ODHADY VARIABILITY POSLOUPNOSTÍ
|
|
- Zdeněk Konečný
- před 5 lety
- Počet zobrazení:
Transkript
1 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU ODHADY VARIABILITY POSLOUPNOSTÍ NEURONOVÝCH IMPULSŮ Kamil Rajdl Úsav maemaiky a saisiky Přírodovědecká fakula MU Maemaické modely a aplikace září 213
2 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU INFORMACE V POSLOUPNOSTECH IMPULSŮ Kódování: inenzia, variabilia? :.: 1: 2:
3 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU NEURONOVÁ DATA A) n (krákých) B) Jeden (dlouhý) záznam: záznamů: 1) 2) N 1 T1 1 T2 1 N 2 T1 2 T2 2 T3 2 T 1 T 2 T 3 T 4 T T 6 T 7 T n τ N 1 N 2 N 3 N 4 N n N n n) T1 n T2 n A) Muliple rials (n 1) n = τ B) Single spike rain
4 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU MÍRY VARIABILITY Míry variabiliy Variační koeficien (CV) - variabilia délek meziimpulsových inervalů (ISIs) Var(T) s 2 CV =, ĈV = T E(T) T Fano facor (FF) - variabilia poču impulsů FF = lim FF Var(N ) = lim E(N ), FF = s2 N N
5 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU MODEL ISIS Jako model posloupnosí impulsů uvažujeme rovnovážný proces obnovy. Tedy meziimpulsové inervaly jsou IID náhodné veličiny (T) s husoou f (). Doba do prvního impulsu (T ) - forward recurrence ime. N T T 1 T 2 T 3 T 4 Pro ISIs splňující podmínky procesu obnovy plaí FF = CV 2 (1)
6 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU PROBLÉMY ODHADŮ N T T 1 T 2 T 3 T 4 CV - ISIs jsou cenzorované pro malé. FF - rychlos konvergence FF k FF. Rozdíl FF FF je (asympoické) vychýlení odhadu FF. Jak malé lze zvoli? Jaké je nejvhodnější v případě jednoho záznamu?
7 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU PRŮBĚH FF lim FF = 1, lim FF = CV 2, FF = 1 { 1 + L{f }(s) L 1 s 2 [1 L{f }(s)] f () = lim dff d } () = 1 E(T). E(T), (2)
8 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU PRŮBĚH FF 4 FF, Gamma FF = 4 3 FF = 4 Gamma pdf 2 FF = 2 2 FF 1. FF = 1 f() FF =. 1 FF = 2 FF = 1 FF =. FF =.2 FF FF, IG FF =.2 FF = 4 FF = 2 FF = 1 FF =. f() FF = 4 IG pdf FF = 2 FF = 1 FF =. FF =.2 FF =
9 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU SEGMENTACE DLOUHÉHO ZÁZNAMU N 1 N 2 N 3 N 4 N n (n 1) n = τ Způsob segmenace (délky inervalů) neuronového záznamu má vliv na chybu odhadu FF = s 2 N /N : zmenšení vzrůs vychýlení (Bias( FF)), zvěšení vzrůs rozpylu (Var( FF)). Exisuje, keré minimalizuje sřední kvadraickou chybu, MSE( FF) = E( FF FF) 2 = Bias 2 ( FF) + Var( FF).
10 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU MEAN SQUARE ERROR - SIMULACE Relaive MSE [%] Gamma, FF = Relaive MSE [%] Gamma, FF = Relaive MSE [%] Gamma, FF = IG, FF =. IG, FF = 1 4 IG, FF = 2 Relaive MSE [%] Relaive MSE [%] Relaive MSE [%] E(T) = 1, τ = 1.
11 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU MEAN SQUARE ERROR - APROXIMACE MSE( FF) = Bias 2 ( FF) + Var( FF) [ ] 1 2 [ )] E(T)G(T) + E2 (T) 2 2 n 1 + E2 (T) (G(T) n 2 + CV2 E(T) ] 2 [G(T) + CV2 E(T), pro, n, (3) kde G(T) = 1 2 (1 + CV2 ) 2 1 E(T 3 ) 3 E 3 (T).
12 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU MEAN SQUARE ERROR - APROXIMACE Relaive MSE [%] Gamma, FF = Relaive MSE [%] Gamma, FF = Relaive MSE [%] Gamma, FF = IG, FF =. IG, FF = 1 4 IG, FF = 2 Relaive MSE [%] Relaive MSE [%] Relaive MSE [%] E(T) = 1, τ = 1.
13 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU POUŽITÍ, PROBLÉMY Problémy přímé minimalizace MSE( FF): Neznámé hodnoy E(T), CV, E(T 3 ). Minima příliš blízko pro FF 1. Odhadneme přibližné hodnoy a minimalizujeme případně max{mse( FF); CV I}, max{mse( FF); CV I, E(T 3 ) J}, pro vhodné inervaly I, J. Tedy o = min > max{mse( FF); CV I, E(T 3 ) J}.
14 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU PŘÍKLAD MINIMALIZACE Poissonův proces (FF = 1): Relaive MSE [%] τ = Relaive MSE [%] τ = FF FF
15 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU ZÁVISLOST ODHADU NA POSUNUTÍ INTERVALŮ Po volbě lze inervaly před výpočem odhadu ješě posunou o [, ]. 1.1 Zavislos FF na FF FF in = 1 FF( )d
16 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU ZÁVISLOST ODHADU NA POSUNUTÍ INTERVALŮ Tao modifikace snižuje rozpyl odhadu. Variance of FF and FFin FF =., E(T) =1, = Gamma, FF Gamma, FFin IG, FF IG, FFin Variance of FF and FFin FF = 2, E(T) =1, = Gamma, FF Gamma, FFin IG, FF IG, FFin τ τ
17 ÚVOD MÍRY VARIABILITY, ODHADY VLASTNOSTI FF SEGMENTACE ZÁZNAMU MINIMALIZACE MSE SNÍŽENÍ ROZPTYLU Děkuji za pozornos.
Volba vhodného modelu trendu
8. Splinové funkce Trend mění v čase svůj charaker Nelze jej v sledovaném období popsa jedinou maemaickou křivkou aplikace echniky zv. splinových funkcí: o Řadu rozdělíme na několik úseků o V každém úseku
VíceNUMP403 (Pravděpodobnost a Matematická statistika II) 1. Na autě jsou prováděny dvě nezávislé opravy a obě opravy budou hotovy do jedné hodiny.
Spojiá rozdělení I.. Na auě jou prováděny dvě nezávilé opravy a obě opravy budou hoovy do jedné hodiny. Předpokládejme, že obě opravy jou v akové fázi, že rozdělení čau do ukončení konkréní opravy je rovnoměrné.
Vícelistopadu 2016., t < 0., t 0, 1 2 ), t 1 2,1) 1, 1 t. Pro X, U a V najděte kvantilové funkce, střední hodnoty a rozptyly.
6. cvičení z PSI 7. -. lisopadu 6 6. kvanil, sřední hodnoa, rozpyl - pokračování příkladu z minula) Náhodná veličina X má disribuční funkci e, < F X ),, ) + 3,,), a je směsí diskréní náhodné veličiny U
VícePřijímací zkouška na navazující magisterské studium 2016
Přijímací zkouška a avazující magiserské sudium 2016 Sudijí program: Sudijí obor: Maemaika Fiačí a pojisá maemaika Variaa A Řešeí příkladů pečlivě odůvoděe. Věuje pozoros ověřeí předpokladů použiých maemaických
Více4EK211 Základy ekonometrie
4EK Základy ekonomerie Heeroskedasicia Cvičení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = 0 náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
VíceSkupinová obnova. Postup při skupinové obnově
Skupinová obnova Při skupinové obnově se obnovují všechny prvky základního souboru nebo určiá skupina akových prvků najednou. Posup při skupinové obnově prvky, jež selžou v určiém období, je nuno obnovi
VíceT t. S t krátkodobé náhodná složka. sezónní. Trend + periodická složka = deterministická složka
Analýza časových řad Klasický přísup k analýze ČŘ dekompozice časové řady - rozklad ČŘ na složky charakerizující různé druhy pohybů v ČŘ, keré umíme popsa a kvanifikova rend periodické kolísání cyklické
VíceDemografické projekce počtu žáků mateřských a základních škol pro malé územní celky
Demografické projekce poču žáků maeřských a základních škol pro malé územní celky Tomáš Fiala, Jika Langhamrová Kaedra demografie Fakula informaiky a saisiky Vysoká škola ekonomická v Praze Pořebná daa
VíceNávrhy experimentů v neparametrické regresi
Návrhy eperimentů v neparametrické regresi Zdeněk Hlávka Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky 2.5.2012 Zdeněk Hlávka (KPMS MFF UK)
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceIMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA,
IMPULSNÍ A PŘECHODOVÁ CHARAKTERISTIKA, STABILITA. Jednokový impuls (Diracův impuls, Diracova funkce, funkce dela) někdy éž disribuce dela z maemaického hlediska nejde o pravou funkci (přesný popis eorie
VíceZadání Máme data hdp.wf1, která najdete zde: Bodová předpověď: Intervalová předpověď:
Predikce Text o predikci pro upřesnění pro ty, které zajímá, kde se v EViews všechna ta čísla berou. Ruční výpočty u průběžného testu nebudou potřeba. Co bude v závěrečném testu, to nevím. Ale přečíst
VíceVýkonnost a spolehlivost číslicových systémů
Výkonnos a spolehlivos číslicových sysémů Úloha Generování a zpracování náhodných čísel Zadání 9 Trojúhelníkové rozdělení Jan Kupka A65 kupka@sudens.zcu.cz . Zadání vyvoře generáor rozdělení jako funkci
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceStatistická analýza dat
Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte
VíceAnalýza časových řad. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Analýza časových řad Informační a komunikační echnologie ve zdravonicví Definice Řada je posloupnos hodno Časová řada chronologicky uspořádaná posloupnos hodno určiého saisického ukazaele formálně je realizací
VíceKvadratické rovnice a jejich užití
Kvadraické rovnice a jejich užií Určeno udenům ředního vzdělávání mauriní zkouškou, první ročník, okruh Rovnice a nerovnice Pracovní li vyvořil: Mgr. Helena Korejková Období vyvoření VM: proinec 2012 Klíčová
VíceNA POMOC FO. Pád vodivého rámečku v magnetickém poli
NA POMOC FO Pád vodivého rámečku v maneickém poli Karel auner *, Pedaoická akula ZČU v Plzni Příklad: Odélníkový rámeček z vodivého dráu má rozměry a,, hmonos m a odpor. Je zavěšen ve výšce h nad horním
VíceParciální funkce a parciální derivace
Parciální funkce a parciální derivace Pro sudeny FP TUL Marina Šimůnková 19. září 2018 1. Parciální funkce. Příklad: zvolíme-li ve funkci f : (x, y) sin(xy) pevnou hodnou y, například y = 2, dosaneme funkci
VíceTeorie obnovy. Obnova
Teorie obnovy Meoda operačního výzkumu, kerá za pomocí maemaických modelů zkoumá problémy hospodárnosi, výměny a provozuschopnosi echnických zařízení. Obnova Uskuečňuje se až po uplynuí určiého času činnosi
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 5 Aproximační techniky 2012 Spolehlivost
VíceFINANČNÍ MATEMATIKA- ÚVĚRY
Projek ŠABLONY NA GVM Gymnázium Velké Meziříčí regisrační číslo projeku: CZ.1.07/1.5.00/4.0948 IV- Inovace a zkvalinění výuky směřující k rozvoji maemaické gramonosi žáků sředních škol FINANČNÍ MATEMATIKA-
VíceVyužijeme znalostí z předchozích kapitol, především z 9. kapitoly, která pojednávala o regresní analýze, a rozšíříme je.
Pravděpodobnos a saisika 0. ČASOVÉ ŘADY Průvodce sudiem Využijeme znalosí z předchozích kapiol, především z 9. kapioly, kerá pojednávala o regresní analýze, a rozšíříme je. Předpokládané znalosi Pojmy
VíceSP2 01 Charakteristické funkce
SP 0 Chararisicé func Chararisicé func pro NP Chararisicé func pro NV Náhld Náhodnou proměnnou, nbo vor, L, n lz popsa funčními chararisiami: F, p, f číslnými chararisiami: E, D, A, A 4 Co s dá z čho spočía:
VíceModely selektivní interakce a jejich aplikace
Modely selektivní interakce a jejich aplikace Marie Leváková Ústav matematiky a statistiky Přírodovědecká fakulta Masarykovy univerzity 5. 9. 2013 Marie Leváková (PřF MU) Modely selektivní interakce a
VíceHODNOCENÍ EXPOZICE V OKOLÍ PŘÍSTROJŮ IPL. Pavel Buchar
HODNOCENÍ EXPOZICE V OKOLÍ PŘÍSTROJŮ IPL Pavel Buchar elmag@szu szu.cz OSNOVA Veličiny a limiy Výpočy Závěr ZÁŘ VELIČINY HUSTOTA ZÁŘIVÉHO TOKU EXPOZICE ZÁŘENÍ ( dávka, fluence fluence ) L [W/m 2 sr] E
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceVýpočty populačních projekcí na katedře demografie Fakulty informatiky a statistiky VŠE. TomášFiala
Výpočy populačních projekcí na kaedře demografie Fakuly informaiky a saisiky VŠE TomášFiala 1 Komponenní meoda s migrací Zpravidla zjednodušený model migrace předpokládá se pouze imigrace na úrovni migračního
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceZpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
VíceStatistické metody v digitálním zpracování obrazu. Jindřich Soukup 3. února 2012
Statistické metody v digitálním zpracování obrazu Jindřich Soukup 3. února 2012 Osnova Úvod (Neparametrické) odhady hustoty pravděpodobnosti Bootstrap Použití logistické regresi při klasifikaci Odhady
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceChyba predikce při rezervování metodou Chain Ladder u korelovaných vývojových trojúhelníků
Chyba predikce při rezervování metodou Chain Ladder u korelovaných vývojových trojúhelníků Mgr. Marcela Martinů 13. května 2016 5/13/2016 0 Obsah 1. Úvod a. Motivace a cíle b. Základní metody 2. Rozšířená
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 010 1.týden (0.09.-4.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceVliv funkce příslušnosti na průběh fuzzy regulace
XXVI. ASR '2 Seminar, Insrumens and Conrol, Osrava, April 26-27, 2 Paper 2 Vliv funkce příslušnosi na průběh fuzzy regulace DAVIDOVÁ, Olga Ing., Vysoké učení Technické v Brně, Fakula srojního inženýrsví,
VíceSysté my, procesy a signály I. Vypoč těte normovanou energii signálů na obr.1.26 v č asovém intervalu T = 1ms: -1V. f) 1V
NEŘ EŠENÉPŘ ÍKLADY r 1.7. Vypoč ěe normovanou energii signálů na obr.1.6 v č asovém inervalu T = : a) g) b) ) c) - + i) - d) T - j) T - sin( Ω ) T 4 T T e) k) sin ( Ω ) T 4 T T f) l) cos( Ω ) 4 T T Obr.1.6.
VíceV tabulce jsou uvedeny roční náklady na údržbu (v dolarech) a cena domu (v tis. dolarů).
1. Příklad V tabulce jsou uvedeny roční náklady na údržbu (v dolarech) a cena domu (v tis. dolarů). Náklady 835 63 240 1005 184 213 313 658 195 545 Cena 136 24 52 143 42 43 67 106 61 99 a.) Modelujte závislost
VíceBAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír
VíceDetekce a stanovení aktivity 90 Sr ve vzorcích životního prostředí měřením brzdného záření
Cerifikovaná meodika Deekce a sanovení akiviy 90 Sr ve vzorcích živoního prosředí Vypracoval Ing. Karin Fanínová Výsledek projeku Bezpečnosního výzkumu České republiky, Projek MV ČR BV Výzkum pokročilých
VíceMatematika v automatizaci - pro řešení regulačních obvodů:
. Komplexní čísla Inegrovaná sřední škola, Kumburská 846, Nová Paka Auomaizace maemaika v auomaizaci Maemaika v auomaizaci - pro řešení regulačních obvodů: Komplexní číslo je bod v rovině komplexních čísel.
VíceStochastické modelování úrokových sazeb
Sochasické modelování úrokových sazeb Michal Papež odbor řízení rizik 1 Sochasické modelování úrokových sazeb OBSAH PŘEDNÁŠKY Úvod do problemaiky sochasických procesů Brownův pohyb, Wienerův proces Ioovo
VíceUMĚLÉ NEURONOVÉ SÍTĚ V CHEMII
UMĚLÉ NEURONOVÉ SÍTĚ V CHEMII doc. RNDr. Vlasimil Dohnal, Ph.D. Podpora přednášky kurzu Mezioborové dimenze vědy doc. RNDr. Vlasimil Dohnal, Ph.D. Kaedra chemie PřF UHK Příklady aplikací ANN QSAR a QSPR
VíceINTERVALOVÉ ODHADY PARAMETRŮ ZÁKLADNÍHO SOUBORU
INTERVALOVÉ ODHADY PARAMETRŮ ZÁKLADNÍHO SOUBORU Interval spolehlivosti pro parametr τ při hladině významnosti α (0,1) je určen statistikami T 1 a T 2 :. P T τ T =1-α ( ) 1 2 X toto je bodový odhad neznámé
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceMATEMATIKA II V PŘÍKLADECH
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ MATEMATIKA II V PŘÍKLADECH CVIČENÍ Č. Ing. Pera Schreiberová, Ph.D. Osrava 0 Ing. Pera Schreiberová, Ph.D. Vysoká škola báňská Technická
VícePravděpodobnost a statistika
Pravděpodobnost a statistika Diskrétní rozdělení Vilém Vychodil KMI/PRAS, Přednáška 6 Vytvořeno v rámci projektu 2963/2011 FRVŠ V. Vychodil (KMI/PRAS, Přednáška 6) Diskrétní rozdělení Pravděpodobnost a
VíceZákladní statistické metody v rizikovém inženýrství
Základní statistické metody v rizikovém inženýrství Petr Misák Ústav stavebního zkušebnictví Fakulta stavební, VUT v Brně misak.p@fce.vutbr.cz Základní pojmy Jev souhrn skutečností zobrazujících ucelenou
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 4
Pravděpodobnost a statistika (BI-PST) Cvičení č. 4 J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení technické v Praze ZS 2014/2015
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2010/2011 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceZákony hromadění chyb.
Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky
Více1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.
2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK
ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz POPISNÉ STATISTIKY - OPAKOVÁNÍ jedna kvalitativní
VíceLimitní věty teorie pravděpodobnosti. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jestliže opakujeme nezávisle nějaký pokus, můžeme z pozorovaných hodnot sestavit rozdělení relativních četností
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceÚstav matematiky a statistiky Masarykova univerzita Brno. workshopy Finanční matematika v praxi III Matematické modely a aplikace Podlesí
Ústav matematiky a statistiky Masarykova univerzita Brno workshopy Finanční matematika v praxi III Matematické modely a aplikace Podlesí 3. 6. září 2013 Obsah 1 2 3 4 y Motivace y 10 0 10 20 30 40 0 5
VíceZákladní terminologické pojmy (Mezinárodní metrologický slovník VIM3)
Základní terminologické pojmy (Mezinárodní metrologický slovník VIM3) Přesnost a správnost v metrologii V běžné řeči zaměnitelné pojmy. V metrologii a chemii ne! Anglický termín Measurement trueness Measurement
VíceScenario analysis application in investment post audit
6 h Inernaional Scienific Conference Managing and Modelling of Financial Risks Osrava VŠB-U Osrava, Faculy of Economics,Finance Deparmen 0 h h Sepember 202 Scenario analysis applicaion in invesmen pos
VíceKmitání tělesa s danou budicí frekvencí
EVROPSKÝ SOCIÁLNÍ FOND Kmiání ělesa s danou budicí frekvencí PRAHA & EU INVESTUJEME DO VAŠÍ BUDOUCNOSTI České vysoké učení echnické v Praze, Fakula savební, Kaedra maemaiky Posílení vazby eoreických předměů
VíceNeparametrické odhady podmíněné rizikové funkce
Ústav matematiky a statistiky Přírodovědecká fakulta Masarykova univerzita Finanční matematika v praxi III a Matematické modely a aplikace 3.-6. září 2013 Obsah 1 Analýza přežití Funkce přežití a riziková
VíceModely diskrétní náhodné veličiny. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Po(λ) je možné použít jako model náhodné veličiny, která nabývá hodnot 0, 1, 2,... a udává buď počet událostí,
Více5EN306 Aplikované kvantitativní metody I
5EN306 Aplikované kvantitativní metody I Přednáška 5 Zuzana Dlouhá Předmět a struktura kurzu 1. Úvod: struktura empirických výzkumů 2. Tvorba ekonomických modelů: teorie 3. Data: zdroje a typy dat, význam
Více(Poznámka: V MA 43 je věta formulována trochu odlišně.)
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy: zúplnění prostoru funkcí přibližné řešení minim. úlohy metoda konečných prvků jiný pohled na zobecněné řešení stejný způsob numerické aproximace
VíceMENDELOVA ZEMĚDĚLSKÁ A LESNICKÁ UNIVERZITA V BRNĚ
MENDELOVA ZEMĚDĚLSKÁ A LESNICKÁ UNIVERZITA V BRNĚ PROVOZNĚ EKONOMICKÁ FAKULTA DEMOGRAFICKÁ DYNAMIKA OBYVATELSTVA ČESKÉ REPUBLIKY Bakalářská práce Vypracovala: Jana Horníčková Vedoucí bakalářské práce:
VíceANALÝZA ČASOVÝCH ŘAD IVAN KŘIVÝ OSTRAVA URČENO PRO VZDĚLÁVÁNÍ V AKREDI TOVANÝCH STUDIJ NÍCH PROGRAMECH
ANALÝZA ČASOVÝCH ŘAD URČENO PRO VZDĚLÁVÁNÍ V AKREDI TOVANÝCH STUDIJ NÍCH PROGRAMECH IVAN KŘIVÝ ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.07 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST OPATŘENÍ:
Více3. Přednáška: Line search
Úloha: 3. Přednáška: Line search min f(x), x R n kde x R n, n 1 a f : R n R je dvakrát spojitě diferencovatelná. Iterační algoritmy: Začínám v x 0 a vytvářím posloupnost iterací {x k } k=0, tak, aby minimum
VíceFyzikální korespondenční seminář MFF UK
Úloha V.E... sladíme 8 bodů; průměr 4,65; řešilo 23 sudenů Změře závislos eploy uhnuí vodného rozoku sacharózy na koncenraci za amosférického laku. Pikoš v zimě sladil chodník. eorie Pro vyjádření koncenrace
Více( ) Základní transformace časových řad. C t. C t t = Μ. Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1
Makroekonomická analýza Popisná analýza ekonomických časových řad (ii) 1 Základní ransformace časových řad Veškeré násroje základní korelační analýzy, kam paří i lineární regresní (ekonomerické) modely
VíceOdhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára
Odhady parametrů základního souboru Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára Motivační příklad Mám průměrné roční teploty vzduchu z 8 stanic
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
VíceSmíšené regresní modely a možnosti jejich využití. Karel Drápela
Smíšené regresní modely a možnosti jejich využití Karel Drápela Regresní modely Základní úloha regresní analýzy nalezení vhodného modelu studované závislosti vyjádření reálného tvaru závislosti minimalizace
Více17. Posloupnosti a řady funkcí
17. Posloupnosti a řady funkcí Aplikovaná matematika III, NMAF073 M. Rokyta, KMA MFF UK ZS 2011/12 17.1 Stejnoměrná konvergence posloupnosti funkcí Definice Necht M je množina, f, f n : M R m, m, n N.
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipa.cz Pravděpodobnost a matematická statistika 2010 1.týden 20.09.-24.09. Data, tp dat, variabilita, frekvenční analýza histogram,
VíceVÝVOJ PLODNOSTI VE STÁTECH A REGIONECH EVROPSKÉ UNIE PO ROCE 1991
UNIVERZITA KARLOVA V PRAZE PŘÍRODOVĚDECKÁ FAKULTA KATEDRA DEMOGRAFIE A GEODEMOGRAFIE VÝVOJ PLODNOSTI VE STÁTECH A REGIONECH EVROPSKÉ UNIE PO ROCE 1991 Seminář mladých demografů Proměny demografického chování
VíceNeuronové sítě AIL002. Iveta Mrázová 1 František Mráz 2. Neuronové sítě. 1 Katedra softwarového inženýrství. 2 Kabinet software a výuky informatiky
Neuronové sítě AIL002 Iveta Mrázová 1 František Mráz 2 1 Katedra softwarového inženýrství 2 Kabinet software a výuky informatiky Do LATEXu přepsal: Tomáš Caithaml Učení s učitelem Rozpoznávání Použití:
VíceStatika 1. Miroslav Vokáč ČVUT v Praze, Fakulta architektury. Statika 1. M. Vokáč. Plocha.
Saika 1 Saika 1 2. přednáška ové veličin Saický momen Těžišě Momen servačnosi Hlavní ěžiš ové os a hlavní cenrální momen servačnosi Elipsa servačnosi Miroslav Vokáč miroslav.vokac@klok.cvu.cz Konrolní
VíceTématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky bakalářské studium studijní obor "Management jakosti" školní rok 2013/2014 Management jakosti A 1. Pojem jakosti a význam managementu jakosti v současném období.
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
VíceStochastické signály (opáčko)
Stochastické signály (opáčko) Stochastický signál nemůžeme popsat rovnicí, ale pomocí sady parametrů. Hodit se bude statistika a pravděpodobnost (umíte). Tohle je jen miniminiminiopáčko, později probereme
Více(motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination.
Neparametricke testy (motto: An unsophisticated forecaster uses statistics as a drunken man uses lamp-posts - for support rather than for illumination. Andrew Lang) 1. Příklad V následující tabulce jsou
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceSLOVNÍ ÚLOHY VEDOUCÍ K ŘEŠENÍ KVADRATICKÝCH ROVNIC
Projek ŠABLONY NA GVM Gymnázium Velké Meziříčí regisrační číslo projeku: CZ..0/.5.00/4.0948 IV- Inovace a zkvalinění výuky směřující k rozvoji maemaické gramonosi žáků sředních škol SLOVNÍ ÚLOHY VEDOUCÍ
VíceCvičení 3. Posudek únosnosti ohýbaného prutu. Software FREET Simulace metodou Monte Carlo Simulace metodou LHS
Spolehlivost a bezpečnost staveb, 4. ročník bakalářského studia (všechny obory) Cvičení 3 Posudek únosnosti ohýbaného prutu Software FREET Simulace metodou Monte Carlo Simulace metodou LHS Katedra stavební
VíceStatistická analýza dat v psychologii. Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead
PSY117/454 Statistická analýza dat v psychologii Přednáška 8 Statistické usuzování, odhady Věci, které můžeme přímo pozorovat, jsou téměř vždy pouze vzorky. Alfred North Whitehead Barevná srdíčka kolegyně
VíceCvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS
Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 9 Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET Software FREET Simulace metodou LHS
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceNumerická integrace. b a. sin 100 t dt
Numerická inegrace Mirko Navara Cenrum srojového vnímání kaedra kyberneiky FEL ČVUT Karlovo náměsí, budova G, mísnos 14a hp://cmpfelkcvucz/~navara/nm 1 lisopadu 18 Úloha: Odhadnou b a f() d na základě
VíceSTATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a
Více6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.
6. ZÁKLADY STATIST. ODHADOVÁNÍ X={X 1, X 2,..., X n } výběr z rozdělení s F (x, θ), θ={θ 1,..., θ r } - vektor reálných neznámých param. θ Θ R k. Θ parametrický prostor. Dva základní způsoby odhadu neznámého
Více(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
VíceBiologické modely. Robert Mařík. 9. listopadu Diferenciální rovnice 3. 2 Autonomní diferenciální rovnice 8
Biologické modely Rober Mařík 9. lisopadu 2008 Obsah 1 Diferenciální rovnice 3 2 Auonomní diferenciální rovnice 8 3 onkréní maemaické modely 11 Dynamická rovnováha poču druhů...................... 12 Logisická
VíceNumerické integrace některých nediferencovatelných funkcí
Numerické integrace některých nediferencovatelných funkcí Ústav matematiky a biomatematiky Přírodovědecká fakulta Jihočeské univerzity v Českých Budějovicích 2. prosince 2014 Školitel: doc. Dr. rer. nat.
VíceJevy a náhodná veličina
Jevy a náhodná veličina Výsledky některých jevů jsou vyjádřeny číselně -na hrací kostce padne číslo 1, 4, 6.., jiným jevům můžeme čísla přiřadit (stupeň školního vzdělání: ZŠ, SŠ, VŠ) Data jsme rozdělili
VíceVstupní tok požadavků
Vsupní o požadavů Bodový proces, záladní ypy procesů Bodový proces Sledujeme chod určiého procesu, v němž čas od času dochází jisé význačné událosi posloupnos časových oamžiů = 1 3 4 proces deerminován
Více