4EK211 Základy ekonometrie
|
|
|
- Jiřina Říhová
- před 8 lety
- Počet zobrazení:
Transkript
1 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 2: Metoda nejmenších čtverců LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE
2 1. Doplnění a opakování z minula Jaká je pravděpodobnost, že náhodná veličina z normovaného normálního rozdělení bude: 1) menší než 0,5 2) větší než 1 3) větší než 1,5 nebo menší než -1,5 Pro jakou hodnotu z normovaného normálního rozdělení platí, že: 1) napravo od ní leží 2,5 % hodnot 2) nalevo od ní leží 30 % hodnot CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 2
3 1. Doplnění a opakování z minula Jaká je pravděpodobnost, že náhodná veličina z normovaného normálního rozdělení bude: 1) menší než 0,5 0,69 2) větší než 1 0,15 3) větší než 1,5 nebo menší než 1,5 0,134 Pro jakou hodnotu z normovaného normálního rozdělení platí, že: 1) napravo od ní leží 2,5 % hodnot 1,96 2) nalevo od ní leží 30 % hodnot -0,52 CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 3
4 Zkuste si, kolik znáte anglických slov: (ale až doma). Na tomto webu jsou i zajímavé statistiky, mimo jiné že existuje vztah mezi počtem slov, která známe, a dobou, kterou jsme strávili v zahraničí (což je vcelku očekávatelné). CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 4
5 počet let v zahraničí slovní zásoba (tis. slov) Příklad není moc reálný (malý počet dat, fiktivní data), slouží k pochopení principu MNČ. Chceme daty proložit přímku, která nejlépe zachycuje vztah mezi y a x. Jak na to? CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 5
6 Zkusme třeba následující přímku: y = 5 + 2x Jak zjistíme, jestli je to dobrá přímka? CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 6
7 Jednou z možností je sečíst druhé mocniny vzdáleností bodů od dané přímky (čtvercové chyby). Součet čtvercových chyb by měl být co možná nejmenší. Jaký je v tomto případě součet čtvercových chyb? CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 7
8 x i Skutečné hodnoty Vyrovnané hodnoty Čtvercová chyba Existuje nějaká lepší přímka? CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 8
9 Hledáme parametry nejlepší přímky : y i = b 0 + b 1 x i SS(b 0, b 1 ) = (y 1 b 0 b 1 x 1 ) 2 + (y 2 b 0 b 1 x 2 ) 2 + (y 3 b 0 b 1 x 3 ) 2 + (y 4 b 0 b 1 x 4 ) 2 + (y 5 b 0 b 1 x 5 ) 2 minimalizujeme Položíme parciální derivace funkce SS podle b 0 a b 1 rovny 0 a řešíme soustavu. CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 9
10 Výsledek: b 0 = 7,4 b 1 = 1 Nejlepší přímka: y i = 7,4 + 1x i Interpretujte tyto parametry. CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 10
11 Další úkoly: 1) Spočítejte vyrovnané hodnoty 2) Spočítejte rezidua. Co jsou to rezidua? Co je to náhodná složka? Jaký je rozdíl mezi rezidui a náhodnou složkou? 3) Kolik slov bude znát v průměru člověk, který žil v zahraničí 5 let? CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 11
12 Spočítejte 1) Nevysvětlený součet čtverců 2) Celkový součet čtverců 3) Vysvětlený součet čtverců 4) Koeficient determinace CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 12
13 CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 13
14 RSS = 1,2 TSS = 41,2 ESS = 40 R 2 = 0,9709 Interpretujte koeficient determinace, RSS, TSS a ESS. Jakých hodnot může R 2 nabývat? CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 14
15 CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 15
16 Zopakujte si práci s maticemi: Uvažujte matice: A = B = Určete hodnost uvedených matic. C = Co je to regulární matice? Které z matic A, B, C jsou regulární? Ke kterým z nich existuje inverzní matice? (jen čtvercové regulární) Zapište matici A. Vynásobte, pokud to lze: AB, CA. CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 16
17 Najděte obecné vyjádření pro takové hodnoty parametrů b 0, b 1, které minimalizují celkový součet čtverců, ale použijte tentokrát maticové vyjádření. Měli byste dojít k: b = (X X) 1 (X y) V Excelu spočítejte pomocí tohoto vzorce odhady parametrů b 0, b 1. CVIČENÍ 2 METODA NEJMENŠÍCH ČTVERCŮ 17
18 Na doma Co byste měli umět Jaký je princip metody nejmenších čtverců? Jak se interpretují odhadnuté regresní koeficienty? Co je to vysvětlený, nevysvětlený a celkový součet čtverců a jaký je mezi nimi vztah? Co je to koeficient determinace, jak ho získáme? Co jsou to rezidua? CVIČENÍ 1 OPAKOVÁNÍ ZE STATISTIKY 18
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2016/17 Cvičení 3: Lineární regresní model LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Seznámení s EViews Upřesnění
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 6: Multikolinearita, umělé proměnné LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Otevřete si data z
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 7: Autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Autokorelace - teorie Zopakujte si G-M
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 10: Heteroskedasticita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Heteroskedasticita - teorie Druhý
Tomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
4ST201 STATISTIKA CVIČENÍ Č. 8
4ST201 STATISTIKA CVIČENÍ Č. 8 analýza závislostí kontingenční tabulky test závislosti v kontingenční tabulce analýza rozptylu regresní analýza lineární regrese Analýza závislostí Budeme ověřovat existenci
V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 6: Dummy proměnné, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Pokračování z minula:
Regresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
AVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
4EK211 Základy ekonometrie
4EK211 Základ ekonometrie Odhad klasického lineárního regresního modelu I Cvičení 2 Zuzana Dlouhá Metodologický postup tvor EM 1. Specifikace modelu určení proměnných určení vzájemných vaze mezi proměnnými
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 11: Speciální případy použití MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 2. Nelineární funkce
Matice. Přednáška MATEMATIKA č. 2. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Přednáška MATEMATIKA č. 2 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 13. 10. 2010 Uspořádané schéma vytvořené z m n reálných čísel, kde m, n N a 11 a 12 a
É č É Í Ř Á Ě ž š č č š š šť Ť Ý č č Ť Ť Ť č Ť č šť Í č č č š š ď ž Ť Á č Í Ó š Ž š Č Ť č Ť č Ť ď č š Č Ď ž ž š č č č Ú Š š Ť Č š ž š š č Ú š č š É Š š šš š Ť č č č č š č š Ť č č ž š č Ť č š Ť š č š č
Á Ž Ú ž ň š ž Ž š Ť Ť Ž Ď Ť Ž ž Ť š ř Ť Ť Ť Ť Ť ž š ž š Ť š Ť Ť š ř Ť Ť Ť Ť Š Ť Ť Ý Á ť ř Ť ž š ň Ť Ť Ž Ť Ť Ť Ž Ž ř ž ž Ť Ž Ě Ť ž Ť Ť Ť Ť š Ť Ž š Ť Ů Ť ť ť Ť ť Ž Č Ž š Ť ř Ť Ž š Ů Ť Ť š Ť Ť ž š ť Ť Ž Ž
Ů š š č É É É š É Ř š š Ř Ž É Í Ř Š šš š É É š Ž Ě É Ř É Ř š ě É É É Ď Ž Ě š č š Ř Ý Ů É č É š Ě č É Ě ž ů š š ň č É č č É č É ů É É Ř š č Ř Ť É Ř č Ů č É É Ř É č š Ě ě ů š š ě ý š č č ě ý š č Í ě ý š
PRAVDĚPODOBNOST 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
Cvičící Kuba Kubina Kubinčák Body u závěrečného testu
1. Příklad U 12 studentů jsme sledovali počet dosažených bodů na závěrečném testu (od 0 do 60). Vždy 4 z těchto studentů chodili k jednomu ze 3 cvičících panu Kubovi, panu Kubinovi, nebo panu Kubinčákovi.
LINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
Tomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
Regresní 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
Plánování experimentu
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Ing. Radek Růčka Přednášející: Prof. Ing. Jiří Militký, CSc. 1. LEPTÁNÍ PLAZMOU 1.1 Zadání Proces
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2016/17 Cvičení 5: Vícenásobná regrese LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Jednoduchá regrese opakování
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 6: Dummy proměnné, úvod do časových řad LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Multikolinearita
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2014/15 Cvičení 5: Vícenásobná regrese, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Jednoduchá
Ř Ě Ů š É š Ě Š ě š Ě č š Ř É É č Ř š Ě Ž É č č Ů Ú Ř š Ř ě É é ě Ž č é ě š É É ě š Í č Š É Ě Ž É Ř Í š Ě Ž É šš š Ř š é Š ň é É Ú Č č ě Š ě č ň ů š é š ě Š ě ě ý š č ý ú ěš ý ě é š ě ě ý š č ý ú ěš ý
PRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Definice lineárního normálního regresního modelu Lineární normální regresní model Y β ε Matice n,k je matice realizací. Předpoklad: n > k, h() k - tj. matice je plné hodnosti
F p Test. statistika p 13,9 <,001 Muž 249 <,001 Žena 281 <,001. T test t df p Průměrný rozdíl 5, ,48 <,001 4,56
Příklad 1 1a a) Formulujte testovatelnou hypotézu pro použité proměnné b) Identifikujte použitý test a interpretujte výsledky c) Zhodnoťte, jestli byly splněny předpoklady použitého testu + další případné
ú Ž ú ž ž ž ň ě Ž ě ž ě ě ž ě ž š ž ě ě Ž ě š ž ž š ž ě ž ě ž ž ž ž ě š ě š ě ž ě š ž ě ž š ě ž ž Č ž ž ž ž š š ě ě š ž ž ž ž ž Č ž ě ž ž š ž Č Ú ě ž ě ž ě ě ž Š Š Ž ú ě ě ú ěš ě ě š ž ě ě ě ň ó ú ě ó
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 1: Opakování ze statistiky LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Z čeho studovat 1) Z KNIHY Krkošková,
Testování 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
Testování 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,
KGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí
Ěú Á Ž ě ú ě ů ů ě ě š ů ě ě ě ě ě ě Ž ď ď š ě ě š ú ů ú ů ů ě ě ě ě ě Ž š ě ů ě ě ě Č ě Š ě ě ě ě Č É ň ě š ú ň ú ú ě ě ó ě ú ě ó ů ě ě ě ů ě ě ě š ě ú š ě š ě š ě ě š š Ěú Á Ě Á ů ě ě ó š ě š ů š ě ú
SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
PRAVDĚPODOBNOST 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
4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
Ý š é š ó š ž š žé ó Š é ď Ý é é ž é ž š ž Ť é š é é Ř š é ď é ž é ž é é ž Ť é ď é šš é ž é ž é ž ů ž ž é Ť Ť Ř š é ž ž ď Ú š é ž š š ž š é ž š é é š ž é ž é ž ů é ž é ž é Č é é ž š š é é Ř š ž Ž š é é
ď ď ď š Ý š š É Ý šš š š š šš š š š š Ě š Ó ď šš š šš ď Ě šš š šš Ě š Ě Ě Ú š š š Ě š š ď Ě š š Ž š Ě š Č š Ý ď š š ď š Ý Ť š š š š š Ý š ď ď š š Á Á É š š š Ž šš ď ř ň ř ř š Ý ď š š š š š š Ť Ě š Ť š
š Ý š š Ú ž ž š ž š š ž š Í š š ž š Ú ž ž ž šš ž ž ž šš ž ž š ž ž š š ž ž ž šš ž ň Č ž ž ž ž šš ž ž ž š š š ó š š ž š ž š ž Ú ž š ž š š Ú ň š š ó š ž š ž š Ž ň š š š š š š š ž š š ž š š š š š š š š š š
AVDAT 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
č Ž Ř ž ž ž č č Í č ž č ž Í ž č č Č č Š Č č ú ž č Ž Ž Ž č č č Ž Žš č š š Ž Žš šť š č š Ž Ůž č š šš š Ž š šš Í Ž Ž Ž Ž Č Ž č č Ž č Ž ň Ž Ž č Č č č č č Ž š š Ž šš šč Ž š Č Ó č Č č Š Č č Ž Ž Í š č č ó Ž č
Š č Ú č š ž č č č š č ž Ž č č ž š š č č č č š č č ž š č ž č č š š ú ž č č ó č ď š š š š š ž ň č Ž ž š ž č č š š Ř š ž č š š č š šš žň ó š Ž ň ž č š ň č š č š č č č č Ž č č ú š č ď š ž š ď č Ú š š ž č š
kupní cena: 680 500,- Kč Splatnost jednorázově, do 30 dnů ode dne podpisu kupní smlouvy na účet prodávajícího. Návrh č. 2.
Návrh č. 1. kupní cena: 680 500,- Kč Návrh č. 2. kupní cena: 681 500,- Kč Návrh č. 3. 1 kupní cena: 682 500,- Kč Návrh č. 4. kupní cena: 683 500,- Kč Návrh č. 5. 2 kupní cena: 684 000,- Kč Návrh č. 6.
Ilustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
Regresní 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
předmětu MATEMATIKA B 1
Metodický list pro první soustředění kombinovaného studia předmětu MATEMATIKA B 1 Název tématického celku: Vektorový prostor Cíl: Základním cílem tohoto tematického celku je pochopit, co jsou to vektory
Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
š ů Č č Č ú Č ž Č č č ú ž ů Č š ž ž š ž Č ň Í ů ž š ž ň ů ž ž šť ž ž ů ů ž š ž ú š ů ž š ž š š šť ž ž ú š š ž š ž Č Ů ů ž ů ž Š č Í š š š Ů ú Š ů ž š ž ž ž š Í ů ž š ž ů š ů š ň ž ž ž š ž Ý Ý ž ž ž š ž
1. LINEÁRNÍ ALGEBRA Vektory Operace s vektory... 8 Úlohy k samostatnému řešení... 8
1 Lineární algebra 1 LINEÁRNÍ ALGEBRA 8 11 Vektory 8 111 Operace s vektory 8 8 112 Lineární závislost a nezávislost vektorů 8 8 113 Báze vektorového prostoru 9 9 12 Determinant 9 9 13 Matice 1 131 Operace
AVDAT Výběr regresorů v mnohorozměrné regresi
AVDAT Výběr regresorů v mnohorozměrné regresi Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Výběr správného lineárního modelu y = Xβ + ε, ale v matici X typu n (p + 1) je
13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách
13 Regrese 13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách znaku X. Přitom je třeba vyřešit jednak volbu funkcí k vystižení dané závislosti a dále stanovení konkrétních
Úloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem)
MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY Učební osnova předmětu MATEMATIKA pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem) Schválilo Ministerstvo školství, mládeže a tělovýchovy dne 14.června
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,
AVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Logistická křivka Umělé proměnné Cvičení 11 Zuzana Dlouhá Logistická křivka log-lineární model patří mezi poptávkové funkce, ty dělíme na: a) klasické D = f (příjem, cenový index,
Regresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Matematika II. dvouletý volitelný předmět
Název předmětu: Zařazení v učebním plánu: O7A, C3A, S5A, O8A, C4A, S6A dvouletý volitelný předmět Cíle předmětu Tento předmět je koncipován s cílem umožnit studentům dosáhnout lepší výsledky ve společné
TECHNICKÁ UNIVERZITA V LIBERCI EKONOMICKÁ FAKULTA. VZOR PŘIJÍMACÍ ZKOUŠKY DO NAVAZUJÍCÍHO STUDIA Obor: Manažerská informatika
TECHNICKÁ UNIVERZITA V LIBERCI EKONOMICKÁ FAKULTA VZOR PŘIJÍMACÍ ZKOUŠKY DO NAVAZUJÍCÍHO STUDIA Obor: Manažerská informatika UPOZORNĚNÍ: Všechny potřebné výpočty se provádějí do zadání, používání kalkulaček
Regrese. 28. listopadu Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly:
Regrese 28. listopadu 2013 Pokud chceme daty proložit vhodnou regresní křivku, musíme obvykle splnit tři úkoly: 1. Ukázat, že data jsou opravdu závislá. 2. Provést regresi. 3. Ukázat, že zvolená křivka
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 2.1 Tvorba lineárních regresních modelů při analýze dat Autor práce: Přednášející:
V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
10 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 10.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěma, případně
POLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
Aplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
Sever Jih Západ Plechovka Točené Sever Jih Západ Součty Plechovka Točené Součty
Neparametrické testy (motto: Hypotézy jsou lešením, které se staví před budovu a pak se strhává, je-li budova postavena. Jsou nutné pro vědeckou práci, avšak skutečný vědec nepokládá hypotézy za předmětnou
Regresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
UNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
Ř É Ř É Ě čá Á Í Ů š Í č Á Ř š é Ř š Á ĚŘ É Ř É č š Ě Ř É Ř Áš č Ř Á š Á É č Á Ř Á š šš Á š Ř š Ž č Ř Á š Ž ž É č š Ě ŽÁ Ž ž č é Ř Á š Á Ž ž Ž Á Ř Á š ě š Á Ř Ý Ů šš Á š Ř Á š š č Ř Á š Á š Ř Á š Ž š Ř
Ž Í É Ý Í Ú ú Ó š ů š ú š Č ú š š ů ž ž ž ů ž ž Í ú ú ú ů ú š š ž ž š Í ž ž š ů ů ž ž ů š ž ů ž š š ů š š ů š ů ž š ů š ž ú ů š ž š ž ž ž ž š ň š ů ů ů Í ž š ů š š ů ž ů š Í ů š š ž ú ú Í š Í ň š ů Í ž
STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA
Poslední aktualizace: 29. května 200 STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA PŘÍKLADY Pro zdárné absolvování předmětu doporučuji věnovat pozornost zejména příkladům označenými hvězdičkou. Příklady
ČÁ š Č Á ř š ú Č Š š Č É Ó ť Ů Ě Ž Ó Ó Ž ť Ž Ě Ú Ž ď Á Á Ř Á Ž Ě Ř Ž Ě Ř ÁŘ Á Á š š Ě š Č ď Č Ě Á Ě Š ÁŘ Á š Ě ť ÁŘ Ý Ů É Ř š ř ť Ž Ú Ů ť š ř š Ž ť ř Ž š š š š Ž Ž Ž ť ť ň ť ť š ť ť Ž ť Ž ť ť Ř Ř Ž š ť
Regresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:
Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se
Č Ě É ČÁ ř Ž č č Ó č ř Š ř Ž č ř Č č Č č Ú Ž Č Č Ú ř ž č Ž Á Ú Ř ř ř č š Ž č Ž ř š š ř č č Ě Úč ř š ř Ž Ž ř Ž Ž Š č č č ř č ř š ř úč úč Ě ř Ú č č š š ř š ř š Ž š č ť č ň Ú Ž č Ž š š Ž ň č ř š ř Ú č ř č
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
AVDAT 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
Učební texty k státní bakalářské zkoušce Matematika Matice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Matice študenti MFF 15. augusta 2008 1 12 Matice Požadavky Matice a jejich hodnost Operace s maticemi a jejich vlastnosti Inversní matice Regulární matice,
Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =
Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.
Numerická integrace a derivace
co byste měli umět po dnešní lekci: integrovat funkce různými metodami (lichoběžníkové pravidlo, Simpson,..) počítat vícenásobné integrály počítat integrály podél křivky a integrály komplexních funkcí
Odhady 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
AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
úř Ú š Í Č ř Ř Č ř ÁŠ ň ř ú ň ř ř ř Í ú ř ň ř ř ř ř ž ž ž úř š š Š ř ř ř ň š ř ř ř š ž ž ř ú Ú š ž ř š š ř ž ř š ř š ř š ř š ž ž ž ř ž ň ř ř ř řň š řň řň ř řň ř řň ř ř řň š řň řň ř řň ř šš š ř ř ř ř ř
Č É É Č ď Č ž ž Ž ď ě š ě š ě ě š ě ď ž ď šť ť ďš Č ď Č Č ě ž ž Í ě Č ě š ě š š Ž ě ě ť ě ž ě Č ě ž š Í Í ě ě ď ě ě ě ě Í ě ť ě ě ď ě ť ě ď ž ě ě š ě ť Č ě Ž Ž ě ž š š Ž ě Č Ž ě ě ě ě ě ě ě Ž ž ě ť É šš
SEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI
SEMESTRÁ LNÍ PRÁ CE Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI Předmě t ANOVA A ZÁ KON PROPAGACE CHYB U JEDNOROZMĚ RNÝ CH DAT Ú stav experimentá lní biofarmacie, Hradec
ÚLOHA 1. EXPONENCIÁLNÍ MODEL...2 ÚLOHA 2. MOCNINNÝ MODEL...7
OBSAH ÚLOHA 1. EXPONENCIÁLNÍ MODEL...2 ÚLOHA 2. MOCNINNÝ MODEL...7 Úloha 1. Exponenciální model Zadání: Použijte exponenciální model pro stanovení počáteční hodnoty aktivity radionuklidu Ag 110m. Aktivita
Inovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat ANOVA Zdravotní ústav se sídlem v Ostravě Odbor hygienických laboratoří
Algebraické výrazy pro učební obory
Variace 1 Algebraické výrazy pro učební obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Algebraické výrazy
15 - Stavové metody. Michael Šebek Automatické řízení
15 - Stavové metody Michael Šebek Automatické řízení 2016 10-4-16 Stavová zpětná vazba Když můžeme měřit celý stav (všechny složky stavového vektoru) soustavy, pak je můžeme využít k řízení u = K + r [
Robust 2010 31. ledna 5. února 2010, Králíky
Modelování rozdělení ročních příjmů českých domácností J. Bartošová 1 M. Forbelská 2 1 Katedra managementu informací Fakulta managementu v Jindřichově Hradci Vysoká škola ekonomická v Praze 2 Ústav matematiky
II. Úlohy na vložené cykly a podprogramy
II. Úlohy na vložené cykly a podprogramy Společné zadání pro příklady 1. - 10. začíná jednou ze dvou možností popisu vstupních dat. Je dána posloupnost (neboli řada) N reálných (resp. celočíselných) hodnot.
Polynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení
Polynomy a interpolace text neobsahuje přesné matematické definice, pouze jejich vysvětlení Polynom nad R = zobrazení f : R R f(x) = a n x n + a n 1 x n 1 +... + a 1 x + a 0, kde a i R jsou pevně daná
Regresní analýza. Statistika II. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Statistika II Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu) této závislosti pomocí vhodné funkce
Regresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Tvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Tvorba nelineárních regresních modelů v analýze dat Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza