|
|
Implementace a aplikace statistických metod ve výzkumu, výrobní technologii a řízení jakosti
Kupka, Karel ; Šeda, Miloš (oponent) ; Militký, Jiří (oponent) ; Dohnal, Gejza (oponent) ; Karpíšek, Zdeněk (vedoucí práce)
Práce se zabývá možnostmi použití moderních statistických postupů se zaměřením na robustní metody. Vybrané postupy jsou analyzovány a aplikovány na častých problémech z praxe v českém průmyslu a technologii. Studovaná témata, metody a algoritmy jsou voleny tak, aby byla přínosem v reálných aplikacích ve srovnání s používanými klasickými metodami. Použitelnost a účinnost algoritmů je ověřena a demonstrována na reálných studiích a problémech z výzkumného prostředí českých průmyslových subjektů. V práci je poukázáno na nevyužitý potenciál současné teoreticko-matematické a výpočetní kapacity a nových přístupů k chápání statistických modelů a metod. Výsledkem práce je rovněž původní vývojové prostředí s programovacím jazykem DARWin (Data Analysis Robot for Windows) pro intenzivní využití efektivních numerických postupů pro získávání informací z dat. Práce je impulsem pro širší využití robustních a numericky, nebo výpočetně náročnějších metod, jako jsou neuronové sítě, pro modelování procesů a kontrolu kvality.
|
|
|
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.
|
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
host ::
RSS.