Regresní lineární model symboly
|
|
- Drahomíra Procházková
- před 5 lety
- Počet zobrazení:
Transkript
1
2 Lneární model, Dskrmnační analýza, Podůrné vektory Regresní lneární model symboly Použté značení b arametry modelu (vektor ) očet atrbutů (skalár) N očet říkladů (skalár) x jeden říklad (vektor ) x -tá hodnota říkladu x (skalár) X matce všech říkladů (matce N ) X -tý říklad (vektor ) y výstuní hodnota (skalár) Y vektor výstuů ( ) Y -tý výstu (skalár) b = x = X = X = Y = N N
3 Regresní lneární model úvod znalost uložena v koefcentech lneárního modelu odvození koefcentů metodou nejmenších čtverců (MNČ) exstují modely lnearzovatelné (nař. logtový model) Lneární model: Lneární model, Dskrmnační analýza, Podůrné vektory y b 0 j x j b j Predkce: yˆ x x b ˆ alaeomath.alass.org
4 Lneární model, Dskrmnační analýza, Podůrné vektory Regresní lneární model vlastnost často svou řesností řekonají nelneární modely, zejména v stuac, když je málo trénovacích dat slný bas (ředojatost), menší odíl chyby varance vstuní velčna x může být různě transformována: x, sn(x), x x, log(x), jsou tyto modely lneární? y=b 0 +b x y=b 0 sn(x ) y=b 0 +b x + b 0 b x y=b 0 sn(b x ) y=b 0 +b x+ b e x y=x + x b zajímá nás jak určt arametry b nterval solehlvost těchto arametrů jak regresní model oužít ke klasfkac
5 Lneární model, Dskrmnační analýza, Podůrné vektory Regresní lneární model b Odvození hodnot arametrů modelu tak, aby chyba ve výstuní velčně byla co nejmenší. Výočet chyby: metoda nejmenších čtverců RSS b y X b Y Xb Y Xb Po dervac odle b získáme tvar: N RSS b RSS X Y Xb X X bb
6 Lneární model, Dskrmnační analýza, Podůrné vektory Regresní lneární model b Postavím. dervac rovnu 0 X Y Xb 0 bˆ X X X Y Pro konečný model tedy latí: Yˆ X bˆ X X X X Y Pokud X X je matce sngulární (není nvertblní), arametry b nejsou jednoznačně určeny. Lze ubrat atrbuty (zůsobují atrbuty lneárně závslé korelace = ±). Co zůsobuje sngulartu matce X X? Jak j lze odstrant?
7 Lneární model, Dskrmnační analýza, Podůrné vektory Regresní lneární model nterval solehlvost b Y Xb Předoklad je, že, kde ε N(0,σ ) Kovaranční matc arametru b vyočteme jako: Cov b X X, kde ˆ Y Yˆ Y N Odhadu arametru b odléhá normálnímu rozložení Yˆ b Hyotézu H 0 : b =0 osoudíme odle Z-skóre. Čím je absolutní hodnota z větší, s tím větší ravděodobností lze H 0 zamítnout z b v N b, X X kde v je -tý rvek na hlavní dagonále matce (X X) -
8 Lneární model, Dskrmnační analýza, Podůrné vektory Lneární model klasfkace bnární o klasfkac rozhoduje vzdálenost od rovny třídy nahrazeny čísly 0 a nebo - a je defnována rozhodovací hrance (= krtcká hodnota, rahová hodnota) kódování 0/ krtcká hodnota = 0,5 kódování -/ krtcká hodnota = 0 Klasfkace: Gˆ x : : fˆ fˆ x x 0 0 neuron.felk.cvut.cz
9 Lneární model, Dskrmnační analýza, Podůrné vektory Lneární model klasfkace vícerozměrná mějme třídy g,,g K vytvoření K modelů, řčemž ro každý: vytvořena nová data, resektve nová výstuní velčna G matce G (ndcator matrx) má rozměr NK hodnoty matce tvořeny a 0 (odle říslušnost do třídy) naučeno K modelů f Klasfkace: Gˆ x arg max.. K fˆ x Jak se vytváří tzv. ndcator matrx?
10 Lneární model, Dskrmnační analýza, Podůrné vektory Lneární model klasfkace vícerozměrná rotože G je obdélníková matce, matce arametrů B je obdélníková aralelně se během výočtu vytvoří K lneárních modelů G XB G X X X X G B X X X G G N K B K
11 Lneární model, Dskrmnační analýza, Podůrné vektory Lneární model klasfkace vícerozměrná roblém s maskováním třídy (když rostřední shluk = 0, ostatní = ; funkce této substtuce vede středem třídy a bude maskována jednou z krajních tříd) he elements of statstcal learnng by. Haste and col. Co je to maskování tříd, čím je zůsobeno?
12 Lneární model, Dskrmnační analýza, Podůrné vektory Dskrmnační analýza o klasfkac rozhoduje hustota ravděodobnost dané třídy (nebo vzdálenost od růměru třídy v rostoru transformovaném kovaranční matcí a arorní ravděodobností) kovaranční matce v LDA (lneární dskrmnační analýze) je jedna solečná kovaranční matce ro všechny třídy v QDA (kvadratcké dskrmnační analýze) má každá třída svoj kovaranční matc dskrmnační skór = funkce vyjadřující vzdálenost vztahy rozšřovány o arorní ravděodobnost (vyočtená z četnost v trénovacích datech)
13 Lneární model, Dskrmnační analýza, Podůrné vektory Lneární dskrmnační analýza vs. PCA PCA mění souřadný systém tak, aby v co nejmenším očtu souřadnc vysvětlla celkový roztyl v datech LDA ředokládá stejný roztyl, maxmalzuje rozdíl v růměrech jednotlvých tříd
14 Lneární dskrmnační analýza (LDA) ro bnární roblém stejná jako lneární model ř vícerozměrné klasfkac zamezuje maskování tříd ředokládá vícerozměrné gausovské rozdělení tříd solečná kovaranční matce ro všechny třídy je možné rozšířt rostor vstuních atrbutů o jejch transformace (mocnna, ) Klasfkace: x arg max x arg max x ln ˆ k.. k.. k G Lneární model, Dskrmnační analýza, Podůrné vektory kde je arorní ravděodobnost -té třídy
15 LDA odvození odvození vycházející z Bayesova vzorce Dále se ředokládá normální rozložení dat (D h) Lneární model, Dskrmnační analýza, Podůrné vektory D D h h h D 0 0 ln h h D h D h h h D h D h x x x e N e N ; ;
16 LDA odvození arorní ravděodobnost odvozena z četností π=n k /N kovaranční matce se vyočte řes všechna data ro klasfkac mez dvěma třídam lze odvodt: Lneární model, Dskrmnační analýza, Podůrné vektory ln ln ln ln ln x x x x x x x x x e e D h h D h h D h D h
17 Lneární model, Dskrmnační analýza, Podůrné vektory LDA rozdělení rostoru he elements of statstcal learnng by. Haste and col.
18 Kvadratcká dskrmnační analýza (QDA) okud odlšné rozložení v jednotlvých třídách kovaranční matce ro každou třídu Klasfkace: Gˆ x arg max.. k Lneární model, Dskrmnační analýza, Podůrné vektory arg max.. k ln k x x x ln kde je arorní ravděodobnost -té třídy
19 Lneární model, Dskrmnační analýza, Podůrné vektory Příklad V evdenc je 400 acentů s vážnou nemocí. U každého je zaznamenána anamnéza a rovedeno vyšetření. Pacent jsou rozdělen do tří skun. V rvní skuně jsou t, kteří zemřel do 0 dnů o říchodu. Pacent z druhé skuny zemřel o delší době než 0 dnů nebo měl trvalé následky. řetí skuna je komletně vyléčená. Následující tabulka ukazuje konkrétní nformace získané z těchto údajů. Nový acent má hodnoty vstuních testů x=(5;7). Do které ze skun atří? (dle QDA). třída 3 N (5;5) (4;8) (6;9) Σ 3 x arg max ln x x ln ˆ.. k G
20 Lneární model, Dskrmnační analýza, Podůrné vektory Řešení =N /N (x) = -4,08 (x) = -4,58 3 (x) = -3,7 ln5 0 x ln Největší dskrmnační skór má oslední (třetí) skuna, acent má značnou šanc na vyléčení.
21 Lneární model, Dskrmnační analýza, Podůrné vektory Suort Vector Machnes Podůrné vektory Jak oddělt následující třídy omocí lneární rovnce f(x)=0? maování do nového říznakového rostoru Kam umístt hranc? otmální searující nadrovna
22 Lneární model, Dskrmnační analýza, Podůrné vektory SVM otmální searující nadrovna
23 Výočet otmální searující nadrovny model má N arametrů α, řešením je vektor nenulových arametrů α ty získáme maxmalzací účelové funkce: za odmínek: Lneární model, Dskrmnační analýza, Podůrné vektory 0; y 0 α,j α α j y y j x x j k nalezení otma se oužívá kvadratcké rogramování (obdoba lneárního rogramování, účelová funkce je však kvadratcká v neznámém arametru α)
24 Lneární model, Dskrmnační analýza, Podůrné vektory SVM nastavený model f N x sgn y x x N je očet trénovacích rvků, váha, nenulová u SV (odůrné vektory, ty jedné ak má smysl uložt)
25 Lneární model, Dskrmnační analýza, Podůrné vektory SVM kde je roblém v účelové funkc a fnálním modelu oužt skalární součn v ůvodním rostoru atrbutů (x.x ) aby bylo možné využít síly SVM, je žádoucí vytvoření celé řady nových atrbutů (z 5 nař ) ř transformac nař.(x,x ) na (x,x,x,x,x x,x 3,...) je třeba nejdříve každou nstanc řeočítat (rozšířt), až oté lze mez rvky v novém vícerozměrném rostoru očítat skalární součn a to stojí soustu času a takových transformací je třeba vyzkoušet více a hledat tu nejleší Lze to zjednodušt?
26 Lneární model, Dskrmnační analýza, Podůrné vektory SVM jádrová funkce k k(x,x ) x x h(x) h(x),h(x ) h(x ) h(x), h(x ) = k(x,x )
27 Lneární model, Dskrmnační analýza, Podůrné vektory SVM jádrový trk ve vzorc Původní vztah ro výočet otmální searující nadrovny: A jeho úrava skalární součn v novém říznakovém rostoru f N x sgn y kx, x b
28 Lneární model, Dskrmnační analýza, Podůrné vektory SVM jádrové funkce d dmenzí Vyočt skalární součn bodů x=(;) a x =(3;4) A) v ůvodním rostoru a v olynomálním rozšíření vstuního rostoru ř d= B) bez C) s kernelovým trkem A) Skalární součn x,x =.3+.4 = B) Skalární součn v 6-rozměrném rostoru (olynomální jádrová funkce. stuně): ( (.3) + (.4) ) = = 44 C) oto lze však vyočíst římo z jádrové funkce a ůvodního -rozměrného rostoru: K(x,x ) = (+ x,x ) = ( + ) = 44
29 Lneární model, Dskrmnační analýza, Podůrné vektory SVM říklad Kolk bodů (SV = suort vectors = odůrných vektorů) je třeba uložt, aby bylo možno klasfkovat následující rvky?
Přednáška č. 11 Analýza rozptylu při dvojném třídění
Přednáška č. Analýza roztlu ř dvojném třídění Ve většně říadů v rax výsledk exermentu, rozboru závsí na více faktorech. Př této analýze se osuzují výsledk náhodných okusů (exerment nebo soubor získané
Více2. Najděte funkce, které vedou s těmto soustavám normálních rovnic
Zadání. Sestavte soustavu normálních rovnc ro funkce b b a) b + + b) b b +. Najděte funkce, které vedou s těmto soustavám normálních rovnc nb a) nb. Z dat v tabulce 99 4 4 b) určete a) rovnc regresní funkce
VíceNumerická integrace konstitučních vztahů
Numercká ntegrace konsttučních vztahů Po výočtu neznámých deformačních uzlových arametrů v každé terac NR metody je nutné stanovt naětí a deformace na rvcích. Nař. Jednoosý tah (vz obr. vravo) Pro nterval
VíceUniverzita Pardubice FAKULTA CHEMICKO TECHNOLOGICKÁ
Univerzita Pardubice FAKULA CHEMICKO ECHNOLOGICKÁ MEODY S LAENNÍMI PROMĚNNÝMI A KLASIFIKAČNÍ MEODY SEMINÁRNÍ PRÁCE LICENČNÍHO SUDIA Statistické zracování dat ři kontrole jakosti Ing. Karel Dráela, CSc.
VíceNárodní informační středisko pro podporu jakosti
Národní informační středisko ro odoru jakosti Konzultační středisko statistických metod ři NIS-PJ Analýza zůsobilosti Ing. Vratislav Horálek, DrSc. ředseda TNK 4: Alikace statistických metod Ing. Josef
Více3.2 Metody s latentními proměnnými a klasifikační metody
3. Metody s latentními roměnnými a klasifikační metody Otázka č. Vyočtěte algoritmem IPALS. latentní roměnnou z matice A[řádek,slouec]: A[,]=, A[,]=, A[3,]=3, A[,]=, A[,]=, A[3,]=0, A[,3]=6, A[,3]=4, A[3,3]=.
VíceZpůsobilost. Data a parametry. Menu: QCExpert Způsobilost
Zůsobilost Menu: QExert Zůsobilost Modul očítá na základě dat a zadaných secifikačních mezí hodnoty různých indexů zůsobilosti (caability index, ) a výkonnosti (erformance index, ). Dále jsou vyočítány
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
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceÚloha syntézy čtyřčlenného rovinného mechanismu
Úloha syntézy čtyřčlenného rovnného mechansmu Zracoval: Jaroslav Beran Pracovště: Techncká unverzta v Lberc katedra textlních a ednoúčelových stroů Tento materál vznkl ako součást roektu In-TECH 2, který
Vícemůžeme toto číslo považovat za pravděpodobnost jevu A.
RAVDĚODOBNOST - matematická discilína, která se zabývá studiem zákonitostí, jimiž se řídí hromadné náhodné jevy - vytváří ravděodobnostní modely, omocí nichž se snaží ostihnout náhodné rocesy. Náhodné
VíceVYHODNOCENÍ MĚŘENÍ (varianta "soulodí")
VYHODNOCENÍ MĚŘENÍ (varanta "soulodí") Měřl (Jméno, Příjmení, skuna):... Datum:... Vyhodnocení hydrometrckého měření na Berounce (soulodí) Z vyočtených rychlostí ve všech bodech svslce určíme střední svslcovou
VíceNáhodným (stochastickým) procesem nazveme zobrazení, které každé hodnotě náhodnou veličinu X ( t)
MARKOVOVY PROCESY JAKO APARÁT PRO ŘEŠENÍ SPOLEHLIVOSTI VÍCESTAVOVÝCH SYSTÉMŮ Náhodné rocesy Náhodným (stochastckým) rocesem nazveme zobrazení, které každé hodnotě náhodnou velčnu X ( t). Proměnná t má
VíceNÁVRH A OVĚŘENÍ BETONOVÉ OPŘENÉ PILOTY ZATÍŽENÉ V HLAVĚ KOMBINACÍ SIL
NÁVRH A OVĚŘENÍ BETONOVÉ OPŘENÉ PILOTY ZATÍŽENÉ V HLAVĚ KOMBINACÍ SIL 1. ZADÁNÍ Navrhněte růměr a výztuž vrtané iloty délky L neosuvně ořené o skalní odloží zatížené v hlavě zadanými vnitřními silami (viz
VíceObsah přednášky 1. Bayesův teorém 6. Naivní Bayesovský klasifikátor (NBK)
Obsah přednášky 1. Bayesův teorém 2. Brutální Bayesovský klasfkátor (BBK) 3. Mamální aposterorní pravděpodobnost (MA) 4. Optmální Bayesovský klasfkátor (OBK) 5. Gbbsův alortmus (GA) 6. Navní Bayesovský
VíceUmělé neuronové sítě a Support Vector Machines. Petr Schwraz
Umělé neuronové sítě a Support Vector Machnes Petr Schraz scharzp@ft.vutbr.cz Perceptron ( neuron) x x x N f() y y N f ( x + b) x vstupy neuronu váhy jednotlvých vstupů b aktvační práh f() nelneární funkce
VíceÚvěr a úvěrové výpočty 1
Modely analýzy a syntézy lánů MAF/KIV) Přednáška 8 Úvěr a úvěrové výočty 1 1 Rovnice úvěru V minulých řednáškách byla ro stav dluhu oužívána rovnice 1), kde ředokládáme, že N > : d = a b + = k > N. d./
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
VícePRAVDĚPODOBNOST A STATISTIKA. Metoda momentů Metoda maximální věrohodnosti
SP3 Odhady arametrů PRAVDĚPODOBNOST A STATISTIKA Metoda momentů Metoda maimální věrohodnosti SP3 Odhady arametrů Metoda momentů Vychází se z: - P - ravděodobnostní rostor - X je náhodná roměnná s hustotou
VíceAproximativní analytické řešení jednorozměrného proudění newtonské kapaliny
U8 Ústav rocesní a zracovatelské techniky F ČVUT v Praze Aroximativní analytické řešení jednorozměrného roudění newtonské kaaliny Některé říady jednorozměrného roudění newtonské kaaliny lze řešit řibližně
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
VíceVýpočet svislé únosnosti osamělé piloty
Inženýrský manuál č. 13 Aktualizace: 04/2016 Výočet svislé únosnosti osamělé iloty Program: Soubor: Pilota Demo_manual_13.gi Cílem tohoto inženýrského manuálu je vysvětlit oužití rogramu GEO 5 PILOTA ro
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceMetody s latentními proměnnými a klasifikační metody
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie etody s latentními roměnnými a klasifikační metody Ing. Roman Slavík V Bohumíně 4.4. ŽDB a.s. Příklad č. Vyočtěte algoritmem
Více4EK211 Základy ekonometrie
4EK Základy ekonometre Zobecněná MNČ Cvčení 8 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = náhodné vlvy se vzájemně vynulují. E(u u T ) = σ I n konečný a konstantní
VíceSlezská univerzita v Opavě Obchodně podnikatelská fakulta v Karviné
Slezská univerzita v Oavě Obchodně odnikatelská fakulta v Karviné Přijímací zkouška do. ročníku OPF z matematiky (00) A Příklad. Určete definiční oboovnice a rovnici řešte. n + n =. + D : n N n = b b +
VíceVýpočet svislé únosnosti osamělé piloty
Inženýrský manuál č. 13 Aktualizace: 06/2018 Výočet svislé únosnosti osamělé iloty Program: Soubor: Pilota Demo_manual_13.gi Cílem tohoto inženýrského manuálu je vysvětlit oužití rogramu GEO 5 PILOTA ro
VíceTřídění a významné hodnoty
Lekce Třídění a významné hodnoty Ponechme nyní oněkud stranou různorodé oznatky rvní lekce týkající se zjšťování a tyů dat a omezme se jen na nejjednodušší říad datových souborů tvořených hodnotam kardnálních
VíceMarkovovy řetězce se spojitým časem CTMC (Continuous time Markov Chain)
Markovovy řetězce se soitým časem CTMC (Continuous time Markov Chain) 3 5 1 4 Markovovy rocesy X Diskrétní stavový rostor Soitý obor arametru t { } S e1, e,, en t R t 0 0 t 1 t t 3 t Proces e Markovův
Více7. VÝROBNÍ ČINNOST PODNIKU
7. Výrobní činnost odniku Ekonomika odniku - 2009 7. VÝROBNÍ ČINNOST PODNIKU 7.1. Produkční funkce teoretický základ ekonomiky výroby 7.2. Výrobní kaacita Výrobní činnost je tou činností odniku, která
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
Vícezadání: Je dán stejnosměrný motor s konstantním magnetickým tokem, napájen do kotvy, indukčnost zanedbáme.
Teorie řízení 004 str. / 30 PŘÍKLAD zadání: Je dán stejnosměrný motor s konstantním magnetickým tokem, naájen do kotvy, indukčnost zanedbáme. E ce ω a) Odvoďte řenosovou funkci F(): F( ) ω( )/ u( ) b)
VíceObr. V1.1: Schéma přenosu výkonu hnacího vozidla.
říklad 1 ro dvounáravové hnací kolejové vozidlo motorové trakce s mechanickým řenosem výkonu určené následujícími arametry určete moment hnacích nárav, tažnou sílu na obvodu kol F O. a rychlost ři maximálním
VícePředpjatý beton Přednáška 12
Předjatý beton Přednáška 12 Obsah Mezní stavy oužitelnosti - omezení řetvoření Deformace ředjatých konstrukcí Předoklady, analýza, Stanovení řetvoření. Všeobecně - u ředjatých konstrukcí nejen růhyb od
Více1.5.2 Mechanická práce II
.5. Mechanická ráce II Předoklady: 50 Př. : Jakou minimální ráci vykonáš ři řemístění bedny o hmotnosti 50 k o odlaze o vzdálenost 5 m. Příklad sočítej dvakrát, jednou zanedbej třecí sílu mezi bednou a
Více4EK211 Základy ekonometrie
4EK Základy ekonometre Zobecněná MNČ Cvčení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = náhodné vlvy se vzájemně vynulují. E(uu T ) = σ I n konečný a konstantní
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceSpojitá náhodná veličina
Lekce 3 Sojitá náhodná veličina Příad sojité náhodné veličiny je komlikovanější, než je tomu u veličiny diskrétní Je to dáno ředevším tím, že jednotková ravděodobnost jistého jevu se rozkládá mezi nekonečně
VíceADC (ADS) AIR DATA COMPUTER ( AIR DATA SYSTEM ) Aerometrický počítač, Aerometrický systém. V současné době se používá DADC Digital Air data computer
ADC (ADS) AIR DATA COPUTER ( AIR DATA SYSTE ) Aerometrický očítač, Aerometrický systém V současné době se oužívá DADC Digital Air data comuter Slouží ke snímání a komlexnímu zracování aerometrických a
VícePokud světlo prochází prostředím, pak v důsledku elektromagnetické interakce s částicemi obsaženými
1 Pracovní úkoly 1. Změřte závislost indexu lomu vzduchu na tlaku n(). 2. Závislost n() zracujte graficky. Vyneste také závislost závislost vlnové délky sodíkové čáry na indexu lomu vzduchu λ(n). Proveďte
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Ekoomcká fakulta Semestrálí ráce S kua Jméa: Leka Pastorová, Davd arha, Ja Vtásek a Fl Urbačík Ročík: 0/06 Učtel: gr. Jří Rozkovec Obor: Podková ekoomka Datum:.. 06 Obsah
Více2.5. MATICOVÉ ŘEŠENÍ SOUSTAV LINEÁRNÍCH ROVNIC
25 MATICOVÉ ŘEŠENÍ SOUSTAV LINEÁRNÍCH ROVNIC V této kaptole se dozvíte: jak lze obecnou soustavu lneárních rovnc zapsat pomocí matcového počtu; přesnou formulac podmínek řeštelnost soustavy lneárních rovnc
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 -
VícePříklady z přednášek Statistické srovnávání
říklad z řednášek Statstcké srovnávání Jednoduché ndvduální ndex říklad V následující tabulce jsou uveden údaje o očtu závažných závad v areálu určté frm zjštěných a oravených v letech 9-998. Závažná závada
Vícepodle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y
4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.
Více6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
VíceÚvod Terminologie Dělení Princip ID3 C4.5 CART Shrnutí. Obsah přednášky
Obsah přednášky. Úvod. Termnologe 3. Základní dělení 4. Prncp tvorby, prořezávání a použtí RS 5. Algortmus ID3 6. C4.5 7. CART 8. Shrnutí A L G O RI T M Y T E O R I E Stromové struktury a RS Obsah knhy
VícePředpjatý beton Přednáška 6
Předjatý beton Přednáška 6 Obsah Změny ředětí Okamžitým ružným řetvořením betonu Relaxací ředínací výztuže Přetvořením oěrného zařízení Rozdílem telot ředínací výztuže a oěrného zařízení Otlačením betonu
VíceFakulta stavební ČVUT v Praze, katedra fyziky
0FYG FYZIKA G PRAKTICKÁ CVIČEÍ Petr Poorný Faulta stavební ČVUT v Praze, atedra fyzy Suna alované oty Petr Poorný Fl Šmejal etr.oorny@fsv.cvut.cz Faulta stavební ČVUT v Praze, atedra fyzy, A634 Konzultace:
Více1.3.3 Přímky a polopřímky
1.3.3 římky a olořímky ředoklady: 010302 edagogická oznámka: oslední říklad je oakování řeočtu řes jednotku. okud hodina robíhá dobře, dostanete se k němu řed koncem hodiny. edagogická oznámka: Nakreslím
Více2.3.6 Práce plynu. Předpoklady: 2305
.3.6 Práce lynu Předoklady: 305 Děje v lynech nejčastěji zobrazujeme omocí diagramů grafů závislosti tlaku na objemu. Na x-ovou osu vynášíme objem a na y-ovou osu tlak. Př. : Na obrázku je nakreslen diagram
VícePARALELNÍ PROCESY A PROGRAMOVÁNÍ
PARALELNÍ PROCESY A PROGRAMOVÁNÍ 6 Analýza složitosti algoritmů - cena, ráce a efektivita Ing. Michal Bližňák, Ph.D. Zlín 2013 Tento studijní materiál vznikl za finanční odory Evroského sociálního fondu
VíceDynamické programování
ALG Dynamické rogramování Nejdelší rostoucí odoslounost Otimální ořadí násobení matic Nejdelší rostoucí odoslounost Z dané oslounosti vyberte co nejdelší rostoucí odoslounost. 5 4 9 5 8 6 7 Řešení: 4 5
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav automatizace a informatiky
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního nženýrství Ústav automatzace a nformatky Ing. Martn Halva MODELOVÁNÍ JAKOSTI SOFTWARU PRO ŘÍDICÍ SYSTÉMY CONTROL SYSTEMS SOFTWARE QUALITY MODELLING ZKRÁCENÁ
VíceVztah mezi počtem květů a celkovou biomasou rostliny CELKE EM. slá pro KVETU = závi
Regrese a korelace Regrese versus korelace Regrese (regresson)* popsuje vztah = závslost dvou a více kvanttatvních (popř. ordnálních) proměnných formou funkční závslost měří těsnost Korelace (correlaton)
VíceAnalytická metoda aneb Využití vektorů v geometrii
KM/GVS Geometrické vidění světa (Design) nalytická metoda aneb Využití vektorů v geometrii Použité značky a symboly R, C, Z obor reálných, komleních, celých čísel geometrický vektor R n aritmetický vektor
VíceRozhodovací stromy Marta Žambochová
Rozhodovací stromy Marta Žambochová Obsah: 1 Úvod... Algoritmy ro vytváření rozhodovacích stromů... 3.1 Algoritmus CART... 3.1.1 lasifikační stromy... 3.1. Regresní stromy... 4. Algoritmus ID3... 4.3 Algoritmus
Více1 FEKT Vysokého učení technického v Brně. Strojové učení. Garant předmětu: Ing. Petr Honzík, Ph.D. Autoři textu: Ing. Petr Honzík, Ph.D.
FEKT Vysokého učení technckého v Brně Strojové učení Garant předmětu: Ing. Petr Honzík, Ph.D. Autoř textu: Ing. Petr Honzík, Ph.D. Brno.0. 006 FEKT Vysokého učení technckého v Brně Obsah VSTUPNÍ TEST...
VíceSystémové struktury - základní formy spojování systémů
Systémové struktury - základní formy sojování systémů Základní informace Při řešení ať již analytických nebo syntetických úloh se zravidla setkáváme s komlikovanými systémovými strukturami. Tato lekce
VíceAnalýza závislosti veličin sledovaných v rámci TBD
Analýza závslost velčn sledovaných v rámc BD Helena Koutková Vysoké učení techncké v Brně, Fakulta stavební, Ústav matematky a deskrptvní geometre e-mal: koutkovah@fcevutbrcz Abstrakt Příspěvek se zabývá
VíceObslužné sítě. Jacksonova síť systémů hromadné obsluhy. Sériové propojení dvou front
Obsužné sítě Jacksonova síť systéů hroadné obsuhy Teekounkační síť Počítačová síť Doravní síť Unversa Mobe Teecouncatons Syste Sérové roojení dvou front Queue Queue Stav systéu je osán usořádanou dvojící
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
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
VícePorovnání GUM a metody Monte Carlo
Porovnání GUM a metody Monte Carlo Ing. Tomáš Hajduk Nejstota měření Parametr přřazený k výsledku měření Vymezuje nterval, o němž se s určtou úrovní pravděpodobnost předpokládá, že v něm leží skutečná
VíceE = E red,pravý E red,levý + E D = E red,pravý + E ox,levý + E D
11. GALVANICKÉ ČLÁNKY 01 Výočet E článku, γ ± 1... 0 Střední aktvtní koefcent z E článku... 03 Výočet E článku, γ ± 1... 04 Tlak lnu na elektrodě z E článku; aktvtní koefcent... 05 E článku a dsocační
VíceExtrémy funkce dvou proměnných
Extrémy funkce dvou proměnných 1. Stanovte rozměry pravoúhlé vodní nádrže o objemu 32 m 3 tak, aby dno a stěny měly nejmenší povrch. Označme rozměry pravoúhlé nádrže x, y, z (viz obr.). ak objem této nádrže
VíceL8 Asimilace dat II. Oddělení numerické předpovědi počasí ČHMÚ 2007
L8 Asmlace dat II Oddělení numercké předpověd počasí ČHMÚ 007 Plán přednášky Úvod do analýzy Optmální odhad v meteorolog D případ: demonstrace metod; mult-dmensonální případ; Zavedení předběžného pole;
Více7.5.13 Rovnice paraboly
7.5.1 Rovnice arabol Předoklad: 751 Př. 1: Seiš všechn rovnice ro arabol a nakresli k nim odovídající obrázk. Na každém obrázku vznač vzdálenost. = = = = Pedagogická oznámka: Sesání arabol je důležité,
VíceModelování proudění na rozhraní tří fází vznikajícím při částečném smáčení povrchu tekutinou
Modelování rodění na rozhraní tří fází vznkaícím ř částečném smáčení ovrch tektno (On a Flow Modellng at a Trle-hase Interface Arsng rng Partal Wettng) Jakb Adamec Vedocí ráce: Ing. Tomáš Hyhlík, Ph..
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jří Holčík, CSc. INVESTICE Insttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a analýz IV - pokračování KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI METRIKY PRO URČENÍ VZDÁLENOSTI
Více5 Teorie selekce a složky genetické změny
část 4. (rough draft version) 5 Teorie selekce a složky genetické změny Princiy genetického zlešení omocí selekce Kvantitativně genetický řístu v tradičních šlechtitelských rogramech Část ozorovaných rozdílů
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
VíceCvičení 1 (Opakování základních znalostí z pružnosti a pevnosti)
VŠ Techncká unverzta Ostrava akulta strojní Katedra ružnost a evnost (9 Pružnost a evnost v energetce (Návod do cvčení Cvčení (Oakování základních znalostí z ružnost a evnost utor: aroslav ojíček Verze:
Více1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2.
. Spektrální rozklad samoadjungovaných operátorů.. Motvace Vlastní čísla a vlastní vektory symetrcké matce A = A λe = λ λ = λ 3λ + = λ 3+ λ 3 Vlastní čísla jsou λ = 3+, λ = 3. Pro tato vlastní čísla nalezneme
VíceStabilita prutu, desky a válce vzpěr (osová síla)
Stabilita rutu, deky a válce vzěr (oová íla) Průběh ro ideálně římý rut (teoretický tav) F δ F KRIT Průběh ro reálně římý rut (reálný tav) 1 - menší očáteční zakřivení - větší očáteční zakřivení F Obr.1
VíceCVIČENÍ Z ELEKTRONIKY
Střední růmyslová škola elektrotechnická Pardubice CVIČENÍ Z ELEKRONIKY Harmonická analýza Příjmení : Česák Číslo úlohy : Jméno : Petr Datum zadání :.1.97 Školní rok : 1997/98 Datum odevzdání : 11.1.97
VíceV následující tabulce jsou uvedeny jednotky pro objemový a hmotnostní průtok.
8. Měření růtoků V následující tabulce jsou uvedeny jednotky ro objemový a hmotnostní růtok. Základní vztahy ro stacionární růtok Q M V t S w M V QV ρ ρ S w ρ t t kde V [ m 3 ] - objem t ( s ] - čas, S
VíceOddělení technické elektrochemie, A037. LABORATORNÍ PRÁCE č.9 CYKLICKÁ VOLTAMETRIE
ÚSTV NORGNIKÉ THNOLOGI Oddělení technické elektrochemie, 037 LBORTORNÍ PRÁ č.9 YKLIKÁ VOLTMTRI yklická voltametrie yklická voltametrie atří do skuiny otenciodynamických exerimentálních metod. Ty doznaly
VíceMETODA HLAVNÍCH KOMPONENT A EXPLORATORNÍ ANALÝZA VÍCEROZMĚRNÝCH DAT
MEODA HLAVÍCH KOMPOE A EXPLORAORÍ AALÝZA VÍCEROZMĚRÝCH DA JIŘÍ MILIKÝ, Katedra textlních materálů, echncká unversta v Lberc, Hálkova 6 46 7 Lberec, e- mal: r.mlky@vslb.cz Motto: c není unversální MILA
VíceEntropie (opičí tým) M možných výsledků (x 1, x 2, x M ) jak přiřadit pravděpodobnosti jednotlivým výsledkům?
ntroe (očí tým) možnýh výsledů (,, ) a řřadt ravděodobnost ednotlvým výsledům? aždou možnost rerezentueme rabí a náhodně do rab rozházíme mní ravděodobnost -tého výsledu: výsledem e -te ravděodobností:
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceCvičení z termomechaniky Cvičení 5.
Příklad V komresoru je kontinuálně stlačován objemový tok vzduchu *m 3.s- + o telotě 0 * C+ a tlaku 0, *MPa+ na tlak 0,7 *MPa+. Vyočtěte objemový tok vzduchu vystuujícího z komresoru, jeho telotu a říkon
VícePZP (2011/2012) 3/1 Stanislav Beroun
PZP (0/0) 3/ tanislav Beroun Výměna tela mezi nální válce a stěnami, telotní zatížení vybraných dílů PM elo, které se odvádí z nálně válce, se ředává stěnám ve válci řevážně řestuem, u vznětových motorů
Více1. Ukazatele primární: - jsou přímo zjišťované, neodvozené - např. stav zásob, počet pracovníků k 31. 12., atd.
SROVNÁVÁNÍ HODNOT STATSTCÝCH UKAZATELŮ - oisem a analýzou ekonomikýh jevů a roesů omoí statistikýh ukazatelů se zabývá hosodářská statistika - ílem je nalézt zůsoby měření ekonomiké skutečnosti (ve formě
VíceNumerické výpočty proudění v kanále stálého průřezu při ucpání kanálu válcovou sondou
Konference ANSYS 2009 Numerické výočty roudění v kanále stálého růřezu ři ucání kanálu válcovou sondou L. Tajč, B. Rudas, a M. Hoznedl ŠKODA POWER a.s., Tylova 1/57, Plzeň, 301 28 michal.hoznedl@skoda.cz
VíceUniverzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.
Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré
VíceKlasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
VíceModel tenisového utkání
Model tenisového utkání Jan Šustek Semestrální rojekt do ředmětu Náhodné rocesy 2005 V této ráci se budu zabývat modelem tenisového utkání. Vstuními hodnotami budou úsěšnosti odání jednotlivých hráčů,
VíceŘešený příklad: Přípoj nosníku na sloup deskou na stojině
Dokument č. SX03a-CZ-EU Strana z 5 EN 993--8, EN993-- Přiravil Abdul Malik Datum únor 005 Zkontroloval Edurne Nunez Datum sren 005 Řešený říklad: Příoj nosníku na slou deskou na stojině Tento říklad uvádí
VíceMODELOVÁNÍ POPTÁVKY, NABÍDKY A TRŽNÍ ROVNOVÁHY
MODELOVÁÍ POPTÁVKY, ABÍDKY A TRŽÍ ROVOVÁHY Schéma tržní rovnováhy Modely otávky na trhu výrobků a služeb Formulace otávkové funkce Komlexní model Konstrukce modelu otávky Tržní otávka Dynamcké modely otávky
Více27 Systémy s více vstupy a výstupy
7 Systémy s více vstupy a výstupy Mchael Šebek Automatcké řízení 017 4-5-17 Stavový model MIMO systému Automatcké řízení - Kybernetka a robotka Má obecně m vstupů p výstupů x () t = Ax() t + Bu() t y()
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceTERMIKA VIII. Joule uv a Thompson uv pokus pro reálné plyny
TERMIKA VIII Maxwellova rovnovážná rozdělovací funkce rychlostí Joule uv a Thomson uv okus ro reálné lyny 1 Maxwellova rovnovážná rozdělovací funkce rychlostí Maxwellova rychlostní rozdělovací funkce se
VíceV mnoha pípadech, kdy známe rozdlení náhodné veliiny X, potebujeme urit rozdlení náhodné veliiny Y, která je funkcí X, tzn. Y = h(x).
3. FUNKCE NÁHODNÉ VELIINY as ke studu: 40 mnut Cíl: Po prostudování této kaptol budete umt transformovat náhodnou velnu na náhodnou velnu Y, je l mez tmto náhodným velnam vzájemn jednoznaný vztah VÝKLAD
VíceLaplaceova transformace.
Lalaceova transformace - studijní text ro cvičení v ředmětu Matematika -. Studijní materiál byl řiraven racovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za odory grantu IG ČVUT č. 300043 a v rámci
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceJiří Militký KTM, Technická universita v Liberci, LIBEREC, Česká Republika Milan Meloun, KACH, Universita Pardubice, Česká Republika
Různé pohled na kalbrační úloh Jří Mltký KTM, Techncká unversta v Lberc, 46 7 LIBEREC, Česká Republka Mlan Meloun, KACH, Unversta Pardubce, Česká Republka Abstrakt Cílem této práce je ukázat některé problém
VíceKLUZNÁ LOŽISKA. p s. Maximální měrný tlak p Max (MPa) Střední měrný tlak p s (Mpa) Obvodová rychlost v (m/s) Součin p s a v. v 60
KLUZNÁ LOŽIKA U PM oužití ro uložení ojnic, klikovýc a vačkovýc řídelů, vaadel a kol rovodů, Zde dnes výradně kluná ložiska s řívodem tlakovéo maacío oleje. Pro rvní návr se oužívá nejjednoduššíc metod
Více