|
|
Užití informačních technologií v badatelsky orientované výuce pravděpodobnosti a statistiky
KOPECKÝ, Jiří
Tato disertační práce se zaměřuje na integraci simulací náhodných množin do výuky pravděpodobnosti a statistiky na gymnáziích s využitím badatelského přístupu. Cílem je zjistit, zda takové začlenění může přispět ke změně vnímání těchto předmětů mezi gymnaziálními studenty. Výzkumná otázka zní: "Jak využití simulací náhodných množin v badatelsky orientované výuce ovlivňuje vnímání a postoje studentů gymnázia k předmětům pravděpodobnost a statistika?" Studie zahrnovala analýzu odpovědí 52 respondentů z kontrolní a experimentální skupiny, kteří vyplnili dotazníky sémantického diferenciálu. Ze 110 provedených t-testů vyplynulo, že existují statisticky významné rozdíly v odpovědích obou skupin. Žáci experimentální skupiny vnímali ve svém sémantickém prostoru pravděpodobnost jako rychlejší a pestřejší a statistiku jako užitečnější. V rámci didaktické rekonstrukce obsahu pro středoškolskou úroveň byly stanoveny výukové cíle v třech úrovních propracovanosti. Výsledky ukázaly, že více než polovina žáků gymnázia byla schopna vytvořit simulace náhodných množin se shluky nebo pravidelné množiny a odhalit a odstranit nejčastější chyby. Výzkum poukazuje na to, že začlenění simulací náhodných množin do výuky může být efektivním nástrojem pro zlepšení porozumění a zvýšení zájmu o pravděpodobnost a statistiku. Tato metoda navíc podporuje rozvoj digitálních kompetencí a programovacích dovedností, které jsou stále důležitější v současném vzdělávacím prostředí. Práce také ukazuje, že simulace náhodných množin mohou napomoci studentům gymnázia k lepšímu porozumění základních konceptů statistiky a pravděpodobnosti, což je důležité v kontextu jejich rostoucího významu v moderním světě.
|
|
| |
|
| |
|
|
Diffusion MCMC for Mixture Estimation
Reichl, Jan ; Dedecius, Kamil
Distributed inference of parameters of mixture models by a network of cooperating nodes (sensors) with computational and communication capabilities still represents a challenging task. In the last decade, several methods were proposed to solve this issue, predominantly formulated within the expectation-maximization framework and with the assumption of mixture components normality. The present paper adopts the Bayesian approach to inference of general (non-normal) mixtures via the Markov chain Monte Carlo simulation from the parameter posterior distribution. By collaborative tuning of node chains, the method allows reliable estimation even at nodes with significantly worse observational conditions, where the components may tend to merge due to high variances. The method runs in the diffusion networks, where the nodes communicate only with their adjacent neighbors within 1 hop distance.
|
|
|
Testování homogenity a dobré shody v analýze přežití
Timková, Jana
Práce je věnována testům dobré shody a homogenity v modelech intenzit pro data z analýzy přežití. Metoda vychází z bayesovského neparametrického odhadování komponent modelu a využití MCMC postupů. Samotné testy jsou založeny na bayesovské konstrukci martingalových residuálů.
|
|
|
Model pro rozdíl dvou Poissonových veličin
Volf, Petr
Při používání Poissonova rozdělení pravděpodobnosti často narážíme na problém jeho malé flexibility. Shrneme postupy, jak vhodně tuto distribuci modifikovat. Další možnost nabízejí situace, kdy analyzujeme rozdíl dvou Poissonovských veličin. Pro tento případ bylo odvozeno Skellamovo rozdělení. Ukážeme metodu statistické analýzy v tomto případě. Model zahrnuje latentní proměnné, proto je k analýze použito procedur MCMC (Markov Chain Monte Carlo).
|
|
|
MCMC metody ve výpočetní statistice a ekonometrii
Volf, Petr
Práce připomíná podstatu a algoritmy Markov chain Monte Carlo metod (Gibbsův sampler, algoritmus Metropolise a Hastingse) a ukazuje jejich použití jak v Bayesovské analýze dat, tak v problému optimalizace, ve spojení se simulovaným žíháním.
|
|
| |
|
| |
|
| |
host ::
RSS.