Cvičení 2: Rozhodovací stromy, RBF sítě, vlastní algoritmy v RapidMineru
|
|
- Alois Novák
- před 5 lety
- Počet zobrazení:
Transkript
1 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 stromy, RBF sítě, vlastí algortmy v RapdMeru Pavel Kordík, FIT, Czech Techcal Uversty Prague 1
2 Obsah Expermety s rozhodovacím stromy Dskretzace dat Optmalzace parametrů RBFN Klasfkátor Regresí modely Učeí Vlastí algortmus v RapdMeru Kordk, CTU Prague, FIT, MI-ADM 2
3 Expermety s rozhodovacím stromy Kordk, CTU Prague, FIT, MI-ADM 3
4 Expermety s DTs Irs data Růzé dskretzace pro ID3 Prug Drect Marketg data ID3 Chad DT C4.5, CART Kordk, CTU Prague, FIT, MI-ADM 4
5 RBFN Radal Bass Fucto Network 1988, Bromhead, Lowe Neuroová síť Učeí s učtelem Použtí: Klasfkace Regrese lokálí jedotky vysvětlíme dále Y336VD Vytěžováí dat
6 Archtektura RBF sítě euroy euroy
7 Jak vypadá sféra vlvu Většou gaussovská fukce kerel f x, y = Ae 2 x x y y 2σ 0 2 x + posuv 2σ 0 2 y 2 ampltuda rozptyl x x 0 =0 y
8 Lokálí jedotky Co to zameá? pokrývají je část defčího oboru jsou eulové je v jstém úseku Globálí versus lokálí jedotky: gausovská fukce lokálí sgmoda globálí leárí fukce globálí polyom globálí, ale ve specálích případech může fugovat jako lokálí
9 Klasfkace pomocí globálích jedotek sgmoda 1 0
10 Klasfkace pomocí lokálích jedotek součet gausovských fukcí RBFN 표현아 Computer Scece, KAIST
11 RBFN jako klasfkátor Každý euro ve vtří vrstvě má sféru vlvu Ty se ve výstupí vrstvě vážeí sčítají pro každou třídu zvlášť
12 RBFN pro aproxmac regrese
13 RBF síť jako uverzálí aproxmátor
14 Neuroy RBF sítě Skrytá vrstva, vtří potecál lokálí eleárí aktvačí fukce y = fφ, apř. gaussovská ϕ = x = 1 c 2 výstupí vrstva, leárí přeosová fukce vážeý součet y = = 1 w y *
15 Dskuse archtektury RBF euroy: vtří potecál je mírou vzdáleost vstupího vektoru a středu reprezetovaého vaham eurou, aktvačí fukce vymezuje sféru vlvu. Výstupí euroy: asčítávají přírůstky, tak aby požadovaá aproxmace byla co ejpřesější.
16 Sféra vlvu Hyperkoule se středem C a poloměrem R, RBFN používá pro její určeí Eukledovskou metrku, prototyp reprezetuje jstou podmožu vstupích dat ve tvaru shluku,
17 Sféra vlvu - určeí Nejčastěj se používá Gaussova fukce zámá ze statstky. Pokud je vstupí vektor totožý s prototypem tj. ϕ = 0, abývá tato fukce maxma, které dosahuje hodoty jeda. To je také maxmálí hodota aktvty eurou. Se zvětšující se vzdáleostí od prototypu aktvta eurou klesá. Parametr σ, jež je aalogí rozptylu ormálího rozděleí, určuje strmost aktvačí fukce.
18 Sféra vlvu - geometrcká představa
19 Dskuse Gaussova fukce vyjadřuje míru příslušost vzoru ke středu. Je-l výstup eurou blízký jedčce, pak je také vzor velm podobý středu. Podobost vyhodocujeme pomocí metrk, které už důvěrě záme
20 Učeí RBF euroových sítí Přpomeutí: jedá se o učeí s učtelem, exstují tedy dvojce vzor x kategore klasfkátor, argumet fukce x fukčí hodota aproxmátor. Dvě fáze učeí: učeí prototypů, učeí výstupích euroů.
21 Učeí prototypů I Předem odhademe počet shluků ve vstupích datech, defujeme fukc příslušost m vzoru ke shluku, odhademe souřadce všech p vektorů C p, které jsou středy shluků.
22 Učeí prototypů I - pokračováí Kroky K-meas algortmu:. Náhodě calzuj středy RBF euroů C... Vypočítej m pro všechy vzory z tréovací možy.. Vypočítej ové středy C jako průměr všech vzorů, které áležely ke středu k podle fukce příslušost.. Ukoč, jestlže se m eměí, jak pokračuj bodem 2
23 K-Meas Example: ~ µ 2 ~ µ 1 Fgure 4: Square-error clusterg for smple 2-d data set P=9,K=2
24 Učeí prototypů II - pokračováí Kroky adaptvího K-meas algortmu:. Náhodě calzuj středy RBF euroů C... Přečt vzor X.. Urč k ěmu ejblžší ejblžší střed a změň jeho polohu podle pravdla: C + η X t+ 1 t t t k k k kde η je rychlost adaptace, která se postupě sžuje s počtem terací.. Ukoč, pokud η = 0 ebo po určtém počtu kroků. Jak pokračuj bodem 2 = C C
25 Učeí prototypů III. Pokud eumíme odhadout počet shluků v datech, vycházíme z jejch ulového počtu. Postup v tomto případě:. Přečt vzor. Vyhledej ejblžší shluk k. Pokud je vzdáleost meší ež r, modfkuj střed shluku podle + η X t+ 1 t t t k k k. Pokud je vzdáleost větší ež r, založ ový střed a pozc vzoru X, tj... Ukoč, pokud η = 0, ebo po určtém počtu kroků. Jak pokračuj bodem 2. C C = X = C t+ 1 t k C
26 Určeí parametru σ Parametr σ je možo určt jako středí kvadratckou vzdáleost vzorů od středu shluku. σ k = 1 kde X q je q-tý vzor áležející ke shluku se středem C k. Q Q = 1 C k X q 2
27 Učeí vah výstupích euroů Váhy ve výstupí vrstvě budeme opakovaě upravovat tak, abychom mmalzoval eergetckou fukc: w t = η E t = η D t Y t Y * t Vzpomíáte s? Covám to přpomíá?
28 Eergetckou fukcí je v tomto případě E = 1 2 m d t y t t= 1 = 1 2 Pro odvozeí vztahu pro úpravu vah jsme použl gradetí algortmus.
29 Gradetí učeí pro RBF Lear weghts output layer Postos of ceters hdde layer Spreads of ceters hdde layer = = Ε N j C j j G e w 1 t x M w E w w,..., 1,2, 1 1 = = + η = Σ = N j j C j j G e w E 1 1 ' ] [ 2 t x t x t M E,..., 1,2, 1 2 = = + t t t η = = Σ N j j C j j G e w E 1 ' 1 Q t x T j j j ] ][ [ t x t x Q = E Σ = Σ + Σ η 표현아 Computer Scece, KAIST
30 Lze RBFN učt jak? Geetka! Jak a to?
31 Implemetace sítě RBF euročp ZISC 36 Neuročp ZISC Zero Istructo Set Computer vyrábí frma IBM. Jedá se o jedoúčelový procesor spevě daou fukcí, který lze omezeě kofgurovat, ale kolv programovat. Číslo 36 v ázvu udává počet euroů mplemetovaých v jedompouzdře.
32 Charakterstky euročpu Prototyp má dmez 64. Dmeze prototypu zároveň určuje dmez vstupího vektoru, a proto j eí možo dále rozšřovat. Pro sížeí obvodové áročost byla v euročpu uplatěa řada zjedodušeí: odstraěí operace druhé mocy př výpočtu Eukledovské vzdáleost.
33 Neuročp přes WEB
34 Vlastí algortmus v RapdMeru 2 dokumety edux Kordk, CTU Prague, FIT, MI-ADM 34
1. 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
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,
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
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
VíceStrojové 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
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
VíceLineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR
Leárí a adaptví zpracoví dat 5. Leárí fltrace: FIR, IIR Dael Schwarz Ivestce do rozvoje vzděláváí Opakováí 2 Co je to fltrace? Co je to fltr? A jak ho popsujeme? Jaký je vztah Z trasformace a Fourerovy
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
VícePRAVDĚPODOBNOST A STATISTIKA
SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje
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
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 =
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
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:
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,
VíceAplikace teorie neuronových sítí
Aplikace teorie euroových sítí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iforatiky Mateaticko-fyzikálí fakulta Uiverzity Karlovy v Praze Zpracováí časových vzorů (teporal processig) Stadardí algoritus
VíceNáhodné jevy, jevové pole, pravděpodobnost
S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem
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
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
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
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
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
VíceNeuronové sítě. Biologický neuron. Modely neuronu. 1. Logický neuron (McCulloch, Pitts, 1943) w R, x, y {0, 1} Biologický neuron.
Biologický euro Neuroové sítě Biologický euro Modely eurou Schéma eurou 1. Logický euro (McCulloch, Pitts, 1943) w R, x, y {0, 1} P. Berka, 2019 1/23 2. DLINE (Widrow, 1960) x, w R, y {0, 1} SUM = w i
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
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
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;
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
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
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
VícePRAVDĚPODOBNOST A STATISTIKA
SP Náhodý vektor PRAVĚPOOBNOS A SAISIKA Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor přpomeutí pomů z SP V prví část kurzu SP s rozšíříme pomy o áhodém vektoru z SP: Nechť e áhodý vektor eho složky:
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
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
VíceTĚŽIŠTĚ A STABILITA. Těžiště tělesa = bod, kterým stále prochází výslednice tíhových sil všech jeho hmotných bodů, ať těleso natáčíme jakkoli
SAIKA - těžště ĚŽIŠĚ A SABILIA ěžště tělesa bod, kterým stále prochází výsledce tíhových sl všech jeho hmotých bodů, ať těleso atáčíme jakkol bod, ke kterému astává rovováha mometů způsobeých tíhou jedotlvých
Více7 LIMITNÍ VĚTY. Čas ke studiu kapitoly: 70 minut. Cíl:
7 LIMITNÍ VĚTY Čas ke studu kaptoly: 70 mut Cíl: o prostudováí tohoto odstavce budete umět formulovat a používat lmtí věty aproxmovat já rozděleí rozděleím ormálím - 96 - Výklad: V této kaptole adefujeme
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
VíceLineární a adaptivní zpracovní dat. 4. Lineární filtrace II: FIR, IIR
Leárí a adaptví zpracoví dat 4 Leárí fltrace II: FIR, IIR Dael Schwarz Ivestce do rozvoje vzděláváí Opakováí 2 Co je to fltrace? Co je to fltr? A jak ho popsujeme? Jaký je vztah Z trasformace a Fourerovy
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
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
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:
VíceV. Normální rozdělení
V. Normálí rozděleí 1. Náhodá veličia X má ormovaé ormálí rozděleí N(0; 1). Určete: a) P (X < 1, 5); P (X > 0, 3); P ( 1, 135 < x ); P (X < 3X + ). c) číslo ε takové, že P ( X < ε) = 0,
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
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
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceC V I Č E N Í 4 1. Představení firmy Splintex Czech 2. Vlastnosti skla a skloviny 3. Aditivita 4. Příklady výpočtů
Techologe skla 00/03 C V I Č E N Í 4. Představeí rmy pltex Czech. Vlastost skla a sklovy 3. Adtvta 4. Příklady výpočtů Hospodářská akulta. Představeí rmy pltex Czech a.s. [,] Frma pltex Czech je součástí
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
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
VíceAnalýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigáleí defiová mezi dvěma ásledujícími vzorky ( a eí tam
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
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
VíceChyby měření: 1. hrubé chyby - nepozornost, omyl, únava pozorovatele... - významně převyšuje rozptyl náhodné chyby 2. systematické chyby - chybné
CHYBY MĚŘENÍ Opakovaé měřeí téže fyzkáí večy evede vždy k přesě stejým výsedkům. Této skutečost bychom se evyhu, kdybychom měřeí provádě s ejvětší důkadostí a precsostí aopak, čím ctvější a přesější jsou
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
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
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
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
VíceTéma 2 Přímková a rovinná soustava sil
Stavebí statka,.ročík bakalářského studa Téma 2 Přímková a rová soustava sl Přímková soustava sl ový svazek sl Statcký momet síly k bodu a dvojce sl v rově Obecá rová soustava sl ová soustava rovoběžých
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
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.
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
VíceSP2 Korelační analýza. Korelační analýza. Libor Žák
Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet
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
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Opakováí z miulé hodiy: 8 Hodoty poslouposti + se pro blížící se k ekoeču blíží k a to tak že mezi = posloupostí a číslem eexistuje žádá mezera říkáme že
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
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
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
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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Více4. Strojové učení. 4.1 Základní pojmy
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
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
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
VíceVýsledky této ásti regresní analýzy jsou asto na výstupu z poítae prezentovány ve form tabulky analýzy rozptylu.
Ig. Marta Ltschmaová Statstka I., cveí 4 JEDNODUCHÁ LINEÁRNÍ REGRESE asto chceme prozkoumat vztah mez dvma velam, kde jeda z ch, tzv. ezávsle promá x, má ovlvovat druhou, tzv. závsle promou Y. edpokládá
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 6. KAPITOLA CENTRÁLNÍ LIMITNÍ VĚTA 6.11.2017 Opakováí: Čebyševova erovost příklad Pravděpodobost vyrobeí zmetku je 0,5. Odhaděte pravděpodobost,
VíceTesty statistických hypotéz
Úvod Testy statstckých hypotéz Václav Adamec vadamec@medelu.cz Testováí: kvalfkovaá procedura vedoucí v zamítutí ebo ezamítutí ulové hypotézy v podmíkách ejstoty Testy jsou vázáy a rozděleí áhodých velč
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
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroky, formatky a meoborových studí Číslcové měřcí systémy Číslcové fltry Učebí text Iva Jaksch Lberec 2012 Materál vkl v rámc projektu ESF (CZ.1.07/2.2.00/07.0247)
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
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
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
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
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
VíceI. Výpočet čisté současné hodnoty upravené
I. Výpočet čisté současé hodoty upraveé Příklad 1 Projekt a výrobu laserových lamp pro dermatologii vyžaduje ivestici 4,2 mil. Kč. Předpokládají se rovoměré peěží příjmy po zdaěí ve výši 1,2 mil. Kč ročě
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
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
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,
Více1. DYNAMIKA A DEFORMAČNÍ VARIANTA METODY KONEČNÝCH PRVKŮ
. DYNAMIKA A DEFOMAČNÍ VAIANTA METODY KONEČNÝCH PVKŮ Př řešeí statckých úloh pomocí deformačí varaty metody koečých prvků jsme zjstl, že pro pops dskretzovaého systému potřebujeme zát pouze jedu jeho charakterstku
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
VícePopisná statistika. Zdeněk Janák 9. prosince 2007
Popisá statistika Zdeěk Jaák jaak@physics.mui.cz 9. prosice 007 Výsledkem měřeí atmosférické extikce z pozorováí komet a observatoři Skalaté Pleso jsou tyto hodoty extikčích koeficietů ve vlové délce 46
Více1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků
1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,
VíceS1P Popisná statistika. Popisná statistika. Libor Žák
SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk
Více11. Popisná statistika
. Popsá statstka.. Pozámka: Př statstckém zkoumáí ás zajímají hromadé jevy a procesy, u kterých zkoumáme zákotost, které se projevují u velkého počtu prvků. Prvky zkoumáí azýváme statstcké jedotky. Př
VíceStřední hodnoty. Aritmetický průměr prostý Aleš Drobník strana 1
Středí hodoty. Artmetcký průměr prostý Aleš Drobík straa 0. STŘEDNÍ HODNOTY Př statstckém zjšťováí často zpracováváme statstcké soubory s velkým možstvím statstckých jedotek. Např. soubor pracovíků orgazace,
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
VíceTento materiál vznikl díky Operačnímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254
Evropský sociálí fod Praha & EU: Ivestujeme do vaší budoucosti Teto materiál vzikl díky Operačímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254 Maažerské kvatitativí metody II - předáška č.1 - Dyamické
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
VíceGeodézie 3 (154GD3) Téma č. 9: Hodnocení a rozbory přesnosti výškových měření.
Geodéze 3 (54GD3) Téma č. 9: Úvod o měřeí obecě. V geodéz měříme především déky, úhy, a dáe také apř. čas, vekost síy tíže apod. Výsedek měřeí je charakterzová čísem, závsým též a vobě jedotek. Ze zkušeost
Víceje konvergentní, právě když existuje číslo a R tak, že pro všechna přirozená <. Číslu a říkáme limita posloupnosti ( ) n n 1 n n n
8.3. Limity ěkterých posloupostí Předpoklady: 83 Pedagogická pozámka: Tuto a tři ásledující hodiy je možé probrat za dvě vyučovací hodiy. V této hodiě je možé vyechat dokazováí limit v příkladu 3. Opakováí
VíceAnalýza a zpracování signálů. 3. Číselné řady, jejich vlastnosti a základní operace, náhodné signály
Aalýza a zpracováí sigálů 3. Číselé řady, jejich vlastosti a základí operace, áhodé sigály Diskrétí sigál fukce ezávislé proměé.!!! Pozor!!!! : sigál eí defiová mezi dvěma ásledujícími vzorky a eí tam
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
VíceJIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH PEDAGOGICKÁ FAKULTA - KATEDRA FYZIKY
JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH PEDAGOGICKÁ FAKULTA - KATEDRA FYZIKY NÁVRH SBÍRKY PŘÍKLADŮ PRO PŘEDMĚT POČÍTAČOVÁ FYZIKA BAKALÁŘSKÁ PRÁCE Vedoucí práce: RNDr. Petr Bartoš, Ph. D. Autor: Jaa
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
VíceAplikovaná informatika. Podklady předmětu Aplikovaná informatika pro akademický rok 2006/2007 Radim Farana. Obsah. Algoritmus
Podklady předmětu pro akademický rok 006007 Radim Faraa Obsah Tvorba algoritmů, vlastosti algoritmu. Popis algoritmů, vývojové diagramy, strukturogramy. Hodoceí složitosti algoritmů, vypočitatelost, časová
Více