MATEMATICKÁ TEORIE ROZHODOVÁNÍ
|
|
- Viktor Tábor
- před 5 lety
- Počet zobrazení:
Transkript
1 MTMTICKÁ TORI ROZODOVÁNÍ odklady k soustředění č. 3 ráce s neurčtostí Většna našch znalostí o reálném světě je zatížena ve větší č menší míře neurčtostí. Na druhou stranu, schopnost rozhodovat se v stuacích, kdy nejsou všechny nformace dostupné, je běžnou vlastností ldského rozumu. Vezměme s následující čtyř tvrzení: 1. Žadatel o úvěr má měsíční příjem korun, 2. Žadatel o úvěr má vysoký měsíční příjem, 3. Žadatel o úvěr má měsíční příjem as korun, 4. Žadatel o úvěr má as vysoký měsíční příjem. rvní tvrzení žádnou neurčtost neobsahuje. Tvrzení číslo dvě používá vágní pojem vysoký příjem ; není přesně specfkováno, jaké částky už jsou vysoké a jaké ještě nízké navíc pojem vysoký příjem může být různým ldm chápán různě. Ve třetím tvrzení se objevuje nejstota; neznáme přesnou výš příjmu víme jen, že je okolo Ve čtvrtém tvrzení se pak objevuje jak vágnost, tak nejstota. Zpočátku byla problematka neurčtost umělou ntelgencí přehlížena, výzkum se zaměřoval především na symbolcké manpulace. Své explctní vyjádření našla neurčtost až v polovně 70. let v souvslost s expertním systémy. Vedle ad hoc přístupů, navržených pro prác s neurčtostí v konkrétních expertních systémech např. MYCIN nebo ROSCTOR se vychází z propracovaných teorí. storcky první je teore pravděpodobnost, jejíž základy spadají do sedmnáctého století. ravděpodobnostní přístup bychom mohl použít pro vyjádření nejstoty. V současnost je tato teore nejpropracovanější a exstuje celá řada jejích aplkací v oblast umělé ntelgence. Za všechny zmňme bayesovské sítě umožňující reprezentovat znalost o částečně nezávslých evdencích a tyto znalost použít př usuzování. Z dalších teorí našly své uplatnění v umělé ntelgenc teore možnost possblty theory a teore fuzzy množn a fuzzy logky. Zatímco axomy teore možnost jsou velce podobné axomům teore pravděpodobnost, teore ale umožňuje vyjadřovat vágnost přrozeného jazyka, fuzzy množny rovněž nabízející formalsmus pro vyjádření vágnost vycházejí ze zcela odlšných základů. odrobněj je této problematka zpracována např. v [Mařík a kol., 1997] nebo [Garratano, Rley, 1993]. Důraz na zpracování neurčtost dostal v posledních letech v kontextu umělé ntelgence nový mpuls v oblast nazývané soft computng. Soft computng je termín souhrnně označující metody, které umožňují rychle nalézat řešení byť ne zcela optmální vágně a neúplně popsaných problémů [Zadeh, 1994]. Do oblast soft computng bývají z metod umělé ntelgence řazeny fuzzy logka, neuronové sítě a genetcké algortmy. atří sem ale pravděpodobnostní metody nebo teore chaosu. odstatné je, že tyto metody se nepoužívají zolovaně ale ve vzájemné kombnac; nalezneme tak například celou řadu neuro-fuzzy nebo fuzzy-genetckých systémů. Do oblast soft computng se přesouvá práce s neurčtostí z expertních a znalostních systémů. 1
2 1. Způsoby vyjádření neurčtost 1.1 Vágnost Fuzzy množny Fuzzy množny představují zobecnění klasckých množn též v tomto kontextu nazývaných crsp. Def: Crsp množna je defnována pomocí charakterstcké funkce ϕ : U {0,1} takové, že 0, x U;ϕ x = 1, právě když právě když x x Def: Fuzzy množna je defnována pomocí charakterstcké funkce též nazývané funkce příslušnost µ : U [0,1] tak, že každému prvku x je přřazena hodnota z ntervalu [0,1]. ro fuzzy množny obsahující konečný počet prvků se používá záps = {x, µ x} Obr. 1 Crsp resp. fuzzy množna zvýšená teplota lavní rozdíl mez oběma typy množn je patrný z obr. 1. Zatímco u crsp množny, U můžeme o každém prvku x z unverza U říc, že do množny jstě patří nebo jstě nepatří vz charakterstcká funkce vlevo, v případě fuzzy množny může x prvek do množny patřt jen do jsté míry vz funkce příslušnost vpravo. S využtím funkce příslušnost jsou defnovány všechny množnové operace na fuzzy množnách: kardnalta počet prvků fuzzy množny doplněk fuzzy množny = µ x x U µ U \ x = 1 µ x průnk fuzzy množn a B µ x = mn µ x, x B µ B sjednocení fuzzy množn a B µ x = max µ x, x B µ B fuzzy podmnožna B B právě když x; µ x < µ B x 2
3 Kromě těchto klasckých operací lze pro fuzzy množny defnovat: α-řez fuzzy množny nosč support fuzzy množny jádro kernel fuzzy množny [µ] α = {x; µ x > α} supp = {x; µ x > 0} ker = {x; µ x = 1} Nebol podpora jsou ty prvky unverza, které do množny alespoň trochu patří a jádro jsou ty prvky unverza, které do jstě patří. Často se v souvslost s fuzzy množnam mluví o počítání se slovy. Mají se tím na mysl tzv. lngvstcké proměnné např. velký, malý apod., vyjádřené pomocí fuzzy ntervalů. Obr. 2 Lngustcké proměnné Fuzzy relace Fuzzy relace jsou defnovány na kartézském součnu crsp množn: R: X Y [0, 1], X = {x}, Y = {y}. odnota µ R x,y odpovídá stupn relace mez x X a y Y. říklad: odobnost mez zvířaty X = {kůň, osel}, Y = následující tabulkou: Y = {mula kráva} X = {kůň osel} {mula, kráva} může být defnována Def: Kompozce relace pro crsp relac R: X Y {0, 1} a crsp množnu M X je defnována jako M R = {y Y; x M x, y R} 3
4 Def: Kompozce relace pro fuzzy relac R: X Y [0, 1] a fuzzy množnu M X je defnována jako M R = {y, µ M R y}, kde µ M R y = max mn µ M x, µ R x,y Def: ro dvě fuzzy relace R: X Y [0, 1] a S: Y Z [0, 1] je R S fuzzy relace X Z [0, 1] taková, že µ R S x,y = max y mn µ R x,y, µ S y,z Jde o tzv. max-mn kompozc. říklad: Jsou dány tř crsp množny X = {1, 2}, Y = {1, 2, 3}, Z = {1, 2, 3, 4}, a dvě fuzzy relace R: X Y a S: Y Z Y R: X S: Y Z pak R S = Relac mez lngustckým proměnným tj. mez fuzzy množnam můžeme chápat jako fuzzy podmíněný příkaz f L = then K = B kde je fuzzy množna na X a B je fuzzy množna na Y např. IF BMI vysoké TN krevní tlak vysoký 1.2 Nejstota rubé množny rubé množny rough sets představují jakés aproxmace klasckých crsp množn. Def: Nechť pro unversum U exstuje jeho rozklad tvořený množnam B. množny tvořící rozklad jsou navzájem dsjunktní a jejch sjednocení tvoří celou množnu U. ak pro každou množnu ; U defnujme dolní aproxmac L jako 4
5 horní aproxmac U jako a hranc U L jako L = { B ; B }, U = { B ; B }, U L = U L. Obr. 3 rubé množny Základní myšlenku hrubých množn lustruje Obr. 3. ro množnu na obrázku žlutě a množny B tvořené jednotlvým obdélníky je její dolní aproxmace znázorněna zeleně a hrance znázorněna modře. orní aproxmace je pak vše, co je barevné Vícehodnotové logky Klascká dvouhodnotová logka pracuje se dvěma pravdvostním hodnotam TRU a FLS často značené 1 a 0. U vícehodnotových logk je pravdvostních hodnot více. Nejjednodušší vícehodnotovou logkou je tříhodnotová logka. K hodnotám 1 a 0 se zde přdává hodnota X, která má význam UNKNOWN ve smyslu tvrzení může být TRU nebo FLS. Tomu odpovídá příslušné rozšíření defnc jednotlvých logckých spojek: 1. nezáleží-l na neznámé hodnotě, pravdvostní hodnota logcké spojky je příslušná standardní hodnota, 2. záleží-l na neznámé hodnotě, je pravdvostní hodnota logcké spojky X. Obr. 4 Negace a konjunkce v trojhodnotové logce 5
6 Obr. 5 Dsjunkce a mplkace v trojhodnotové logce ravé vícehodnotové logky pracují s pravdvostním hodnotam z celého ntervalu [0, 1]. Často se v této souvslost mluví o fuzzy logce, když ne každá vícehodnotová logka je nsprována fuzzy teorí. Def: Funkce : [0, 1] [0, 1] [0, 1] se nazývá t-norma, právě když: 1. a, 1 = a 2. a, b = b, a 3. a, b,c = a, b, c 4. pro b < c a, b < a, c lze dokázat, že a, 0 = 0 říklady t-norem: Gődelova mn a, b = mna, b součnová prod a, b = a b Lukasewczova Luk a, b = max0, a + b 1 Def: Funkce : [0, 1] [0, 1] [0, 1] se nazývá t-konorma, právě když: 1. a, 0 = a 2. a, b = b, a 3. a, b,c = a, b, c 4. pro b < c a, b < a, c lze dokázat, že a, 1 = 1 říklady t-konorem: Gődelova mn a, b = maxa, b součnová prod a, b = a + b - a b Lukasewczova Luk a, b = mn1, a + b Vztah mez t-normou a t-konormou je defnován následující rovností: a, b = a, 1 - b 6
7 Def: Nechť a, b [0, 1] jsou pravdvostní hodnoty dvou fuzzy tvrzení. Logcké spojky ve fuzzy logce jsou pak defnovány následujícím způsobem: 1. negace a pro a < b a = a b < a uvedeným požadavkům vyhovuje standardní negace a = 1 - a 2. konjunkce 3. dsjunkce 4. mplkace a b a b = a, b a b = a, b je defnována jako tzv. rezduum t-normy, tedy tak, že a b = maxc, a, c < b Věta: Nechť fuzzy mplkace je defnována jako rezduum t-normy. ak 1. pro a < b je a b = 1 neboť a, 1 = a < b 2. pro a > b je Gődelova mplkace a b = b součnová mplkace a b = b/a Lukasewczova mplkace a b = 1 a + b ravděpodobnost Teore pravděpodobnost představuje klascký způsob jak pracovat s neurčtostí. řpomeňme zde některé základní pojmy dle Jroušek. Def: Nechť X je konečná množna, tx je potenční množna množna všech podmnožn. ravděpodobnostní dstrbuce je takové zobrazení že, X = 1 = 0 : tx [0, 1] pro, B tx takové, že B = platí B = + B Def: odmíněná pravděpodobnost jevu př jevu B je defnována jako B B = B 7
8 Věta: Je-l > 0 a B > 0, potom B = Výše uvedený vztah se nazývá Bayesův vzorec. B B Def: Jevy a B jsou nezávslé právě když B = B Def: Jevy a B jsou podmíněně nezávslé př jevu C právě když BC = C BC odívejme se nyní na stuac, kdy množna X je kartézský součn hodnot, které mohou nabývat náhodné velčny X 1, X 2,, X n. otom pravděpodobnostní rozložení defnované na X 1 X 2 X n budeme též nazývat pravděpodobnostní dstrbuce náhodných velčn X 1, X 2,, X n. Místo X 1 =x 1, X 2 =x 2, budeme pro jednoduchost psát x 1, x 2,. Def: Uvažujme dvě náhodné velčny X 1, X 2 a nějakou jejch sdruženou pravděpodobnostní dstrbuc X 1, X 2. Margnální pravděpodobnostní dstrbuce velčny X 1 je dána vztahem X x =, 1 1 x1 X 2 Def: Uvažujme dvě náhodné velčny X 1, X 2 a nějakou jejch sdruženou pravděpodobnostní dstrbuc X 1, X 2. Velčny X 1, X 2 jsou nezávslé, právě když x1, = x1 Def: Uvažujme tř náhodné velčny X 1, X 2, X 3. Velčny X 1, X 2 jsou podmíněně nezávslé př velčně X 3, právě když x1, x3 = x1 x3 x Možnost Základy teore možnost possblty theory formuloval v roce 1978 L.: Zadeh jako nástroj umožňující usuzovat na základě nepřesné č vágní znalost a brát přtom do úvahy neurčtost těchto znalostí. Formálně vzato tato teore představuje alternatvu k teor pravděpodobnost. Uvdíme tedy podobné defnce jako v předcházející podkaptole. Def: Nechť X je konečná množna, tx je potenční množna množna všech podmnožn. ossblstcká dstrbuce Π je takové zobrazení 8
9 že, Π: tx [0, 1] Π X = 1 Π = 0 pro, B tx takové, že B = platí Π B = max Π, Π B Věta: Nechť, B tx. otom Π B = max Π, Π B Zatímco defnce possblstcké dstrbuce požaduje, aby množny a B byly dsjunktní, to že možnost sjednocení odpovídá maxmální možnost jednotlvých členů platí pro jakékolv množny a B. Věta: Nechť, B tx. otom Π B mn Π, Π B Def: Uvažujme dvě náhodné velčny X 1, X 2 a nějakou jejch sdruženou pravděpodobnostní dstrbuc X 1, X 2. Margnální possblstcká dstrbuce velčny X 1 je dána vztahem Π x1 = max Π x1, 2 X x 1 X 2 Def: Uvažujme dvě náhodné velčny X 1, X 2 a nějakou jejch sdruženou possblstckou dstrbuc ΠX 1, X 2. Velčny X 1, X 2 jsou nezávslé, právě když Π x1, = Π x1 Π Def: Uvažujme tř náhodné velčny X 1, X 2, X 3. Velčny X 1, X 2 jsou podmíněně nezávslé př velčně X 3, právě když Π x1, x3 = Π x1 x3 Π x3 Ve výše uvedených defncích značí symbol t-normu, kterou jsme poznal v souvslost s fuzzy množnam. Operace tedy může ale nemusí být klascké násobení, tak jak je tomu v případě pravděpodobnost. Dalším a ještě významnějším rozdílem je to, že požadujeme aby součet pravděpodobností všech prvků množny X byl 1, zatímco u možnost požadujeme, aby nějaký prvek množny X byl jstě možný. Možnost tedy klade méně omezujících podmínek na formulování expertem, než pravděpodobnost. 9
10 2. Usuzování s využtím neurčtost 2.1 Rozhodování za rzka a nejstoty ředpokládejme, že množna rozhodnutí množna výsledků jsou konečné. ak můžeme Krtérum hodnotící optmaltu rozhodnutí vzhledem k výsledku vyjádřt pomocí matce Obr Je-l tímto krtérem užtek, pak optmální rozhodnutí užtek maxmalzuje, je-l tímto krtérem cena, pak optmální rozhodnutí cenu mnmalzuje rozhodnutí u u u k1 výsledek u u u k 2 u u u 1t 2t kl c rozhodnutí c c Obr. 2.6 Krtérum optmalty 21 k1 výsledek c Rozhodování za rzka Rozhodovací funkce d přřadí každému rozhodnutí nějaké známé rozložení pravděpodobnost na množně V. Skutečný výsledek je vybírán na základě této pravděpodobnost. Optmální rozhodnutí * je to, které maxmalzuje střední hodnotu užtku 11 c c k 2 c c c 1t 2t kl resp. mnmalzuje střední hodnotu ceny * * = arg max = arg mn l j= 1 l j= 1 u c j j p p j j Rozhodování za neurčtost Rozhodovací funkce d přřadí každému rozhodnutí nějakou podmnožnu výsledků, neznáme ale jejch pravděpodobnost nevíme, který výsledek nastane. Jak už bylo uvedeno výše, exstují dvě základní stratege jak postupovat: Garanční mnmaxová stratege vychází z toho, že očekáváme z hledska našch preferencí nejméně příznvý výsledek Tedy v případě, že krtérem je užtek, hledáme rozhodnutí * takové, že * = arg max mn u a v případě, že krtérem je cena, hledáme rozhodnutí * takové, že * = arg mn maxu rncp maxmální entrope je založen na předpokladu rovnoměrného rozdělení pravděpodobností jednotlvých výsledků, tedy že p = p j. V případě, že krtérem užtek, hledáme rozhodnutí * takové, že j j j j 10
11 * = arg max l j= 1 u j a v případě, že krtérem je cena, hledáme rozhodnutí * takové, že * = arg mn l j= 1 c j Rzko vs. Neurčtost rncp rozhodování za rzka a neurčtost osvětlí následující příklad převzatý ze [Štecha]. an Novák stojí před úkolem objednat uhlí na zmu. Ze zkušenost ví, že pokud bude zma mírná, stačí mu 10q uhlí, pokud bude normální, bude potřebovat 15q a pokud bude tuhá, bude potřebovat 20q. V létě je cena 1q uhlí 100,- Kč. okud bude nakupovat změ, bude cena závset na průběhu zmy. ř mírné změ bude cena za 1q uhlí rovněž 100,- Kč, př normální změ bude cena za 1q uhlí 150,- Kč a př tuhé změ bude cena za 1q uhlí 200,- Kč. Rozhodovacím problémem pana Nováka je tedy kolk uhlí má koupt v létě. Daná úloha má tř možná rozhodnutí odpověd na otázku kolk uhlí koupt v létě a tř možné výsledky alternatvní průběhy zmy. Krtérem hodnocení jednotlvých varant je cena, kterou pan Novák ve výsledku zaplatí pokud v létě koupí méně uhlí, než bude potřebovat, musí něco dokoupt v změ. odnotu krtéra pro jednotlvé varanty ukazuje následující tabulka. mírná zma normální zma tuhá zma v létě v létě v létě ř rozhodování př rzku musí pan Novák znát pravděpodobnost jednotlvých podob zmy. Řekněme, že mírná = 0.4 normální = 0.5 tuhá = 0.1 an Novák vybere rozhodnutí řádek, které bude mnmalzovat hodnotu j p j a j pro =1 je j p j a j = = 1575 pro =2 je j p j a j = = 1600 pro =3 je j p j a j = = 2000 an Novák tedy v létě koupí 10q uhlí. ř rozhodování za neurčtost pan Novák pravděpodobnost jednotlvých podob zmy nezná: př použtí mnmaxové stratege pan Novák vybere to rozhodnutí, pro které 11
12 max j a j bude mnmální. an Novák tedy v létě koupí 20q uhlí, neboť ve třetím řádku je maxmální hodnota mnmální ze všech řádkových maxm. př použtí prncpu maxmální entrope pan Novák vybere to rozhodnutí, pro které j a j bude mnmální. řesně vzato, budeme opět mnmalzovat výraz j p j a j, ale protože p j je př rovnoměrném rozdělení konstanta, můžeme j zanedbat. pro =1 je j a j = = 5750 pro =2 je j a j = = 5500 pro =3 je j a j = = 6000 an Novák tedy v létě koupí 15q uhlí. 2.1 Odvozování s využtím neurčtost Fuzzy nference Takzvaný Mamdanho model je jazykový model pracující s fuzzy podmíněným příkazy typu R: f X = then Y = B kde x a By jsou fuzzy množny. ravdla chápeme jako fuzzy relac, kde µ R x,y = µ x, µ B y kde jako t-norma se nejčastěj používá mnmum. Výstup y * fuzzy systému spočítáme ze vstupu x * a relace R jako max mn kompozc y * = x * R tedy µ B y * = max x mn µ x *, µ R x,y říklad: Jsou dány crsp množny X = {1, 2, 3}, Y = {1, 2, 3, 4}, fuzzy množna Xlow = {1,1, 2,0.7, 3,0.3} a fuzzy množna Yhgh = {1,0.2, 2,0.5, 3,0.8, 4,1}. ravdlo f X=low then Y=hgh lze vyjádřt relací R: low hgh =
13 Je-l nyní fuzzy množna Xmedum = {1,0.5, 2,1, 3,0.5}, potom y * = medum R = {1,0.2, 2,0.5, 3,0.7, 1,0.7} Stupeň pravdvost případné konjunkce v předpokladu fuzzy podmíněného příkazu se vyhodnotí jako mnmum Obr. 8. V případě fuzzy regulace musíme tento odvozovací postup ještě doplnt o fuzzyfkac vstupů a defuzzyfkac výstupu. ř fuzzyfkac se konkrétní číselná hodnota převádí na fuzzy množnu fuzzy nterval, př defuzzyfkac se výsledek odvozování na základě fuzzy nference fuzzy množna převádí na konkrétní číselnou hodnotu. Obecné schéma fuzzy regulace podle kterého pracují různé spotřebče typu fuzzy pračka, fuzzy mkrovlnná trouba apod. je na Obr. 7. ro defuzzyfkac výstupu y se nabízí několk možností. Numercké výstupní velčně se přřadí hodnota odpovídající těžšt odvozené fuzzy množny středu maxma odvozené fuzzy množny odpovídající váženému průměru odvozené fuzzy množny Jnou varantou fuzzy odvozování je odvozování ve vícehodnotové fuzzy logce. Zde vycházíme z klasckého dedukčního pravdla ϕ ψ ϕ ψ Ze stupně a pravdvost formule ϕ ψ stupně b pravdvost formule ϕ pak počítáme stupeň pravdvost formule ψ. oužjeme-l Lukasewczovu logku, která má vlastnost úplnost logcké vyplývání v sémantckém smyslu odpovídá dokazatelnost chápané syntaktcky, stupeň pravdvost formule ψ spočítáme jako Luk a, b = max0, a + b 1. Obr. 7 Fuzzy regulace 13
14 14 Obr. 8 Fuzzy nference ravděpodobnostní nference Základním pojmem tohoto přístupu, známého především ze systému ROSCTOR [Duda, Gaschng, 1979], je pojem šance. Ta je pro lbovolný výrok defnována jako podíl počtu jevů příznvých a jevů nepříznvých : 1 O = = ráce s neurčtostí vychází z Bayesovy věty, známé z teore pravděpodobnost: =, kde je podmíněná, nebo aposterorní pravděpodobnost hypotézy, víme-l, že evdence jstě platí, a je aprorní pravděpodobnost hypotézy. odobně můžeme defnovat aposterorní pravděpodobnost negace hypotézy, víme-l, že evdence jstě platí jako = Vydělíme-l výše uvedené rovnce, dostaneme =, což můžeme, s využtím pojmu šance vyjádřt jako O O =.
15 Defnujeme-l výrazem L = míru postačtelnost, dostáváme pro aposterorní šanc hypotézy výraz O = L O Míra postačtelnost L je kvanttatvní ocenění pravdla a zadává j expert. Velká hodnota L>>1 říká, že evdence je postačující k dokázání hypotézy, protože z ndferentní aprorní šance O udělá velkou aposterorní šanc O. Obdobným způsobem můžeme defnovat míru nezbytnost L = a aposterorní šanc hypotézy jako O = L O. Bayesova věta dává návod jak stanovt vlv jedné evdence na uvažovanou hypotézu. Jak ale postupovat, pokud je evdencí více? Tedy, jak stanovt aposterorní pravděpodobnost 1,, K? Jsou v zásadě dvě možnost, jak postupovat: 1. Navní bayesovský přístup vychází z předpokladu, že jednotlvé evdence 1,,K jsou podmíněně nezávslé př platnost hypotézy [Duda, art, 1973]. Tento zjednodušující předpoklad umožňuje spočítat aposterorní pravděpodobnost hypotézy př platnost všech evdencí 1,, K = vyjádřeno jako šance dostáváme 1,,K 1,, K O 1 n = L1 Ln O O 1 n = L1 L n O 2. Bayesovské sítě též nazývané pravděpodobnostní sítě umožňují reprezentovat znalost o částečně nezávslých evdencích a tyto znalost použít př usuzování. Bayesovská síť je acyklcký orentovaný graf zachycující pomocí hran pravděpodobnostní závslost mez náhodným velčnam. Ke každému uzlu u náhodné velčně je přřazena pravděpodobnostní dstrbuce tvaru urodčeu, kde rodčeu jsou uzly, ze kterých vycházejí hrany do uzlu u. To umožňuje spočítat sdruženou pravděpodobnostní dstrbuc celé sítě jako n u 1,.,u n = u rodčeu =1 Má-l tedy bayesovská síť podobu uvedenou na Obr. 9, bude mít sdružená dstrbuce tvar 15
16 Z,K,D,M = Z KZ DZ MK,D Obr. 9 říklad bayesovské sítě ossblstcká nference Odvozování založené na teor možnost je analogcké s odvozováním založeným na teor pravděpodobnost. Zhruba se dá říc, že sčítání je nahrazeno hledáním maxma a násobení je nahrazeno použtím nějaké t-normy Nemonotonní usuzování Všechny doposud zmíněné způsoby práce s neurčtostí vycházejí z toho, že neurčtost je vyjádřena pomocí číselné hodnoty. Zajímavou alternatvu nabízí logka, konkrétněj tzv. nemonotónní usuzování. Klasckou logckou nferenc můžeme chápat jako odvozování důsledků plynoucích y formulí v prostředí, které je statcké. Označíme-l CnX množnu všech důsledků množny formulí X, pak 1. X CnX 2. X Y CnX CnY 3. CnCnX = CnX Nemonotonní usuzování je takový způsob nference, kdy dříve učněný závěr může být zpochybněn ve světle nové nformace neplatí tedy podmínka č. 2. Klasckým příkladem je formule každý pták létá. Závěr, který můžeme učnt na základě této formule o leteckých schopnostech lbovolného ptáka ale bude zpochybněn, přdáme-l dodatečnou formul znalost, že tučňák nelétá Kompozconální vs. nekompozconální přístup Výše uvedené přístupy buď skládají dílčí příspěvky k celkové neurčtost = jsou tedy kompozconální pravděpodobnostní, possblstcká nference, fuzzy nference, nebo hledají jeden neurčtého způsob odvození závěru tříhodnotová logka, nemonotónní usuzování. 16
6 Reprezentace a zpracování neurčitosti
6 Reprezentace a zpracování neurčitosti Většina našich znalostí o reálném světě je zatížena ve větší či menší míře neurčitostí. Na druhou stranu, schopnost rozhodovat se i v situacích, kdy nejsou všechny
Více2 Rozhodovací problém
Rozhodovaí problém Rozhodovaí problém je problém s víe možným řešením. Jde tedy o problémy se kterým se setkáváme v běžném žvotě. Základním krokem každého rozhodování je proes volby, tedy poszování jednotlvýh
Vícepseudopravděpodobnostní Prospector, Fel-Expert
Práce s neurčitostí trojhodnotová logika Nexpert Object, KappaPC pseudopravděpodobnostní Prospector, Fel-Expert (pravděpodobnostní) bayesovské sítě míry důvěry Mycin algebraická teorie Equant fuzzy logika
VíceTeorie her a ekonomické rozhodování. 10. Rozhodování při jistotě, riziku a neurčitosti
Teore her a ekonomcké rozhodování 10. Rozhodování př stotě, rzku a neurčtost 10.1 Jednokrterální dskrétní model Jednokrterální model rozhodování: f a ) max a Aa, a,..., a ( 1 2 f krterální funkce (zsk,
VíceMirko Navara, Petr Olšák. Základy fuzzy množin. Praha, 2001, 2002
Mrko Navara, Petr Olšák Základy fuzzy množn Praha, 2001, 2002 E Text je šířen volně podle lcence ftp://math.feld.cvut.cz/pub/olsak/fuzzy/lcence.txt. Text ve formátech TEX (csplan), Postcrpt, dv, PDF najdete
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
VíceMirko Navara, Petr Olšák. Základy fuzzy množin. Praha, 2001
Mrko Navara, Petr Olšák Základy fuzzy množn Praha, 2001 E Text je šířen volně podle lcence ftp://math.feld.cvut.cz/pub/olsak/fuzzy/lcence.txt. Text ve formátech TEX (csplan), Postcrpt, dv, PDF najdete
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
VíceFuzzy množiny, Fuzzy inference system. Libor Žák
Fuzzy množiny, Fuzzy inference system Proč právě fuzzy množiny V řadě případů jsou parametry, které vstupují a ovlivňují vlastnosti procesu, popsané pomocí přibližných nebo zjednodušených pojmů. Tedy
VíceROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LV 24 Číslo 6, 2007 ROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ V. Konečný Došlo:
VíceNumerická matematika 1. t = D u. x 2 (1) tato rovnice určuje chování funkce u(t, x), která závisí na dvou proměnných. První
Numercká matematka 1 Parabolcké rovnce Budeme se zabývat rovncí t = D u x (1) tato rovnce určuje chování funkce u(t, x), která závsí na dvou proměnných. První proměnná t mívá význam času, druhá x bývá
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
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
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
Více3. Podmíněná pravděpodobnost a Bayesův vzorec
3. Podmíněná pravděpodobnost a Bayesův vzorec Poznámka: V některých úlohách řešíme situaci, kdy zkoumáme pravděpodobnost náhodného jevu za dalších omezujících podmínek. Nejčastěji má omezující podmínka
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
VíceČísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.
Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
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
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
VíceMatematická logika cvičení
Matematcká logka cvčení Vlém Vychodl Abstrakt Následující dokument obsahuje řešené příklady a cvčení k předmětu Matematcká logka. Pro zvládnutí cvčení je nutné mít zažté základní pojmy, které můžete nalézt
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
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
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VíceRizikového inženýrství stavebních systémů
Rzkového nženýrství stavebních systémů Mlan Holcký, Kloknerův ústav ČVUT Šolínova 7, 166 08 Praha 6 Tel.: 24353842, Fax: 24355232 E-mal: Holcky@vc.cvut.cz Základní pojmy Management rzk Metody analýzy rzk
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceVysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky LOGICKÉ OBVODY pro kombinované a distanční studium
Vysoká škola báňská - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky LOGICKÉ OBVODY pro kombnované a dstanční studum Zdeněk Dvš Zdeňka Chmelíková Iva Petříková Ostrava ZDENĚK DIVIŠ, ZDEŇKA
Více1. Matematická logika
MATEMATICKÝ JAZYK Jazyk slouží člověku k vyjádření soudů a myšlenek. Jeho psaná forma má tvar vět. Každá vědní disciplína si vytváří svůj specifický jazyk v úzké návaznosti na jazyk živý. I matematika
VíceASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ
ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ Bc. Jtka Hanousková 1 Abstrakt: Příspěvek se zabývá postačujícím podmínkam pro konzstenc odhadů s mnmální Kolmogorovskou vzdáleností
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
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
VíceMechatronické systémy s elektronicky komutovanými motory
Mechatroncké systémy s elektroncky komutovaným motory 1. EC motor Uvedený motor je zvláštním typem synchronního motoru nazývaný též bezkartáčovým stejnosměrným motorem (anglcky Brushless Drect Current
VíceProces řízení rizik projektu
Proces řízení rzk projektu Rzka jevy a podmínky, které nejsou pod naší přímou kontrolou a ovlvňují cíl projektu odcylky, předvídatelná rzka, nepředvídatelná rzka, caotcké vlvy Proces řízení rzk sled aktvt,
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
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
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VíceLOGICKÉ OBVODY J I Ř Í K A L O U S E K
LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VícePrincip rozšíření a operace s fuzzy čísly
Center for Machine Perception presents Princip rozšíření a operace s fuzzy čísly Mirko Navara Center for Machine Perception Faculty of Electrical Engineering Czech Technical University Praha, Czech Republic
VíceEnergie elektrického pole
Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceMíry podobnosti, základy fuzzy matematiky
Evropský sociální fond Investujeme do vaší budoucnosti Míry podobnosti, základy fuzzy matematiky Matematika pro informatiky, FIT ČVUT Martin Holeňa, 9. týden LS 2010/2011 O čem to bude? Přehled vzdáleností
VíceBAYESŮV PRINCIP ZDENĚK PŮLPÁN
ROBUST 000, 7 4 c JČMF 00 BAYESŮV PRINCIP ZDENĚK PŮLPÁN Abstrakt. Poukážeme na možnost rozhodování pomocí Bayesova prncpu. Ten vychází z odhadu podmíněné pravděpodobnosta z předpokladu dsjunktního rozkladu
VíceMOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD
XV. konference absolventů studa technckého znalectví s meznárodní účastí MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD Zdeněk Mrázek 1 1. Ř ešení stř etu u fngovaných
VíceČísla přiřazená elementárním jevům tvoří obor hodnot M proměnné, kterou nazýváme náhodná veličina (označujeme X, Y, Z,...)
. NÁHODNÁ VELIČINA Průvodce studem V předchozích kaptolách jste se seznáml s kombnatorkou a pravděpodobností jevů. Tyto znalost použjeme v této kaptole, zavedeme pojem náhodná velčna, funkce, které náhodnou
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceIntuitivní pojem pravděpodobnosti
Pravděpodobnost Intuitivní pojem pravděpodobnosti Intuitivní pojem pravděpodobnosti Pravděpodobnost zkoumaného jevu vyjadřuje míru naděje, že tento jev nastane. Řekneme-li, že má nějaký jev pravděpodobnost
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
Více0. ÚVOD - matematické symboly, značení,
0. ÚVOD - matematické symboly, značení, číselné množiny Výroky Výrok je každé sdělení, u kterého lze jednoznačně rozhodnout, zda je či není pravdivé. Každému výroku lze proto přiřadit jedinou pravdivostní
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 14 POSUZOVÁNÍ A HODNOCENÍ VARIANT doc. Ing. Monka MOTYČKOVÁ (Grasseová), Ph.D. Unverzta obrany Fakulta ekonomka a managementu Katedra voenského managementu a taktky Kouncova
VíceVýroková logika - opakování
- opakování ormální zavedení Výroková formule: Máme neprázdnou nejvýše spočetnou množinu A výrokových proměnných. 1. Každá proměnná je výroková formule 2. Když α, β jsou formule, potom ( α), (α β), (α
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceFuzzy logika. Informační a znalostní systémy
Fuzzy logika Informační a znalostní systémy Fuzzy logika a odvozování Lotfi A. Zadeh (*1921) Lidé nepotřebují přesnou číslem vyjádřenou informaci a přesto jsou schopni rozhodovat na vysoké úrovni, odpovídající
VícePřemysl Žiška, Pravoslav Martinek. Katedra teorie obvodů, ČVUT Praha, Česká republika. Abstrakt
ALGORITMUS DIFERENCIÁLNÍ EVOLUCE A JEHO UŽITÍ PRO IDENTIFIKACI NUL A PÓLŮ PŘE- NOSOVÉ FUNKCE FILTRU Přemysl Žška, Pravoslav Martnek Katedra teore obvodů, ČVUT Praha, Česká republka Abstrakt V příspěvku
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad 1 Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
VíceMatematická analýza 1
Matematická analýza 1 ZS 2019-20 Miroslav Zelený 1. Logika, množiny a základní číselné obory 2. Limita posloupnosti 3. Limita a spojitost funkce 4. Elementární funkce 5. Derivace 6. Taylorův polynom Návod
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VíceKaždé formuli výrokového počtu přiřadíme hodnotu 0, půjde-li o formuli nepravdivou, a hodnotu 1, půjde-li. α neplatí. β je nutná podmínka pro α
1. JAZYK ATEATIKY 1.1 nožiny nožina je souhrn objektů určitých vlastností, které chápeme jako celek. ZNAČENÍ. x A x A θ A = { { a, b a A = B A B 0, 1 2 a, a,..., a n x patří do množiny A x nepatří do množiny
VíceTEORIE PRAVDĚPODOBNOSTI. 2. cvičení
TEORIE RAVDĚODONOSTI 2. cvičení Základní pojmy Klasická def. Statistická def. Geometrická def. odmíněná prav. ayesův teorém Test Základní pojmy Náhodný pokus - je každý konečný děj, jehož výsledek není
VíceInterpretační dokumenty ID1 až ID6
Prof. Ing. Mlan Holcký, DrSc. ČVUT, Šolínova 7, 66 08 Praha 6 Tel.: 224 353 842, Fax: 224 355 232 E-mal: holcky@klok.cvut.cz, k http://web.cvut.cz/k/70/prednaskyfa.html Metody navrhování Základní pojmy
VíceMatematická logika. Miroslav Kolařík
Matematická logika přednáška třetí Miroslav Kolařík Zpracováno dle textu R. Bělohlávka: Matematická logika poznámky k přednáškám, 2004. a dle učebního textu R. Bělohlávka a V. Vychodila: Diskrétní matematika
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceVEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
VíceFormální systém výrokové logiky
Formální systém výrokové logiky 1.Jazyk výrokové logiky Nechť P = {p,q,r, } je neprázdná množina symbolů, které nazýváme prvotní formule. Symboly jazyka L P výrokové logiky jsou : a) prvky množiny P, b)
Více2 TESTOVÁNÍ HYPOTÉZ. RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevil jsem pravdu! ale raději: Objevil jsem jednu z pravd! Chalil Gibran
Elena Melcová, Radmla Stoklasová a Jaroslav Ramík; Statstcké programy TESTOVÁNÍ HYPOTÉZ RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevl jsem pravdu! ale raděj: Objevl jsem jednu z pravd! Chall Gbran Testování hypotéz
Více4. Kombinatorika a matice
4 Kombinatorika a matice 4 Princip inkluze a exkluze Předpokládejme, že chceme znát počet přirozených čísel menších než sto, která jsou dělitelná dvěma nebo třemi Označme N k množinu přirozených čísel
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
Víceu (x i ) U i 1 2U i +U i+1 h 2. Na hranicích oblasti jsou uzlové hodnoty dány okrajovými podmínkami bud přímo
Metoda sítí základní schémata h... krok sítě ve směru x, tj. h = x x q... krok sítě ve směru y, tj. q = y j y j τ... krok ve směru t, tj. τ = j... hodnota přblžného řešení v uzlu (x,y j ) (Possonova rovnce)
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
VíceEKONOMICKO-MATEMATICKÉ METODY
. přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a
VíceNAIVNÍ TEORIE MNOŽIN, okruh č. 5
NAIVNÍ TEORIE MNOŽIN, okruh č. 5 Definování množiny a jejích prvků Množina je souhrn nějakých věcí. Patří-li věc do množiny X, říkáme, že v ní leží, že je jejím prvkem nebo že množina X tuto věc obsahuje.
VíceCvičení 13 Vícekriteriální hodnocení variant a vícekriteriální programování
Cvčení 3 Vícekrterální hodnocení varant a vícekrterální programování Vícekrterální rozhodování ) vícekrterální hodnocení varant konkrétní výčet, seznam varant ) vícekrterální programování varanty ve formě
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Metodický list č. 1 Název tématického celku: Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceANALÝZA RIZIKA A CITLIVOSTI JAKO SOUČÁST STUDIE PROVEDITELNOSTI 1. ČÁST
Abstrakt ANALÝZA ZKA A CTLOST JAKO SOUČÁST STUDE POVEDTELNOST 1. ČÁST Jří Marek Úspěšnost nvestce závsí na tom, jaké nejstoty ovlvní její předpokládaný žvotní cyklus. Pomocí managementu rzka a analýzy
Více2. Množiny, funkce. Poznámka: Prvky množiny mohou být opět množiny. Takovou množinu, pak nazýváme systém množin, značí se
MNOŽIN, ZÁKLDNÍ POJMY Pojem množiny patří v matematice ke stěžejním. Nelze jej zavést ve formě definice pomocí primitivních pojmů; považuje se totiž rovněž za pojem primitivní. Představa o pojmu množina
Více1. Nejkratší cesta v grafu
08. Nekratší cesty. Úloha obchodního cestuícího. Heurstky a aproxmační algortmy. Metoda dynamckého programování. Problém batohu. Pseudopolynomální algortmy 1. Nekratší cesta v grafu - sled e lbovolná posloupnost
VíceMatice. a m1 a m2... a mn
Matice Nechť (R, +, ) je okruh a nechť m, n jsou přirozená čísla Matice typu m/n nad okruhem (R, +, ) vznikne, když libovolných m n prvků z R naskládáme do obdélníkového schematu o m řádcích a n sloupcích
VíceTexty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech
Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech 1. července 2008 1 Funkce v R n Definice 1 Necht n N a D R n. Reálnou funkcí v R n (reálnou funkcí n proměnných) rozumíme zobrazení
VíceKonstrukce zásobníkového automatu LALR(1)
Konstrukce zásobníkového automatu LALR(1) Vlém Vychodl 5. lstopadu 2001 Tento text se zabývá technckým aspekty konstrukce významné třídy zásobníkových automatů určených pro determnstckou syntaktckou analýzu
Více(4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74,
1. V oboru celých čísel řešte soustavu rovnic (4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74, kde (n) k značí násobek čísla k nejbližší číslu n. (P. Černek) Řešení. Z první rovnice dané soustavy plyne, že číslo
Víceoznačme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy,
Komplexní čísla Množinu všech uspořádaných dvojic (x, y) reálných čísel x, y nazýváme množinou komplexních čísel C, jestliže pro každé dvě takové dvojice (x, y ), (x 2, y 2 ) je definována rovnost, sčítání
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
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
Více5. Náhodná veličina. 2. Házíme hrací kostkou dokud nepadne šestka. Náhodná veličina nabývá hodnot z posloupnosti {1, 2, 3,...}.
5. Náhodná veličina Poznámka: Pro popis náhodného pokusu jsme zavedli pojem jevového pole S jako množiny všech možných výsledků a pravděpodobnost náhodných jevů P jako míru výskytů jednotlivých výsledků.
Více1. Úvod do základních pojmů teorie pravděpodobnosti
1. Úvod do záladních pojmů teore pravděpodobnost 1.1 Úvodní pojmy Většna exatních věd zobrazuje své výsledy rgorózně tj. výsledy jsou zísávány na záladě přesných formulí a jsou jejch nterpretací. em je
VíceSÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.
SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí
VíceOtto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 14522
Otto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 145 UNCERTAINTY OF DETEMINATION OF THE AUTO-IGNITION TEMPERATURE OF FLAMMABLE GASES OR VAPOURS
VíceCvičení ze statistiky - 5. Filip Děchtěrenko
Cvičení ze statistiky - 5 Filip Děchtěrenko Minule bylo.. Začali jsme pravděpodobnost Klasická a statistická definice pravděpodobnosti Náhodný jev Doplněk, průnik, sjednocení Podmíněná pravděpodobnost
Více6 Lineární geometrie. 6.1 Lineární variety
6 Lineární geometrie Motivace. Pojem lineární varieta, který budeme v této kapitole studovat z nejrůznějších úhlů pohledu, není žádnou umělou konstrukcí. Příkladem lineární variety je totiž množina řešení
Více