ODHADY NÁVRATOVÝCH HODNOT PRO

Rozměr: px
Začít zobrazení ze stránky:

Download "ODHADY NÁVRATOVÝCH HODNOT PRO"

Transkript

1 ODHADY NÁVRATOVÝCH HODNOT PRO SRÁŽKOVÁ A TEPLOTNÍ DATA Katedra aplikované matematiky Fakulta přírodovědně-humanitní a pedagogická Technická univerzita v Liberci Novohradské statistické dny

2 ÚVOD Velká pozornost v analýze extrémních dat (např. záplavy) je věnována odhadům T -leté úrovně (návratová hodnota, T -letá voda). Představa: úroveň opakující se v průměru jednou za T let.

3 ÚVOD Velká pozornost v analýze extrémních dat (např. záplavy) je věnována odhadům T -leté úrovně (návratová hodnota, T -letá voda). Představa: úroveň opakující se v průměru jednou za T let. Z pohledu statistiky: vysoký kvantil rozdělení náhodné veličiny (průtoku). ( u(t )=F ) T P (X >u(t )) = 1 F (u(t )) = 1 T

4 PŘÍKLAD Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení metoda max. věrohodnosti Maximální dosažená hodnota za sledované období 36.2.

5 ZÁKLADNÍ PRINCIPY Necht X 1,X 2,...jsou nezávislé stejně rozdělené náhodné veličiny s distribuční funkcí F. Necht M n =max(x 1,...,X n ). Předpokládejme, že existuje posloupnost reálných čísel a n > 0 a b n tak, že posloupnost (M n b n )/a n konverguje v distribuci, t.j. P ((M n b n )/a n x) =F n (a n x + b n ) G(x), n, pro nějakou nedegenerovanou d.f. G(x) Jestliže podmínka platí, říkáme, že F je ve sféře přitažlivosti G (maximum domain of attraction), F MDA(G).

6 ZÁKLADNÍ PRINCIPY FISHEROVA-TIPPETTOVA VĚTA (1928) Jestliže F MDA(G) potom { G je typu jedné z následujících tří d.f. 0, x 0 Fréchet Φ 1/γ (x) = exp ( x 1/γ), x > 0 γ>0 { { } exp ( x) 1/γ, x 0 Weibull Ψ 1/γ (x) = 1 x>0 γ>0 Gumbel Λ(x) =exp( e x ), x R.

7 ZÁKLADNÍ PRINCIPY FISHEROVA-TIPPETTOVA VĚTA (1928) Jestliže F MDA(G) potom { G je typu jedné z následujících tří d.f. 0, x 0 Fréchet Φ 1/γ (x) = exp ( x 1/γ), x > 0 γ>0 { { } exp ( x) 1/γ, x 0 Weibull Ψ 1/γ (x) = 1 x>0 γ>0 Gumbel Λ(x) =exp( e x ), x R. GNĚDĚNKO (1943) Limitní rozdělení je zobecněné rozdělení extrémních hodnot. { ( ) exp (1 + γx) 1/γ γ 0 G(x) =G γ (x) = exp( e x ) γ =0, kde 1+γx > 0 G je určena jednoznačně až na parametr polohy a měřítka.

8 METHOD OF BLOCK MAXIMA Předpokládáme, že data rozdělíme do bloků obsahující n (velké) hodnot, bereme maximum v každém bloku a využijeme limitní výsledek, t.j. GEV rozdělení. Užití limitního rozdělení: ( Mn b n P a n ) x G γ (x). y = a n x + b n P (M n y) G γ ( y bn a n ) = G γ,bn,a n (y). Parametry odhadneme, např. metodou maximální věrohodnosti

9 METHOD OF BLOCK MAXIMA pro γ =0 L(b, a, γ) = m log a (1 + 1/γ) L(b, a) = m log a i=1 Neexistuje analytické řešení. m i=1 m i=1 [ 1+γ m ( ) zi b a ( log 1+γ ( zi b a ( )) zi b a )] 1/γ m {( zi b exp a i=1 )}.

10 L-MOMENTOVÁ METODA Necht X 1,X 2,...X n je náhodný výběr s distribuční funkcí F (x) a kvantilovou funkcí Q(u) a necht X 1:n X 2:n X n:n jsou pořádkové statistiky. L-momenty: EX j:r = λ r = 1 r 1 ( ) r 1 ( 1) k EX r k:r, r =1, 2,... r k k=0 r! (j 1)!(r j)! λ 1 = EX = x (F (x)) j 1 (1 F (x)) r j df (x) 1 λ 2 = 1 2 E(X 2:2 X 1:2 )= λ 3 = 1 3 E(X 3:3 2X 2:3 + X 1:3 )= 0 1 Q(u)du Q(u)(2u 1)du Q(u)(6u 2 6u +1)du

11 L-MOMENTOVÁ METODA Příklady L-momentů některých rozdělení: Rovnoměrné na (a, b) λ 1 = 1 2 (a + b),λ 2 = 1 6 (b a),τ 3 =0,τ 4 =0 Normální N (µ, σ 2 ) λ 1 = µ, λ 2 = σ π,τ 3 =0,τ 4 = Gumbelovo rozdělení F (x) =exp[ exp( (x ξ)/α)] λ 1 = ξ + αγ, λ 2 = α log 2,τ 3 =0.1699, τ 4 =0.1504,γ = konst. Zobecněné rozdělení F (x) =exp[ (1 k(x ξ)/α) 1 k ] extrémních hodnot λ 1 = ξ + α(1 Γ(1 + k))/k, (GEV) λ 2 = α(1 2 k )Γ(1 + k)/k, τ 3 =2(1 3 k )/(1 2 k ) 3,τ 4 =... k> 1, Γ(.) označuje gamma funkci

12 L-MOMENTOVÁ METODA Odhady: Výběrový L moment: r =1, 2,...,n. Speciálně: ( ) 1 n l r =... r 1 ( ) r 1 r 1 ( 1) k r k 1 i 1<i 2<...<i r n k=0 l 1 = 1 n X ir k :n, n X i, l 2 = 1 ( ) 1 n (Xi:n X j:n ) 2 2 i=1 i>j l 3 = 1 ( ) 1 n (Xi:n 2X j:n + X k:n ) 3 3 i>j>k l 4 = 1 ( ) 1 n (Xi:n 3X j:n +3X k:n X l:n ) 4 4 i>j>k>l

13 L-MOMENTOVÁ METODA Odhady paramterů L-momentová metoda Rovnoměrné na (a, b) â = l 1 3l 2, â = l 1 +3l 2 Normální N (µ, σ 2 ) ˆµ = l 1, =ˆσ = π 1/2 l 2 Gumbelovo rozdělení F (x) =exp[ exp( (x ξ)/α)] ˆξ = l 1 ˆαγ, ˆα = l 2 / log 2 γ = konst. Zobecněné rozdělení F (x) =exp[ (1 k(x ξ)/α) 1 k ] extrémních hodnot z =2/(3 + t 3 ) log 2/ log 3, (GEV) ˆk =7.8590z z 2, ˆα = l 2ˆk/[(1 2 ˆk)Γ(1 + ˆk)], ˆξ = l 1 +ˆα[Γ(1 + ˆk) 1]/ˆk

14 L-MOMENTOVÁ METODA Výhody: Pro malé a střední rozsahy výběrů odhady mohou mít lepší vlastnosti než metoda maximální věrohodnosti např. simulační studie (Hosking, Wallis, Wood) ukazuje, že pro všechna k GEV z intervalu (-0.5,0.5) a rozsah výběru do 100 mají odhady menší či srovnatelnou střední kvadratickou chybu ve srovnání s odhady maximální věrohodností Výpočetně jednoduchá, metoda maximální věrohodnosti pro některá rozdělení obtížně aplikovatelná Ve srovnání s konvenční metodou momentů méně citlivá na odlehlá pozorování (u vyšších momentů), Neexistence vyšších konvenčních momentů, L-momenty ano. např. GEV pro k< 1/3 neexistují třetí a čtvrté momenty

15 PŘÍKLAD Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení metoda max. věrohodnosti L-momentová metoda Maximální dosažená hodnota za sledované období 36.2.

16 PŘÍKLAD Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení metoda max. věrohodnosti L-momentová metoda Gumbelovo rozdělení metoda max. věrohodnosti L-momentová metoda Maximální dosažená hodnota za sledované období 36.2.

17 PŘÍKLAD Maximální třídenní úhrny srážek v letech ve Valašském Mezi říčí

18 SRÁŽKY -LIBERECKO Stanice srpen 2010 roky (bez) roky (s) Hejnice ( ) ( ) Mníšek ( ) ( ) Chrastava ( x10 6 ) ( ) Mařenice ( x10 6 ) ( ) Bedřichov ( ) ( ) Liberec ( ) ( )

19 SRÁŽKY -LIBERECKO

20 POT METODA Necht X 1,X 2,...jsou nezávislé stejně rozdělené náhodné veličiny s ditr. funkcí F. Je "rozumné" zahrnovat všechny hodnoty překračující daný vysoký práh (threshold) u. Chování extrémních událostí je dáno podmíněnou pravděpodobností P (X i >y X i >u) a P (X i <y X i >u) H(y), u u end, zobecněné Paretovo rozdělení H(x) = 1 ( 1+γ ( x µ σ )) 1/γ γ 0 x µ 1 e ( σ ) γ =0, kde 1+γ ( ) x µ σ > 0. Uvažujeme hodnoty větší než dostatečně vysoký práh (threshold) a předpokládáme, že asymptotický výsledek je přibližně pravdivý, tj. užijeme zobecněné Paretovo rozdělení jako vhodný model. Metoda je známa jako peaks-over-threshold (POT).

21 POT Příklad: Roční maxima teploty vzduchu za období Stanice Liberec Návratová hodnota (roky) GEV rozdělení L-momentová metoda POT treshold treshold Maximální dosažená hodnota za sledované období 36.2.

22 TREND V DATECH When a significant trend is present in the data, no fixed threshold in the POT models is suitable over longer periods of time: there are either too few (or no) exceedances over the threshold in an earlier part of records or too many exceedances towards the end of the examined period.

23 TREND V DATECH Studovány maximální denní teploty v Evropě v letech za účelem odhadnout vysoké kvantily vysokých teplot. Použity výstupy ze dvou GCMs ( Global Climate Models CM2.0 and CM2.1.) - denní simulovaná data pokrývající období CM2.0 a CM2.1 jsou modely NOAA Geophysical Fluid Dynamics Laboratory. Mají horizontální rozlišení (délka x šířka) a 24 vertikálních úrovní. Předpokládají vzrůst koncentrace skleníkových plynů - uvažuje se několik (7) scénářů. Pro každý uzlový bod a každý scénář za období byl threshold odhadnut jako 95% regresní kvantil. Soustředili jsme se 20-ti letou teplotu (20-yr return values), tj. na 95% kvantil (1-1/20) a srovnávali s "klasickými" POT modely uvažující 30leté periody a (jako threshold brán obvyklý 95% kvantil z dat daného období)

24 TREND V DATECH Mean annual number of exceedances above the threshold (averaged over gridpoints) for the 95% regression quantile and the 95% quantile.

25 TREND V DATECH Differences between 20-yr return values of TMAX estimated using non-stationary POT model for year 2050 and stationary POT model over Large (small) crosses mark gridpoints in which the estimated 90% (80%) CIs do not overlap.

26 TREND V DATECH Differences between 20-yr return values of TMAX estimated using non-stationary POT model for year 2100 and stationary POT model over Large (small) crosses mark gridpoints in which the estimated 90% (80%) CIs do not overlap.

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická

Více

BAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni

BAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X

Více

Normální (Gaussovo) rozdělení

Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký

Více

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 11. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. 11 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

Kvantifikace operačního rizika v rámci Přistupu distribuce ztrát

Kvantifikace operačního rizika v rámci Přistupu distribuce ztrát Kvantifikace operačního rizika v rámci Přistupu distribuce ztrát Jiří Havlický 1 Abstrakt Článek je zaměřen na stanovení a zhodnocení citlivosti výše očekávané a neočekávané ztráty plynoucí z podstupovaného

Více

Pravděpodobnost, náhoda, kostky

Pravděpodobnost, náhoda, kostky Pravděpodobnost, náhoda, kostky Radek Pelánek IV122, jaro 2015 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností krátké

Více

ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ

ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LII 6 Číslo 3, 2004 Gasser-Müllerův odhad J. Poměnková Došlo: 8.

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)

ina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou) Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.

Více

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

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

Více

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.

Střední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D. Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která

Více

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291 Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených

Více

MODELOVÁNÍ KATASTROFICKÝCH ŠKOD

MODELOVÁNÍ KATASTROFICKÝCH ŠKOD MODELOVÁNÍ KATASTROFICKÝCH ŠKOD MODELLING OF CATASTROPHIC LOSSES Viera Pacáková, Lukáš Kubec Abstract: Catastrophe modelling is a risk management tool that uses computer technology to help insurers, reinsurers

Více

z dat nasbíraných v letech 1959 1994. Ke zpracování dat byl použit statistický software R. Základní model poptávkové funkce, ze kterého vycházíme,

z dat nasbíraných v letech 1959 1994. Ke zpracování dat byl použit statistický software R. Základní model poptávkové funkce, ze kterého vycházíme, Úloha 1: V naší studii se zabýváme poptávkovou funkcí životního pojištění, vycházíme z dat nasbíraných v letech 1959 1994. Ke zpracování dat byl použit statistický software R. Základní model poptávkové

Více

Pomůcka pro cvičení: 3. semestr Bc studia

Pomůcka pro cvičení: 3. semestr Bc studia Pomůcka pro cvičení: 3. semestr Bc studia Statistika Základní pojmy balíček: Statistics Pro veškeré výpočty je třeba načíst balíček Statistic. Při řešení můžeme použít proceduru infolevel[statistics]:=1,

Více

UČENÍ BEZ UČITELE. Václav Hlaváč

UČENÍ BEZ UČITELE. Václav Hlaváč UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení

Více

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ

HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI. Josef Křepela, Jiří Michálek. OSSM při ČSJ HODNOCENÍ VÝKONNOSTI ATRIBUTIVNÍCH ZNAKŮ JAKOSTI Josef Křepela, Jiří Michálek OSSM při ČSJ Červen 009 Hodnocení způsobilosti atributivních znaků jakosti (počet neshodných jednotek) Nechť p je pravděpodobnost

Více

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1. 2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:

Více

TEPELNÁ ZÁTĚŽ, TEPLOTNÍ REKORDY A SDĚLOVACÍ PROSTŘEDKY

TEPELNÁ ZÁTĚŽ, TEPLOTNÍ REKORDY A SDĚLOVACÍ PROSTŘEDKY Rožnovský, J., Litschmann, T. (ed.): XIV. Česko-slovenská bioklimatologická konference, Lednice na Moravě 2.-4. září 2002, ISBN 80-85813-99-8, s. 242-253 TEPELNÁ ZÁTĚŽ, TEPLOTNÍ REKORDY A SDĚLOVACÍ PROSTŘEDKY

Více

Nekonečné číselné řady. January 21, 2015

Nekonečné číselné řady. January 21, 2015 Nekonečné číselné řady January 2, 205 IMA 205 Příklad 0 = 0 + 0 +... + 0 +... =? n= IMA 205 Příklad n= n 2 + n = 2 + 6 + 2 +... + n 2 +... =? + n s = 2 s 2 = 2 3... s 3 = 3 4 IMA 205 Příklad (pokr.) =

Více

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2 Na úloze ukážeme postup analýzy velkého výběru s odlehlými prvky pro určení typu rozdělení koncentrace kyseliny močové u 50 dárců krve. Jaká je míra polohy a rozptýlení uvedeného výběru? Z grafických diagnostik

Více

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D. Testování statistických hypotéz Ing. Michal Dorda, Ph.D. Testování normality Př. : Při simulaci provozu na křižovatce byla získána data o mezerách mezi přijíždějícími vozidly v [s]. Otestujte na hladině

Více

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího

Více

4EK211 Základy ekonometrie

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

Více

TESTY A ODHADY PARETOVA INDEXU

TESTY A ODHADY PARETOVA INDEXU ROBUST 2004 c JČMF 2004 TESTY A ODHADY PARETOVA INDEXU Jan Pice Klíčová slova: Paretův index, rozdělení extrémních hodnot, sféra přitažlivosti, Hillův odhad. Abstrat:Nechť X 1, X 2,...jsounezávisléstejněrozdělenénáhodnéveličiny

Více

Bodové a intervalové odhady parametrů v regresním modelu

Bodové a intervalové odhady parametrů v regresním modelu Bodové a intervalové odhady parametrů v regresním modelu 1 Odhady parametrů 11 Bodové odhady Mějme lineární regresní model (LRM) kde Y = y 1 y 2 y n, e = e 1 e 2 e n Y = Xβ + e, x 11 x 1k, X =, β = x n1

Více

Derivace a průběh funkce.

Derivace a průběh funkce. Derivace a průběh funkce. Robert Mařík 14. října 2008 Obsah 1 Základní myšlenky. 2 2 Přesné věty a definice 10 3 Okolí nevlastních bodů. 16 4 Sestrojení grafu funkce. 19 1 Základní myšlenky. y x Uvažujme

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

VaV/650/6/03 DÚ 06 Statistická analýza řad maximálních průtoků DÚ 06 Statistical analysis of series of peak discharges

VaV/650/6/03 DÚ 06 Statistická analýza řad maximálních průtoků DÚ 06 Statistical analysis of series of peak discharges Vliv, analýza a možnosti využití ochranné funkce údolních nádrží pro ochranu před povodněmi v povodí Labe The influence, analysis and possibilities of utilization of the dam protective function for flood

Více

6.1 Normální (Gaussovo) rozdělení

6.1 Normální (Gaussovo) rozdělení 6 Spojitá rozdělení 6.1 Normální (Gaussovo) rozdělení Ze spojitých rozdělení se v praxi setkáme nejčastěji s normálním rozdělením. Toto rozdělení je typické pro mnoho náhodných veličin z rozmanitých oborů

Více

Regresní a korelační analýza

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)

Více

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D

Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Milan Holický Kloknerův ústav ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady -

Více

Využití a zneužití statistických metod v medicíně

Využití a zneužití statistických metod v medicíně Využití a zneužití statistických metod v medicíně Martin Hynek Gennet, Centre for Fetal Medicine, Prague EuroMISE Centre, First Faculty of Medicine of Charles University in Prague Statistika Existují tři

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

Více

Úvodem Dříve les než stromy 3 Operace s maticemi

Úvodem Dříve les než stromy 3 Operace s maticemi Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Více

Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích

Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Simulace systému hromadné obsluhy Nejčastější chyby v semestrálních pracích Nedostatešný popis systému a jeho modelu vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělit fyzickou nebo

Více

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená.

naopak více variant odpovědí, bude otázka hodnocena jako nesprávně zodpovězená. Datum:... Jméno:... Přijímací řízení pro akademický rok 28/9 na magisterské studijní obor Finanční informatiky a statistika Písemná část přijímací zkoušky z matematiky Za každou správnou odpověd se získávají

Více

Praktická statistika. Petr Ponížil Eva Kutálková

Praktická statistika. Petr Ponížil Eva Kutálková Praktická statistika Petr Ponížil Eva Kutálková Zápis výsledků měření Předpokládejme, že známe hodnotu napětí U = 238,9 V i její chybu 3,3 V. Hodnotu veličiny zapíšeme na tolik míst, aby až poslední bylo

Více

REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD

REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD Politická ekonomie 45: (2), str. 281-289, VŠE Praha, 1997. ISSN 0032-3233. (Rukopis) REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD Josef ARLT, Vysoká škola ekonomická, Praha 1. Úvod Pro modelování

Více

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68

marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Statistika B (151-0303) Marek Pomp ZS 2014 marek.pomp@vsb.cz http://homel.vsb.cz/~pom68 Cvičení: Pavlína Kuráňová & Marek Pomp Podmínky pro úspěšné ukončení zápočet 45 bodů, min. 23 bodů, dvě zápočtové

Více

BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace

BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír

Více

19 Hilbertovy prostory

19 Hilbertovy prostory M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem

Více

5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE

5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 1 STRUKTURA PŘEDNÁŠKY - DNES - Formulace a strukturace problému za pomoci teorie; data; ekonometrický model; identifikační

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

Vybrané poznámky k řízení rizik v bankách

Vybrané poznámky k řízení rizik v bankách Vybrané poznámky k řízení rizik v bankách Seminář z aktuárských věd Petr Myška 7.11.2008 Obsah přednášky Oceňování nestandartních instrumentů finančních trhů Aplikace analytických vzorců Simulační techniky

Více

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT STATISTICKÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Seminární práce 1 Brno, 2002 Ing. Pavel

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel: NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 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

Více

Statistické metody v ekonomii. Ing. Michael Rost, Ph.D.

Statistické metody v ekonomii. Ing. Michael Rost, Ph.D. Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Test χ 2 v kontingenční tabulce typu 2 2 Jde vlastně o speciální případ χ 2 testu pro čtyřpolní tabulku.

Více

Cvičení z optimalizace Markowitzův model

Cvičení z optimalizace Markowitzův model Cvičení z optimalizace Markowitzův model Vojtěch Franc, 29 1 Úvod V tomto cvičení se budeme zabývat aplikací kvadratického programování v ekonomii a sice v úloze, jejímž cílem bude optimalizovat portfolio

Více

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) = Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

Více

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina

Testování hypotéz. Analýza dat z dotazníkových šetření. Kuranova Pavlina Testování hypotéz Analýza dat z dotazníkových šetření Kuranova Pavlina Statistická hypotéza Možné cíle výzkumu Srovnání účinnosti různých metod Srovnání výsledků různých skupin Tzn. prokázání rozdílů mezi

Více

Univerzita Pardubice Fakulta ekonomicko-správní. Možnosti modelování extrémních škod. Bc. Kateřina Štefaňaková

Univerzita Pardubice Fakulta ekonomicko-správní. Možnosti modelování extrémních škod. Bc. Kateřina Štefaňaková Univerzita Pardubice Fakulta ekonomicko-správní Možnosti modelování extrémních škod Bc. Kateřina Štefaňaková Diplomová práce 2011 PROHLÁŠENÍ Prohlašuji: Tuto práci jsem vypracovala samostatně. Veškeré

Více

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Cvičení 3 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

6 Vícerovnicové ekonometrické soustavy 1

6 Vícerovnicové ekonometrické soustavy 1 6 Vícerovnicové ekonometrické soustavy Obsah 6 Vícerovnicové ekonometrické soustavy 1 6.1 SUR - Seemingly unrelated regression (zdánlivě nepropojené regrese).......... 3 6.2 Panelová data.........................................

Více

Zpracování a vyhodnocování analytických dat

Zpracování a vyhodnocování analytických dat Zpracování a vyhodnocování analytických dat naměřená data Zpracování a statistická analýza dat analytické výsledky Naměř ěřená data jedna hodnota 5,00 mg (bod 1D) navážka, odměřený objem řada dat 15,8;

Více

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza

5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně

Více

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení

Přednáška 9. Testy dobré shody. Grafická analýza pro ověření shody empirického a teoretického rozdělení Přednáška 9 Testy dobré shody Grafická analýza pro ověření shody empirického a teoretického rozdělení χ 2 test dobré shody ověření, zda jsou relativní četnosti jednotlivých variant rovny číslům π 01 ;

Více

Seminář z IVT Algoritmizace. Slovanské gymnázium Olomouc Tomáš Kühr

Seminář z IVT Algoritmizace. Slovanské gymnázium Olomouc Tomáš Kühr Seminář z IVT Algoritmizace Slovanské gymnázium Olomouc Tomáš Kühr Algoritmizace - o čem to je? Zatím jsme se zabývali především tím, jak určitý postup zapsat v konkrétním programovacím jazyce (např. C#)

Více

GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV

GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV Mgr. Jitka Nováková SPŠ strojní a stavební Tábor Abstrakt: Grafické řešení rovnic a jejich soustav je účinná metoda, jak vysvětlit, kolik různých řešení může daný

Více

PSY117/454 Statistická analýza dat v psychologii Přednáška 10

PSY117/454 Statistická analýza dat v psychologii Přednáška 10 PSY117/454 Statistická analýza dat v psychologii Přednáška 10 TESTY PRO NOMINÁLNÍ A ORDINÁLNÍ PROMĚNNÉ NEPARAMETRICKÉ METODY... a to mělo, jak sám vidíte, nedozírné následky. Smrť Analýza četností hodnot

Více

Detektor anomálií DNS provozu

Detektor anomálií DNS provozu Detektor anomálií DNS provozu Statistická metoda Karel Slaný karel.slany@nic.cz 30.11.2013 Obsah Stručný popis funkce Ukázky nalezených anomálií Metoda založena na G. Dewaele, K. Fukuda, P. Borgnat, P.

Více

Manažerská ekonomika KM IT

Manažerská ekonomika KM IT KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout

Více

Historie matematiky a informatiky Cvičení 2

Historie matematiky a informatiky Cvičení 2 Historie matematiky a informatiky Cvičení 2 Doc. RNDr. Alena Šolcová, Ph. D., KAM, FIT ČVUT v Praze 2014 Evropský sociální fond Investujeme do vaší budoucnosti Alena Šolcová Číselně teoretické funkce (Number-Theoretic

Více

Statistika. Program R. popisná (deskriptivní) statistika popis konkrétních dat. induktivní (konfirmatorní) statistika. popisná statistika

Statistika. Program R. popisná (deskriptivní) statistika popis konkrétních dat. induktivní (konfirmatorní) statistika. popisná statistika Statistika Cvičení z matematické statistiky na PřF Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky Matematicko-fyzikální fakulta Univerzity Karlovy léto 2012 Základní dělení popisná (deskriptivní)

Více

y n+1 = g(x n, y n ),

y n+1 = g(x n, y n ), Diskrétní dynamické systémy 1. Úvod V následujícím textu budeme studovat chování systému diferenčních rovnic ve tvaru x n+1 = f(x n, y n ), y n+1 = g(x n, y n ), kde f a g jsou dané funkce. Tyto rovnice

Více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více

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

Více

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN? NÁHODNÉ VELIČINY GENEROVÁNÍ SPOJITÝCH A DISKRÉTNÍCH NÁHODNÝCH VELIČIN, VYUŽITÍ NÁHODNÝCH VELIČIN V SIMULACI, METODY TRANSFORMACE NÁHODNÝCH ČÍSEL NA HODNOTY NÁHODNÝCH VELIČIN. JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU

Více

Příloha P.1 Mapa větrných oblastí

Příloha P.1 Mapa větrných oblastí Příloha P.1 Mapa větrných oblastí P.1.1 Úvod Podle metodiky Eurokódů se velikost zatížení větrem odvozuje z výchozí hodnoty základní rychlosti větru, definované jako střední rychlost větru v intervalu

Více

Analýza akciových indexů USA a Velké Británie, zkoumání možnosti predikce pomocí vývoje HDP. Josef Rajdl josef_rajdl@canada.com

Analýza akciových indexů USA a Velké Británie, zkoumání možnosti predikce pomocí vývoje HDP. Josef Rajdl josef_rajdl@canada.com Analýza akciových indexů USA a Velké Británie, zkoumání možnosti predikce pomocí vývoje HDP Josef Rajdl josef_rajdl@canada.com Obsah: Úvod...1 Dílčí analýza časových řad...2 Analýza závislosti...6 Dodatek:

Více

Simulace. Simulace dat. Parametry

Simulace. Simulace dat. Parametry Simulace Simulace dat Menu: QCExpert Simulace Simulace dat Tento modul je určen pro generování pseudonáhodných dat s danými statistickými vlastnostmi. Nabízí čtyři typy rozdělení: normální, logaritmicko-normální,

Více

Statistické metody uţívané při ověřování platnosti hypotéz

Statistické metody uţívané při ověřování platnosti hypotéz Statistické metody uţívané při ověřování platnosti hypotéz Hypotéza Domněnka, předpoklad Nejčastěji o rozdělení, středních hodnotách, závislostech, Hypotézy ve vědeckém výzkumu pracovní, věcné hypotézy

Více

diskriminaci žen letní semestr 2012 1 = výrok, o jehož pravdivosti chceme rozhodnout tvrzení o populaci, o jehož platnosti rozhodujeme

diskriminaci žen letní semestr 2012 1 = výrok, o jehož pravdivosti chceme rozhodnout tvrzení o populaci, o jehož platnosti rozhodujeme motivační příklad Párový Párový Příklad (Platová diskriminace) firma provedla šetření s cílem zjistit, zda dochází k platové diskriminaci žen Šárka Hudecová Katedra pravděpodobnosti a matematické statistiky

Více

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.

Více

UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE

UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA. KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE UNIVERSITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY školní rok 2009/2010 BAKALÁŘSKÁ PRÁCE Testy dobré shody Vedoucí diplomové práce: RNDr. PhDr. Ivo

Více

Modul Základní statistika

Modul Základní statistika Modul Základní statistika Menu: QCExpert Základní statistika Základní statistika slouží k předběžné analýze a diagnostice dat, testování předpokladů (vlastností dat), jejichž splnění je nutné pro použití

Více

Modelování výnosové křivky a modelování úrokových nákladů státního dluhu Kamil Kladívko Odbor řízení státního dluhu a finančního majetku Úrokové náklady portfolia státního dluhu 2 Úrokové náklady státního

Více

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7 Příklad 1 a) Autobusy městské hromadné dopravy odjíždějí ze zastávky v pravidelných intervalech 5 minut. Cestující může přijít na zastávku v libovolném okamžiku. Určete střední hodnotu a směrodatnou odchylku

Více

Biostatistika Cvičení 7

Biostatistika Cvičení 7 TEST Z TEORIE 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový průměr je a) náhodná veličina, b) konstanta,

Více

ň Ý Á Ú ú ň Ó š š š ú ó ú ů ů ů š ů ů ů š ů ů ú ů ů ů ú ů ů ů ů ů ů ó ú ú ó ů ů ň ů ň ů ů ú ú ú ó š ó ú ú ó š ú š š š ú ú ů ň ú ů ú ú ú ů ú ú ň ů ú š ň ú š š š š ú ň ů ň ú š ů ů ň ů ů ů ů ú ů ú ú ň ú ú

Více

Využití korelace v rezervování povinného ručení

Využití korelace v rezervování povinného ručení INSURANCE Využití korelace v rezervování povinného ručení Ondřej Bušta, Actuarial services 7. prosince 2007 ADVISORY 1 Agenda Nástin problému Majetkové škody Zdravotní škody Korelační analýza a riziko

Více

Přijímací zkouška - matematika

Přijímací zkouška - matematika Přijímací zkouška - matematika Jméno a příjmení pište do okénka Číslo přihlášky Číslo zadání 1 Grafy 1 Pro který z následujících problémů není znám žádný algoritmus s polynomiální časovou složitostí? Problém,

Více

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics

Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Rainer Scharf, Félix M. Izrailev, 1990 rešerše: Pavla Cimrová, 28. 2. 2012 1 Náhodné matice Náhodné matice v současnosti nacházejí

Více

MATEMATIKA PRO PŘÍRODNÍ VĚDY LINEÁRNÍ ALGEBRA, DIFERENCIÁLNÍ POČET MPV, LADP TUL, ZS 2009/10

MATEMATIKA PRO PŘÍRODNÍ VĚDY LINEÁRNÍ ALGEBRA, DIFERENCIÁLNÍ POČET MPV, LADP TUL, ZS 2009/10 1 MATEMATIKA PRO PŘÍRODNÍ VĚDY LINEÁRNÍ ALGEBRA, DIFERENCIÁLNÍ POČET 2 koncepce/slides: Jan Picek přednášející: Jiří Veselý KAP, tel. 485352290, budova H konzul. hodiny: dle úmluvy e-mail: jvesely@karlin.mff.cuni.cz

Více

Téma 2: Časová hodnota peněz a riziko. 2. Riziko ve finančním rozhodování. 1. Časová hodnota peněz ve finančním rozhodování podniku

Téma 2: Časová hodnota peněz a riziko. 2. Riziko ve finančním rozhodování. 1. Časová hodnota peněz ve finančním rozhodování podniku Téma 2: Časová hodnota peněz a riziko ve finančním rozhodování 1. Časová hodnota peněz ve finančním rozhodování podniku 2. Riziko ve finančním rozhodování - rizika systematická a nesystematická - podnikatelské

Více

Poznámky k ekonomickému ukazateli IRR. výnos do splatnosti...

Poznámky k ekonomickému ukazateli IRR. výnos do splatnosti... Poznámky k ekonomickému ukazateli IRR (Remarks on the economic criterion the Internal Rate of Return ) Carmen Simerská IRR... vnitřní míra výnosnosti, vnitřní výnosové procento, výnos do splatnosti...

Více

. Filozofické problémy přírodních věd Teorie a zákon. Lukáš Richterek. lukas.richterek@upol.cz. Podklad k předmětu KEF/FPPV

. Filozofické problémy přírodních věd Teorie a zákon. Lukáš Richterek. lukas.richterek@upol.cz. Podklad k předmětu KEF/FPPV Filozofické problémy přírodních věd Teorie a zákon Lukáš Richterek Katedra experimentální fyziky PF UP, 17 listopadu 1192/12, 771 46 Olomouc lukasrichterek@upolcz Podklad k předmětu KEF/FPPV 2 / 10 Logické

Více

Navrhování experimentů a jejich analýza. Eva Jarošová

Navrhování experimentů a jejich analýza. Eva Jarošová Navrhování experimentů a jejich analýza Eva Jarošová Obsah Základní techniky Vyhodnocení výsledků Experimenty s jedním zkoumaným faktorem Faktoriální experimenty úplné 2 N dílčí 2 N-p Experimenty pro studium

Více

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI Aleš Linka 1, Petr Volf 2 1 Katedra textilních materiálů, FT TUL, 2 Katedra aplikované matematiky, FP TUL ABSTRAKT. Internetové

Více

Propenzitní modelování. Veronika Počerová 10. 4. 2015

Propenzitní modelování. Veronika Počerová 10. 4. 2015 Propenzitní modelování Veronika Počerová 10. 4. 2015 motivace 2 definice Prediktivní analytika je disciplína, která využívá metod Data Miningu k tomu, aby na základě historického chování sledovaného jevu

Více

Robust 2010 31. ledna 5. února 2010, Králíky

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

Více

Numerické řešení rovnice f(x) = 0

Numerické řešení rovnice f(x) = 0 Numerické řešení rovnice f(x) = 0 Přemysl Vihan 9.10.2003 Katedra fyziky, Pedagogická fakulta Univerzity J.E. Purkyně v Ústí n.l. 2. ročník, PMVT-mag. Abstrakt Seminární práce se zabývá numerickým řešením

Více

Statistické metody vyhodnocení vlivu škodlivin na denní úmrtnost, hospitalizaci a příznaky kardiovaskulárních a respiračních onemocnění

Statistické metody vyhodnocení vlivu škodlivin na denní úmrtnost, hospitalizaci a příznaky kardiovaskulárních a respiračních onemocnění Statistické metody vyhodnocení vlivu škodlivin na denní úmrtnost, hospitalizaci a příznaky kardiovaskulárních a respiračních onemocnění Jiří Skorkovský Úvod a cíle studie vlivu PM10 na denní

Více

Test dobré shody v KONTINGENČNÍCH TABULKÁCH

Test dobré shody v KONTINGENČNÍCH TABULKÁCH Test dobré shody v KONTINGENČNÍCH TABULKÁCH Opakování: Mějme náhodné veličiny X a Y uspořádané do kontingenční tabulky. Řekli jsme, že nulovou hypotézu H 0 : veličiny X, Y jsou nezávislé zamítneme, když

Více

1/30. Mgr. Jan Šváb Zobecněný lineární model a jeho použití v povinném ručení. 31.3.2006 Seminář z aktuárských věd. Slides by LATEX.

1/30. Mgr. Jan Šváb Zobecněný lineární model a jeho použití v povinném ručení. 31.3.2006 Seminář z aktuárských věd. Slides by LATEX. 1/30 31.3.2006 Seminář z aktuárských věd Slides by LATEX Mgr. Jan Šváb Zobecněný lineární model a jeho použití v povinném ručení 2/30 Obsah 1 Zobecněné lineární modely (GLZ 1 ) Obecný lineární model (GLM)

Více

4EK211 Základy ekonometrie

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

Více

Problematika neúspěšných ukončení vysokoškolského studia (drop-outs) v českém kontextu

Problematika neúspěšných ukončení vysokoškolského studia (drop-outs) v českém kontextu Problematika neúspěšných ukončení vysokoškolského studia (drop-outs) v českém kontextu Jan Hraba, Vladimír Hulík (MŠMT, oddělení analytické) Klára Hulíková Tesárková (PřF UK, katedra demografie a geodemografie)

Více

Informační technologie a statistika 1

Informační technologie a statistika 1 Informační technologie a statistika 1 přednášející: konzul. hodiny: e-mail: Martin Schindler KAP, tel. 48 535 2836, budova G po dohodě martin.schindler@tul.cz naposledy upraveno: 21. září 2015, 1/33 Požadavek

Více

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7

STATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru

Více