4. Strojové učení. 4.1 Základní pojmy
|
|
- Miroslav Kolář
- před 8 lety
- Počet zobrazení:
Transkript
1 4. Stroové učeí 4. Základí pomy Důležtou vlastostí žvých orgasmů e schopost přzpůsobovat se měícím se podmíkám (adaptovat se), evetuálě se učt a základě vlastích zkušeostí. Schopost učt se bývá ěkdy dokoce považováa za defc telgece. Je proto přrozeé, že vybavt touto vlastostí systémy techcké e edím z cílů umělé telgece. Navíc v řadě praktckých případů, kdy eí dostatek aprorích zalostí o řešeém problému, a ak postupovat elze. Prvky učeí můžeme pod růzým ázvy alézt v řadě vědích dscpl; ve statstce se obevuí eploračí aalýza dat (eploratory data aalyss) ebo telgetí aalýza dat (tellget data aalyss), v umělé telgec se hovoří o metodách rozpozáváí obrazů (patter recogto), stroového učeí (mache learg) ebo automatzovaého získáváí zalostí (automated kowledge acqusto), v (kyberetcké) teor řízeí ademe adaptví a učící se systémy, v souvslost se získáváím zalostí z databází (kowledge dscovery databases) se používá termí dolováí z dat (data mg). V růzých dscplíách se k problematce učeí přstupue z růzých pohledů, používá se rozdílá termologe, růzé metody reprezetace zalostí růzé algortmy pro získáváí zalostí č ech využíváí. Přesto e možé alézt akés společé ádro, které se pokusíme popsat v této část. Uvádíme zde tedy e akýs souhrý pohled, edotlvé metody budou podrobě popsáy v ásleduících podkaptolách. V zásadě lze rozlšt dva typy učeí: učeí se zalostem (kowledge acqusto) a učeí se dovedostem (skll refemet). Prví typ hledá kocepty, obecé zákotost apod. (apř. ak rozpozat defraudata) u druhého typu de o to zdokoalt své schopost a základě procvčováí ěaké čost (apř. ak alézt cestu v bludšt). U učících se systémů e většou časově oddělea fáze učeí od fáze používáí zalostí v další čost systému (vz Obr. ). Během učeí s systém vytvoří obecou reprezetac edotlvých typů chováí resp. tříd (apř. obecý pops spolehlvých a espolehlvých kletů baky). Pokud chceme alezeé zalost používat ručě, můžeme tímto krokem skočt. Př automatzovaém používáí těchto zalostí se aučeému systému předkládaí ové případy a systém se sám rozhodue (apř. klasfkue ové klety baky ako spolehlvé ebo espolehlvé). Obr. Obecé schéma učícího se systému
2 Podíváme-l se a růzé metody učeí z hledska úslí, které e třeba vyaložt a získáí ových zalostí resp. dovedostí, lze rozlšovat mez [Mchalsk a kol., 983]:. učeí zapamatováím (rote learg ebol bflováí) - systém pouze zazameává data ebo dílčí zalost dodaé eterím zdroem; eprovádí se žádá trasformace, 2. učeí se z strukcí (learg from structo, learg by beg told) - systém získává zalost z eterího zdroe a tegrue e se zalostm ž získaým; provádí se trasformace zalostí ze vstupího azyka do vtří reprezetace, 3. učeí se z aaloge (learg by aalogy, stace-based learg, lazy learg) - získáváí zalostí e založeo a zapamatováí s případů resp. stuací podobých těm, které bude třeba v budoucu řešt, 4. učeí a základě vysvětleí (eplaato-based learg) - př učeí se využívá ěkolk málo příkladů a rozsáhlé zalost z daé oblast (backgroud kowledge), 5. učeí se z příkladů (learg from eamples) - zde se využívá velké možství příkladů (a protpříkladů) koceptu, který se má systém aučt, role backgroud kowledge aopak ustupue do pozadí; používaou metodou e dukce, 6. učeí se z pozorováí a obevováím (learg from observato ad dscovery) - opět se pracue s velkým možstvím dat (tedy za využtí dukce); systém s ale často sám musí vytvářet kocepty které se pak pokouší popsovat, avíc data získaá pozorováím emusí být tak hezká ako přklady poskytuté učtelem. Prcpy používaé v systémech pro získáváí zalostí (stroové učeí) byly převzaty z řady dscpl: statstcké metody - pro získáváí zalostí se používaí regresí metody, dskrmačí aalýza, shluková aalýza, ebo bayesovské metody. Tyto metody hledaí popsy koceptů v podobě matematckých fukcí, vektorů ebo podmíěých pravděpodobostí, symbolcké metody umělé telgece - dukce rozhodovacích stromů a pravdel ebo prcpy případového usuzováí (Case-Based Reasog, CBR) umožňue získat zalost v podobě srozumtelé pro užvatele. Symbolcké metody mohou pomoc užvatel př vyhledáváí zaímavých vztahů v datech (databázích) a př odhalováí ech struktury. Podstaté e, že se tyto metody oretuí spíše a vztahy logckého typu ež a matematcké formule a tím poskytuí (a rozdíl od klasckých metod statstcké aalýzy dat) koceptuálí, ldem blžší závěry. Zalost získaé symbolckým metodam lze také použít v tzv. tradčí umělé telgec (apř. v epertích systémech), subsymbolcké metody umělé telgece - pro získáváí zalostí se používaí euroové sítě, bayesovské sítě ebo geetcké algortmy. Reprezetace alezeých zalostí opět eí (podobě ako u statstckých metod) pro užvatele přílš srozumtelá (apř. váhy vazeb mez euroy v euroové sít). Jedou z klíčových otázek stroového učeí e, akou formac o tom, že se učí správě, má systém k dspozc. Tato formace může mít podobu. příkladů zařazeých do tříd (koceptů), které se má systém aučt - v této stuac mluvíme o učeí s učtelem (supervsed learg); učtel poskytue systému eplctí formac o požadovaém chováí, 2. odmě za správé chováí a trestů za chováí esprávé - teto způsob se používá, pokud cílem systému e aučt se ěakou čost ebo chováí (apř. pohyb robota v bludšt); mluvíme o reforcemet learg,
3 3. epřímých ázaků - systém pozorue učtele a z eho chováí usuzue, co e příklad a co protpříklad hledaého koceptu (apř. telgetí vyhledávací systém v prostředí Iteretu z toho, které alezeé odkazy užvatel aktvoval dedukue, které WWW stráky sou relevatí a představuí tedy příklady koceptu popsaého užvatelovým dotazem). Tomuto způsobu učeí můžeme říkat učeí se apodobováím resp. zaučováím (v orgále appretceshp learg, appretce zameá učeň) - systém pozorue učtele a z eho akcí získává mplctí formac o požadovaém chováí, 4. systém emá k dspozc žádou doplňkovou formac, pracue pouze s příklady a zaímavé kocepty s vytváří sám - teto způsob se azývá učeí bez učtele (usupervsed learg) a e typcký pro učeí se obevováím. Další rozlšeí metod získáváí zalostí může být podle: způsobu reprezetace příkladů použtých v procesu učeí. atrbuty - vlastost obektů reprezetovaých řádky v datové tabulce, apř. barva_vlasu vyska vousy vzdela : : : : cera 80 ao VS atrbuty mohou být v zásadě dvou typů: kategorálí (dskrétí) a umercké (spoté). Toto čleěí e postačuící pro většu algortmů stroového učeí, růzě se totž zpracovávaí kategorálí a umercká data. Kategorálí atrbuty lze dále rozdělt a bárí (abývaící pouze hodot ao ebo e - vz atrbut vousy), omálí (abývaící edé z koečého počtu hodot, které esou avzáem uspořádáy - vz atrbut barva_vlasu) a ordálí (abývaící edé z koečého počtu avzáem uspořádaých hodot - vz atrbut vzdela). 2. relace - řada avzáem provázaých relací mez obekty a atrbuty, apř. otec(a_lucembursky, karel_iv) Větša systémů používá atrbuty, ty ale eposkytuí tak slé prostředky pro reprezetac zalostí ako relace (použtí atrbutů e aalogcké reprezetac zalostí za použtí výrokové logky, použtí relací e aalogcké predkátové logce). způsobu zpracováí příkladů. dávkové - př dávkovém zpracováí se pracue se všem příklady aedou, zalost se tedy vytvářeí od uly, 2. kremetálí - př kremetálím zpracováí se příklady zpracovávaí postupě; dílčí zalost získaé a základě dříve předložeých příkladů se modfkuí a základě příkladů dalších. Větša systémů pracue v dávkovém režmu, v případě potřeby doučt systém a základě ových příkladů ebo přeučt systém (pokud hledaý kocept e promělvý v čase) e ale vhoděší použít kremetálí způsob učeí. formy učeí. emprcké učeí - z velkého možství příkladů a z malého (často žádého) možství zalostí se metodam duktví ferece získá obecý pops daého koceptu; používá se př učeí se z příkladů, z pozorováí a obevováím, 2. aalytcké učeí - zobecěí se provádí a základě edého (ebo taky žádého) příkladu a rozsáhlého možství zalostí z daé oblast (apř. to že se emá sahat a rozpáleá kama se každé dítě aučí a základě evýše edoho pokusu); používá se př učeí a základě vysvětlováí. 3
4 Na tomto místě e třeba zdůrazt, že umělé metody učeí edosahuí možostí metod přrozeých : formalzmus použtý pro pops stuací ebo koceptů, které se má systém aučt e poměrě edoduchý, kocepty, které se systém učí často odpovídaí pouze edé úrov abstrakce zatímco člověk e schope své kocepty uspořádávat do herarchí, větša metod spoléhá a učtele, který dohlíží a celý výukový proces, větša metod předpokládá, vše všecha potřebá data sou k dspozc před začátkem učeí; člověk e schope a základě další zkušeost průběžě aktualzovat své zalost. Přesto se umělé metody učeí studuí (a úspěšě používaí) řadu let. V současé době procházeí zvýšeým zámem především v souvslost se získáváím zalostí z databází. V cetru aší pozorost budou emprcké metody učeí se koceptům a základě příkladů rozhodutí resp. a základě pozorováí a obevováí. Použtým přístupem bude duktví ferece kdy a základě koečého počtu příkladů budeme hledat obecý pops koceptu (ať už daého učtelem ebo vytvořeého systémem). Emprcké metody učeí vycházeí z předpokladu, že edotlvé obekty (příklady, pozorováí) lze popsat pomocí charakterstk takových, že obekty patřící k témuž koceptu maí podobé charakterstky (tyto metody bývaí ěkdy azýváy učeí a základě podobost - smlarty-based learg). Pokud sou obekty popsáy hodotam atrbutů, lze e reprezetovat ako body v mohorozměrém prostoru, ehož dmeze e dáa počtem těchto atrbutů. Učeí a základě podobost pak vychází z představy, že obekty představuící příklady téhož koceptu vytvářeí shluky v tomto prostoru. Cílem učeí e tedy alézt vhodý pops těchto shluků. Hlavím problémem př použtí výše uvedeého přístupu e alezeí oěch vhodých charakterstk. Z hledska procesu dobýváí zalostí z databází e toto úkolem kroků předzpracováí dat. Ovšem a ve chvíl, kdy máme alezey vhodé charakterstky, eí eště vyhráo. Otázkou zůstává dostatečé možství dostatečě reprezetatvích dat. Teto problém e lustrová a obrázcích Obr. 2 a Obr. 3. V obou případech se sažíme a základě výše přímu a výše kota v bace alézt pops kletů, kterým baka půčí (klet +) a kterým epůčí (klet -). Na základě ěkolka příkladů kletů se zdá, že shluky odpovídaící kletům obou skup sou zachycey a Obr. 2. Další příklady spolehlvých kletů ás ale přesvědčí o ašem omylu (příklady v šedém oválu a Obr. 3). Pops koceptu, který byl aleze a základě použtých příkladů tedy emusí odpovídat ým (dosud ezpracovaým) příkladům téhož koceptu. Z tohoto důvodu se obvykle data použtá př duktvím získáváí zalostí rozděluí a část tréovací a část testovací. Tréovací data se použí ve fáz učeí, testovací data pak představuí příklady, které slouží k prověřeí získaých zalostí. V ěkterých případech se používaí dokoce tř soubory dat: data tréovací, data valdačí (používaá pro evetuelí modfkac zalostí získaých a základě tréovacích dat) a data testovací. Atrbutům se ěkdy říká přízaky (features), odtud aglcký ázev tohoto prostoru feature space.
5 Obr. 2 Málo dat Obr. 3 Více dat Pokusme se výše uvedeé úvahy formalzovat. Isprací ám bude formalzace úlohy učeí s učtelem uvedeá v [Kotek a kol., 980]. Aalyzovaá data sou uložea v tabulce D, tvořeé řádky a m sloupc. D = : : m 2 m : m 5
6 Řádky tabulky reprezetuí sledovaé obekty. Někdy se místo termíu obekt používaí termíy zázam (v databáz), příklad, případ, pozorováí apod. -tý obekt e tedy řádek.. = [ 2... m ] Sloupce datové tabulky odpovídaí atrbutům. Podobě ako v případě obektů, zde se používaí další termíy velča, proměá, zak. -tý atrbut (-tý sloupec) ozačíme symbolem A. A : 2 : V tuto chvíl ebudeme rozlšovat, zda se edá o atrbuty kategorálí (symbolcké, dskrétí) ebo atrbuty umercké (spoté). Tato formace bude důležtá až pro edotlvé typy metod. U klasfkačích úloh předpokládáme, že estue atrbut, který obsahue formac o zařazeí obektů do tříd (v případě klasfkace v užším smyslu) ebo který obsahue predkovaou hodotu (v případě predkce). Říkeme tomuto atrbutu cílový a ozačme ho symbolem C. C : y y 2 : y Ostatím, ecílovým atrbutům A budeme říkat vstupí atrbuty. Opět můžeme v lteratuře alézt řadu dalších ázvů: cílovému atrbutu se ěkdy říká závslá proměá, závslá velča ebo vysvětlovaá velča, vstupím atrbutům se ěkdy říká ezávslé proměé, ezávslé velčy ebo vysvětluící velčy. Přdáme-l cílový atrbut do datové tabulky, získáme data vhodá pro použtí ěkteré metody učeí s učtelem. Cílem těchto metod e a základě dat tvořeých hodotam vstupích atrbutů cílového atrbutu odvodt zalost použtelé pro klasfkac ových obektů. Datům používaým k tomuto účelu se obvykle říká tréovací data (tréovací příklady). Příslušou datovou tabulku budeme začt D D = : : m 2 m : m y y 2 : y Obekt (tréovací příklad) z této tabulky budeme začt o = [, y ] Předpokládeme, že pro každý obekt o záme všechy hodoty hodotu y.
7 V drtvé většě stuací předpokládáme, že ezáleží a pořadí obektů v datové tabulce 2. Budeme tedy data považovat za možu obektů D =, =,.., { o } Klasfkačí úlohu můžeme chápat ako úlohu alézt takové zalost (reprezetovaé rozhodovací fukcí f), které by umožňovaly k hodotám vstupích atrbutů ěakého obektu přřadt vhodou hodotu atrbutu cílového f: y. Rozhodovací fukc f přtom chápeme v dost šrokém výzamu. Je-l klasfkace založea a algortmu používaícím rozhodovací stromy, e tato fukce (a tedy hledaé zalost) reprezetováa edím kokrétím rozhodovacím stromem. Je-l klasfkace založea a euroové sít, e tato fukce (a tedy hledaé zalost) reprezetováa topologí kokrétí sítě a váham vazeb mez euroy. V průběhu klasfkace se tedy pro hodoty vstupích atrbutů ěakého obektu o odvodí hodota cílového atrbutu. Ozačme tuto odvozeou hodotu ŷ. ŷ = f (). Odvozeá hodota ŷ se pro obekty z tréovacích dat může lšt od skutečé hodoty y. Můžeme tedy pro každý obekt o D vyčíslt chybu klasfkace Q f (o, ŷ ). V případě umerckého atrbutu C může být touto chybou apříklad čtverec rozdílu skutečé a odvozeé hodoty cílového atrbutu Q (, y ) = (y - y ) 2 f o v případě kategorálího atrbutu C může být touto chybou formace o tom že se odvozeá a skutečá hodota vzáemě lší, pro y y Q f( o, y ) = 0 pro y = y Pro celou tréovací možu D pak můžeme vyčíslt souhrou chybu Err(f,D ), apříklad ako středí chybu Err(f,D = ) Q f ( o, y ). Cílem učeí e alézt takové zalost f*, které by mmalzovaly tuto chybu = Err(f*,D ) = m Err(f, D ). V příadě, že tréovací data eobsahuí kotradkce, tedy že platí f o, o 2 D : = 2 y = y 2 lze teoretcky alézt takovou reprezetac koceptů f*, že Err(f*,D ) = 0. Můžeme tedy alézt zalost bezchybě klasfkuící příklady v tréovací možě. Naším cílem e ale samozřemě alézt zalost obecěší, použtelé pro klasfkac obektů ových. Ne vždy e ulová chyba Err(f*,D ) dosažeá a tréovacích datech zárukou kvalty alezeých zalostí. Přílšá oretace a tréovací 2 Výmku tvoří prostorová data (apř. data z geografckých formačích systémů), ebo časová data (apř. vývo ce akcí), kdy uspořádáí mez obekty vyplývá z povahy těchto dat. 7
8 data může vést k přeučeí systému (overfttg); získaé zalost pak ereflektuí obecěší zákotost, ale pouze kopíruí strukturu použtých příkladů (vz Obr. 2 a Obr. 3). Důraz tedy klademe a to, že v průběhu učeí zobecňueme použté příklady a celou aplkačí oblast. Schopost alezeých zalostí geeralzovat se obvykle ověřue epermetálě a tzv. testovacích datech D TST ; tedy pomocí chyby Err(f*,D TST ). Testovací data maí steou strukturu atrbutů, ako data tréovací, obsahuí tedy cílový atrbut. Jedá se ale o obekty, které abyly použty v průběhu učeí. 4.2 Učeí ako prohledáváí Předpokládeme, že ak vstupí atrbuty tak cílový atrbut sou kategorálí. Obor hodot -tého atrbutu ozačme V a počet hodot -tého atrbut ozačme K. Zápsem A (v k ) kde v k V budeme začt k-tou hodotu -tého atrbutu. Hodotě atrbutu budeme říkat kategore. Kategor můžeme chápat dvoím způsobem:. Z pohledu predkátové logky se edá o atomckou formul vyadřuící vlastost obektu (apř. kategore pohlaví(muž) vyadřue vlastost být mužem). O každém obektu můžeme rozhodout, zda má ebo emá uvedeou vlastost (splňue ebo esplňue uvedeou formul): o : A (v k )( o ) = 0 pro pro = v v k k 2. Z možového pohledu defue kategore možu obektů maících daou vlastost: { A (v )} { o : = } k = v k Spoováím kategorí logckou spokou budeme vytvářet kombace. Ozačme s Comb = [ A (v ), A (v ),..., A (v )] = A (v ) A (v )... A k 2 k 2 l k l k 2 k 2 l k l (v ). Kombac tedy můžeme chápat ako sezam (možu) kategorí ebo ako koukc kategorí. Počet kategorí v kombac Comb budeme azývat délkou kombace a začt l(comb) 3. Vždy budeme předpokládat, že v kombac se evyskytuí dvě kategore téhož atrbutu. Lbovolou kombac Comb budeme opět terpretovat buď ako logckou formul o pro = v = v... = v : Comb( ) = k 2 k 2 l k l 0 ak o ebo ako možu obektů { Comb } { : = v = v... = } = o. k 2 k 2 l k l v Počet prvků možy {Comb} azveme četost kombace Comb a ozačíme (Comb). Platí-l Comb(o ) =, říkáme, že kombace Comb pokrývá obekt o. Moža {Comb} e tedy moža obektů pokrytých kombací Comb. 3 Kategore e tedy kombace délky.
9 Jak ž bylo řečeo, kombace se vytvářeí z kategorí. Přdáváím kategorí ke kombac vzkaí eí adkombace, odebráím kategorí z kombace vzkaí eí podkombace. Jsou-l Comb, Comb 2 dvě růzé kombace takové, že A ( v ) : A ( v ) Comb A ( v ) Comb, k k k 2 e kombace Comb podkombací kombace Comb 2 a kombace Comb 2 adkombací kombace Comb. Pomocí pomu podkombace můžeme defovat částečé uspořádáí mez kombacem 4. Je-l kombace Comb podkombací kombace Comb 2, potom říkáme, že kombace Comb e obecěší ež kombace Comb 2 a že kombace Comb 2 e specálěší ež kombace Comb a zapsueme Comb Comb 2 Je-l kombace Comb obecěší ež kombace Comb 2, potom Comb pokrývá alespoň všechy ty obekty, které pokrývá Comb 2. Pro takové dvě kombace tedy platí resp. a tedy o : Comb 2 ( o ) = Comb( o ) = { Comb 2 } { Comb } (Comb 2 ) (Comb ). Je-l kombace Comb obecěší ež kombace Comb 2, pak e délka kombace Comb meší ež délka kombace Comb 2 l(comb ) < l(comb 2 ). Počet možých kombací všech možých délek závsí a počtu vstupích atrbutů a a počtu hodot edotlvých atrbutů. Je-l m počet vstupích atrbutů a K počet hodot -tého atrbutu, e počet všech kombací, které lze vytvořt. m ( K + ) = Všechy kombace lze uspořádat podle obecost do tzv. prostoru kombací. Prostor kombací má podobu oretovaého grafu, kde uzly sou kombace a každá hraa směřue z ěaké kombace délky l do eí adkombace délky l+. Hray tedy vyadřuí relac být obecěší (resp. být specálěší ) vz Obr Pro dvě kombace Comb, Comb 2 totž emusí platt a Comb Comb 2 a Comb 2 Comb. 9
10 Obr. 4 Prostor kombací V případě učeí s učtelem se v datech vyskytue cílový atrbut C. Kategore cílového atrbutu budeme začt C(v t ). Každá kategore bude reprezetovat příklady ěaké třídy (koceptu). Ozačme t počet příkladů třídy t (tedy t =(C(v t )) ) a T počet tříd. Pro obektů v tréovacích datech D tedy platí = T t t= Velce často budeme řešt úlohu, kdy cílový atrbut má pouze dvě přípusté hodoty. V takovém případě budeme edu z hodot považovat za kocept, ehož pops se chceme aučt (budeme začt +). Kategore (moža) poztvích příkladů koceptu pak bude {C(+)} = { o : y = +} = D a kategore (moža) egatvích příkladů (resp. protpříkladů) tohoto koceptu pak bude {C(-)} = { o : y +} = D + - Data D tedy budou rozdělea do dvou tříd. D = D + D - V případě učeí s učtelem budeme hledat zalost použtelé pro klasfkac obektů do tříd. Zalost budou reprezetováy kombacem, které budeme chápat ako hypotézy vyadřuící vazbu mez hodotam vstupích atrbutů a edé straě a hodotou cílového atrbutu a straě druhé. Budou ás zaímat především tzv. kozstetí kombace. Kombace Comb e kozstetí, právě když pokrývá pouze příklady edé třídy: C(v ) o D : Comb( o ) = y = v t Ozačme a t = t (Comb) počet příkladů třídy t pokrytých kombací Comb. Potom (Comb) = T t= T ( Comb) = Pro kozstetí kombace pak estue třída C(v t ) taková, že (Comb) = a t. t t= a t t
11 V případě klasfkace do dvou tříd ás budou zaímat především kombace kozstetí s poztvím příklady koceptu. o D : Comb( o ) = y = + Dalším požadavkem bude, aby alezeé zalost pokrývaly všechy použté tréovací příklady. Nedá se samozřemě očekávat, že tuto vlastost bude mít edá kombace. Zalost tedy budou tvořey možou kombací. Ozačme tuto možu Desc. Pokud platí, že každý obekt z tréovací možy e pokryt ěakou kombací z možy Desc řekeme, že moža Desc e úplá. o D Comb Desc : Comb( o ) = Cílem učeí tedy bude alézt úplou možu kombací, které sou kozstetí s tréovacím daty. Dalším požadavkem může být, aby tato moža byla co emeší 5. Kombace budeme hledat v dříve zmíěém prostoru kombací. Teto prostor můžeme procházet (prohledávat) v zásadě dvěma způsoby: od obecěší kombace ke specálěší (krok specalzace), od specálěší kombace k obecěší (krok geeralzace). V kroku specalzace přdáme ke kombac ěakou kategor, v kroku geeralzace ěakou kategor z kombace odstraíme. Př specalzac resp. geeralzac tedy dvěma růzým směry procházíme prostor kombací. Postup od obecěších kombací ke specálěším se ěkdy azývá postup shora dolů (top dow), postup od specálěších kombací k obecěším se ěkdy azývá postup zdola ahoru (bottom up). Pro prohledáváí prostoru kombací se abízí řada strategí dobře zámých z ých oblastí umělé telgece [Wsto, 992]. Jeda z možostí e systematcky prohledat celý prostor kombací. Prohledávat můžeme do šířky (breath-frst), do hloubky (depth-frst), podle ěaké heurstky (apříklad podle četostí kombací), ebo áhodě. Uvedeé stratege můžeme alézt v algortmech pro hledáí asocačích pravdel, bude tedy o ch eště zmíka v příslušé kaptole. Jou možostí e proít e část prostoru opět áhodě ebo řízeě. Př řízeém prohledáváí to obvykle zameá důsledě s pro každý krok vybrat e tu elepší možost (tedy apříklad pro specalzac daé kombace e tu eperspektvěší kategor). Jedá se tedy v zásadě o gradetí strateg (podrobě o gradetích metodách v ásleduící podkaptole), v kotetu symbolckých metod stroového učeí azývaou best-frst ebo hll clmbg. Tyto stratege alezeme apříklad př tvorbě rozhodovacích pravdel ebo rozhodovacích stromů. Někde mez systematckým a gradetím strategem leží tzv. paprskové prohledáváí (beam search); př této strateg s pro každý krok evybereme pouze edou možost, ale paralelě sledueme určtý počet elepších možostí de tedy o omezeé prohledáváí do šířky. 5 Z tohoto požadavku plye, že by alezeé kombace měly být co eobecěší, aby eda kombace pokryla co evíce příkladů. Úplou možou kozstetích kombací totž může být taková moža, ve které ke každému obektu estue kombace délky m - tedy vlastě tréovací moža D + zapsaá ako kombace.
12 Ilustrume s předcházeící úvahy a edoduché úloze klasfkace kletů baky z hledska rzkovost poskytutí úvěru. Budeme hledat zalost, které ám a základě hodot atrbutů příem, koto, pohlaví, ezaměstaý, auto a bydleí umoží rozhodout, zda vyhovět žádost o úvěr. Tréovací data budou tvořea čtyřm obekty (Tab. ). Jedá se modfkovaý příklad uvedeý v [Mtchell, 997]. příem koto pohlaví ezaměstaý auto bydleí úvěr vysoký vysoké žea e ao vlastí + vysoký vysoké muž e ao vlastí + zký ízké muž e ao áemí - vysoký vysoké muž e e áemí + Tab. Tréovací data Zalost, které hledáme, budou tvořey kombacem kategorí. Ve shodě s Mtchellem zavedeme pro kozstetí kombac poem hypotéza. V ašem případě tedy hypotéza umožňue zařadt ěaký obekt do třídy úvěr(+) (tedy hypotéza reprezetue kocept úvěr(+)). Všechy hypotézy e možo grafcky zázort v tzv. prostoru hypotéz (hypothess space) H. Vzhledem k tomu, že sme hypotézy defoval ako kozstetí kombace, e teto prostor pouze částí prostoru kombací. Část prostoru hypotéz pro data z Tab. ukazue Obr. 5. Neobecěší hypotézou, která pokrývá všechy příklady e hypotéza délky 0, reprezetovaá prázdou kombací [ ]. Nespecálěším hypotézam sou hypotézy délky m, které reprezetuí edotlvé poztví příklady. Hypotézy zapsueme dříve zavedeým způsobem, tedy apř. Koto(vysoké)] 6. Příkladem algortmu, který postupue od specálěšího popsu k obecěšímu e Fd-S [Mtchell, 997] 7. Algortmus Fd-S hledá especálěší hypotézu, která e kosstetí se všem příklady hledaého koceptu. Algortmus postupě prochází poztví příklady a hledá ech společý pops. Negatví příklady emaí a učeí vlv (vz Obr. 6). V ašem příkladu algortmus postupě uvažue hypotézy Koto(vysoké),Pohlaví(žea),Nezaměstaý(e),Auto(ao),Bydleí(vlastí)] Koto(vysoké),Nezaměstaý(e),Auto(ao),Bydleí(vlastí)] Koto(vysoké),Nezaměstaý(e)] (vz.obr. 7). Př prohledáváí prostoru hypotéz tedy postupueme zdola ahoru. 6 Mtchell sám používá poěkud ý záps hypotéz. Obor hodot každého vstupího atrbutu doplňue o symbol? vyadřuící, že a hodotě atrbutu ezáleží (tedy že atrbut e relevatí). Kategore A(?) pokrývá všechy obekty; eí přdáí k ěaké kombac Comb tedy emá vlv a a logcké a a možové chápáí kombace Comb. Zavedeí hodoty? má čstě formálí důvody. Umožňue totž pracovat pouze s kombacem tvořeým kategorem všech vstupích atrbutů (tedy s kombacem délky m). Takové kombace Mtchell zapsue ako sezam hodot všech atrbutů. Tedy apř. záps [vysoký, vysoké,?,?,?,?] vyadřue kombac Koto(vysoké)]. Pro každý atrbut A přtom platí A(?) A(v k ). Neobecěší hypotéza e tedy zapsáa ako [?,?,?,?,?,?]. V této reprezetac hypotéz e krok geeralzace realzová ako áhrada ěkteré hodoty A(v k ) hodotou A(?) a krok specalzace realzová ako áhrada ěkteré hodoty A(?) hodotou A(v k ). Z Mtchellova přístupu e sado vdět, proč e počet všech kombací dá vzorcem (K + ). Vzorec počítá všechy kombace délky m, kde obor hodot každého atrbutu e rozšíře o hodotu?. 7 V původím Mtchellově algortmu má krok geeralzace (krok 2. algortmu) podobu: pro každý atrbut A f kategore A (v k ) epokrývá příklad o the ahraď tuto kategor eblžší obecěší kategor A (v g ) která pokrývá o
13 [ ]... [Pohlaví(žea)] [Příem(vysoký)] [Koto(vysoké)] [Bydleí(vlastí)]... Nezam(e)] Koto(vysoké)] [Koto(vysoké), Nezam(e)] Koto(vysoké), Nezam(e)] Koto(vysoké), Nezam(e), Auto(ao)] Koto(vysoké), Nezam(e), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e)] Koto(vysoké), Nezam(e), Auto(ao), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Bydleí(vlastí)] Koto(vysoké), Pohlaví(žea), Nezam(e), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(ao)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(e)] Koto(vysoké), Pohlaví(žea), Nezam(e), Auto(ao), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(ao), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(e), Bydleí(áemí)] Obr. 5 Prostor hypotéz Fd-S algortmus. přřaď do h especálěší hypotézu z H 2. pro každý poztví příklad o 2.. pro každou kategor A (v k ) z hypotézy h 2... pokud kategore A (v k ) epokrývá příklad o, potom odstraň tuto kategor z hypotézy h 3. vyde h Obr. 6 Algortmus Fd-S 3
14 S: Koto(vysoké), Nezam(e)] Koto(vysoké), Nezam(e), Auto(ao)] Koto(vysoké), Nezam(e), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e)] Koto(vysoké), Nezam(e), Auto(ao), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(e)] Koto(vysoké), Pohlaví(žea), Nezam(e), Auto(ao), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(ao), Bydleí(vlastí)] Koto(vysoké), Pohlaví(muž), Nezam(e), Auto(e), Bydleí(áemí)] Obr. 7 Prostor hypotéz prohledaý algortmem Fd-S Jým algortmem e Caddate-Elmato opět popsaý v [Mtchell, 997]. Na rozdíl od algortmu Fd-S budeme yí hledat všechy hypotézy, které sou kozstetí s tréovacím příklady. Tuto podmožu hypotéz, azývaou prostor řešeí (verso space), lze reprezetovat obecou hrací (geeral boudary G - especálěší obecá hypotéza) a specálí hrací (specfc boudary S - eobecěší specálí hypotéza). Algortmus hledá tyto hrace z obou koců prostoru hypotéz (Obr. 8). Pro poztví příklad se geeralzue specálí hypotéza tak, aby teto příklad pokrývala (hledá se specálí hrace), pro egatví příklad se specalzue obecá hypotéza tak, aby teto příklad epokrývala (hledá se obecá hrace). Pro aše data z Tab. povedou prví dva (poztví příklady) k alezeí S = { Koto(vysoké), Nezaměstaý(e),Auto(ao),Bydleí(vlastí)]} a G = {[]}, třetí (egatví) příklad povede ke změě G a {[Příem(vysoký)], [Koto(vysoké)], [Bydleí(vlastí)]}. Čtvrtý, poztví příklad povede ke změě S a { Koto(vysoké), Nezaměstaý(e)]} a ke změě G a {[Příem(vysoký)], [Koto(vysoké)]}. Výsledý prostor řešeí po zpracováí všech příkladů e uvede a Obr. 9.
15 Caddate-Elmato algortmus. přřaď do G možu eobecěších hypotéz z H 2. přřaď od S možu especálěších hypotéz z H 3. pro každý příklad o 3.. pokud o e poztví příklad, potom 3... odstraň z G všechy hypotézy, které epokrývaí příklad o pro každou hypotézu s z S, která epokrývá příklad o odstraň s z S přde do S emeší geeralzac h hypotézy s takovou, že h pokrývá příklad o a že v G e hypotéza obecěší ež h odstraň z S hypotézy, které sou obecěší ež é hypotézy v S 3.2. pokud o e egatví příklad, potom odstraň z S všechy hypotézy, které pokrývaí příklad o pro každou hypotézu g z G, která pokrývá příklad o odstraň g z G přde do G emeší specalzac h hypotézy g takovou, že h epokrývá příklad o a že v S e hypotéza specálěší ež h odstraň z G všechy hypotézy, které sou specálěší ež é hypotézy v G 4. vyde možy G a S Obr. 8 Algortmus Caddate-Elmato Obr. 9 Prostor řešeí Praktcké použtí obou uvedeých algortmů e omezeo skutečostí, že dobře fuguí pouze pro data bez kotradkcí. V dalších kaptolách se budeme podrobě zabývat symbolckým algortmy, které se dokáží s tímto omezeím vyrovat. Na závěr této podkaptoly eda pozámka. Učeí ako prohledáváí zde bylo chápáo ako prohledáváí prostoru kombací. Jak uvdíme pozdě, teto způsob odpovídá algortmům pro tvorbu pravdel. Jako prohledáváí prostoru řešeí (prostoru hypotéz) lze ale chápat é symbolcké metody stroového učeí. Prostor hypotéz by pak byl příslušě modfková; apříklad do podoby prostoru rozhodovacích stromů. 5
16 4.3 Učeí ako apromace fukcí Opět vycházíme z (ž dříve uvedeé) představy, že obekty téže třídy tvoří shluky v prostoru atrbutů. Jedotlvé shluky lze od sebe oddělt hrací kterou můžeme popsat ako fukc hodot edotlvých atrbutů. Př učeí se tedy sažíme a základě příkladů obektů edotlvých tříd alézt tuto fukc. Př apromac ěaké fukce se a základě hodot této fukce v koečém počtu bodů sažíme zrekostruovat eí obecou podobu (často vyádřeou aalytcky). Na rozdíl od terpolace epožadueme, aby alezeá fukce procházela zámým body. Cílem e alézt takovou fukc, která by co možá elépe vysthovala fukčí hodoty v bodech, které emáme k dspozc. Hledáí takového popsu e založeo a vyhodoceí odchylky mez skutečou fukčí hodotou ve zámém bodě a mez fukčí hodotou v tomto bodě, která vychází z hledaého popsu fukce. Naším cílem e mmalzovat celkovou odchylku ve všech zámých bodech ( Obr. 0). Obr. 0 Leárí terpolace vs. leárí apromace Př apromováí fukcí se obvykle používá metoda emeších čtverců popsaá v kaptole věovaé statstckým metodám. Přpomeňme zde tedy e to, že př použtí této metody mmalzueme součet druhých moc odchylek mez skutečou hodotou y a vypočítaou hodotou ŷ. Př výpočtu hodoty y přtom předpokládáme určtý typ fukčí závslost y = f() specfkovaý pouze svým parametry (ozačme e symbolem q), a metodou emeších čtverců hledáme tyto parametry. Hledáí mma celkové odchylky m Err(f, D ) = m (y - y ) 2 f f = se pak převádí a řešeí rovce d dq ( ) = y - f( ) 2 = 0 V případě aalytckého vyádřeí hledaé fukce f() (to e případ regresí ebo dskrmačí aalýzy kdy se volí typ fukce) lze z výše uvedeé rovce spočítat a základě příkladů o = [, y ] eí parametry q.
17 V případě, že tvar hledaé fukce ezáme, e třeba použít umercké metody. Mmum fukce se pak hledá teračím gradetím metodam. Tyto metody sou založey a tom, že z daého místa (aktuálí hodoty fukce) se př hledáí mma pohybueme ve směru evětšího spádu (gradetu) Err(q) = Err Err Err,,...,. q 0 q q Q Modfkace zalostí q = [q 0, q,..., q Q ] pak probíhá podle algortmu kde q q + q q Err = - η q a η e parametr vyadřuící velkost kroku kterým se přblžueme k mmu fukce Err. Je-l apř. chybová fukce Err(f, D = (y - y ) ) = (y - f`( )) 2 2 a předpokládaá fukce f leárí kombací vstupů f() = q, můžeme odvodt gradet fukce Err ako Err q = 2 q = q ( ) 2( y -y ) ( y -y ) = ( y -y ) ( y - q ) = ( y -y )( - ) y -y = 2 = = = = = q a tedy ( ) q = η y - y = Gradetí metody se používaí př učeí euroových sítí ebo př evolučím programováí. Na rozdíl od prvího případu (aalytcké vyádřeí hledaé fukce), kdy alezeme globálí mmum celkové odchylky, gradetí metody dokoverguí do eblžšího mma, které bývá často pouze mmem lokálím. Gradetí metody tak můžeme přrovat k pohybu kulčky v hrbolatém teréu (Obr. ). Výsledek (parametry hledaé fukce) slě závsí a počátečím stavu, ze kterého mmum začíáme hledat. Ze stavu S dokovergueme do mma M, ze stavu S 2 dokovergueme do mma M 2. Jedou z cest ak se s tímto problémem vypořádat e tzv. smulovaé žíháí (smulated aealg). Myšleka smulovaého žíháí vychází z aaloge s metalurgí. Zde se žíháím azývá opětové zahřátí kovu během eho chladutí. Výsledkem tohoto procesu e pevěší materál, atomy kovu se lépe uspořádaí. Smulovaým žíháím (v souvslost s gradetím metodam) se myslí drobá změa parametrů fukce v okamžku, kdy algortmus dokovergoval do mma. Změou parametrů se samozřemě z mma vychýlíme. Př opakovaém použtí gradetí metody e pak stá šace, že algortmus dokovergue do mma hlubšího; vychýleí ám totž může umožt přeskočeí baréry 7
18 v okolí prvího alezeého mma. Gradetí metodou dokovergueme ze stavu S do mma M, s pomocí smulovaého žíháí bychom ale mohl alézt mmum M 2. Obr. Gradetí metody Pozorý čteář s stě všml, že výklad v této podkaptole se ápadě shodue s popsem regresích metod z kaptoly předcházeící. Tato podobost eí áhodá. Učeí ako apromace fukcí e výrazě ovlvěo statstckým metodam to se týká především euroových sítí. Nevětší rozdíly sou tedy spíše v oblast termologcké. Tab. 2 uvádí základí odlšost v používaých pomech. stroové učeí statstka učeí odhadováí parametrů tréovací data vzorek dat příklad (z tréovací možy) pozorováí cílový atrbut závslá velča vstupí atrbut ezávslá velča chyba resduál váha (u euroových sítí) regresí koefcet Tab. 2 Termologcké rozdíly mez stroovým učeím a statstkou Lteratura: [Bruha, 993] Bruha,I.: Mache learg: Emprcal Methods. I Proc: Softwarový semář SOFSEM 9, 99 [Bruha, Berka, 2000] Bruha,I. - Berka,P.: Dscretzato ad Fuzzfcato of Numercal Attrbutes Attrbute- Based Learg. I: Szcepaak,P.S. - Lsboa,P.J.G. - Kacprzyk,J.: Fuzzy Systems Medce. Sprger ISBN [Klosge, Zytkow, 997] Klosge,W. - Zytkow,J.: Kowledge Dscovery ad Data Mg. Tutoral Notes. PKDD 97. Trodhem. [Kotek a kol., 980] Kotek,Z. - Chalupa,V. - Brůha,I. - Jelíek,J.: Adaptví a učící se systémy. SNTL, Praha, 980. [Mchalsk a kol., 983] Mchalsk,R. Carboell,J. Mtchell,T.: Mache Learg: A Artfcal Itellgece Approach. Toga Publ., 983. [Mtchell, 997] Mtchell,T.: Mache Learg. McGraw-Hll ISBN [Wsto, 992] Wsto,P.H.: Artfcal Itellgece. Addso Wesley ISBN
Strojové učení. Things learn when they change their behavior in a way that makes them perform better in a future. (Witten, Frank, 1999) typy učení:
Strojové učeí The feld of mache learg s cocered wth the questo of how to costruct computer programs that automatcally mprove wth eperece. (Mtchell, 1997) Thgs lear whe they chage ther behavor a way that
VíceOptimalizace portfolia
Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí
VíceU. Jestliže lineární zobrazení Df x n n
MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o
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.
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2
SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých
Více8. Zákony velkých čísel
8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
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
VíceVýukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT
Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
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
Více, jsou naměřené a vypočtené hodnoty závisle
Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,
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
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
Více11. Časové řady. 11.1. Pojem a klasifikace časových řad
. Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé
Vícea další charakteristikou je četnost výběrového souboru n.
Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu
VíceÚvod do korelační a regresní analýzy
Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou
Více9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost
Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,
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
VíceTento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i
: ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru
Více1.1 Definice a základní pojmy
Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých
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
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
VíceUniverzita Karlova v Praze Pedagogická fakulta
Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách
Více3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.
3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet
Více5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC
5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém
Více1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru
Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
Více1. Základy měření neelektrických veličin
. Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost
VícePRAVDĚPODOBNOST A STATISTIKA
SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty
Více7.Vybrané aplikace optimalizačních modelů
7.Vybraé aplkace optmalzačích modelů V této kaptole se budeme věovat dvěma typům úloh, pro echž řešeí se využívaí optmalzačí prcpy. Jedá se o modely aalýzy obalu dat, které se využívaí pro hodoceí relatví
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceEKONOMETRIE 9. přednáška Zobecněný lineární regresní model
EKONOMETRIE 9. předáška Zobecěý lieárí regresí model Porušeí základích podmíek klasického modelu Metoda zobecěých emeších čtverců Jestliže sou porušey ěkteré podmíky klasického modelu. E(u),. E (uu`) σ
Více2. Vícekriteriální a cílové programování
2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě
VíceVY_52_INOVACE_J 05 01
Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí
VíceLABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:
VíceP1: Úvod do experimentálních metod
P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu
VíceNepředvídané události v rámci kvantifikace rizika
Nepředvídaé událost v rác kvatfkace rzka Jří Marek, ČVUT, Stavebí fakulta {r.arek}@rsk-aageet.cz Abstrakt Z hledska úspěchu vestce ohou být krtcké právě ty zdroe ebezpečí, které esou detfkováy. Vzhlede
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2013.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceRekonstrukce vodovodních řadů ve vztahu ke spolehlivosti vodovodní sítě
Rekostrukce vodovodích řadů ve vztahu ke spolehlvost vodovodí sítě Ig. Jaa Šekapoulová Vodáreská akcová společost, a.s. Bro. ÚVOD V oha lokaltách České republky je v současost aktuálí problée zastaralá
VíceCvičení 2: Rozhodovací stromy, RBF sítě, vlastní algoritmy v RapidMineru
České vysoké učeí techcké v Praze Fakulta formačích techologí Katedra teoretcké formatky Evropský socálí fod Praha & EU: Ivestujeme do vaší budoucost MI-ADM Algortmy data mgu 2010/2011 Cvčeí 2: Rozhodovací
Více8 NELINEÁRNÍ REGRESNÍ MODELY
8 NELINEÁRNÍ REGRESNÍ MODELY 8 Tvorba eleárího regresího modelu Postup tvorby eleárího regresího modelu se dá rozčlet do těchto kroků: Návrh regresího modelu Obvykle se jako eleárí regresí model používá
VíceInterpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2
Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z
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
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
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
Více1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE
ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ
Více8.2.1 Aritmetická posloupnost
8.. Aritmetická posloupost Předpoklady: 80, 80, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Př. : V továrě dokočí každou hodiu motáž
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
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
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
VícePřednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.
Předáška V. Úvod do teore odhadu Pojmy a prcpy teore odhadu Nestraé odhady Metoda mamálí věrohodost Průměr vs. medá Opakováí výběrová dstrbučí fukce Sestrojíme výběrovou dstrbučí fukc pro výšku a váhu
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
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,
VíceChyby přímých měření. Úvod
Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,
Vícejsou varianty znaku) b) při intervalovém třídění (hodnoty x
Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém
VíceÚVOD DO PRAKTICKÉ FYZIKY I
JIŘÍ ENGLICH ÚVOD DO PRAKTICKÉ FYZIKY I ZPRACOVÁNÍ VÝSLEDKŮ MĚŘENÍ Jede z epermetů, které změly vývoj fyzky v mulém století. V roce 9 prof. H. Kamerlgh Oes ve své laboratoř v Leydeu měřl teplotí závslost
Více1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor
1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců
Více8. Odhady parametrů rozdělení pravděpodobnosti
Pozámky k předmětu Aplikovaá statistika, 8 téma 8 Odhady parametrů rozděleí pravděpodobosti Zaměříme se a odhad středí hodoty a rozptylu a to dvěma způsoby Předpokládejme, že máme áhodý výběr X 1,, X z
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
VíceMatematika I, část II
1. FUNKCE Průvodce studiem V deím životě, v přírodě, v techice a hlavě v matematice se eustále setkáváme s fukčími závislostmi jedé veličiy (apř. y) a druhé (apř. x). Tak apř. cea jízdeky druhé třídy osobího
VícePřednáška č. 10 Analýza rozptylu při jednoduchém třídění
Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě
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 =
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
VíceStatistika - vícerozměrné metody
Statstka - vícerozměré metody Mgr. Mart Sebera, Ph.D. Katedra kezologe Masarykova uverzta Fakulta sportovích studí Bro 0 Obsah Obsah... Sezam obrázků... 4 Sezam tabulek... 4 Úvod... 6 Pojmy... 7 Náhodé
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
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
VíceT e c h n i c k á z p r á v a. Pokyn pro vyhodnocení nejistoty měření výsledků kvantitativních zkoušek. Technická zpráva č.
Evropská federace árodích asocací měřcích, zkušebích a aalytckých laboratoří Techcká zpráva č. /006 Srpe 006 Poky pro vyhodoceí ejstoty měřeí výsledků kvattatvích zkoušek T e c h c k á z p r á v a EUROLAB
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
Více9.3.5 Korelace. Předpoklady: 9304
935 Koelace Předpoklad: 9304 Zatím jsme se zabýval vžd pouze jedím zakem, ve statstckém výzkumu jsme však u každého jedotlvce (statstcké jedotk) sledoval zaků více Učtě spolu ěkteé zak souvsí (apříklad
VíceJednokriteriální rozhodování za rizika a nejistoty
Jeokrterálí rozoováí za rzka a estoty U eokrterálíc úlo e vžy pouze eo krtérum optmalty, a to buď maxmalzačí ebo mmalzačí. araty rozoováí sou zaáy mplctě - pomíkam, které musí být splěy (vz úloy leárío
Více[ jednotky ] Chyby měření
Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá
VíceIV. MKP vynucené kmitání
Jří Máca - katedra mechaky - B35 - tel. 435 4500 maca@fsv.cvut.cz IV. MKP vyuceé kmtáí. Rovce vyuceého kmtáí. Modálí aalýza rozklad do vlastích tvarů 3. Přímá tegrace pohybových rovc 3. Metoda cetrálích
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
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VíceMěření závislostí. Statistická závislost číselných znaků
Měřeí závslostí Statstcká závslost číselých zaků - závslost dvou velč lze vádřt ako ech fukčí vztah vzorcem, taulkou hodot příslušé fukce eo grafck; - mez zak zkoumaých evů zšťueme estec příčé (kauzálí
VíceVýstup a n. Vstup. obrázek 1: Blokové schéma a graf paralelní soustavy
Paralelí soustava Vstup a a Výstup a Vstup a Výstup a a obrázek : Blokové schéma a graf paralelí soustavy paralelí soustava je v bezporuchovém stavu je-l v bezporuchovém stavu prvek (tzv. adbytečé spojeí
VíceÚvod do teorie měření
Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých
Vícef x a x DSM2 Cv 9 Vytvořující funkce Vytvořující funkcí nekonečné posloupnosti a0, a1,, a n , reálných čísel míníme formální nekonečnou řadu ( )
DSM Cv 9 Vytvořující fukce Vytvořující fukcí ekoečé poslouposti a0, a,, a, reálých čísel mííme formálí ekoečou řadu =. f a i= 0 i i Příklady: f = + = + + + + + ) Platí: (biomická věta). To zameá, že fukce
Více1. Úvod do základních pojmů teorie pravděpodobnosti
. Úvod do základích pojmů teore pravděpodobost. Úvodí pojmy Větša exaktích věd zobrazuje své výsledky rgorózě tj. výsledky jsou získáváy a základě přesých formulí a jsou jejch terpretací. Příkladem je
VíceStatistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).
Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké
VíceDobývání 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
VícePRAVDĚPODOBNOST A STATISTIKA
SP4 Přpomeutí pojmů PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů SP4 Přpomeutí pojmů Pravděpodobost Náhodý jev: - základí prostor - elemetárí áhodý jev A - áhodý jev, - emožý jev, jstý jev podjev opačý
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
VíceTéma 6: Indexy a diference
dexy a dferece Téma 6: dexy a dferece ředáška 9 dvdálí dexy a dferece Základí ojmy Vedle elemetárího statstckého zracováí dat se hromadé jevy aalyzjí tzv. srováváím růzých kazatelů. Statstcký kazatel -
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
Více6. FUNKCE A POSLOUPNOSTI
6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VíceAPLIKOVANÁ STATISTIKA
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA MANAGEMENTU A EKONOMIKY VE ZLÍNĚ APLIKOVANÁ STATISTIKA FRANTIŠEK PAVELKA PETR KLÍMEK ZLÍN 000 Recezoval: Haa Lošťáková Fratšek Pavelka, Petr Klímek, 000 ISBN 80 4
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
Více11. Regresní analýza. Čas ke studiu kapitoly: 60 minut. Cíl VÝKLAD Úvod
. egresí aalýza Čas ke studu kaptoly: 6 mut Cíl Po prostudováí tohoto odstavce udete umět vysvětlt pojem oecý leárí model prcp leárího regresího modelu používat výsledky regresí aalýzy verfkovat regresí
VíceTest dobré shody se používá nejčastěji pro ověřování těchto hypotéz:
Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám
Více9 NÁHODNÉ VÝBĚRY A JEJICH ZPRACOVÁNÍ. Čas ke studiu kapitoly: 30 minut. Cíl:
9 ÁHODÉ VÝBĚR A JEJICH ZPRACOVÁÍ Čas ke studu katol: 30 mut Cíl: Po rostudováí tohoto odstavce budete rozumět ojmům Základí soubor, oulace, výběr, výběrové šetřeí, výběrová statstka a budete zát základí
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
VíceAnalytická geometrie
MATEMATICKÝ ÚSTAV Slezská uverzta Na Rybíčku, 746 0 Opava DENNÍ STUDIUM Aalytcká geometre Téma 3.: Aí zobrazeí Dece 3.. Zobrazeí aího prostoru A do aího prostoru A se azývá aí zobrazeí, estlže má ásleduící
Více