Národní úložiště šedé literatury Nalezeno 13 záznamů.  1 - 10další  přejít na záznam: Hledání trvalo 0.01 vteřin. 
The uniformly most powerful test. The uniformly most powerful unbiased test
Sečkárová, Vladimíra ; Juríček, Jozef (vedoucí práce) ; Jurečková, Jana (oponent)
Nazov prace: Stejuomrrne ncjsilnejsi test. Stejnomerne nojsilnejsi nestranny test Autor: Vladimira Seckarova Katcdra: Katedra pravdepodobnosti a matematickej statistiky Veduci bakalarskoj prace: Mgr. .Jozef Juricek e-mail voduceho: jurijlam@artax.karlin.mff.cuni.cz Al>strakt: Tato prtica sa zaobera prol)letnatikou testovania hypotez. konkretne existenciou rovnonierne najsilnejsieho a rovnomerne najsilnej.sicho nestrauueho testu. Prva kapitola olisahuje zakladno pojiny testovania hypote/. V druhej ka- pitole jo zayodcny pojein rovnomerne najsilnejsieho testu ako i jeho odvodenie v roznyeh obeenych ]>ripadoch i pro pa.rametre normalneho roxdelenia. Trctia. ka- pitola sa zaobera rovnomerne najsilnejsini ncstrannyin testom a jeho odvodonim obocnc a aj ])re parn.met.ro normalneho ro/,delenia. KlYieove .slov;i: testovanie hypotez, najsilnejsi test, rovnomerne naj.silnejsi test, rovnomerne najsilnejsi nc.stranny test Title: Uniformly most powerful test. Uniformly most powerful unbiased test Author: Vladimira Seckarova Department: Department of Probability and Mathematical Statistics Supervisor: Mgr. .lozef .luricek Supervisor's e-mail address: jurijlam@artax.karlin.mff.cuni.cz Abstract: In this work we study problems of hypotheses testing, particularly exis- tence of the uniformly most powerful and the uniformly...
Cross-entropy based combination of discrete probability distributions for distributed decision making
Sečkárová, Vladimíra ; Kárný, Miroslav (vedoucí práce)
dizertační práce Název práce: Kombinování diskrétních pravděpodobnostních rozdělení pomocí křížové entropie pro distribuované rozhodování Autor: Vladimíra Sečkárová Email autora: seckarov@karlin.mff.cuni.cz Katedra: Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta, Univerzita Karlova v Praze Vedoucí disertační práce: Ing. Miroslav Kárný, DrSc., Ústav teorie informace a automatizace AV ČR, v.v.i. Email vedoucího: school@utia.cas.cz Abstrakt: Tato práce se zabývá návrhem systematického kombinování diskrétních pravděpo- dobnostních distribucí založeném na teorii rozhodování a teorii informace, konkrét- ně na křížové entropii (známé také jako Kullbackova-Leiblerova (KL) divergence). Optimální kombinací je pravděpodobnostní funkce minimimalizující podmíněnou střední hodnotu KL-divergence. Hustota pravděpodobnosti, která se váže k této střední hodnotě, rovněž minimalizuje KL-divergenci za podmínek vztažených k řešenému problému. Ačkoliv je kombinace odvozena pro pravděpodobnostní typ informace na společném nosiči, můžeme ji po transformaci a/anebo rozšíření použít i pro míchání jiných typů informace. Práce také zahrnuje diskuzi o navrho- vaném kombinování a...
Cross-entropy based combination of discrete probability distributions for distributed decision making
Sečkárová, Vladimíra ; Kárný, Miroslav (vedoucí práce) ; Jurečková, Jana (oponent) ; Janžura, Martin (oponent)
dizertační práce Název práce: Kombinování diskrétních pravděpodobnostních rozdělení pomocí křížové entropie pro distribuované rozhodování Autor: Vladimíra Sečkárová Email autora: seckarov@karlin.mff.cuni.cz Katedra: Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta, Univerzita Karlova v Praze Vedoucí disertační práce: Ing. Miroslav Kárný, DrSc., Ústav teorie informace a automatizace AV ČR, v.v.i. Email vedoucího: school@utia.cas.cz Abstrakt: Tato práce se zabývá návrhem systematického kombinování diskrétních pravděpo- dobnostních distribucí založeném na teorii rozhodování a teorii informace, konkrét- ně na křížové entropii (známé také jako Kullbackova-Leiblerova (KL) divergence). Optimální kombinací je pravděpodobnostní funkce minimimalizující podmíněnou střední hodnotu KL-divergence. Hustota pravděpodobnosti, která se váže k této střední hodnotě, rovněž minimalizuje KL-divergenci za podmínek vztažených k řešenému problému. Ačkoliv je kombinace odvozena pro pravděpodobnostní typ informace na společném nosiči, můžeme ji po transformaci a/anebo rozšíření použít i pro míchání jiných typů informace. Práce také zahrnuje diskuzi o navrho- vaném kombinování a...
Cross-entropy based combination of discrete probability distributions for distributed decision making
Sečkárová, Vladimíra ; Kárný, Miroslav (vedoucí práce)
dizertační práce Název práce: Kombinování diskrétních pravděpodobnostních rozdělení pomocí křížové entropie pro distribuované rozhodování Autor: Vladimíra Sečkárová Email autora: seckarov@karlin.mff.cuni.cz Katedra: Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta, Univerzita Karlova v Praze Vedoucí disertační práce: Ing. Miroslav Kárný, DrSc., Ústav teorie informace a automatizace AV ČR, v.v.i. Email vedoucího: school@utia.cas.cz Abstrakt: Tato práce se zabývá návrhem systematického kombinování diskrétních pravděpo- dobnostních distribucí založeném na teorii rozhodování a teorii informace, konkrét- ně na křížové entropii (známé také jako Kullbackova-Leiblerova (KL) divergence). Optimální kombinací je pravděpodobnostní funkce minimimalizující podmíněnou střední hodnotu KL-divergence. Hustota pravděpodobnosti, která se váže k této střední hodnotě, rovněž minimalizuje KL-divergenci za podmínek vztažených k řešenému problému. Ačkoliv je kombinace odvozena pro pravděpodobnostní typ informace na společném nosiči, můžeme ji po transformaci a/anebo rozšíření použít i pro míchání jiných typů informace. Práce také zahrnuje diskuzi o navrho- vaném kombinování a...
Interval estimates for binomial proportion
Borovský, Marko ; Zvára, Karel (vedoucí práce) ; Sečkárová, Vladimíra (oponent)
Předmětem této práce jsou bodový odhad a intervalové odhady binomického podílu. Konstrukce intervalových odhadů pro pravděpodobnost úspěchu v bi- nomickém rozdělení je jedním z nejzákladnějších a klíčových problémů v sta- tistické praxi. Práce je rozdělena do tří kapitol. První kapitola se zabývá maxi- málně věrohodným odhadem binomického podílu. Dále popíšeme několik způsobů konstrukce intervalů spolehlivosti. Nakonec porovnáme všechny intervaly z hle- diska skutečné pravděpodobnosti pokrytí a střední hodnoty šířky. 1
The uniformly most powerful test. The uniformly most powerful unbiased test
Sečkárová, Vladimíra ; Jurečková, Jana (oponent) ; Juríček, Jozef (vedoucí práce)
Nazov prace: Stejuomrrne ncjsilnejsi test. Stejnomerne nojsilnejsi nestranny test Autor: Vladimira Seckarova Katcdra: Katedra pravdepodobnosti a matematickej statistiky Veduci bakalarskoj prace: Mgr. .Jozef Juricek e-mail voduceho: jurijlam@artax.karlin.mff.cuni.cz Al>strakt: Tato prtica sa zaobera prol)letnatikou testovania hypotez. konkretne existenciou rovnonierne najsilnejsieho a rovnomerne najsilnej.sicho nestrauueho testu. Prva kapitola olisahuje zakladno pojiny testovania hypote/. V druhej ka- pitole jo zayodcny pojein rovnomerne najsilnejsieho testu ako i jeho odvodenie v roznyeh obeenych ]>ripadoch i pro pa.rametre normalneho roxdelenia. Trctia. ka- pitola sa zaobera rovnomerne najsilnejsini ncstrannyin testom a jeho odvodonim obocnc a aj ])re parn.met.ro normalneho ro/,delenia. KlYieove .slov;i: testovanie hypotez, najsilnejsi test, rovnomerne naj.silnejsi test, rovnomerne najsilnejsi nc.stranny test Title: Uniformly most powerful test. Uniformly most powerful unbiased test Author: Vladimira Seckarova Department: Department of Probability and Mathematical Statistics Supervisor: Mgr. .lozef .luricek Supervisor's e-mail address: jurijlam@artax.karlin.mff.cuni.cz Abstract: In this work we study problems of hypotheses testing, particularly exis- tence of the uniformly most powerful and the uniformly...
Supra-bayesovská kombinace pravděpodobnostních distribucí
Sečkárová, Vladimíra ; Komárek, Arnošt (oponent) ; Kárný, Miroslav (vedoucí práce)
In this work we study problems of sharing of probabilistic information by using Supra-Bayesian approach. In 1st Chapter the methods and formulas used in the work are mentioned. 2nd Chapter contains the introduction to discussed topic. In 3rd Chapter the main method of sharing the probabilistic information, which is based on common domain, is derived. In 4th Chapter the types of given knowledge pieces are specified, which are then transformed into probabilistic terms and extended on the whole domain. In 5th Chapter the results from the previous chapters are assessed.
On Linear Probabilistic Opinion Pooling Based on Kullback-Leibler Divergence
Sečkárová, Vladimíra
In this contribution we focus on the finite collection of sources, providing their opinions about a hidden (stochastic) phenomenon, that is not directly observable. The assumption on obtaining opinions yields a decision making process commonly referred to as opinion pooling. Due to the complexity of the space of possible decisions we consider the probability distributions over this set rather than single values, exploited before, e.g., in [2]. The final decision (result of pooling) is then a combination of probability distributions provided by sources.
A note on weighted combination methods for probability estimation
Sečkárová, Vladimíra
To successfully learn from the information provided by avail- able information sources, the choice of automatic method combining them into one aggregate result plays an important role. To respect the reliability in the source’s performance each of them is assigned a weight, often subjectively influenced. To overcome this issue, we briefly describe the method based on Bayesian decision theory and elements of infor- mation theory. In particular we consider discrete-type information, rep- resented by probability mass functions (pmfs) and obtain an aggregate result, which has also form of pmf. This result of decision making pro- cess is found to be a weighted linear combination of available information. Besides the brief description of the novel method, the paper focuses on its comparison with other combination methods. Since we consider the available information and unknown aggregate as pmfs, we mainly focus on the case when the parameter of binomial distribution is of interest and the sources provide appropriate pmfs.
Tools for Decision Making under Uncertainty
Sečkárová, Vladimíra
In this paper we focus on two often considered distinct aims, namely maximizing of an utility function (e.g. an investment profit) and getting a more reliable global description of considered situation based on observed data (e.g. the final outcome of databases merging). In both cases we face the problem, that the data are unreliable, since they contain uncertainty caused by their source (i.e. human being). If we are looking for the optimum of the former aim, a game theory reformulation of the decision making task brings a smoother way to reach it. If the latter aim is considered, a merging procedure (also called fusion) processing the data should help us. This paper describes four recently developed methods dealing with decision making under uncertainty in two considered directions and one tool used for comparison of the fusion algorithms.

Národní úložiště šedé literatury : Nalezeno 13 záznamů.   1 - 10další  přejít na záznam:
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.