000 | 03853nam a2201117 a 4500 | ||
---|---|---|---|
999 |
_c25682 _d25682 |
||
001 | nkc20142591342 | ||
003 | CZ PrSKC | ||
005 | 20180816125728.0 | ||
007 | ta | ||
008 | 140523s2014 xr a e 001 0 cze | ||
020 | _a9788074324406 | ||
040 |
_aABA001 _bcze |
||
041 | 1 |
_acze _heng |
|
072 | 7 |
_a519.1/.8 _xKombinatorika. Teorie grafů. Matematická statistika. Operační výzkum. Matematické modelování _2Konspekt |
|
080 |
_a005.521 _2MRF |
||
080 |
_a001.18 _2MRF |
||
080 |
_a519.673:519.216.3 _2MRF |
||
080 |
_a519.226 _2MRF |
||
080 |
_a165.413 _2MRF |
||
080 |
_a(048.8) _2MRF |
||
100 | 1 |
_aSilver, Nate, _d1978- _4aut _94781 |
|
245 | 1 | 0 |
_aSignál a šum : _bmnoho předpovědí selže, některé ne / _cNate Silver ; [přeložil Jan Kalandra] |
250 | _aVyd. 1. | ||
260 |
_aPraha ; _aLitomyšl : _bPaseka, _c2014 |
||
300 |
_a542 s. : _bil. ; _c23 cm |
||
500 | _aPřeloženo z angličtiny | ||
504 | _aObsahuje bibliografické odkazy a rejstřík | ||
520 | _aNárůst informací v informačním věku ztěžuje naši orientaci, oddělit tento šum od signálů je těžké, ale nikoli nemožné. Kniha na příkladu mnoha témat a oborů - od ekonomické krize přes baseball, epidemii ptačí chřipky, meteorologii a předpověď hurikánů, poker, marketing až po 11. září 2001 - analyzuje, proč se většina předpovědí mýlila a naopak co činí jiné předpovědi úspěšnými. Jako tvůrce fungujícího modelu předpovědí úspěšnosti hráčů baseballu, autor geniální předpovědi volebních výsledků amerických prezidentských voleb a výherce 400 000 dolarů v pokeru má Nate Silver k tématu jistě co říct. Nakladatelská anotace. Kráceno. | ||
520 | _aStěžejními tématy publikace jsou prognózy a strategie všeho druhu, statistika, práce s daty v době, která je informacemi zahlcená. | ||
650 | 0 | 7 |
_aprognózování _2czenas _94782 |
650 | 0 | 7 |
_aprognostika _2czenas _92978 |
650 | 0 | 7 |
_apredikční modely _2czenas _94783 |
650 | 0 | 7 |
_aBayesova teorie _2czenas _94784 |
650 | 0 | 7 |
_apravděpodobnost _2czenas _94785 |
650 | 0 | 9 |
_aforecasting _2eczenas _94786 |
650 | 0 | 9 |
_aprognostics _2eczenas _92982 |
650 | 0 | 9 |
_apredictive models _2eczenas _94787 |
650 | 0 | 9 |
_aBayesian theory _2eczenas _94788 |
650 | 0 | 9 |
_aprobability _2eczenas _94789 |
655 | 7 |
_astudie _9238 |
|
655 | 9 |
_astudies _9239 |
|
765 | 0 | _tSignal and the noise | |
910 |
_aABA001 _b54 H 375553 _bSF II 085386 |
||
910 |
_aABA006 _bF218123 |
||
910 | _aABA007 | ||
910 |
_aABA010 _b516 T 00926 |
||
910 | _aABD001 | ||
910 | _aABD100 | ||
910 | _aABD107 | ||
910 |
_aABE031 _b30967 |
||
910 |
_aABG001 _bG 15210 |
||
910 |
_aBOA001 _b2-1326.128 |
||
910 | _aCBA001 | ||
910 |
_aCHG001 _b74023 |
||
910 | _aCRG001 | ||
910 | _aDCG302 | ||
910 | _aDCG503 | ||
910 | _aFMG502 | ||
910 |
_aHBG001 _bN66402 |
||
910 |
_aHKA001 _bA0-34311 |
||
910 |
_aJCG001 _bC48093 |
||
910 | _aJEG502 | ||
910 |
_aJHD001 _bA 11491-V1 |
||
910 | _aKAG503 | ||
910 |
_aKLG001 _bJ 326179 |
||
910 | _aKMG001 | ||
910 | _aKVG001 | ||
910 |
_aLIA001 _bA 214435 |
||
910 | _aLNG501 | ||
910 | _aMBG001 | ||
910 | _aNJG502 | ||
910 |
_aOLA001 _b1-278.693 |
||
910 | _aOLD012 | ||
910 | _aOLG001 | ||
910 | _aOPG001 | ||
910 |
_aOSA001 _bG 368.824 |
||
910 |
_aOSD001 _bB85156 |
||
910 |
_aOSD002 _b284384 |
||
910 |
_aPAG001 _b247.442 |
||
910 | _aPBG001 | ||
910 | _aPBG501 | ||
910 |
_aPNA001 _b31B61165 |
||
910 | _aPVG001 | ||
910 | _aRKG001 | ||
910 | _aTAG001 | ||
910 | _aTRG001 | ||
910 | _aTUG001 | ||
910 |
_aUHG001 _b008 |
||
910 |
_aULG001 _bN244039 |
||
910 | _aVSG001 | ||
910 | _aVSG501 | ||
910 | _aZLD002 | ||
910 | _aZLG001 | ||
910 | _aZRG001 |