Analýza úmrtnosti Seminář z aktuárských věd. Petr Sotona Kooperativa, pojišťovna, a.s., Vienna Insurance Group / 1
|
|
- Milena Žaneta Staňková
- před 8 lety
- Počet zobrazení:
Transkript
1 Analýza úmrtnosti Seminář z aktuárských věd Petr Sotona Kooperativa, pojišťovna, a.s., Vienna Insurance Group / 1
2 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 2
3 Základní pojmy D(t,x) počet zemřelých ve věku x v kalendářním roce t E(t,x) počet žijících ve věku x v kalendářním roce t (expozice) T x (t) zbývající doba života jedince ve věku x v čase t Specifická míra úmrtnosti m t, x = D(t, x) E(t, x) Pravděpodobnost úmrtí v čase t q t, x = pravděpodobnost, že se jedinec ve věku x v čase t nedožije věku x+1, tj. Vzájemný vztah q t, x = P(T x (t) < 1) q t, x = 1 exp ( m tx, ) / 3
4 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 4
5 Trend úmrtnosti Změny v pravděpodobnostech úmrtí v čase (vývoj v lékařství, životní prostředí velký vliv kvality vody, životní styl, nové nemoci) Možné modelování: Podle příčin úmrtí problém, jak zachytit nové nemoci Podle věkové struktury dětská úmrtnost, nehodový hrb, konstantní část, stárnutí, vysoké věky Využití spíše populačních tabulek bez velkého vyhlazení Důležité srovnat výsledky s výsledky v okolních zemích Při nedostatku dat použít data z okolních zemí Hlídat smysluplnost výsledků, pochopit pozorování Př. Lokální maxima a minima v pravděpodobnostech úmrtí / 5
6 Trend úmrtnosti ukázka 1 v Nizozemí pouze muži věku v letech měli rostoucí trend v pravděpodobnostech úmrtí / 6
7 Trend úmrtnosti ukázka 1 u nás muži od začátku 60. let do konce 80. let / 7
8 Trend úmrtnosti ukázka 1 Hlavní příčiny úmrtí: (auto) nehody Rakovina (plic) Srdeční onemocnění Všechny příčiny smrti redukovány v 70.letech (u nás po roce 1989) Výrazný posun v lékařství Chování a změna životního stylu / 8
9 Ukázka 2 Naděje dožití v NL (věk 0) / 9
10 Ukázka 2 Naděje dožití u nás (věk 0) / 10
11 Ukázka 2 Zbývající doba dožití v NL (věk 65) / 11
12 Ukázka 2 Zbývající doba dožití u nás (věk 65) / 12
13 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 13
14 Modelování úmrtnosti v pojistném kmeni Hladina úmrtností pojištěných odlišná od hladiny v populaci Využití selekčních koeficientů (počáteční selekce, úrovňová selekce) 2 způsoby stanovení úmrtnosti v pojistném kmeni: přímý výpočet - výpočet q(t,x) přímo z vlastních dat a následná tvorba úmrtnostní tabulky z vypočtených hodnot problém dostatku dat přes selekční koeficienty - stanovení q(t,x) a projekce z dat populace, využití vlastních (kmenových) dat k určení správné hladiny pomocí selekčních koeficientů (úrovňová a počáteční selekce) modelování založeno na různých předpokladech: přímo pravděpodobností úmrtí q(t,x) modelování specifických měr m(t,x) / 14
15 Výpočet selekčních koeficientů zvlášť pro jednotlivé skupiny (věk, pohlaví, typ produktu, bydliště, zdravotní stav, trvání pojištění) úrovňová selekce f x - rozdíl mez hladinou v populaci a v pojistném kmeni počáteční selekce z x - rozdíl v hladině vlivem zdravotního underwrittingu f x = z x = t D(t, x) t q t. x E(t, x) t D(t, x) t f x q t. x E(t, x) D(t,x) skutečný počet zemřelých ve věku x a kalendářním roce t (v kmeni) E(t,x) počáteční expozice osob ve věku x v kalendářním roce t (v kmeni) q(t,x) pravděpodobnost úmrtí osoby ve věku x a kalendářním roce t (v populaci) / 15
16 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 16
17 Modely úmrtnosti Statistické metody: lineární regrese, redukční faktory, p-spline Stochastické modely: Modely s diskrétním časem př. Lee Carter, Renshaw Haberman, Cairns Blake Dowd Modely se spojitým časem využití vztahů pro μ(t,x) analogie modelů úrokových měr / 17
18 Statistické metody pozorování trendu v minulosti a jeho následná extrapolace do budoucnosti / 18
19 Statistické metody snadná aplikace významný vliv zvoleného období (pro vyhlazení) na výslednou extrapolaci horizontální přístup (hrozí nekonzistence pstí úmrtí mezi věky) / 19
20 Statistické metody zavedení redukčního faktoru: R t t, x, t > t q t, x = q t, x R t t, x, t > t Př. Jednoduchý faktorový model: Zavádí se faktor: f x = p q(t,x) q(t p,x), p > 0 t p je rok poslední významné změny trendu pozorované v datech (pomocí spline fcí, grafická nalýza) Pro budoucí úmrtnost platí q t, x = q t, x f(x) t t, t > t / 20
21 Statistické metody Př. Exponenciální vzorec: (pozorování z období t 1,, t n ) ln q x (t h+1 ) ln q x t h δ x t h+1 t h, h = 1,, n 1 tedy q x (t h+1 ) q x (t h ) e δ x(t h+1 t h ) Nalezení δ x metodou nejmenších čtverců / 21
22 Statistické metody zobecnění exponenciálního vzorce: q x t = a x + b x c x t další možné vzorce: q x t = a x + b x, t p h=0, pro p=3 Esscherův vzorec) q x t = a x,h t h q x t = eg x(t), 1+e G x(t) kde G p x t = h=0 c x,h t h / 22
23 Statistické metody Použití zákonů úmrtnosti: μ x t = φ(x; α t, β t, ) parametry α t, β t, se odhadnou pro každý rok pozorování t (MNČ, min χ2, max. věrohodnost) jednotlivé parametry se v čase proloží křivkou / 23
24 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 24
25 Lee Carter model Lee Carter (1992): ln m(t, x) = β x (1) + βx (2) kt (2) jednofaktorový model bez dodatečných podmínek nemá jednoznačné řešení často dodatečné podmínky typu β x (2) x = 1, k t (2) t = 0 x (k tn = 0, m x=x β 2 1 x = 1) / 25
26 Kalibrace Lee Carter Model LC ve tvaru: Singulární dekompozice: Minimalizujeme výraz: Odtud: Odhad β x a K t z matice Minimalizujeme výraz: / 26
27 Kalibrace Lee Carter Lze odvodit, že nejlepší odhad matice Z je Odtud Newton-Raphsonova metoda: Parciální derivace podle parametrů položeny rovno 0 dávají soustavu rovnic / 27
28 Kalibrace Lee Carter Iterační proces odhadu parametrů založen na rekurzivní formuli Konkrétně tedy / 28
29 Kalibrace Lee Carter Metoda max. věrohodnosti s předp. Poiss: jsou dostupné expozice a počty úmrtí E(t,x), D(t,x) předp.: D(t,x) ~ Poiss(E t, x exp (α x + β x k t )) Maximalizujeme logaritmickou věrohodnostní funkci: L α, β, k = D t, x α x + β x k t E t, x exp α x + β x k t x t + konstanta Aplikujeme Nexton-Raphsonovu metodu / 29
30 Ukázka na datech Belgie / 30
31 Ukázka na datech ČR / 31
32 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 32
33 Další modely s diskrétním časem (1) (2) (2) (3) (3) Renshaw Haberman (2006): ln m(t, x) = β x + βx kt + βx γt x zobecnění LC modelu (zahrnutí efektu kohort) (2) (3) dvoufaktorový model k t, γt x oproti LC vylepšení kalibrace (zohlednění kohort dle roku narození t-x) nevýhodou je (ne)robustnost (vysoká závislost výsledné kalibrace vzhledem k množství dat zahrnutých do odhadu) věrohodnostní funkce má více maxim / 33
34 Další modely s diskrétním časem (1) (2) (3) Currie (2006): ln m(t, x) = β x + kt + γt x zjednodušení RH modelu (vliv jednotlivých efektů je nezávislý) / 34
35 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 35
36 Cairns Blake Dowd model Cairns Blake Dowd (2006): logit q(t, x) = ln q(t,x) = k (1) 1 q(t,x) t + 2 kt x dvoufaktorový model, (k t (1), kt (2) ) určeno pro úmrtnosti ve vyšších věcích (60-89 let) neobsahuje efekt kohort postupně vzniklo několik variant CBD modelu logit q x,t = ln logit q(t, x) = ln q(t,x) = k (1) 1 q(t,x) t + 2 kt x x q x,t (1) = k 1 q t + 2 (3) kt x x + γ t x x,t logit q x,t = ln q x,t 1 q x,t = k t (1) + kt 2 x x + k t 3 x x 2 σ x 2 (4) + γ t x logit q x,t = ln q x,t (1) = k 1 q t + 2 kt x x + γ 3 t x (x c x) x,t / 36
37 Kalibrace CBD Metoda nejmenších čtverců: kalibrace pro každý kalendářní rok Metoda max. věrohodnosti s předp. Poiss: analogicky jako pro LC / 37
38 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 38
39 Projekce v LC a CBD modelu Model náhodné procházky s driftem: LC (d parametr, ξ t nezávislé s N(0,σ 2 )): tedy pro k>0 platí a odhad je roven Odhady metodou max. věrohodnosti: / 39
40 Projekce v LC a CBD modelu CBD (d 1, d 2 parametry, ξ t = (ξ t 1 ξ t 2 ), nezávislé s N(0,Σ)): Odhady parametrů (jako v LC) / 40
41 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 41
42 Vyhlazení reálných dat: Gompertz Makehamovy modely (velké vyhlazení, ničí tvar (exponenciela), vhodné jen pro určité věky King Hardyho metoda (využívá ČSÚ) μ x = a + b c x p-spline, klouzavé průměry, Whittaker - Hendersonova metoda viz. demografie Alternativní metoda vyhlazení: Van Broekhovenův algoritmus (vb algoritmus) / 42
43 vb algoritmus / 43
44 vb algoritmus / 44
45 vb algoritmus / 45
46 vb algoritmus / 46
47 vb algoritmus / 47
48 vb algoritmus / 48
49 Testováno na tabulce z let (NL) / 49
50 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 50
51 Projekce pomocí cílové tabulky Problém projektovat úmrtnost do daleké budoucnosti Proto je užitečné zohlednit ostatní předpovědi (dle lékařů, demografů, vědců, ) Problém s aktuálním trendem úmrtnosti nelze podle takového trendu projektovat příliš do budoucnosti (př. NL velmi strmý trend od 2001) Vhodnější než extrapolovat tabulku do budoucnosti je přiblížení k nějaké cílové tabulce v budoucnosti Přibližování se provádí až po vyhlazení tabulky Jednoduchý model trendu: Zobecnění: / 51
52 Projekce pomocí cílové tabulky Faktor f x; j je odhadnutý z místních dat, faktor v dalších letech se definuje jako Tedy S časem t převládá třetí faktor nad druhým / 52
53 Projekce pomocí cílové tabulky Výpočet parametru α(x) / 53
54 Agenda Úvod Trend v úmrtnosti Modelování úmrtnosti v pojistném kmeni Modely úmrtnosti Statistické metody Lee Carter Další modely s diskrétním časem Cairns Blake Dowd model Projekce v LC a CBD Vyhlazování dat Projekce pomocí cílové tabulky Pravděpodobnost úmrtí ve vysokých věcích / 54
55 Pravděpodobnost úmrtí ve vysokých věcích Pravděpodobnost úmrtí nad 105 let je spíše konstantní nebo roste jen velmi mírně (mezi 0,5 až 0,6 binomický proces ) Záleží velmi na zemi Omega maximální věk dožití opravdu se zvyšuje? Možná se jen více lidí dožívá 105 let a pak hází mincí, proto i víc lidí hodí panu / 55
56 Pravděpodobnost úmrtí ve vysokých věcích - NL / 56
57 Pravděpodobnost úmrtí ve vysokých věcích Pro vysoké věky nefunguje vb algoritmus Data jsou příliš volatilní Transformace nefunguje pro q(x) = 1 a q(x) = 0 V čase se nemění zbývající doba dožití ve vysokých věcích (žádné zvýšení, spíše snížení) Minimální rozdíl mezi muži a ženami / 57
58 Zbývající doba dožití ve 100 letech (NL) / 58
59 Zbývající doba dožití ve 100 letech (ČR) / 59
60 Pravděpodobnost úmrtí ve vysokých věcích Gompertzův zákon pro určitý věk x_0: Odtud lze vyjádřit / 60
61 Pravděpodobnost úmrtí ve vysokých věcích / 61
62 Literatura Cairns, A.J.G., et al A Quantitative Comparison of Stochastic Mortality Models Using Data from England and Wales and the United States, North American Actuarial Journal, Vol. 13, No. 1, 2009 Cairns, A.J.G, Blake, D., Dowd, K. Modelling and Management of Mortality Risk: A Review, Scandinavian Actuarial Journal,Issue 2-3, 2008 Lee,R.D. The Lee-Carter Method of Forecasting Mortality, with various Extensions and Applications, North American Actuarial Journal, Vol. 4, No. 1, 2000 Pitacco, E., et al Modelling Longevity Dynamics for Pensions and Annuity Business, Oxford, 2009 The Human Mortality Database, / 62
63 Děkuji za pozornost! Otázky? / 63
Pojistná matematika. Úmrtnostní tabulky, komutační čísla a jejich použití. Silvie Kafková
Úmrtnostní tabulky, komutační čísla a jejich použití 2015 Osnova 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky 4 Komutační čísla Obsah 1 Délka života 2 Intenzita úmrtnosti 3 Úmrtnostní Tabulky
VíceÚMRTNOST OBYVATELSTVA ČESKÉ A SLOVENSKÉ REPUBLIKY; NÁVRH KONSTRUKCE NOVÝCH ÚMRTNOSTNÍCH TABULEK
ÚMRTNOST OBYVATELSTVA ČESKÉ A SLOVENSKÉ REPUBLIKY; NÁVRH KONSTRUKCE NOVÝCH ÚMRTNOSTNÍCH TABULEK Boris Burcin 1, Klára Hulíková 1, David Kománek 2 1 Katedra demografie a geodemografie, Přírodovědecká fakulta
VíceTest 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
VíceBiostatistika 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,
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceVYUŽITÍ LEE-CARTEROVA MODELU PRO PREDIKCI STŘEDNÍ DÉLKY ŽIVOTA
VYUŽITÍ LEE-CARTEROVA MODELU PRO PREDIKCI STŘEDNÍ DÉLKY ŽIVOTA PREDICTION OF LIFE EXPECTANCY USING THE LEE-CARTER MODEL Ondřej Slavíček, Pavla Jindrová Abstract: The ageing of the population is a problem
VíceLife Expectancy Development and Prediction for Selected European Countries
Abstract Life Expectancy Development and Prediction for Selected European Countries Vývoj a predikce střední délky života vybraných evropských zemí Pavla Jindrová, Ondřej Slavíček 1 The population ageing
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceStatistika. 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
VíceTest 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
VíceUkazatele zdravotního stavu. Martin Horváth Kateřina Ivanová
Ukazatele zdravotního stavu Martin Horváth Kateřina Ivanová 1 Subjektivní hodnocení zdraví Zdroj 2 Střední délka života při narození a její část prožitá bez zdravotního omezení, muži, 2003 emě, které byly
Více8 Coxův model proporcionálních rizik I
8 Coxův model proporcionálních rizik I Předpokládané výstupy z výuky: 1. Student umí formulovat Coxův model proporcionálních rizik 2. Student rozumí významu regresních koeficientů modelu 3. Student zná
VícePravděpodobnost 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
VíceKohortní přístup k analýze úmrtnosti alternativní způsob
Kohortní přístup k analýze úmrtnosti alternativní způsob Klára Hulíková, Petr Mazouch PřF UK v Praze, VŠE v Praze Diskusní večer České demografické společnosti, 17. 10. 2012 Struktura prezentace Co? Proč?
VíceROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY. Michal Friesl
Robust 14, Jetřichovice ROVNICE NA ČASOVÝCH ŠKÁLÁCH A NÁHODNÉ PROCESY Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Robust 14, Jetřichovice ÚVOD Úvod Analýzníkům
VíceÚvodem 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
Více7 Regresní modely v analýze přežití
7 Regresní modely v analýze přežití Předpokládané výstupy z výuky: 1. Student rozumí významu regresního modelování dat o přežití 2. Student dokáže definovat pojmy poměr rizik a základní riziková funkce
VíceNaděje dožití (e x ) Konstrukce a dekompozice ukazatele. trendy v intenzitě úmrtnosti omyly při hodnocení naděje dožití dekompozice rozdílu ukazatele
Naděje dožití (e x ) Konstrukce a dekompozice ukazatele trendy v intenzitě úmrtnosti omyly při hodnocení naděje dožití dekompozice rozdílu ukazatele Michala Lustigová / Konzultační den CHŽP - Sledování
VíceVliv konzumace alkoholu na riziko vzniku rakoviny v české populaci
Vliv konzumace alkoholu na riziko vzniku rakoviny v české populaci RNDr. Michala Lustigová, Ph.D. 1,2 1 Státní zdravotní ústav, 2 Přírodovědecká fakulta UK Struktura prezentace Epidemiologický profil české
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
VíceVšechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a
Všechno, co jste chtěli vědět z teorie pravděpodobnosti, z teorie informace a báli jste se zeptat Jedinečnou funkcí statistiky je, že umožňuje vědci číselně vyjádřit nejistotu v jeho závěrech. (G. W. Snedecor)
VíceMinikurz aplikované statistiky. Minikurz aplikované statistiky p.1
Minikurz aplikované statistiky Marie Šimečková, Petr Šimeček Minikurz aplikované statistiky p.1 Program kurzu základy statistiky a pravděpodobnosti regrese (klasická, robustní, s náhodnými efekty, ev.
VíceDemografická transformace dopady na zdravotní a sociální péči
Demografická transformace dopady na zdravotní a sociální péči IHS Praha 21 MUDr. Stanislav Vachek stan.vachek@gmail.com Mgr. Tomáš Roubal Schéma vymírání kohorty A- časná dětská úmrtnost téměř mizí B umírání
VíceA6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2
A6M33SSL: Statistika a spolehlivost v lékařství Teorie spolehlivosti Přednáška 2 Vojta Vonásek vonasek@labe.felk.cvut.cz České vysoké učení technické v Praze Fakulta elektrotechnická Katedra kybernetiky
VíceTomáš 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
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceVýpočet pojistného v životním pojištění. Adam Krajíček
Výpočet pojistného v životním pojištění Adam Krajíček Dělení životního pojištění pojištění riziková - jedná se o pojištění, u kterých se předem neví, zda dojde k pojistné události a následně výplatě pojistného
Více2 Hlavní charakteristiky v analýze přežití
2 Hlavní charakteristiky v analýze přežití Předpokládané výstupy z výuky: 1. Student umí definovat funkci přežití, rizikovou funkci a kumulativní rizikovou funkci a zná funkční vazby mezi nimi 2. Student
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VícePorovnání metod konstrukce oficiálních úmrtnostních tabulek ve vybraných zemích
UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra demografie a geodemografie Porovnání metod konstrukce oficiálních úmrtnostních tabulek ve vybraných zemích Comparison of official life tables construction
VíceStatistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I
Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I Příklad Tahová síla papíru používaného pro výrobu potravinových sáčků je důležitá charakteristika kvality. Je známo, že síla
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceTomáš Cipra: Finanční a pojistné vzorce. Grada Publishing, Praha 2006 (374 stran, ISBN: 80-247- 1633-X) 1. ÚVOD... 17
Tomáš Cipra: Finanční a pojistné vzorce. Grada Publishing, Praha 2006 (374 stran, ISBN: 80-247- 1633-X) OBSAH SEZNAM NĚKTERÝCH SYMBOLŮ.... 13 1. ÚVOD.... 17 I. FINANČNÍ VZORCE.... 19 2. JEDNODUCHÉ ÚROČENÍ
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceNemoci oběhové soustavy v české populaci. Mgr. Michala Lustigová 18. konference Zdraví a životní prostředí, Milovy 2013
Nemoci oběhové soustavy v české populaci Mgr. Michala Lustigová 18. konference Zdraví a životní prostředí, Milovy 2013 Struktura prezentace Epidemiologická situace v Evropě teoretický rámec zdravotního
VíceANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK.
ANALÝZA DAT V R 7. KONTINGENČNÍ TABULKA Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK www.biostatisticka.cz PŘEHLED TESTŮ rozdělení normální spojité alternativní / diskrétní
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
Vícečasovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.
Modelování dynamických systémů Matematické modelování dynamických systémů se využívá v různých oborech přírodních, technických, ekonomických a sociálních věd. Použití matematického modelu umožňuje popsat
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceLineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
Více6. 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
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
VíceAproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.
Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace
VíceVliv konzumace alkoholu na riziko vzniku rakoviny v české populaci
Vliv konzumace alkoholu na riziko vzniku rakoviny v české populaci Michala Lustigová Národní ústav duševního zdraví Přírodovědecká fakulta UK michala.lustigova@gmail.com AT konference, 2. 6.6. 2019, Seč
VíceKapitola 7: Neurčitý integrál. 1/14
Kapitola 7: Neurčitý integrál. 1/14 Neurčitý integrál 2/14 Definice: Necht f je funkce definovaná na intervalu I. Funkci F definovanou na intervalu I, pro kterou platí F (x) = f (x) x I nazýváme primitivní
VíceMatematické přístupy k pojištění automobilů. Silvie Kafková. 3. 6. září 2013, Podlesí
Matematické přístupy k pojištění automobilů Silvie Kafková 3. 6. září 2013, Podlesí Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3 Motivace Obsah 1 Motivace 2 Tvorba tarifních skupin a priori 3
VíceNa co Češi nejčastěji umírají
Na co Češi nejčastěji umírají Magdaléna Poppová Tisková konference 14. listopadu 2016, Praha ČESKÝ STATISTICKÝ ÚŘAD Na padesátém 81, 100 82 Praha 10 www.czso.cz Počet zemřelých dle pohlaví v tis. osob
VíceUniverzita Karlova v Praze Přírodovědecká fakulta. Studijní program: Demografie
Univerzita Karlova v Praze Přírodovědecká fakulta Studijní program: Demografie Studijní obor: Demografie Ing. Petr Mazouch, Ph.D. GENERAČNÍ ÚMRTNOST A JEJÍ MODELOVÁNÍ Cohort mortality pattern and its modelling
VícePOJIŠŤOVNICTVÍ. Mezi složky současného pojišťovnictví patří. ekonomie a finance, pojistné právo pojistná matematika.
POJIŠŤOVNICTVÍ Pojištění se historicky považuje za formu přesunu rizika negativních dopadů nahodilostí, z ekonomického nebo jiného subjektu na speciální instituce- pojišťovnu. Jde o zvláštní odvětví ekonomiky
VíceÚmrtnostní tabulky příjemců příspěvku na péči
Úmrtnostní tabulky příjemců příspěvku na péči Datum: listopad 2011 Verze: 2.2 Zadavatel: Aktivita č. 12 Autor: Jan Alexa 1 Jan Alexa vystudoval Přírodovědeckou fakultu University Karlovy a Fakultu sociálních
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceRegresní 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)
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VícePokročilé neparametrické metody. Klára Kubošová
Klára Kubošová Další typy stromů CHAID, PRIM, MARS CHAID - Chi-squared Automatic Interaction Detector G.V.Kass (1980) nebinární strom pro kategoriální proměnné. Jako kriteriální statistika pro větvení
VíceHodnocení a modelování populačních dat na příkladu epidemiologie vážných chorob: I. Analýza dat, princip predikcí.
Hodnocení a modelování populačních dat na příkladu epidemiologie vážných chorob: I. Analýza dat, princip predikcí. Úvod do matematické biologie Tomáš Pavlík & O. Májek, L. Dušek, J. Mužík, E. Gelnarová,
VíceAplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik
Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik Ondřej Pavlačka Praha, 18. ledna 2011 Cíle projektu Vytvořit matematický model pro oceňování přijímaného
VíceKorelační 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
VíceDemografická transformace a posilování role pacientů. Stanislav Vachek 3. International Health Summit Duben 18-20, 2007 Praha Česká republika
Demografická transformace a posilování role pacientů Stanislav Vachek 3. International Health Summit Duben 18-20, 2007 Praha Česká republika 12 000 000 10 000 000 8 000 000 6 000 000 4 000 000 2 000 000
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VícePřijímací zkouška na navazující magisterské studium 2014
Přijímací zkouška na navazující magisterské studium 24 Příklad (25 bodů) Spočtěte Studijní program: Studijní obor: Matematika Finanční a pojistná matematika Varianta A M x 2 dxdy, kde M = {(x, y) R 2 ;
Vícepouze u některých typů rovnic a v tomto textu se jím nebudeme až na
Matematika II 7.1. Zavedení diferenciálních rovnic Definice 7.1.1. Rovnice tvaru F(y (n), y (n 1),, y, y, x) = 0 se nazývá diferenciální rovnice n-tého řádu pro funkci y = y(x). Speciálně je F(y, y, x)
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceODBORNÉ DOPORUČENÍ ČSpA č.1 STANOVENÍ BEZRIZIKOVÉ VÝNOSOVÉ KŘIVKY
ODBORNÉ DOPORUČENÍ ČSpA č.1 STANOVENÍ BEZRIZIKOVÉ VÝNOSOVÉ KŘIVKY Vydání č.1 schválené dne 7. prosince 2014 Právní normy a směrnice: Zákon č. 363/1999 Sb., o pojišťovnictví, ve znění pozdějších předpisů
VíceJitka Rychtaříková Katedra demografie a geodemografie Přírodovědecká fakulta University Karlovy v Praze Albertov 6, 128 43 Praha
Jitka Rychtaříková Katedra demografie a geodemografie Přírodovědecká fakulta University Karlovy v Praze Albertov 6, 128 43 Praha rychta@natur.cuni.cz +420 221951420 Struktura Zdraví a vzdělání v České
VíceDiferenciální rovnice a jejich aplikace. (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36
Diferenciální rovnice a jejich aplikace Zdeněk Kadeřábek (Brkos 2011) Diferenciální rovnice a jejich aplikace 1 / 36 Obsah 1 Co to je derivace? 2 Diferenciální rovnice 3 Systémy diferenciálních rovnic
VíceZáklady biostatistiky II. Veřejné zdravotnictví 3.LF UK - II
Základy biostatistiky II Veřejné zdravotnictví 3.LF UK - II Teoretické rozložení-matematické modely rozložení Naměřená data Výběrové rozložení Teoretické rozložení 1 e 2 x 2 Teoretické rozložení-matematické
VíceDiferenciální rovnice
Obyčejné diferenciální rovnice - studijní text pro cvičení v předmětu Matematika - 2. Studijní materiál byl připraven pracovníky katedry E. Novákovou, M. Hyánkovou a L. Průchou za podpory grantu IG ČVUT
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VícePozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně
9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených
Vícejevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
VíceJana Vránová, 3. lékařská fakulta UK
Jana Vránová, 3. lékařská fakulta UK Vznikají při zkoumání vztahů kvalitativních resp. diskrétních znaků Jedná se o analogii s korelační analýzou spojitých znaků Přitom předpokládáme, že každý prvek populace
VíceČeské vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská OKRUHY. ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM
OKRUHY ke státním závěrečným zkouškám BAKALÁŘSKÉ STUDIUM Obor: Studijní program: Aplikace přírodních věd 1. Vektorový prostor R n 2. Podprostory 3. Lineární zobrazení 4. Matice 5. Soustavy lineárních rovnic
VíceModelování výnosové křivky a modelování úrokových nákladů státního dluhu Kamil Kladívko Odbor řízení státního dluhu a finančního majetku Úrokové náklady portfolia státního dluhu 2 Úrokové náklady státního
VíceMatematika I A ukázkový test 1 pro 2014/2015
Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceSoustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty
Soustavy lineárních diferenciálních rovnic I řádu s konstantními koeficienty Definice a) Soustava tvaru x = ax + a y + az + f() t y = ax + a y + az + f () t z = a x + a y + a z + f () t se nazývá soustava
VíceInterpolace pomocí splajnu
Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceFunkce jedné proměnné
Funkce jedné proměnné Příklad - V následujících příkladech v případě a) pro funkce dané rovnicí zjistěte zda jsou rostoucí klesající nebo konstantní vypočítejte průsečíky grafu s osami souřadnic a graf
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceÚmrtnost v České a Slovenské republice a jejich krajích v letech
Úmrtnost v České a Slovenské republice a jejich krajích v letech 1996 2009 XLI. konference ČDS Česko a Slovensko ve společném státě a samostatně, podobnosti a odlišnosti Olomouc 26. 27. května 2011 Ivana
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceEva Fišerová a Karel Hron. Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci.
Ortogonální regrese pro 3-složkové kompoziční data využitím lineárních modelů Eva Fišerová a Karel Hron Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VícePravděpodobnost a matematická statistika
Pravděpodobnost a matematická statistika Příklady k přijímacím zkouškám na doktorské studium 1 Popisná statistika Určete aritmetický průměr dat, zadaných tabulkou hodnot x i a četností n i x i 1 2 3 n
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceČebyševovy aproximace
Čebyševovy aproximace Čebyševova aproximace je tzv hledání nejlepší stejnoměrné aproximace funkce v daném intervalu Hledáme funkci h x, která v intervalu a,b minimalizuje maximální absolutní hodnotu rozdílu
VíceUniverzita Pardubice Fakulta ekonomicko-správní METODY GRADUACE ÚMRTNOSTNÍCH TABULEK. Bc. Kateřina Andrysová
Univerzita Pardubice Fakulta ekonomicko-správní METODY GRADUACE ÚMRTNOSTNÍCH TABULEK Bc. Kateřina Andrysová Diplomová práce 00 Prohlašuji: Tuto práci jsem vypracovala samostatně. Veškeré literární prameny
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceÚloha 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
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
VíceJAKÉ MÍSTO MÁ DATOVÁ ANALYTIKA V PROSTŘEDÍ SOCIÁLNÍCH, HUMANITNÍCH NEBO BIO- SOCIÁLNÍCH OBORŮ
JAKÉ MÍSTO MÁ DATOVÁ ANALYTIKA V PROSTŘEDÍ SOCIÁLNÍCH, HUMANITNÍCH NEBO BIO- SOCIÁLNÍCH OBORŮ PŘÍKLAD DEMOGRAFIE: VYUŽITÍ, INSPIRACE, MOŽNOSTI KLÁRA HULÍKOVÁ KATEDRA DEMOGRAFIE A GEODEMOGRAFIE, PŘÍRODOVĚDECKÁ
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Více