|
|
Analýza úmrtnostních tabulek pomocí vybraných vícerozměrných statistických metod
Bršlíková, Jana ; Vilikus, Ondřej (vedoucí práce) ; Miskolczi, Martina (oponent)
Úmrtnost historicky patří k nejsledovanějším demografickým ukazatelům a nepochybně odráží vyspělost každé země. Cílem této diplomové práce je porovnání úmrtnostních poměrů analyzovaných zemí celého světa v čase a mezi sebou s využitím hlavních komponent, což umožňuje na data pohlédnout jinou optikou, než je běžné. Velkou výhodou je minimální ztráta informace a poměrně srozumitelná interpretace úmrtnosti jednotlivých zemí. Práce nabízí několik zajímavých grafických výstupů. Ty např. potvrzují vyšší úmrtnost v zemích východní Evropy ve srovnání se zeměmi západní Evropy či v letech 1990 - 2010 v rámci postkomunistických zemí nejvýraznější snížení úmrtnosti v České republice. Data jsou čerpána z databáze Human Mortality Database a zpracována ve statistickém programu SPSS.
|
|
|
Srovnání diskriminační analýzy a klasifikačních stromů
Dlabač, Jaroslav ; Vilikus, Ondřej (vedoucí práce) ; Stecenková, Marina (oponent)
Tato bakalářská práce porovnává dvě metody na diskriminaci a klasifikaci dat ve vícerozměrné statistické analýze. Zatímco diskriminační analýza zastupuje klasickou statistickou metodu na diskriminaci a následnou klasifikaci dat, metoda CART představuje nový postup v data-minigu, který využívá umělou inteligenci. První polovina této práce je věnována teoretickému popisu a srovnání těchto dvou metod. Její druhá polovina už je demonstrací obou metod na praktickém příkladu. Na závěr jsou výsledky obou těchto metod srovnány a zhodnoceny.
|
|
|
Classification and Regression Trees in R
Nemčíková, Lucia ; Bašta, Milan (vedoucí práce) ; Vilikus, Ondřej (oponent)
Rozhodovací stromy tvoří v dnešní době užitečný doplněk ke klasickým metodám pro řešení klasifikačních a regresních problémů. Hlavním cílem této práce není rozhodnout, který přístup je lepší, ale přinést čtenáři přehled těchto metod a aplikovat je na skutečná data s pomocí statistického jazyka R. Práce se soustřeďuje na základní metodiku rozhodovacích stromů, ale především na aplikaci těchto metod, tak aby poskytla čtenáři co nejširší přehled dostupných nástrojů a znalost aby byl schopen tyto metody reálně používat. Poslední část práce se dotkne pokročilých metod pro vylepšení modelů rozhodovacích stromů, aby byl poskytnut ucelený obraz možností.
|
|
| |
|
|
Využití statistických metod v data miningu při predikci chování zákazníků internetového obchodu
Podzimková, Michaela ; Vilikus, Ondřej (vedoucí práce) ; Berka, Petr (oponent)
Data mining je nová disciplína, která se objevuje s rostoucím množstvím ukládaných dat a s rostoucí potřebou získat informace v nich ukryté. Zabývá se extrahováním potenciálně užitečných informací z velkých datových souborů a leží na pomezí statistiky, strojového učení, umělé inteligence, databází a dalších oborů. Cílem této diplomové práce je představit celý proces data miningu s důrazem na jeho spojitost se statistikou a popsat vybrané statistické metody, které se v této oblasti hodně používají a které jsou v práci aplikovány na vlastní řešení dataminingového problému. Na reálných datech o nákupech v internetovém obchodě je ukázáno, že využití různých metod přináší různé výsledky a zajímavé poznatky o nákupním chování, a také vede k dokázání, že ne všechny metody jsou vždy použitelné na všechny typy úloh.
|
|
|
Bayesovské statistické modely
Vilikus, Ondřej ; Hebák, Petr (vedoucí práce) ; Berka, Petr (oponent) ; Militký, Jiří (oponent)
Analýza conjoint představuje oblíbenou metodu pro výzkum spotřebitelských preferencí. Jedním z faktorů, který přispěl k rostoucí popularitě této metody v posledních letech, je stále častější využívání hierarchických bayesovských modelů, které se osvědčily při řešení problému, jak odhadnout dostatečně spolehlivě preference každého respondenta, aniž bychom je museli přetěžovat neúměrným množstvím rozhodovacích úloh. Prvním cílem dizertační práce bylo ověřit, zdali je použití bayesovských modelů nejlepší volbou ve všech situacích, případně jaká jsou omezení tohoto přístupu. Pro tyto účely jsem provedl studii na simulovaných datech. Vlastní použitý algoritmus umožňuje generování datových souborů lišících se v několika uvažovaných parametrech, ale maximálně srovnatelných v ostatních aspektech. Výsledky ukazují, že hierarchický model je, až na některé výjimečné situace, volbou vedoucí k nejlepší schopnosti předpovídat rozhodnutí jednotlivých respondentů v kontrolních úlohách. Největší přínos použití hierarchického modelu je v situacích, kdy je populace silně heterogenní a kdy je množství dostupných dat omezené. V takových situacích lze odhalit strukturu heterogenních preferencí s podstatně nižšími nároky na množství potřebných rozhodovacích úloh. Druhým cílem práce je zodpovězení otázky, zdali můžeme zvýšit i efektivitu dotazování v analýze conjoint zařazením některých přímých otázek. Navrhovaná hybridní metoda založená na výběru (HCBC) kombinuje úlohy analýzy conjoint s přímými otázkami ohledně preference úrovní jednotlivých atributů. Ty jsou použity jak při odhadu rozhodovacího modelu, tak ke zefektivnění návrhu zobrazovaných profilů v úlohách analýzy conjoint. Hybridní metoda byla ve srovnávací praktické studii na základě odpovědí 421 respondentů náhodně rozřazených do tří testovacích skupin porovnána s klasickým provedením metody založené na výběru (CBC) a s adaptivní metodou založenou na výběru (ACBC). Navrhovaná metoda se ukázala jako užitečná alternativa umožňující další snížení počtu rozhodovacích úloh předložených jednotlivým respondentům a jako možné řešení některých situací, kdy nám výrazně odlišná důležitost testovaných atributů neumožňuje efektivně zachytit preference z hlediska všech atributů.
|
|
|
Srovnání bayesovského a četnostního přístupu
Ageyeva, Anna ; Hebák, Petr (vedoucí práce) ; Vilikus, Ondřej (oponent)
Tato práce se zabývá Bayesovským přístupem ke statistice a jeho srovnáním s klasickým přístupem. Hlavním cílem práce je porovnání klasického a Bayesovského přístupu ke statistice. Analyzovány jsou statistické úsudky, je zkoumán problém subjektivity a objektivity v oblasti statistiky. Dalším cílem práce je upozornit na důležitost a nezbytnost hlubšího vyučování Bayesovské statistiky na naší univerzitě. Práce obsahuje tři kapitoly. První kapitola popisuje Bayesovský přístup ke statistice a jeho hlavní pojmy a principy. Statistické úsudky jsou prozkoumány ve druhé kapitole. Třetí kapitola se zabývá srovnáním Bayesovského a klasického přístupů. Závěrečná kapitola se týká místa bayesovského přístupu ve vědě v současné době. Přílohy obsahují seznam učebnic a bezplatného software vhodného k výuce Bayesovské statistiky.
|
|
|
Historie Bayesovské statistiky
Karel, Tomáš ; Hebák, Petr (vedoucí práce) ; Vilikus, Ondřej (oponent)
Vývoj teorie statistiky od dob Thomase Bayese doprovází jakýsi pomyslný souboj mezi klasickou a bayesovskou školou. Tato práce pojednává o historii tohoto vývoje, možnostech budoucího rozšíření bayesovského přístupu do různých vědních oborů a o možnosti výuky základů statistiky z bayesovského pohledu. V této práci jsou zmíněny snad všechny podstatné příspěvky nejvýznamnějších představitelů bayesovského způsobu myšlení, které nesmazatelným písmem přispěly k vývoji statistiky jako takové. Ve zkratce jsou zde připomenuty základní rozdíly mezi klasickým a bayesovským přístupem. Tyto rozdíly jsou demonstrovány na dvou vstupních příkladech, stejně jako zásadní metodické odlišnosti a argumenty objektivistického a subjektivistického vnímání pravděpodobnosti a induktivních úsudků. Pro zajímavost je zmíněna síň slávy předních světových statistiků, kteří se zasloužili o rozvoj a rozšíření bayesovských metod. Cílem této bakalářské práce je nabídnout případným pokračovatelům užitečný vstupní materiál v dané oblasti.
|
|
|
Klasický a bayesovský odhad
Shykhmanter, Dmytro ; Vilikus, Ondřej (vedoucí práce) ; Hebák, Petr (oponent)
Práce poskytuje teoretické i praktické srovnání Bayesovských a klasických metod odhadu. Porovnání obou metod začíná už při zkoumání filozofických základů pravděpodobnosti. Přiblížen je také problém determinismu a popisuje různá pojetí pravděpodobnosti. Odhad je způsob, jak činit induktivní úsudky. Klasická statistika pro tento účel používá výběr z populace jako jedinou informaci pro formulaci obecných úsudků. Bayesovské metody jsou založeny na myšlence, že data nemusí být jediným podkladem k rozhodování, ale že může být vhodné přihlížet i k dalším relevantním zdrojům informací. Proč bychom měli zanedbávat zkušenosti, znalosti nebo dokonce naši intuici? Často se setkáváme se situací, že statistická analýza poskytuje výsledky, které jsou v rozporu s našimi očekáváními, nejsou proto úplně použitelné. Tato situace je ilustrována na příkladu hodnocení ski areálů na pětihvězdičkové škále. Pohledem na žebříček deseti nejlepších ski areálů, které jsou seřazeny podle průměrného pořadí, můžeme zjistit, že některé z nich jsou tam "nezaslouženě", ačkoli data tvrdí něco jiného. V podobných situacích často vidíme, že první místa obsazují jednotky s malým počtem hodnocení na úkor těch, které mají recenzí více. Napravit tuto nežádoucí skutečnost umožňuje právě konstrukce bayesovského odhadu, který ba základě apriorní informace "spravedlivě" ohodnotí vybranou jednotku a zařadí jí tedy do žebříčku "lépe".
|
|
|
Segmentace trhu a shluková analýza
Zuzák, Jaroslav ; Vilikus, Ondřej (vedoucí práce) ; Hebák, Petr (oponent)
Tato bakalářská práce pojednává o možnostech využití statisticko-analytických nástrojů při segmentaci trhu, tedy marketingového konceptu, který je v úvodu práce stručně představen. Teoretická část je soustředěna především na problematiku shlukové analýzy - nejznámější a nejčastěji používané algoritmy, jejich předpoklady a z toho plynoucí možnosti využití a případná omezení. V praktické části je provedena segmentační studie návštěvníků galerií a muzeí na základě proměnných životního stylu a volnočasových aktivit. Segmenty jsou dále popsány i pomocí jiných proměnných, aby si čtenář mohl vytvořit plastičtější obraz o jednotlivých segmentech návštěvníků či "nenávštěvníků" galerií a muzeí.
|
host ::
RSS.