4EK211 Základy ekonometrie

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "4EK211 Základy ekonometrie"

Transkript

1 4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE

2 Upřesnění k pojmům a značení parametr β i odhad parametru, odhadnutý koeficient, regresní koeficient b i, β i směrodatná odchylka (Standard Deviation) směrodatná chyba (Standard Error) vektor náhodných složek u vektor reziduí e, u Vektory a matice značíme tučně. Vektory se považují za sloupcové, transponované vektory za řádkové. CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 2

3 1. Gaussovy-Markovovy předpoklady Zapište a vysvětlete G-M předpoklady. CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 3

4 1. Gaussovy-Markovovy předpoklady Zapište a vysvětlete G-M předpoklady. 1. E(u) = 0 2. E(uu T ) = σ 2 I n 3. X je nestochastická matice 4. X je má plnou hodnost CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 4

5 1. Gaussovy-Markovovy předpoklady První předpoklad: náhodné složky mají identické rozdělení s nulovou střední hodnotou 1. E(u) = 0 Porušení předpokladu: nenulová střední hodnota se promítne do odhadu úrovňové konstanty odhad bude vychýlený CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 5

6 1. Gaussovy-Markovovy předpoklady Druhý předpoklad: týká se kovarianční matice náhodné složky 2. E(uu T ) = σ 2 I n Co je na diagonále kovarianční matice náhodné složky? Co je mimo diagonálu? Jak by měla při splnění tohoto předpokladu kovarianční matice vypadat? CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 6

7 1. Gaussovy-Markovovy předpoklady Druhý předpoklad: týká se kovarianční matice náhodné složky 2. E(uu T ) = σ 2 I n CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 7

8 1. Gaussovy-Markovovy předpoklady Druhý předpoklad: týká se kovarianční matice náhodné složky 2. E(uu T ) = σ 2 I n autokorelace heteroskedasticita Vysvětlete oba pojmy. Jak v tom případě vypadá kovarianční matice? CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 8

9 1. Gaussovy-Markovovy předpoklady Třetí předpoklad: nezávislost vysvětlujících proměnných a náhodné složky 3. X je nestochastická matice simultánní rovnice CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 9

10 1. Gaussovy-Markovovy předpoklady Čtvrtý předpoklad: matice X nemá lineárně závislé sloupce 4. X má plnou hodnost perfektní multikolinearita - kdy se s ní můžeme setkat? multikolinearita - v čem je pak háček? CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 10

11 1. Gaussovy-Markovovy předpoklady Jsou-li všechny G-M předpoklady splněny, můžeme použít MNČ a odhady budou nestranné, vydatné a konzistentní. CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 11

12 1. Gaussovy-Markovovy předpoklady Příklad: Uvažujte model: útrata = β 0 + β 1 mzda + u (útrata je měsíční útrata v Kč, mzda je měsíční mzda v Kč) 1. Respondenti byli vybrání náhodným losováním z populace. Co byste v modelu spíš očekávali: heteroskedasticitu nebo autokorelaci? 2. Který G-M předpoklad bude v tom případě porušen? CVIČENÍ 3 LINEÁRNÍ REGRESNÍ MODEL 12

13 2. Vlastnosti MNČ: obecně Při splnění G-M předpokladů můžeme tvrdit, že odhady metodou nejmenších čtverců mají některé vlastnosti: nestrannost vydatnost konzistence asymptotická nestrannost asymptotická vydatnost CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 13

14 1. Vlastnosti MNČ: obecně NESTRANNOST E(b) = β Vychýlená odhadová funkce parametr systematicky podhodnocuje E(b) < β či nadhodnocuje E(b) > β f(b) Nestrannost ß Zdroj: prezentace Zuzana Dlouhá 4EK211 b CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 14

15 1. Vlastnosti MNČ: obecně VYDATNOST s b je nejnižší ze všech možných postupů (odhadová funkce má nejmenší rozptyl mezi všemi nestrannými odhadovými funkcemi) f(b) Vydatnost ß Zdroj: prezentace Zuzana Dlouhá 4EK211 b CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 15

16 1. Vlastnosti MNČ: obecně KONZISTENCE (pro velké výběry) hodnota b s rostoucím rozsahem výběru konverguje ke skutečné hodnotě parametru Konzistence n=1000 n=500 p lim n b β f(b) n=200 β Zdroj: prezentace Zuzana Dlouhá 4EK211 b CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 16

17 1. Vlastnosti MNČ: obecně ASYMPTOTICKÁ NESTRANNOST (pro velké výběry) slabší vlastnost než konzistence p lim E( b) n β Asymptotická nestrannost Je každý konzistentní odhad i asymptoticky nestranný? Je každý asymptoticky nestranný odhad i konzistentní? f(b) n=500 n=200 ß Zdroj: prezentace Zuzana Dlouhá 4EK211 E(b) CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 17

18 1. Vlastnosti MNČ: obecně ASYMPTOTICKÁ VYDATNOST (pro velké výběry) rozptyl konverguje k nule rychleji v porovnání s jinými konzistentními odhadovými funkcemi f(b) Asymptotická vydatnost n=500 n=200 ß Zdroj: prezentace Zuzana Dlouhá 4EK211 b CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 18

19 1. Vlastnosti MNČ: obecně Budeme pracovat se skriptem Simulace.R Skript bude na webu, kdybyste si to chtěli doma zkoušet. 1. VYDATNOST: Porovnáme dvě odhadové techniky: MNČ a laický odhad, kdy parametr β 1 odhadneme jako směrnici přímky spojující body s nejnižší a nejvyšší hodnotou x. Porovnejte jejich rozptyl. Který odhad je podle vás nestranný? Který je vydatnější? 2. KONZISTENCE: Pomocí simulace se přesvědčíme, že s rostoucím rozsahem výběru konverguje b 1 ke skutečné hodnotě parametru β 1 Pozn: tohle je bonus, kdo jste nebyli na cvičení a neumíte s R, přijďte, pokud vás to zajímá, a pusťte to z hlavy, pokud vás to nezajímá CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 19

20 2. Vlastnosti MNČ: Monte Carlo simulace Otevřete soubor Simulace.xlsx (Zdroj: Krkošková, Ráčková, Zouhar: Základy ekonometrie v příkladech, 2010) 1. Vygenerujte hodnoty náhodné složky (funkce NORM.INV) 2. Spočítejte hodnoty Y. 3. Odhadněte parametry regresní přímky (funkce INTERCEPT, SLOPE) 4. Opakujte několikrát a sledujte, jak se mění graf. (klávesa F9) CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 20

21 2. Vlastnosti MNČ: Monte Carlo simulace 5. Pomocí Tabulky dat zopakujte totéž pro 500 různých výběrů. 6. Podívejte se na histogram četností odhadů b 0, b 1. Připomíná vám nějaké známé rozdělení? CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 21

22 3. Rozdělení odhadové funkce b Předpokládejme, že náhodná složka má rozdělení: u ~N(0, σ 2 I n ) Rozdělení odhadové funkce b: b ~N(β, σ 2 X X 1 ) Střední hodnota: E(b) ~β Kovarianční matice (pro 1 vysvětlující proměnnou) VAR(b 0 ) COV(b 0, b 1 ) COV(b 1, b 0 ) VAR(b 1 ) CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 22

23 3. Rozdělení odhadové funkce b Problém je, že rozptyl náhodné složky σ 2 v praxi neznáme. Můžeme jej ale odhadnout z reziduí: n s = e n k 1 t t=1 Odhad kovarianční matice b pak získáme jako S(b) = s 2 X X 1 Odmocniny diagonálních prvků S(b) jsou tzv. směrodatné chyby (Std. Error, pracovali jsme s nimi v EViews už minule) CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 23

24 3. Rozdělení odhadové funkce b V sešitu Simulace je list Vyber. V něm je jeden konkrétní výběr při respektování parametrů z předchozí simulace. 1. Najděte odhad rozptylu náhodné složky. 2. Najděte odhad kovarianční matice odhadnutých koeficientů b 0, b Najděte odhady směrodatných chyb odhadnutých koeficientů b 0, b 1. Porovnejte odhad sm. chyb odhadnutých koeficientů b 0, b 1 s údaji zjištěnými během předchozí Monte Carlo simulace. (výsledky: viz samotný Excel) CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 24

25 3. Rozdělení odhadové funkce b Otevřete si tatáž data v EViews: soubor Vyber.wf1 1. Odhadněte a zapište regresní přímku. 2. Najděte v EViews odhad směrodatné odchylky reziduí. Jak souvisí s RSS? 3. Najděte v EViews odhad směrodatných chyb odhadnutých koeficientů b 0, b Najděte v EViews odhad kovarianční matice odhadnutých koeficientů b 0, b 1. CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 25

26 3. Rozdělení odhadové funkce b Otevřete si tatáž data v EViews: soubor Vyber.wf1 1. Odhadněte a zapište regresní přímku: y = 3,5 + 10,68x 4. Najděte v EViews odhad kovarianční matice odhadnutých koeficientů b 0, b 1 View Covariance Matrix CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 26

27 Na doma: Co byste měli umět 1. Jaké jsou G-M předpoklady a co znamenají? 2. Jaké jsou vlastnosti odhadů MNČ? 3. Co tyto vlastnosti přesně znamenají? (co je to přesně vydatnost, jaký je rozdíl mezi konzistencí a asymptotickou nestranností ) 4. Jaké rozdělení má b (za předpokladu normality náhodné složky)? 5. Jak lze odhadnout rozptyl náhodné složky? Jak jej zjistíme z EViews? 6. Jak lze odhadnout kovarianční matici b a jak z ní zjistíme odhady směrodatných chyb? Kde to všechno najdeme v EViews? CVIČENÍ 4 STATISTICKÉ VLASTNOSTI MNČ 27

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

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 6: Multikolinearita, umělé proměnné LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Otevřete si data z

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2014/15 Cvičení 5: Vícenásobná regrese, multikolinearita LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Jednoduchá

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2014/15 Cvičení 6: Dummy proměnné, úvod do časových řad LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Multikolinearita

Více

ZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ

ZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ ZOBECNĚNÝ LINEÁRNÍ REGRESNÍ MODEL. METODA ZOBECNĚNÝCH NEJMENŠÍCH ČTVERCŮ V následujícím textu se podíváme na to, co dělat, když jsou porušeny některé GM předpoklady. Nejprve si připomeňme, o jaké předpoklady

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 2: Metoda nejmenších čtverců LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Doplnění a opakování z

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie Úvod do předmětu obecné informace Základní pojmy ze statistiky / ekonometrie Úvod do programu EViews, Gretl Některé užitečné funkce v MS Excel Cvičení 1 Zuzana Dlouhá Úvod do

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie LS 2014/15 Cvičení 11: Speciální případy použití MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 2. Nelineární funkce

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

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

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není

Více

Ilustrační příklad odhadu LRM v SW Gretl

Ilustrační příklad odhadu LRM v SW Gretl Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná

Více

LINEÁRNÍ REGRESE. Lineární regresní model

LINEÁRNÍ REGRESE. Lineární regresní model LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)

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

Ilustrační příklad odhadu SM v SW Gretl

Ilustrační příklad odhadu SM v SW Gretl Ilustrační příklad odhadu SM v SW Gretl Odhad simultánního modelu (SM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná studijní pomůcka MM2011 Úvodní obrazovka Gretlu

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

Korelační a regresní analýza

Korelační a regresní analýza Korelační a regresní analýza Analýza závislosti v normálním rozdělení Pearsonův (výběrový) korelační koeficient: r = s XY s X s Y, kde s XY = 1 n (x n 1 i=0 i x )(y i y ), s X (s Y ) je výběrová směrodatná

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 10 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 10.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěma, případně

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

Dynamické metody pro predikci rizika

Dynamické metody pro predikci rizika Dynamické metody pro predikci rizika 1 Úvod do analýzy časových řad Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých časových intervalech okamžikové např

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

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

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

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

Statistické metody v marketingu. Ing. Michael Rost, Ph.D. Statistické metody v marketingu Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Regresní analýza doplnění základů Vzhledem k požadavku Vašich kolegů zařazuji doplňující partii o regresní

Více

Základy ekonometrie Příklady ze cvičení (ZS 2012)

Základy ekonometrie Příklady ze cvičení (ZS 2012) Základy ekonometrie Příklady ze cvičení (ZS 2012) Katedra ekonometrie FIS VŠE v Praze, zouharj@vse.cz 1. října 2014 Pár slov úvodem. Zadání příkladů je rozděleno po jednotlivých cvičeních. Jedná se o orientační

Více

STÁTNICE. Ekonometrie a operační výzkum

STÁTNICE. Ekonometrie a operační výzkum STÁTNICE Ekonometrie a operační výzkum Na úvod Zdravím všechny ekonometrické nadšence. V tomto dokumentu najdete vypracované otázky ke státnicím z oboru Ekonometrie a operační výzkum. Může je použít kdokoli,

Více

Protokol č. 1. Tloušťková struktura. Zadání:

Protokol č. 1. Tloušťková struktura. Zadání: Protokol č. 1 Tloušťková struktura Zadání: Pro zadané výčetní tloušťky (v cm) vypočítejte statistické charakteristiky a slovně interpretujte základní statistické vlastnosti tohoto souboru tloušťek. Dále

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

Měření závislosti statistických dat

Měření závislosti statistických dat 5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě

Více

6. Lineární regresní modely

6. Lineární regresní modely 6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu

Více

HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE

HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s

Více

DIPLOMOVÁ PRÁCE. Ekonometrické modely

DIPLOMOVÁ PRÁCE. Ekonometrické modely UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY DIPLOMOVÁ PRÁCE Ekonometrické modely Vedoucí diplomové práce: Mgr. Jaroslav Marek, Ph.D. Rok odevzdání:

Více

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

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

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

KGG/STG Statistika pro geografy

KGG/STG Statistika pro geografy KGG/STG Statistika pro geografy 10. Mgr. David Fiedor 27. dubna 2015 Nelineární závislost - korelační poměr užití v případě, kdy regresní čára není přímka, ale je vyjádřena složitější matematickou funkcí

Více

Cvičení z ekonometrie

Cvičení z ekonometrie Cvičení z ekonometrie Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Katedra ekonomiky Ing. Lukáš Čechura, Ph.D. Dr. Ing. Pavlína Hálová Ing. Zdeňka Kroupová Ing. Michal Malý, Ph.D. Ing.

Více

CHEMOMETRIKA a STATISTIKA. Prozatímní učební text vybrané příklady (srpen 2012) Miloslav Suchánek

CHEMOMETRIKA a STATISTIKA. Prozatímní učební text vybrané příklady (srpen 2012) Miloslav Suchánek CHEMOMETRIKA a STATISTIKA Prozatímní učební text vybrané příklady (srpen 01) Miloslav Suchánek Úkol č. 1 Maticové operace s využitím EXCELu V EXCELu jsou dvě důležité maticové operace, které nám pomohou

Více

Lineární algebra Operace s vektory a maticemi

Lineární algebra Operace s vektory a maticemi Lineární algebra Operace s vektory a maticemi Robert Mařík 26. září 2008 Obsah Operace s řádkovými vektory..................... 3 Operace se sloupcovými vektory................... 12 Matice..................................

Více

4ST432. Kamil Kladívko. 1 Cena a výnos aktiva, volatilita 2. 1.1 Odhad očekávaného výnosu, interval spolehlivosti, test hypotézy...

4ST432. Kamil Kladívko. 1 Cena a výnos aktiva, volatilita 2. 1.1 Odhad očekávaného výnosu, interval spolehlivosti, test hypotézy... 4ST432 Modely ekonomických a finančních časových řad Kamil Kladívko Zadání úkolů a data najdete v souboru zadani432.xlsx. Výpočty jsou v souboru solution432.xlsx. Obsah 1 Cena a výnos aktiva, volatilita

Více

4ST201 STATISTIKA CVIČENÍ Č. 10

4ST201 STATISTIKA CVIČENÍ Č. 10 4ST201 STATISTIKA CVIČENÍ Č. 10 regresní analýza - vícenásobná lineární regrese korelační analýza Př. 10.1 Máte zadaný výstup regresní analýzy závislosti závisle proměnné Y na nezávisle proměnné X. Doplňte

Více

Matematika I Lineární závislost a nezávislost

Matematika I Lineární závislost a nezávislost Matematika I Lineární závislost a nezávislost RNDr. Renata Klufová, Ph. D. Jihoèeská univerzita v Èeských Budìjovicích EF Katedra aplikované matematiky a informatiky Co u¾ známe? vektory - základní operace

Více

Cvičení z NSTP097 14. 12. 2009

Cvičení z NSTP097 14. 12. 2009 Cvičení z NSTP097 14. 12. 2009 Empirická distribuční funkce, intervalové odhady Úvodní nastavení. Ze stránky www.karlin.mff.cuni.cz/~omelka/vyuka_stp097.php si stáhněte soubor cviceni2.rdata. Otevřete

Více

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

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY Test z teorie 1. Střední hodnota pevně zvolené náhodné veličiny je a) náhodná veličina, b) konstanta, c) náhodný jev, d) výběrová charakteristika. 2. Výběrový

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

Tomáš Karel LS 2012/2013

Tomáš Karel LS 2012/2013 Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chb v této presentaci mě prosím upozorněte. Děkuji. Tto slid berte pouze jako doplňkový materiál není v nich

Více

Kalibrace a limity její přesnosti

Kalibrace a limity její přesnosti Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě

Více

Cvičení ze statistiky - 3. Filip Děchtěrenko

Cvičení ze statistiky - 3. Filip Děchtěrenko Cvičení ze statistiky - 3 Filip Děchtěrenko Minule bylo.. Dokončili jsme základní statistiky, typy proměnných a začali analýzu kvalitativních dat Tyhle termíny by měly být známé: Histogram, krabicový graf

Více

Popis modelu pro odhady PH mléčné užitkovosti

Popis modelu pro odhady PH mléčné užitkovosti Popis modelu pro odhady PH mléčné užitkovosti Zvířata zařazená do hodnocení V modelu plemene H jsou hodnoceny krávy s podílem krve H nebo 75% a výše. V modelu plemene C jsou hodnoceny krávy s podílem krve

Více

Řešení. Hledaná dimenze je (podle definice) rovna hodnosti matice. a 1 2. 1 + a 2 2 1

Řešení. Hledaná dimenze je (podle definice) rovna hodnosti matice. a 1 2. 1 + a 2 2 1 Příklad 1. Určete všechna řešení následující soustavy rovnic nad Z 2 : 0 0 0 1 1 1 0 1 0 1 1 1 1 1 0 1 0 1 0 1 1 Gaussovou eliminací převedeme zadanou soustavu na ekvivalentní soustavu v odstupňovaném

Více

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2]

PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] PRAVDĚPODOBNOST A STATISTIKA aneb Krátký průvodce skripty [1] a [2] Použitá literatura: [1]: J.Reif, Z.Kobeda: Úvod do pravděpodobnosti a spolehlivosti, ZČU Plzeň, 2004 (2. vyd.) [2]: J.Reif: Metody matematické

Více

Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti

Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 2.1 Tvorba lineárních regresních modelů při analýze dat Autor práce: Přednášející:

Více

Kontingenční tabulky, korelační koeficienty

Kontingenční tabulky, korelační koeficienty Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Mějme kategoriální proměnné X a Y. Vytvoříme tzv. kontingenční tabulku. Budeme tedy testovat hypotézu

Více

Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.

Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné

Více

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD

TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD Umělé (dummy) proměnné se používají, pokud chceme do modelu zahrnout proměnné, které mají kvalitativní či diskrétní charakter,

Více

VÍCEROZMĚRNÝ STATISTICKÝ SOUBOR

VÍCEROZMĚRNÝ STATISTICKÝ SOUBOR KORELACE A REGRESE 1 Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny společného základu (reg. č. CZ.1.07/..00/8.001)

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

Matematická statistika

Matematická statistika Matematická statistika Daniel Husek Gymnázium Rožnov pod Radhoštěm, 8. A8 Dne 12. 12. 2010 v Rožnově pod Radhoštěm Osnova Strana 1) Úvod 3 2) Historie matematické statistiky 4 3) Základní pojmy matematické

Více

Matematika I pracovní listy

Matematika I pracovní listy Matematika I pracovní listy Dagmar Dlouhá, Radka Hamříková, Zuzana Morávková, Michaela Tužilová Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava Úvod Pracovní listy jsou určeny

Více

31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě

31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě 31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty

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

APLIKACE DYNAMICKÝCH MODELŮ V ANALÝZE POPTÁVKY. LOGISTICKÝ RŮSTOVÝ MODEL. PRUŽNOST NABÍDKY A POPTÁVKY.

APLIKACE DYNAMICKÝCH MODELŮ V ANALÝZE POPTÁVKY. LOGISTICKÝ RŮSTOVÝ MODEL. PRUŽNOST NABÍDKY A POPTÁVKY. APLIKACE DYNAMICKÝCH MODELŮ V ANALÝZE POPTÁVKY. LOGITICKÝ RŮTOVÝ MODEL. PRUŽNOT NABÍDKY A POPTÁVKY. Následující text se věnuje modelům poptávky po předmětech dlouhodobé spotřeby. Na tyto modely bychom

Více

PROGRAMECH JOSEF TVRDÍK ČÍSLO OBLASTI PODPORY: 7.2.2 STUDIJNÍCH PROGRAMECH OSTRAVSKÉ UNIVERZITY REGISTRAČNÍ ČÍSLO PROJEKTU: CZ.1.07/2.2.00/28.

PROGRAMECH JOSEF TVRDÍK ČÍSLO OBLASTI PODPORY: 7.2.2 STUDIJNÍCH PROGRAMECH OSTRAVSKÉ UNIVERZITY REGISTRAČNÍ ČÍSLO PROJEKTU: CZ.1.07/2.2.00/28. ANALÝZA VÍCEROZMĚRNÝCH DAT URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH JOSEF TVRDÍK ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.07 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST OPATŘENÍ:

Více

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času

Testování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

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

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

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

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky

Vysoká škola báňská technická univerzita Ostrava. Fakulta elektrotechniky a informatiky Vysoká škola báňská technická univerzita Ostrava Fakulta elektrotechniky a informatiky Bankovní účty (semestrální projekt statistika) Tomáš Hejret (hej124) 18.5.2013 Úvod Cílem tohoto projektu, zadaného

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

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu

Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu Mgr. Karla Hrbáčková, Ph.D. Základy kvantitativního výzkumu K čemu slouží statistika Popisuje velké soubory dat pomocí charakteristických čísel (popisná statistika). Hledá skryté zákonitosti v souborech

Více

Matematika. Kamila Hasilová. Matematika 1/34

Matematika. Kamila Hasilová. Matematika 1/34 Matematika Kamila Hasilová Matematika 1/34 Obsah 1 Úvod 2 GEM 3 Lineární algebra 4 Vektory Matematika 2/34 Úvod Zkouška písemná, termíny budou včas vypsány na Intranetu UO obsah: teoretická a praktická

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA ELEKTROTECHNICKÁ KATEDRA EKONOMIKY, MANAŽERSTVÍ A HUMANITNÍCH VĚD DIPLOMOVÁ PRÁCE Srovnání krátkodobých prognóz HDP ČR na základě lineárních regresních a simultánních

Více

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28. Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

1.3 K čemu slouží linearizační transformace? V jakém případě o ní uvažujeme?

1.3 K čemu slouží linearizační transformace? V jakém případě o ní uvažujeme? Otázky k tématu 6 regrese 1 1. Vyberte správnou odpověď 1.1 Který termín patří mezi ostatní nejméně? a) percentil b) korelace c) regrese d) predikce 1.2 O lineárním vztahu mezi dvěma proměnnými. a) vypovídá

Více

Pokud data zadáme přes "Commands" okno: SDF1$X1<-c(1:15) //vytvoření řady čísel od 1 do 15 SDF1$Y1<-c(1.5,3,4.5,5,6,8,9,11,13,14,15,16,18.

Pokud data zadáme přes Commands okno: SDF1$X1<-c(1:15) //vytvoření řady čísel od 1 do 15 SDF1$Y1<-c(1.5,3,4.5,5,6,8,9,11,13,14,15,16,18. Regresní analýza; transformace dat Pro řešení vztahů mezi proměnnými kontinuálního typu používáme korelační a regresní analýzy. Korelace se používá pokud nelze určit "kauzalitu". Regresní analýza je určena

Více

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická

Více

[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}

[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R} Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost s diagonální

Více

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25 Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

Cvičení ze statistiky - 9. Filip Děchtěrenko

Cvičení ze statistiky - 9. Filip Děchtěrenko Cvičení ze statistiky - 9 Filip Děchtěrenko Minule bylo.. Dobrali jsme normální rozdělení Tyhle termíny by měly být známé: Inferenční statistika Konfidenční intervaly Z-test Postup při testování hypotéz

Více

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář

Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi. Geografický seminář 30. března 2011 Pavel Bednář Aplikovaná statistika pro učitele a žáky v hodinách zeměpisu aneb jak využít MS Excel v praxi Geografický seminář 30. března 2011 Pavel Bednář Výchozí stav Sebehodnocení práce s MS Excel studujícími oboru

Více

pracovní list studenta

pracovní list studenta Výstup RVP: Klíčová slova: pracovní list studenta Funkce Petra Směšná žák chápe funkci jako vyjádření závislosti veličin, umí vyjádřit funkční vztah tabulkou, rovnicí i grafem, dovede vyjádřit reálné situace

Více

SOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404

SOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 SOLVER UŽIVATELSKÁ PŘÍRUČKA Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 1. Solver Program Solver slouží pro vyhodnocení experimentálně naměřených dat. Základem

Více

ANALÝZA VÍCEROZMĚRNÝCH DAT

ANALÝZA VÍCEROZMĚRNÝCH DAT UČEBNÍ TEXTY OSTRAVSKÉ UNIVERZITY Přírodovědecká fakulta ANALÝZA VÍCEROZMĚRNÝCH DAT Josef Tvrdík OSTRAVSKÁ UNIVERZITA 2003 Obsah 1 Vektory a matice 4 1.1 Základní pojmy......................... 4 1.2 Vlastní

Více

Porovnání dvou výběrů

Porovnání dvou výběrů Porovnání dvou výběrů Menu: QCExpert Porovnání dvou výběrů Tento modul je určen pro podrobnou analýzu dvou datových souborů (výběrů). Modul poskytuje dva postupy analýzy: porovnání dvou nezávislých výběrů

Více

(ne)závislost. α 1 x 1 + α 2 x 2 + + α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0.

(ne)závislost. α 1 x 1 + α 2 x 2 + + α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0. Lineární (ne)závislost [1] Odečítání vektorů, asociativita BI-LIN, zavislost, 3, P. Olšák [2] Místo, abychom psali zdlouhavě: x + ( 1) y, píšeme stručněji x y. Vektoru y = ( 1) y říkáme opačný vektor k

Více

STATISTICA Téma 7. Testy na základě více než 2 výběrů

STATISTICA Téma 7. Testy na základě více než 2 výběrů STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm

Více

Statistická analýza složek kvality bílého vína

Statistická analýza složek kvality bílého vína Statistická analýza složek kvality bílého vína Petr Voborník Fakulta informatiky a managementu, Katedra informatiky a kvantitativních metod Univerzita Hradec Králové, Rokitanského 62, 5 Hradec Králové,

Více

Vlastní číslo, vektor

Vlastní číslo, vektor [1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost

Více

a vlastních vektorů Příklad: Stanovte taková čísla λ, pro která má homogenní soustava Av = λv nenulové (A λ i I) v = 0.

a vlastních vektorů Příklad: Stanovte taková čísla λ, pro která má homogenní soustava Av = λv nenulové (A λ i I) v = 0. Výpočet vlastních čísel a vlastních vektorů S pojmem vlastního čísla jsme se již setkali například u iteračních metod pro řešení soustavy lineárních algebraických rovnic. Velikosti vlastních čísel iterační

Více

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014

Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 Požadavky k opravným zkouškám z matematiky školní rok 2013-2014 1. ročník (první pololetí, druhé pololetí) 1) Množiny. Číselné obory N, Z, Q, I, R. 2) Absolutní hodnota reálného čísla, intervaly. 3) Procenta,

Více

Měření hmoty Higgsova bosonu podle doby letu tau leptonu

Měření hmoty Higgsova bosonu podle doby letu tau leptonu Měření hmoty Higgsova bosonu podle doby letu tau leptonu Jana Nováková, Tomáš Davídek UČJF Higgs -> tau tau na LHC v oblasti malých hmot Higgse dává významný příspěvek měřitelné v oblasti m H [115, 140]

Více

Reference 10. Předpokládejme stavový popis spojitého, respektive diskrétního systému

Reference 10. Předpokládejme stavový popis spojitého, respektive diskrétního systému Módy systému Teorie dynamických systémů Obsah Úvod 2 Příklady 2 3 Domácí úlohy 8 Reference Úvod Řešení stavových rovnic Předpokládejme stavový popis spojitého, respektive diskrétního systému ẋ(t)=ax(t)+bu(t)

Více