|
|
Monte Carlo simulace elektronového rozptylu v rastrovacím prozařovacím elektronovém mikroskopu
Záchej, Samuel ; Hrubanová, Kamila (oponent) ; Krzyžánek, Vladislav (vedoucí práce)
Diplomová práca popisuje elektrónový rozptyl v STEM systémoch na objektoch rôzne-ho tvaru, akými sú hranol, guľa alebo dutá kapsula. Na kvantifikáciu viacnásobného rozptylu elektrónov v materiáloch sú využité Monte Carlo simulácie. Okrem teoretického rozboru elektrónového rozptylu a metodiky simulácií, obsahuje práca aj návrh a realizáciu algoritmu pre simulácie na zadaných objektoch. Práca zahŕňa overenie robustnosti simulácií na základe porovnania výsledkov so známymi signálmi pre daný objekt. Funkčnosť algoritmu bola overená experimentálnym meraním elektrónového rozptylu na vrstve uhlíka.
|
|
|
Statistical Method Selection Matters: Vanilla Methods in Regression May Yield Misleading Results
Kalina, Jan
The primary aim of this work is to illustrate the importance of the choice of the appropriate methods for the statistical analysis of economic data. Typically, there exist several alternative versions of common statistical methods for every statistical modeling task\nand the most habitually used (“vanilla”) versions may yield rather misleading results in nonstandard situations. Linear regression is considered here as the most fundamental econometric model. First, the analysis of a world tourism dataset is presented, where the number of international arrivals is modeled for 140 countries of the world as a response of 14 pillars (indicators) of the Travel and Tourism Competitiveness Index. Heteroscedasticity is clearly recognized in the dataset. However, the Aitken estimator, which would be the standard remedy in such a situation, is revealed here to be very inappropriate. Regression quantiles represent a much more suitable solution here. The second illustration with artificial data reveals standard regression quantiles to be unsuitable for data contaminated by outlying values. Their recently proposed robust version turns out to be much more appropriate. Both\nillustrations reveal that choosing suitable methods represent an important (and often difficult) part of the analysis of economic data.
|
|
|
Statistical Method Selection Matters: Vanilla Methods in Regression May Yield Misleading Results
Kalina, Jan
The primary aim of this work is to illustrate the importance of the choice of the appropriate methods for the statistical analysis of economic data. Typically, there exist several alternative versions of common statistical methods for every statistical modeling task and the most habitually used (“vanilla”) versions may yield rather misleading results in nonstandard situations. Linear regression is considered here as the most fundamental econometric model. First, the analysis of a world tourism dataset is presented, where the number of international arrivals is modeled for 140 countries of the world as a response of 14 pillars (indicators) of the Travel and Tourism Competitiveness Index. Heteroscedasticity is clearly recognized in the dataset. However, the Aitken estimator, which would be the standard remedy in such a situation, is revealed here to be very inappropriate, regression quantiles represent a much more suitable solution here. The second illustration with artificial data reveals standard regression quantiles to be unsuitable for data contaminated by outlying values, their recently proposed robust version turns out to be much more appropriate. Both illustrations reveal that choosing suitable methods represent an important (and often difficult) part of the analysis of economic data.
|
|
|
Some Robust Approaches to Reducing the Complexity of Economic Data
Kalina, Jan
The recent advent of complex (and potentially big) data in economics requires modern and effective tools for their analysis including tools for reducing the dimensionality (complexity) of the given data. This paper starts with recalling the importance of Big Data in economics and with characterizing the main categories of dimension reduction techniques. While there have already been numerous techniques for dimensionality reduction available, this work is interested in methods that are robust to the presence of outlying measurements (outliers) in the economic data. Particularly, methods based on implicit weighting assigned to individual observations are developed in this paper. As the main contribution, this paper proposes three novel robust methods of dimension reduction. One method is a dimension reduction within a robust regularized linear regression, namely a sparse version of the least weighted squares estimator. The other two methods are robust versions of feature extraction methods popular in econometrics: robust principal component analysis and robust factor analysis.
|
|
|
Robustnost fuzzy řízení
Hebelka, Marek
Hebelka M. Robustnost fuzzy řízení. Diplomová práce. Brno: Mendelova univerzita v Brně, 2023. Práce se zabývá posouzením robustnosti fuzzy regulátoru v rámci odstranění vlivu poruchové veličiny v podobě jednotkového skoku polohy o velikosti 10, 20, 30 a 40 % vstupního signálu a úpravou časových konstant o 5, 10, 15 a 20 % původní hodnoty. V práci jsou popsány základy fuzzy řízení, simulačních nástrojů, klasických regulátorů a regulovaných soustav. V rámci práce je popsáno seřízení jednotlivých soustav a následně je provedena analýza vlivu změn klíčových parametrů regulovaných soustav. Výsledkem je zhodnocení a posouzení robustnosti regulátorůu regulovaných soustav.
|
|
|
Some Robust Approaches to Reducing the Complexity of Economic Data
Kalina, Jan
The recent advent of complex (and potentially big) data in economics requires modern and effective tools for their analysis including tools for reducing the dimensionality (complexity) of the given data. This paper starts with recalling the importance of Big Data in economics and with characterizing the main categories of dimension reduction techniques. While there have already been numerous techniques for dimensionality reduction available, this work is interested in methods that are robust to the presence of outlying measurements (outliers) in the economic data. Particularly, methods based on implicit weighting assigned to individual observations are developed in this paper. As the main contribution, this paper proposes three novel robust methods of dimension reduction. One method is a dimension reduction within a robust regularized linear regression, namely a sparse version of the least weighted squares estimator. The other two methods are robust versions of feature extraction methods popular in econometrics: robust principal component analysis and robust factor analysis.
|
|
|
Safe and Secure High-Risk AI: Evaluation of Robustness
Binterová, Eliška ; Špelda, Petr (vedoucí práce) ; Střítecký, Vít (oponent)
Cílem této magisterské diplomové práce je zkoumat metodu IRM, která se používá pro zajištění robustnosti v modelech strojového učení, a zhodnotit, zda tato metoda může případně sloužit pro účely nově se vyvíjející evropské legislativy upravující využití umělé inteligence. Výzkum ukazuje, že mnoho případů pochybení autonomních systémů má na svědomí nedostatečná robustnost těchto systémů vůči změnám ve zpracovávaných datech. Z tohoto důvodu nejsou tyto systémy pak schopné správně zobecňovat v nových prostředích. Aby byly modely schopny dosáhnout uspokojivých výsledků, musí dosahovat určité úrovně robustnosti. Metoda IRM vznikla relativně nedávno pro účely zajištění robustnosti a tedy i spolehlivosti AI systémů. Stejný cíl si klade i nově vznikající evropská legislativa, která usiluje o spolehlivé AI. Diplomová práce zkoumá kompatibilitu požadavků AI Aktu a IRM metody a klade si otázku, zda je možné metodu IRM univerzálně využívat pro zajištění bezpečného AI skrze analýzu existujících empirických i teoretických poznatků.
|
|
|
Application Of Implicitly Weighted Regression Quantiles: Analysis Of The 2018 Czech Presidential Election
Kalina, Jan ; Vidnerová, Petra
Regression quantiles can be characterized as popular tools for a complex modeling of a continuous response variable conditioning on one or more given independent variables. Because they are however vulnerable to leverage points in the regression model, an alternative approach denoted as implicitly weighted regression quantiles have been proposed. The aim of current work is to apply them to the results of the second round of the 2018 presidential election in the Czech Republic. The election results are modeled as a response of 4 demographic or economic predictors over the 77 Czech counties. The analysis represents the first application of the implicitly weighted regression quantiles to data with more than one regressor. The results reveal the implicitly weighted regression quantiles to be indeed more robust with respect to leverage points compared to standard regression quantiles. If however the model does not contain leverage points, both versions of the regression quantiles yield very similar results. Thus, the election dataset serves here as an illustration of the usefulness of the implicitly weighted regression quantiles.
|
|
|
Asset-Liability Management:Application of Stochastic Programmingwith Endogenous Randomness andContamination
Rusý, Tomáš ; Kopa, Miloš (vedoucí práce) ; Consigli, Giorgio (oponent) ; Branda, Martin (oponent)
Název: Řízení aktiv a pasiv: aplikace stochastického programování s endogenní náhodou a kontaminací. Autor: RNDr. Tomáš Rusý Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí: doc. RNDr. Ing. Miloš Kopa, PhD., Katedra pravděpodobnosti a matematické statistiky Abstrakt: Tato práce se zabývá stochastickým programem modelu řízení ak- tiv a pasiv, který se zabývá náhodností závislou na rozhodnutí a následnou analýzou kontaminace. Hlavní model se zaměřuje na cenový problém a související problém správy aktiv a pasiv popisující typickou životnost spotřebitelského úvěru. Endogenita pramení z možnosti jejich zákazníka odmítnout půjčku, možnosti klienta nesplácet půjčku a možnosti předčasného splacení, to vše je ovlivněno rozhodnutím společnosti o úrokové sazbě úvěru. Dalším důležitým faktorem, který hraje velkou roli u pasiv, je cena peněz na trhu. Zde se soustředíme na proceduru generování scénářů a vyvíjíme novou kalibrační metodu pro odhad Hull-Whiteova modelu [Hull and White, 1990] v reálném světě. Definujeme metodu pro obecnou třídu jednofaktorových modelů pro krátkou sazbu (tzv. short-rate) a provádíme rozsáhlou analýzu k posouzení výkonnosti a vlastností odhadu. Dále rozšiřujeme...
|
|
|
Flexibility, Robustness and Discontinuities in Nonparametric Regression Approaches
Maciak, Matúš ; Hušková, Marie (vedoucí práce) ; Hlávka, Zdeněk (oponent) ; Horová, Ivanka (oponent)
Názov práce: Flexibilnost, Robustnost a Nespojitost v Neparametrických Regresních Postupech Autor: Mgr. Matúš Maciak, M.Sc. Pracoviště: Katedra Pravděpodobnosti a Matematické Statistiky, Univerzita Karlova v Praze Supervisor: Prof. RNDr. Marie Hušková, DrSc. huskova@karlin.mff.cuni.cz Abstrakt: V tejto práci sa zameriame na lokálne polynomiálne vyhadovanie neznámej regresnej funkcie, pričom zároveň sa budeme snažiť zapracovať do odhadovacích postupov určitú mieru robustnosti a to špeciálne vzhľadom k odľahlým pozorovaniam a tiež rozdeleniam náhodných chýb, ktoré sa vyznačujú ťažkými chvostami. Zamierame našu pozornosť na tzv. lokálne polynomiálne M-vyhladovače (M-smoothers) a odvodíme ich základné štatistické vlastnosti. Ďalšia zásadná vlastnosť s ktorou budeme pracovať, je nespojitosť, prípadne nehladkosť (teda nespojitosť derivácii) neznámej regresnej funkcie. Zaoberať sa budeme niektorými druhmi modelov, špeciálne modelom s homoskedastickou a heteroskedastickou štruktúrou variability a to pre prípad nezávislých, ako aj závislých pozorovaní. Nespojitosti v modeli budeme riešiť prostredníctvom štatistických testov, pre ktoré navrhneme konkrétne postupy a budeme tiež vyšetrovať ich základné štatistické vlastnosti. Vzhľadom k faktu, že asymptotické rozdelenie testových štatistík, rovnako ako aj odhadov...
|
host ::
RSS.