REGRESNÍ DIAGNOSTIKA V JAZYCE MATLAB. Jiří Militký a Milan Meloun 1 Technická universita v Liberci; 1 Universita Pardubice
|
|
- Kryštof Čermák
- před 7 lety
- Počet zobrazení:
Transkript
1 REGRESNÍ DAGNOSKA V JAZYCE MALAB Jří Mltký a Mla Mlou 1 chcká uvrsta v Lbrc; 1 Uvrsta Pardubc 1Úvod V prax s pomocí rgrsích modlů řší řada přírodovědých a tchckých úloh Mz základí patří: 1 Kostrukc kalbračích modlů, vorba tchckých modlů, 3 vorba mprckých modlů, V všch případch s hldá vhodá popsující vztah mz vsvětlovaou proměou a vsvětlujícím proměým x Podl tpu úloh s volí přístup k procsu tvorb rgrsího modlu f(x, b) j fukcí vktoru astavovaých (dtrmstckých, kotrolovatlých, vsvětlujících) proměých x a vktoru paramtrů b Vlastí rgrsí úloha s formuluj s ohldm a: 1 zadaá data, avržý modl, 3 krtérum rgrs Účlm j hldáí modlu f(x, b) s vužtím xprmtálích dat a s ohldm a zadaé krtérum rgrs Zatímco u lárích modlů mívají rgrsí paramtr fzkálí smsl a jsou pouhým umrckým kofct, mají paramtr v lárích modlch přsý fzkálí výzam Jjch číslé hodot jsou často hlavím cílm rgrsí aalýz Příkladm jsou matrálové charaktrstk (modul, rlaxačí čas) bo rchlostí kostat u ktckých modlů,, atd Př trprtac odhadů modlových paramtrů j třbua brát v úvahu, ž jd o áhodé vlč, ktré mají jom svůj rozptl, al bývají často slě kuorlovaé Často s možostí rgrsích modlů přcňují Modl bývají používá mmo rozsah své platost a přdpokládá s, ž mohou ahrazovat chubějící formac Podrobost o zd uvdých tématch lz (až a výjmk) ualézt v kz [1] Př tvorbě mprckých modlů v matrálovém výzkumu s hldají vztah mz vlastostm a složím matrálů Přdstavou j, ž vlastost matrálu P s dá vjádřt fukcí P f (s1 sm), kd s jsou obsah jdotlvých prvků, rsp slouč v matrálu Výzam těchto modlů tkví zjméa v přdstavě, ž umoží přdvídat vlastost a optmalzovat složí Vžaduj s td progostcká schopost modlu souvsjící s možostí rozšíří mmo oblast sldovaého složí Vzhldm k tomu, ž xstuj fzkálí tor, ktrá b bla východskm pro alzí tpu modlové fukc f(s 1 s m ) s vužívá aparátu rgrs Vchází s z lárího rgrsího modlu, ktrý s dál rozšřuj a upravuj tak, ab měl postačující prdkčí schopost Vzhldm k tomu, ž j sahou posthout jvýzamější složk s j ovlvňující vlastost P j třba řšt zjméa tto úloh: - staoví vazb mz proměým s 1 m) za účlm odstraěí multkolart a paraztích proměých - alzí vazb mz vsvětlovaou proměou P a vsvětlujícím proměým s za účlm zpřsěí modlu (1), rsp jho rozšíří o trakuc a lart
2 - posouzí kvalt dat s ohldm a omzý rozsah (obsah prvků j omz jak shora, tak z zdola), přítomost vlvých bodů (vbočující bod, xtrém) a případě ormálí rozdělí V tomto příspěvku j popsá program REGDA umožňující kromě odhadu paramtrů a statstcké aalýz posoudt kvaltu dat, ktrá j pro kostrukc kvaltího modlu jdou z rozhodujících součástí Jsou ukázá výhod jazka MALAB (přdvším vktorzac) př kostrukc růzých měr vlvu vbočujících bodů a jjch sukup to program počítá základí charaktrstk rgrs a dagostk založé a vpouštěí jdotlvých bodů J použt také spcálí graf pro posouzí obcého vlvu jdotlvých bodů a výsldk rgrs Pro řší odhadu paramtrů s užívá trí zabudovaé fukc Základ rgrs Rgrsí aalýza umožňuj alzí závslost výstupí vlč (odzv) a astavovaé kombac hodot m-tc vstupích proměých x (x 1, x x m ) Vchází s z aměřých hodot př růzých kombacích astavovaých proměých x 1, x, x m Jd vlastě o -tc bodů {, x j }, j 1,, m, 1,,, vjádřých v zkrácém matcovém zápsu {, X} Vktor má rozměr ( 1) a matc X ( m) Cílm statstcké aalýz j objasěí varablt měřé, výstupí závsl proměé (vsvětlovaé) vlč s vužtím rgrsí fukc f(x, β) obsahující astavovaé, vstupí, závsl proměé (vsvětlující) vlč x Běžě s přdpokládá, ž vlča j áhodá a vlč x jsou áhodé a lbovolě astavovatlé to přdpoklad j možé akcptovat pro hutcká data pouz s tím, rozdílm, ž obsah jdotlvých složk v matrálu í lbovolě astavtlý J ovlvtlý xprmtátorm a jho vlkost j omza o můž čt problém zjméa př posuzováí výzamost přs korlačí kofct, kd omzí v datch působí výrazě a jho vlkost Dalším přdpokladm j adtví modl měří, kds s áhodé vlč ε adují a rgrsí modl Omzm s a lárí rgrsí modl, kd j rgrsí modl lárí v paramtrch a občjě j přímo lárí kombací vsvětlujících proměých Podmíěá střdí hodota proměé pro daé x (rgrs) j pak v tvaru E(/ x ) m β j 1 x j (1) J patré, ž tomuto modlu vhovuj také rov (1) výchozí pro hldáí vztahu mz složím a vlastostm matrálů Odhad b paramtrů β j pak možé určt mtodou jmších čtvrců, ktrá bývá v prax jpoužívaější Ukažm s guomtrcký výzam této mtod V případě platost adtvího modlu měří pro lárí rgrsí modl j možé zapsat výsldk xprmtů jdoduš s pomocí lárí kombuac sloupcových vktorů 1 x11 x 1 x1 m β 1 x x 1 x m β m x1 x β x m + ε1 ε ε (x1) (xm) (mx1) (x1) (3)
3 Sloupc x j matc X dfují z gomtrckého hldska m-rozměrý souřadcový sstém rsp adrovu L v -rozměrém ukldovském prostoru E Vktor obcě lží v adrově L, (vz obr 1 pro případ dvou závsl proměých m ) V adrově L však lží všch lárí kombac sloupců matc X tj vktor X β Paramtr β lz td chápat jako kofct úměrost u jdotlvých složk x j souřadcového sstému (vsvětlujících proměých) jjchž lárí kombac tvoří rgrsí modl Bz ohldu a užté krtérum rgrs bud td u lárích rgrsích modlů lžt modlová fukc X b stjě jako tortcký modl X β v m-rozměré adrově L Mtoda jmších čtvrců (MNČ) hldá odhad paramtrů b tak, ab bla mmalzováa vzdálost mz vktorm a adrovou L o j kvvaltí požadavku mmálí délk vktoru rzduí P (4) kd p X b j vktor prdkc V ukldovském prostoru lz délku vktoru vjádřt vztahm d 1 (5) Čtvrc délk vktoru j td číslě shodý s hodotou krtrálí podmík S(b) mtod jmších čtvrců Odhad modlových paramtrů b pak mmalzují výraz S (b) m 1 j 1 x b j j (6) Vktor a P jsou zázorě a obr1 Vktor P azývaý vktor prdkc přdstavuj kolmou projkc vktoru do adrov L Vktor azývaý vktor rzduí lží v (-m) rozměré adrově L*, kolmé a adrovu L ε P Xβ x 1 Obr 1 Gomtr lárího rgrsího modlu Na základě tohoto gomtrckého zázorěí lz hldat odhad paramtrů b tak, ab bla mmalzováa vzdálost mz vktorm a adrovou L J patré, ž vktor rzduí j kolmý a všch sloupc matc X, a proto jsou odpovídající skalárí souč ulovéuto soustavu podmík lz zapsat matcově jako X 0 (7)
4 Po dosazí za - X b a úpravě vjd odhad b, mmalzující vzdálost d v tvaru 1 b (X X) X (8) kd smbol A -1 ozačuj vrz matc A Z rovc (8) lz určt tvar projkčí matc pomocí ktré s promítá vktor do adrov L d P (9) Pomocí vktoru b lz vjádřt rovc (9) v tvaru 1 P X b X(X X) X (10) Projkčí matc X (X X) -1 X má tu vlastost, ž promít lbovolý vktor V do rov L Projkčí matc P pro kolmou projkc do adrov L*, kolmé a adrovu L má tvar P E (11) kd E j jdotková matc S vužtím těchto projkčích matc lz provést rozklad vktoru do dvou složk + P P + Gomtrck to zamá, ž vktor bl rozlož a dva vzájmě kolmé vktor Jd souvsí s částí varablt objasěé rgrsím modlm a druhý s zbtkovou (rzduálí varabltou) K stjým vztahům lz dospět aaltckou mmalzací krtéra MNČ, tz drvováím rovc (6) a dalším úpravam Pro určí statstckých vlastostí áhodých vktorů, rsp b s užívá přdpokladů, P za ktrých má mtoda jmších čtvrců (MNČ) optmálí vluastost [1]: Rgrsí paramtr β mohou abývat lbovolých hodot V prax však často xstují omzí paramtrů, ktrá vcházjí z jjch fzkálího smsulu Rgrsí modl j lárí v paramtrch a platí adutví modl měří () Matc áhodých, astavovaých hodot vsvětlujících proměých X má hodost rovou právě m o zamá, ž žádé jjí dva sloupc x j, x k jsou kolárí, tj rovoběžé vktor omu odpovídá formulac, ž matc X X j smtrcká rgulárí matc, k ktré xstuj vrzí matc a jjíž dtrmat j větší ž ula Z gomtrckého hldska to zamá, ž rova L j m-rozměrá a vktor X b jsou jdozačě urč Jdozačé jsou odhad b paramtrů β, staové mtodou jmších čtvrců V Náhodé chb ε mají ulovou střdí hodotu E(ε ) 0 o musí u korlačích modlů platt vžd U rgrsích modlů s můž stát, ž E(ε ) K, 1,,, což zamá, ž modl obsahuj absolutí čl Po jho zavdí však bud E( ε ) 0, kd ε P, K Modl tpu (1a) obsahují absolutí čl, pokud j posldí proměá
5 x m 1 pro všcha 1,, Posldí sloupc matc X obsahuj td samé jdčk a b m přdstavuj absolutí čl V Náhodé chb ε mají kostatí a kočý rozptl E( ε ) σ aké podmíěý rozptl D(/x) σ j kostatí a jd o homoskdastcký případ V Náhodé chb ε jsou vzájmě korlovaé a platí cov(ε ε j ) E(ε ε j ) 0 Pokud mají chb ormálí rozdělí, jsou závslé to požadavk odpovídá požadavku závslost měřých vlč V Chb ε mají ormálí rozdělí N(0, s ) Vktor má pak vícrozměré ormálí rozdělí s střdí hodotou Xβ a kovaračí matcí s E, kd E j jdotková matc Pokud platí prvích šst přdpokladů, jsou odhad b, získaé mmalzací krtéra jmších čtvrců, jlpší vchýlé lárí odhad rgrsích paramtrů: Njlpší odhad b jsou proto, ž jjch lbovolá lárí kombac má jmší rozptl z všch lárích vchýlých odhadů Zamá to, ž jdotlvé rozptl odhadů D(b j ) jsou mmálí z všch možých lárích vchýlých odhadů (Gaussova-Markova věta) J třba pozamat, ž xstují vchýlé odhad, jjchž rozptl jsou mší ž rozptl odhadů D(b j ) Nvchýlé odhad b jsou proto, ž platí E(β - b) 0, což zamá, ž střdí hodota vktoru odhadů E(b) j rova vktoru rgrsích paramtrů β Lárí odhad b jsou proto, ž j lz zapsat jako lárí kombac měří s váham Q j, ktré závsí pouz a polohách proměých x j, j 1,, m Za jstých přdpokladů o matc X avíc platí, ž odhad b mají asmptotck vícrozměré ormálí rozdělí s kovaračí matcí D( ) ( ) b XX σ 1 (1) V případě, ž platí také přdpoklad V, mají odhad b ormálí rozdělí už pro kočé rozsah výběru Protož j matc áhodá, platí pro kovaračí matc prdkc vztah D( P ) σ (13) a aalogck platí pro kovaračí matc rzduí vztah D( ) σ P σ ( E ) (14) Oba vztah vplývají z důlžtých vlastostí projkčích matc, tj dmpottost, kd a smtr, kd Součt čtvrců rzduí RSC lz apsat v tvaru RSC S ( b) ( E ) P a pro jho střdí hodotu platí, ž E( RSC) tr( P) ( m σ σ - ) (15) kd tr(p) j stopa matc P a j vzhldm k dmpottost a smtr matc P rova jjí
6 hodost Pro straý odhad s rozptlu chb σ lz td vužít rzduálí rozptl S ( b) s m m Př použtí odhadů paramtrů b j třba mít a pamět, ž jd o bodové odhad paramtrů β to bodové odhad jsou áhodé vlč, a mají proto pro prax mší výzam Důlžtější jsou kofdčí oblast, azývaé také oblast bo trval spolhlvost, v ktrých lží tortcká hodota β s zvolou pravděpodobostí (1-α) Stjě jako u jdorozměrých výběrů, s volí hlada výzamost α 005 bo 001 éto volbě odpovídají 95 %í bo 99 %í trval (oblast) spolhlvost Př kostrukc trvalů spolhlvost s vchází z skutčost, ž áhodá vlča ( - m) s / σ má χ rozdělí s ( - m) stup volost a áhodá vlča (b - β) X X (b - β) / σ má χ -rozdělí s m stup volost Podíl těchto vlč korgovaý stup volost má F-rozdělí s m a ( - m) stup volost Pro hrac 100 (1-α) %-ího trvalu spolhlvost pak vjd (b β ) X X(b β ) ms F ( m, 1 α m ) (17) kd F 1-α(m, - m) j (1-α) kvatl F-rozdělí s m a ( - m) stup volost Vzhldm k tomu, ž matc X X j rgulárí, dfuj rov (17) hprlpsod, jhož os jsou ortová do směrů vlastích vktorů V j matc (X X) -1 Délk jdotlvých poloos jsou rov p jsou vlastí čísla matc (X X) -1 a p - m s F1 (m, - m) (18) α λ, kd l j j Jak j patré, jsou jak odhad paramtrů, tak další statstcké charaktrstk rgrs závslé jak a hodotách tak X Mtoda jmších čtvrců posktuj správé výsldk jom př současém splěí přdpokladů o datch a o rgrsím modlu K ověřováí těchto přdpokladů s používá rgrsí dagostka, ktrá zahruj : 1 Mtod pro průzkumovou aalýzu jdotlvých proměých Mtod pro aalýzu vlvých bodů 3 Mtod pro odhalí poruší přdpokladu mtod jmuších čtvrců Základí rozdíl mz rgrsí dagostkou a klasckým tst spočívá v tom, ž u rgrsí dagostk í třba přsě formulovat altratví hpotézu a jsou přtom odhal tp odchlk od dálího rgrsího trpltuu data - modl - mtoda odhadu 3 Průzkumová aalýza dat Účlm průzkumové aalýz j zkoumáí statstckých zvláštostí v datch, Problémm použtí těchto mtod v rgrs j to, ž jd o strukturovaá data s vazbam vjádřým rgrsí fukcí O mtodách průzkumové aalýz jdorozměrých dat j dtalě pojdáo v kz [1] V rgrsí aalýz s vbraých postupů průzkuumové aalýz používá pro: a) určí statstckých zvláštostí jdotlvých proměuých bo rzduí, b) posouzí "párových" vztahů mz všm sldovaým pruoměým, c) ověří přdpokladu o rozdělí proměých bo rzduíu V řadě případù jž pouhé vsí aměřé vlč prot dxu můž odhalt skrtou proměou, často souvsjící s časm bo pořadím měří K ortačímu posouzí vztahů mz jdotlvým proměým s užívá rozptlových
7 grafů, kd s a os vášjí přímo hodot sldovaých proměých formac o multkolartě lz získat vsím dvojc vsvětlujících proměých x j prot x k, Přblžě lárí závslost zd dkuj slou multkolartu Na druhé straě však můž vést váší prot x j, j 1,, m, k mlým závěrům o lartě modlu, ktrý j v skutčost lárí K ověří ormalt dat s často používá Q-Q grafů [1] Mz základí tchk průzkumové aalýz patří staoví rozsahu a rozmzí dat, jjch varablt a přítomost vbočujících pozorováí K tomu lz vužít grafù rozptýlí s kvatl a řad dalších postupů [1] Přs svoj jdoduchost umožňuj průzkumová aalýza dtfkovat jště přd vlastí rgrsí aalýzou: 1 vhodost dat jako důsldk malého rozmzí bo přítomost vbočujícuích bodů, správost avržého modlu (skrté proměé), 3 multkolartu (přblžě lárí vztah mz sloupc matc X) 4 ormaltu v případě, kd jsou vsvětlující proměé áhodé vlču 4 Posouzí kvalt dat Kvalta dat úzc souvsí s použtým rgrsím modlm Př posuzováí s slduj přdvším výskt vlvých bodů (VB), ktré jsou hlavím zdrojm řad problémů, jako j zkrslí odhadů a růst rozptlů až k aprosté použtlost rgrsích odhadů paramtrů V zvláštích případch však vlvé bod zlpšují prdkčuí schopost modlů Vlvé bod slě ovlvňují většu výsldků rgrs Lz j rozdělt do tří základích skup: a) rubé chb, ktré jsou způsob měřou vlčou (vbočující pozorováí) bo vhodým astavím vsvětlujících proměých (xtrém) Jsou občjě důsldkm chb př mapulac s dat b) Bod s vsokým vlvm (tzv gold pots) jsou spcálě vbraé bod, ktré bl přsě změř, a ktré obvkl rozšřují prdkčí schopoust modlu c) Zdálvě vlvé bod vzkají jako důsldk správě avržého rgrsíhou modlu Podl složk dat, v ktré s vlvé bod vsktují, lz pruovést dělí a: 1 vbočující pozorováí (outlrs O), ktré s a os výrazě lší od ostatích, xtrém (hgh lvrag pots E), ktré s lší v hodotách a os x, bo v jjch kombac (v případě multkolart) od ostatích boudů Vsktují s však bod, ktré jsou jak vbočující tak xtrémí (OE) O jjch výsldém vlvu však přdvším rozhoduj to, ž jsou xtrém O E x Obr Vlv vbočujícího bodu (O plá čára), xtrému (E čárkovaá čára) a kombac (OE tčkovaá čára) a průběh rgrsí přímk určé MNČ K dtfkac vlvých bodů tpu vbočujícího pozorováí s vužívá zjméa rzduí OE
8 a k dtfkac xtrémů pak dagoálích prvků projkčí matc Obcější charaktrstk vlvých bodů jsou fukcí rzduí a dagoálích prvkù projkčí matc s faktorm souvsjícím s počtm bodů a počtm proměých m 5 Statstcká aalýza rzduí Rzdua jsou základm pro dtfkac podzřlých bodů a korktost avržého rgrsího modlu Př jjch trprtac s však vsuktuj řada chb a přsostí Statstcká aalýza rzduí - x b, kd x j -tý řádk v matc X, vchází z přdpokladu, ž jd o odhad chb Nsprávé přdstav o klasckých rzduích jsou, ž: 1 rozdělí rzduí j stjé jako rozdělí chb a statstcké vlastost rzduí jsou shodé s vlastost chb čím j rzduum vtší, tím j daý bod vlvější, a tím spíš b s měl z duat vloučt Z gomtr a obr1 pl, ž rzdua jsou závslá, kdž chb jsou závslé Jd totž o projkc vktoru do podprostoru rozměru ( - m) S vužtím projkčí matc P lz psát, ž β P P(X + ε ) P ε (19) j_ j_ Každé rzduum j td lárí kombací všch chb ε Rozdělí rzduí j obcě závslé a rozdělí chb, a prvcích projkčí matc a a vlkost výběru Protož j rzduum součtm áhodých vlč s ohračým rozptlm, projvuj s zjméa u mších výběrů tzv fkt suprormalt o zamá, ž kdž chb ε mají ormálí rozdělí, vchází rozdělí rzduí blízké ormálímu U mších výběrů jsou prvk projkčí matc vlké a přvažující rol hraj součt člů j ε j Rozdělí tohoto součtu s víc blíží ormaltě ž rozdělí původích chb ε U dostatčě vlkých výběrů, kd 1/ j blízké 0 j ε a aalýza rozdělí rzduí podává formac o rozdělí uchb Pro rozptl rzduí platí D( ) Př úpravě rovc (19) blo vužto faktu, ž vktor X b lží v rově kolmé a rovu, do ktré s provádí projkc, takž výsldkm j ulový vkutorpro -té rzduum vjd (1- ) - j j (1- ) - j j ε ε (0) (1- ) s (1) Rozptl rzduí D( ) j td kostatí, kdž rozptl chb j kostatí Pro párový korlačí kofct r j mz dvěma rzdu a j platí - j r j (1- )(1- ) jj J td patré,ž rzdua jsou korlovaá, kdž chb ε a ε j jsou závslé Pro slě xtrémí bod platí, ž dagoálí prvk 1, zatímco všch dagoálí prvk j 0 Z rovc (0) pak ovšm pl, ž 0 j bz ohldu a vlkost Rzdua proto dkují vžd správě slě odchýlé hodot Klascká rzdua jsou td korlovaá, s kostatímu rozptlm, jví s ormálější a musí dkovat slě odchýlé bod V odboré ltratuř s často doporučuj užíváí ormovaých rzduí N /s, o ktrých s soudí, ž to jsou ormálě rozdělé vlč s ulovou střdí hodotou
9 a jdotkovým rozptlm N ~ N(0, 1) K vjádří jjch vlvu s používá pravdla 3s, tj hodot větší ž ± 3s jsou považová za vbočující Pro případ ormálího rozdělí lží za hrací x A ± 3s pouz 03 % hodot Rozptl D( N ) (1 - ) í a kostatí, a jdotkový Navíc blo ukázáo, ž pro slě vlvé xtrémí bod j 0, takž užtí pravdla ± 3s můž vést k vlučováí správých dat př zachováí chbých hodot Kostatí rozptl mají tprv stadardzovaá rzdua S, ktrá vzkou dělím rzduí jjch směrodatou odchlkou s, td S s 1- Vlastost stadardzovaých rzduí S jsou téměř stjé jako klasckých rzduí Maxmálí hodota S j m Vlča S/ ( - m) má bta-rozdělí B [05; ( - m - 1) / ] Pokud s v rov () pro výpočt stadardzovaého rzdua S použj místo odhadu s odhadu směrodaté odchlk s (-), získaé př vcháím -tého bodu, rsultují plě Studtzovaé, rsp Jackkf rzdua J J S - m -1 - m - S - m cotg Θ ato rzdua mají za přdpokladu ormalt chb Studtovo rozdělí s ( - m - 1) stup volost Odpovídají tstovací statstc Studtova t-tstu ulové hpotéz 0 : C 0 v modlu jdoduchého posuutí () (3) β + * + ε X C (4) kd j jdotkový vktor, obsahující jako -tý prvk jdčku a ostatí prvk jsou ulové Modl (4) vsthuj j případ vbočujícího měří, kd C j přímo vlkost vchýlí, al případ xtrému, kd j C a d j vktor vchýlí jdotlvých x-ových složk -tého bodu Jackkf rzdua jsou běžě vužíváa místo klasckých rzduí k dtfkac vbočujících bodů A tato rzdua však musí být spolhlvá v případě xtrémů Další skup rzduí jsou popsá v prác [1] 6 Aalýza prvků projkčí matc Aalýza prvků projkčí matc hraj v rgrsí dagostc důlžtou rol Dagoálí prvk této matc x (X X) -1 x dkují přítomost xtrémích bodů, ktré jsou zachc aalýzou rzduí Dagoálí prvk mají řadu vlastostí, ploucích z smtr a dmpottost matc : 1 Z vlastostí projkčí matc přímo pl podmíka pro dagoálí prvk 0 < < 1 a prvk mmo dagoálu -1 j 1 Pokud modl obsahuj absolutí čl a hodost matc X j m, platí pro dagoálí prvk podmíka 1/ 1/C, kd C j počt opakováí měří tj opakováí -tého řádku matc X Pro modl s absolutím člm a plou hodostí matuc X platí, ž 1, j a průměrá hodota dagoálího prvku j m/ j j1 3 Z dmpottost matc pl, ž + j Z těchto rovostí vplývají dvě důlžté vlastost dagouálích prvkù : j
10 a) pokud jsou dagoálí prvk blízké ul, 0, jsou všch mmodagoálí prvk blízké ul j 0, pro j 1,, ; b) pokud jsou dagoálí prvk blízké jdé, 1, jsou všch mmodagoálí prvk blízké ul, j 0, pro j 1,, 4 Jstlž matc X pochází z vícrozměrého ormálího rozdělí, má vlčua F ( - m) [ - 1/] [(1 - ) (m - 1)] F-rozdělí F (m - 1, - m) 5 Čím jsou dagoálí prvk všší, tím víc ovlvňuj -tý bod prdkc P Jsou-l hodotou blízké jdé 1, j P a vškrá varablta v místě x j objasěa rgrsím modlm(vz tčkovaá a čárkovaá čára a obur ) 6 Dagoálí prvk d P / d vjadřují ctlvost prdkc P a změu hodot Jjch ulová hodota 0 potom dkuj bod, ktrý má žádý vlv a prdkcu 7 Dagoálí prvk jsou klsající fukcí počtu vsvětlujících proměých m a rostoucí fukcí počtu bodů 8 Čím j bod x vzdálější od těžště ostatích bodů, tím víc s bud jvt xtrémí, a tím víc porost hodota dagoálích prvků 9 Pokud mají vsvětlující proměé x ormálí rozdělí, platí pro vlké poèt bodù, ž - 1 má přblžě χ () rozdělí m Pro komplxější aalýzu j vhodé provést rozšíří matc X o vktor, takž vzk matc X * (X ) éto matc odpovídá projkčí matc * + Protož matc * obsahuj formac o všch datch, j vhodá jako clková míra vlvých bodù Pro dagoálí prvk této matc platí vztah * + ( - m) s Pro grafcké zázorěí s používá dxový graf prvkù prot dxu 7 Charaktrstk vlvých bodù Př posuzováí vlvých bodů j třba mít a pamět, žu mohou stjě výrazě ovlvňovat růzé charaktrstk rgrs Například, bod ovlvňující výrazě prdkc P musí být z hldska rozptlu paramtrů vůbc vlvé Stupň vlvu jdotlvých bodů j třba posuzovat vžd s ohldm a to, ktré charaktrstk rgrs ovlvňují K dtfkac vlvých bodů xstuj řada dalších dagostk, ktré lz rozdělt dlu dvou základích skup Zvětšý rozptl to přístup vchází z platost lárího rgrsího modlu (1a) s spcálí strukturou rozptlů chb Pro -tou chbu ε platí, ž má ormálí rozdělí N(0, s / w ), zatímco ostatí chb ε j, j, mají ormálí rozdělí N(0, s ) s kostatím rozptlm Váhový paramtr w lží v trvalu 0 < w < 1 akový modl působí vlvých bodù s ozačuj jako modl zvětšého rozptlu (flatd varac) Pro w 1 s jdá o klasckou mtodu jmších čtvrců Ozačm b(w ) odhad paramtrù b, určý MNČ pro případ, ž rozptl -té chb j rov právě su /w Pak platí 1 (X X) x (1 w ) b(1) b( w ) (5) 1 (1 w ) kd x j -tý řádk matc X, ktrý obsahuj x-ové složk -tého bodu Pro w 0 vjd z rovc (5), ž b(1) - b(0) b - b (), kd b () j odhad získaý mtodou jmších čtvrců
11 z všch bodù kromě -tého Vcháí -tého bodu j td stjé, jako kdž má tto bod ohračý, tj kočý rozptl Vpouštěí bodů to přístup j založ a sldováí změ charaktrstk rgrs, k ktrým dojd př vpuštěí jdotlvých bodů bo jjch skup J sahou používat vhodé skalárí mír rgrsích charaktrstk, ktré s sado trprtují a grafck zázorňují Njzámější skalárí míra j Cookova vzdálost D souvsjící s kofdčím lpsodm odhadů ( b b() ) X X(b b() ) S D (6) ms m 1 o umožňuj jjí porováí s kvatl F-rozdělí Jd zd však o posu odhadů, ktrý vzkl vcháím -tého bodu Ortačě platí, ž pro D > 1 posu přsahuj 50%í kofdčí oblast a daý bod j proto vlvý Další možé vsvětlí Cookov vzdálost D vchází z toho, ž jd o Eukldovskou vzdálost mz vktorm prdkc P mtod jmších čtvrců a vktorm prdkc P(), ktrý odpovídá odhadům mtodou jmších čtvrců př vcháí -tého bodu Cookova vzdálost D vjadřuj vlv -tého bodu pouz a odhad paramtrů b Pokud td -tý bod ovlví odhad rgrsích paramtrů b výrazě, bud hodota Cookov vzdálost D malá akový bod však můž slě ovlvt odhad rzduálího rozptlu s K vjádří rlatví změ odhadů paramtrů, způsobé vcháím -tého bodu j možé užít stadardzovaých odchlk j-tého odhadu b j od téhož odhadu b ()j, získaého př vcháí -tého bodu Odpovídající dagostka má tvaru b - j b () j DS (7) j s () V kd V j dagoálí prvk matc X X Vlv -tého bodu a odhad j-tého rgrsího paramtru j výzamý, pokud j DS > / Adrwsova-Prgboova dagostka AP vjadřuj vlv -tého bodu a změu objmu kofdčího lpsodu AP X dt( dt( X * ( ) * X * X ( ) * ) ) kd X * (X ) j matc X rozšířá o vktor Dagostka AP souvsí s prvk rozšířé projkčí matc * vztahm (8) AP 1- - N 1 - * (9) * Za výrazě vlvé s považují bod, pro ktré j (1 - AP ) > (m + 1) / K ufkovaému vjádří vlvých bodů s používá věrohodostí vzdálost LD dfovaou výrazm LD ( L( Θ) L( Θ ) ( ) kd L(Θ ) j maxmum logartmu věrohodostí fukc př použtí všch bodù a L(Θ () ) j totéž s vcháím -tého bodu Vktor paramtrů Θ obsahuj jak odhad rgrsích paramtrů b tak rozptlu s Za slě vlvé s považují bod, pro ktré j LD > χ (m + 1), 1 -α kd χ (m + 1) j kvatl χ rozdělí s (m + 1) stup volost 1 -α Pomocí růzých varat LD lz vštřovat vlv -tého bodu a odhad paramtrů, rozptl chb bo kombac obojích Pro sldováí vlvu jdotlvých bodů pouz a odhad rgrsích paramtrů b vjd
12 věrohodostí vzdálost v tvaru d LD l Pro sldováí ctlvost odhadu rzduálího rozptlu s a přítomost vlvých bodů má věrohodostí vzdálost tvar LD ( s ) d ( -1) l + l(1 - d ) d Pro sldováí vlvu -tého bodu a odhad paramtrů rozptlu má věrohodostí vzdálost tvar ( 1) d LD ( b, s ) l + l(1 d ) (1 d )(1 ) V těchto vztazích j d s - m Z rozboru těchto tří varat věrohodostí vzdálostu pl: (30) a) Dagostka LD (b) j mootóí fukcí Cookov vzdálost D a v porováí s í přáší žádé ové pozatk b) Dagostka LD (s ) závsí a a bud td ovlvěa xtrémím bod c) Dagostka LD (b, s ) vsthuj vlv jdotlvých bodů a b a s J výhodá zjméa pro modl bz absolutího člu Dagostka LD (b,s ) ohračuj shora vlč LD (b) a LD (s ) a postačuj proto v prvím přblíží sldovat pouz uj A vlč LD jsou zcla uvrzálí a k vštří vlvých bodů s proto užívá kombac řad růzých dagostk Z jjch hodot s usuzuj, zda j uté daé bod z další aalýz vpustt č kolv K tstováí vlvu -tého bodu a součt střdích kvadratckých chb odhadů, střdích kvadratckých chb prdkc a tgrálí střdí kvadratcké chb prdkc s doporučuj jako tstovací statstka Jackkf rzduum J, ktré j vhodé jak pro modl jdoduchého posuutí tak pro modl zvětšého rozptlu D( ε ) s / w Pokud s slduj současě bodů, platí pro modl jdoduchého posuutí podmíkau J 1-α / F (1, - m- 1, 05) Jjí splěí pro všcha zamá přítomost vlvých bodů v datch Vlča F 1-α / (1, - m - 1, 05) j 100 (1 - α / ) %í kvatl ctrálího F-rozdělí s paramtrm ctralt 05 a (1, - m - 1) stup volost Pro modl zvětšého rozptlu platí aalogck, ž splěí rovost F J 1 α / (1, m 1) pro všcha zamá přítomost vlvých bodù Zd F 1-α /(1, - m - 1) j 100 (1 - α / ) %í kvatl ctrálího F-rozdělí s 1 a ( - m - 1) stup volost Na základě těchto dvou tstů lz dfovat ortačí pravdlo: slě vlvé bod mají čtvrc Jackkf rzduí větší J ž 10 K aalýz vlvých bodů j vhodé užít také dagostckýcuh grafů: a) dxové graf (G) obsahují charaktrstk vlvých bodů v závslost a dxu daého bodu, stjě jako dxové graf pro prvk projkčí matc, atd Výhodější jsou
13 však spcálí graf, ktré vužívají faktu, ž všch charaktrstk vlvých bodù jsou jdoduchým fukcm rzduí a prvků projkčí matc b) V L-R grafch s váší a osu čtvrc ormovaých rzduí N / RSC a a osu x prvk Všch bod pak lží pod přpoou v pravoúhlém trojúhlíku s pravým úhlm v počátku souřadc a přpoou, dfovaou lmtí ruovostí + N 1 Většu charaktrstk vlvých bodů lz vjádřt v tvaru K(m, ) f(, N ), kd K(m, ) j kostata, závsjící j a m a [1] V praktckých aplkacích j problémm, ž přítomost uvíc vlvých bodů s můž projvt maskováím bo přkrtím [] Dagostk smultáího uposuzováí skup vlvých bodů lz sado dfovat a základě dagostk založých au vpouštěí bodů Nchť ( 1,, k ) pro k < (-m) j moža k dxů jjchž vlv s má posoudt S výhodou s vužj přuspořádáí tak, ž podzřlých k bodů jsou posldí řádk matc X a vktoru Zavďm ozačí X ( - k) x m ( - k) x 1 ( ) ( ) ( ) X X k x m k x 1 Projkčí matc odpovídající podzřlým bodům j pak dufováa vztahm ( - k) x 1 k x 1 X (X X) 1 X (31) 1 Vlča S ( E ) odpovídá síží rzduálího součtu čtvrců vlvm odstraěí k tc dxovaých bodů Aalogí klasckých stadardzovaých rzduí pro víc bodů j vlča S S s Pro skupu vlvých bodů má Cookova vzdálost tvar D 1 ( ) ms a pro Adrws Prgboovu statstku platí S AP 1 (1 ) dt( E ) m Věrohodostí vzdálost L ( b, s ) má pro případ k vloučých bodů tvar LD ( ( m b, s ) l m ) S ( 1)( m + md + m S J patré, ž ž př vhodém přuspořádáí dxů lz poměrě sado ahradt skalár vktorm dxů Dosavadí mír bl vhodé pro vbraé charaktrstk rgrs a posthoval komplxě vlv bodů a výsldk rgrs ad [3] avrhl jdu míru vcházjící z přdpokladu, ž vlvé bod mohou vbočovat vzhldm k prostoru proměých x a vzhldm k vktoru Kombací charaktrstk vjadřujících vlv v prostoru x (vzdálost podzřlých hodot od ostatích) a v prostoru (chba prdkc) rsultuj vztah A m k ( E ) Pro případ, kd k 1 a () pak vjd ) (3) (33) (34)
14 m d A * + (31) (1 ) (1 d ) 1 kd d j dfováo rov (30) Prví čl v rov (31) j fukc tého rzdua a dagoál projkčí matc (chba prdkc) Druhý čl s azývá potcál Potcál rzduový graf (PRG) má a os x prví čl a a os druhý čl matc (31) d pro k 1 a s m d vášjí prot 1 1 (1 d ) V tomto grafu jsou xtrém v lvém horím rohu a vbočující hodot jsou v pravém dolím rohu Další dagostk vlvých bodů jsou popsá v prác [4] Zajímavou možostí j také kombac robustích mtod s dtfkací vlvých buodů [] 8 Program REGDA Na základě výš popsaých charaktrstk vlvých bodů bl sstav program REGDA v jazc MALAB to program počítá základí charaktrstk rgrs a dagostk založé a vpouštěí jdotlvých bodů J použt také PR graf pro posouzí obcého vlvu jdotlvých bodů a výsldk rgrs Pro řší odhadu paramtrů s užívá trí zabudovaé fukc (lvé dělí matc tj bx\) S výhodou s používá vktorzac fukcí a tvorb matc s vpouštěým sloupc pro určí lokálích projkcí (u PR grafů) Pří výpočtch s volí mtoda vžadující síží dms rgrsí úloh al vchází s pouz b() z odhadů pro všch bod (vz rov (5) pro w0)právě sadost prác s matcm a přsost lárí algbr jsou zd hlavím výhodam 9 Závěr Bl uvd základí mšlk a souvslost pro mtodu jmších čtvrců Bl popsá vbraé mtod rgrsí dagostk Pozorost bla zaměřa přdvším a postup dtfkac vlvých bodů Bla zmíěo také použtí tchk průzkumové aalýz dat Bl uvd program v jazc MALAB vužívající přdvším matcově ortovaého řší dílčích úloh Poděkováí: ato prác vzkla s podporou výzkumého ctra x1tl LN00B Ltratura [1] Mlou M, Mltký J: Zpracováí xprmtálích dat, East Publshg Praha 1998 [] Mltký J, Mlou M: Vbočující bod v vícrozměrých datch, Komorí Lhotka, břz 00 [3] ad A A: Comput Statst Data Aal 14, 1 (199) [4] Brow GP, Lawrac AJ: Commu Statst A9, 079 (000) Kotakt: Prof g Jří Mltký CSc, Katdra txtlích matrálů, chcká uvrsta v Lbrc, ` álkova Lbrc, - mal: jrmlk@vslbcz
Regresní diagnostika v materiálovém výzkumu
Rgrsí dagostka v matrálovém výzkumu JŘÍ MLKÝ, Katdra txtlích matrálů, chcká uvrsta v Lbrc, álkova 6 461 17 Lbrc, - mal: jrmlk@vslbcz MLAN MELOUN, Katdra aaltcké chm, Uvrsta Pardubc, Pardubc Abstrakt: Jsou
VícePRAVDĚPODOBNOST A STATISTIKA
P NOV PRVDĚPODOBNOT TTTK Lbor Žák P NOV Lbor Žák Vícvýběrové tsty - NOV NOV tsty s rovádí s omocí aalýzy roztylů NOV souhré tsty ro víc ěž dva výběry. NOV aramtrcká tstováí charaktrstk z zámých rozdělí
VíceTéma 2: Náhodná veličina
Téma : Náhodá vlča řdáška 3 Záko rozdělí pravděpodobostí Náhodou vlčou rozumím číslé ohodocí výsldku áhodého pokusu Náhodá vlča j rálá ukc E dovaá a možě lmtárích jvů I Každému lmtárímu jvu E z možy lmtárích
VíceVariabilita měření a statistická regulace procesu
Variabilita měří a statistická rgulac procsu Ig. Darja Noskivičová, CSc. Katdra kotroly a řízí jakosti, VŠB-TU Ostrava Abstrakt: Efktivost využití statistických mtod pro aalýzu a řízí procsů j odvislá
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
Více8 NELINEÁRNÍ REGRESNÍ MODELY
8 NELINEÁRNÍ REGRESNÍ MODELY 8 Tvorba eleárího regresího modelu Postup tvorby eleárího regresího modelu se dá rozčlet do těchto kroků: Návrh regresího modelu Obvykle se jako eleárí regresí model používá
VíceAnalýza rozptylu (ANOVA)
Aalýza rozptylu (ANOVA) Tato aptola j věováa záladímu popsu statstcé mtody zvaé aalýza rozptylu, trá j záladí mtodou pro tstováí hypotéz o střdích hodotách víc ž dvou sup a trá využívá srováí pozorovaé
VícePřednáška 6: Lineární, polynomiální a nelineární regrese
Čské vsoké učí tchcké v Prz Fkult orčích tchologí Ktdr tortcké ortk Evropský socálí od Prh & EU: Ivstu do vší budoucost I-AD Algort dt gu (/ Přdášk 6: Lárí, poloálí lárí rgrs Pvl Kordík, FIT, Czch Tchcl
VícePRAVDĚPODOBNOST A STATISTIKA
P NOV PRVDĚPODOBNOT TTTK Lbor Žák P NOV Lbor Žák Vícvýběrové tty - NOV NOV tty provádí pomocí aalýzy rozptylů NOV ouhré tty pro víc ěž dva výběry. NOV paramtrcká ttováí charaktrtk z zámých rozdělí pokud
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceTento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i
: ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru
Více4.KMITÁNÍ VOLNÉ. Rozlišujeme: 1. nepoddajné vazby - nedovolující pohyb 2. pružně poddajné vazby - dovolují pohyb
4.MITÁNÍ VOLNÉ 4. Lárí ktáí (harocký osclátor v fyzc) Vl časý pohy hotého odu j ktavý pohy. táí ud lárí, jstlž síla, ktrá př výchylc x vrací hotý od do rovovážé polohy, j úěrá výchylc F x (4..) kostata
VíceÚvod do korelační a regresní analýzy
Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou
VíceExponenciální funkce a jejich "využití" - A (Tato doplňková pomůcka nemůže v žádném případě nahradit systematickou matematickou přípravu.
Josf PUNČOCHÁŘ: Epociálí fukc a ich "využití" ld Epociálí fukc a ich "využití" - A (Tato doplňková pomůcka můž v žádém případě ahradit systmatickou matmatickou přípravu. Epociálí fukc dfiováa obcě vztahm
Více1.1 Rozdělení pravděpodobnosti dvousložkového náhodného vektoru
Lekce Normálí rozděleí v rově V této lekc se udeme věovat měřeí korelačí závslost dvojce áhodých velč (dvousložkového áhodého vektoru) Vcházet udeme z ormálího rozděleí pravděpodoost áhodého vektoru v
Více, jsou naměřené a vypočtené hodnoty závisle
Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VíceOdhad optimálního stupně regresního polynomu
XXVI. ASR ' Smar, Istrumts ad Cotrol, Ostrava, Aprl 6-7, Papr 44 Odhad optmálího stupě rgrsího polyomu MORÁVKA, Ja Ig., Ph.D., Třcý žýrg, a.s., Střdso projc, Frýdcá 6, Třc Staré Město, 739 6, ja.morava@tz.trz.cz,
Více1. Základy měření neelektrických veličin
. Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost
VíceUSTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH
USTÁLENÉ POUDĚNÍ V OTEVŘENÝCH KOYTECH ovoměré prouděí Charakterstka:. Hloubka vod v kortě, průtočá plocha a průřezová rchlost jsou v každém příčém řezu kostatí.. Čára eerge, vodí hlada a do korta jsou
VíceS1P Popisná statistika. Popisná statistika. Libor Žák
SP Popsá statstka Popsá statstka Lbor Žák SP Popsá statstka Lbor Žák Základí zdroje : skrpta Mateatka IV - doc. RNDr. Z. Karpíšek, CSc. ateatka o le - http://athole.fe.vutbr.cz/ Základ ateatcké statstk
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VícePRAVDĚPODOBNOST A STATISTIKA. Neparametrické testy hypotéz čast 2
SP3 Neparametrcké testy hypotéz PRAVDĚPODOBNOST A STATISTIKA Neparametrcké testy hypotéz čast Lbor Žák SP3 Neparametrcké testy hypotéz Lbor Žák Neparametrcké testy hypotéz - úvod Neparametrcké testy statstckých
VícePRAVDĚPODOBNOST A STATISTIKA
SP4 Přpomeutí pojmů PRAVDĚPODOBNOST A STATISTIKA SP4 Přpomeutí pojmů SP4 Přpomeutí pojmů Pravděpodobost Náhodý jev: - základí prostor - elemetárí áhodý jev A - áhodý jev, - emožý jev, jstý jev podjev opačý
Vícea další charakteristikou je četnost výběrového souboru n.
Předáška č. 8 Testováí rozptylu, testy relatví četost, testy dobré shody, test ezávslost kvaltatvích zaků Testy rozptylu Testy se používají k ověřeí hypotézy o určté velkost rozptylu a k ověřeí vztahu
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
VíceTestování statistických hypotéz
Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
Více11. Časové řady. 11.1. Pojem a klasifikace časových řad
. Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé
VíceSpolehlivost a diagnostika
Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore
VíceDoc. Ing. Dagmar Blatná, CSc.
PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj
VíceSP2 Korelační analýza. Korelační analýza. Libor Žák
Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet
VíceVÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU
6. KONFERENCE PROJEKTOVÁNÍ POZEMNÍCH KOMUNIKACÍ Praha, 19.5.2015 VÝVOJ NÁSTROJE PRO POSUZOVÁNÍ RECYKLAČNÍCH TECHNOLOGIÍ ASFALTOVÝCH VOZOVEK S DŮRAZEM NA UHLÍKOVOU STOPU Václav Sížk Fakulta stavbí ČVUT
VíceRegrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n
Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2013.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
VíceLineární regrese ( ) 2
Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující
Víceje daná vztahem v 0 Ve fyzice bývá zvykem značit derivaci podle proměnné t (podle času) tečkou, proto píšeme
DERIVACE FUNKCE Má zásadí výzam při vyštřováí fukčích závislostí j v matmatic, al také v aplikacích, apř v chmii, fyzic, koomii a jiých vědích oborch Pricip drivováí formulovali v 7 stoltí závisl a sobě
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
Více9.3.5 Korelace. Předpoklady: 9304
935 Koelace Předpoklad: 9304 Zatím jsme se zabýval vžd pouze jedím zakem, ve statstckém výzkumu jsme však u každého jedotlvce (statstcké jedotk) sledoval zaků více Učtě spolu ěkteé zak souvsí (apříklad
VícePRAVDĚPODOBNOST A STATISTIKA
SP Záko velkých čísel, cetrálí lmtí věta PRAVDĚPODOBNOST A STATISTIKA Lbor Žák SP Záko velkých čísel, cetrálí lmtí věta Lbor Žák Kovergece podle pravděpodobost Posloupost áhodých proměých,,,, koverguje
VíceTest dobré shody se používá nejčastěji pro ověřování těchto hypotéz:
Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám
VícePřednáška č. 10 Analýza rozptylu při jednoduchém třídění
Předáška č. 0 Aalýza roztylu ř jedoduchém tříděí Aalýza roztylu je statstcká metoda, kterou se osuzuje romělvost oakovaých realzací áhodého okusu tj. romělvost áhodé velčy. Náhodá velča vzká za relatvě
VíceStatistická analýza dat
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Statstcká aalýza dat Učebí texty k semář Autor: Prof. RNDr. Mla Melou, DrSc. Datum: 5.. 011 Cetrum pro rozvoj výzkumu pokročlých řídcích a sezorckých techologí CZ.1.07/.3.00/09.0031
VíceZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU)
ZÁKLADNÍ STATISTICKÉ VÝPOČTY (S VYUŽITÍM EXCELU) Základy teorie pravděpodobosti měřeí chyba měřeí Provádíme kvalifikovaý odhad áhodá systematická výsledek ejistota výsledku Základy teorie pravděpodobosti
Více4. PRŮBĚH FUNKCE. = f(x) načrtnout.
Etrém funkc 4. PRŮBĚH FUNKCE Průvodc studim V matmatic, al i v fzic a tchnických oborch s často vsktn požadavk na sstrojní grafu funkc K nakrslní grafu funkc lz dns většinou použít vhodný matmatický softwar.
Vícejsou reálná a m, n jsou čísla přirozená.
.7.5 Racioálí a polomické fukce Předpoklad: 704 Pedagogická pozámka: Při opisováí defiic racioálí a polomické fukce si ěkteří studeti stěžovali, že je to příliš těžké. Ve skutečosti je sstém, kterým jsou
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VíceChyby přímých měření. Úvod
Chyby přímých měřeí Úvod Př zjšťováí velkost sledovaé velčy dochází k růzým chybám, které ovlvňují celkový výsledek. V pra eestuje žádá metoda měřeí a měřcí zařízeí, které by bylo absolutě přesé, což zameá,
Více1 Měření závislosti statistických znaků. 1.1 Dvourozměrný statistický soubor
1 Měřeí závlot tattckých zaků 1.1 Dvourozměrý tattcký oubor Př aalýze ekoomckých kutečotí á čato ezajímají jedotlvé velč jako takové, ale vztah mez m. Ptáme e, jak záví poptávka a ceě produktu, plat zamětaců
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
Více5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC
5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém
VíceTesty statistických hypotéz
Úvod Testy statstckých hypotéz Václav Adamec vadamec@medelu.cz Testováí: kvalfkovaá procedura vedoucí v zamítutí ebo ezamítutí ulové hypotézy v podmíkách ejstoty Testy jsou vázáy a rozděleí áhodých velč
Více4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností
4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.
VíceKapitola 2. Bohrova teorie atomu vodíku
Kapitola - - Kapitola Bohrova tori atomu vodíku Obsah:. Klasické modly atomu. Spktrum atomu vodíku.3 Bohrův modl atomu vodíku. Frack-Hrtzův pokus Litratura: [] BEISER A. Úvod do modrí fyziky [] HORÁK Z.,
VíceIV. MKP vynucené kmitání
Jří Máca - katedra mechaky - B35 - tel. 435 4500 maca@fsv.cvut.cz IV. MKP vyuceé kmtáí. Rovce vyuceého kmtáí. Modálí aalýza rozklad do vlastích tvarů 3. Přímá tegrace pohybových rovc 3. Metoda cetrálích
Více3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.
3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Bodové a itervalové odhady Nechť X je áhodá proměá, která má distribučí fukci F(x, ϑ). Předpokládejme, že záme tvar distribučí fukce (víme jaké má rozděleí) a ezáme parametr
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
Více8. Zákony velkých čísel
8 Zákoy velkých čísel V této část budeme studovat velm často užívaá tvrzeí o součtech posloupost áhodých velč Nedříve budeme vyšetřovat tvrzeí azývaá souhrě ako slabé zákoy velkých čísel Veškeré úvahy
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
VíceM ě ř e n í o d p o r u r e z i s t o r ů
M ě ř n í o d p o r u r z s t o r ů Ú k o l : Proměřt sadu rzstorů s nznámým odporm různým mtodam a porovnat přsnost jdnotlvých měřní P o t ř b y : Vz sznam v dskách u úlohy na pracovním stol Obcná část:
Více8.2.1 Aritmetická posloupnost I
8.2. Aritmetická posloupost I Předpoklady: 80, 802, 803, 807 Pedagogická pozámka: V hodiě rozdělím třídu a dvě skupiy a každá z ich dělá jede z prvích dvou příkladů. Čley posloupostí pak při kotrole vypíšu
VíceKatedra pravděpodobnosti a matematické statistiky. χ 2 test nezávislosti
Katedra pravděpodobosti a matematické statistiky Oborový semiář χ 2 test ezávislosti Petr Míchal 27 listopadu 2017 Situace 2 X {1,, I}, Y {1,, J} Jsou X a Y ezávislé? K dispozici máme áhodý vyběr (X 1,
VíceMendelova univerzita v Brně Statistika projekt
Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4
VíceJednoduchá lineární regrese
Jedoduchá leárí regrese Motvace: Cíl regresí aalýz - popsat závslost hodot velč Y a hodotách velč X. Nutost vřešeí dvou problémů: a) jaký tp fukce se použje k popsu daé závslost; b) jak se staoví kokrétí
VíceÚvod do teorie měření
Uverzta Jaa Evagelsty Purkyě v Ústí ad Labem Přírodovědecká fakulta Úvod do teore měřeí Prof. Chlář emář 0 Průměr, rozptyl a směrodatá odchylka X = X = ( X X ) = = = Výpočty pomocí vzorců a pomocí statstckých
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceTĚŽIŠTĚ A STABILITA. Těžiště tělesa = bod, kterým stále prochází výslednice tíhových sil všech jeho hmotných bodů, ať těleso natáčíme jakkoli
SAIKA - těžště ĚŽIŠĚ A SABILIA ěžště tělesa bod, kterým stále prochází výsledce tíhových sl všech jeho hmotých bodů, ať těleso atáčíme jakkol bod, ke kterému astává rovováha mometů způsobeých tíhou jedotlvých
VíceOdhady a testy hypotéz o regresních přímkách
Lekce 3 Odhad a tet hpotéz o regreích přímkách Ve druhé lekc jme kotruoval kofdečí terval a formuloval tet hpotéz o korelačím koefcetu Korelačí koefcet je metrckou charaktertkou tezt závlot, u které ezáleží
VíceTéma 11 Prostorová soustava sil
Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VíceUniverzita Karlova v Praze Pedagogická fakulta
Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách
VícePřednáška V. Úvod do teorie odhadu. Pojmy a principy teorie odhadu Nestranné odhady Metoda maximální věrohodnosti Průměr vs.
Předáška V. Úvod do teore odhadu Pojmy a prcpy teore odhadu Nestraé odhady Metoda mamálí věrohodost Průměr vs. medá Opakováí výběrová dstrbučí fukce Sestrojíme výběrovou dstrbučí fukc pro výšku a váhu
VíceTéma 2 Přímková a rovinná soustava sil
Stavebí statka,.ročík bakalářského studa Téma 2 Přímková a rová soustava sl Přímková soustava sl ový svazek sl Statcký momet síly k bodu a dvojce sl v rově Obecá rová soustava sl ová soustava rovoběžých
VíceOptimalizace portfolia
Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VícePřednáška č. 2 náhodné veličiny
Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující
VíceNáhodné jevy, jevové pole, pravděpodobnost
S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem
VícePRAVDĚPODOBNOST A STATISTIKA. Bodové a intervalové odhady
SP Bodové a tervalové odhady PRAVDĚPODOBNOST A STATISTIKA Bodové a tervalové odhady Lbor Žák SP Bodové a tervalové odhady Lbor Žák Bodové a tervalové odhady Nechť je áhodá proměá, která má dstrbučí fukc
VíceMezní stavy konstrukcí a jejich porušov. Hru IV. Milan RůžR. zbynek.hruby.
ováí - Hru IV /6 ováí Hru IV Mila RůžR ůžička, Josef Jureka,, Zbyěk k Hrubý zbyek.hruby hruby@fs.cvut.cz ováí - Hru IV /6 ravděpodobostí úavové diagramy s uvažováím předpětí R - plocha ve čtyřrozměrém
Více6. FUNKCE A POSLOUPNOSTI
6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat
VíceÚvod do zpracování měření
Úvod do zpracováí měřeí Teore chb Opakujeme-l měřeí téže fzkálí velč za stejých podmíek ěkolkrát za sebou, dostáváme zpravdla růzé hodot. Měřeé velčě přísluší však jedá správá hodota. Každou odchlku aměřeé
Více( NV, )} Řešením Schrödingerovy rovnice pro N částic
Partčí fuc { E ( V, )} Řším Schrödgrovy rovc pro částc Zdoduší (?) H = H E = E Ψ= Ψ BOSOY stavy sou obsazováy bz omzí FERMIOY frmoy mohou být v stém stavu Přílady: Ply (ízý tla) => mzmolulové trac zadbáy
VíceK čemu slouží regrese?
REGRESE K čemu slouží regrese? C = Ca + c. Y C = 00 + 0,6. Y + e Budeme zjišťovat jak jeda proměá (ezávislá) Ovlivňuje jiou proměou (závislou) C Y 950 1000 910 150 1130 1500 1150 1750 1475 000 1550 50
VícePRAVDĚPODOBNOST A STATISTIKA
SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
Více11. Regresní analýza. Čas ke studiu kapitoly: 60 minut. Cíl VÝKLAD Úvod
. egresí aalýza Čas ke studu kaptoly: 6 mut Cíl Po prostudováí tohoto odstavce udete umět vysvětlt pojem oecý leárí model prcp leárího regresího modelu používat výsledky regresí aalýzy verfkovat regresí
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 3. ÚKOL JB TEST 3. Úkol zadáí pro statistické testy U každého z ásledujících testů uveďte ázev (včetě autora), předpoklady použití, ulovou
VíceMěření závislostí. Statistická závislost číselných znaků
Měřeí závslostí Statstcká závslost číselých zaků - závslost dvou velč lze vádřt ako ech fukčí vztah vzorcem, taulkou hodot příslušé fukce eo grafck; - mez zak zkoumaých evů zšťueme estec příčé (kauzálí
VíceVY_52_INOVACE_J 05 01
Název a adresa školy: Středí škola průmyslová a umělecká, Opava, příspěvková orgazace, Praskova 399/8, Opava, 74601 Název operačího programu: OP Vzděláváí pro kokureceschopost, oblast podpory 1.5 Regstračí
Více