ODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK
|
|
- Nikola Sedláková
- před 5 lety
- Počet zobrazení:
Transkript
1 ODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK Hana Boháčová Univezita Padubice, Fakulta ekonomicko-spávní, Ústav matematiky Abstact: The aim of this pape is to find an explicit fom of an insensitivity egion fo a linea function of the fixed effects paametes in a egula mixed linea egession model without constaints, to exploe a possible gaphical epesentation of this egion and its significance fo the detemination of the estimates in the mentioned model. Keywods: Insensitivity egion, mixed linea egession model, fixed effects paametes, maximum likelihood estimato of fixed effect paametes, vaiance components.. Použité značení I jednotková matice A + Mooe-Penoseova pseudoinveze matice A viz [7]) M A matice otogonální pojekce na vektoový posto kolmý k vektoovému postou geneovanému sloupci matice A, M A = I-AA + ) A) hodnost matice A ta) stopa matice A, definuje se po čtvecové matice jako součet diagonálních pvků Y ~ N n Xβ, Σ) náhodný vekto Y má n-ozměné nomální ozdělení se střední hodnotou Xβ a vaianční maticí Σ Va [ βˆ )] vaianční matice odhadu βˆ ) za předpokladu, že skutečná hodnota paametu je i-tá složka vektou i. Úvod Jednou z často používaných metod učování bodových odhadů paametů je metoda maximální věohodnosti. Hlavní předností této metody jsou její asymptotické vlastnosti. Maximálně věohodný odhad paametů střední hodnoty ve smíšeném lineáním egesním modelu, kteý bude blíže popsán v následujícím odstavci, je funkcí paametů vaianční matice v dalším textu označovaných jako vaianční komponenty). K učení odhadu je tedy nejpve třeba vhodně zvolit vstupní hodnoty vaiančních komponent. Otázkou je, jak poznáme, zda daná volba těchto vstupních hodnot byla dobá a zda vůbec data, kteá máme k dispozici umožňují učení kvalitních odhadů paametů střední hodnoty. 3. Maximálně věohodné odhady paametů střední hodnoty a vaiančních komponent ve smíšeném lineáním egesním modelu Uvažujme smíšený lineání egesní model Y ~ N n Xβ, Σ ). ) Data, kteá máme k dispozici, jsou obsažena v obsevačním vektou Y, neznámé paamety tvoří vekto β. Dále předpokládáme, že složky vektou Y jsou v případě, že data jsou přesná tedy nedošlo k žádné chybě při jejich získávání), lineáními funkcemi vektou paametů β, 7
2 což je v modelu ) vyjádřeno tím, že střední hodnota vektou Y je Xβ. V paxi většinou k tomuto modelu dospějeme pomocí lineaizace. Nechť matice X je plné hodnosti ve sloupcích, X) = k. Uvažujme model s vaiančními komponentami,...,, tedy vaianční matice vektou Y je tvau Va Y = Σ = i V i, ) kde V,, V jsou známé symetické matice, přičemž musí platit, že vaianční matice Σ je pozitivně definitní. Existence více vaiančních komponent v eálných situacích znamená, že data pocházejí z několika ůzně přesných zdojů, například byla měřena několika ůznými přístoji, matice V i pak obvykle bývají diagonální. Naším cílem je najít odhady paametů střední hodnoty β a vaiančních komponent,..., metodou maximální věohodnosti. Po usnadnění zápisu budeme v dalším symbolem značit vekto, jehož složkami jsou vaianční komponenty. V modelu ) jsou věohodnostní ovnice po β a například podle [7]) tvau i= [X Σ ) - X]β=X Σ ) - Y, 3) t[σ ) - V i ]=Y M X Σ M X ) + V i M X Σ M X ) + Y, i =,...,. 4) Vzhledem k předpokladu pozitivní definitnosti matice Σ je tato vaianční matice i egulání. Potože navíc předpokládáme plnou sloupcovou hodnost matice X, je egulání i matice X Σ ) - X a existuje k ní tedy matice invezní. Poto z ovnice 3) můžeme přímo vyjádřit odhad paametu β ve tvau βˆ = [X Σ ) - X] - X Σ ) - Y 5) Explicitní vyjádření odhadu paametu, kteé vznikne úpavou soustavy ovnic 4), je uvedeno v []. Ze vztahu 5) je vidět, že odhad paametu β je funkcí poměnné, jak bylo zmíněno v úvodu. Potřebujeme poto stanovit nějakou vhodnou vstupní hodnotu vaiančních komponent, kteou budeme značit. Záoveň potřebujeme umět posoudit, jestli daná volba vstupních vaiančních komponent umožňuje získání použitelného odhadu paametů střední hodnoty. To nám umožní pávě oblast necitlivosti, jejímž odvozením se budeme zabývat v následujícím odstavci. Obvykle se nejpve řešením soustavy 4) získá odhad vaiančních komponent a ten se pak použije jako vstupní hodnota do vztahu 5). Soustava 4) se ale musí řešit iteačně a i zde je nutná nějaká vstupní počáteční hodnota vaiančních komponent, kteou je třeba stanovit na základě obsevačního vektou Y. V situaci, kdy nepotřebujeme znát odhady vaiančních komponent, se poto zdá být snazší použít jako vstupní hodnotu po 5) ovnou počáteční hodnoty vaiančních komponent a pomocí oblasti necitlivosti pak ozhodnout, zda tato volba byla vhodná a umožnila nám získat ozumný odhad paametů střední hodnoty. 4. Oblasti necitlivosti po paamety střední hodnoty Počáteční hodnoty vaiančních komponent vstupující do vztahu 5) mohou podstatně ovlivnit výsledné odhady, jejich volba je poto velmi důležitá. Zkusme si položit otázku, co se stane, změníme-li vaianční komponenty vstupující do vzoce 5) o δ. Výsledný odhad paametů střední hodnoty pak můžeme přibližně vyjádřit pomocí difeenciálu následovně 8
3 βˆ +δ) βˆ )+ ) βˆ δ. 6) Potože po úpavě ˆ ) β i = - [X Σ ) - X] - X Σ ) - V i Σ ) - [Y-X βˆ )], 7) kde Σ značí matici typu ) s místo ), můžeme podle 6) psát βˆ +δ) βˆ )- i= [X Σ ) - X] - X Σ ) - V i Σ ) - [Y-X βˆ )]δ i. 8) Z hlediska kvality výsledného odhadu se zdá být ozumné, aby při změně vstupních hodnot vaiančních komponent nedošlo k přílišnému náůstu dispeze odhadu paametů střední hodnoty. Budeme tedy hledat takovou množinu vstupních hodnot +δ, kteé nepovedou ke zvýšení směodatné odchylky odhadu dané lineání kombinace složek vektou β o více než ε % v poovnání se směodatnou odchylkou odhadu stejné lineání kombinace vycházejícího ze vstupní hodnoty. Takovou množinu nazveme oblastí necitlivosti po lineání funkci h β po dané a dané ε, v dalším textu ji po stučnost budeme nazývat oblastí necitlivosti po paamety střední hodnoty. To, že místo směodatných odchylek odhadů jednotlivých složek paametu β zkoumáme směodatné odchylky lineáních kombinací složek vektou β, má své opodstatnění. Zvolíme-li za vekto h i-tý jednotkový vekto, je příslušná lineání kombinace ovna i-té složce vektou β, o možnost sledovat směodatné odchylky složek odhadu jsme tedy nepřišli. Naopak máme navíc možnost věnovat se i lineáním kombinacím učeným jinými vektoy než jednotkovými. Podle výše uvedeného hledáme množinu takových +δ, po kteá platí Na základě vztahu 5) dostaneme {Va [h βˆ +δ)]} / +ε) {Va [h βˆ )]} /. 9) tedy Va [ βˆ )]= [X Σ ) - X] -, ) Va [h βˆ )]=h [X Σ ) - X] - h. ) Na základě 8) můžeme odvodit následující přibližné vyjádření Va [ βˆ + δ)] Va [ βˆ )]+ + [X Σ ) - X] - X Σ ) - Σ δ M X Σ M X ) + Σ δ Σ ) - X[X Σ ) - X] -. ) Σ δ zde značí matici δ i V i. Výslednou oblast necitlivosti pak označíme N h β,. Po i= úpavách ji můžeme zapsat takto: kde W h je matice s pvky N h β, = { +δ: δ) W h δ ε+ε )h [X Σ ) - X] - h}, 3) {W h } i,j = h [X Σ ) - X] - X Σ ) - V i M X Σ M X ) + V j Σ ) - X[X Σ ) - X] - h. 4) 9
4 Potože ε je malé kladné číslo obvykle se volí ε <, 5), můžeme většinou v 4) použít ε místo ε + ε ). Podobnější postup odvození oblastí necitlivosti je možné najít např. v [3], [4] nebo [6]. Dá se dokázat, že matice W h je singulání a vekto vstupních vaiančních komponent je kolmý na posto geneovaný sloupci matice W h. Důkaz je možné najít např. v [6]. Znamená to, že kvadatická foma δ) W h δ uvnitř množiny 3) učuje singulání kuželosečku. Po = je tak oblast necitlivosti vlastně pás vymezený dvěma ovnoběžnými přímkami, kteé jsou navíc ovnoběžné s oientovanou úsečkou spojující počátek soustavy souřadnic s bodem. 5. Použití oblastí necitlivosti Oblasti necitlivosti jsou, jak víme, množinami možných vstupních hodnot vaiančních komponent, kteé nezpůsobí příliš velký náůst směodatné odchylky odhadů. Abychom mohli posoudit kvalitu odhadů paametů střední hodnoty, espektive ozhodnout o tom, jestli za odhad paametu můžeme považovat už hodnotu učenou ze vztahu 5) dosazením počátečních hodnot vaiančních komponent, poovnáme oblast necitlivosti po paamety střední hodnoty s oblastí spolehlivosti po vaianční komponenty. Nevyplývá-li z konkétní situace jiná potřebná volba vektou h, volíme obvykle za h postupně jednotkové vektoy a všechny příslušné oblasti necitlivosti poovnáváme s oblastí spolehlivosti. Odvození oblasti spolehlivosti po vaianční komponenty si vysvětlíme po případ dvou vaiančních komponent tedy po situaci, kdy =, po větší hodnoty je postup analogický. Oblast spolehlivosti budeme hledat ve tvau obdélníku se středem v bodě ˆ ) tj. odhad vaiančních komponent získaný při použití počáteční hodnoty pvní iteací soustavy 4)), kteý pokývá skutečné hodnoty vaiančních komponent s danou pavděpodobností -α. Podle Čebyševovy neovnosti viz např. []) platí ˆ ) [ ˆ P k Va )] 5) k a podobně P ˆ ) k Va [ ˆ )]. 6) k Bonfeoniho neovnost, kteá je uvedena např. v [5], pak zohledňuje 5) i 6): P ˆ ) k Va [ ˆ )] ˆ ) k Va [ ˆ )]. 7) k Potřebujeme, aby = α, tedy k =. Oblast spolehlivosti po vaianční k α komponenty E, je tedy množina E, = = : ˆ ) Va [ ˆ )] ˆ ) [ ˆ Va )]. 8) α α Pokud bude v konkétním případě obdélník představující oblast spolehlivosti uvnitř pásu oblasti necitlivosti, jak je uvedeno na obázku, znamená to, že sβˆ ) můžeme pacovat jako s kvalitním odhadem paametů střední hodnoty.
5 Ob. : Vzájemná poloha oblasti necitlivosti a oblasti spolehlivosti kvalitní odhad paametu Pokud ovšem bude oblast spolehlivosti oblast necitlivosti výazně přesahovat, můžeme se při učování odhadů velmi snadno dostat do situace, kdy dispeze složek učeného odhadu budou příliš velké a takovému odhadu pak nemůžeme přikládat velkou váhu. Vzájemná poloha oblasti necitlivosti a oblasti spolehlivosti odpovídající takové situaci je na obázku. Ob. : Vzájemná poloha oblasti necitlivosti a oblasti spolehlivosti nekvalitní odhad paametu 6. Závě Pokud by při odhadování paametů střední hodnoty konkétního modelu nastala vzájemná poloha oblasti necitlivosti a oblasti spolehlivosti podobná té na obázku, je třeba zvolit místo jinou vstupní hodnotu vaiančních komponent. Můžeme třeba použít jako počáteční hodnotu do soustavy ovnic 4), tyto ovnice iteačně vyřešit a výsledný odhad vaiančních komponent pak použít po získání odhadu paametů střední hodnoty. Pokud ani toto nepomůže, je třeba zkoušet jiné počáteční hodnoty vstupující do výše zmíněné iteační
6 poceduy. Ukazuje se však, že v někteých modelech vůbec není možné volbou vstupních vaiančních komponent docílit vzájemné polohy jako na obázku. Použitá liteatua: [] ANDĚL, J. Statistické metody.. vydání. Paha: MATFYZPRESS, 3.3 s. ISBN [] BOHÁČOVÁ, H. Odhad paametů střední hodnoty a paametů vaianční matice ve smíšeném lineáním modelu s podmínkami typu I a II. In Scientific papes of the Univesity of Padubice Seies D, 7, s. 5-. ISSN -555X. [3] BOHÁČOVÁ, H., HECKENBERGEROVÁ, J. Oblasti necitlivosti po paamety střední hodnoty ve smíšeném lineáním egesním modelu s podmínkami typu I a s nimi spojené výpočetní poblémy. In Foum Statisticum Slovacum, 7, oč. 3, č. 6, s ISSN [4] BOHÁČOVÁ, H. Insensitivity egion fo vaiance components in geneal linea model. In Acta Univesitatis Palackianae Olomucensis, Facultas Reum Natualium, Mathematica, 8, oč. 49, s. 7-. ISSN 3-97 [5] HUMAK, K. M. S. Statistische Methoden de Modellbildung, Band I Statistische Infeen fű lineae Paamete, Belin: Akademie Velag, 977, 56 s. [6] KUBÁČEK, L., KUBÁČKOVÁ, L. Statistika a metologie. Olomouc: Univezita Palackého v Olomouci vydavatelství,. 37 s. ISBN [7] RAO, C. R., KLEFFE, J. Estimation of Vaiance Components and Applications, Amstedam New Yok Oxfod Tokyo: Noth-Holland, 988, 496 s. ISBN Kontaktní adesa: Mg. Hana Boháčová Univezita Padubice Fakulta ekonomicko-spávní Ústave matematiky Studentská Padubice
KVADRATICKÁ KALIBRACE
Petra Širůčková, prof. RNDr. Gejza Wimmer, DrSc. Finanční matematika v praxi III. a Matematické modely a aplikace 4. 9. 2013 Osnova Kalibrace 1 Kalibrace Pojem kalibrace Cíle kalibrace Předpoklady 2 3
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
Více4. cvičení z Matematické analýzy 2
4. cvičení z Matematické analýzy 2 22. - 26. října 208 4. Po funkci fx, y, z xy 2 + z 3 xyz učete v bodě a 0,, 2 deivaci ve měu u, kteý je učen tím, že víá kladnými měy ouřadných o potupně úhly 60, 45
VíceModely produkčních systémů. Plánování výroby. seminární práce. Autor: Jakub Mertl. Xname: xmerj08. Datum: ZS 07/08
Modely podukčních systémů Plánování výoby seminání páce Auto: Jakub Metl Xname: xmej08 Datum: ZS 07/08 Obsah Obsah... Úvod... 3 1. Výobní linky... 4 1.1. Výobní místo 1... 4 1.. Výobní místo... 5 1.3.
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
VíceTestování předpokladů pro metodu chain-ladder. Seminář z aktuárských věd Petra Španihelová
Testování předpokladů pro metodu chain-ladder Seminář z aktuárských věd 4. 11. 2016 Petra Španihelová Obsah Datová struktura Posouzení dat Předpoklady metody chain-ladder dle T. Macka Běžná lineární regrese
VíceMAGNETICKÉ POLE ELEKTRICKÉHO PROUDU. r je vyjádřen vztahem
MAGNETICKÉ POLE ELEKTRICKÉHO PROUDU udeme se zabývat výpočtem magnetického pole vytvořeného danou konfiguací elektických poudů (podobně jako učení elektického pole vytvořeného daným ozložením elektických
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
Více6 Diferenciální operátory
- 84 - Difeenciální opeátoy 6 Difeenciální opeátoy 61 Skalání a vektoové pole (skalání pole) u u x x x Funkci 1 n definovanou v učité oblasti Skalání pole přiřazuje každému bodu oblasti učitou číselnou
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
VíceÚlohy domácího kola kategorie B
49. očník Matematické olympiády Úlohy domácího kola kategoie B 1. Po kteá eálná čísla t má funkce f(x) = 5x + 44 + t x 3 x t maximum ovné 0? Daná funkce je lineání lomená, potože obsahuje dva výazy s absolutní
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚLÁVÁNÍ a analýz II. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obaz zpacovávaných dat je
VíceÚlohy krajského kola kategorie B
61. očník matematické olmpiád Úloh kajského kola kategoie B 1. Je dáno 01 kladných čísel menších než 1, jejichž součet je 7. Dokažte, že lze tato čísla ozdělit do čtř skupin tak, ab součet čísel v každé
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
VíceVektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VíceEUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceELEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Spojité rozložení náboje
EEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Spojité ozložení náboje Pete Doumashkin MIT 006, překlad: Jan Pacák (007) Obsah. SPOJITÉ OZOŽENÍ NÁBOJE.1 ÚKOY. AGOITMY PO ŘEŠENÍ POBÉMU ÚOHA 1: SPOJITÉ OZOŽENÍ
VíceROZDĚLENÍ PŘÍJMŮ A JEHO MODELY. Jitka Bartošová
ROZDĚLENÍ PŘÍJMŮ A JEHO MODELY Jitka Batošová Kateda managementu infomací, Fakulta managementu, Vysoká škola ekonomická Paha, Jaošovská 1117/II, 377 01 Jindřichův Hadec batosov@fm.vse.cz Abstakt: Poces
VíceUčební text k přednášce UFY102
Matematický popis vlnění vlna - ozuch šířící se postředím zachovávající svůj tva (pofil) Po jednoduchost začneme s jednodimenzionální vlnou potože ozuch se pohybuje ychlostí v, musí být funkcí jak polohy
Vícevyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceFuzzy prediktor pro kinematicko silové řízení kráčejícího robota
Fuzzy pedikto po kinematicko silové řízení káčejícího obota Ing. Jan Kaule, Ph.D. Ing. Mioslav UHER VA Bno Kateda technické kybenetiky a vojenské obotiky, Kounicova 65, 6 00 Bno, Česká epublika Abstakt:
VíceHledání extrémů funkcí
Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání
VíceDuktilní deformace, část 1
uktilní defomace, část uktilní (plastická) defomace je taková defomace, při níž se mateiál defomuje bez přeušení koheze (soudžnosti). Plasticita mateiálu záleží na tzv. mezi plasticity (yield stess) -
VíceFYZIKA I. Mechanická energie. Prof. RNDr. Vilém Mádr, CSc. Prof. Ing. Libor Hlaváč, Ph.D. Doc. Ing. Irena Hlaváčová, Ph.D. Mgr. Art.
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ FYZIKA I Mechanická enegie Pof. RND. Vilém Mád, CSc. Pof. Ing. Libo Hlaváč, Ph.D. Doc. Ing. Iena Hlaváčová, Ph.D. Mg. At. Dagma Mádová Ostava
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Vícex 2 = a 2 + tv 2 tedy (a 1, a 2 ) T + [(v 1, v 2 )] T A + V Příklad. U = R n neprázdná množina řešení soustavy Ax = b.
1. Afinní podprostory 1.1. Motivace. Uvažujme R 3. Jeho všechny vektorové podprostory jsou počátek, přímky a roviny procházející počátkem a celé R 3. Chceme-li v R 3 dělat geometrii potřebujeme i jiné
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceELEKTRICKÝ NÁBOJ COULOMBŮV ZÁKON INTENZITA ELEKTRICKÉHO POLE
ELEKTRICKÝ NÁBOJ COULOMBŮV ZÁKON INTENZITA ELEKTRICKÉHO POLE 1 ELEKTRICKÝ NÁBOJ Elektický náboj základní vlastnost někteých elementáních částic (pvní elektické jevy pozoovány již ve staověku janta (řecky
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceÚlohy domácí části I. kola kategorie A
67. očník Matematické olympiády Úlohy domácí části I. kola kategoie A 1. Pavel střídavě vpisuje křížky a kolečka do políček tabulky (začíná křížkem). Když je tabulka celá vyplněná, výsledné skóe spočítá
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
VíceZÁKLADY ROBOTIKY Transformace souřadnic
ÁKLD OOIK ansfomace souřadnic Ing. Josef Čenohoský, h.d. ECHNICKÁ UNIVEI V LIECI Fakulta mechatoniky, infomatiky a mezioboových studií ento mateiál vznikl v ámci pojektu ESF C..7/2.2./7.247, kteý je spolufinancován
VíceTechnická univerzita v Liberci. Fakulta přírodovědně-humanitní a pedagogická Katedra matematiky a didaktiky matematiky KŘIVKY. Pomocný učební text
Technická univezita v Libeci Fakulta příodovědně-humanitní a pedagogická Kateda matematiky a didaktiky matematiky KŘIVKY Pomocný učební text Peta Piklová Libeec, leden 04 V tomto textu si budeme všímat
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceB1. Výpočetní geometrie a počítačová grafika 9. Promítání., světlo.
B. Výpočetní geometie a počítačová gafika 9. Pomítání., světlo. Pomítání Převedení 3D objektu do 2D podoby je ealizováno pomítáním, při kteém dochází ke ztátě infomace. Pomítání (nebo též pojekce) je tedy
Více2. LIMITA A SPOJITOST FUNKCE
. LIMITA A SPOJITOST FUNKCE Průvodce studiem Funkce y = je definována pro ( ) (>. Z grafu funkce (obr. 3) a z tabulky (a) je vidět že čím více se hodnoty blíží k -3 tím více se funkční hodnoty blíží ke
Více2.1 Shrnutí základních poznatků
.1 Shnutí základních poznatků S plnostěnnými otujícími kotouči se setkáváme hlavně u paních a spalovacích tubín a tubokompesoů. Matematický model otujících kotoučů můžeme s úspěchem využít např. i při
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceGreenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice
Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice Jan Tomeček Tento stručný text si klade za cíl co nejrychlejší uvedení do teorie Greenových funkcí pro obyčejné diferenciální
Více4. konference o matematice a fyzice na VŠT Brno, Fraktály ve fyzice. Oldřich Zmeškal
4. konfeence o matematice a fyzice na VŠT Bno, 15. 9. 25 Faktály ve fyzice Oldřich Zmeškal Ústav fyzikální a spotřební chemie, Fakulta chemická, Vysoké učení technické, Pukyňova 118, 612 Bno, Česká epublika
VícePřipomenutí co je to soustava lineárních rovnic
Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a
Více3.7. Magnetické pole elektrického proudu
3.7. Magnetické pole elektického poudu 1. Znát Biotův-Savatův zákon a umět jej použít k výpočtu magnetické indukce v jednoduchých případech (okolí přímého vodiče, ve středu oblouku apod.).. Pochopit význam
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceSTATISTICKÉ ODHADY Odhady populačních charakteristik
STATISTICKÉ ODHADY Odhady populačních charakteristik Jak stanovit charakteristiky rozložení sledované veličiny v základní populaci? Populaci většinou nemáme celou k dispozici, musíme se spokojit jen s
VíceMatematika 1 MA1. 1 Analytická geometrie v prostoru - základní pojmy. 4 Vzdálenosti. 12. přednáška ( ) Matematika 1 1 / 32
Matematika 1 12. přednáška MA1 1 Analytická geometrie v prostoru - základní pojmy 2 Skalární, vektorový a smíšený součin, projekce vektoru 3 Přímky a roviny 4 Vzdálenosti 5 Příčky mimoběžek 6 Zkouška;
Více1 Soustavy lineárních rovnic
1 Soustavy lineárních rovnic 1.1 Základní pojmy Budeme uvažovat soustavu m lineárních rovnic o n neznámých s koeficienty z tělesa T (potom hovoříme o soustavě m lineárních rovnic o n neznámých nad tělesem
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
VíceAfinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.
4 Afinita Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. Poznámka. Vzájemně jednoznačným zobrazením rozumíme zobrazení,
Více1.7.2 Moment síly vzhledem k ose otáčení
.7. oment síly vzhledem k ose otáčení Předpoklady 70 Pedagogická poznámka Situaci tochu komplikuje skutečnost, že žáci si ze základní školy pamatují součin a mají pocit, že se pouze opakuje notoicky známá
Více1 Řešení soustav lineárních rovnic
1 Řešení soustav lineárních rovnic 1.1 Lineární rovnice Lineární rovnicí o n neznámých x 1,x 2,..., x n s reálnými koeficienty rozumíme rovnici ve tvaru a 1 x 1 + a 2 x 2 +... + a n x n = b, (1) kde koeficienty
VíceF5 JEDNODUCHÁ KONZERVATIVNÍ POLE
F5 JEDNODUCHÁ KONZERVATIVNÍ POLE Evopský sociální fond Paha & EU: Investujeme do vaší budoucnosti F5 JEDNODUCHÁ KONZERVATIVNÍ POLE Asi nejznámějším konzevativním polem je gavitační silové pole Ke gavitační
Více1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
VíceV předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení
VíceCvičení z termomechaniky Cvičení 6.
Příklad 1: Pacovní látkou v poovnávacím smíšeném oběhu spalovacího motou je vzduch o hmotnosti 1 [kg]. Počáteční tlak je 0,981.10 5 [Pa] při teplotě 30 [ C]. Kompesní pomě je 7, stupeň zvýšení tlaku 2
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VíceI. kolo kategorie Z9
68. očník Matematické olympiády I. kolo kategoie Z9 Z9 I 1 Najděte všechna kladná celá čísla x a y, po kteá platí 1 x + 1 y = 1 4. Nápověda. Mohou být obě neznámé současně větší než např. 14? (A. Bohiniková)
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
Více3.2.2 Shodnost trojúhelníků II
3.. hodnost tojúhelníků II Předpoklady: 30 Pokud mají tojúhelníky speiální vlastnosti, mohou se věty o shodnosti zjednodušit Př. : Zfomuluj věty o shodnosti: a) ovnoamennýh tojúhelníků b) ovnostannýh tojúhelníků
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceSoustavy lineárních rovnic
Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic Základy vyšší matematiky LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad
VíceLINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica
LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu Popisná
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceCvičení 5 - Inverzní matice
Cvičení 5 - Inverzní matice Pojem Inverzní matice Buď A R n n. A je inverzní maticí k A, pokud platí, AA = A A = I n. Matice A, pokud existuje, je jednoznačná. A stačí nám jen jedna rovnost, aby platilo,
VíceSymetrické a kvadratické formy
Symetrické a kvadratické formy Aplikace: klasifikace kvadrik(r 2 ) a kvadratických ploch(r 3 ), optimalizace(mpi) BI-LIN (Symetrické a kvadratické formy) 1 / 20 V celé přednášce uvažujeme číselné těleso
VíceDeterminanty. Determinanty. Přednáška MATEMATIKA č. 3. Jiří Neubauer
Přednáška MATEMATIKA č. 3 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 21. 10. 2010 Uvažujme neprázdnou množinu přirozených čísel M = {1, 2,..., n}. Z kombinatoriky
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y Xβ ε Předpoklady: Matice X X n,k je matice realizací. Předpoklad: n > k, h(x) k - tj. matice
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
Více1.3.8 Rovnoměrně zrychlený pohyb po kružnici I
1.3.8 Rovnoměně zychlený pohyb po kužnici I Předpoklady: 137 Opakování: K veličinám popisujícím posuvný pohyb existují analogické veličiny popisující pohyb po kužnici: ovnoměný pohyb pojítko ovnoměný pohyb
VícePlanimetrie. Přímka a její části
Planimetie Přímka a její části Bod - značí se velkými tiskacími písmeny - bod ozděluje přímku na dvě opačné polooviny Přímka - značí se malými písmeny latinské abecedy nebo AB, AB - přímka je dána dvěma
VíceNumerické metody 6. května FJFI ČVUT v Praze
Extrémy funkcí Numerické metody 6. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod 1D Více dimenzí Kombinatorika Lineární programování Programy 1 Úvod Úvod - Úloha Snažíme se najít extrém funkce, at už jedné
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceREDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI
REDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI J. Jkovský 1, M. Hofete 2 1 Humusoft s..o., Paha 2 Ústav Přístojové a řídcí technky, Fakulta stojní, ČVUT v Paze Abstakt Příspěvek se věnuje poblematce
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceTrivium z optiky Vlnění
Tivium z optiky 7 1 Vlnění V této kapitole shnujeme základní pojmy a poznatky o vlnění na přímce a v postou Odvolávat se na ně budeme často v kapitolách následujících věnujte poto vyložené látce náležitou
Vícedo strukturní rentgenografie e I
Úvod do stuktuní entgenogafie e I Difakce tg záření na kystalu Metody chaakteizace nanomateiálů I RND. Věa Vodičková, PhD. Studium kystalové stavby Difakce elektonů, neutonů, tg fotonů Kystal ideální mřížka
VíceMAGNETICKÉ POLE CÍVEK V HELMHOLTZOVĚ USPOŘÁDÁNÍ
Úloha č. 6 a MAGNETICKÉ POLE CÍVEK V HELMHOLTZOVĚ USPOŘÁDÁNÍ ÚKOL MĚŘENÍ:. Změřte magnetickou indukci podél osy ovinných cívek po případy, kdy vdálenost mei nimi je ovna poloměu cívky R a dále R a R/..
VíceUčební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceCo je obsahem numerických metod?
Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem
Více8 Coxův model proporcionálních rizik I
8 Coxův model proporcionálních rizik I Předpokládané výstupy z výuky: 1. Student umí formulovat Coxův model proporcionálních rizik 2. Student rozumí významu regresních koeficientů modelu 3. Student zná
Více10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo
0. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo (PEF PaA) Petr Gurka aktualizováno 9. prosince 202 Obsah Základní pojmy. Motivace.................................2 Aritmetický vektorový
Více