ANALÝZA A KLASIFIKACE DAT
|
|
- Božena Sedláková
- před 5 lety
- Počet zobrazení:
Transkript
1 ANAÝZA A KASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚÁVÁNÍ a analýz
2 III. BAYESŮV KASIFIKÁTO Intitut biotatitiky a analýz
3 Intitut biotatitiky a analýz ZÁKADN KADNÍ POJMY A P POJMY A PŘEDPOKADY EDPOKADY při řešení paktických úloh je třeba předpokládat, že obazy ignálů jou ovlivněny víceméně náhodnými fluktuacemi zdoje ignálu, v přenoové cetě, při předzpacování i analýze, kteé e nepodaří zcela eliminovat. ztátová funkce udává ztátu při chybné klaifikaci obazu ze třídy do třídy. matice ztátových funkcí třední ztáta Ja udává půměnou ztátu při chybné klaifikaci obazu M O M M
4 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY pokud e outředíme na obazy pouze ze třídy, je třední ztáta dána půměnou hodnotou z d,a vzhledem ke všem obazům ze třídy, tj. J a d, a.p d kde p je podmíněná hutota pavděpodobnoti výkytu obazu ve třídě Intitut biotatitiky a analýz
5 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY Celková třední ztáta Ja je půměná hodnota ze ztát J a J a J a.p d, a.p d nebo podle Bayeova vzoce P.p p.p J a d, a kde p je hutota pavděpodobnoti výkytu obazu v celém obazovém potou a P je podmíněná pavděpodobnot, že daný obaz patří do třídy tzv. apoteioní pavděpodobnot třídy..p.p.p d Intitut biotatitiky a analýz
6 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY Návh optimálního klaifikátou, kteý by minimalizoval třední ztátu, počívá v nalezení takové množiny paametů ozhodovacího pavidla a*, že platí J a* minj a Doadíme-li za Ja z předchozího vztahu, je J a* min d, a a Je-li ztátová funkce kontantní po všechny obazy z,je dále J a* min a.p.p.p.p d d Intitut biotatitiky a analýz
7 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY Označíme-li ztátu při klaifikaci obazu do třídy.p.p tak po doazení dotaneme J a* min d Úloha nalezení minima celkové třední ztáty e tak převedla na minimalizaci funkce. Optimální ozhodovací pavidlo d,a* podle kitéia minimální celkové třední ztáty je d, a* min ME Intitut biotatitiky a analýz
8 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY Chceme-li využít pincipu dikiminačních funkcí Dikiminační funkci optimálního klaifikátou podle kitéia minimální chyby pak definujeme g min ma.p.p Intitut biotatitiky a analýz
9 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY DICHOTOMICKÝ KASIFIKÁTO Celková třední ztáta v případě dvou tříd je J a +.P.P.P.p. α + p p.p.p d +.d +.d +. β +.P.P.P.p p p. α +.P.d +.d d.p β Intitut biotatitiky a analýz
10 KITÉIUM IUM MINIMÁN NÍ STŘEDN EDNÍ ZTÁTY TY DICHOTOMICKÝ KASIFIKÁTO Dikiminační funkce po dichotomický klaifikáto bude + g.p.p g.p.p + +.p.p.p.p.p.p +.p.p g Položíme-li tento výaz nule dotaneme vztah po haniční plochu dichotomického klaifikátou, ze kteého můžeme učit pomě hutot pavděpodobnoti výkytu obazu v každé z obou klaifikačních tříd - věohodnotní pomě p.p Λ p.p Obaz zařadíme do třídy, když je věohodnotní pomě větší než výaz na pavé taně, je-li menší pak obaz zařadíme do třídy. + Intitut biotatitiky a analýz
11 VĚOHODNOSTNÍ POMĚ I. Sumaizuje veškeou infomaci zíkanou epeimentem. Pavděpodobnot, že jev data natane za daných podmínek hypotéza děleno pavděpodobnotí, že tejný jev natane za jiných podmínek. Podmínky jou vzájemně e vylučující. Intitut biotatitiky a analýz
12 VĚOHODNOSTNÍ POMĚ II. Věohodnotní pomě likelihood atio udává podíl pavděpodobnoti, že e vykytne nějaký jev A za učité podmínky jev B, k pavděpodobnoti, že e jev A vykytne, když podmínka neplatí jev nonb. Má-li například pacient náhlou ztátu paměti jev A, chceme znát věohodnotní pomě výkytu jevu A vpřípadě, že má mozkový nádo jev B, tj. podíl pavděpodobnoti, jakou ztáta paměti vzniká při nádou mozku, k pavděpodobnoti, jakou vzniká v otatních případech. Věohodnotní pomě je tedy podíl podmíněných pavděpodobnotí PA B PA nonb Intitut biotatitiky a analýz
13 KITÉIUM IUM MINIMÁN NÍ PAVDĚPODOBNOSTI PODOBNOSTI CHYBNÉHO HO OZHODNUTÍ Díky obtížnému tanovení hodnot ztátových funkcí e kitéium minimální chyby zjednodušuje použitím jednotkových ztátových funkcí definovaných Matice jednotkových ztátových funkcí má pak tva a celková ztáta je J a 0 M 0 po po což je hodnota pavděpodobnoti chybného ozhodnutí. 0 M X - O M 0 p.p d Intitut biotatitiky a analýz
14 KITÉIUM IUM MINIMÁN NÍ PAVDĚPODOBNOSTI PODOBNOSTI CHYBNÉHO HO OZHODNUTÍ Doadíme-li hodnoty jednotkových ztátových funkcí do vztahu po ztátu při klaifikaci obazu do chybné třídy p.p p.p p.p a využitím Bayeova vztahu p P p.p p nezávií na klaifikační třídě a tedy neovlivňuje výbě minima. Dikiminační funkci tedy můžeme učit jako g p.p p p.p Intitut biotatitiky a analýz
15 KITÉIUM IUM MINIMÁN NÍ PAVDĚPODOBNOSTI PODOBNOSTI CHYBNÉHO HO OZHODNUTÍ V případě dichotomického klaifikátou je dikiminační funkce g p.p p.p A věohodnotní pomě je potom Λ p p P P Intitut biotatitiky a analýz
16 Intitut biotatitiky a analýz KIT KITÉIUM MAXIM IUM MAXIMÁN NÍ APOSTEION APOSTEIONÍ PAVD PAVDĚPODOBNOSTI PODOBNOSTI Modifikujeme-li vztah po ztátu při chybné klaifikaci obazu podle Bayeova vztahu P.p p.p platí Hutota pavděpodobnoti p nezávií na klaifikační třídě a tedy míto lze použít a jednotkovými ztátovými funkcemi je.p p.p.p.p p ' P P P P '
17 nebo KITÉIUM IUM MAXIMÁN NÍ APOSTEIONÍ PAVDĚPODOBNOSTI PODOBNOSTI Minimum ztáty je pávě tehdy, když P je maimální. Tzn. že jako dikiminační funkci můžeme zvolit pávě hodnotu apoteioní pavděpodobnoti třídy, tj. g P Po případ dichotomického klaifikátou je dikiminační funkce g P - P 0. Z toho plyne, že hanicí mezi třídami učuje vztah P P P P Podle tohoto kitéia zatřídíme obaz do té třídy, jejíž apoteioní pavděpodobnot je při výkytu obazu větší. Intitut biotatitiky a analýz
18 KITÉIUM IUM MAXIMÁN NÍ PAVDĚPODOBNOSTI PODOBNOSTI MINIMAX Neznáme-li apioní pavděpodobnoti všech tříd, předpokládáme ovnoměné ozložení pavděpodobnot všech tříd je táž P P /. Potom celková třední ztáta J a doáhne minima, když.p d J a* min a.p d Dikiminační funkci lze jako v předchozích případech definovat jako g.p Intitut biotatitiky a analýz
19 KITÉIUM IUM MAXIMÁN NÍ PAVDĚPODOBNOSTI PODOBNOSTI MINIMAX V případě dichotomie je věohodnotní pomě Λ p p Pokud jou ceny pávného ozhodnutí nulové, tj. 0, je Λ p p Obaz je zařazen do třídy, když je věohodnotní pomě než pomě cen ztát chybných zatřídění. Jou-li obě ceny tejné, je obaz zařazen do té třídy, po kteou je hodnota p větší. Intitut biotatitiky a analýz
20 KITÉIUM IUM MAXIMÁN NÍ PAVDĚPODOBNOSTI PODOBNOSTI MINIMAX Intitut biotatitiky a analýz
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚLÁVÁNÍ a analýz II. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obaz zpacovávaných dat je
VíceANALÝZA A KLASIFIKACE DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík,, CSc. III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných dat je vyjádřen n-rozměrným loupcovým vektorem hodnot x i,
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VI. VOLBA A VÝBĚR PŘÍ ZAČÍNÁME kolik a jaké příznaky? málo příznaků možná chyba klasifikace;
VíceAnalýza a klasifikace dat
Analýza a klasifikace dat Jiří Holčík Březen 0 Přípava a vydání této publikace byly podpoovány pojektem ESF č. CZ..07/..00/07.038 Víceoboová inovace studia Matematické biologie a státním ozpočtem České
Více4. cvičení z Matematické analýzy 2
4. cvičení z Matematické analýzy 2 22. - 26. října 208 4. Po funkci fx, y, z xy 2 + z 3 xyz učete v bodě a 0,, 2 deivaci ve měu u, kteý je učen tím, že víá kladnými měy ouřadných o potupně úhly 60, 45
Více( + ) t NPV 10000 + + = NPV
Základní pojmy Finanční management Základní pojmy ozhodování a nejčastější omyly ovlivnitelné a neovlivnitelné položky elevantní náklad stálé a poměnné náklady půměné náklady maginální náklady Příklad
VíceProjekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci
Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Geometrie Gradovaný řetězec úloh Téma: Komolý kužel Autor: Kubešová Naděžda Klíčové pojmy:
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
VíceMotivace. Náhodný pokus, náhodný n jev. Pravděpodobnostn. podobnostní charakteristiky diagnostických testů, Bayesův vzorec
Pravděpodobnostn podobnostní charakteristiky diagnostických testů, Bayesův vzorec Prof.RND.Jana Zvárov rová,, DrSc. Motivace V medicíně má mnoho problémů pravěpodobnostní charakter prognóza diagnoza účinnost
VíceŘešení úloh 1. kola 51. ročníku fyzikální olympiády. Kategorie D = s v 2
Řešení úloh 1. kola 51. ročníku fyzikální olympiády. Kategorie D Autor úloh: J. Jírů 1.a) Dobaprvníjízdynaprvníčtvrtinětratije 1 4 1 4 48 t 1 = = h= 1 v 1 60 60 h=1min anazbývajícíčátitrati t = 4 v = 4
Více5.4.6 Objemy a povrchy rotačních těles I
5.4.6 Objey a povchy otačních těle I Předpoklady: 050405 Pedagogická poznáka: Stejně jako u nohotěnů i u otačních těle e vzoce po objey a obahy e neodvozují, žáci ohou využívat tabulky a cíle hodin je,
VíceObsah přednášky. 1. Základní pojmy. 2. Jednorozměrné charakteristiky 3. Rozložení 4. Vícerozměrné charakteristiky. Jak stručně popsat data
Obah přednášky 1. Základní pojmy. Jednorozměrné charakteritiky 3. Rozložení 4. Vícerozměrné charakteritiky Jak tručně popat data 5. Hypotézy, tety O kvalitě dat a modelů Základní a výběrový oubor, pravděpodobnot,
VíceČásti kruhu. Předpoklady:
2.10.3 Části uhu Předpolady: 0201002 Př. 1: Na užnici ( ;5cm) leží body,, = 8cm. Uči početně vzdálenost tětivy od středu užnice. pávnost výpočtu zontoluj ýsováním. Naeslíme si obáze a využijeme speciální
VíceIng. Petra Cihlářová. Odborný garant: Doc. Ing. Miroslav Píška, CSc.
Vyoké učení technické v Bně Fakulta tojního inženýtví Útav tojíenké technologie Odbo obábění Téma: 3. cvičení - Geometie řezného nátoje Okuhy: Učení nátojových úhlů po nátoje ovinnými plochy Aγ, Aα Kontola
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE. FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA SPECIÁLNÍ GEODÉZIE název předmětu
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA SPECIÁLNÍ GEODÉZIE název předmětu EKONOMIKA V ZEMĚMĚŘICTVÍ A KATASTRU číslo úlohy 1. název úlohy NEMOVITOSTÍ Analýza
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceInformační listy výrobků. Zásobník teplé vody Typ Třída energetické účinnosti Statická ztráta [W] Užitný objem [l] NAD 1000v1
Strana 1 z NAD 1000v1 5 NAD 1000v1-790 mm 5 NAD 1000v2 5 NAD 1000v3 5 NAD 1000v4 3 985 Strana 2 z NAD 1000v5 126 971 NAD 250v1 88 265 NAD 300v3 320 NAD 500v1 83 NAD 500v2 83 Strana 3 z NAD 500v3 83 NAD
VíceMechanika hmotného bodu
Mechanika hmotného bodu Pohybové zákony klaické fyziky Volný hmotný bod = hmotný bod (HB), na kteý nepůobí žádné íly (je to abtaktní objekt). Ineciální vztažná (ouřadná) outava = vztažná (ouřadná) outava,
Více1 Seznamová barevnost úplných bipartitních
Barvení grafů pravděpodobnotní důazy Zdeně Dvořá 7. proince 208 Seznamová barevnot úplných bipartitních grafů Hypergraf je (labě) -obarvitelný, jetliže exituje jeho obarvení barvami neobahující monochromaticou
VíceODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK
ODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK Hana Boháčová Univezita Padubice, Fakulta ekonomicko-spávní, Ústav matematiky
VíceB1. Výpočetní geometrie a počítačová grafika 9. Promítání., světlo.
B. Výpočetní geometie a počítačová gafika 9. Pomítání., světlo. Pomítání Převedení 3D objektu do 2D podoby je ealizováno pomítáním, při kteém dochází ke ztátě infomace. Pomítání (nebo též pojekce) je tedy
VíceMotivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND.
Pravděpodobnostn podobnostní charateristiy diagnosticých testů, Bayesův vzorec Prof.RND RND.Jana Zvárov rová,, DrSc. Náhodný pous, náhodný n jev Náhodný pous: výslede není jednoznačně určen podmínami,
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceTECHNICKÁ UNIVERZITA V LIBERCI Katedra fyziky, Studentská 2, 461 17 Liberec
TECHNICKÁ UNIVERZITA V LIBERCI Katedra fyziky, Studentká, 6 7 Liberec POŽADAVKY PRO PŘIJÍMACÍ ZKOUŠKY Z FYZIKY Akademický rok: 0/0 Fakulta mechatroniky Studijní obor: Nanomateriály Tématické okruhy. Kinematika
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VíceTESTOVÁNÍ STATISTICKÝCH HYPOTÉZ ZÁKLADNÍ POJMY
TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ ZÁKLADNÍ POJMY Statistická hypotéza je určitá domněnka (předpoklad) o vlastnostech ZÁKLADNÍHO SOUBORU. Test statistické hypotézy je pravidlo (kritérium), které na základě
Vícejevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
VícePříklady k přednášce 19 - Polynomiální metody
Příklady k přednášce 19 - Polynomiální metody Michael Šebek Automatické řízení 013 7-4-14 Opakování: Dělení polynomů: e zbytkem a bez Polynomy tvoří okruh, ale ne těleo (Okruh tvoří také celá číla, těleo
VíceZákladní spádové metody
Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)
VíceMAGNETICKÉ POLE ELEKTRICKÉHO PROUDU. r je vyjádřen vztahem
MAGNETICKÉ POLE ELEKTRICKÉHO PROUDU udeme se zabývat výpočtem magnetického pole vytvořeného danou konfiguací elektických poudů (podobně jako učení elektického pole vytvořeného daným ozložením elektických
Více7 Konvexní množiny. min c T x. při splnění tzv. podmínek přípustnosti, tj. x = vyhovuje podmínkám: A x = b a x i 0 pro každé i n.
7 Konvexní množiny Motivace. Lineární programování (LP) řeší problém nalezení minima (resp. maxima) lineárního funkcionálu na jisté konvexní množině. Z bohaté škály úloh z této oblasti jmenujme alespoň
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
VícePříklady k přednášce 19 - Polynomiální metody
Příklady k přednášce 19 - Polynomiální metody Michael Šebek Automatické řízení 016 15-4-17 Dělení polynomů: e zbytkem a bez Polynomy netvoří těleo (jako reálná číla, racionální funkce, ) ale okruh (jako
Více5. Teorie informace. Kvantitativní vyjádení množství informace ve zpráv. Syntax versus sémantika (zde nás zajímá syntaktická ást).
Enet 004 5. Teoie infomace 5. Infomace a entopie Kvantitativní vyjádení množtví infomace ve zpáv. Syntax ve émantika (zde ná zajímá yntaktická át. Dležité pojmy: o Abeceda nap. {a,b,c,bd,cd}. o Zpáva (nap.
VíceStatistika. Testování hypotéz statistická indukce Úvod do problému. Roman Biskup
Statistika Testování hypotéz statistická indukce Úvod do problému Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 21. února 2012 Statistika by Birom
Více2.1 Shrnutí základních poznatků
.1 Shnutí základních poznatků S plnostěnnými otujícími kotouči se setkáváme hlavně u paních a spalovacích tubín a tubokompesoů. Matematický model otujících kotoučů můžeme s úspěchem využít např. i při
VíceFyzikální korespondenční seminář MFF UK
Fyzikální koepondenční eminář MFF UK Úloha I.4... něo je tu nakřivo 6 bodů; půmě 3,1; řešilo 6 tudentů Pozoovatel e nahází na lodi na otevřeném moři ve výše h nad hladinou. Je vzdálen d od vodoovného zábadlí
Více5. cvičení z Matematické analýzy 2
5. cvičení z Matematické analýz 2 30. října - 3. litopadu 207 5. linearizace funkce a Pro funkci f, = e nalezněte její linearizaci v bodě a 0 = 6, 0. Použijte ji k přibližnému určení hodnot funkce f v
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
VíceTeorie plasticity PLASTICITA
Teore platcty PLASTICITA TEORIE PLASTICKÉHO TEČENÍ IDEÁLNĚ PRUŽNĚ-PLASTICKÝ MATERIÁL BEZ ZPEVNĚNÍ V platcém tavu nelze jednoznačně přřadt danému napětí jedné přetvoření a naopa, ja tomu bylo ve tavu elatcém.
VíceVzpěr jednoduchého rámu, diferenciální operátory. Lenka Dohnalová
1 / 40 Vzpěr jednoduchého rámu, diferenciální operátory Lenka Dohnalová ČVUT, fakulta stavební, ZS 2015/2016 katedra stavební mechaniky a katedra matematiky, Odborné vedení: doc. Ing. Jan Zeman, Ph.D.,
VíceDélka kružnice (obvod kruhu) II
.10.7 Déla užnice (obvod uhu) II Předpolady: 01006 Př. 1: Bod je od středu užnice ( ;cm) vzdálen 7 cm. Uči početně vzdálenost z bodu do bodu, teý je tečným bodem tečny užnice jdoucí z bodu. vůj výslede
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
VícePosouzení stability svahu
Inženýrký manuál č. 8 Aktualizace: 02/2016 Poouzení tability vahu Program: Soubor: Stabilita vahu Demo_manual_08.gt V tomto inženýrkém manuálu je popán výpočet tability vahu, nalezení kritické kruhové
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vlastní čísla a vektory Google Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceProudění plynu vakuovým potrubím
Poudění pynu vakuovým potubím - ozdí taků - poud pynu - vodivost, (odpo) potubí Jaká je anaogie s eektickými veičinami? Vacuum Technoogy J.Šandea, FEE, TU Bno Poudění pynu vakuovým potubím Je třeba znát
Více!!! #!! # % & ()!+ %& #( ) +,,!,!!./0./01 2 34 % 00 (1!#! #! #23 + )!!,,5,!+ 4)!005!! 6 )! %,76!,8, )! 44 %!! #! #236!!1 1 5 6 5+!!1 ( 9 9!5 6 + /+ # % 7 8 % : 4; 2,/! = %
Vícedynamika hmotného bodu, pohybová rovnice, d Alembertůvprincip, dva druhy úloh v dynamice, zákony o zachování / změně
Dnaika I,. přednáška Oba přednášk : dnaika otnéo bodu, pobová ovnice, d lebetůvpincip, dva du úlo v dnaice, zákon o zacování / zěně Doba tudia : ai odina Cíl přednášk : eznáit tudent e základníi zákonitoti
Vícedo strukturní rentgenografie e I
Úvod do stuktuní entgenogafie e I Difakce tg záření na kystalu Metody chaakteizace nanomateiálů I RND. Věa Vodičková, PhD. Studium kystalové stavby Difakce elektonů, neutonů, tg fotonů Kystal ideální mřížka
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 21 - PRAVIDLA ROZHODOVÁNÍ ZA RIZIKA A NEJISTOTY doc. Ing. Monika MOTYČKOVÁ (Grasseová), Ph.D. Univerzita obrany Fakulta ekonomika a managementu Katedra vojenského managementu
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceModely produkčních systémů. Plánování výroby. seminární práce. Autor: Jakub Mertl. Xname: xmerj08. Datum: ZS 07/08
Modely podukčních systémů Plánování výoby seminání páce Auto: Jakub Metl Xname: xmej08 Datum: ZS 07/08 Obsah Obsah... Úvod... 3 1. Výobní linky... 4 1.1. Výobní místo 1... 4 1.. Výobní místo... 5 1.3.
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceVěta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)
1. Lineární diferenciální rovnice řádu n [MA1-18:P1.7] rovnice typu y n) + p n 1 )y n 1) +... + p 1 )y + p 0 )y = q) 6) počáteční podmínky: y 0 ) = y 0 y 0 ) = y 1 y n 1) 0 ) = y n 1. 7) Věta 1.3 : Necht
VíceVysokofrekvenční obvody s aktivními prvky
Vokofrekvenční obvod aktivními prvk Základními aktivními prvk ve vokofrekvenční technice jou bipolární a unipolární tranzitor. Dalšími aktivními prvk jou hbridní nebo monolitické integrované obvod. Tranzitor
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceMatice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.
Matice Definice. Maticí typu m n nazýváme obdélníkové pole, tvořené z m n reálných čísel (tzv. prvků matice), zapsaných v m řádcích a n sloupcích. Značíme např. A = (a ij ), kde i = 1,..., m, j = 1,...,
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceNUMERICKÉ STUDIUM STĚNOVÉ VRSTVY PLAZMATU VÁLCOVÉ KATODY
NUMERICKÉ STUDIUM STĚNOVÉ VRSTVY PLAZMATU VÁLCOVÉ KATODY J. Blaže 1) P. Špatena ) J. Olejníče 3) P. Batoš 1) 1) Jihočeá univezita ateda fyziy Jeonýmova 1 371 15 Čeé Budějovice ) Technicá univezita Libeec
VíceStručný úvod do testování statistických hypotéz
Stručný úvod do testování statistických hypotéz 1. Formulujeme hypotézu (předpokládáme, že pozorovaný jev je pouze náhodný). 2. Zvolíme hladinu významnosti testu a, tj. riziko, s nímž jsme ochotni se smířit.
VíceKinematika. Hmotný bod. Poloha bodu
Kinematika Pohyb objektů (kámen, automobil, střela) je samozřejmou součástí každodenního života. Pojem pohybu byl poto známý už ve staověku. Modení studium pohybu začalo v 16. století a je spojeno se jmény
Více1 Klasická pravděpodobnost. Bayesův vzorec. Poslední změna (oprava): 11. května 2018 ( 6 4)( 43 2 ) ( 49 6 ) 3. = (a) 1 1 2! + 1 3!
Výsledky příkladů na procvičení z NMSA0 Klasická pravděpodobnost. 5. ( 4( 43 ( 49 3. 8! 3! 0! = 5 Poslední změna (oprava:. května 08 4. (a! + 3! + ( n+ n! = n k= ( k+ /k! = n k=0 ( k /k!; (b n k=0 ( k
VíceChyba rozměru šroubové drážky
Chyba ozměu šoubové dážky Kael Jandečka, Pof. Ing. CSc. Kateda technologie obábění, FST, ZČU v Plzni, Univezitní 8, 306 4, Plzeň, Č, jandecka@kto.zcu.cz Článek pezentuje další výledky v řešení této poblematiky
Vícepřednáška TLAK - TAH. Prvky namáhané kombinací normálové síly a ohybového momentu
7..0 přednáška TLAK - TAH Prvky namáhané kombinací normálové íly a ohybového momentu Namáhání kombinací tlakové (tahové) íly a momentu tlak Namáhání kombinací tlakové (tahové) íly a momentu Namáhání kombinací
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VOKÁ ŠKOLA BÁŇKÁ TECHNICKÁ NIVEZITA OTAVA FAKLTA TOJNÍ ZÁKLAD ATOMATICKÉHO ŘÍZENÍ 9. týden doc. Ing. enata ANEOVÁ, Ph.D. Otrava 03 doc. Ing. enata ANEOVÁ, Ph.D. Vyoká škola báňká Technická univerzita Otrava
VíceTURBOWENT HYBRIDNÍ Ø 150 - Ø 200 - SÍŤOVÁ VERZE - rotační komínová hlavice
BWN HBIDNÍ Ø 0 Ø 00 ÍŤVÁ VZ tační kmínvá hlavice BÁZ x CH L H d N Lpmax dle n=0 Ø 0 8 db db Ø 0 Ø 00 db db Ø 00 LW Půmě Ø 0 db Ø 00 značení íťvé veze veze pdtavy značení veze hybidní mateiál tubíny mateiál
VíceZáklady teorie pravděpodobnosti
Základy teorie pravděpodobnosti Náhodný jev Pravděpodobnost náhodného jevu Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 15. srpna 2012 Statistika
VíceÚlohy krajského kola kategorie B
61. očník matematické olmpiád Úloh kajského kola kategoie B 1. Je dáno 01 kladných čísel menších než 1, jejichž součet je 7. Dokažte, že lze tato čísla ozdělit do čtř skupin tak, ab součet čísel v každé
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
Více3. přednáška 15. října 2007
3. přednáška 15. října 2007 Kompaktnost a uzavřené a omezené množiny. Kompaktní množiny jsou vždy uzavřené a omezené, a v euklidovských prostorech to platí i naopak. Obecně to ale naopak neplatí. Tvrzení
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ týden doc Ing Renata WAGNEROVÁ, PhD Otrava 013 doc Ing Renata WAGNEROVÁ, PhD Vyoká škola báňká Technická univerzita
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceVlastní čísla a vlastní vektory
Vlastní čísla a vlastní vektory 1 Motivace Uvažujme lineární prostor všech vázaných vektorů v rovině, které procházejí počátkem, a lineární zobrazení tohoto prostoru do sebe(lineární transformaci, endomorfismus)
VícePrůvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
VíceČlánek 1. evidenční číslo smlouvy Poskytovatele: S-I 2564/REG/20 16
evidenční číslo smlouvy Poskytovatele: S-I 2564/REG/20 16 Veřejnopávní smlouva o poskytnutí dotace podle Pogamu 2016 po poskytování dotací z ozpočtu Středočeského kaje ze Středočeského Fondu ozvoje obcí
VíceMatematika 5 FSV UK, ZS Miroslav Zelený
Matematika 5 FSV UK, ZS 2018-19 Miroslav Zelený 1. Stabilita řešení soustav diferenciálních rovnic 2. Úvod do variačního počtu 3. Globální extrémy 4. Teorie optimálního řízení 5. Různé 1. Stabilita řešení
VíceZ teorie je nutné znát pojmy: lineární funkcionál, jádro, hodnost a defekt lineárního funkcionálu. Také využijeme 2. větu o dimenzi.
Lineární funkcionál Z teorie je nutné znát pojm: lineární funkcionál jádro hodnost a defekt lineárního funkcionálu Také vužijeme větu o dimenzi [cvičení] Nechť je definován funkcionál ϕ : C C pro každé
Více3.7. Magnetické pole elektrického proudu
3.7. Magnetické pole elektického poudu 1. Znát Biotův-Savatův zákon a umět jej použít k výpočtu magnetické indukce v jednoduchých případech (okolí přímého vodiče, ve středu oblouku apod.).. Pochopit význam
VíceMetoda konjugovaných gradientů
0 Metoda onjugovaných gradientů Ludě Kučera MFF UK 11. ledna 2017 V tomto textu je popsáno, ja metodou onjugovaných gradientů řešit soustavu lineárních rovnic Ax = b, de b je daný vetor a A je symetricá
Víced T FP = fázový přechod (tání, tuhnutí, vypařování, kapalnění, sublimace)
Fázové rovnováhy jednoložkový ytém Gibbův fázový zákon k f C Popi záviloti tlaku naycených par na teploě Clapeyronova rovnice: d p F P m n e b o F P d l np F P m F P z FP fázový přechod (tání, tuhnutí,
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
VíceROZDĚLENÍ PŘÍJMŮ A JEHO MODELY. Jitka Bartošová
ROZDĚLENÍ PŘÍJMŮ A JEHO MODELY Jitka Batošová Kateda managementu infomací, Fakulta managementu, Vysoká škola ekonomická Paha, Jaošovská 1117/II, 377 01 Jindřichův Hadec batosov@fm.vse.cz Abstakt: Poces
VíceVztahy mezi základním souborem a výběry. Základní pojmy a symboly. K čemu to je dobré? Výběrové metody zkoumání
K čemu to je dobé? Obvyklým případem při zpacováí homadých jevů je, že máme poměě malý počet pozoováí ějaké veličiy a chceme učiit závěy o tom, co bychom obdželi, kdybychom měli pozoováí mohokát více.
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 14.10 až 15.40 hod. http://www1.osu.cz/~tvrdik
VíceLineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
VíceLékařská biofyzika, výpočetní technika I. Biostatistika Josef Tvrdík (doc. Ing. CSc.)
Lékařská biofyzika, výpočetní technika I Biostatistika Josef Tvrdík (doc. Ing. CSc.) Přírodovědecká fakulta, katedra informatiky josef.tvrdik@osu.cz konzultace úterý 4. až 5.4 hod. http://www.osu.cz/~tvrdik
VíceWalter Cut prostě zapichování a upichování
Kompetentní výobky Zapichování, upichování a dážkování _ZAMĚŘENÍ NA OBRÁBĚNÍ Walte Cut potě zapichování a upichování Walte Cut Jednoduché zapichování Obah 2 Popi pogamu Walte Cut Nátoje Walte Cut 2 Řezné
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
VíceAlgoritmy ořezávání. Ořezávací oblast. Test polohy bodu vzhledem ke konvexnímu mnohoúhelníku. Test polohy bodu vzhledem k pravoúhelníku.
řednáška 6 lgoitmy ořezávání Ořezávací oblast Učení viditelné oblasti uživatelského souřadnicového systému USS Vykeslení pouze té části obazu, kteá leží ve viditelné oblasti Obvykle je viditelnou (ořezávací)
VíceLineární programování
Lineární programování Petr Tichý 19. prosince 2012 1 Outline 1 Lineární programování 2 Optimalita a dualita 3 Geometrie úlohy 4 Simplexová metoda 2 Lineární programování Lineární program (1) min f(x) za
Více3 Chyby měření. 3.1 Hrubé chyby
3 Chyby měření Za daných podmínek má každá fyzikální veličina určitou hodnotu, kterou ovšem z principiálních důvodů nemůžeme zjitit úplně přeně. Každé měření je totiž zatíženo chybami, které jou nejrůznějšího
Více