitúdó vagy frekvencia leírás: Pl. egy rövid, Dirac-delta jellegű impulzus Fourier-transzformált: nagyon sok, kb. ugyanolyan
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Mintavételezés és jel-rekonstrukció Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010.
RészletesebbenLaboratórium mérés Házi feladat. Készítette: Koszó Norbert (GTPL3A) Második (javított) kiadás
Laboratórium 1. 4. mérés Házi feladat Készítette: Koszó Norbert (GTPL3A) Második (javított) kiadás 4. mérés Koszó Norbert (GTPL3A) Feladat 1. Adott egy diszkrét jel mintasorozata. A mintavételi idő t
RészletesebbenSzámítógéppel segített modellezés és szimuláció a természettudományokban
Számítógéppel segített modellezés és szimuláció a természettudományokban Beszámoló előadás Németh Gábor 2008. 05. 08. A kurzusról Intenzív, 38 órás kurzus 2008. 03. 25. -2008. 03. 30-ig Három csoport:
RészletesebbenVillamosságtan szigorlati tételek
Villamosságtan szigorlati tételek 1.1. Egyenáramú hálózatok alaptörvényei 1.2. Lineáris egyenáramú hálózatok elemi számítása 1.3. Nemlineáris egyenáramú hálózatok elemi számítása 1.4. Egyenáramú hálózatok
RészletesebbenValó szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny
Való szí nű sé gi va ltózó, sű rű sé gfű ggvé ny, élószla sfű ggvé ny Szűk elméleti összefoglaló Valószínűségi változó: egy függvény, ami az eseményteret a valós számok halmazára tudja vetíteni. A val.
Részletesebben1. ábra a függvénygenerátorok általános blokkvázlata
A függvénygenerátorok nemszinuszos jelekből állítanak elő kváziszinuszos jelet. Nemszinuszos jel lehet pl. a négyszögjel, a háromszögjel és a fűrészjel is. Ilyen típusú jeleket az úgynevezett relaxációs
RészletesebbenA regisztrált álláskeresők számára vonatkozó becslések előrejelző képességének vizsgálata
A regisztrált álláskeresők számára vonatkozó becslések előrejelző képességének vizsgálata Az elemzésben a GoogleTrends (GT, korábban Google Insights for Search) modellek mintán kívüli illeszkedésének vizsgálatával
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenSTATISZTIKA. ( x) 2. Eloszlásf. 9. gyakorlat. Konfidencia intervallumok. átlag. 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% (cm)
Normális eloszlás sűrűségfüggvénye STATISZTIKA 9. gyakorlat Konfidencia intervallumok f σ π ( µ ) σ ( ) = e /56 p 45% 4% 35% 3% 5% % 5% % 5% Normális eloszlás sűrűségfüggvénye % 46 47 48 49 5 5 5 53 54
RészletesebbenPasszív és aktív aluláteresztő szűrők
7. Laboratóriumi gyakorlat Passzív és aktív aluláteresztő szűrők. A gyakorlat célja: A Micro-Cap és Filterlab programok segítségével tanulmányozzuk a passzív és aktív aluláteresztő szűrők elépítését, jelátvitelét.
Részletesebbenπ π A vivőhullám jelalakja (2. ábra) A vivőhullám periódusideje T amplitudója A az impulzus szélessége szögfokban 2p. 2p [ ]
Pulzus Amplitúdó Moduláció (PAM) A Pulzus Amplitúdó Modulációról abban az esetben beszélünk, amikor egy impulzus sorozatot használunk vivőhullámnak és ezen a vivőhullámon valósítjuk meg az amplitúdómodulációt
Részletesebben