Schéma identifikační procedury
|
|
- Alois Vlastimil Kadlec
- před 5 lety
- Počet zobrazení:
Transkript
1 Schéma identifikační procedury systém S generátor rekonstrukčních hypotéz G a S nejsou porovnatelné nelze srovnat kvalitu G a S S a S jsou porovnatelné kvalita dekompozice S? S : (S,S ) = G dekompozice na podsystémy = rekonstrukční hypotéza G = { 1 S, 2 S,..., q S} nestranné spojení rekonstrukce S Systém, identifikace struktury; R. Šára, CMP (str. 10)
2 Globální konzistence chování Sdruženou funkci přípustnosti p B musí být možno zkonstruovat z marginálních i p B, i N q. 1 S 2 S Př: Globálně nekonzistentní systémy: v 1 v 2 v 3 3 S Lokálně konzistentní: To je ve sporu. v 1 v 2 1 p B (= a + x) Systém, identifikace struktury; R. Šára, CMP (str. 13) v 2 v 3 2 p B (= b + y) v 1 v 3 3 p B (= a + b) {z } v 1 v 2 v 3 p B a b a + x = 0 a = x = 0 (a, x 0) b + y = 0 b = y = 0 (y 0) a + b = 0.3
3 Rekonstrukce systému Dáno: Dekompozice systému G = { 1 S, 2 S,..., q S}. i S je podmnožina proměnných, i S S Cíl: Nejlepší hypotéza o celkovém systému S. (s S je stav a S je velikost stavového prostoru) Postup: 1. Určit množinu možných rekonstrukcí. i p B ( i S) = S\iS p B (S) q i S rovnic i=1 p B (S) 0 S nerovnic 2. Vybrat nejlepší z nich. Volba (nestranná rekonstrukce): S neobsahuje jinou informaci než tu obsaženou v množinách { i S, i = 1, 2,..., q}. Implementace: Spojovací procedura. Systém, identifikace struktury; R. Šára, CMP (str. 14)
4 Spojení dvou marginálních funkcí přípustnosti Marginální funkce přípustnosti: rozklad množiny proměnných: 1 S 2 S A B C 1 p B : R(A) R(B) 0, 1 2 p B : R(B) R(C) 0, 1 Spojení: 1 p B 2 p B : R(A) R(B) R(C) 0, 1 Nestranné spojení (o maximální entropii): p B(a, b, c) = ( 1 p B 2 p B )(a, b, c) def = 1 p B (a, b) 2p B (c b) Pozn: 1 p B (b) = 2 p B (b) (kompatibilita), 1 p B 2 p B = 2 p B 1 p B Speciální případy: A = : ( 1 p B 2 p B )(b, c) = 1 p B (b) 2p B (c b) B = : ( 1 p B 2 p B )(a, c) = 1 p B (a) 2p B (c) Systém, identifikace struktury; R. Šára, CMP (str. 15)
5 Příklad podsystémy: lokální kompatibilita: a b 1 p B (a, b) b c 2 p B (b, c) b 1 p B (b) 2 p B (b) vyplníme tabulku přípustnosti stavu pro p B (a, b, c) = 1 p B (a, b) 2 p B (c b) a b c p B (a, b, c) /0.6 = /0.6 = Systém, identifikace struktury; R. Šára, CMP (str. 16)
6 Poznámky 1. Připojením podsystému se nestane nic B C ( 1 p 2 p)(b, c) = 1 p(b) 2p(c b) = 2 p(b) 2p(c b) = 2 p(b, c) 2. Je-li p (a, b, c) = p(a, b) p(c b), potom marginální funkce p(a, b) a p(b, c) jsou zachovány: p (a, b) = c k p (a, b, c k ) = c k p(a, b) p(c k b) = p(a, b) p (b, c) = a i p (a i, b, c) = a i p(a i, b) p(c b) = p(b, c) 3. Marginální funkce p(a, c) obecně zachována není. a b c p p Systém, identifikace struktury; R. Šára, CMP (str. 17) a c p p
7 Věta o maximalitě entropie spojení Nechť S s funkcí přípustnosti stavu p(a, b, c) je libovolná rekonstrukce systému S s funkcí přípustnosti stavu p(a, b, c) a nechť S je rekonstrukce spojením p (a, b, c) = p(a, b) p(c b). Potom H( S) H(S ). Pozn: Platí i pro případ, kdy S je původní systém S. Důkaz Předpokládejme, že existuje p tak, že H( S) > H(S ). Použijeme Gibbsovu nerovnost H( S) = i,j,k p(a i, b j, c k ) log p(a i, b j, c k ) i,j,k p(a i, b j, c k ) log p (a i, b j, c k ) a to, že p (a, b, c) = p(a, b) p(c b), p(a, b) = p(a, b) a p(b, c) = p(b, c). Dostaneme H( S) H(S ), což je spor. Systém, identifikace struktury; R. Šára, CMP (str. 18)
8
9 Spojovací procedura Jednoduchá procedura pro { 1 S, 2 S,..., q S}: p B = q p B ( q 1 p B ( (2 p B 1 p B ))) libovolné pořadí spojování 2 p B 21 p B 1 p B 3 p B 321 p B 1 S 2 S Problém: cyklické vazby mezi proměnnými v 1 v 2 v 3 3 S Je-li splněna podmínka [p B i S] = i p B, potom je spojení nestranné. Jinak nutno použít iterativní proceduru (viz dále). Systém, identifikace struktury; R. Šára, CMP (str. 19)
10 Iterativní spojovací procedura Odstraní vliv cyklických vazeb. Iterativní spojovací procedura S ( 1 S, 2 S,..., q S; ε) 1. k := 0, p 0 := q p B q 1 p B 1 p B 2. k := k + 1, p k := q p B q 1 p B (1 p B p k 1 3. jestliže max s S p k(s) p k 1 (s) < ε stop, jinak opakuj krok 2. ) Jestliže X s S p k (s) = 1, pak řešení nalezeno s chybou ±ε, jinak { 1 S, 2 S,..., q S} není globálně konzistentní. Výsledkem je nestranná rekonstrukce s chybou ε nutná jen, pokud pro nějaké i = 1, 2,..., q platí [ p B i S ] i p B připojování nekonzistentních podsystémů přepisováním marginálních funkcí 2 p B (b) 1p B (c b) = 2 p B (b) 1 p B (b) 1p B (b, c) Důkaz konvergence: [Brown, Information and Control 4(2): , 1959] Systém, identifikace struktury; R. Šára, CMP (str. 20)
11 Příklad 1 Máme tři podsystémy systému s funkcí přípustnosti stavu p abc a b p ab b c p bc a c p ac Marginální funkce přípustnosti stavu po jednoduchém spojení p ac (p ab p bc ) p ac se připojil poslední a b ˆp ab b c ˆp bc a c ˆp ac Srovnání výsledku jednoduchého a iterativního spojení a b c p abc p ac (p ab p bc ) p abc Systém, identifikace struktury; R. Šára, CMP (str. 21)
12 Příklad 2 Máme tři podsystémy, které nejsou globálně konzistentní (viz str. 13) v 1 v 2 1 p B v 2 v 3 2 p B v 1 v 3 3 p B Výsledek jednoduchého i iterativního spojení podmínka X s S p k (s) = 1 není splněna v 1 v 3 v 2 p k Systém, identifikace struktury; R. Šára, CMP (str. 22)
13 Rekonstrukční chyba Dvě rozdělení p (s), p(s), s S nad stavovým prostorem S. Kullbackova-Leiblerova vzdálenost L(p, p ) = s S p(s) log p(s) p (s) (informační vzdálenost, poměrná entropie) Vlastnosti: L(p, p ) 0 L(p, p ) L(p, p) L(p, p ) = 0 p p je-li p nestranné spojení, pak 1. p (s) = 0 p(s) = 0 ( Gibbsova nerovnost) 2. L(p, p ) = H(S ) H(S) 3. ale L(p, p) H(S) H(S ) (není metrika) Pro generativní systém L(p, p ) = g G p(g) g G p(g g) log p(g g) p (g g) = = H(G G ) H(G G) Rekonstrukční chyba: G = (S, S ) = L(p, p ) Systém, identifikace struktury; R. Šára, CMP (str. 23)
14 Příklad a b p B (a, b) p B (a, b) = 1 p B (a) 2 p B (b) a 1 p B (a) b 2 p B (b) L(S, S ) = 0.3 log log = H(S S) = H(S ) H(S) = = Systém, identifikace struktury; R. Šára, CMP (str. 24)
15 Test statistické významnosti struktury systému skutečná četnost n(a i, b j, c k ) H 0 : p(a i, b j, c k ) = ( 1 p 2 p)(a i, b j, c k ) teoretická četnost n (a i, b j, c k ) = n ( 1 p 2 p)(a i, b j, c k ) χ 2 = I i=1 J j=1 K k=1 (n(a i, b j, c k ) n (a i, b j, c k )) 2 n (a i, b j, c k ) I J K J(I + K) + 1 stupňů volnosti Lze jen u identifikace struktury systému (máme n i n ) Systém, identifikace struktury; R. Šára, CMP (str. 25)
16 poznámky Počet stupňů volnosti 1. celý stavový prostor má velikost I J K 2. 1 podmínka p(a i, b j, c k ) = 1 i,j,k 3. p(a, b) musí být marginální funkce: I J 1 nezávislých vedlejších podmínek protože X i,j p(a i, b j ) = 1 4. p(b, c) musí být marginální funkce: J K 1 nezávislých vedlejších podmínek I J K 1 (I J 1) (J K 1) = I J K J(I + K) + 1 [1] Mood, AM Graybill, FA Boes, DC. Introduction to the Theory of Statistics. McGraw-Hill 1974, str. 454ff. Systém, identifikace struktury; R. Šára, CMP (str. 26)
Zjednodušení generativního systému redukcí rozlišení
Zjednodušení generativního systému redukcí rozlišení Ze studie zahrnující dotaz na vzdělání. Obor hodnot v i : e základní vzdělání h střední vzdělání c bakalář g magistr Možné redukce rozlišení cg vysoké
VícePC: Identifikace struktury zobecněného dynamického systému
PC: Identifikace struktury zobecněného dynamického systému Důležitý problém v obecné teorii systémů. 1. Podsystém a nadsystém. 2. Definice dekompozice systému. 3. Problém rekonstrukce systému: a. lokální
VíceRekonstrukce diskrétního rozdělení psti metodou maximální entropie
Rekonstrukce diskrétního rozdělení psti metodou maximální entropie Příklad Lze nalézt četnosti nepozorovaných stavů tak, abychom si vymýšleli co nejméně? Nechť n i, i = 1, 2,..., N jsou známé (absolutní)
VíceProhledávání svazu zjemnění
Prohledávání svazu zjemnění Rekonstrukční chyba je monotonně neklesající podél každé cesty svazu zjemnění: Je-li G i G k G j potom (G i ) (G k ) (G j ) Rekonstrukční chyba je aditivní podél každé cesty
VíceSíla a významnost asociace mezi proměnnými v systému
Síla a významnost asociace mezi proměnnými v systému Program 1. Entropie jako míra neuspořádanosti. 2. Entropie jako míra informace. 3. Entropie na rozkladu množiny elementárních jevů. 4. Vlastnosti entropie.
VíceMatice. Přednáška MATEMATIKA č. 2. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Přednáška MATEMATIKA č. 2 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 13. 10. 2010 Uspořádané schéma vytvořené z m n reálných čísel, kde m, n N a 11 a 12 a
VíceAplikace 2: Hledání informativních příznaků pro rozpoznávání
Aplikace : Hledání informativních příznaků pro rozpoznávání Sonogram štítné žlázy v podélném řezu zdravá lymfocitická thyroitida Zajímá nás, kolik se lze z dat dozvědět o třídě c a kde ta informace je.
VícePřednáška 6, 6. listopadu 2013
Přednáška 6, 6. listopadu 2013 Kapitola 2. Posloupnosti a řady funkcí. V dalším jsou f, f n : M R, n = 1, 2,..., reálné funkce jedné reálné proměnné definované na (neprázdné) množině M R. Co to znamená,
VíceSIGNUM 3SB3 Tlačítka a signálky
SGNUM Tlačítka a signálky Ovladač s nosičem Kulaté plastové 0..-.. Kulaté kovové 5..-.. Čtvercové plastové 1..-.. pro otvor 26 26mm Upozornění! Prosvětlená tlačítka se dodávají včetně montážního můstku
VíceDatabázové systémy Tomáš Skopal
Databázové systémy Tomáš Skopal - relační model * funkční závislosti, odvozování * normální formy Osnova přednášky Armstrongova pravidla atributové a funkční uzávěry normální formy relačních schémat Armstrongova
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceHranová konzistence. Arc consistency AC. Nejprve se zabýváme binárními CSP. podmínka odpovídá hraně v grafu podmínek
Hranová konzistence Arc consistency AC Nejprve se zabýváme binárními CSP podmínka odpovídá hraně v grafu podmínek Hrana (V i, V j ) je hranově konzistentní, právě když pro každou hodnotu x z aktuální domény
VíceSoučin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j.
Kapitola 3 Počítání s maticemi Matice stejného typu můžeme sčítat a násobit reálným číslem podobně jako vektory téže dimenze. Definice 3.1 Jsou-li A (a ij ) a B (b ij ) dvě matice stejného typu m n, pak
VíceProjekt OPVK - CZ.1.07/1.1.00/26.0047 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: Geometire Gradovaný řetězec úloh Téma: obsahy a obvody mnohoúhelníků, grafy funkcí s absolutní
VíceB A B A B A B A A B A B B
AB ABA BA BABA B AB A B B A A B A B AB A A B B B B ABA B A B A A A A A B A A B A A B A A B A BA B A BA B D A BC A B C A B A B C C ABA B D D ABC D A A B A B C D C B B A A B A B A B A A AB B A AB A B A A
VíceZáklady biostatistiky (MD710P09) ak. rok 2007/2008
1(208) Základy biostatistiky (MD710P09) ak. rok 2007/2008 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara katedra pravděpodobnosti a matematické statistiky MFF UK (naposledy upraveno
VíceZáklady biostatistiky (MD710P09) ak. rok 2008/2009
1(229) Základy biostatistiky (MD710P09) ak. rok 2008/2009 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara katedra pravděpodobnosti a matematické statistiky MFF UK (naposledy upraveno
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
Vícepro každé i. Proto je takových čísel m právě N ai 1 +. k k p
KOMENTÁŘE ÚLOH 43. ROČNÍKU MO, KATEGORIE A 1. Přirozené číslo m > 1 nazveme k násobným dělitelem přirozeného čísla n, pokud platí rovnost n = m k q, kde q je celé číslo, které není násobkem čísla m. Určete,
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
VíceLIMITA A SPOJITOST FUNKCE
PŘEDNÁŠKA 5 LIMITA A SPOJITOST FUNKCE 5.1 Spojitost funkce 2 Řekneme, že funkce f(x) je spojitá v bodě a D f, jestliže ke každému ε > 0 existuje δ > 0 takové, že pro každé x (a δ, a + δ) D f platí nerovnost:
VíceVĚTY Z LINEÁRNÍ ALGEBRY
VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru
VíceTeorie informace a kódování (KMI/TIK)
Teorie informace a kódování (KMI/TIK) Bezpečnostní kódy Lukáš Havrlant Univerzita Palackého 13. listopadu 2012 Konzultace V pracovně 5.076. Každý čtvrtek 9.00 11.00. Emaily: lukas@havrlant.cz lukas.havrlant@upol.cz
VíceMarie Duží
Marie Duží marie.duzi@vsb.cz Co je to množina? Množina je soubor prvků a je svými prvky plně určena; množinu s prvky a, b, c značíme: {a, b, c}. Prvkem množiny může být opět množina, množina nemusí mít
VíceNavrhování experimentů a jejich analýza. Eva Jarošová
Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium
VíceKontingenční tabulky. (Analýza kategoriálních dat)
Kontingenční tabulky (Analýza kategoriálních dat) Agenda Standardní analýzy dat v kontingenčních tabulkách úvod, KT, míry diverzity nominálních veličin, některá rozdělení chí kvadrát testy, analýza reziduí,
VíceÚvod do databázových systémů 10. cvičení
Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Úvod do databázových systémů 10. cvičení Ing. Petr Lukáš petr.lukas@nativa.cz Ostrava, 2012 Opakování Univerzální
VíceFIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceOptimalizace & soft omezení: algoritmy
Optimalizace & soft omezení: algoritmy Soft propagace Klasická propagace: eliminace nekonzistentních hodnot z domén proměnných Soft propagace: propagace preferencí (cen) nad k-ticemi hodnot proměnných
Více= 8 25 + 19 12 = 32 43 32 = 11. 2 : 1 k > 0. x k + (1 x) 4k = 2k x + 4 4x = 2 x = 2 3. 1 x = 3 1 2 = 2 : 1.
4 4 = 8 8 8 = 5 + 19 1 = 4 = 11 : 1 k > 0 k 4k x 1 x x k + (1 x) 4k = k x + 4 4x = x = x 1 x = 1 = : 1. v h h s 75 v 50 h s v v 50 s h 75 180 v h 90 v 50 h 180 90 50 = 40 s 65 v 80 60 80 80 65 v 50 s 50
VíceTeorie informace. Mirko Navara. katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a navara/psi 3. 1.
Teorie informace Mirko Navara Centrum strojového vnímání katedra kbernetik FEL ČVUT Karlovo náměstí, budova G, místnost 4a http://cmp.felk.cvut.cz/ navara/psi.. 7 Obsah Informace Entropie. Entropie jako
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. března 2014, 12:42 1 2 0.1 Násobení matic Definice 1. Buďte m, n, p N, A
Více5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně
Více64. ročník matematické olympiády Řešení úloh krajského kola kategorie A
64. ročník matematické olympiády Řešení úloh krajského kola kategorie A 1. Středy stran AC, BC označme postupně, N. Střed kružnice vepsané trojúhelníku KLC označme I. Úvodem poznamenejme, že body K, L
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
Více2. LIMITA A SPOJITOST FUNKCE
. LIMITA A SPOJITOST FUNKCE Průvodce studiem Funkce y = je definována pro ( ) (>. Z grafu funkce (obr. 3) a z tabulky (a) je vidět že čím více se hodnoty blíží k -3 tím více se funkční hodnoty blíží ke
VíceOct 19th Charles University in Prague, Faculty of Mathematics and Physics. Multidimensional estimators. Základní pojmy.
Charles University in Prague, Faculty of Mathematics and Physics Oct 19th 2009 Influence Function Stejné jako pro jednorozměrný případ až na Θ R p. Influence Function IF (x; T, F) = lim h 0 T [(1 h)f +
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
VíceUDBS Cvičení 10 Funkční závislosti
UDBS Cvičení 10 Funkční závislosti Ing. Miroslav Valečko Zimní semestr 2014/2015 25. 11. 2014 Návrh schématu databáze Existuje mnoho způsobů, jak navrhnout schéma databáze Některá jsou lepší, jiná zase
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceDůkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť.
Přednáška 3, 19. října 2015 Důkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť X i = M i I je jeho pokrytí otevřenými
Více5. Formalizace návrhu databáze
5. Formalizace návrhu databáze 5.1. Úvod do teorie závislostí... 2 5.1.1. Funkční závislost... 2 5.1.2. Vícehodnotová závislost (multizávislost)... 7 5.1.3. Závislosti na spojení... 9 5.2. Využití teorie
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceÚvod do databázových systémů. Cvičení 12 Ing. Martin Zwierzyna
Úvod do databázových systémů Cvičení 12 Ing. Martin Zwierzyna Základní pojmy Redundance Stejná data jsou uložena v databázi na více místech, zbytečně se opakují Řešení: Minimalizace redundance Základní
Více1 Výroková logika 1. 2 Predikátová logika 3. 3 Důkazy matematických vět 4. 4 Doporučená literatura 7
1 Výroková logika 1 Výroková logika 1 2 Predikátová logika 3 3 Důkazy matematických vět 4 4 Doporučená literatura 7 Definice 1.1 Výrokem rozumíme každé sdělení, o kterém má smysl uvažovat, zda je, či není
VícePŘEDNÁŠKA 7 Kongruence svazů
PŘEDNÁŠKA 7 Kongruence svazů PAVEL RŮŽIČKA Abstrakt. Definujeme svazové kongruence a ukážeme jak pro vhodné binární relace svazu ověřit, že se jedná o svazové kongruence. Popíšeme svaz Con(A) kongruencí
VícePoznámky k předmětu Aplikovaná statistika, 11. téma
Poznámky k předmětu Aplikovaná statistika, 11. téma Testy založené na χ 2 rozdělení V přehledu významných rozdělení jsme si uvedli, že Poissonovým rozdělením se modeluje počet událostí, které nastanou
Více11. cvičení z PSI prosince hodnota pozorovaná četnost n i p X (i) = q i (1 q), i N 0.
11 cvičení z PSI 12-16 prosince 2016 111 (Test dobré shody - geometrické rozdělení Realizací náhodné veličiny X jsme dostali následující četnosti výsledků: hodnota 0 1 2 3 4 5 6 pozorovaná četnost 29 15
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
Vícematiceteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
VíceLineární algebra Kapitola 1 - Základní matematické pojmy
Lineární algebra Kapitola 1 - Základní matematické pojmy 1.1 Relace a funkce V celém textu budeme používat následující označení pro číselné množiny: N množina všech přirozených čísel bez nuly, N={1, 2,
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu
VíceTeoretická informatika - Úkol č.1
Teoretická informatika - Úkol č.1 Lukáš Sztefek, xsztef01 18. října 2012 Příklad 1 (a) Gramatika G 1 je čtveřice G 1 = (N, Σ, P, S) kde, N je konečná množina nonterminálních symbolů N = {A, B, C} Σ je
VícePŘEDNÁŠKA 5 Konjuktivně disjunktivní termy, konečné distributivní svazy
PŘEDNÁŠKA 5 Konjuktivně disjunktivní termy, konečné distributivní svazy PAVEL RŮŽIČKA Abstrakt. Ukážeme, že každý prvek distributivního svazu odpovídá termu v konjuktivně-disjunktivním (resp. disjunktivně-konjunktivním)
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceTeorie množin. Čekají nás základní množinové operace kartézské součiny, relace zobrazení, operace. Teoretické základy informatiky.
Teorie množin V matematice je všechno množina I čísla jsou definována pomocí množin Informatika stojí na matematice Znalosti Teorie množin využijeme v databázových systémech v informačních systémech při
Více30. listopadu Derivace. VŠB-TU Ostrava. Dostupné: s1a64/cd/index.htm.
KMA/MAT1 Přednáška a cvičení č. 11 30. listopadu 2017 [KS] Jaromír Kuben Petra Šarmanová: Diferenciální počet funkcí jedné proměnné. VŠB-TU Ostrava. Dostupné: http://homel.vsb.cz/ s1a64/cd/inde.htm. 1
VíceSpojitost a limita funkce
Spojitost a ita funkce Okolí bodu Značení: a R ε > 0 označujeme O ε (a) = (a ε, a + ε) ε-ové okolí bodu a O + ε (a) = a, a + ε) pravé okolí, O ε (a) = (a ε, a levé okolí P ε (a) = O ε (a) \ {a} x a ε-ové
Více11 Vzdálenost podprostorů
11 Vzdálenost podprostorů 11.1 Vzdálenost bodů Eukleidovský bodový prostor E n = afinní bodový prostor, na jehož zaměření je definován skalární součin. (Pech:AGLÚ/str.126) Definováním skalárního součinu
VíceKapitola 13: Transakce. Koncept transakce. ACID vlastnosti
- 13.1 - Kapitola 13: Transakce Koncept transakce Stavy transakce Implementace atomičnosti a trvanlivosti Souběžné spouštění Serializovatelnost Koncept transakce Transakce je posloupnost operací (část
VíceÚlohy krajského kola kategorie A
64. ročník matematické olympiády Úlohy krajského kola kategorie A 1. Je dán trojúhelník ABC s tupým úhlem při vrcholu C. Osa o 1 úsečky AC protíná stranu AB v bodě K, osa o 2 úsečky BC protíná stranu AB
VícePŘEDNÁŠKA 2 POSLOUPNOSTI
PŘEDNÁŠKA 2 POSLOUPNOSTI 2.1 Zobrazení 2 Definice 1. Uvažujme libovolné neprázdné množiny A, B. Zobrazení množiny A do množiny B je definováno jako množina F uspořádaných dvojic (x, y A B, kde ke každému
VíceSíla a významnost asociace mezi proměnnými v systému
Síla a významnost asociace mezi proměnnými v systému Program 1. Entropie jako míra neuspořádanosti. 2. Entropie jako míra informace. 3. Entropie na rozkladu množiny elementárních jevů. 4. Vlastnosti entropie.
VíceKontingenční tabulky, korelační koeficienty
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Budeme předpokládat, že X a Y jsou kvalitativní náhodné veličiny, obor hodnot X obsahuje r hodnot (kategorií,
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáša 04 Přírodovědecá faulta Katedra matematiy KMA/P506 Pravděpodobnost a statistia KMA/P507 Statistia na PC jiri.cihlar@ujep.cz Záon velých čísel Lemma Nechť náhodná veličina nabývá pouze nezáporných
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Testy hypotéz na základě více než 2 výběrů 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Testy hypotéz na základě více než 2 výběrů Na analýzu rozptylu lze pohlížet v podstatě
VícePlánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
VíceRozptyl. Pozn.: rozptyl je nezávislý na posunu hustoty pravděpodobnosti na ose x, protože Var(X) mi určuje jen šířku rozdělení.
Rozptyl Základní vlastnosti disperze Var(konst) = 0 Var(X+Y) = Var(X) + Var(Y) (nezávislé proměnné) Lineární změna jednotek Y = rx + s, například z C na F. Jak vypočítám střední hodnotu a rozptyl? Pozn.:
Více63. ročník matematické olympiády Řešení úloh krajského kola kategorie B. 1. Odečtením druhé rovnice od první a třetí od druhé dostaneme dvě rovnice
63. ročník matematické olympiády Řešení úloh krajského kola kategorie B 1. Odečtením druhé rovnice od první a třetí od druhé dostaneme dvě rovnice (x y)(x + y 6) = 0, (y z)(y + z 6) = 0, které spolu s
VícePravděpodobnost a statistika, Biostatistika pro kombinované studium. Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz.
Pravděpodobnost a statistika, Biostatistika pro kombinované studium Letní semestr 2015/2016 Tutoriál č. 5: Bodové a intervalové odhady, testování hypotéz Jan Kracík jan.kracik@vsb.cz Obsah: Výběrová rozdělení
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceUčební texty k státní bakalářské zkoušce Matematika Matice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Matice študenti MFF 15. augusta 2008 1 12 Matice Požadavky Matice a jejich hodnost Operace s maticemi a jejich vlastnosti Inversní matice Regulární matice,
VíceY36BEZ Bezpečnost přenosu a zpracování dat. Úvod. Róbert Lórencz. http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz
Y36BEZ Bezpečnost přenosu a zpracování dat Róbert Lórencz 1. přednáška Úvod http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz Róbert Lórencz (ČVUT FEL, 2007) Y36BEZ Bezpečnost přenosu a zpracování
VíceÚvod do logiky (presentace 2) Naivní teorie množin, relace a funkce
Úvod do logiky (presentace 2) Naivní teorie množin, relace a funkce Marie Duží marie.duzi@vsb.cz 1 Úvod do teoretické informatiky (logika) Naivní teorie množin Co je to množina? Množina je soubor prvků
VíceTOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA.
TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA. PAVEL RŮŽIČKA 4.1. (Kvazi)kompaktnost a sub-báze. Buď (Q, ) uspořádaná množina. Řetězcem v Q budeme rozumět lineárně
VíceKongruence na množině celých čísel
121 Kapitola 4 Kongruence na množině celých čísel 4.1 Relace kongruence na množině celých čísel Vraťme se k úvahám o dělení se zbytkem. Na základní škole jsme se naučili, že když podělíme číslo 11 číslem
VíceJana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
Víceobytný soubor D.1.1 ARCH. STAVEBNÍ ČÁST DUR+DSP 06/2016 1/100 Langrova 814/15, Brno - Slatina
D Y SEVERNÍ DOKUMENTACE OBJEKTU A P-A.1 stávající RT +2,625 +8,050 D Y ZÁPADNÍ DOKUMENTACE OBJEKTU A P-A.2 D Y VÝCHODNÍ DOKUMENTACE OBJEKTU A P-A.3 ZÁPADNÍ B P-B.5 SEVERNÍ B P-B.4 SEVEROVÝCHODNÍ B P-B.3
VíceDiferenciální počet funkcí jedné proměnné
Diferenciální počet funkcí jedné proměnné 1 4. Derivace funkce 4.3. Průběh funkce 2 Pro přesné určení průběhu grafu funkce je třeba určit bližší vlastnosti funkce. Monotónnost funkce Funkce monotónní =
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
Více6. ZÁKLADY STATIST. ODHADOVÁNÍ. Θ parametrický prostor. Dva základní způsoby odhadu neznámého vektoru parametrů bodový a intervalový.
6. ZÁKLADY STATIST. ODHADOVÁNÍ X={X 1, X 2,..., X n } výběr z rozdělení s F (x, θ), θ={θ 1,..., θ r } - vektor reálných neznámých param. θ Θ R k. Θ parametrický prostor. Dva základní způsoby odhadu neznámého
VíceZáklady matematické analýzy
Základy matematické analýzy Spojitost funkce Ing. Tomáš Kalvoda, Ph.D. 1, Ing. Daniel Vašata 2 1 tomas.kalvoda@fit.cvut.cz 2 daniel.vasata@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceTeorie informace: řešené příklady 2014 Tomáš Kroupa
Teorie informace: řešené příklady 04 Tomáš Kroupa Kolik otázek je třeba v průměru položit, abychom se dozvěděli datum narození člověka (den v roce), pokud odpovědi jsou pouze ano/ne a tázaný odpovídá pravdivě?
VíceSyntetická geometrie I
Shodnost Pedagogická fakulta 2016 www.karlin.mff.cuni.cz/~zamboj/ Vzdálenost dvou bodů Necht A, B, C ρ. Vzdálenost dvou bodů A, B v rovině je číslo AB a platí AB 0 AB = 0 A = B AB = BA pozitivně definitní
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VíceLimita a spojitost funkce a zobrazení jedné reálné proměnné
Přednáška 4 Limita a spojitost funkce a zobrazení jedné reálné proměnné V několika následujících přednáškách budeme studovat zobrazení jedné reálné proměnné f : X Y, kde X R a Y R k. Protože pro každé
VíceVýroková a predikátová logika - VII
Výroková a predikátová logika - VII Petr Gregor KTIML MFF UK ZS 2018/2019 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - VII ZS 2018/2019 1 / 15 Platnost (pravdivost) Platnost ve struktuře
VíceZápadočeská univerzita v Plzni FAKULTA PEDAGOGICKÁ
Západočeská univerzita v Plzni FAKULTA PEDAGOGICKÁ BAKALÁŘSKÁ PRÁCE KONEČNÉ GRUPY MALÝCH ŘÁDŮ Ivana Čechová Vedoucí práce: doc. RNDr. Jaroslav Hora, CSc. Plzeň 2012 Prohlašuji, že jsem bakalářskou práci
VíceDoporučené příklady k Teorii množin, LS 2018/2019
Doporučené příklady k Teorii množin, LS 2018/2019 1. přednáška, 21. 2. 2019 1. Napište množina x je prázdná (přesněji množina x nemá žádné prvky ) formulí základního jazyka teorie množin. 2. Dokažte ((x
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VíceTOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 3. PREDNÁŠKA - KOMPAKTNÍ PROSTORY.
TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 3. PREDNÁŠKA - KOMPAKTNÍ PROSTORY. PAVEL RŮŽIČKA 3.1. Kompaktní prostory. Buď (X, τ) topologický prostor a Y X. Řekneme, že A τ je otevřené pokrytí množiny Y, je-li
VíceSyntetická geometrie I
Shodnost Pedagogická fakulta 2018 www.karlin.mff.cuni.cz/~zamboj/ Vzdálenost dvou bodů Definice (Vzdálenost) Necht A, B, C ρ. Vzdálenost dvou bodů A, B v rovině je číslo AB a platí AB 0 AB = 0 A = B AB
VíceKapitola 1: Reálné funkce 1/20
Kapitola 1: Reálné funkce 1/20 Funkce jedné proměnné 2/20 Definice: Necht M R. Jestliže každému x M je přiřazeno jistým předpisem f právě jedno y R, říkáme, že y je funkcí x. x... nezávisle proměnná (neboli
Více1. přednáška 1. října Kapitola 1. Metrické prostory.
1. přednáška 1. října 2007 Kapitola 1. Metrické prostory. Definice MP, izometrie. Metrický prostor je struktura formalizující jev vzdálenosti. Je to dvojice (M, d) složená z množiny M a funkce dvou proměnných
Více7. Důležité pojmy ve vektorových prostorech
7. Důležité pojmy ve vektorových prostorech Definice: Nechť Vje vektorový prostor a množina vektorů {v 1, v 2,, v n } je podmnožinou V. Pak součet skalárních násobků těchto vektorů, tj. a 1 v 1 + a 2 v
VícePlánování experimentu
SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš 1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr
Více