Příprava dat. 1. Strukturovaná data. časová data (např. časové řady kurzů akcií)
|
|
- Silvie Brožová
- před 5 lety
- Počet zobrazení:
Transkript
1 Příprava dat vybrat (ebo vytvořit) z dostupých dat ty údaje, teré jsou reevatí pro zvoeou úohu dobýváí zaostí, reprezetovat tyto údaje v podobě, terá je vhodá pro zpracováí zvoeým agoritmem. 1. Struturovaá data časová data (apř. časové řady urzů acií) y(t) y t 0 t 1 t 2 t 3 t 4 t 5 t 6 t 7... t Obr. 1 Původí časová řada vstupy výstup y(t 0 ) y(t 1 ) y(t 2 ) y(t 3 ) y(t 4 ) y(t 1 ) y(t 2 ) y(t 3 ) y(t 4 ) y(t 5 ) y(t 2 ) y(t 3 ) y(t 4 ) y(t 5 ) y(t 6 )... P. Bera, /14
2 prostorová data (apř. geograficé iformačí systémy) struturáí data (apř. chemicé součeiy) atom('tr000','tr000_1'). eemet('tr000_1',c). atom('tr000','tr000_2'). eemet('tr000_2',c). atom('tr000','tr000_3'). eemet('tr000_3',c). atom('tr000','tr000_4'). eemet('tr000_4',c). atom('tr000','tr000_5'). eemet('tr000_5',h). bod('tr000','tr000_1_2'). coected('tr000_1','tr000_2','tr000_1_2'). coected('tr000_2','tr000_1','tr000_1_2'). bod_type('tr000_1_2',-). bod('tr000','tr000_2_3'). coected('tr000_2','tr000_3','tr000_2_3'). coected('tr000_3','tr000_2','tr000_2_3').... Reace (fata v Proogu) P. Bera, /14
3 grafy graf reprezetová sezamem hra spojujících dva uzy (adjacecy matrix - matice sousedosti) texty text reprezetová sezamem sov v doumetu (bagof-words, vetorový mode) P. Bera, /14
4 2. Více vzájemě propojeých tabue vztah 1:1 jeda etita prví reace je svázáa s jedou etitou druhé reace (osoba, trvaé bydiště) ze převzít přímo vztah 1: jeda etita jedé reace je svázáa s více etitami druhé reace (otec, dítě) agregovat hodoty vztah :m ěoia etitám z prví reace odpovídá jeda etita z druhé reace a současě ěoia etitám druhé reace odpovídá jeda etita prví reace (iet, účet) pomocá reace s vazbou :1 a 1:m 3. Odvozeé atributy P. Bera, /14
5 4. Příiš moho objetů použít je určitý vzore (sampe) vybraý z ceých dat, áhodý výběr stratifiovaý výběr ve vzoru je stejé rozděeí příadů do tříd jao v ceých datech oversampig ve vzoru se preferují příady miorití třídy SAS EM demo použít taový způsob uožeí dat, terý by umoži přístup e všem objetům, aiž by je ceé uáda do operačí paměti, vytvořit více modeů a záadě podmoži objetů a modey poté zombiovat P. Bera, /14
6 5. Příiš moho atributů trasformace - z existujících atributů vytvoříme meší počet atributů ových, seece - z existujících atributů vybereme je ty ejdůežitější automaticá seece: aezeí atributů, teré ejépe přispějí e asifiaci objetů do tříd metoda fitru fiter approach metoda obáy wrapper approach metoda fitru výpočet hodoty ritéria a záadě otigečí tabuy C(v 1 ) C(v 2 ). C(v S ) A(v 1 ) a 11 a 12. a 1S r 1 A(v 2 ) a 21 a 22. a 2S r 2 : : : : : : : : : : A(v R ) a R1 a R2. a RS r R s 1 s 2. s S P. Bera, /14
7 1. χ 2 (maximaizovat) 2 = R 1 S 1 a e e 2 R 1 S 1 a r r s s 2 2. etropie H(A) (miimaizovat) H(A) = R =1 r H(A(v )), de H(A(v )) - S =1 a r og a r 3. iformačí míra závisosti ID(A,C) (maximaizovat) ID(A, C) = MI(A, C) H(C) - MI(A, C) S =1 s s og, de vzájemá iformace MI(A,C) je MI(A, C) = R =1 S =1 P(A(v 1 ) R =1 C(v S =1 P(A(v ))og P(A(v a og a r ) s C(v ))P(C(v. )) ) R =1 S =1 a og a r s P. Bera, /14
8 pro možiu atributů: ID((A 1,...,A d ),C) MI((A 1,...,A H(C) d ),C) přidáváí: ID((A 1 A 2 ),C) = max x ID((A 1 A x 2 ),C). odstraňováí: ID((A 1 \ A 2 ),C) = max x ID((A 1 \ A x 2 ),C). P. Bera, /14
9 6. Numericé atributy disretizace bez ohedu a třídu evidistatí evifrevečí disretizace s přihédutím třídě počet itervaů (biarizace ebo více itervaů) ritérium vaity (miimum asifiačí chyby, etropie, míra iformace ) strategie prohedáváí (rozděováí vs. spojováí it) typ itervaů (crisp vs. fuzzy) počet zpracovávaých atributů (jede vs. více) P. Bera, /14
10 Fayyad, Irai (1993) Zis(A It, ) = H(A(It)) - H(A ) H(A(It)) = - T t=1 t ( A(It)) t ( A(It)) og (A(It)) (A(It)), H(A ) = (A(< )) (A(It)) H(A(< )) + (A(> )) (A(It)) H(A(v> )) Agoritmus Fayyad, Irai 1. uspořádej tréovací data vzestupě pode hodoty disretizovaého atributu 2. reurzivě biarizuj atuáí iterva It ta, že 2.1. ajdi ejvhodější děící bod a urči pro ěj Zis(A It, ) 2.2. je-i Zis(A It, ) > og 2(-1) A (It, ) rozdě iterva It a itervay It < a It > poračuj v reurzi P. Bera, /14
11 Lee, Shi (1994) E(It) = [ t ( p(cass t ) - p(cass t It) ) 2 ] 1/2 E( ) = [ t ( p(cass t A(< )) - p(cass t A(> )) ) 2 ] 1/2 Agoritmus Lee, Shi Iiciaizace 1. uspořádej tréovací data vzestupě pode hodoty disretizovaého atributu 2. pro aždý děící bod i = (a i + a i+1 )/ vytvoř iterva It i = [ i, i+1] 2.2. spočítej E(It i ) a E( i ) Haví cyus 1. doud eí dosaže požadovaý počet itervaů 1.1. ajdi mi taové, že E( mi ) = mi i E( i ) 1.2. vytvoř iterva It mi = [ mi-1, mi] [ mi, mi+1] 1.3. spočítej E(It mi ), E( mi-1 ) a E( mi+1 ) P. Bera, /14
12 Bera (1993) Agoritmus disretizace 1. vzestupě uspořádej hodoty umericého atributu A; 2. pro aždou hodotu a i 2.1. LBoud i := (a i-1 +a i )/2, UBoud i := (a i +a i+1 )/ spočítej četosti jedotivých tříd a uož maximáí četost do maxfreq; 2.3. přiřaď ód třídy aždé hodotě procedurou ASSIGN; 3. vytvoř itervay hodot procedurou INTERVAL; ASSIGN: //aždá podmožia možiy hodot cíového atributu má svůj ód ód = 0 for = 1 to No_of_casses if (a) = maxfreq the ód = ód + 2 // (a) je počet příadů s hodotou a patřících do třídy INTERVAL: 1. vytvoř iterva INT = [LBoud, UBoud] pro seveci hodot se stejým ód 2. if FuMerge= YES the 2.1 pro aždý iterva INT i if INT i emá žádou majorití třídu //tedy abe 2 x the vytvoř iterva INT i-1 INT i ebo INT i or INT i INT i+1 ta, aby spojeý iteva ezvyšova miimáí chybu fuzzy disretizace P. Bera, /14
13 7. Kategoriáí atributy sesupováí hodot ručí pode četostí pode tříd Agoritmus sesupováí 1. pro aždou hodotu a i 1.1. spočítej četosti jedotivých tříd a uož maximáí četost do maxfreq 1.2. přiřaď ód třídy aždé hodotě procedurou ASSIGN; 2. vytvoř supiy hodot procedurou GROUP; ASSIGN: //aždá podmožia možiy hodot cíového atributu má svůj ód ód = 0 for = 1 to No_of_casses if (a) = maxfreq the ód = ód + 2 // (a) je počet příadů s hodotou a patřících do třídy GROUP: 1. vytvoř supiu pro všechy hodoty se stejým ód; 2. if FuMerge= YES the 2.1. vzestupě uspořádej supiy s jedou majorití třídou do sezamu A 2.2. vzestupě uspořádej supiy s vice majoritími třídami do sezamu B 2.3. repeat uti aždá supia v sezamu B bya zpracováa vezmi prví supiu ze sezamu B //supiu s ejižší četostí přidej tuto supiu e supiě ze sezamu A ta aby se ezvýšia chyba asifiace přeuspořádej sezam A ódováí čísy (+ biarizace) P. Bera, /14
14 8. Chybějící hodoty Typoogie chybějících hodot (Litte, Rubbi, 1987): missig competey at radom missig at radom missig ot at radom Ošetřeí chybějících hodot 1) igorovat objet s ějaou chybějící hodotou, 2) ahradit chybějící hodotu ovou hodotou evím, 3) ahradit chybějící hodotu ěterou z existujících hodot atributu a sice: a) ejčetější hodotou, b) proporcioáím podíem všech hodot, c) ibovoou hodotou, d) prediovaou hodotou P. Bera, /14
Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobýváí zalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iformatiky Matematicko-fyzikálí fakulta Uiverzity Karlovy v Praze Dobýváí zalostí Pokročilé techiky pro předzpracováí dat Doc. RNDr. Iveta
Vícevybrat (nebo vytvořit) z dostupných dat ty údaje, které jsou relevantní pro zvolenou úlohu dobývání znalostí,
7. Příprava dat Příprava (předzpracováí) dat je ejobtížější a časově ejáročější krok ceého procesu dobýváí zaostí z databází. Současě je to ae krok, který má kíčový výzam pro úspěch daé apikace. Je to
VíceRozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj)
Rozhodovací stromy Úloha klasifikace objektů do tříd. Top dow iductio of decisio trees (TDIDT) - metoda divide ad coquer (rozděl a pauj) metoda specializace v prostoru hypotéz stromů (postup shora dolů,
Více2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT
2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic
Vícepravděpodobnostn podobnostní jazykový model
Pokročilé metody rozpozáváířeči Předáška 8 Rozpozáváí s velkými slovíky, pravděpodobost podobostí jazykový model Rozpozáváí s velkým slovíkem Úlohy zaměřeé a diktováíči přepis řeči vyžadují velké slovíky
VíceGeometrické uspořádání koleje
Geoetricé uspořádáí oeje rají přechodice Otto Páše, doc. Ig. Ph.D. Ústav žeezičích ostrucí a staveb Tato prezetace ba vtvoře pro studijí úče studetů. ročíu baaářsého studia oboru ostruce a dopraví stavb
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Více1. Nakreslete všechny kostry následujících grafů: nemá žádnou kostru, roven. roven n,
DSM2 Cv 7 Kostry grafů Defiice kostry grafu: Nechť G = V, E je souvislý graf. Kostrou grafu G azýváme každý jeho podgraf, který má stejou možiu vrcholů a je zároveň stromem. 1. Nakreslete všechy kostry
VíceIAJCE Přednáška č. 12
Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích
Více8.1.2 Vzorec pro n-tý člen
8.. Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Myslím, že jde o jedu z velmi pěých hodi. Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým
Více8.1.2 Vzorec pro n-tý člen
8 Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým příladům z IQ testů, teré studeti zají
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru
SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru
VíceNáhoda. Pravděpodobnost výhry při sázce na barvu: p = 18/37 = 0,486 Průměrný zisk při n sázkách částky č: - n.č + 2.č.n.p = n.č.
Náhoda při i hřeh Martigale: Vsadíšřeěme dolar a barvu, terou si vybereš (červeáči čerá) a budeš stále sázet je a i. Roztočíš ruletu a čeáš Poud prohraješ, zdvojásobíš sázu, taže vsadíš příště dolary.
VíceDoc. Ing. Dagmar Blatná, CSc.
PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj
Více3.3 Soustavy sil a silových momentů. soustava sil a momentů = seskupení sil a momentů sil působících na těleso
3.3 Soustav s a sových oetů soustava s a oetů sesupeí s a oetů s působících a těeso váští případ: svae s (paps všech s soustav se potíají v jedo bodě) soustava ovoběžých s (paps všech s soustav jsou aváje
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor nezávislost, funkce náhodného vektoru
SP Náhodý vetor ezávislost fuce NV PRAVDĚPODONOST A STATISTIKA Náhodý vetor ezávislost fuce áhodého vetoru Libor Žá Náhodý vetor stochasticá ezávislost Náhodé veličiy... defiovaé a ravděodobostím rostoru
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VíceStatistika. Statistické funkce v tabulkových kalkulátorech MSO Excel a OO.o Calc
Statistika Statistické fukce v tabulkových kalkulátorech MSO Excel a OO.o Calc Základí pojmy tabulkových kalkulátorů Cílem eí vyložit pojmy tabulkových kalkulátorů, ale je defiovat pojmy vyskytující se
VíceCvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.
Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
Více10.2.3 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI
Středí hodoty Artmetcý průměr vážeý Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI Zatím jsme počítal s tím, že četost ve vztahu pro vážeý artmetcý průměr byla přrozeá čísla Četost mohou
VíceÝ ď Ú Ť ň Ť Ď Ť ú Ý Ď ň Ť Ť Ó Ť ň Ť Ť Ť Ť Ť ň Ť ň Ť Ť Č Ť Ě ň Č ň Ď Č Ý Č ř Ó Č Ú Ť Ť Ť Ó Ť Ť Ť Ť Ť Č Ť Ť Ť Ť Ť Ť Ú Ť Ť Ť É Ú Č Ť Č Ť Ý Ť Ť ř ň Ó Ť Ú Ť ú Ť Ť Ť Ť Ý Ě Č ň Č Ť Č ň ň ď ď Ť Ť ď Ť Ý Ó Ť Č ň
VíceSekvenční logické obvody(lso)
Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách
Více5. Lineární diferenciální rovnice n-tého řádu
5 3.3.8 8:44 Josef Herdla lieárí difereciálí rovice -tého řádu 5. Lieárí difereciálí rovice -tého řádu (rovice s ostatími oeficiety) ( ), a,, a (5.) ( ) ( ) y a y a y ay q L[ y] y a y a y a y, q je spojitá
VícePojem času ve finančním rozhodování podniku
Pojem času ve fiačím rozhodováí podiku 1.1. Výzam faktoru času a základí metody jeho vyjádřeí Fiačí rozhodováí podiku je ovlivěo časem. Peěží prostředky získaé des mají větší hodotu ež tytéž peíze získaé
Víceó Ě Ř Ý Ú Ď Ř Í Ý Í Í é Ú ý Ů ý ů Ú ý Í Í ú Ú Č é Ř É ý ý ý Í Ů š ý Ú Č ý ý Č Č ý Ú ž Ú Í é ý ý š ý Ú ý ý ý Ž ýš Í Ú ý Ú é Č é Ú Í ý Č ý ý ý Ú Í é Ú ú ý Ú é Č ú Ú ýš ý Ú é Č Í Ú Č ý ý ýš ý ý Š ý Č é Í
VíceSTATISTIKA. Základní pojmy
Statistia /7 STATISTIKA Záladí pojmy Statisticý soubor oečá eprázdá možia M zoumaých objetů schromážděých a záladě toho, že mají jisté společé vlastosti záladí statisticý soubor soubor všech v daé situaci
VíceDigitální učební materiál
Dgtálí učebí materál Číslo projetu CZ..07/.5.00/34.080 Název projetu Zvaltěí výuy prostředctvím ICT Číslo a ázev šabloy líčové atvty III/ Iovace a zvaltěí výuy prostředctvím ICT Příjemce podpory Gymázum,
VíceÝ Ž Š Š Š Ť ů ú ý ž ý ž ý Š ý ú Ž ů ý ů Ž Ž š Ú š ř ý Ž ř ů Ú ů ý ý ž ý ú ů ů Ó ý ř Ó ýš Í ú Ý Ž Š Š Š Š ú ů ý ž ý Ž ý ý ú Ž ů ý ú Ž Ž š ú š ř ý Ž ř ů Í Ú ů š ý ž ó ý ž ý ý ý ř ý ó Ř Ý ř ů ú ý ž ý ž Š
VíceLineární regrese ( ) 2
Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující
VíceRegrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n
Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =
VíceVýukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT
Základy práce s tabulkou Výukový modul III. Iovace a zkvalitěí výuky prostředictvím ICT Téma III..3, pracoví list 3 Techická měřeí v MS Ecel Průměry a četosti, odchylky změřeých hodot. Ig. Jiří Chobot
VícePrincip paralelního řazení vkládáním (menší propadává doprava)
ricip paralelího řazeí vkládáím (meší propadává doprava) Týde 0 aralelí řazeí. vkládáím. traspozicí lichý - sudý. bitoické. s pravidelými vzorky. přihrádkové 0,,,,,,,,,, krok aralelí řazeí vkládáím (Isertio
Vícek(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln
Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
Více8. cvičení 4ST201-řešení
cvičící 8. cvičeí 4ST01-řešeí Obsah: Neparametricé testy Chí-vadrát test dobréshody Kotigečí tabuly Aalýza rozptylu (ANOVA) Vysoá šola eoomicá 1 VŠE urz 4ST01 Neparametricé testy Neparametricétesty využíváme,
VíceAplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus
Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová
Víceu, v, w nazýváme číslo u.( v w). Chyba! Chybné propojení.,
Def: Vetorovým součiem vetorů u =(u, u, u 3 ) v = (v, v, v 3 ) zýváme vetor u v = (u v 3 u 3 v, u 3 v u v 3, u v u v ) Vět: Pro vetory i, j, ortoormálí báze pltí i i = j = i, i = j Vět: Nechť u v, w, jsou
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceÚBYTKY NAPĚTÍ V ES Jednoduchá ss vedení nn, vn Dvouvodičový rozvod. Předpoklad konst. průřezu a rezistivity. El. trakce, elektrochemie, světelné
ÚBYTKY NAPĚTÍ V ES Jedoduchá ss vedeí, v Dvouvodičový rozvod. Předpoad ost. průřezu a rezistivity. E. trace, eetrochemie, světeé zdroje, dáové přeosy, výoová eetroia. Osaměé zátěže apájeé z jedé stray
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
Více1. K o m b i n a t o r i k a
. K o m b i a t o r i k a V teorii pravděpodobosti a statistice budeme studovat míru výskytu -pravděpodobostvýsledků procesů, které mají áhodý charakter, t.j. při opakováí za stejých podmíek se objevují
Více3.3.3 Rovinná soustava sil a momentů sil
3.3.3 Rová soustava s a oetů s Předpoady Všechy síy soustavy eží v edé rově. Všechy oety sou oé a tuto rovu. *) Souřadý systé voíe ta, že rova - e totožá s rovou s. y O *) Po.: Sový oet ůžee ahradt dvocí
VíceÚŘ Á Í Š Í ĚŘ Á Í ĚŘ ě ň ě ý ů ý š ý ů ý š ý ů ý š Č ě ě ý ě ý ý ě ů ý ě ě ýš ť š Ó ě š ý ě ě ě š ů ý ý ý ě ý ě š ý ě ě ě ů ě ý ě ý ý Č ě ě ě ě ě ě ů ý ě ě ů ď ů ě ů ý Č ě Ú š Ú š ě ý ý ě ů ě ě š ě ů š
Více8. cvičení 4ST201. Obsah: Neparametrické testy. Chí-kvadrát test dobréshody Kontingenční tabulky Analýza rozptylu (ANOVA) Neparametrické testy
cvičící 8. cvičeí 4ST1 Obsah: Neparametricé testy Chí-vadrát test dobréshody Kotigečí tabuly Aalýza rozptylu (ANOVA) Vysoá šola eoomicá 1 VŠE urz 4ST1 Neparametricé testy Neparametricétesty využíváme,
VíceI. Výpočet čisté současné hodnoty upravené
I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě
VíceNárodní informační středisko pro podporu kvality
Národí iformačí střediso pro podporu vality Problémy s uazateli způsobilosti a výoosti v praxi Dr.Jiří Michále, CSc. Ústav teorie iformace a automatizace AVČR Uazatel způsobilosti C p Předpolady: ormálí
VícePravděpodobnostní model doby setrvání ministra školství ve funkci
Pravděpodobostí model doby setrváí miistra školství ve fukci Základí statistická iferece Data Zdro: http://www.msmt.cz/miisterstvo/miistri-skolstvi-od-roku-848. Ke statistickému zpracováí byla vzata pozorováí
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
VíceTOKY V GRAFU MAXIMÁLNÍ TOK SÍTÍ, MINIMALIZACE NÁKLADŮ SPOJENÝCH S DANOU HODNOTOU TOKU, FIXNÍ NÁKLADY, PŘEPRAVNÍ (TRANSHIPMENT) PROBLÉM.
TOKY V GRAFU MAXIMÁLNÍ TOK SÍTÍ, MINIMALIZACE NÁKLADŮ SPOJENÝCH S DANOU HODNOTOU TOKU, FIXNÍ NÁKLADY, PŘEPRAVNÍ (TRANSHIPMENT) PROBLÉM. Graf je útvar, terý je možo zázorit obrázem v roviě pomocí bodů (uzly
VíceFunkce. RNDr. Yvetta Bartáková. Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou
Fukce RNDr. Yvetta Bartáková Gymázium, SOŠ a VOŠ Ledeč ad Sázavou Limita poslouposti a fukce VY INOVACE_0 9_M Gymázium, SOŠ a VOŠ Ledeč ad Sázavou A) Limita poslouposti Říkáme, že posloupost a je kovergetí,
VíceÁ Á ň ň ť Í Ť ň Í ř ň ř ř ň Í Ť Ě ň Č Ť Á Í Á Ť Í Á Ď ř ř ň Í ť ť ň ň Ě Í ů Í Í ř Ě ř Ě Ť ň Ť Ý ň ň Ť ň ň ň ň Ě ť Í Á Ť Ť ň Ť ř ú ň Í Ť Í Ť ň Á ň Ž ď Ě ň Ě Í Ů ň Ť ň ň Í Ě Ť ň ř Í Ť Í ň ň Č Ť ť ň ň ř ň
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
Víceš ž é é Č é ě é ě ž Í ž é š ň é ž š ú ě ž ú é ě é Ó ž ě ě ý ý é š é ú ě š ě ú ň Ť ý ý ý ýš ý ý ě ý ýš š ě é ě ň ý ý ě ý š ě ý ě ý ě ě é ě ý ý ě é ě ď ě ý ý ě Ť ě ě ý ý ě ý ě ý ě Í ě ý ž ž é ě ý ě Í ý ě
VíceNeuronové sítě. Biologický neuron. Modely neuronu. 1. Logický neuron (McCulloch, Pitts, 1943) w R, x, y {0, 1} Biologický neuron.
Biologický euro Neuroové sítě Biologický euro Modely eurou Schéma eurou 1. Logický euro (McCulloch, Pitts, 1943) w R, x, y {0, 1} P. Berka, 2019 1/23 2. DLINE (Widrow, 1960) x, w R, y {0, 1} SUM = w i
VícePRACOVNÍ SEŠIT KOMBINATORIKA, PRAVDĚPODOBNOST A STATISTIKA. 9. tematický okruh:
Připrav se a státí maturití zoušu z MATEMATIKY důladě, z pohodlí domova a olie PRACOVNÍ SEŠIT 9. tematicý oruh: KOMBINATORIKA, PRAVDĚPODOBNOST A STATISTIKA vytvořila: RNDr. Věra Effeberger eperta a olie
Víceý ú Ú Ú ý ý ý Ž ý ý ý ý ý ý ý ý ý ý ý ý ý ý ý Ž ř Á ý ý ý ů Ž ř ý ý ý ý ý ý ý ý ý ý ý ý Ž ý ř ý ý Ž Ů ž Ů ý ř ý ý ó ó Ú Ú Ž ý ý Ů ý ý Ů Á ý ý ý Ú Ý Ý ý Ů ý ů Ž ý ř Ů ý Ž ý ý ý ř ž Ž Ž ř š ň ř ů ř ň ř ř
VíceDIM PaS Připomenutí poznatků ze střední školy. Faktoriály a kombinační čísla základní vzorce: n = k. (binomická věta) Příklady: 1.
DIM PaS. Připomeutí pozatků ze středí školy Faktoriály a kombiačí čísla základí vzorce: ( )( 2 )...2.! =. 0! = =! ( k)! k! ( )...( k ). + = k! = k + + = k + k + 2 2 ( a + b) = a + a b+ a b +... + a b +...
VícePopisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem
Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme
VíceStatistika je vědní obor zabývající se zkoumáním jevů, které mají hromadný charakter.
Statistika Cíle: Chápat pomy statistický soubor, rozsah souboru, statistická edotka, statistický zak, umět sestavit tabulku rozděleí četostí, umět zázorit spoicový diagram a sloupcový diagram / kruhový
VíceČi ost katastrál í h úřadů po digitaliza i katastrál í h ap
Či ost katastrál í h úřadů po digitaliza i katastrál í h ap Konference ISSS 2016. du a Základ í íl ) ě it aktuál í stav, kd katastr e ovitostí si e do ře slouží k o hra ě práv vlast íků a ezpeč osti realit
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
Víceb c a P(A B) = c = 4% = 0,04 d
Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
VíceSeznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.
2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se
Více6. KOMBINATORIKA 181. 6.1. Základní pojmy 181 6.1.1. Počítání s faktoriály a kombinačními čísly 182. 6.2. Variace 184. 6.3.
Zálady matematiy Kombiatoria. KOMBINATORIKA 8.. Záladí pojmy 8... Počítáí s fatoriály a ombiačími čísly 8.. Variace 8.. Permutace 85.. Kombiace 87.5. Biomicá věta 89 Úlohy samostatému řešeí 9 Výsledy úloh
Víceý Č á ý á č ář ý ý ů á ě ě ě ů á žš řá řá šš á ř ř ž šš řá ůž ý á č Ž á ě žš řá č ý ž ě ě á ý á ř ž ř Í ř á ý á á žš Ťá ř ý á ý žš řá ář ý á ý ý á ář
Ť Ť ó ý Č á ý á č ář ý ý ů á ě ě ě ů á žš řá řá šš á ř ř ž šš řá ůž ý á č Ž á ě žš řá č ý ž ě ě á ý á ř ž ř Í ř á ý á á žš Ťá ř ý á ý žš řá ář ý á ý ý á ář č ý á ř á á á ž ž ů áí ů á ý á ž ř á š ý Ž ř
Více3.4.7 Můžeme ušetřit práci?
3.4.7 Můžeme ušetřit práci? Předpolady: 030404 Pomůcy: Pedaoicá pozáma: Hodia je oraizováa jao supiová práce. Třída je rozdělea a čtyřčleé supiy, aždý ze čleů má jedu možost ozultovat se mou ebo mě předat
VíceS k l á d á n í s i l
S l á d á í s i l Ú o l : Všetřovat rovováhu tří sil, působících a tuhé těleso v jedom bodě. P o t ř e b : Viz sezam v desách u úloh a pracovím stole. Obecá část: Při sládáí soustav ěolia sil působících
VíceTestování statistických hypotéz
Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím
VíceSTATISTIKA. Statistika se těší pochybnému vyznamenání tím, že je nejvíce nepochopeným vědním oborem. H. Levinson
STATISTIKA Statistika se těší pochybému vyzameáí tím, že je ejvíce epochopeým vědím oborem. H. Leviso Charakterizace statistického souboru Statistický soubor Prvek souboru Zak prvku kvatitativí teplota,
VíceP2: Statistické zpracování dat
P: Statistické zpracováí dat Úvodem - Statistika: věda, zabývající se shromažďováím, tříděím a ásledým popisem velkých datových souborů. - Základem statistiky je teorie pravděpodobosti, založeá a popisu
Více4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností
4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.
VíceÚBYTKY NAPĚTÍ V ES Jednoduchá ss vedení nn, vn Dvouvodičový rozvod. Předpoklad konst. průřezu a rezistivity. El. trakce, elektrochemie, světelné
ÚBYTKY NAPĚTÍ V ES Jedoduchá ss vedeí, v Dvouvodičový rozvod. Předpoad ost. průřezu a rezistivity. E. trace, eetrochemie, světeé zdroje, dáové přeosy, výoová eetroia. Osaměé zátěže apájeé z jedé stray
Více3. Sekvenční obvody. b) Minimalizujte budící funkce pomocí Karnaughovy mapy
3.1 Zadáí: 3. Sekvečí obvody 1. Navrhěte a realizujte obvod geerující zadaou sekveci. Postupujte ásledově: a) Vytvořte vývojovou tabulku pro zadaou sekveci b) Miimalizujte budící fukce pomocí Karaughovy
VíceTento materiál vznikl díky Operačnímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254
Evropský sociálí fod Praha & EU: Ivestujeme do vaší budoucosti Teto materiál vzikl díky Operačímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254 Maažerské kvatitativí metody II - předáška č.1 - Dyamické
Více!!! V uvedených vzorcích se vyskytují čísla n a k tato čísla musí být z oboru čísel přirozených.
Kombiatoria Kombiatoria část matematiy, terá se zabývá růzými číselými "ombiacemi". Využití - apř při hledáí počtu možých tipů ve sportce ebo jiých soutěžích hrách, v chemii při spojováí moleul... Záladím
VícePravděpodobnostní modely
Pravděpodobostí modely Meu: QCEpert Pravděpodobostí modely Modul hledá metodou maimálí věrohodosti (MLE Maimum Likelihood Estimate) statistický model (rozděleí) který ejlépe popisuje data. Je přitom k
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
VíceMarkovovy řetězce s diskrétním časem (Discrete Time Markov Chain)
Stochastcé rocesy Marovovy řetězce s dsrétím časem (Dscrete Tme Marov Cha) Stochastcý roces Stochastcým rocesem {X(t), tr} je moža áhodých velč X(t) závslých a jedom arametru t. Stavový rostor : moža možých
Více1. Přirozená topologie v R n
MATEMATICKÁ ANALÝZA III předášy M Krupy Zií seestr 999/ Přirozeá topologie v R V prví části tohoto tetu zavádíe přirozeou topologii a ožiě R ejprve jao topologii orovaého prostoru a pa jao topologii součiu
VíceSpolehlivost a diagnostika
Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore
Více7 VYUŽITÍ METOD OPERAČNÍ ANALÝZY V TECHNOLOGII DOPRAVY
7 VYUŽITÍ METOD OERAČNÍ ANALÝZY V TECHNOLOGII DORAVY Operačí aalýza jao jeda z oblatí apliovaé matematiy achází vé široé uplatěí v průmylových a eoomicých apliacích. Jedím z oborů, ve teré hraje ezatupitelou
VíceL A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATED RA F YZIKY L A B O R A T O R N Í C V I Č E N Í Z F Y Z I K Y Jméo TUREČEK Daiel Datum měřeí 8.11.2006 Stud. rok 2006/2007 Ročík 2. Datum odevzdáí 15.11.2006 Stud.
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
VíceVzorový příklad na rozhodování BPH_ZMAN
Vzorový příklad a rozhodováí BPH_ZMAN Základí charakteristiky a začeí symbol verbálí vyjádřeí iterval C g g-tý cíl g = 1,.. s V i i-tá variata i = 1,.. m K j j-té kriterium j = 1,.. v j x ij u ij váha
Víceš Á š š ů š ý š Č Š Č ň ý ž ů ý ž ů Č ý ž ú Ň Š Í š ý ú ý š š š ý š š š š ý š š š Ů š š š š ý ů ů š ý ň š š š ž ů ň š ž ž ň ý ž š ý ý š ý š ý ú ů ž ý š ž š ú ú š ý ň ň š ý š š š Ú ú š ý ů š š š š š š š
Více1 PSE Definice základních pojmů. (ω je elementární jev: A ω (A ω) nebo (A );
1 PSE 1 Náhodý pokus, áhodý jev. Operace s jevy. Defiice pravděpodobosti jevu, vlastosti ppsti. Klasická defiice pravděpodobosti a její použití, základí kombiatorické vzorce. 1.1 Teoretická část 1.1.1
Vícepracovní list studenta Acidobazické rovnováhy Odměrná analýza acidobazická titrace
praoví list studeta Aidobaziké rovováhy dměrá aalýza aidobaziká titrae ýstup RP: Klíčová slova: Marti Krejčí experimet umožňuje žákům pohopit hováí slabýh protolytů (kyseli a zásad ve vodýh roztoíh; žái
VíceMendelova univerzita v Brně Statistika projekt
Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4
VícePravděpodobnost a statistika - absolutní minumum
Pravděpodobost a statistika - absolutí miumum Jaromír Šrámek 4108, 1.LF, UK Obsah 1. Základy počtu pravděpodobosti 1.1 Defiice pravděpodobosti 1.2 Náhodé veličiy a jejich popis 1.3 Číselé charakteristiky
Více1.3. POLYNOMY. V této kapitole se dozvíte:
1.3. POLYNOMY V této kapitole se dozvíte: co rozumíme pod pojmem polyom ebo-li mohočle -tého stupě jak provádět základí početí úkoy s polyomy, kokrétě součet a rozdíl polyomů, ásobeí, umocňováí a děleí
VíceNové symboly pro čísla
Nové symboly pro čísl V pitole Ituitiví ombitori jsme řešili tyto dv typy příldů. Stále se v ich opují součiy přirozeých čísel, t j jdou z sebou, ědy ž do, ědy sočí dříve. Proto si zvedeme dv ové symboly
VícePřednáška VI. Intervalové odhady. Motivace Směrodatná odchylka a směrodatná chyba Centrální limitní věta Intervaly spolehlivosti
Předáška VI. Itervalové odhady Motivace Směrodatá odchylka a směrodatá chyba Cetrálí limití věta Itervaly spolehlivosti Opakováí estraé a MLE Jaký je pricip estraých odhadů? Jaký je pricip odhadů metodou
Více2.4. INVERZNÍ MATICE
24 INVERZNÍ MICE V této kapitole se dozvíte: defiici iverzí matice; základí vlastosti iverzí matice; dvě základí metody výpočtu iverzí matice; defiici celočíselé mociy matice Klíčová slova této kapitoly:
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VíceAplikace teorie neuronových sítí
Aplikace teorie euroových sítí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iforatiky Mateaticko-fyzikálí fakulta Uiverzity Karlovy v Praze Zpracováí časových vzorů (teporal processig) Stadardí algoritus
Více